TY  - JOUR
T1  - Orman ekosistemindeki ağaç boylarının, optik, radar, lazer altimetre uydu verileri ve yardımcı kaynaklar kullanılarak Google Earth Engine platformunda modellenmesi
AU  - Özdemir, Eren Gürsoy
AU  - Zengin, Tarık Utku
AU  - Güleç, Halit Abdullah
PY  - 2024
DA  - August
Y2  - 2024
DO  - 10.29128/geomatik.1449670
JF  - Geomatik
PB  - Murat YAKAR
WT  - DergiPark
SN  - 2564-6761
SP  - 259
EP  - 268
VL  - 9
IS  - 2
LA  - tr
AB  - Ormanlar, karada biyolojik çeşitliliği korurken, bitki örtüsünde ve toprakta önemli miktarda karbon depolayarak atmosferdeki karbon dengesini düzenlemekte ve buna bağlı olarak küresel ısınmanın hafifletilmesine katkı sağlamaktadır. Ormanlardaki ağaç boylarının belirlenmesi, orman kaynaklarının sürdürülebilir yönetimi, sağlığı ve olası tehditlerin tespitleri için önem arz etmektedir. Bu çalışmada, bulut tabanlı Google Earth Engine (GEE) platformunda, Sentinel-1 radar, Sentinel-2 optik uydu verileri, Global Ecosystem Dynamics Investigation (GEDI) lazer uydu altimetrisi ve Sayısal Yükseklik Modeli (SYM) verileri kullanılarak ağaç boyları Rastgele Orman (RO) algoritması ile modellenmiştir. Elde edilen ağaç yükseklikleri Bartın İli sınırlarında karaçam (Pinus nigra Arnold) ve sahil çamı (Pinus pinaster Aiton) türlerinin bulunduğu 45 adet örnekleme alanından elde edilen ağaç boyları ile karşılaştırılmıştır. Optik, radar, altimetre ve yardımcı veriler ile elde edilen model sonuçlarının istatistik analizleri yapılmış, başarılı sonuçlar elde edilmiştir: (Ortalama Mutlak Hata (OMH)= 1,42 m, Karesel Ortalama Hata (KOH)= 1,54 m ve Belirtme Katsayısı (R2) = 0,60. Ayrıca eğimin fazla olduğu örnekleme alanlarında doğruluk değerlerinin azaldığı görülmüştür
KW  - Uzaktan algılama
KW  - Makine öğrenmesi
KW  - GEDI
KW  - Uydu altimetrisi
KW  - Google Earth Engine
CR  - 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), 38-47. https://doi.org/10.28948/ngumuh.795977
CR  - Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. https://doi.org/10.29128/geomatik.705988
CR  - Bao, J., Zhu, N., Chen, R., Cui, B., Li, W., & Yang, B. (2023). Estimation of Forest Height Using Google Earth Engine Machine Learning Combined with Single-Baseline TerraSAR-X/TanDEM-X and LiDAR. Forests, 14(10), 1953. https://doi.org/10.3390/f14101953
CR  - Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
CR  - Coops, N. C., Kearney, S. P., Bolton, D. K., & Radeloff, V. C. (2018). Remotely-sensed productivity clusters capture global biodiversity patterns. Scientific Reports, 8(1), 16261. https://doi.org/10.1038/s41598-018-34162-8
CR  - Çepel, N. (1977). Türkiye'nin önemli yetişme bölgelerindeki saf sarıçam ormanlarının gelişimi ile bazı edafik ve fizyografik etkenler arasındaki ilişkiler. Journal of the Faculty of Forestry Istanbul University, 26(2), 25-64.
CR  - Çömert, R., Matcı, D. K., & Avdan, U. (2019). Object based burned area mapping with random forest algorithm. International Journal of Engineering and Geosciences, 4(2), 78-87. https://doi.org/10.26833/ijeg.455595
CR  - Dubayah, R., Blair, J. B., Goetz, S., Fatoyinbo, L., Hansen, M., Healey, S., ... & Silva, C. (2020). The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth’s forests and topography. Science of Remote Sensing, 1, 100002. https://doi.org/10.1016/j.srs.2020.100002
CR  - Duncanson, L., Kellner, J. R., Armston, J., Dubayah, R., Minor, D. M., Hancock, S., ... & Zgraggen, C. (2022). Aboveground biomass density models for NASA’s Global Ecosystem Dynamics Investigation (GEDI) lidar mission. Remote Sensing of Environment, 270, 112845. https://doi.org/10.1016/j.rse.2021.112845
CR  - Gaussen, H., Heywood, V. H., & Chater, A. O., (1964). The Genus Pinus L. Flora Europaea, Cambridge University Press, Cambridge, 1, 32-35.
CR  - Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27.
https://doi.org/10.1016/j.rse.2017.06.031
CR  - Guerra-Hernández, J., & Pascual, A. (2021). Using GEDI lidar data and airborne laser scanning to assess height growth dynamics in fast-growing species: a showcase in Spain. Forest Ecosystems, 8, 1-17. https://doi.org/10.1186/s40663-021-00291-2
CR  - Güner, Ş. T., Özel, C., Türkkan, M., & Akgül, S. (2019). Türkiye’deki sahilçamı ağaçlandırmalarında ağaç bileşenlerine ait karbon yoğunluklarının değişimi. Ormancılık Araştırma Dergisi, 6(2), 167-176.
https://doi.org/10.17568/ogmoad.546116
CR  - Güner, Ş. T., Diamantopoulou, M. J., Poudel, K. P., Çömez, A., & Özçelik, R. (2022). Employing artificial neural network for effective biomass prediction: An alternative approach. Computers and Electronics in Agriculture, 192, 106596. https://doi.org/10.1016/j.compag.2021.106596
CR  - Farjon, A. (2010). A Handbook of the World's Conifers: Revised and Updated Edition. Brill.
https://doi.org/10.1163/9789047430629
CR  - Flores-Anderson, A. I., Herndon, K. E., Thapa, R. B., & Cherrington, E. (2019). The SAR handbook: Comprehensive methodologies for forest monitoring and biomass estimation (No. MSFC-E-DAA-TN67454).
CR  - Kandemir, A., & Mataracı, T. (2018). Pinus L.  Resimli Türkiye Florası, 2, 324-354.
CR  - Kindermann, G., McCallum, I., Fritz, S., & Obersteiner, M. (2008). A global forest growing stock, biomass and carbon map based on FAO statistics. Silva Fennica, 42(3), 387-396. https://doi.org/10.14214/sf.244
CR  - Konukçu, M., (2001). Ormanlar ve Ormancılığımız. DPT Yayınları, 2630, Ankara.
CR  - Morin, D., Planells, M., Baghdadi, N., Bouvet, A., Fayad, I., Le Toan, T., ... & Villard, L. (2022). Improving heterogeneous forest height maps by integrating GEDI-based forest height information in a multi-sensor mapping process. Remote Sensing, 14(9), 2079. https://doi.org/10.3390/rs14092079
CR  - Narin, Ö. G., & Yilmaz, M. (2024). GEDI Uydu Tabanlı Lazer Altimetre Verisinin Arazi Yükseklik Tahmininin Araştırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 24(1), 85-89.
https://doi.org/10.35414/akufemubid.1349854
CR  - Özdemir, S., Akbulut, Z., Karslı, F., & Acar, H. (2021). Automatic extraction of trees by using multiple return properties of the lidar point cloud. International Journal of Engineering and Geosciences, 6(1), 20-26. https://doi.org/10.26833/ijeg.668352
CR  - Özdemir, E. G., Demiralay, A., & Şahin, B. (2024). Bartın’daki Sahil Çamı (Pinus pinaster Ait.) Ağaçlandırma Alanlarında Sentinel-1 ve Sentinel-2 Uydu Görüntüleri Kullanılarak Toprak Üstü Biyokütlenin Kestirilmesi. Türk Uzaktan Algılama ve CBS Dergisi, 5(1), 15-27. https://doi.org/10.48123/rsgis.1327406
CR  - Padalia, H., Prakash, A., & Watham, T. (2023). Modelling aboveground biomass of a multistage managed forest through synergistic use of Landsat-OLI, ALOS-2 L-band SAR and GEDI metrics. Ecological Informatics, 77, 102234. https://doi.org/10.1016/j.ecoinf.2023.102234
CR  - Potapov, P., Li, X., Hernandez-Serna, A., Tyukavina, A., Hansen, M. C., Kommareddy, A., ... & Hofton, M. (2021). Mapping global forest canopy height through integration of GEDI and Landsat data. Remote Sensing of Environment, 253, 112165. https://doi.org/10.1016/j.rse.2020.112165
CR  - Rishmawi, K., Huang, C., & Zhan, X. (2021). Monitoring key forest structure attributes across the conterminous United States by integrating GEDI LiDAR measurements and VIIRS data. Remote Sensing, 13(3), 442.
https://doi.org/10.3390/rs13030442
CR  - Roskov Y., Abucay L., Orrell T., Nicolson D., Kunze T., Culham A., Bailly N., Kirk P., Bourgoin T., DeWalt R.E., Decock W., De Wever A. (2015). Species 2000 & ITIS Catalogue of Life, 2015 Annual Checklist. DVD. Species 2000: Naturalis, Leiden, the Netherlands.
CR  - Saarela, S., Holm, S., Healey, S. P., Andersen, H. E., Petersson, H., Prentius, W., ... & Ståhl, G. (2018). Generalized hierarchical model-based estimation for aboveground biomass assessment using GEDI and landsat data. Remote Sensing, 10(11), 1832. https://doi.org/10.3390/rs10111832
CR  - Santoro, M., Cartus, O., Fransson, J. E., & Wegmüller, U. (2019). Complementarity of X-, C-, and L-band SAR backscatter observations to retrieve forest stem volume in boreal forest. Remote Sensing, 11(13), 1563. https://doi.org/10.3390/rs11131563
CR  - Sefercik, U. G., Ateşoğlu, A., & Atalay, C. (2021). Orman meşcere yükseklik haritası üretiminde hava kaynaklı lazer tarama performans analizi. Geomatik, 6(3), 179-188. https://doi.org/10.29128/geomatik.721916
CR  - Spracklen, B., & Spracklen, D. V. (2021). Determination of structural characteristics of old-growth forest in Ukraine using spaceborne LiDAR. Remote Sensing, 13(7), 1233. https://doi.org/10.3390/rs13071233
CR  - Şimşek, Y., Erkuloğlu, Ö.S., Tosun, S., (1995). Türkiye’de Karaçam (Pinus nigra Arn. Ssp. Pallasiana (Lamb.) Holmboe) Orijin Denemelerinin İlk Sonuçları. İç Anadolu Ormancılık Araştırma Enstitüsü, Teknik Bülten Serisi, 247, Ankara.
CR  - Tamiminia, H., Salehi, B., Mahdianpari, M., & Goulden, T. (2024). State-wide forest canopy height and aboveground biomass map for New York with 10 m resolution, integrating GEDI, Sentinel-1, and Sentinel-2 data. Ecological Informatics, 79, 102404. https://doi.org/10.1016/j.ecoinf.2023.102404
CR  - Üstüner, M., & Sanli, F. B. (2021). Crop classification from multi-temporal PolSAR data with regularized greedy forest. Advanced Remote Sensing, 1(1), 10-15.
CR  - Xi, Z., Xu, H., Xing, Y., Gong, W., Chen, G., & Yang, S. (2022). Forest canopy height mapping by synergizing icesat-2, sentinel-1, sentinel-2 and topographic information based on machine learning methods. Remote Sensing, 14(2), 364. https://doi.org/10.3390/rs14020364
CR  - Vatandaslar, C., Narin, O. G., & Abdikan, S. (2023). Retrieval of forest height information using spaceborne LiDAR data: a comparison of GEDI and ICESat-2 missions for Crimean pine (Pinus nigra) stands. Trees, 37(3), 717-731. https://doi.org/10.1007/s00468-022-02378-x
CR  - Wang, Y., Ma, J., Xiao, X., Wang, X., Dai, S., & Zhao, B. (2019). Long-term dynamic of Poyang Lake surface water: A mapping work based on the Google Earth Engine cloud platform. Remote Sensing, 11(3), 313. https://doi.org/10.3390/rs11030313
CR  - Zadbagher, E., Marangoz, A. M., & Becek, K. (2023). Characterizing and estimating forest structure using active remote sensing: An overview. Advanced Remote Sensing, 3(1), 38-46.
CR  - Zhou, X., Hao, Y., Di, L., Wang, X., Chen, C., Chen, Y., ... & Jancso, T. (2023). Improving GEDI Forest Canopy Height Products by Considering the Stand Age Factor Derived from Time-Series Remote Sensing Images: A Case Study in Fujian, China. Remote Sensing, 15(2), 467. https://doi.org/10.3390/rs15020467
CR  - URL-1: https://gedi.umd.edu/mission/mission-overview/
CR  - URL-2: MGM, (2024). Meteorolojik Veri. https://www.mgm.gov.tr/
CR  - URL-3: https://browser.dataspace.copernicus.eu/
UR  - https://doi.org/10.29128/geomatik.1449670
L1  - http://dergipark.org.tr/tr/download/article-file/3782936
ER  -