Orman Zararlılarının Verdiği Zararın Google Earth Engine Kullanılarak İzlenmesi

Yıl 2022, , 139 - 149, 18.09.2022

Şule Yaman , Esra Tunç Görmüş

https://doi.org/10.48123/rsgis.1116907

Cited By: 1

Öz

Ormanlar çeşitli nedenlerle yok olma eğilimindedir. Böcekler; üreme ve yayılma hızlarının çok yüksek olması, yayılış yönlerinin tahmin edilememesi ve böceklerle mücadelede hızlı müdahalede bulunulamaması gibi problemlere sahiptir. Bu nedenle orman kayıplarına neden olan birçok faktörün başında zararlı böcekler gelmektedir. Çalışma için kayın ağaçlarını etkileyen, kızıl kuyruklu kayın tırtılından (Calliteara pudibunda) etkilenmiş olan Bursa-İnegöl Tahtaköprü mevkii çalışma alanı olarak belirlenmiştir. Bu çalışma, Google Earth Engine (GEE) ara yüzünde gerçekleştirilmiştir. Çalışma alanı için 2017-2021 dönemine ait Sentinel-2A ve Landsat-8 uydu verileri kullanılarak 6 farklı bitki indeksi; NDVI, EVI, SAVI, RVI, TVI, NPCRI hesaplanmış ve zararlılardan en çok etkilenen dönemin 2019 Ekim ayı olduğu tespit edilmiştir. 2019 Ekim ayı için ayrıca bu indeksler hesaplanmış olup makine öğrenme tabanlı sınıflandırma yöntemlerinden olan Rastgele Orman Sınıflandırma Algoritması ve Destek Vektör Makineleri yöntemleri kullanılarak, 5 farklı sınıfta (hastalıklı, sağlıklı, yol, elektrik hattı, yerleşim), dörder farklı veri kombinasyonu için sınıflandırma yapılmıştır. Sınıflandırma sonucu Landsat-8 ve Sentine-2A için karşılaştırılmış ve en iyi sonuç Sentinel-2A uydu verisi için tüm bitki indekslerinin dahil edildiği kombinasyon olup, genel doğruluk 98.48 ve kappa katsayısı 97.68 olarak hesaplanmıştır.

Anahtar Kelimeler

Orman zararlıları, GEE, İzleme, Kontrollü sınıflandırma, Uzaktan algılama

Monitoring the Damage in the Forest Caused by Forest Pests via Google Earth Engine

Öz

Forests tend to disappear for various reasons. Insects have problems such as very high reproduction and spread rates, unpredictable distribution directions, and inability to intervene quickly in the fight against insects. For this reason, harmful insects are at the beginning of many factors that cause forest loss. For the study, Bursa-İnegöl Tahtaköprü location, which was affected by the red-tailed beech caterpillar (Calliteara pudibunda) affecting beech trees, was determined as the study area. This study was carried out on the Google Earth Engine (GEE) interface. For the study area, using Sentinel-2A and Landsat-8 satellite data for the period 2017-2021, 6 different plant indexes; NDVI, EVI, SAVI, RVI, TVI, NPCRI were calculated and it was determined that the most affected period from pests was October 2019. These indices were also calculated for October 2019, and classification was made for four different data combinations in 5 different classes (diseased, healthy, road, power line, settlement) using the Random Forest Classification Algorithm and Support Vector Machines methods, which are machine learning-based classification methods. The classification result was compared for Landsat-8 and Sentine-2A, and the best result was the combination including all plant indices for Sentinel-2A satellite data, and the overall accuracy was calculated as 98.48 and the kappa coefficient as 97.68.

Anahtar Kelimeler

Forest pest, GEE, Monitoring, Supervised classification, Remote sensing

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.
• Akar Ö., & Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 106, 139-146.
• Anwer, A., & Singh, G. (2019). Geo-spatial technology for plant disease and insect pest management. Bulletin of Environment, Pharmacology and Life Sciences, 8(12), 1-12.
• Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
• Caf, D. (2020). Tarımsal Ürünlerin Uzaktan Algılama İle Tespiti. Journal of Agriculture, 2(2), 80-91.
• Cruz, J. A., Santos, J. A., & Blanco, A. (2020). Spatial Disaggregation of Landsat-Derived Land Surface Temperature Over a Heterogeneous Urban Landscape Using Planetscope Image Derivatives. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 43, 115–122.
• Deering, D. W., Rouse, J. W., Haas, R. H., & Schell, J. A. (1975, October). Measuring "forage production" of grazing units from Landsat MSS data. In 10th International Symposium of Remote Sensing of the Envrionment, 1975. Proceedings. (pp. 1169-1198). Environmental Research Institute of Michigan (ERIM).
• Dereli, M. A. (2018, Kasım). Web Tabanlı Google Earth Engine ile NDVI Zaman Serisi Analizi: Şanlıurfa il Merkezi Örneği. In 6th International GAP Engineering Conference - GAP2018. Proceedings. (pp. 374-377). Harran Üniversitesi.
• Dizdaroğlu, T. (2019). Sentinel-1 ve Sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması (Yüksek Lisans Tezi). Hacettepe Üniversitesi, Ankara, Türkiye.
• Eroğlu, M. (2017). Orman zararlılarının yönetimi. KTÜ Orman Fakültesi, Orman Mühendisliği Bölümü, Ders Notu. Retrieved from https://www.ktu.edu.tr/dosyalar/ormankoruma_4e649.pdf
• Hu, T., Yang, J., Li, X., & Gong, P. (2016). Mapping urban land use by using landsat images and open social data. Remote Sensing, 8(2), 151. doi: 10.3390/rs8020151.
• Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309.
• Justice, C. O., Vermote, E., Townshend, J. R., Defries, R., Roy, D. P., Hall, D. K., ... & Barnsley, M. J. (1998). The Moderate Resolution Imaging Spectroradiometer (MODIS): Land remote sensing for global change research. IEEE Transactions on Geoscience and Remote Sensing, 36(4), 1228-1249.
• Kavzoğlu, T., & Çölkesen, İ. (2010). Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi. Harita Dergisi, 144(7), 73-82.
• Major, D. J., Baret, F., & Guyot, G. (1990). A ratio vegetation index adjusted for soil brightness. International Journal of Remote Sensing, 11(5), 727-740.
• Mantero, P., Moser, G., & Serpico, S. B. (2005). Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE Transactions on Geoscience and Remote Sensing, 43(3), 559-570.
• Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qiu, G. (2007). Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors, 7(11), 2636-2651.
• Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.
• Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J., & Field, C. B. (1994). Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves. Remote sensing of Environment, 48(2), 135-146.
• Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 43(12), 1541-1552.
• Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973, December). Monitoring Vegetation Systems in the Great Plains with ERTS (Earth Resources Technology Satellite). In 3rd Earth Resources Technology Satellite-1 Symposium, 1973. Proceedings. (pp. 309-317). NASA.
• Rullan-Silva, C. D., Olthoff, A. E., Delgado de la Mata, J. A., & Pajares-Alonso, J. A. (2013). Remote monitoring of forest insect defoliation. A review. Forest Systems, 22(3), 377-391.
• Sarıkaya, O., Örücü, Ö. K., Şen, İ., & Açıcı, Ö. (2019). Türkiye kayın ormanları için yeni bir tehdit kızıl kuyruklu kayın tırtılı [Calliteara pudibunda (Linneaus, 1758)]’nın günümüz ve gelecekteki potansiyel yayılış alanlarının tahmini. Avrupa Bilim ve Teknoloji Dergisi, 17, 45-57.
• Sunar Erbek, F., Olmez, Z., & Uca Avci, Z. D. (2005, Ekim). Artvin yöresinde ladin (Picea orientalis L. Link.) orman alanlarında böcek zararlıları nedeniyle oluşan tahribatın izlenmesinde uydu görüntülerinin kullanımı. In Ladin Sempozyumu, 2005. Proceedings. (pp. 222-232). Karadeniz Teknik Üniversitesi, Orman Fakültesi.
• Uça Avcı, Z. D., Kuşak B., & Kuşak, L. (2014, Şubat). Meşcere tiplerinin uydu verileri ile belirlenmesinde farklı doku ölçütlerinin değerlendirilmesi. In Akademik Bilişim Konferansı, 2014. Proceedings. (pp. 121-128). İnternet Teknolojileri Derneği.
• Yılmaz, İ., & Öztürk, D. (2019). Samsun-Atakum orman alanlarının belirlenmesinde farklı bitki indekslerinin karşılaştırılması. International Journal of Multidisciplinary Studies and Innovative Technologies, 3(1), 9-13.
• You, N., & Dong, J. (2020). Examining earliest identifiable timing of crops using all available Sentinel 1/2 imagery and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 161, 109-123.
• Wang, Z. B., Wang, L. L., Zhao, F. F., & Wang, C. B. (2014). A positioning system for forest diseases and pests based on GIS and PTZ camera. IOP Conference Series: Earth and Environmental Science, 17, 012254. doi: 10.1088/1755-1315/17/1/.
• Wang, J., Sammis, T. W., Gutschick, V. P., Gebremichael, M., Dennis, S. O., & Harrison, R. E. (2010). Review of satellite remote sensing use in forest health studies. The Open Geography Journal, 3(1), 28-42.