Araştırma Makalesi
BibTex RIS Kaynak Göster

Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği

Yıl 2018, , 51 - 56, 31.03.2018
https://doi.org/10.18182/tjf.342504

Öz

İklimdeki anormalliklerin ve insan baskısının ekosistemleri her geçen gün daha fazla etkilemesi hem bitki türlerinin hem de yaban hayvanlarının varlığını tehdit etmektedir. Bu sebeple de ekosistemlere ve hedef türlere yönelik yapılacak planlama çalışmalarında daha etkin ve fonksiyonel davranılması önem arz etmektedir. Bunun sağlanabilmesi noktasında ise hedef türler için elde edilecek potansiyel dağılım haritalarının dikkate alınması kilit nokta olarak ifade edilmektedir. Potansiyel dağılım haritalarının elde edilmesi sürecinde kullanılan birçok yöntem (ayrım analizi, lojistik regresyon analizi, genelleştirilmiş eklemeli model, sınıflandırma ağacı tekniği, maksimum entropi yaklaşımı, kural seti tahmini için genetik algoritma vb.) bulunmaktadır. Bu yöntemler farklı algoritmalar ile çalışmakta ve farklı sonuçlar ortaya koyabilmektedir. Gerçekleştirilen bu çalışmada da bu metotlardan birisi olan ve son yıllarda sıklıkla tercih edilen Random Forest (RF) yöntemi kullanılmıştır. Modelleme ve haritalama işlemi için RStudio programından faydalanılmıştır. RF yöntemi ile elde edilen potansiyel dağılım modeline ait AUC değeri 0,978 olarak tespit edilmiştir. Modeli oluşturan değişkenler ise katkı oranlarına göre sırasıyla yükselti, topoğrafik pozisyon indeksi, anakaya, radyasyon indeksi ve eğim olarak belirlenmiştir.

Kaynakça

  • Akman, M., Genç, Y., Ankaralı, H., 2011. Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1): 36-48.
  • Araújo, M. B., Pearson R. G., Thuiller W., Erhard M., 2005. Validation of species–climate impact models under climate change, Global Change Biology, 11, 1504-1513.
  • Austin, M., 2007. Species distribution models and ecological theory: a critical assessment and some possible new approaches. Ecological Modelling, 200(1): 1-19.
  • Beaumont, L.J., Graham, E., Duursma, D. E., Wilson, P. D., Cabrelli, A., Baumgartner, J.B., Laffan, S.W., 2016. Which species distribution models are more (or less) likely to project broad-scale, climate-induced shifts in species ranges?. Ecological Modelling, 342, 135-146.
  • Breiman, L., 2001. Random forests. Machine Learning, 45(1): 5-32.
  • Cortez, P., Embrechts, M.J., 2011. Opening black box data mining models using sensitivity analysis. IEEE Symposium on Computational Intelligence and Data Mining (CIDM), 11-15 April, 341-348, Paris.
  • Cutler, D.R., Edwards, T.C., Beard, K.H., Cutler, A., Hess, K.T., Gibson, J., Lawler, J.J., 2007. Random forests for classification in ecology. Ecology, 88(11): 2783-2792.
  • Evans, J.S., Cushman, S.A., 2009. Gradient modeling of conifer species using random forests. Landscape Ecology, 24(5): 673-683.
  • 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. Springer New York, pp. 139-159.
  • Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classification. Pattern Recognition Letters, 27(4): 294-300.
  • Grossmann, E., Ohmann, J., Kagan, J., May, H., Gregory, M., 2010. Mapping ecological systems with a random forest model: Tradeoffs between errors and bias. Gap Analysis Bulletin, 17(1): 16-22.
  • Humphreys, J.M., Elsner, J.B., Jagger, T.H., Pau, S., 2017. A Bayesian geostatistical approach to modeling global distributions of Lygodium microphyllum under projected climate warming. Ecological Modelling, 363, 192-206.
  • Ihaka, R., Gentleman, R., 1996. R: a language for data analysis and graphics. Journal of Computational and Graphical Statistics, 5(3): 299-314.
  • Liaw, A., Wiener, M., 2002. Classification and regression by random forest. R News, 2(3): 18-22.
  • 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. Pol. Journal of Environmental Studies, 25(4): 1-6. DOI: 10.15244/pjoes/62230.
  • Mert, A., Kıraç, A., 2017. Isparta Sütçüler Yöresinde Anatololacerta danfordi (Günter, 1876)’ nin habitat uygunluk haritalaması. Bilge International Journal of Science and Technology Research, 1(1): 16-22.
  • Özkan, K., Negiz, M.G., 2011. Isparta Yukarıgökdere Yöresi’ndeki odunsu vejetasyonun hiyerarşik yöntemlerle sınıflandırılması ve haritalanması. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, 12(1): 27-33.
  • Özkan, K., 2013. 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, Türkiye, s. 129-148.
  • Özkan, K., 2014. Odun dışı orman ürünlerinin potansiyel dağılım haritalaması neden önemlidir? Nasıl gerçekleştirilmelidir? Tıbbi ve Aromatik Bitkilerin Eczacılık ve Ormancılıktaki Önemi Çalıştayı, 20-21 Mart 2014, Narin Sadıkoğlu (Ed.), İnönü Üniv. Eczacılık Fakültesi & Elazığ Orman Bölge Müdürlüğü, Malatya, s. 86-100.
  • Özkan, K., Şentürk, Ö., Mert, A., Negiz, M.G., 2015. Modeling and mapping potential distribution of Crimean juniper (Juniperus excelsa Bieb.) using correlative approaches. Journal of Environmental Biology, Special issue, 36: 9-15.
  • Özkan, K., 2016. Yeni paradigma anlayışı ile, her şeye tek bir bilgi altlık yolunda; ekosistem nitelik haritalaması. Journal of the Faculty of Forestry Istanbul University, 66(2): 410-444.
  • Pal, M., 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1): 217-222.
  • Pěknicová, J., Berchová-Bímová, K., 2016. Application of species distribution models for protected areas threatened by invasive plants. Journal for Nature Conservation, 34, 1-7.
  • Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104.
  • Rovzar, C., Gillespie, T.W., Kawelo, K., 2016. Landscape to site variations in species distribution models for endangered plants. Forest Ecology and Management, 369, 20-28. Süel, H., 2014. Isparta-Sütçüler Yöresinde av türlerinin habitat uygunluk modellemesi. Doktora tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Isparta.
  • Team, R., 2015. RStudio: integrated development for R. RStudio, Inc., Boston, MA URL http://www. rstudio. com.
  • Wason, J.W., Bevilacqua, E., Dovciak, M., 2017. Climates on the move: Implications of climate warming for species distributions in mountains of the northeastern United States. Agricultural and Forest Meteorology, 246, 272-280.

Potential Distribution Modelling and mapping using Random Forest method: An example of Yukarıgökdere District

Yıl 2018, , 51 - 56, 31.03.2018
https://doi.org/10.18182/tjf.342504

Öz

Reasons such as climate abnormalities and anthropogenic effects on ecosystems threat the existence of plant and animal species. In this case, it is important to be more effective and functional planning studies for ecosystems and target species. In order to achieve the mentioned effectiveness and functionality, creating of potential distribution maps for the target species are of crucial importance. There are many methods (discriminant analysis, logistic regression analysis, generalized addicted model, classification tree technique, maximum entropy, the genetic algorithm for rule-set prediction etc.) used in the process of creating potential distribution maps. These methods process with different algorithms and can produce different results. The Random Forest (RF) method, which is one of the mentioned methods and is frequently preferred in recent years, is used in this study. RF method was run via RStudio. In the present, AUC value of the potential distribution model obtained by RF method was determined to be 0.978. The variables creating to the model are respectively elevation (elvn), topographic position index (tpi), bedrock (rock), radiation index (ri) and slope (slope).

Kaynakça

  • Akman, M., Genç, Y., Ankaralı, H., 2011. Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1): 36-48.
  • Araújo, M. B., Pearson R. G., Thuiller W., Erhard M., 2005. Validation of species–climate impact models under climate change, Global Change Biology, 11, 1504-1513.
  • Austin, M., 2007. Species distribution models and ecological theory: a critical assessment and some possible new approaches. Ecological Modelling, 200(1): 1-19.
  • Beaumont, L.J., Graham, E., Duursma, D. E., Wilson, P. D., Cabrelli, A., Baumgartner, J.B., Laffan, S.W., 2016. Which species distribution models are more (or less) likely to project broad-scale, climate-induced shifts in species ranges?. Ecological Modelling, 342, 135-146.
  • Breiman, L., 2001. Random forests. Machine Learning, 45(1): 5-32.
  • Cortez, P., Embrechts, M.J., 2011. Opening black box data mining models using sensitivity analysis. IEEE Symposium on Computational Intelligence and Data Mining (CIDM), 11-15 April, 341-348, Paris.
  • Cutler, D.R., Edwards, T.C., Beard, K.H., Cutler, A., Hess, K.T., Gibson, J., Lawler, J.J., 2007. Random forests for classification in ecology. Ecology, 88(11): 2783-2792.
  • Evans, J.S., Cushman, S.A., 2009. Gradient modeling of conifer species using random forests. Landscape Ecology, 24(5): 673-683.
  • 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. Springer New York, pp. 139-159.
  • Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classification. Pattern Recognition Letters, 27(4): 294-300.
  • Grossmann, E., Ohmann, J., Kagan, J., May, H., Gregory, M., 2010. Mapping ecological systems with a random forest model: Tradeoffs between errors and bias. Gap Analysis Bulletin, 17(1): 16-22.
  • Humphreys, J.M., Elsner, J.B., Jagger, T.H., Pau, S., 2017. A Bayesian geostatistical approach to modeling global distributions of Lygodium microphyllum under projected climate warming. Ecological Modelling, 363, 192-206.
  • Ihaka, R., Gentleman, R., 1996. R: a language for data analysis and graphics. Journal of Computational and Graphical Statistics, 5(3): 299-314.
  • Liaw, A., Wiener, M., 2002. Classification and regression by random forest. R News, 2(3): 18-22.
  • 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. Pol. Journal of Environmental Studies, 25(4): 1-6. DOI: 10.15244/pjoes/62230.
  • Mert, A., Kıraç, A., 2017. Isparta Sütçüler Yöresinde Anatololacerta danfordi (Günter, 1876)’ nin habitat uygunluk haritalaması. Bilge International Journal of Science and Technology Research, 1(1): 16-22.
  • Özkan, K., Negiz, M.G., 2011. Isparta Yukarıgökdere Yöresi’ndeki odunsu vejetasyonun hiyerarşik yöntemlerle sınıflandırılması ve haritalanması. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, 12(1): 27-33.
  • Özkan, K., 2013. 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, Türkiye, s. 129-148.
  • Özkan, K., 2014. Odun dışı orman ürünlerinin potansiyel dağılım haritalaması neden önemlidir? Nasıl gerçekleştirilmelidir? Tıbbi ve Aromatik Bitkilerin Eczacılık ve Ormancılıktaki Önemi Çalıştayı, 20-21 Mart 2014, Narin Sadıkoğlu (Ed.), İnönü Üniv. Eczacılık Fakültesi & Elazığ Orman Bölge Müdürlüğü, Malatya, s. 86-100.
  • Özkan, K., Şentürk, Ö., Mert, A., Negiz, M.G., 2015. Modeling and mapping potential distribution of Crimean juniper (Juniperus excelsa Bieb.) using correlative approaches. Journal of Environmental Biology, Special issue, 36: 9-15.
  • Özkan, K., 2016. Yeni paradigma anlayışı ile, her şeye tek bir bilgi altlık yolunda; ekosistem nitelik haritalaması. Journal of the Faculty of Forestry Istanbul University, 66(2): 410-444.
  • Pal, M., 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1): 217-222.
  • Pěknicová, J., Berchová-Bímová, K., 2016. Application of species distribution models for protected areas threatened by invasive plants. Journal for Nature Conservation, 34, 1-7.
  • Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104.
  • Rovzar, C., Gillespie, T.W., Kawelo, K., 2016. Landscape to site variations in species distribution models for endangered plants. Forest Ecology and Management, 369, 20-28. Süel, H., 2014. Isparta-Sütçüler Yöresinde av türlerinin habitat uygunluk modellemesi. Doktora tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Isparta.
  • Team, R., 2015. RStudio: integrated development for R. RStudio, Inc., Boston, MA URL http://www. rstudio. com.
  • Wason, J.W., Bevilacqua, E., Dovciak, M., 2017. Climates on the move: Implications of climate warming for species distributions in mountains of the northeastern United States. Agricultural and Forest Meteorology, 246, 272-280.
Toplam 27 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Orijinal Araştırma Makalesi
Yazarlar

Serkan Özdemir

Yayımlanma Tarihi 31 Mart 2018
Kabul Tarihi 26 Mart 2018
Yayımlandığı Sayı Yıl 2018

Kaynak Göster

APA Özdemir, S. (2018). Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry, 19(1), 51-56. https://doi.org/10.18182/tjf.342504
AMA Özdemir S. Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry. Mart 2018;19(1):51-56. doi:10.18182/tjf.342504
Chicago Özdemir, Serkan. “Random Forest Yöntemi kullanılarak Potansiyel dağılım Modellemesi Ve haritalaması: Yukarıgökdere Yöresi örneği”. Turkish Journal of Forestry 19, sy. 1 (Mart 2018): 51-56. https://doi.org/10.18182/tjf.342504.
EndNote Özdemir S (01 Mart 2018) Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry 19 1 51–56.
IEEE S. Özdemir, “Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği”, Turkish Journal of Forestry, c. 19, sy. 1, ss. 51–56, 2018, doi: 10.18182/tjf.342504.
ISNAD Özdemir, Serkan. “Random Forest Yöntemi kullanılarak Potansiyel dağılım Modellemesi Ve haritalaması: Yukarıgökdere Yöresi örneği”. Turkish Journal of Forestry 19/1 (Mart 2018), 51-56. https://doi.org/10.18182/tjf.342504.
JAMA Özdemir S. Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry. 2018;19:51–56.
MLA Özdemir, Serkan. “Random Forest Yöntemi kullanılarak Potansiyel dağılım Modellemesi Ve haritalaması: Yukarıgökdere Yöresi örneği”. Turkish Journal of Forestry, c. 19, sy. 1, 2018, ss. 51-56, doi:10.18182/tjf.342504.
Vancouver Özdemir S. Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry. 2018;19(1):51-6.