Determination of land use/land cover changes using Google Earth Engine and machine learning: a case study of Beypazarı, Ankara

Abstract

Unregulated urban expansion, population growth, and climate change make monitoring land use and land cover (LULC) modifications an absolute necessity. To meet the need for efficient environmental tracking, cloud-based platforms like Google Earth Engine (GEE) now provide rapid pipelines for regional mapping. This study analyzes spatiotemporal LULC transitions across a 409.19-hectare area in the Beypazarı district of Ankara, Türkiye, using Landsat 8 satellite imagery from 2016 and 2020. The classification workflow utilized a Random Forest (RF) machine learning algorithm configured with 100 decision trees. To improve class separability, the primary Landsat spectral bands (Blue, Green, Red, NIR, SWIR1, and SWIR2) were integrated with three spectral indices: NDVI, MNDWI, and NDBI. Model training and validation were performed using 407 reference points, randomly split into a 70% training subset and a 30% testing pool. The results show that agricultural land and forest are the dominant land categories in the study area. For the 2016 dataset, the model achieved an overall accuracy of 89.51% and a Kappa coefficient of 0.868. For the 2020 dataset, the classification metrics dropped slightly to an overall accuracy of 77.93% and a Kappa coefficient of 0.724. Ultimately, this study demonstrates that cloud-computed remote sensing workflows offer reliable, large-scale mapping capabilities essential for sustainable land management.

Keywords

• Google Earth Engine
• Landsat 8
• Land use/ land cover
• Beypazarı

References

1. Aghlmand, M., Kalkan, K., Onur, M. İ., Öztürk, G., & Ulutak, E. (2021). Google Earth Engine ile arazi kullanımı haritalarının üretimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1): 038-047. https://doi.org/10.28948/ngumuh.795977
2. Akçın, H & Tercan Köse, R. (2023). Tarım Arazilerinde Değişime Neden Olan Parametrelerin Google Earth Engine Veri Madenciliği ve WebCBS Aplikasyonu ile Değerlendirilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2), 1363-1376.
3. Apaydın, C. & Abdikan, S. (2021). Fındık bahçelerinin entinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. https://doi.org/10.29128/geomatik.705988.
4. Aydın, T. K. & Durduran, S. S. (2021). Ereğli-Bor alt havzasında arazi kullanımı/örtüsünün uzaktan algılama yöntemleriyle zamansal değişimi, Türk Tarım ve Doğa Bilimleri Dergisi, 8(3):629-641. https://doi.org/10.30910/turkjans.936107
5. Bulut, H., Demirörs, Z., Alan, İ., Kaya, Ş., Bilgin, N., Öztaş, Z., Gürçayır, E. & Darende, V. (2018). 2018 Yılı İzmir Meteorolojik Radar Verilerinin Zamansal ve CORINE Arazi Sınıflarına göre Değişiminin Coğrafi Bilgi Sistemleri ile Analizi. Meteoroloji Genel Müdürlüğü Yazılım Geliştirme Şube Müdürlüğü, Ankara.
6. Bayar, R. (2019). Ayaş İlçesinde Arazi Örtüsü ve Arazi Kullanımı, Pegem Akademi.
7. Cangir, C., Kapur, S., Boyraz, D. & Akça, E. (1998). Türkiye’de arazi kullanımı, tarım topraklarının sorunları ve optimum arazi kullanım politikaları. M. Şefik Yeşilsoy International Symposium on Arid Region Soil, Menemen, İzmir, Turkey.
8. Congalton, R.G. & Green, K. (2019). Assessing the cccuracy of remotely sensed data: principles and practices, (3rd ed.). CRC Press. https://doi.org/10.1201/9780429052729

9. Danacıoğlu, Ş. (2019). Arazi kullanımı/arazi örtüsü ve uzaktan algılama. D.D. Yavaşlı ve M.K. Ölgen (Ed.), Coğrafyada Uzaktan Algılama içinde (s. 161-198). İstanbul: Kriter Yayınevi.
10. Dengiz, O., Usul, M. & Keçeci, M. (2006). Atatürk orman çiftliği arazilerinin tarımsal kullanım durumlarının değerlendirilmesi. OMÜ Zir. Fak. Dergisi. 21(1): 55- 64.
11. Dengiz, O. & Demirağ Turan, İ. (2023). Uzaktan algılama ve coğrafi bilgi sistem teknikleri kullanılarak arazi örtüsü/arazi kullanımı zamansal değişimin belirlenmesi: Samsun merkez ilçesi örneği (1984-2011), Türkiye Tarımsal Araştırmalar Dergisi, 1:78-90. https://doi.org/10.19159/tutad.45474
12. Efe, E., & Algancı, U. (2023). Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik, 8(1), 27-34. https://doi.org/10.29128/geomatik.1092838
13. Fıçıcı, M. (2024). Trabzon ili kıyı şeridinde 1980-2030 yılları arasında kentsel yayılmanın GHSL (Global Human Settlement Layer) ve GEE (Google Earth Engine) ile analizi. Journal of Anatolian Geography, 2(2), 97-107.
14. Gülersoy, A.E. (2014). Seferihisar’da arazi kullanımının zamansal değişimi (1984-2010) ve ideal arazi kullanımı için öneriler. Süleyman Demirel Üniversitesi, Fen Edebiyat Fakültesi Sosyal Bilimler Dergisi, 31(1): 155-180.
15. Güre, M., Özel, M.E. & Özcan, H. (2009). Corine arazi kullanımı sınıflandırma sistemine göre Çanakkale ili. Harran Ünv. Ziraat Fak. Derg., 13(3): 37-48.
16. Jamali, A. (2019). A Fit-for-Purpose Algorithm for environmental monitoring based on maximum likelihood, support vector machine and random forest. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3/W7, 25–32. https://doi.org/10.5194/isprs-archives-XLII-3-W7-25-2019
17. Kadı, F. & Yılmaz, O. S. (2024). Orman içi açıklıklara ait zamansal değişimlerin uzaktan algılama teknikleri ile Google Earth Engine platformunda tespit edilmesi: Trabzon-Düzköy İlçesi örneği. Geomatik, 9(2), 141-155. https://doi.org/10.29128/geomatik.1363873
18. Karaman, M., Budakoglu, M., Avci, Z. D. U., Ozelkan, E., Bulbul, A., Civas, M. & Tasdelen, S. (2015). Determination of seasonal changes in wetlands using CHRIS/PROBA hyperspectral satellite images: A case study from Acıgöl (Denizli), Turkey. Journal of Environmental Biology, 36(1), 73–83. Erişim adresi: https://pubmed.ncbi.nlm.nih.gov/26591885/
19. Kavzoğlu, T. & Çölkesen, İ. (2010). Karar Ağaçları ile Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği, Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
20. Kaya, N.S., Turan, İ.D., Dengiz, O., & Saygın, F. (2020). Farklı Konumsal Çözünürlüğe Sahip Uydu Görüntüleri Kullanarak CORINE Arazi Örtüsü/Arazi Kullanım Sınıflarının Belirlenmesi. Türkiye Tarımsal Araştırmalar Dergisi- Turkish Journal of Agricultural Research. 7(2): 207-218. https://doi.org/10.19159/tutad.739537
21. Kayode, A., Adepoju & Samuel A. A. (2020). Improving accuracy of Landsat-8 OLI classification using image composite and multisource data with Google Earth Engine, Remote Sensing Letters, 11(2), 107-116. https://doi.org/10.1080/2150704X.2019.1690792
22. Koç, A. & Yener, H. (2001). Uzaktan algılama verileriyle İstanbul çevresi ormanlarının alansal ve yapısal değişikliklerinin saptanması. İstanbul Üniversitesi, Orman Fakültesi Dergisi 51(2): 17-36. [in Turkish]
23. Langat, P. K., Kumar, L. & Koech, R. (2019). Monitoring river channel dynamics using remote sensing and GIS techniques. Geomorphology, 325, 92-102. https://doi.org/10.1016/j.geomorph.2018.10.007
24. McFeeters, S. K. (1996). The use of the normalized difference water index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
25. Özdemir, İ. & Özkan, Y.U., (2003). Monitoring the changes of forest areas using landsat satellite images in Armutlu forest district. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi 4(1): 55-66.
26. Özelkan, E. & Karaman, M. (2018). Baraj göllerindeki meteorolojik ve hidrolojik kuraklığın etkisinin çok zamanlı uydu görüntüleri ile analizi: Atikhisar Barajı (Çanakkale) örneği. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(2), 1023–1037. https://doi.org/10.28948/ngumuh.443230
27. Özelkan, E., Sağlık, A., Sümer, S.K., Bedir, M. & Kelkit, A. (2018). Kentleşmenin tarım alanları üzerine etkisinin uzaktan algılama ile incelenmesi – Çanakkale Örneği, ÇOMÜ Ziraat Fakültesi Dergisi. (COMU J. Agric. Fac.). 6 (1): 123–134. https://izlik.org/JA84FB34ER
28. Özelkan, E. (2019). Uzaktan algılama ile belirlenen baraj gölü alanının zamansal değişiminin meteorolojik kuraklık ile değerlendirilmesi: Atikhisar Barajı (Çanakkale) örneği. Türk Tarım ve Doğa Bilimleri Dergisi, 6(4), 904–916. https://doi.org/10.30910/turkjans.633634.
29. Taysun Şahin, K. & Taysun, A. (2021). Uzaktan algılama ve coğrafi bilgi sistem teknikleri kullanılarak Manisa Akselendi ovası’nda arazi kullanım/örtüsündeki zamansal değişiminin izlenmesi. Ziraat Fakültesi Dergisi, 16(2), 169-177. https://izlik.org/JA55MX53UC
30. Turan Demirağ, İ., Özkan, B., Türkeş, M. & Dengiz, O. (2020). Landslide susceptibility mapping for the Black Sea Region with spatial fuzzy multi-criteria decision analysis under semi-humid and humid terrestrial ecosystems. Theoretical and Applied Climatology,140:1233–1246. https://doi.org/10.1007/s00704-020-03126-2
31. Turan Demirağ, İ., Dengiz, O. & İç, S. (2024). Arazi kullanımı/arazi örtüsü özelliklerinin belirlenmesine örnek bir çalışma: Samsun Tekkeköy İlçesi (1990-2017yılları), Türkiye Tarımsal Araştırmalar Dergisi, 11(2):201-215. https://doi.org/10.19159/tutad.1437579
32. Topaloğlu, R.H. & Ekercin, S. (2013). Coğrafi bilgi sistemi ve uzaktan algılama entegrasyonu ile konya kapalı havzası’nda arazi örtüsü/kullanımı zamansal değişimlerinin belirlenmesi. TMMOB Coğrafi Bilgi Sitemleri Kongresi, 11-13 Kasım 2013, Ankara.
33. Turan Demirağ İ., Dengiz, O. & Kaya, N. S. (2021). Arazi örtüsü/arazi kullanım değişimlerinin farklı zamanlı landsat uydu görüntüleri ile belirlenmesi: Çarşamba Delta Ovası örneği, ÇOMÜ Ziraat Fakültesi Dergisi, 9(1):141-152. https://doi.org/10.33202/comuagri.857787
34. Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025–3033. https://doi.org/10.1080/01431160600589179