ANABİLEŞEN TEKNİĞİ KULLANILARAK GÖKSU DELTASINDA (TÜRKİYE) ZAMANSAL DEĞİŞİKLİKLERİN İNCELENMESİ

Yıl 2019, , 279 - 299, 30.01.2019

Murat Karabulut , Muhterem Küçükönder

https://doi.org/10.32003/iggei.455452

Öz

Kıyı alanları, ekolojik ve ekonomik değeri yüksek doğal ortamlar
arasında yer alır. Diğer doğal sistemler arasında, özellikle deltalar dinamik
ve karmaşık ilişkilere sahip ekosistemlerdir. Bu çalışma, Türkiye'nin Akdeniz
bölgesinde bulunan Göksu Deltası'nı kapsamaktadır. Göksu Deltası birçok nesli
tükenme tehlikesi altında olan türe, üreme, beslenme ve barınma olanakları
sunan, en önemli uluslararası sulak alanlarından birine sahiptir. Göksu
Deltası'nda hidrolojik müdahaleler ve çeşitli insan faaliyetleri sonucunda
delta kıyı sistemleri büyük ölçüde değişmiştir. Bu değişimlerin efektif bir
şekilde incelenmesi zorunludur. Bu amaca yönelik olarak çeşitli uydu
sistemlerinden elde edilen uzaktan algılanan verilerin, dijital veya analog
teknikleri kullanarak kıyı değişikliklerini izlemek için etkili bir araç olduğu
kanıtlanmıştır. Böylelikle, son yıllarda, kıyı alanlarının çoğunun
haritalanması ve izlenmesi, bu tür veriler tarafından sağlanan mekansal açıdan
kapsamlı bilgilerle ortaya konmuştur. Çalışmanın amacı Göksu Deltası'ndaki kıyı
değişikliklerini Ana Bileşenler Analiz tekniğini kullanarak incelemektir.
Sonuçlar, bu yöntemin, multitemporal görüntüleri kullanarak değişim
tespitindeki hataları azaltabileceğini ve değişikliklerini izlemede çok faydalı
bir yol sağlayabileceğini göstermektedir. Kıyı ilerlemesi batı ve güneydoğuda
tespit edilmiştir. Öte yandan, deltanın doğu tarafında sahil şeridinde ciddi
bir gerileme meydana gelmiştir.

Anahtar Kelimeler

Kıyı Değişimi, Zamansal Değişim, Göksu Deltası, Uzaktan Algılama, PCA

Kaynakça

• Adam, E., Mutanga, O. & Rugege, D. (2010). Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review. Wetlands Ecology and Management, 18, 281–296.
• Almutairi, A. & Warner, T. A. (2010). Change detection accuracy and image properties: a study using simulated data. Remote Sensing, 2(6), 1508-1529.
• Artigas, F. J. & Yang, J. (2006). Spectral discrimination of marsh vegetation types in The New Jersey Meadowlands, USA. Wetlands Journal of the Society of Wetland Scientists, 26, 271–277.
• Balázs, B., Bíró, T., Dyke, G., Singh, S. K. & Szabó, S. (2018). Extracting water-related features using reflectance data and principal component analysis of Landsat images. Hydrological Sciences Journal, 63(2), 269-284.
• De Roeck, E. R., Verhoest, N. E., Miya, M. H., Lievens, H., Batelaan, O., Thomas, A. & Brendonck, L. (2008). Remote sensing and wetland ecology: a South African Case Study. Sensors, 8, 3542-3556.
• Deng, J. S., Wang, K., Deng, Y. H. & Qi, G. J. (2008). PCA‐based land‐use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing, 29(16), 4823–4838.
• Ghioca-Robrecht, D. M., Johnston, C. A. & Tulbure, M. G. (2008). Assessing the use of multiseason QuickBird imagery for mapping invasive species in a Lake Erie coastal Marsh. Wetlands 28, 1028–1039.
• Gilmore, M. S., Wilson, E. H, Barrett, N., Civco, D. L., Prisloe, S., Hurd, J. D. & Chadwick, C. (2008). Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh. Remote Sensing of Environment 112, 4048–4060.
• Gürkan, F., Zorlu, F., Kavruk, S.A., Menengiç, M., Yıldırım, N., Erdogan, B., Direk, Y., Buluş, B. & Sarıgül, B. (1999). Göksu Deltası özel çevre koruma bölgesi yönetim planı. Çevre Bakanlığı ÖÇKK Başkanlığı-DHKD, Ankara-Turkey.
• Hardisky, M. A, Gross, M. F. & Klemas, V. (1986). Remote sensing of coastal wetlands. Bioscience, 36, 453–460.
• Hinrichsen, D. (1998). Coastal Waters of the World: Trends, Threats, and Strategies, USA. Washington, DC: Island Press.
• Jensen, J. R. (1996). Introductory Digital Image Processing: A Remote Sensing Perspective. New Jersey: Englewood Cliffs.
• Karabulut, M. (2007). Su içerisinde yaşayan bitkilerin spektral özelliklerinin incelenmesi. İtü Dergisi/D-Mühendislik Serisi, 6(3), 3-10.
• Karabulut, M. (2015). Farklı uzaktan algılama teknikleri kullanılarak göksu deltası göllerinde zamansal değişimlerin incelenmesi. The Journal of International Social Research 8(37), 347-363.
• Karaömerlioğlu, D. (2007). Göksu Deltası’ndaki (Silifke) doğal ekosistemlerin bitki ekolojisi yönünden araştırılması. (Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana).
• Kassawmar, N. T., Rao, K. R. M. & Abraha, G. L. (2011). An integrated approach for spatio-temporal variability analysis of wetlands: a case study of Abaya and Chamo lakes, Ethiopia. Environmental Monitoring and Assessment, 180(1-4), 313-324.
• Li, X. & Yeh, A. G. O. (2010). Principal component analysis of stacked multi-temporal images for the monitoring of rapid urban expansion in the Pearl River Delta. International Journal of Remote Sensing, 19(8), 1501-1518.
• Liu, J. G. & Mason, P. (2009). Essential Image Processing and GIS for Remote Sensing. Hoboken: John Wiley-Blackwell Pres.
• Lu, D., Mausel, P., Brondızıo, E. & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12), 2365- 2407.
• Lunetta, R. S. & Balogh, M. E. (1999). Application of Multi-Temporal Landsat 5 TM imagery for wetland identification, Photogrammetric Engineering and Remote Sensing, 65, 1303–1310.
• Mishra, D., Narumalani, S., Rundquist, D. & Lawson, M. (2006). Benthic habitat mapping in tropical marine environments using Quickbird multispectral data. Photogrammetric Engineering and Remote Sensing, 72, 1037–1048.
• Mitsch, W. J. & Gosselink, J. G. (2000). Wetlands. Canada, : John Wiley & Sons.
• Munyati, C. (2004). Use of Principal Component Analysis (PCA) of remote sensing images in wetland change detection on the Kafue Flats, Zambia. Geocarto International, 19(3), 11-22.
• Ortiz-Rivera, V., Vélez-Reyes, M. & Roysam, B. (2006). Change detection in hyperspectral imagery using temporal principal components. Algorithms and Technologies for Multispectral Hyperspectral and Ultraspectral Imagery XII, 6233, 623312.
• Özesmi, S. L. & Bauer, M. E. (2002). Satellite remote sensing of wetland. Wetland Ecology Management, 10, 381–402.
• Rundquist, D. C., Narumalanı, S. & Narayanan, R. M. (2001). A review of wetlands remote sensing and defining new considerations. Remote Sensing Reviews, 20, 207–226.
• Silva, T. S. F., Costa, M. P. F., Melack, J. M. & Novo, E. M. L. M. (2008). Remote sensing of aquatic vegetation: theory and applications. Environmental Monitoring and Assessment, 140, 131-145.
• Tsai, F., Lin, E. K. & Yoshino, K., (2007). Spectrally segmented principal component analysis of hyperspectral imagery for mapping invasive plant species. International Journal of Remote Sensing, 28(5), 1023-1039.
• Ullah, A., Rundquist, D.C. & Derry, D.P. (2000). Characterizing spectral signatures for three selected emergent aquatic macrophytes: a controlled experiment. Geocarto International, 15(4), 31-42.
• Yana, H. & Ichikawa, M. (2007). Factor analysis. In: Handbook of Statistics. Amsterdam: Elsevier.
• Yıldırım, N., Toprak, A., Akdağ, L., Karaca, İ., Kazman, E., Çetin, Y. & Direk, Y. (2009). Göksu Deltası Özel Çevre Koruma Bölgesi II. Dönem Yönetim Planı. TC Çevre Bakanlığı ÖÇKK Başkanlığı, Ankara-Türkiye.
• Zhang, Y., Lu, D., Yang, B., Sun, C. & Sun, M. (2011). Coastal wetland vegetation classification with a Landsat Thematic Mapper Image. International Journal of Remote Sensing, 32(2), 545-561.