Monitoring Aksehir Lake`s Area Changes Using Remote Sensing Techniques

Abstract

In recent years, remote sensing and deep learning methods and techniques have been successfully used for mapping and monıtorıng water area changes. In this study, the changes occurring in the level and area of the Akşehir Lake in the long-term period were examined by geographic information systems and remote sensing techniques. In this study, we used Landsat imagery. The lake is under the effects of a semi-arid climate. The increase in the amount of water of the lake is provided by precipitation, streams, snow melting and groundwater, and its decrease is groundwater draft, utilization of streams as irrigation and drinking water, and utilization in evaporation and irrigation. During the analysis phase, drought was determined using indices such as Normalized Difference Water Index (NDWI), Normalized Difference Vegetation Index (NDVI) and deep learning techniques. The results obtained from 1985 to 2020 showed that the water limit and water body of Akşehir Lake decreased significantly. As a result of the analyzes made using the NDWI; While the border of the lake was 366.6 km2 in 1985, the border of the lake was determined as 36.9 km2 in 2020. This study is an important example that monitoring changes in water areas can be determined with high accuracy using remote sensing data and techniques.

Keywords

• Remote sensing
• Deep Learning
• Drought monitorıng
• NDWI

Uzaktan Algılama Teknikler ile Akşehir Gölü’ndeki Alansal Değişiminin İzlenmesi

Abstract

Su alanlarının haritalanması ve izlenmesi için son yıllarda, uzaktan algılama ve derin öğrenme yöntemleri ve teknikleri, başarılı bir şekilde kullanılmaktadır. Bu çalışmada Akşehir Gölü’nün uzun yıllık dönemde seviyesinde ve alanında meydana gelen değişimler coğrafi bilgi sistemleri ve uzaktan algılama verileri ve teknikleri ile incelenmiştir. Bu çalışmada Landsat görüntüleri kullanılmıştır. Göl yarı kurak iklimin etkileri altında bulunmaktadır. Gölün su miktarının artışını yağışlar, dereler, kar erimeleri ve yer altı suları sağlar, azalışını ise yeraltı suyu çekimleri, derelerin sulamada ve içme suyu olarak değerlendirilmesi, buharlaşma ve sulamada yararlanma oluşturur. Analiz aşamasında, Normalleştirilmiş Fark Su İndeksi (NDWI), Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI) indeksleri ve derin öğrenme yöntemleri kullanılarak kuraklık tespit edilmiştir. 1985’ten, 2020’ye kadar, elde edilen sonuçlar, Akşehir Gölü’nün su sınırının ve su kütlesinin önemli bir derecede azaldığını göstermiştir. NDWI kullanılarak yapılan analizler sonucunda; 1985 yılında gölün sınırı 366.6 km² iken, 2020 yılında gölün sınırı 36.9 km² olarak tespit edilmiştir. Sonuçlara göre, derin öğrenme bant oranlama tekniklerine başarılı bir alternatif olarak değerlendirilebilir. Bu çalışma su alanlarındaki alansan değişimleri uzaktan algılama veriler ve teknikleriyle yüksek doğrulukla belirlenebileceğinin önemli bir örneğidir.

Keywords

• uzaktan algılama
• Derin öğrenme
• kuraklık
• NDWI

References

1. Acharya, T.D., Subedi, A. ve Lee, D.H., (2019). Evaluation of Machine Learning Algorithms for Surface Water Extraction in a Landsat 8 Scene of Nepal. Sensors, 19(12): 2769.
2. Avdan, U. ve Jovanovska, G., (2016). Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data. Journal of Sensors, 2016.
3. Çatal, A, and Orhan D. (2015) "From Being Akşehir Lake to Being Akşehir Desert: The Process and the Influential Factors." Toprak Su Dergisi 4.1: 18-26.
4. Efe, R. ve Demir, S., (2007). Tuz Gölü (Karataş) çevresinde arazi kullanımı değişiminin kumullara etkisi. Türk Coğrafya Dergisi(48): 59-72.
5. Elmacı, A. ve Obalı, O., (1998). Akşehir Gölü Kıyı Bölgesi Alp Florası. Journal Of Biology, 22: 81-98.
6. Emanuel, R.E., (2018). Climate change in the Lumbee River watershed and potential impacts on the Lumbee tribe of North Carolina. Journal of Contemporary Water Research & Education, 163(1): 79-93.
7. Erdem, F., Derinpinar, M.A., Nasirzadehdizaji, R., Selen, O., Şeker, D.Z. ve Bayram, B., (2018). Rastgele Orman Yöntemi Kullanılarak Kıyı Çizgisi Çıkarımı İstanbul Örneği. Geomatik, 3(2): 100-107.
8. Kaplan, G. ve Avdan, U., (2017). Water extraction technique in mountainous areas from satellite images. Journal of Applied Remote Sensing, 11(4): 046002.

9. Kaplan, G., Avdan, Z., Avdan, U. ve Jovanovska, T., (2020). Monitoring Shared International Waters with Remote Sensing Data. Resilience, 4(1): 77-88.
10. Kaplan, G., Avdan, Z.Y. ve Avdan, U., (2019). Mapping and monitoring wetland dynamics using thermal, optical, and SAR remote sensing data. Wetlands Management: Assessing Risk and Sustainable Solutions, 87.
11. Krizhevsky, A, Ilya S, and Geoffrey E. H (2012). "Imagenet classification with deep convolutional neural networks." Advances in neural information processing systems.
12. McFeeters, S.K., (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7): 1425-1432.
13. Nguyen, T., Bui, V., Lam, V., Raub, C.B., Chang, L.-C. ve Nehmetallah, G., (2017). Automatic phase aberration compensation for digital holographic microscopy based on deep learning background detection. Optics express, 25(13): 15043-15057.
14. Omute, P., Corner, R. ve Awange, J.L., (2012). The use of NDVI and its derivatives for monitoring Lake Victoria’s water level and drought conditions. Water resources management, 26(6): 1591-1613.
15. Pettorelli, N., Vik, J.O., Mysterud, A., Gaillard, J.-M., Tucker, C.J. ve Stenseth, N.C., (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in ecology & evolution, 20(9): 503-510.
16. Sabins Jr, F.F., (1987). Remote sensing--principles and interpretation. WH Freeman and company.
17. Song H. A. ve Lee, S. Y., (2013). Hierarchical representation using NMF. International conference on neural information processing., 466–473.
18. Wang, Y., Ma, J., Xiao, X., Wang, X., Dai, S. ve Zhao, B., (2019). Long-Term Dynamic of Poyang Lake Surface Water: A Mapping Work Based on the Google Earth Engine Cloud Platform. Remote Sensing, 11(3): 313.