Landsat ETM+ Uydu Görüntüleri ile Metal Kaynaklı Bitki Stresinin Araştırılması
Öz
Uzaktan algılama teknolojisi günümüzde birçok alanda kullanılmakta, zor şartlar altındaki konumsal analiz işlemlerini kolaylaştırmaktadır. Bu teknoloji; hastalıklı bitkilerin tespiti, arazi sınıflandırması, değişim analizi, afet ve orman yönetimi ve maden tespiti gibi birçok alanda analiz imkânı sunmaktadır. Özellikle maden tespiti, ülkelerin ekonomisi için büyük önem arz etmektedir. Yersel ölçüm teknikleriyle bitki kaplı arazilerde, maden tespiti yapmak uğraştırıcı bir durumken, uydu görüntüleriyle daha kısa sürede maden sahaları tespit edilebilmektedir. Bitkiler ağır metallere maruz kaldıklarında klorofil miktarlarında, dolayısıyla yansıma değerlerinde anomaliler açığa çıkmaktadır. Diğer bir deyişle, toprak altındaki madenler bitkilerde strese neden olup, bitki anomalilerine yol açmaktadır. Bitki stresi tespitinde anomali miktarlarındaki değişimler baz alınmıştır. Bitkilerin maruz kaldığı stres ile anomali miktarı doğru orantılıdır. Bu çalışmada, Çukuralan (İzmir) ve Kışladağ (Uşak) bölgelerinde toprak altında altın madeni bulunan alanlara ait Landsat Enhanced Thematic Mapper Plus (ETM+) uydu görüntülerini kullanarak, bitki örtüsünün maruz kaldığı stres VIGS indeksiyle bulunmaya çalışılmıştır. İlave olarak test alanı için bitki örtüsüyle kaplı iki bölgenin madenli ve madensiz olmak üzere toplamda dört farklı arazi türünde literatürde mevcut diğer bitki indeksleriyle (NDVI, GNDVI, BNDVI) karşılaştırması yapılmıştır. Değerlendirme sonuçlarına göre, madenli alanlardaki VIGS ve NDVI indekslerinin, madensiz alanlara ait değerleri arasındaki farkın yüksek olduğu görülmüş, bundan dolayı ağaçlık alanlara ait anomali miktarı tespitinde kullanılabileceği önerilmiştir.
Anahtar Kelimeler
Kaynakça
- AMD. (2022, Ağustos 8). Türkiye’deki altın madenleri. Altın Madencileri Derneği (AMD). Retrieved from https://altinmadencileri.org.tr/aktif-olan-altin-madenleri/
- Bannari, A., Morin, D., Bonn, F., & Huete, A. (1995). A review of vegetation indices. Remote Sensing Reviews, 13(1-2), 95-120.
- Baran, H. A. (2021). Hakkâri ili baz metal yataklarının uzaktan algılama ile belirlenmesi. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 11(2), 339-347.
- Buschmann, C., & Nagel, E. (1993). In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, 14(4), 711-722.
- Carranza, E. J. M., & Hale, M. (2001, July). Remote detection of vegetation stress for mineral exploration. In IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No. 01CH37217) (Vol. 3, pp. 1324-1326). IEEE.
- Chatterjee, S., & Hadi, A. S. (1986). Influential observations, high leverage points, and outliers in linear regression. Statistical Science, 1(3), 379-393.
- Fu, P., Zhang, W., Yang, K., & Meng, F. (2020). A novel spectral analysis method for distinguishing heavy metal stress of maize due to copper and lead: RDA and EMD-PSD. Ecotoxicology and Environmental Safety, 206, 111211. doi: 10.1016/j.ecoenv.2020.111211.
- Hede, A. N. H., Kashiwaya, K., Koike, K., & Sakurai, S. (2015). A new vegetation index for detecting vegetation anomalies due to mineral deposits with application to a tropical forest area. Remote Sensing of Environment, 171, 83-97.
- Hede, A. N. H., Koike, K., Kashiwaya, K., Sakurai, S., Yamada, R., & Singer, D. A. (2017). How can satellite imagery be used for mineral exploration in thick vegetation areas?. Geochemistry, Geophysics, Geosystems, 18(2), 584-596.
- Jackson, R. D., & Huete, A. R. (1991). Interpreting vegetation indices. Preventive Veterinary Medicine, 11(3-4), 185-200.
