Akdeniz Bölgesinde Yangın Sonrası Vejetasyon Yenilenmesine Etki Eden Coğrafi Faktörlerin Uzaktan Algılama ve Yapay Zekâ Yöntemleriyle Analizi
Yükleniyor...
Dosyalar
Tarih
2024-07-19
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Araştırmanın amacı, Türkiye’nin Akdeniz Bölgesi’nde 2008 yılında gerçekleşen Samandağ, Gülnar, Manavgat ve Kumluca yangın alanlarında, spektral vejetasyon yenilenmesini ve yenilenmeyi etkileyen faktörleri incelemektir. Araştımada yangın alanlarında vejetasyon kaybının tespiti için, altı farklı yanma derinliği (dNBR, RdNBR, RBR, dNBRoffset, RdNBRoffset ve RBRoffset) analizi gerçekleştirilmiştir. Çalışma kapsamında vejetasyon yenilenmesinin mekânsal dağılışı için 2008-2022 yıllarını kapsayan 15 yıllık NBR ve EVI kaynaklı spektral yenilenme verilerinden yararlanılmıştır. Yangın alanlarına ait spektral vejetasyon yenilenmesine ait zamansal veriler için ise LandTrendr algoritması kapsamında piksel tabanlı zaman serisi grafikleri kullanılmıştır. Vejetasyon yenilenmesinin yüksek gerçekleşeceği alanların tahmini için Açıklanabilir Yapay Zeka yöntemi uygulanmıştır. XGBoost algoritmasının kullanıldığı yapay zeka modelinde yanma derinliği (dNBRoffset), litoloji, bakı, yüzey sıcaklığı, solar radyasyon, meşcere, eğim, yağış, sıcaklık, rüzgar, yükseklik, eğrisellik, ve toprak parametreleri girdi olarak kullanılmıştır. SHAP yöntemi ile girdilerin model üzerindeki etkileri belirlenmiştir. Samandağ’da %84, Gülnar’da %73, Manavgat’ta %82, Kumluca’da %92 eğitim doğruluğu elde edilmiştir. Yanma derinliği parametresinin, her yangın alanında model üzerinde en etkili parametre olduğu gözlenmiştir. Araştırmada tüm yangın alanlarında klimatik faktörlerin (solar radyasyon, rüzgar, yüzey sıcaklığı,ort. yağış, ort. sıcaklık) spektral vejetasyon yenilenmesinin tahmin edildiği modeller üzerinde daha etkili olduğu tespit edilmiştir. Eğim ve bakı gibi faktörleri de tüm modellerde ön plana çıkan topografik faktörler olmuştur. Özellikle eğim faktörü sınırlayıcı bir faktör olarak dikkat çekmiştir. Araştırma sonuçları, Akdeniz ekosisteminde, yangın sonrası vejetasyon yenilenmesinin geniş alanlarda pratik bir şekilde takibi ve yenilenmeyi etkileyen faktörlerin değerlendirilmesi amacıyla yanma derinliği, spektral vejetasyon yenilenmesi ve Açıklanabilir Yapay Zeka yönteminin birlikte kullanımının önemine vurgu yapmaktadır. ?
The research examines the spectral vegetation recovery and the factors affecting it in the Samandağ, Gülnar, Manavgat, and Kumluca fire areas, which occurred in Turkey's Mediterranean Region in 2008. The study analyzed six different burn severity indices (dNBR, RdNBR, RBR, dNBRoffset, RdNBRoffset, and RBRoffset) to detect vegetation loss in the fire areas. For the spatial distribution of vegetation recovery, 15 years of spectral recovery data derived from NBR and EVI, covering 2008-2022, were used. Temporal data on spectral vegetation recovery in the fire areas were obtained using pixel-based time series graphs within the LandTrendr algorithm. The Explainable Artificial Intelligence method was applied to predict areas where high vegetation recovery would occur. In the artificial intelligence model using the XGBoost algorithm, inputs included burn severity (dNBRoffset), lithology, aspect, surface temperature, solar radiation, stand structure, slope, precipitation, temperature, wind, elevation, curvature, and soil parameters. The effects of the inputs on the model were determined using the SHAP method. Training accuracy of 84% was achieved in Samandağ, 73% in Gülnar, 82% in Manavgat, and 92% in Kumluca. It was observed that the burn severity parameter was the most influential parameter on the model in each fire area. The study found that climatic factors (solar radiation, wind, surface temperature, mean precipitation, mean temperature) were more effective on the models predicting spectral vegetation recovery in all fire areas. Topographic factors such as slope and aspect were also prominent in all models, with the slope factor being particularly noted as a limiting factor. The research results emphasize the importance of the combined use of burn severity, spectral vegetation recovery, and explainable artificial intelligence methods for practical monitoring of post-fire vegetation recovery and the evaluation of factors affecting recovery in the Mediterranean ecosystem."
The research examines the spectral vegetation recovery and the factors affecting it in the Samandağ, Gülnar, Manavgat, and Kumluca fire areas, which occurred in Turkey's Mediterranean Region in 2008. The study analyzed six different burn severity indices (dNBR, RdNBR, RBR, dNBRoffset, RdNBRoffset, and RBRoffset) to detect vegetation loss in the fire areas. For the spatial distribution of vegetation recovery, 15 years of spectral recovery data derived from NBR and EVI, covering 2008-2022, were used. Temporal data on spectral vegetation recovery in the fire areas were obtained using pixel-based time series graphs within the LandTrendr algorithm. The Explainable Artificial Intelligence method was applied to predict areas where high vegetation recovery would occur. In the artificial intelligence model using the XGBoost algorithm, inputs included burn severity (dNBRoffset), lithology, aspect, surface temperature, solar radiation, stand structure, slope, precipitation, temperature, wind, elevation, curvature, and soil parameters. The effects of the inputs on the model were determined using the SHAP method. Training accuracy of 84% was achieved in Samandağ, 73% in Gülnar, 82% in Manavgat, and 92% in Kumluca. It was observed that the burn severity parameter was the most influential parameter on the model in each fire area. The study found that climatic factors (solar radiation, wind, surface temperature, mean precipitation, mean temperature) were more effective on the models predicting spectral vegetation recovery in all fire areas. Topographic factors such as slope and aspect were also prominent in all models, with the slope factor being particularly noted as a limiting factor. The research results emphasize the importance of the combined use of burn severity, spectral vegetation recovery, and explainable artificial intelligence methods for practical monitoring of post-fire vegetation recovery and the evaluation of factors affecting recovery in the Mediterranean ecosystem."
Açıklama
Anahtar Kelimeler
Akdeniz, Yangın Sonrası Vejetasyon Yenilenmesi, Yanma Derinliği, Açıklanabilir Yapay Zeka, Mediterranean, Post-Fire Vegetation Recovery, Fire Severity, Explainable Artificial Intelligence
