Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini

Nurettin Beşli; Emin Tenekeci

doi:10.24012/dumf.661925

Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini

Öz

Tüm canlılık için önemli olan ormanların, yangınlar ile yok edilmesi doğaya verdiği zararın yanı sıra can ve mal güvenliğini de ciddi şekilde tehdit eder. Orman yangınları doğal yollarla veya bilinçli insan davranışları ile gerçekleşir. Orman yangınlarının önceden tahmini veya erken keşfi hızlı müdahale ve önlem almayı sağlayacaktır. Literatürde orman yangınlarını tahmin etmek için meteorolojik verileri ve uzaktan algılama verileri kullanılmaktadır. Bununla birlikte meteorolojik veriler ile mevcut orman yangının davranışı da belirlenebilmektedir. Bu çalışmada uydulardan alınan veriler ile orman yangınlarının tahmini yapılmıştır. Uydudan alınan verilerden hesaplanan Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NVDI), Arazi Yüzeyi Sıcaklığı (LST) ve Termal anomali (TA) verileri kullanılarak orman yangınları tahmin edilmiştir. Bahsedilen verilerden tahmin yapmak için karar ağaçları kullanılmıştır. Karar ağaçlarının eğitiminde kullanılmak için veri setindeki verilerin %70’ i kullanılmıştır. Geri kalan %30 veri ile oluşturulan modelin testi gerçekleştirilmiştir. Eğitim ve test işlemi farklı veriler ile 10 defa tekrarlı yapılarak uygulanan yöntemin ortalama performansı belirlenmiştir. Gerçekleştirilen denemelerde ortalama %98,62 duyarlılık oranı ile gerçekleşen yangınlar doğru tahmin edilmiştir. Tüm denemelerde yapılan tahminler için ortalama %93,11 doğruluk ile gerçek durum belirlenmiştir.

Anahtar Kelimeler

Orman yangınları tahmini,Uydu verileri,Karar ağaçları,Veri madenciliği

Kaynakça

Dayananda P. W. A., “Stochastic models for forest fires”, Ecological Modeling, Volume 3 (1977), 309-313.
Altan, G., Türkeş, M., Tatlı, H., “Çanakkale ve Muğla 2009 yılı orman yangınlarının Keetch-Byram Kuraklık İndisi ile klimatolojik ve meteorolojik analizi.” In: 5th Atmospheric Science Symposium Proceedings Book: 263-274. Istanbul Technical University, 27-29 April 2011, Istanbul. Turkey.
Türkiye Cumhuriyeti Orman genel müdürlüğü, https://www.ogm.gov.tr/ekutuphane/Sayfalar/Istatistikler.aspx (Erişim 10/01/2019)
C.S. Eastaugh, H. Hasenauer, “Deriving forest fire ignition risk with biogeochemical process modelling Environ.” Model. Softw., 55 (2014), pp. 132-142
Tedim F., Leone V., Amraoui M., Bouillon C., Coughlan M., Delogu G., Fernandes P., Ferreira C., McCaffrey S., McGee T., Parente J., Paton D., Pereira M., Ribeiro L., Viegas D., Xanthopoulos G., “Defining extreme wildfire events: difficulties, challenges, and impacts Fire” 1 (1) (2018), p. 9
Gümüşçü A., Tenekeci M. E., “Estimation of active sperm count in spermiogram using motion detection methods”, Journal of the Faculty of Engineering and Architecture of Gazi University (2018), https://doi.or./10.17341/gazimmfd.460524
Karadağ K., Tenekeci M.E., Taşaltın R., Bilgili A., “Detection of pepper fusarium disease using machine learning algorithms based on spectral reflectance”, Sustainable Computing: Informatics and Systems, 2019, Article in Press.
Gümüşçü A., Tenekeci M.E., Bilgili A.V. “Estimation of wheat planting date using machine learning algorithms based on available climate data”, (2019) Sustainable Computing: Informatics and Systems. Article in Press.

Lejdel B., “Conceptual Framework for Analyzing Knowledge in Social Big Data.”, Proceeding Big Data and Smart Digital Environment. ICBDSDE 2018. Studies in Big Data, vol 53, pp 347-358.
Chi M., Plaza A., Benediktsson J.A., Sun Z., Shen J., Zhu Y., “Big data for remote sensing: challenges and opportunities”, Proc. IEEE, 104 (11) (2016), pp. 2207-2219
Ramapriyan H., Brennan J., Walter J., Behnke J., “Managing big Data: NASA tackles complex Data challenges”, Earth Imaging J. (2013) [Online].
Vega-Garcia C., Lee B., Woodard P., Titus S., “Applying neural network technology to human-caused wildfire occurrence prediction”, AI Appl., 10 (3) (1996), pp. 9-18
Cheng T., Wang J., “Integrated spatio-temporal data mining for forest fire prediction”, Trans. GIS, 12 (5) (2008), pp. 591-611
Satir O., Berberoglu S., Donmez C., “Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem Geomatics”, Natural Hazards and Risk (2015), pp. 1-14
Camp A., Oliver C., Hessburg P., Everett R., “Predicting late-successional fire refugia pre-dating European settlement in the Wenatchee mountains”, For. Ecol. Manage., 95 (1) (1997), pp. 63-77
Arpaci A., Malowerschnig B., Sass O., Vacik H., “Using multi variate data mining techniques for estimating fire susceptibility of Tyrolean”, forests Appl. Geogr., 53 (2014), pp. 258-270
Castelli M., Vanneschi L., Popovic A., “Predicting burned areas of forest fires: an artificial intelligence approach”, Fire Ecol., 11 (2015), pp. 106-118
Arrue B., Ollero A., Matinez de Dios J., “An intelligent system for false alarm reduction in infrared forest-fire detection”, IEEE Intell. Syst., 15 (3) (2000), pp. 64-73
Cortez P., Morais A., “A data mining approach to predict wildfires using meteorological data”, Proc. 13th Port. Conf. Artif. Intell (2007), pp. 512-523
Sayad, Y. O., Mousannif, H., Moatassime, H. A., “Predictive modeling of wildfires: A new dataset and machine learning approach”, Fire Safety Journal, Volume 104, 2019, Pages 130-146
The Canadian Wildland Fire Information System (CWFIS) http://cwfis.cfs.nrcan.gc.ca/.
MODIS data products, Courtesy of the NASA Land Processes Distributed Active Archive Center (LP DAAC), USGS/Earth
Resources Observation and Science (EROS) Center, Sioux Falls, South Dakota, https://lpdaac.usgs.gov.
Quinlan J.R., 1993, “C4.5: Programs for Machine Learning”, Morgan Kaufmann, San Mateo, CA, 302 s
Friedl M.A., Brodley C.E., 1997, “Decision tree classification of land cover from remotely sensed data”, Remote Sensing of Environment, 61, 399–409
DeFries R., Hansen M., Townshend J.R.G., Sohlberg R., 1998, “Global land cover classifications at 8 km spatial resolution: the use of training data derived from Landsat imagery in decision tree classifiers”, International Journal of Remote Sensing, 19, 3141–3168
Pal M., Mather P.M., 2003, “An assessment of the effectiveness of decision tree methods for land cover classification”, Remote Sensing of Environment, 86, 554-565
Li Z., Dunham M.H., Xiao Y., Zaïane O.R., Simoff S.J., Djeraba C. (Eds.), “STIFF: a forecasting framework for SpatioTemporal data”, Mining Multimedia and Complex Data. PAKDD 2002. Lecture Notes in Computer Science, vol. 2797, Springer, Berlin, Heidelberg (2003)
Cheng T., Wang J., “Integrated spatiotemporal Data Mining for forest fire prediction”, Trans. GIS, 12 (5) (2008), pp. 591-611

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Nurettin Beşli
Türkiye

Emin Tenekeci ^*
Türkiye

Yayımlanma Tarihi

30 Eylül 2020

Gönderilme Tarihi

20 Aralık 2019

Kabul Tarihi

6 Mart 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: 11 Sayı: 3

DOI

https://doi.org/10.24012/dumf.661925

IZ

https://izlik.org/JA66JB77KS

Kaynak Göster

RIS / Bibtex

IEEE

[1]N. Beşli ve E. Tenekeci, “Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini”, DÜMF MD, c. 11, sy 3, ss. 899–906, Eyl. 2020, doi: 10.24012/dumf.661925.

Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini

Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Comparison of the Machine Learning Methods to Predict Wildfire Areas

İleri Veri İşlem Yöntemleri İle Su Kaynaklarının Kullanımı Ve Planlanmasının Optimizasyonu

Sosyal Medyadaki Dezenformasyon: 2021 Türkiye Orman Yangınları Örneği

Orman Yangın Şiddetinin Google Earth Engine ve Coğrafi Bilgi Sistemleri Kullanarak Analizi: Hatay-Belen Örneği

Orman Yangınları Yönetimi ve Organizasyonu İçin Bir Model Önerisi

Antalya İlinde Yüzey Sıcaklıklarındaki Değişimler ve Orman Yangınları ile İlişkisi

Uzaktan Algılama ve Veri Bilimi Teknikleriyle Orman Yangınları için Meteorolojik Etkilerin İzlenmesi