Assessment of Aboveground Biomass Potential by GIS and Remote Sensing – A New Approach

Öz

Assessment of the spatial distribution of forest biomass, which is the most important biomass source in terms of potential in Turkey, has a critical prospect for monitoring biomass stocks and determining the technical and economic feasibility of energy production projects from forest biomass. The integration of Geographical Information Systems (GIS) with Remote Sensing (RS) technique, which provides significant advantages according to land measurements and calculations such as age, height, diameter and trunk volume for each individual tree in forest inventories, provides a more comprehensive and faster biomass potential estimation. For this respect, this study aims to develop a method integrating GIS and RS techniques for the estimation (mapping) of forest biomass potential and to implement it in a case study area. Within the scope of the study, above-ground biomass potential for Bergama İncecikler Forestry Area has been determined by IPCC method.

Anahtar Kelimeler

• biomass
• above-ground biomass (AGB)
• geographic information system
• remote sensing
• SENTINEL-2

Toprak Üstü Biyokütle Potansiyelinin CBS ve Uzaktan Algılama ile Belirlenmesi – Yeni Bir Yaklaşım

Öz

Ülkemizde potansiyel açısından en önemli biyokütle kaynağı konumunda olan orman biyokütlesinin alansal dağılımının belirlenmesi, biyokütle stoklarının izlenmesi ve orman biyokütlesinden enerji üretimi projelerinin teknik ve ekonomik uygulanabilirliğinin saptanması açısından kritik öneme sahiptir. Orman envanterlerinde tek tek her ağaç için yapılan yaş, boy, çap ve gövde hacmi gibi arazi ölçümleri ve hesaplamalarına göre önemli avantajlar sunan Uzaktan Algılama (UZ-AL) tekniği ile Coğrafi Bilgi Sistemleri (CBS)’nin entegrasyonu, biyokütle potansiyelinin daha kapsamlı ve hızlı bir şekilde belirlenmesine olanak sağlamaktadır. Bu noktadan hareketle, bu çalışmada, orman biyokütle potansiyelinin tahminlenmesi (haritalanması) için CBS ve UZ-AL tekniklerini bütünleştiren bir yöntem geliştirilmesi ve örnek bir çalışma bölgesinde uygulanması amaçlanmıştır. Çalışma kapsamında, çalışma bölgesi olarak seçilen Bergama İncecikler Orman Şefliği sınırlarındaki toprak üstü biyokütle (TÜB) potansiyeli, ormanlardaki karbon hesaplanmasında kullanılan yaklaşımla tespit edilmiştir.

Anahtar Kelimeler

• biyokütle
• toprak-üstü biyokütle (TÜB)
• coğrafi bilgi sistemleri
• uzaktan algılama
• SENTINEL-2

Kaynakça

1. Yolasığmaz, H.A., Çavdar, B., Demirci, U., Aydın, İ.Z. 2016. İki farklı yönteme göre karbon birikiminin tahmin edilmesi: Artvin Orman İşletme Şefliği örneği, Turkish Journal of Forestry, Cilt: 17(1), s. 43-51. DOI: 10.18182/tjf.20323.
2. Erlat, E. 2014. İklim Sistemi ve İklim Değişmeleri. Ege Üniversitesi Yayınları Edebiyat Fakültesi No: 155, 5. Baskı, İzmir.
3. Piyaphongkul, J., Gajaseni, N., Na-Thalang, A. 2011. A comparative study of carbon sequestration potential in aboveground biomass in primary forest and secondary forest, Khao Yai national park. Atazadeh, I., ed. 2011. Biomass and Remote Sensing of Biomass, InTechOpen, ISBN: 978-953-307-490-0.
4. Orman Genel Müdürlüğü (OGM) 2009. Orman Genel Müdürlüğü’nde Biyoenerji Konusunda Yapılan Çalışmalar. Orman Genel Müdürlüğü Biyoenerji Çalışma Grubu.
5. Matthews, E., Payne, R., Rohweder, M., Murray, S. 2000. Forest Ecosystems. World Resources Institute, ISBN: 1-56793-459-3.
6. Gibbs, H.K., Brown, S., Niles, J.O., Foley, J.A. 2007. Monitoring and estimating tropical forest carbon stocks: Making REED a reality. Environmental Research Letter, Vol. 2, s. 1-13. DOI: 10.1088/1748-9326/2/4/045023.
7. UNCCD & Joint Liaison Group of the Rio Conventions. 2007. Forest-Climate Change, Biodiversity and Land Degradation. United Nations Secretariat of the Convention to Combat Desertification (UNCCD), and United Nations Framework Convention on Climate Change (UNFCCC), United Nations.
8. Ayoubi, S., Shahri, A.P., Karchegani, P.M., Sahrawat, K.L. 2011. Application of Artificial Neural Network (ANN) to Predict Soil Organic Matter Using Remote Sensing Data in Two Ecosystems. Atazadeh, I., ed. 2011. Biomass and Remote Sensing of Biomass, InTech, Rijeka, Croatia.

9. Yavaşlı, D.D. 2013. Toprak Üstü Orman Biyokütlesi Belirleme Çalışmalarında ICESat/GLAS Verilerinin Kullanımı. ss 951-959. Öner, E., ed. 2013. İlhan Kayan'a Armağan Kitabı.
10. Aydın, F., Sarptaş, H. 2016. Coğrafi bilgi sistemleri ve uzaktan algılama ile orman kaybının analizi ve gelecekteki orman varlığının tahmini. GEFİK-2016 İzmir Genç Fizikçiler Kongresi, 12-13-14 Ekim, İzmir.
11. Aydın, F. 2016. Uzaktan algılama ve CBS teknikleri ile değerlendirilen ormansızlaşma kaynaklı arazi değişimi altında günümüz ve gelecek orman biyoçeşitliliğinin analizi: Bornova, İzmir örneği. Ege Coğrafya Dergisi, Cilt: 25 (2), s. 15-35.
12. Çabuk, A., Avdan, U., Cömert, R., Uyguçgil, H., Şorman, A., Küpçü, S., Bektöre, E., Işık, Ö. 2011. Coğrafi Bilgi Sistemleri, Anadolu Üniversitesi Açıköğretim Fakültesi Yayını. ISBN: 978-975-06-0920-6, Eskişehir.
13. Kavzoğlu, T., Çölkesen, İ. 2017. Uzaktan algılama teknolojileri ve uygulama alanları. http://www.gtu.edu.tr/Files/UserFiles/80/jeodezi/yayinlar/pdf/kavzoglu_Colkesen_Calistay.pdf. (Erişim Tarihi: 10.03.2017).
14. Düzgün, Ş. 2010. Uzaktan Algılamaya Giriş Ders Notları. Ulusal Açık Ders Malzemeleri Konsorsiyumu-TÜBA, Ankara.
15. Ashraf, M.A., Maah, M.J., Yusoff, I. 2011. Introduction to Remote Sensing of Biomass, Atazadeh, I., ed. 2011. Biomass and Remote Sensing of Biomass. InTech, Rijeka, Croatia.
16. Meinel, G., Neubert, M. 2004. A comparison of segmentation programs for high resolution remote sensing data. International archives of the photogrammetry, Remote Sensing and Spatial Information Sciences, 35.
17. Altınbaş, Ü. 2006. Toprak Etüd ve Haritalama. Ege Üniversitesi Ziraat Fakültesi Yayınları. 2. Baskı, No:521, ISBN: 975-483-703-1, Bornova, İzmir.
18. Aydoğdu, M., Tarini, M., Akçar, H.T., Aydemir, A. 2009. Harran ovasında coğrafi bilgi sistemleri ve uzaktan algılama ile tarım arazilerinde amaç dışı kullanımın tespiti. TMMOB Coğrafi Bilgi Sistemleri Kongresi, 02-06 Kasım, İzmir.
19. Askar, Nuthammachot, N., Phairuang, W., Wicaksono, P., Sayektiningsih, T. 2018. Estimating Aboveground Biomass on Private Forest Using Sentinel-2 Imagery. Journal of Sensors. DOI: 10.1155/2018/6745629.
20. Goodenough, D.G., Niemann, K.O., Dyk, A., Hobart, G., Gordon, P., Loisel, M., Hao, C 2008. Comparison of AVIRIS and AISA airborne hyperspectral sensing for above-ground forest carbon mapping. Geo-science and Remote Sensing Symposium, IEEE International, 129-132.
21. Verkerk, P.J., Fitzgerald, J.B., Datta, P., Dees, M., Hengeveld, G.M., Lindner, M., Zudin, S. 2019. Spatial distribution of the potential Forest biomass availability in Europe. Forest Ecosystems, Cilt: 6(5). DOI: 10.1186/s40663-019-0163-5.
22. Özkan, U.Y. 2003. Uydu Görüntüleri Yardımıyla Meşcere Parametrelerinin Kestirilmesi ve Orman Amenajmanında Kullanılması Olanakları. Yüksek Lisans Tezi, G.Ü., Fen Bilimleri Enstitüsü, İstanbul.
23. Sivrikaya, F., Keleş, S., Çakir, G., Başkent, E.Z., Köse, S. 2006. Comparing accuracy of classified Landsat data with landuse maps reclassified from the stand type maps. 7th International Symposium On Spatial Accuracy Assessment in Natural Resources and Environmental Sciences.
24. Chhabra, A., Palria, S., Dadhwal, V.K. 2002. Growing stock-based forest biomass estimate for India. Biomass and Bioenergy, Cilt:22, s. 187–194. DOI: 10.1016/S0961-9534(01)00068-X.
25. Iverson, L.R., Brown, S., Prasad, A., Mitasova, H., Gillespie, A.J.R., Lugo, A.E. 1994. Use of GIS for Estimating Potential and Actual Forest Biomass for Continental South and Southeast Asia. Dale, V.H., ed. Effects of Land-Use Change on Atmospheric CO2 Concentrations. Ecological Studies (Analysis and Synthesis). vol 101. Springer, New York.
26. Hongrui, R., Guangsheng, Z., Xinshi, Z. 2011. Estimation of green aboveground biomass of desert steppe in Inner Mongolia based on red-edge reflectance curve area method. Biosystems Engineering, Cilt:109, s. 385-395. DOI:10.1016/j.biosystemseng.2011.05.004.
27. Timothy, D., Onisimo, M., Cletah, S., Adelabu,, S., Tsitsi, B. 2016. Remote sensing of aboveground forest biomass: A review. Tropical Ecology, Cilt: 57(2), s. 125-132.
28. NASA/METI/AIST/Japan Space Systems and U.S./Japan ASTER Science Team 2001. ASTER Global Digital Elevation Model V003 [Data set]. NASA EOSDIS Land Processes DAAC.
29. Copernicus 2016. CORINE Land Cover. https://land.copernicus.eu/pan-european/corine-land-cover (Erişim Tarihi: 12.01.2016).
30. European Space Agency (ESA) 2016. SENTINEL-2 MSI User Guide. https://earth.esa.int/web/sentinel/user-guides/sentinel-2-msi/ (Erişim Tarihi: 20.02.2016).
31. Humboldt State University 2017. Introduction to Remote Sensing: Radiometric Corrections. http://gsp.humboldt.edu/olm_2015/Courses/GSP_216_Online/lesson4-1/radiometric.html (Erişim Tarihi: 20.10.2017).
32. Zhang, Z., He, G., Wang, X. 2010. A practical DOS model-based atmospheric correction algorithm. International Journal of Remote Sensing, 31(11):2837-2852. DOI: 10.1080/01431160903124682, 2010.
33. Kaufman, Y.J., Sendra, C. 1988. Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery. International Journal of Remote Sensing, Cilt: 9, s. 1357-1381. DOI: 10.1080/01431168808954942.
34. Environmental Systems Research Institute (ESRI) 2015. https://www.esri.com/en-us/home. (Erişim Tarihi: 20.10.2015).
35. Trimble Geospatial 2016. http://www.ecognition.com/. (Erişim Tarihi: 05.01.2016).
36. TerrSet 2016. https://clarklabs.org/terrset/. (Erişim Tarihi: 10.02.2016).
37. Sunar, F., Özkan, C., Osmanoğlu, B. 2013. Uzaktan Algılama. Anadolu Üniversitesi Yayını. No: 2320.
38. Esetlili, M.T., Kurucu, Y. 2003. Uzaktan algılama tekniği ile pamuk ekili alanların belirlenmesinde kontrollü (supervised) sınıflandırma yöntemlerinin irdelenmesi üzerine bir araştırma. Ege Üniversitesi Ziraat Fakültesi Dergisi, Cilt:40(2), s. 105-112.
39. Weier, J., Herring, D. 2017. Measuring vegetation (NDVI&EVI). https://earthobservatory.nasa.gov/features/MeasuringVegetation. (Erişim Tarihi: 06.06.2017).
40. Gündoğdu, K.S., Bantchina, B.B. 2018. Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ Üniversitesi Ziraat Fakültesi çiftlik arazisi örneği. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, Cilt: 32(2), s. 45-53.
41. Belgiu, M., Csillik, O. 2018. Sentinel-2 cropland mapping using pixel-based and object-based timeweighted dynamic time warping analysis. Remote Sensing of Environment, Cilt: 204, s. 509–523. DOI: 10.1016/j.rse.2017.10.005.
42. Baatz, M., Schäpe, A. 2000. Multiresolution Segmentation-an optimization approach for high quality multi-scale image segmentation. ss. 12-23. Strobl, J, Blaschke, T., Griesebner, G., ed. 2000. Angewandte Geographische Informationsverarbeitung. Wichmann-Verlag, Heidelberg.
43. Zheng, L. 2015. Parameter optimization in multi-scale segmentation of high resolution remotely sensed image and its application in object-oriented classification. 2015 International Conference on Environmental Engineering and Remote Sensing (EERS2015).
44. Orman ve Su İşleri Bakanlığı 2017. http://corine.ormansu.gov.tr/corineportal/turkiyecalismalar.html. (Erişim Tarihi: 04.10.2017).
45. Başkent, E.Z. 2006. Orman Amenajmanı-Orman Envanteri (Ders Notları). Karadeniz Teknik Üniversitesi, http://www.ktu.edu.tr/dosyalar/15_01_03_56c61.pdf. (Erişim Tarihi: 20.10.2017)
46. International Panel of Climate Change (IPCC) 2006. IPCC Guidelines for National Greenhouse Gas Inventories: Agriculture, Forestry and Other Land Use. Volume 4.
47. Eastman, J.R. 2015a. Terrset Manual, Clark Labs, Clark University.
48. Eastman, J.R. 2015b. Terrset Tutorial, Clark Labs, Clark University.
49. Pontius, R.G., Schneider. L.C. 2001. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems and Environment, Cilt: 85, s. 239–248. DOI: 10.1016/S0167-8809(01)00187-6.