Saf karaçam meşcerelerinde toprak üstü biyokütlenin çok zamanlı Landsat 9 uydu görüntüleri ile modellenmesi

Öz

Giriş ve Hedefler Ormanlar, karasal ekosistemdeki karbon döngüsü ve iklim değişikliği açısından oldukça önemli bir rol oynamaktadır. Bununla birlikte ormanların küresel karbon döngüsündeki rolünü değerlendirmek için ormanların bünyesinde barındırdığı biyokütlenin doğru bir şekilde belirlenmesi veya tahmin edilmesi çok önemlidir. Yöntemler Bu çalışmada İç Anadolu Bölgesinde yayılış gösteren saf karaçam meşcereleri için toprak üstü biyokütle (TÜB) tahmini yapılmıştır. Çalışma için farklı meşcere tiplerinden 42 adet örnek alan alınmış ve hesaplanan TÜB, Landsat 9 uydu görüntüsünden elde edilen reflektans ve vejetasyon indis verileri ile modellenmiştir. Yardımcı değişken olarak kullanılan uzaktan algılama verileri tek zamanlı yerine ilgili yılın 5 ayı (mart, mayıs, temmuz, ağustos ve eylül) için elde edilerek çok zamanlı olarak üretilmiştir. Çoğul doğrusal regresyon analizi kullanılarak gerçekleştirilen modelleme sürecinde çok zamanlı reflektans ve çok zamanlı vejetasyon indisleri ile modeller geliştirilmiştir. Bulgular Elde edilen sonuçlara göre reflektans verileri ile elde edilen düzeltilmiş model belirtme katsayısı 0,440 iken vejetasyon indisleri ile bu değer 0,544 bulunmuştur. Tahmin ve gözlem değerleri arasındaki korelasyon değerleri ise reflektans modeli ile 0,732, vejetasyon indis modeli ile 0,816 elde edilmiştir. Sonuçlar Bu çalışmada tek zamanlı yerine ve çok zamanlı spektral verilerin kullanılması fenolojik değişkenliğin yansıtılması açısından önem arz etmektedir. Bunun sonucunda elde edilen bulgular TÜB için geliştirilecek modellerde uzaktan algılama tabanlı spektral verilerin model tahmin gücünü iyileştirebildiğini göstermiştir.

Anahtar Kelimeler

• Karaçam
• toprak üstü biyokütle
• Landsat 9

Modeling above-ground biomass using multi-temporal Landsat 9 satellite imagery in pure black pine stands

Öz

Background and Aims Forests play a crucial role in terrestrial ecosystems, both in terms of carbon cycling and climate change. Therefore, accurately determining or estimating the biomass contained within forests is crucial for assessing the role of forests in the global carbon cycle. Methods In this study, aboveground biomass (AGB) was predicted for pure Black pine stands distributed in the Central Anatolian Region. Forty-two sample plots from different stand types were taken for the study, and the calculated AGB was modeled using reflectance and vegetation indices obtained from Landsat 9 satellite imagery. Remote sensing data used as auxiliary variables were generated multitemporally, rather than monotemporally, for five months of the relevant year (March, May, July, August, and September). Models were developed using multitemporal reflectance and vegetation indices in the modeling process, which was performed using multiple linear regression analysis. Results According to the results, the coefficient of determination for the adjusted model obtained with reflectance data was 0.440, while this value was found to be 0.544 with vegetation indices. The correlation values between the predicted and observed values were 0.732 with the reflectance model and 0.816 with the vegetation index model. Conclusion In this study, the use of time-series spectral data, rather than single-dated data, is crucial for reflecting phenological variability. The results demonstrate that remote sensing-based spectral data can improve model predictive power in models to be developed for the AGB.

Anahtar Kelimeler

• Black pine
• above-ground biomass
• Landsat 9

Kaynakça

1. Bono, A., Alberti, G., Berretti, R., Curovic, M., Dukic, V., Motta, R. 2024. The largest European forest carbon stocks are in the Dinaric Alps old-growth forests: comparison of direct measurements and standardised approaches. Carbon Balance and Management, 19(1), 15.
2. Bulut, S. 2023. Machine learning prediction of above-ground biomass in pure Calabrian pine (Pinus brutia Ten.) stands of the Mediterranean region, Türkiye. Ecological Informatics, 74, 101951.
3. Bulut, S., Aytaş, İ. 2023. Modeling potential distribution and above-ground biomass of Scots pine (Pinus sylvestris L.) forests in the Inner Anatolian Region, Türkiye. Environmental Monitoring and Assessment, 195(12), 1471.
4. Bulut, S., Bulut, M. 2024. Evaluating the Spatio-Temporal Change of Forest Carbon Stocks in Northern Türkiye. Austrian Journal of Forest Science/Centralblatt für das Gesamte Forstwesen, 141(4), 243-262.
5. Ercanlı, İ., Şenyurt, M., Gunlu, A., Çakır, M., Bolat, F., Bulut, S. 2023. ÇAKÜ Araştırma Ormanı Karaçam meşcereleri için tek ve çift girişli toprak üstü ağaç biyokütle denklemlerinin geliştirilmesi. Anadolu Orman Araştırmaları Dergisi, 9(2), 126-134.
6. Friedlingstein, P., O'sullivan, M., Jones, M. W., Andrew, R. M., Hauck, J., Landschützer, P., ... Zeng, J. 2024. Global carbon budget 2024. Earth System Science Data Discussions, 2024, 1-133.
7. 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.
8. Günlü, A., Keleş, S., Ercanli, İ., Şenyurt, M. 2020. Estimation of aboveground stand carbon using landsat 8 OLI satellite image: A case study from Turkey. In Spatial modeling in forest resources management: Rural livelihood and sustainable development (pp. 385-403). Cham: Springer International Publishing.

9. Hu, M., Chen, H.Y.H., Chang, S.X., Leuzinger, S., Dukes, J.S., Langley, J.A., Bader, M.K.F., Van Sundert, K., Liao, H., Ma, Z. 2025. Plant functional traits affect biomass responses to global change: A meta-analysis. Journal of Ecology, 113, 2046–2065.
10. Imran, M., Zhou, G., Jing, G., Xu, C., Tan, Y., Ishaq, R. A. F., Lodhi, M.K., Yasinzai, M., Akbar, U., Ali, A. 2025. Assessing Above-Ground Biomass Dynamics and Carbon Sequestration Potential Using Machine Learning and Spaceborne LiDAR in Hilly Conifer Forests of Mansehra District, Pakistan. Forests, 16(2), 330.
11. Sözen, E., Gündüz, G., Aydemir, D., Güngör, E. 2017. Biyokütle kullanımının enerji, çevre, sağlık ve ekonomi açısından değerlendirilmesi. Bartın Orman Fakültesi Dergisi, 19(1), 148-160.
12. Şenyurt, M., Ercanlı, İ., & Bolat, F. (2017). Taper equations based on nonlinear mixed effect modeling approach for Pinus nigra in Çankırı forests. Bosque, 38(3), 545-554.
13. Turgut, R., Günlü, A. 2022. Estimating aboveground biomass using Landsat 8 OLI satellite image in pure Crimean pine (Pinus nigra JF Arnold subsp. pallasiana (Lamb.) Holmboe) stands: a case from Turkey. Geocarto International, 37(3), 720-734.
14. Veloza, P., Rozo, A., Segura, L., Cabrera, M., Niño, F., Prado-Castillo, L. F., Benavides, J. C. 2025. Spatial patterns of above-ground biomass in tropical alpine páramo ecosystems using allometric models and LiDAR data. Landscape Ecology, 40(7), 1-17.
15. Ye, N., Mason, E., Xu, C., Morgenroth, J. 2025. Estimating individual tree DBH and biomass of durable Eucalyptus using UAV LiDAR. Ecological Informatics, 89, 103169.
16. Zhou, J. J., Zhao, Z., Zhao, Q., Zhao, J., Wang, H. 2013. Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data. Journal of Applied Remote Sensing, 7(1), 073484-073484.