Akdağ kütlesinin bazı toprak özelliklerinin model tabanlı dağılım haritaları

Öz

Bu çalışma Kütahya-Simav yöresinde yer alan Akdağ Kütlesi’nde bazı fiziksel toprak özelliklerinin haritalanması amacıyla gerçekleştirilmiştir. Toprak özelliklerinin dağılım modellerini elde etmek için regresyon ağacı tekniği (RTT) kullanılmıştır. Toprak kireç içeriği (10-30 cm), toprak derinliği ve genel toprak taşlılığına ait ağaç modeller elde edilememiştir. Elde edilen ağaç modellerden, hem eğitim seti (ta) hem de test seti (tb) sonuçlarına göre, en yüksek açıklanan varyans (R²) değerlerine sahip toprak özellikleri sırası ile Kil2 (R²(ta)=0,384; R²(tb)=0,313), Kum2 (R²(ta)=0,370; R²(tb)=0,280), Kil1 (R²(ta)=0,495; R²(tb)=0,236) ve Kum1 (R²(ta)=0,404; R²(tb)=0,233) içerikleri olmuştur. Ayrıca bu toprak özelliklerinin tamamına ait ortalama mutlak yüzde hata (MAPE) değerleri kabul edilebilir kestirim geçerliliği anlamına gelen 50 değerinin altında kalmıştır. Diğer toprak özelliklerinin ağaç modellerinde eğitim ve özellikle test R² değerleri düşük veya çok düşük çıkmıştır. RTT ile elde edilen dağılım modelleri çalışma alanı boyunca yaygınlaştırılmış ve böylece toprak özelliklerine ait dağılım haritaları çıkartılmıştır.

Anahtar Kelimeler

• Kestirim modelleme teknikleri
• orman
• ekosistem
• toprak
• haritalama
• CBS

Model based distribution maps of some soil properties in Akdağ massif

Öz

This study was carried out to create predictive distribution maps of some physical soil properties in Akdağ mountain district from Simav-Kütahya region. To build the distribution models of soil properties, regression tree technique (RTT) was employed. RTT models of soil lime content at 10-30 cm, soil depth and general soil stoniness couldn’t be built. Among the obtained tree models, according to the results of both of training (ta) and testing (tb) sets, the response variables belonging to highest explained variance (R²) values are Clay2 (R²(ta)=0.384, R²(tb)=0.313), Sand2 (R²(ta)=0.370, R²(tb)=0.280), Clay1 (R²(ta)=0.495, R²(tb)=0.236) and Sand1 (R²(ta)=0.404, R²(tb)=0.233) respectively. Besides mean absolute percentage error (MAPE) values of all those soil variables were less than 50 which means acceptable forecast accuracy. The obtained tree models of the other response data have low training and in particular testing R² values. The distribution models obtained from RTT were visualized across the study area. Thus the distribution maps of the soil properties were provided.

Anahtar Kelimeler

• Predictive modelling techniques
• forest
• ecosystem
• soil
• mapping
• GIS

Kaynakça

1. Aertsen, W., Kint, V., Orshoven, J., Özkan, K., Muys, B., 2010. Comparison and ranking of different modelling techniques for prediction of site ındex in Mediterranean mountain forests. Ecological modelling 221: 1119-1130.
2. Akarsu, F., 2018: Gönen Baraj Havzasındaki Orman Ekosistemlerinin Üst Toprak Özelliklerinin İncelenmesi ve Haritalanması, İ.Ü. Fen Bilimleri Enstitüsü, Orman Mühendisliği Anabilim Dalı, Toprak İlmi ve Ekoloji Programı, yüksek lisans tezi (Danışman I: Prof. Dr. Orhan Sevgi, Danışman II: Doç. Dr. Osman Yalçın YILMAZ , s.101, İstanbul.
3. Altındal, M., 2011. Eğirdir Bahçe kültürleri araştırma Enstitüsü Arazisinin Toprak Etüdü Ve Bitkiye Yarayışlı Mikro Besin Elementi İçeriklerinin Uzaysal Dağılımının Haritalanması. Gaziosmanpaşa Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 102s.
4. Arslan, M., Özel, C., Çelik, N., Törü, A., Özkan, K., 2020. Akdağ (Balıkesir/Kütahya) Orman ve Çalı Vejetasyonunda Bitki Çeşitliliği ve Bazı Yetişme Ortamı Faktörleri Arasındaki İlişkiler. Orman Toprak ve Ekoloji Araştırma Enstitüsü Müdürlüğü Proje Sonuç Raporu; Proje No: ESK – 25 (6318), 42 s.
5. Austrheim, G., Gunilla, E., Olsson, A., Grontvedt, E., 1999. Land-Use Impact on Plant Communities in Semi-Natural Sub-Alpine Grasslands of Budalen, central Norway. Biological Conservation, 87(3), 369-379.
6. Babagil, G.E., 2008. Toprak Özelliklerindeki Yersel Değişkenliğin Buğday Verim Paterni Üzerine Etkisinin Jeoistatistiksel Yöntemlerle Belirlenmesi. Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 133s.
7. Başaran, M. A., Başaran, S., Baş, N., Kaçar, S., Tolunay, D., Makineci, E., Kavgacı, A. T., Deniz, İ.G. 2008. Elmalı Sedir Araştırma Ormanında Aktüel Durumun Coğrafi Bilgi Sistemi Tabanlı Sayısal Haritalarla Ortaya Konulması. Çevre ve Orman Bakanlığı Yayın No: 353, Batı Akdeniz Ormancılık Araştırma Müdürlüğü Yayın No: 38, Antalya.
8. Başaran S., Tolunay D., Makineci E., Başaran M., Kavgacı A., Çetin A., Kaçar M., Baş M., 2011. Bük Lütfi Büyükyıldırım Ormanında Aktüel Durumun Coğrafi Bilgi Sistemi Tabanlı Sayısal Haritalarla Ortaya Konulması. Acar Ofset, Antalya.

9. Beers, T.W., Dress, P.E., Wensel, L.C., 1966. Notes and Observations: Aspect transformation in site productivity research. J. Forest. 64: 691- 692.
10. Berrar, D., 2019. Cross-validation. Encyclopedia of bioinformatics and computational biology, 1, 542-545.
11. Botella, C., Joly, A., Bonnet, P., Monestiez, P., Munoz, F., 2018. A deep learning approach to species distribution modelling. In Multimedia Tools and Applications for Environmental & Biodiversity Informatics (pp. 169-199). Springer, Cham.
12. Breiman, L., Friedman, J., Stone, C. J., Olshen, R. A., 1984. Classification and regression trees. CRC press.
13. Brown Jr., S.R., Ahl, R.S., 2011. The region 1 Existing Vegetation Mapping Program (Vmap) Beaverhead-Deerlodge Methodology. Region One Vegetation Classification, Mapping, Inventory and Analysis Report No:11- 02, 1-18.
14. Ci, B., Rule, R. O., 1987. Confidence intervals. Lancet, 1(8531), 494-7.
15. Çamoğlu, G., Ölgen, M. K., Karataş, B. S., Aşık, Ş., 2006. Menemen Sulama Sisteminde Taban Suyunun Zamana ve Mekâna Göre Değişiminin Jeoistatistiksel Yöntemlerle Değerlendirilmesi: Maltepe Ana Kanal Örneği. Demirci A, Karakuyu M, Macadams MA (eds), 4, 13-16.
16. De'ath, G., Fabricius, K.E., 2000. Classification and regression trees: a powerful yet simple technique for the analysis of complex ecological data. Ecology 81: 3178-3192.
17. Drake, J. M., Randin, C., Guisan, A., 2006. Modelling ecological niches with support vector machines. Journal of applied ecology, 43(3), 424-432.
18. Emadi, M., Taghizadeh-Mehrjardi, R., Cherati, A., Danesh, M., Mosavi, A., Scholten, T., 2020. Predicting and mapping of soil organic carbon using machine lerning algorithms in Northern Iran, Remote Sensing, 12, 1-30.
19. Eruz, E., 1984. Balıkesir Orman Başmüdürlüğü Bölgesi’ndeki Saf Karaçam Meşcerelerinin Bonitet Endeksi ile Bazı Edafik ve Fizyografik Özellikler Arasındaki İlişkiler. İstanbul Üniversitesi Orman Fakültesi Yayınları, İstanbul.
20. Evans, J. S., Murphy, M. A., Holden, Z. A., Cushman, S. A., 2011. Modeling species distribution and change using random forest. In Predictive species and habitat modeling in landscape ecology (pp. 139-159). Springer, New York, NY.
21. Fick, S.E., Hijmans, R.J., 2017. WorldClim 2: new 1km spatial resolution climate surfaces for global land areas. International Journal of Climatology 37 (12): 4302-4315.
22. Goodwin, P., Lawton, R., 1999. On the asymmetry of the symmetric MAPE, International Journal of Forecasting 15, 405-498.
23. Gül, E. (2015). Yarı-Kurak Alanlarda Çölleşme Risk Haritasının Oluşturulması: Sarıkaya Örneği. Karatekin Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, Orman Mühendisliği Anabilim Dalı, Çankırı, 108-118 s.
24. Gülsoy S., Özkan K., 2008. Tür çeşitliliğinin ekolojik açıdan önemi ve kullanılan bazı indisler. SDÜ Orman Fakültesi Dergisi, 1, 168-178.
25. Güner, Ş. T., Özkan K., Çömez, A., 2011. Key factors in the site selection of Rosa canina L aplying the generalized additive model. Polish Journal of Ecology, 59, 475-482.
26. Gürel, F., Erşahin, S., 2020. Ilgaz Ormanlarında Saf Uludağ Göknarı ve Saf Uludağ Göknarı-Sarıçam Meşcerelerinde Bazı Toprak Özelliklerinin Uzaysal Değişkenliği. Journal of Bartin Faculty of Forestry, 22(2), 544-555.
27. Hengl, T., Heuvelink, G.B.M., Stein, A. 2004., A generic framework for spatial prediction of soil variables based on regression-krigging, Geoderma, 120, 75-93.
28. Hengl, T., Sierdsema, H., Radović, A., Dilo, A., 2009. Spatial prediction of species’ distributions from occurrence-only records: combining point pattern analysis, ENFA and regression-kriging. Ecological modelling, 220(24), 3499-3511.
29. Jenness, J., 2006. Topographic Position Index (tpi_jen. avx) Extension for ArcView 3. x version 1.2. Jenness Enterprises, Flagstaff, AZ.
30. Kantarcı, M, D., Tolunay, F., 1996: İstanbul Üniversitesi Orman Fakültesi Eğitim ve Araştırma Ormanı’nda Toprak ve Yetişme Ortamı Özelliklerinin Belirlenmesi ve Haritalanması (Ada 538, Parsel 59, 393 ha), İ.Ü. Araştırma Fonu Projesi, Proje No: 640/210994.
31. Kaya, C., 2020. Gaziantep Yöresi'nde Kızılçamın (Pinus Brutia Ten.) Model Tabanlı Potansiyel Dağılım Ve Verimlilik Haritalaması, Isparta Uygulamalı Bilimler Üniversitesi, Orman Mühendisliği Anabilim Dalı, Doktora tezi.
32. Kroetsch, D., Wang, C., 2008. Particle Size Distribution, in section VI. Soil Physical Analysis, Section Ed. By Angers D.A., Larney, F.J., In: Carter, M.R., Gregorich, E.G. (Eds.), Soil Sampling and Methods of Analysis 2. Edition, CRC Press, Boca Raton.
33. Kumar, S., Lal, R., Liu, D., 2012. A geographically weighted regression kriging approach for mapping soil organic carbon stock. Geoderma, 189, 627-634.
34. Kuriakose, S.L., Devkota, S., Rossiter, D.G., Jetten, V.G., 2009. Prediction of soil depth using environmental variables in an anthropogenic landscape, a case study in the Western Ghats of Kerala, India, Catena 79 (1), 27-38.
35. Leathwick, J. R., Elith, J., Francis, M. P., Hastie, T., Taylor, P., 2006. Variation in demersal fish species richness in the oceans surrounding New Zealand: an analysis using boosted regression trees. Marine Ecology Progress Series, 321, 267-281.
36. Lewis, C.D. (1982). Industrial and business forecasting methods. London: Butterworths.
37. Ma, Y., Minasny, B., Wu, C., 2017. Mapping key soil properties to support agricultural production in eastern China. Geoderma Reg 10:144–153.
38. McCune, B. Keon, D., 2002. Equations for potential annual direct incident radiation and heat load. Journal of vegetation science, 13(4), 603-606.
39. Mennis, J., 2006. Mapping the results of geographically weighted regression. The Cartographic Journal, 43(2), 171-179.
40. Mert A., Özkan K., Şentürk Ö., Negiz M. G., 2016. Changing the Potential Distribution of Turkey Oak Quercus cerris L under Climate Change in Turkey. Polish Journal of Environmental Studies, 25, 1633-1638.https://doi.org/10.15244/pjoes/62230
41. Mert, A., Şentürk, Ö., Güney, C.O., Akdemir, D., Özkan, K., 2013. Mapping of Some Distal Variables Available for Mapping Habitat Suitabilities of The Species: A Case Study of Buldan District. GeoMed ,2013. The 3rd International Geography Symposium, Eds: Atalay, İ., Efe, R., 10-13 June, 2013, Kemer Antalya, pp. 210.
42. Moisen, G.G., Frescino, T.S., 2002. Comparing Five Modelling Techniques For Predicting Forest Characteristics. Ecological modelling, 157(2), 209-225.
43. Moore, A. W., 2001. Cross-validation for detecting and preventing overfitting. School of Computer Science Carneigie Mellon University.
44. Moreno, J. J. M., Pol, A. P., Abad, A. S., Blasco, B. C., 2013. Using the R-MAPE index as a resistant measure of forecast accuracy. Psicothema, 25(4), 500-506.
45. MTA, 2011. Maden Tetkik ve Arama Genel Müdürlüğü, http://www.mta.gov.tr, Erişim Tarihi:07.02.2018
46. Navarrete, E., Espinosa, M., 2011. Using the non-parametric classifier CART to model wood density. Journal of Data Science, 9(2), 261-270.
47. Norberg, A., Abrego, N., Blanchet, F. G., Adler, F. R., Anderson, B. J., Anttila, J., Ovaskainen, O., 2019. A comprehensive evaluation of predictive performance of 33 species distribution models at species and community levels. Ecological Monographs, 89(3), e01370.
48. Özdemir, I., Karnieli, A., 2011. Predicting forest structural parameters using the image texture derived from WorldView-2 multispectral imagery in a dryland forest, Israel. International Journal of Applied Earth Observation and Geoinformation, 13(5), 701-710.
49. Özkan K., 2012. Sınıflandırma ve regresyon ağacı tekniği SRAT ile ekolojik verinin modellenmesi. SDÜ Orman Fakültesi Dergisi, 1, 1-4.
50. Özkan K., Şentürk Ö., Mert A., Negiz M. G., 2015. Modeling and mapping potential distribution of Crimean juniper Bieb using correlative approaches Juniperus excelsa Bieb using correlative approaches. Journal of Environmental Biology, , 9-15.
51. Özkan, K., 2013a. Using the non parametric classifier CART to model Lebanon Cedar Cedrus libani A Rich distirbution in a mountain Mediterranean forest district. Polish Journal of Environmental Studies, 22, 495-501.
52. Özkan, K., 2013b. Yönetim ve Geliştirme Planlarının Temel Ekolojik Altlıkları: İklim Değişimine Uyarlanabilir Model Tabanlı Yetişme Ortamı, Biyoçeşitlilik, Koruma Alan Değeri ve Hedef Tür Habitat Uygunluk Haritaları. 2023'e Doğru 2. Doğa ve Ormancılık Sempozyumu, 31 Ekim-03 Kasım 2013, Ed. Girgin, E., Antalya, 129-148.
53. Özkan, K., Süel, H., 2008. Endemic plant species in a karstic canyon Mediterranean Region Turkey relation to relief and vegetation diversity. Polish Journal of Ecology, 56, 709-715.
54. Parker, K.C., 1988. Environmental Relationships and Vegetation Association of Columnar Cacti in The Northern Sonoran. Vegetation 78, 125-140.
55. Penížek, V., Borůvka L., 2006: Soil depth prediction supported by primary terrain attributes: a comparison of methods, Plant Soil Environ., 52, 2006 (9): 424-430.
56. Perrin, D. R., 2020. Improving the Prediction Accuracy of Species Distribution Models using Artificial Neural Networks. TNHC-Publications.
57. Sulaeman, Y., Subagyo, H., 2005. Modeling soil-landscape relationships, Jurnul Ilmu Tanah dan Lingkungan vol 5(2), 1-14.
58. Şentürk, Ö., 2012. Sütçüler Yöresinde Asli Orman Ağacı Türlerinin Potansiyel Yayılış Alanlarının Modellenmesi, Süleyman Demirel Üniversitesi, Orman Mühendisliği Anabilim Dalı, Doktora tezi.
59. TS 8335 ISO 10693., 1996. Toprak Kalitesi-Karbonat Muhtevası Tayini-Volümetrik Metot. Türk Standartları Enstitüsü Yayını, Ankara.
60. Turgut, B., Öztaş, T., 2012. Bazı Toprak Özelliklerine Ait Yersel Değişimin Jeoistatistiksel Yöntemlerle Belirlenmesi. Ziraat Fakültesi Dergisi, 7(2), 10-22.
61. Weerahandi, S., 1995. Generalized confidence intervals. In Exact statistical methods for data analysis (pp. 143-168). Springer, New York, NY.
62. Wei, X., Z., Jiang, M., X., Huang, H., D., Yang, J., Y., Yu, J., 2010. Relationships Between Environment and Mountain Riparian Plant Communities Associated With Two Rare Tertiary Relict Tree Species, Euptelea Pleiospermum (Eupteleaceae) and Cercidiphyllum Japonicum (Cercidiphyllaceae). Flora, 205, 841-852.
63. Williams, J. N., Seo, C., Thorne, J., Nelson, J. K., Erwin, S., O’Brien, J. M., Schwartz, M. W., 2009. Using species distribution models to predict new occurrences for rare plants. Diversity and Distributions, 15(4), 565-576.
64. Yohannes, Y., Webb, P., 1999. Classification and regression trees, CART: a user manual for identifying indicators of vulnerability to famine and chronic food insecurity (Vol. 3). Intl Food Policy Res Inst.