Hilmi Emre GÖKTAŞ, Zerrin DAĞLI

20831

Kuraklığa NDVI ve Makine Öğrenmesi ile Bakış: Konya Kapalı Havzası

Kuraklık uzun yıllardır dünyanın çoğu coğrafyasını olduğu gibi Konya Kapalı Havzasını da etkilemektedir. Bu çalışmada Konya Kapalı Havzasındaki kuraklık hakkında makine öğrenmesi ile geleceğe yönelik tahminler yapmak amaçlanmaktadır. Çalışmamızda 2000-2021 yılları arasındaki Landsat 5-8 uydu görüntüleri kullanılmıştır. Uygulama Python programlama dili ile yazılmış komut satırlarıyla gerçekleştirilmiştir, havzaya ve havzadaki il ve ilçelere ait Normalize Edilmiş Fark Bitki Örtüsü İndisi (NDVI) değerleri elde edilmiştir. Meteorolojik veriler ile makine öğrenmesi algoritması olan regresyonla gelecek 5 yıl için (2022-2026 arası) tahmini veriler elde edilmiştir. Daha sonra meteorolojik veriler ile NDVI değerleri birleştirilmiş ve ayrı bir regresyon ile tahmini meteorolojik parametrelere bağlı olarak tahmini NDVI değerleri elde edilmiştir. Çalışmamıza göre havza içerisinde bulunan 66 ilçeden 26’sının NDVI değerlerinin artma eğiliminde olduğu fakat 40 ilçenin de NDVI değerlerinin azalma eğiliminde olduğu tespit edilmiştir. İl bazında da Antalya ve Isparta için 5 yıl içerisinde bitki örtüsü bozulması olacağı, diğer illerde de çok fazla bir değişimin olmayacağı tahmin edilmiştir. Havzadaki kuraklığın önlenebilmesi için havza içerisinde yapılan ağaçlandırma çalışmalarının artırılması, çiftçilerin tarım konusunda bilinçlendirilmesi, orman yangınları ile mücadele çalışmalarının hızlandırılması, havzadaki bitki örtüsü sağlığı ve kuraklık için önem arz etmektedir.
Anahtar Kelimeler:

NDVI, Regresyon, Makine Öğrenmesi, Konya Kapalı Havzası, Bitki Örtüsü

A View to Drought with NDVI and Machine Learning: Konya Closed Basin

Drought has been affecting the Konya Closed Basin as well as most places for many years. In this study, it is aimed to make predictions about the drought of Konya Closed Basin for the future with machine learning. In our study, Landsat 5-8 satellite images between the years 2000-2021 were used. The application was carried out in Python programming language, and the Normalized Difference Vegetation Index (NDVI) values of the basin and the provinces and districts in the basin were obtained. Estimated data for the next 5 years (between 2022-2026) were obtained by using meteorological data and regression. Then, meteorological data and NDVI values were combined and estimated NDVI values were obtained based on predicted meteorological parameters with a separate regression. According to our study, it has been determined that the NDVI values of 26 of the 66 districts in the basin tend to increase, but the NDVI values of 40 districts tend to decrease. On a provincial basis, it has been estimated that there will be deterioration of vegetation within 5 years for Antalya and Isparta, and there will not be much change in other provinces. To prevent drought in the basin, increasing afforestation activities in the basin, raising awareness of farmers on agriculture, and accelerating efforts to combat forest fires are important for vegetation health and drought in the basin.
Keywords:

NDVI, Regression, Machine Learning, Konya Closed Basin, Vegetation,

PDF

___

  • Akın, B. (2019). Tuz Gölü Havzası’nın Kuraklık Analizi. Ulusal Çevre Bilimleri Araştırma Dergisi. 2 (1), 44-56.
  • Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü. (2017). Türkiye çölleşme modeli, teknik özet. Ankara, Türkiye.
  • Feng, J., Dong, B., Qin, T., Liu, S., Zhang, J., & Gong, X. (2020). Temporal and spatial variation characteristics of NDVI and its relationship with environmental factors in Huangshui River Basin from 2000 to 2018. Pol. J. Environ. Stud., 30 (4), 3043-3063.
  • Kapluhan, E. (2013). Türkiye’de kuraklık ve kuraklığın tarıma etkisi. Marmara Coğrafya Dergisi, 27, 487-510.
  • Kaya, H. E., & Demir, V.(2022). Estimation of land use and land cover changes in Konya Closed Basin. 4th Intercontinental Geoinformation Days (IGD), 180-183, Tabriz, Iran.
  • Koroleva, P. V., Rukhovich, D. I., Rukhovich, D. D. & Kalinina N. V. (2021). The use of deep machine learning for the automated select of remote sensing data for the determination of areas of arable land degradation processes distribution. Remote Sensing, 13(1), 155.
  • Oğuztürk, G. (2010). Kızılırmak Havzası’nda SYİ ile kuraklık analizi ve YSA yöntemi ile kuraklık tahmini. Yüksek Lisans Tezi, Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Kırıkkale, Türkiye.
  • Orhan, O. (2018). Determining potential sinkhole areas using remote sensing and geographic information systems. Doktora tezi, Selçuk Üniversitesi, Konya, 182s.
  • Orhan. O. & Ekercin, S. (2015). Konya Kapalı Havzasında uzaktan algılama ve CBS teknolojileri̇ ile iklim değişikliği̇ ve kuraklık analizi̇. TUFUAB VIII. Teknik Sempozyumu, Selçuk Üniversitesi, Konya.
  • Sarış, F. & Gedik, F. (2021). Konya Kapalı Havzası’nda meteorolojik kuraklık analizi. Coğrafya Dergisi Journal of Geography, (42),295-308.
  • Silleos, G., Alexandridis, T., Gitas, I. & Perakis, K. (2006). Vegetation indices: Advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21, 21-28.
  • Şensoy S., Coşkun, M., Sumer, U.M., Demircan, M., Gürkan, H., Eskioğlu, O., Yazıcı, B., Türkoğlu, N. & Çiçek, İ. (2017). Karaman ve Karapınar’ın i̇kli̇m deği̇şi̇kli̇ği̇ trendleri̇. IV. Türkiye İklim Değişikliği Kongresi, TİKDEK.
  • T.C. Orman ve Su İşleri Bakanlığı. (2017). Konya Kapalı Havzası sektörel su tahsis planını hazırlamasına yönelik teknik destek hizmet alım işi- taslak mevcut durum raporu. Ankara, Türkiye.
  • Tomar, A. (2014). Toprak ve su kirliliği̇ ve su havzalarının korunması. 1.İzmir Kent Sempozyumu Bildirileri, TMMOB.
  • Turan, E. S. (2018). Türkiye'nin iklim değişikliğine bağlı kuraklık durumu. Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi Doğal Afetler ve Çevre Dergisi, 4(1), 63-69.
  • Türkeş, M., Akgündüz, A.S. & Demirörs, Z. (2009). Palmer Kuraklık İndisi’ne göre İç Anadolu Bölgesi’nin Konya Bölümü’ndeki kurak dönemler ve kuraklık şiddeti. Coğrafi Bilimler Dergisi, 7 (2), 129-144.
  • UADMK. (2022). 4. hafta.pdf, Ankara Üniversitesi Açık Ders Malzemeleri. Erişim Adresi: https://acikders.ankara.edu.tr/pluginfile.php/62029/mod_resource/content/0/4.%20hafta.pdf, Erişim tarihi: 15.04.2022
  • Yıldız, O. (2014). Spatial temporal analysis of historical droughts in the Central Anatolia, Turkey. Gazi University Journal of Science GU J Sci, 27(4),1177-1184.
  • Zhan, C., Liang, C., Zhao, L., Jiang, S., Niu, K., Zhang, Y. & Cheng, L. (2022). Vegetation dynamics and its response to climate change in the Yellow River Basin, China. Environmental Informatics and Remote Sensing, frontiers in Environmental Science, 10:892747.
  • Zhifang, P., Fang, S., Yang, W., Wang, L., Wu, M., Zhang, Q., Han, W. &Khoi, D.N. (2019). The relationship between NDVI and climate factors at different monthly time scales: A case study of grasslands in Inner Mongolia, China (1982–2015). Sustainability, 11(24), 7243.
  • URL-1: https://web.archive.org/web/20170425114748/http://www.cem.gov.tr/erozyon/Files/faaliyetler/dis_iliskiler/collesme_ile_mucadele_sozlesmesi/UNCCD_BM_Collesme_ile_Mucadele_Sozlesmesi_(Turkce).pdf [Erişim tarihi: 30.01.2022]
  • URL-2: https://www.usgs.gov/special-topics/remote-sensing-phenology/science/ndvi-foundation-remote-sensing-phenology#:~:text=NDVI%20is%20especially%20useful%20for,sensitive%20to%20underlying%20soil%20color [Erişim tarihi: 13.04.2022]
  • URL-3: https://www.earthdatascience.org/courses/use-data-open-source-python/multispectral-remote-sensing/vegetation-indices-in-python/ [Erişim tarihi: 13.04.2022]
  • URL-4: https://scikitlearn.org/stable/modules/ensemble.html#ensemble [Erişim Tarihi: 12.06.2022]
  • URL-5: https://machinelearningmastery.com/why-use-ensemble-learning/ [Erişim Tarihi: 12.06.2022]
  • URL-6: https://www.aa.com.tr/tr/cevre/tuz-golu-kuraklik-nedeniyle-kuculuyor/2442995 [Erişim Tarihi:01.02.2022]
  • URL-7: https://www.aa.com.tr/tr/pg/foto-galeri/dunyanin-nazar-boncugu-kuruyor [Erişim Tarihi:01.02.2022]
  • URL-8: https://www.aa.com.tr/tr/pg/foto-galeri/karapinar-halkinin-quot-obrukquot-korkusu/0/11770 [Erişim Tarihi:01.02.2022]
  • URL-9: https://konya.mgm.gov.tr/istasyonlar.aspx [Erişim Tarihi: 02.04.2022]
  • URL-10: https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_2.php [Erişim Tarihi:05.02.2022]
  • URL-11: https://github.com/sentinel-hub/custom-scripts/tree/master/sentinel-2/ndvi [Erişim Tarihi: 13.04.2022]
  • URL-12: https://www.researchgate.net/post/What-is-value-range-for-different-Vegetation-Indices/598d954b404854fcc17db610/citation/download [Erişim Tarihi: 02.05.2022]
  • URL-13: https://en.wikipedia.org/wiki/Mean_absolute_error [Erişim Tarihi: 15.04.202]
  • URL-14: https://www.nigdehaber.com.tr/haber/6774/agaclandirma-calismalari-devam-ediyor.html [Erişim Tarihi: 12.05.2022]
  • URL-15: https://www.cekud.org.tr/tr/konya-fidan-dikim-calismalari/ [Erişim Tarihi: 12.05.2022]
  • URL-16: https://www.cekud.org.tr/tr/meramda-2-bin-fidan-toprakla-bulusturuldu/ [Erişim Tarihi: 12.05.2022]
  • URL-17: https://www.karamandan.com/haber/7358725/torku-ormanlarindaki-agac-sayisi-21-milyona-ulasti [Erişim Tarihi: 12.05.2022]
  • URL-18: http://www.ydavakfi.org.tr/sosyal-sorumluluklar/konya-sarayonu-ilcesi%CC%87-agaclandirma-projesi/ [Erişim Tarihi: 12.05.2022]
  • URL-19: www.fibhaber.comhttps://www.fibhaber.com/nevsehir/nevsehir-de-orman-yangini-42-donum-alan-zarar-gordu-h56049.html. [Erişim Tarihi: 12.05.2022]
  • URL-20: https://www.konhaber.com/haber-konya_da_cikan_orman_yangini_kontrol_altina_alindi-1594366.html [Erişim Tarihi: 12.05.2022]
  • URL-21: https://www.trthaber.com/haber/turkiye/konyada-orman-yangini-505830.html [Erişim Tarihi: 12.05.2022]
Türkiye Uzaktan Algılama Dergisi-Cover
  • Başlangıç: 2019
  • Yayıncı: Osman ORHAN
Arşiv
Sayıdaki Diğer Makaleler

Khorramabad Şehrindeki (Luristan-İran) Arazi Yüzey Sıcaklığı Değişimlerinin CBS Tabanlı Değerlendirilmesi

Mohammad Hassan KHAMESİ-MAYBODİ

GRACE/GRACE-FO Uydulari ile Hazar Denizi 2002-2021 Yılları Arasındaki Eşdeğer Su Kalınlığı Değişimlerinin Tespiti

Miray Nil MAKİNECİ, Serkan DOĞANALP

Landsat Verileri ve Makine Öğrenme Algoritmaları ile Su Yüzeyi Değişiminin Belirlenmesi Ve Tahmini; Marmara Gölü Örneği

Can CEZAYİRLİOĞLU, Ramazan ÇELİK, Dilek KÜÇÜK MATCI

İstanbul İli Merkez İlçelerindeki NO2 ve CO Emisyonlarının Uzaktan Algılama ve Yersel İstasyon Verileri Kullanılarak İncelenmesi

Hasan Bilgehan MAKİNECİ

Kuraklığa NDVI ve Makine Öğrenmesi ile Bakış: Konya Kapalı Havzası

Hilmi Emre GÖKTAŞ, Zerrin DAĞLI