Bazı meşcere bileşenlerinin farklı uydu görüntüleri yardımıyla tahmin edilmesi: Kelkit ve İğdir Planlama Birimi örneği

Abstract

Ormanların yapı ve kuruluşu hakkında daha az para ve emek harcayarak bilgi sahibi olma ve bunu güncelleme isteği önemini korumaktadır. Bu noktada, özellikle meşcere bileşenlerinin güncel, güvenilir ve hızlı yöntemlerle belirlenmesi büyük avantajlar sağlamaktadır. Gerçekleştirilen çalışmada, aynı yaşlı saf Sarıçam ve değişik yaşlı olarak işletilen saf Göknar meşcerelerinden alınan örnek alanlarda yapılan ölçümler sonucunda elde edilen bazı meşcere bileşenleri ile uzaktan algılama verileri arasındaki ilişkiler araştırılmıştır. Çalışma alanları olarak, aynı yaşlı saf Sarıçam meşcerelerinin ağırlıklı olarak yer aldığı Kelkit (Gümüşhane) ile değişik yaşlı saf Göknar meşceresinin içerisinde yer aldığı İğdir (Kastamonu) Orman İşletme Şeflikleri seçilmiştir. Çalışmada daha önce birlikte benzer amaçla kullanılmamış olan Göktürk-2, Rasat ve dijital kamera ile çekilmiş hava fotoğraflarının da olduğu 5 farklı uzaktan algılama verisi kullanılmıştır. Uydu görüntülerine ilişkin yansıma/piksel değerleri ve bu değerler kullanılarak hesaplanan farklı indeksler Erdas Imagine yazılımı yardımıyla elde edilmiş ve seçilen meşcere bileşenleri olan ağaç sayısı, hacim ve göğüs yüzeyi arasındaki ilişkiler SPSS 20.0 programı kullanılarak çoklu doğrusal regresyon modelleri ile ortaya konmuştur. Ağaç sayısı, hacim ve göğüs yüzeyi için geliştirilen modellerde en yüksek tahminleri Landsat uydusu sağlamıştır. Kelkit araştırma alanı için ağaç sayısı, hacim ve göğüs yüzeyi düzeltilmiş belirtme katsayıları sırasıyla 0.44, 0.77 ve 0.77; İğdir araştırma alanı için ise bu değer sırasıyla 0.60, 0.75 ve 0.80 olarak bulunmuştur. Her iki bölgede de, en yüksek doğruluk ve en düşük standart hataya sahip modeller seçilmiş, bu modellerin çıktıları, mevcut meşcere haritalarıyla karşılaştırılarak doğrulukları değerlendirilmiştir.

Keywords

• Dijital hava fotoğrafı
• Orman amenajmanı
• Göktürk-2
• Meşcere bileşenleri
• Rasat
• Uzaktan algılama

Estimation of some forest stand parameters using different satellite images: Case Studies from Kelkit and İğdir Planning Units

Abstract

Accurate and up-to-date information on forest composition and structure is essential for effective management, yet conventional inventory methods require considerable time, labor, and cost. Remote sensing provides an efficient alternative by enabling the estimation of stand parameters through reliable and rapid techniques. This study investigates the relationships between remotely sensed data and key stand parameters—including number of trees, basal area, and volume—measured from field sample plots in even-aged pure Scots pine (Pinus sylvestris) stands and uneven-aged pure fir (Abies nordmanniana subsp. bornmuelleriana) stands. Research was conducted in Kelkit/Gümüşhane, dominated by Pinus sylvestris, and İğdir/Kastamonu, characterized by Abies nordmanniana subsp. bornmuelleriana. Five different remote sensing datasets were employed, including Göktürk-2, Rasat, and aerial photographs captured with digital cameras, which had not previously been applied for similar purposes. Using multiple regression analysis in SPSS 20.0, relationships between stand parameters and satellite reflectance/pixel values, along with vegetation indices derived from ERDAS Imagine, were evaluated. Results indicated that Landsat 8 imagery produced the most accurate estimations for all parameters in both regions. The adjusted R² values for volume, basal area, and tree number were 0.44, 0.77, and 0.77, respectively, in Kelkit, and 0.60, 0.75, and 0.80 in İğdir. Models with the highest coefficients of determination and lowest standard errors were selected and applied to both study areas. Final outputs were compared with the existing stand type maps, demonstrating the effectiveness of remote sensing in improving forest inventory and management.

Keywords

• Digital aerial photograph
• Forest management
• Göktürk-2
• Stand parameters
• Rasat
• Remote sensing

References

1. Astola, H., Bounsaythip, C., Ahola, J., Häme, T., Parmes, E., Sirro, L., Veikkanen, B., 2004. Highforest - forest parameter estimation from high resolution remote sensing data. 20th ISPRS Congress, 12-23 July, Istanbul, Turkey, pp. 335-340.
2. Ateşoğlu, A., 2009. Farklı uydu görüntü verileri ile meşcere parametreleri arasındaki ilişkilerin araştırılması (Bartın-Mugada Örneği). Doktora Tezi, Bartın Üniversitesi, Fen Bilimleri Enstitüsü, Bartın.
3. Bahadir, M., Karsli, F., Yildirim, F. S., Misir, M., 2025. Tree crown segmentation and estimation of metrics from point clouds with ımproved local maximum method. The Photogrammetric Record, 40(141): 1-26.
4. Bulut, S., Günlü, A., Keleş, S., 2016. Estimation of some stand parameters using Göktürk-2 satellite image. 1st International Symposium of Forest Engineering and Technologies, 2-4 June, Bursa, pp.118-124..
5. Bulut, S., Günlü, A., Çakır, G., 2023. Modelling some stand parameters using Landsat 8 OLI and Sentinel-2 satellite images by machine learning techniques: a case study in Türkiye. Journal of Sustainable Forestry, 38(1): 1-22.
6. Demirel, D., Sakici, O. E., 2025. Estimating some stand parameters using Sentinel-1 and Sentinel-2 satellite ımages in pure black and scots pine stands: a case study from Türkiye. Journal of Sustainable Forestry. Geocarto International. 44(1):729-751.
7. Eraslan, İ., 1963. Türkiye’de orman envanterinin geçmişi ve bugünkü durumu. İstanbul Üniversitesi Orman Fakültesi Dergisi, B8(2): 17-45.
8. Eraslan, İ., 1985. Türkiye’de orman amenajmanının 128 yıllık tarihsel gelişimi. İstanbul Üniversitesi Orman Fakültesi Dergisi, A(35)1: 15-39.

9. Eraslan, İ., 1992. Türkiye’de orman amenajmanının dünü, bugünü ve yarını. Ormancılığımızda Orman Amenajmanının Dünü, Bugünü Ve Geleceğine İlişkin Genel Görüşme, 16-19 Kasım, Ankara, s. 1-15.
10. Franco-Lopez, H., Ek A. R., Bauer M. E., 2001. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method, Remote Sensing of Environment, 77(3): 251–274.
11. Gjertsen, A.K., 2007. Accuracy of forest mapping based on Landsat TM data and a kNN-based method, Remote Sensing of Environment,110(4): 420–430.
12. Göğerçin, R., Günlü A., 2017. Çankırı Karatekin Üniversitesi orman fakültesi araştırma ormanında Göktürk-2 uydu görüntüsü kullanılarak bazı meşcere parametrelerinin tahmin edilmesi. Anadolu Orman Araştırmaları Dergisi, 3(1): 1-13.
13. Günel, H.A., 1973. Ağaç Serveti Miktarının Tayininde Kullanılabilecek Metotlar Üzerine Araştırmalar, İstanbul.
14. Günlü, A., Keleş, S., Kadıoğulları, S., Başkent, E. Z., 2011. Landsat 7 ETM+ uydu görüntüsü yardımıyla arazi kullanımı, meşcere gelişim çağı ve meşcere kapalılığın tahmin edilmesi: Kastamonu-Kızılcasu işletme şefliği örneği, I. Ulusal Akdeniz Orman ve Çevre Sempozyumu, 26-28 Ekim, Kahramanmaraş, s.660-667.
15. Günlü, A., Ercanlı, İ., Başkent, E. Z. Şenyurt, M., 2013. Quickbird ve Landsat 7 ETM+ uydu görüntüleri kullanılarak Ayancık-Göldağ kayın (Fagus orientalis Lipsky) meşcerelerinde hacim tahmini. SDÜ Orman Fakültesi Dergisi, 14:24-30.
16. Günlü, A., Keleş, S., Ercanlı, İ., Şenyurt, M., 2015. Ilgaz Orman İşletme Müdürlüğü-Yenice Orman İşletme Şefliği Sınırları İçerisinde Yayılış Gösteren Saf Karaçam (Pinus nigra Arnold. subsp.pallasiana (Lamb.) Holmboe) Meşcerelerinde Yersel Ölçümler ve Uzaktan Algılama Teknolojileri İle Yaprak Alan İndeksinin Tahmin Edilmesi. TÜBİTAK, Proje Sonuç Raporu, Proje Numarası:213O026, Ankara.
17. Günlü, A., Kadıoğulları, A. İ., 2018. Modeling forest stand attributes using Landsat ETM+ and QuickBird satellite images in western Turkey. Bosque, 39(1):49-60.
18. Günlü, A., Ercanlı, İ., Şenyurt, M., Keleş, S., 2021. Estimation of some stand parameters from textural features from Worldview-2 satellite ımage using the artificial neural network and multiple regression methods: a case study from Turkey. Geocarto International. 36(8): 918-935.
19. İnan, M., 2004. Orman varlığının saptanmasında uzaktan algılama verileri. Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
20. Huete, A. R., 1988. A soil-adjusted vegetation ındex (savı). Remote Sensing of Environment. 25(3):295-309.
21. Holmström, H., Nilsson, M., Ståhl, G., 2002. Forecasted reference sample plot data in estimations of stem volume using satellite spectral data and the kNN method. International Journal of Remote Sensing, 23(9):1757-1774.
22. Kangas, A., Gove, J.H. Scott, C.T., 2006. Introduction, In: Forest Inventory Methodology and Applications, (Ed., Kangas, A., Maltamo, M.,) Springer, Netherlands, pp. 13-38.
23. Kajisa, T., Murakami, T. Mizoue, N., Kitahara, F. Yoshida, S., 2008. Estimation of stand volumes using the k-nearest neighbors method in Kyushu, Japan. Journal of Forest Research, 13(4): 249-254.
24. Kaufman, Y.J., Tanre D., 1992. Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30, (2): 261-270.
25. Khorrami, K.R., 2004. Investigation of the potential of Landsat 7 ETM+ data in volume estimating of beech forest stand (case study: sangdeh area in north of Iran). M.Sc. Thesis, University of Tehran, Iran.
26. Laar, A., Akça, A., 1997. Forest Mensuration, Cuvillier, Göttingen, Germany.
27. Mäkelä, H., Pekkarinen, A., 2004. Estimation of forest stands volume by Landsat TM imagery and stand-level field-ınventory data. Forest Ecology and Management, 196(2):245- 255.
28. McRoberts, R. E., Nelson, M. D., Wendt, D.G., 2002. Stratified estimation of forest area using satellite imagery, inventory data, and the k-Nearest Neighbors technique. Remote Sensing of Environment, 82(2):457-468.
29. Mısır, M., 2013. Landsat 7 ETM görüntüleri kullanılarak meşcere parametrelerinin tahmin edilmesi. Ormancılıkta Sektörel Planlamanın 50. Yılı Uluslararası Sempozyumu, 26-28 Kasım, Antalya, s.529-537.
30. Mohammadi, J., 2007. Investigation on estimation of some quantitative characteristics using Landsat ETM+ satellite data, M.Sc. Thesis, Gorgan University of Agriculture Sciences and Natural Resources. Iran.
31. Naseri, F., 2003. Classification of forest type and estimation of their quantities parameters in arid and semi- arid region using satellite data (case study: national park of khabr – kerman province). Ph.D. Thesis, University of Tehran, Faculty of Natural Resources, Iran.
32. Özdemir, İ., Mert A., 2007. Düzlerçamı kızılçam ormanında quickbird uydu verileri kullanılarak gövde hacminin tahmini. SDÜ Orman Fakültesi Dergisi, 8(2): 107-118.
33. Özgün, M., 2014. Landsat TM uydu görüntüsü yardımıyla bazı meşcere parametrelerinin tahmin edilmesi. Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi, Fen Bilimleri Enstitüsü, Çankırı.
34. Özkan, U.Y., 2003. Uydu görüntüleri yardımıyla meşcere parametrelerinin kestirilmesi ve orman amenajmanında kullanılması olanakları. Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
35. Özkan, U.Y., Demirel, T., 2018. Estimation of forest stand parameters by using the spectral and textural features derived from digital aerial ımages. Applied Ecology and Environmental Research, 16(3): 3043-3060.
36. Reese, H., Nilsson, M., Sandström, P., Olsson, H., 2002. Applications using estimates of forest parameters derived from satellite and forest inventory data. Computers and Electronics in Agriculture, 37(1):37-55.
37. Rouse, J. W., Jr., Haas, R. H., Deering, D. W., Schell, J. A., 1973. Monitoring the vernal advancement and retro gradation (green wave effect) of natural vegetation: Progress Report RSC 1978-1.
38. Sakıcı, O., Günlü, A., 2018. Artificial intelligence applications for predicting some stand attributes using Landsat 8 OLI Satellite data: A case study from Turkey. Applied Ecology and Environmental Research, 16(4): 5269-5285.
39. Schreuder, H.T., Gregoire, T.G., Wood, G.B., 1993. Sampling methods for multiresource forest ınventory, John Wiley & Sons Inc., USA.
40. Şenyurt, M., Günlü, A., Ercanlı, İ., Yılmaz, C., 2013. Landsat 8 uydu görüntüsü kullanılarak Karşıkent orman işletme şefliği meşcere özelliklerinin tahmin edilmesi, Ormancılıkta Sektörel Planlamanın 50. Yılı Uluslararası Sempozyumu, 26-28 Kasım, Antalya, s. 497-503.
41. TÜBİTAK, 2025. Türkiye’nin ilk yer gözlem uydusu. Türkiye Bilimsel ve Teknolojik Araştırma Kurumu, Uzay Teknolojileri Araştırma Enstitüsü, Ankara, https://uzay.tubitak.gov.tr/rasat/
42. USGS, 2025. https://landsat.usgs.gov/landsat-8. U.S. Geological Survey.
43. Yılmaz, C., 2017. Landsat TM uydu görüntüsü yardımıyla bazı meşcere parametrelerinin tahmin edilmesi (Reşadiye Orman İşletme Şefliği Örneği). Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi, Fen Bilimleri Enstitüsü. Çankırı.
44. Zheng, D., Rademacher, J., Chen, J., Crow T., Bresee, M., Moine, L.J., Ryu, S.R., 2004. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA. Remote Sensing of Environment, 93(3):402-411.