Orman ekosistemindeki ağaç boylarının, optik, radar, lazer altimetre uydu verileri ve yardımcı kaynaklar kullanılarak Google Earth Engine platformunda modellenmesi

Yıl 2024, Cilt: 9 Sayı: 2, 259 - 268, 29.08.2024

Eren Gürsoy Özdemir , Tarık Utku Zengin , Halit Abdullah Güleç

https://doi.org/10.29128/geomatik.1449670

Öz

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

Anahtar Kelimeler

Uzaktan algılama, Makine öğrenmesi, GEDI, Uydu altimetrisi, Google Earth Engine

Destekleyen Kurum

TÜBİTAK BİDEB

Proje Numarası

1919B012215642

Teşekkür

Desteklerinden dolayı TÜBİTAK BİDEB ‘e, uydu görüntülerinin ücretsiz olarak temin edilmesinde sağladığı imkanlardan dolayı Avrupa Uzay Ajansına (ESA), GEDI altimetri verisi için National Aeronautics and Space Administration (NASA)’ya, Google Earth Engine platformuna ücretsiz erişim imkânı sağlayan United States Geological Survey (USGS) ’e ve makalenin değerlendirme süreçlerinde kıymetli görüş ve önerileri için hakemlere teşekkür ederiz.

Kaynakça

• 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
• 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
• 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
• Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
• 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
• 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.
• 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
• 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
• 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
• Gaussen, H., Heywood, V. H., & Chater, A. O., (1964). The Genus Pinus L. Flora Europaea, Cambridge University Press, Cambridge, 1, 32-35.
• 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
• 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
• 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
• 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
• Farjon, A. (2010). A Handbook of the World's Conifers: Revised and Updated Edition. Brill. https://doi.org/10.1163/9789047430629
• 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).
• Kandemir, A., & Mataracı, T. (2018). Pinus L. Resimli Türkiye Florası, 2, 324-354.
• 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
• Konukçu, M., (2001). Ormanlar ve Ormancılığımız. DPT Yayınları, 2630, Ankara.
• 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
• 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
• 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
• 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
• 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
• 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
• 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
• 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.
• 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
• 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
• 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
• 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
• 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.
• 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
• Üstüner, M., & Sanli, F. B. (2021). Crop classification from multi-temporal PolSAR data with regularized greedy forest. Advanced Remote Sensing, 1(1), 10-15.
• 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
• 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
• 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
• 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.
• 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
• URL-1: https://gedi.umd.edu/mission/mission-overview/
• URL-2: MGM, (2024). Meteorolojik Veri. https://www.mgm.gov.tr/
• URL-3: https://browser.dataspace.copernicus.eu/