Konya Kapalı Havzası Uzun Dönem Bitki Örtüsü İndeksi Verilerinin İzlenmesi ve Eğilim Analizi

Yıl 2021, Cilt: 36 Sayı: 2, 346 - 356, 15.06.2021

Ayhan Ateşoğlu

https://doi.org/10.7161/omuanajas.908576

Cited By: 1

Öz

Bu makale, Konya Kapalı Havzası (KKH) arazi örtü/kullanım sınıfları belirlenmesi, vejetasyon bazlı arazi izleme ve değerlendirme çalışmalarını kapsamaktadır. Bitki örtüsünün biyosfer için çok önemli bir işlevi olduğu, varlığı noktasında izlenmesi gerekli bir kriter olduğu bilinmektedir. Çalışmada, yöntem olarak ilk kez Birleşmiş Milletler Gıda ve Tarım Örgütü (FAO) tarafından kullanılan çok amaçlı arazi izleme ve değerlendirme programı olan Collect Earth (CE) yöntemi kullanılmıştır. Uzaktan algılama ve Coğrafi bilgi sistemleri entegre sistem üzerine kurulu CE, Google Earth aracılığı ile veri toplamayı sağlayan bir araçtır. Kullanıcılar Google Earth, Bing Maps ve Google Earth Engine ile birlikte yüksek çözünürlüklü uydu görüntü verilerini farklı amaçlara yönelik (arazi kullanımı, arazi kullanım değişimi, tarımsal arazilerin izlenmesi, arazi bozulumu ve iyileşmesi vb.) analiz için kullanabilirler. Bu çalışmada, KKH'nın normalleştirilmiş fark bitki indeksi NDVI değerleri kullanılarak 2000-2018 yılları arasındaki arazi bozulumu/çölleşme ve iyileşme/yeşillenme eğilim analizleri gerçekleştirilmiştir. Çalışma sonucunda, havza alanında 2000-2018 yılları arasında toplam 88916 ha alanda iyileşme, 10570 hektar alanda arazi bozulumu tespit edilmiştir. İyileşmiş alanlarının %85'i tarım alanları içerisinde olduğu tespit edilmiştir. İyileşme alanlarının en çok 2009-2011 yılları arasında gerçekleştiği de belirlenmiştir. Elde edilen sonuçlar havzanın arazi örtü/kullanım sınıfları nezdinde tartışılmıştır. CE’nin kullanıcı dostu olması, sorunsuz öğrenme eğrisi, hızlı, doğru ve uygun maliyetli değerlendirmeler yapması ve belirli veri toplama ihtiyaçları ve metodolojileri için oldukça özelleştirilebilir olması nedeniyle etkili bir yöntem olduğu da vurgulanmıştır. 

Anahtar Kelimeler

Konya Kapalı Havzası, Arazi kullanım sınıfları, NDVI analizi, Collect Earth

Destekleyen Kurum

Bartın Üniversitesi

Proje Numarası

2017-FEN-B- 002

Teşekkür

Bartın Üniversitesi Bilimsel Araştırma Projeleri Komisyonu tarafından desteklenmiştir (Proje No: 2017-FEN-B- 002). Projeye olan katkılarından dolayı, Orman Yük. Müh. Talha Berk Arıkan, Orman Yük. Müh. Saffet YILDIZ, Tarım ve Orman Bakanlığı, Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü’ne teşekkür ederim.

Monitoring and Trend Analysis of Long-Term Vegetation Index Data in Konya Closed Basin

Öz

This article covers the determination of land cover/use classes in Konya Closed Basin (KKH), vegetation-based land monitoring and assessment studies. It is known that vegetation has a very important function for the biosphere and is a criterion that must be followed. In the study, the Collect Earth (CE) is a tool, which a multi-purpose monitoring, used for the first time by the United Nations Food and Agriculture Organization (FAO). Collect Earth is a tool that enables data collection through Google Earth. In conjunction with Google Earth, Bing Maps and Google Earth Engine, users can analyze high and very high-resolution satellite imagery for a wide variety of purposes (Land Use, Land Use Change, Monitoring agricultural land areas, land degredation etc.). In this study, land degradation/desertification and improvement/greening trend analyzes between 2000-2018 were performed using normalized difference plant index NDVI values of KKH. Because of the study, improvement in a total area of 88916 ha and land degradation in an area of 10570 hectares were detected between 2000-2018 in the basin area. It has been determined that 85% of the improved areas are in the cropland. It has also been determined that the areas of improvement mostly occurred between 2009-2011. The results obtained were discussed in terms of land cover/use classes of the basin. Evaluations were made on the causes of greening, especially for cropland. It has been emphasized that it is an effective method due to its user friendliness, smooth learning curve, performing fast, accurate and cost-effective assessments and be highly customizable for the specific data collection needs and methodologies.

Anahtar Kelimeler

Konya Closed Basin, Land cover/use, NDVI analysis, Collect Earth

Proje Numarası

2017-FEN-B- 002

Kaynakça

• Ateșoğlu, A., Arikan, T. B., Yildiz, S., 2019. Assessment of forest, grassland, and agricultural land use in Konya basin. Bartın Orman Fakültesi Dergisi, 21(3), 821-832.
• Bahre, C. J., 1991. A legacy of change: historic human impact on vegetation in the Arizona borderlands. University of Arizona Press, Tucson, Arizona.
• Bai, Z.G., De Jong, R., Van Lynden, G.W.J., 2010. An update of GLADA—global assessment of land degradation and improvement. ISRIC report 2010/08. ISRIC—world soil information. p. 58., Rome/Wageningen
• Bai, Z.G., Dent, D.L., Olsson, L., Schaepman, M.E., 2008. Global assessment of land degradation and improvement 1: identification by remote sensing. Report 2008/01. FAO/ISRIC. p 51+Appendices,.
• Bannari, A., Morin, D., Bonn, F., Huete, A.R., 1995. A review of vegetation indices, Remote Sensing Reviews, 13:1-2, 95-120, doi:: 10.1080/02757259509532298
• Bey, A., Sánchez-Paus Díaz, A., Maniatis, D., Marchi, G., Mollicone, D., Ricci, S., ... & Miceli, G., 2016. Collect earth: Land use and land cover assessment through augmented visual interpretation. Remote Sensing, 8(10), 807.
• Ding, Q., Wang, L., Fu, M. et al., 2020. An integrated system for rapid assessment of ecological quality based on remote sensing data. Environ Sci Pollut Res 27, 32779–32795. https://doi.org/10.1007/s11356-020-09424-6
• FAO/FRA, 2015. Terms and Definitions. Web site. http://www.fao.org/docrep/017/ap862e/ap862e00.pdf (Erişim tarihi: Eylül 20219).
• 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.
• Guo, Y., Wang, C., Lei, S., Yang, J., Zhao, Y. A. 2020. Framework of Spatio-Temporal Fusion Algorithm Selection for Landsat NDVI Time Series Construction. ISPRS Int. J. Geo-Inf. 9, 665. https://doi.org/10.3390/ijgi9110665
• IPCC, 2003. The Inter-Governmental Panel on Climate Change, Good Practice Guidance for Land Use, Land-Use Change and Forestry. Web site. https://www.ipcc-nggip.iges.or.jp/public/gpglulucf/gpglulucf_files/GPG_LULUCF_FULL.pdf (Erişim tarihi: Kasım 2020).
• Islam, M., Saiful, M., Asraf, U., Mallik, A.H., 2021. Assessing the Dynamics of Land Cover and Shoreline Changes of Nijhum Dwip (Island) of Bangladesh Using Remote Sensing and GIS Techniques. Reg. Stud. Mar. Sci. 41, 101578.
• Ivanova, Y., Kovalev, A., Soukhovolsky, V. 2021. Modeling the Radial Stem Growth of the Pine (Pinus sylvestris L.) Forests Using the Satellite-Derived NDVI and LST (MODIS/AQUA) Data. Atmosphere 2. 12, 12. https://doi.org/10.3390/atmos12010012
• Jones, H.G., Vaughan, R.A., 2010. Remote Sensing of Vegetation: Principles, Techniques and Applications Oxford University Press. 365 s, NY.
• Jong, R., De Bruin, S., De Wit, A., Schaepman, M. E., Dent, D. L. 2011. Analysis of monotonic greening and browning trends from global NDVI time-series, Remote Sensing of Environment, 115, 692–702.
• Kalkınma Bakanlığı, 2014. Konya Ovası (KOP) Eylem planı (2014-2018), T.C. Kalkınma Bakanlığı, Konya ovası projesi bölge kalkınma idaresi başkanlığı. 130 s, Ankara.
• Khadka, A., Dhungana, M., Khanal, S., Kharal, D. K., 2020. Forest and other land cover assessment in Nepal using Collect Earth. Banko Janakari, 30(1), 3-11.
• Liping, C., Yujun, S., Saeed, S., 2018. Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques—A case study of a hilly area, Jiangle, China. PLoS ONE , 13, e0200493.
• Lu, L., Kuenzer, C., Wang, C., Guo, H., Li Q., 2015 Evaluation of three MODIS-derived vegetation index time series for dryland vegetation dynamics monitoring. Remote Sensing, 7 (6) (2015), pp. 7597-7614.
• Martin-Ortega, P., Garcia-Montero, L., Pascual, C., Garcia-Robredo, F., Picard, N., Bastin, J. F., Sibelet, N., 2017. Global Drylands Assessment using Collect Earth tools and opportunities. Forêt méditerranéenne. 14 rue Louis Astouin, 13002 MARSEILLE, France.
• Ökten, S., 2011. Konya havzasında su yönetimi politikalarının yolaçtığı çevre sorunları ve genel çözüme yönelik çalışmalar. Süleyman Demirel Üniversitesi , Vizyoner Dergisi , 3 (5) 124-147. Orman ve Su İşleri Bakanlığı, 2014. Konya kapalı havzası, karaman ili ayrancı ilçesi başlamışlı-kocadere mikro havzası, entegre mikro havza projesi, Orman ve Su Işleri Bakanlığı, Çölleşme ve Eraozyonla Mücadele Genel Müdürlüğü, 40 s, Ankara.
• Saah, D., Johnson, G., Ashmall, B., Tondapu, G., Tenneson, K., Patterson, M., Chishtie, F., 2019. Collect Earth: An online tool for systematic reference data collection in land cover and use applications. Environmental Modelling & Software, 118, 166-171.
• Sluiter, R., 2005. Mediterranean land cover change - modelling and monitoring natural vegetation using GIS and remote sensing. Ph.D Thesis, Utrecht University, 147 pp, Utrecht.
• Sobrino, J., Julien, Y., 2011. Global trends in NDVI-derived parameters obtained from GIMMS data Int. J. Remote Sens., 32, pp. 4267-4279.
• TUBITAK-MAM, 2010. Havza Koruma Eylem Planlarının Hazırlanması Projesi, Konya Kapalı Havzası Nihai Raporu, (Proje yöneticisi: Dr. Selma AYAZ; Proje Kodu: 5098115), 473 s, Kocaeli.
• Türkeş, M., 1999. Vulnerability of Turkey to desertification with respect to precipitation and aridity conditions. Turkish Journal of Engineering and Environmental Sciences 23, 363-380.
• Tzamtzis, I., Federici, S., Hanle, L., 2019. A Methodological Approach for a Consistent and Accurate Land Representation Using the FAO Open Foris Collect Earth Tool for GHG Inventories. Carbon Management, 10(4), 437-450.
• URL 1. https://atlanticfactorial.com/2020/02/02/what-are-the-important-things-you-need-to-know-about-ndvi/ (Erişim tarihi: Eylül 2020).
• Veron, S.R., Paruelo, J.M., Oesterheld, M., 2006. Assessing desertification. Journal of Arid Environments, 66, 751–763.
• Wallace J.F., Campbell N., 1990. Analysis of Remotely Sensed Data. In: Hobbs R.J., Mooney H.A. (eds) Remote Sensing of Biosphere Functioning. Ecological Studies (Analysis and Synthesis), vol 79. Springer, New York, NY. https://doi.org/10.1007/978-1-4612-3302-2_14
• Wessels, K. J., Prince, S. D., Malherbe, J., Small, J., Frost, P. E., & VanZyl, D., 2007. Can human-induced land degradation be distinguished from the effects of rainfall variability? A case study in South Africa. Journal of Arid Environments, 68, 271–297.
• Wessels, K.J., Van Den Bergh, F., Scholes, R.J., 2012. Limits to detectability of land degradation by trend analysis of vegetation index data Remote Sensing of Environment, 125, pp. 10-22 http://dx.doi.org/10.1016/j.rse.2012.06.022 WWF, 2014. Konya’da suyun bugünü raporu. Hazırlayanlar: Mustafa Özgür Berke, Buket Bahar Dıvrak, Hatice Dinç Sarısoy. WWF-Türkiye, Ofset yayınevi, 67 s, Ankara.
• Yagci, A.L., Deng, M., Di, L., Han, W., Peng, C., 2011. Vegetation index based technique for global agricultural drought monitoring 2011 5th International Conference on Recent Advances in Space Technologies (RAST), pp. 137-141, 09-11 Temmuz, Istanbul.
• Yengoh, G.T., Dent, D., Olsson, L., Tengberg, A.E., Tucker, C.J. 2015. Use of the Normalized Difference Vegetation Index (NDVI) to assess land degradation at multiple scales springer briefs in environmental science. Available from: http://link.springer.com/book/10.1007%2F978-3-319-24112-8 (Erişim tarihi: Şubat 2018).
• Yıldız, O, Çetin B., Sargıncı M., vd., 2018. İç Anadolu’da Ağaçlandırma çalışmaları, Journal of Forestry Vol.14, Issue.1, p. 1-20. http://dergipark.gov.tr/journal/256/workflow/active
• Zhao, H., Li, Y., Chen, X., Wang, H., Yao, N., Liu F., 2020. Monitoring monthly soil moisture conditions in China with temperature vegetation dryness indexes based on an enhanced vegetation index and normalized difference vegetation index Theoretical and Applied Meteorology, doi: 10.1007/s00704-020-03422-x
• Zhu, X.; Xiao, G.; Zhang, D.; Guo, L. 2021. Mapping abandoned farmland in China using time series MODIS NDVI. Sci. Total Environ. 755, 14265.