Sentinel-2 uydu görüntüsü kullanılarak saf kavak meşcerelerinde meşcere hacmi ve göğüs yüzeyinin tahmin edilmesi

Öz

Giriş ve Hedefler Meşcere hacmi ve göğüs yüzeyi gibi meşcere özellikleri orman kaynaklarını değerlendirmek için önemlidir. Bu nedenle, sürdürülebilir bir şekilde ormanların planlanmasında meşcere özelliklerinin doğru ve güvenilir bir şekilde belirlemesi kritik öneme sahiptir. Geleneksel olarak, meşcere özellikleri arazide envanter aşamasında yersel ölçümlerle belirlenmektedir. Ancak geniş ormanlık alanlarda meşcere özelliklerinin belirlenmesi oldukça emek isteyen, maliyetli ve zaman alıcı olmaktadır. Son yirmi yılda gelişen uzaktan algılama teknolojisinde meydana gelen değişmelerle birlikte uzaktan algılama verileri kullanılarak meşcere özelliklerinin belirlenmesine yönelik çalışmalar sürekli artmaktadır. Yöntemler Çalışmada toplam 121 adet örnek alandan elde edilen veriler kullanılmıştır. Her bir örnek alan için meşcere hacmi ve göğüs yüzeyi değerleri hesaplanmıştır. Bununla birlikte, her bir örnek alan için Sentinel-2 uydu görüntüsünden elde edilen bant reflektans ve vejetasyon indis değerleri hesaplanmıştır. Meşcere hacmi ve göğüs yüzeyi ile uydu görüntüsünden elde edilen değişkenler arasındaki ilişkiler çoğul regresyon analizi ile modellenmiş ve toplam 6 adet model geliştirilmiştir. Bulgular Çalışmadan elde edilen bulgular incelendiğinde meşcere hacmi için en iyi model başarısı bant reflektans ve vejetasyon indislerinin birlikte bağımsız değişken olarak yer aldığı modelde, meşcere göğüs yüzeyi için ise sadece vejetasyon indislerinin bağımsız değişken olarak yer aldığı modelde bulunmuştur. Sonuçlar Geliştirilen model başarıları incelendiğinde en iyi model belirtme katsayısı, meşcere hacmi için (R_düz^2=0,569; Sy.x=0,49989 m3/ha) ve meşcere göğüs yüzeyi için ise 〖(R〗_düz^2=0,420; Sy.x=0,47304 m2/ha) olarak bulunmuştur.

Anahtar Kelimeler

• Meşcere parametresi
• Uzaktan algılama
• Modelleme

Estimating stand volume and basal area using Sentinel-2 satellite image in pure poplar stands

Öz

Background and aims Stand characteristics, such as stand volume and basal area, are important for assessing forest resources. Therefore, accurately and reliably determining stand characteristics is critical for sustainable forest planning. Traditionally, stand characteristics are determined through ground measurements during the inventory phase in the field. However, determining stand characteristics over large forested areas is labor-intensive, costly, and time-consuming. With advancements in remote sensing technology over the past two decades, studies on determining stand characteristics using remote sensing data have been continuously increasing. Methods In the study, data from a total of 121 sample plots were used. For each sample plot, stand volume and basal area values were calculated. Additionally, band reflectance and vegetation index values obtained from Sentinel-2 satellite imagery were calculated for each sample plot. Relationships between stand volume, basal area, and the variables derived from satellite imagery were modeled using multiple regression analysis, and a total of 6 models were developed. Results When the study findings were examined, the best model performance for stand volume was found in the model where band reflectance and vegetation indices were included as independent variables. For basal area, the best performance was achieved in the model where only vegetation indices were used as independent variables. Conclusions Upon examining the performance of the developed models, the best coefficient of determination was found to be R_adj^2=0,569; Sy.x=0,49989 m3/ha) for stand volume and R_adj^2=0,420; Sy.x=0,47304 m2/ha for basal area.

Anahtar Kelimeler

• Stand parameters
• remote sensing
• modeling

Kaynakça

1. Aksoy, H. 2023. Sinop Orman Bölge Müdürlüğü saf sarıçam meşcerelerinde farklı uzaktan algılama verileri kullanılarak bazı meşcere parametrelerinin modellenmesi. Doktora Tezi, Çankırı Karatekin Üniversitesi, 160 sayfa, Çankırı.
2. Aksoy, H. 2024. Estimation stand volume, basal area and quadratic mean diameter using Landsat 8 OLI and Sentinel‐2 satellite image with different machine learning techniques. Transactions in GIS,0,1–18.
3. Anonim 2022. Erzurum Orman Bölge Müdürlüğü, Erzurum Orman İşletme Müdürlüğü, Erzurum, Horasan ve Tortum orman işletme şeflikleri, fonksiyonel orman amenajman planı, Orman Genel Müdürlüğü, Orman İdaresi ve Planlama Dairesi, Ankara.
4. Ateşoğlu, A. 2009. Farklı Uydu görüntü verileri ile meşcere parametreleri arasındaki ilişkilerin araştırılması (Bartın-Mugada Örneği). Doktora Tezi, Bartın Üniversitesi, 134 sayfa, Bartın.
5. Batu, F. 1995. Uygulamalı istatistik yöntemler, K.T.Ü. Orman Fakültesi, Genel Yayın No:179, Fakülte Yayın No: 22, K.T.Ü. Basımevi, Trabzon.
6. Bayburtlu, Ş. 2007. Titrek kavak (Populus tremula L.) hacim ve bonitet endeks tablolarının düzenlenmesi. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, 61 sayfa, Trabzon.
7. Bulut, S. 2021. Ankara Orman Bölge Müdürlüğü saf karaçam meşcerelerinde net birincil üretim ve yaprak alan indeksinin uzaktan algılama teknikleri ile modellenmesi. Doktora Tezi, Çankırı Karatekin Üniversitesi, 161 sayfa, Çankırı.
8. 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. Geocarto International, 38(1), 2158238.

9. Bulut, S., Günlü. A., Keleş, S. 2016. Estimation of some stand parameters using Göktürk-2 satellite image. Ist International Symposium of Forest Engineering and Technologies (FETEC 2016), Bursa.
10. Ceccato, P., Gobron, N., Flasse, S., Pinty, B., Tarantola, S. 2002. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach. Remote Sensing of Environment, 82(2-3), 188-197.
11. Clevers, J. G. P. W. 1989. Application of a weighted infrared-red vegetation index for estimating leaf area index by correcting for soil moisture. Remote Sensing of Environment, 29(1), 25-37.
12. Çil. B. 2014. Bazı meşcere parametrelerinin farklı uydu görüntüleri yardımıyla tahmin edilmesi. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, 86 sayfa, Trabzon.
13. Daughtry, C. S., Walthall, C. L., Kim, M. S., De Colstoun, E. B., McMurtrey III, J. E. 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote sensing of Environment, 74(2), 229-239.
14. Demirel, D. 2022. Saf karaçam ve sarıçam meşcerelerinde sentinel-1 ve sentinel-2 uydu görüntüleri yardımıyla bazı meşcere parametrelerinin tahmin edilmesi (Karadere Orman İşletme Müdürlüğü örneği). Yüksek Lisans Tezi, Kastamonu Üniversitesi, 278 sayfa, Kastamonu.
15. Dixon R K., Brown S., Houghton R A., Solomon A M. Trexler M C., Wisniewski J. 1994. Carbon Pools and flux global forest ecosystems. Science, 263, 185-190.
16. El-Shikha, D. M., Barnes, E. M., Clarke, T. R., Hunsaker, D. J., Haberland, J. A., Pinter Jr, P. J., Waller, P. M., Thompson, T. L. 2008. Remote sensing of cotton nitrogen status using the canopy chlorophyll content index (CCCI). Transactions of the ASABE, 51(1), 73-82.
17. FAO. 2010. Global Forest Resources Assessment 2010 – main Report. FAO Forestry Paper No. 163. Rome.
18. Gama, F. F., Santos, J. R., Mura, J. C. 2010. Eucalyptus biomass and volume estimation using interferometric and polarimetric SAR data. Remote Sensing, 2(4), 939-956.
19. Ghahramany, L., Fatehi, P., Ghazanfari, H. 2012. Estimation of basal area in west oak forest of Iran using remote sensing imagery. International Journal of Geosciences, 3, 398-403.
20. Gitelson, A. A., Kaufman, Y. J., Merzlyak, M. N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3), 289-298.
21. Günlü, A., Ercanli, I., Başkent, E. Z., Çakır, G. 2014. Estimating aboveground biomass using Landsat TM imagery: A case study of Anatolian Crimean pine forests in Turkey. Annals of Forest Research, 57(2), 289-298.
22. Günlü, A., Ercanlı, İ. 2020. Artificial neural network models by ALOS PALSAR data for aboveground stand carbon predictions of pure beech stands: a case study from northern of Turkey. Geocarto International, 35(1), 17-28.
23. Günlü, A., Ercanlı, İ., Başkent. E.Z., Şenyurt. M. 2013. Qickbird ve Landsat 7 ETM+ uydu görüntüleri kullanılarak Ayancık-Göldağ Kayın (Fagus Orientalis Lipsky) meşcerelerinde hacim tahmini. SDÜ Orman Fakültesi Dergisi, 14, 24-30.
24. Günlü, A., Ercanlı, İ., Keleş. S., Anlar, H.C. 2015. Modelling of stand volume and tree density using Spot-4 satellite image: a case Study in Devrez Planning unit. Int. J. Global Warming, 7(4), 454-465.
25. Günlü, A., Ercanlı, İ., Sönmez. T., Başkent, E.Z. 2014. Prediction of some stand parameters using pan-sharpened Ikonos Satellite image. EuropenJournal of Remote Sensing, 47,329-342.
26. Günlü, A., Ercanlı, İ., Şenyurt, M., Keleş, S. 2021. Estimation of some stand parameters from textural features from WorldView-2 satellite image using the artificial neural network and multiple regression methods: a case study from Turkey. Geocarto International, 36(8), 918-935.
27. Huete, A.R., Liu, H. Q., Batchily, K. V., Van Leeuwen, W. J. D. A. 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote sensing of environment, 59(3), 440-451.
28. Hunt Jr, E.R., Rock, B. N. 1989. Detection of changes in leaf water content using near-and middle-infrared reflectances. Remote Sensing of Environment, 30(1), 43-54.
29. Hyyppa, J., Hyyppa, H., Inkinen, M., Engdahl, M., Linko, S., Zhu, Y.H. 2000. Accuracy comparison of variousremote sensing data sources in the retrieval of forest stand attributes. For Ecol Manage. 128(1-2), 109–120.
30. Kalıpsız, A. 1984. Dendrometri. İstanbul Üniversitesi Orman Fakültesi Yayınları, İ.Ü. Yayın No: 3194, O.F. Yayın No:354, İstanbul, 407 s.
31. 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.
32. Kayitakire, F., Hamel, C., Defourny, P. 2006. Retrieving forest structure variables based on image texture analysis and Ikonos-2 imagery. Remote Sensing of Environment, 102,390–401.
33. Key, C. H., Benson, N. C. 2006. Landscape assessment: ground measure of severity, the composite burn ındex; and remote sensing of severity, the normalized burn ratio. Editors: D. C. Lutes, R. E. Keane, J. F. Caratti, C. H. Key, N. C. Benson, S. Sutherland & L. J. Gangi, FIREMON: Fire Effects Monitoring and Inventory System. Ogden: USDA Forest Service.
34. Liu, H.Q., Huete, A.R. 1995. A feedback based modification of the NDV I to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing, 33, 457-465.
35. Long, J., Lin, H., Wang, G., Sun, H., Yan, E. 2020. Estimating the growing stem volume of the planted forestusing the general linear model and time series quad-polarimetric SAR ımages. Sensors. 20(14), 3957.
36. Lu, D., Mausel, P., Brondizio, E., Moran, E. 2004. Relationships between forests stand parameters and Landsat TM spectral response in the Brazilian Amazon Basin. Forest Ecology Management, 198, 149-167.
37. Metternicht, G. 2003. Vegetation indices derived from high-resolution airborne videography for precision crop management. International Journal of Remote Sensing, 24(14), 2855-2877.
38. Ozdemir, I., Karnieli A. 2011. Predicting forest structural parameters using the image texture derived fromWorldView-2 multispectral imagery in a dryland forest. Israel. International Journal of Applied Earth Observation and Geoinformation, 13(5),701–710.
39. Özdemir, İ., Mert, A. 2007. Düzlerçamı kızılçam ormanında Qickbird uydu verileri kullanılarak gövde hacminin tahmini. SDÜ Orman Fakültesi Dergisi, 2, 107-118.
40. Özgün, M. 2014. Landsat TM uydu görüntüsü yardımıyla bazı meşcere parametrelerinin tahmin edilmesi. Yüksek Lisans Tezi, Çankırı Karatekin Üniversitesi, 80 sayfa, Çankırı.
41. Özkal, M.K. 2017. Models of forest ınventory for Istanbul forest using air borne Lidar and space borne ımagery. PhD Thesis, Michigan Technological University.
42. Pinty, B. And Verstraete, M. M. 1992. GEMI: a non-linear index to monitor global vegetation from satellites. Vegetatio, 101(1), 15-20.
43. Rondeaux, G., Steven, M., Baret, F. 1996. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 55(2), 95-107.
44. SPSS Institute Inc., 2007. SPSS Base 270 User’s Guide, 770 s.
45. Thenkabail, P.S., Smith, R. B., De Pauw, E. 1999. Hyperspectral vegetation ındices for determining agricultural crop characteristics. New Heawen: Yale University, Center for Earth Observation.
46. Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8, 127–150.
47. Zahriban Heasari, M., Fallah, A., Shataee, S., Kalbi, S., Persson, H. 2019. Estimating the forest stand volume and basal area using pleiades spectral and auxiliary data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 1131-1136.
48. Zarco-Tejada, P. J., Miller, J. R., Noland, T. L., Mohammed, G. H., Sampson, P. H. 2001. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 39(7), 1491-1507.
49. Zhu, X., Liu, D. 2015. Improving forest aboveground biomass estimation using seasonal Landsat DVI time-series. ISPRS J Photogram Remote Sensing. 102, 222-231.