SavedAdd your journal

Journals / MTA Yerbilimleri ve Madencilik Dergisi / 2026 / Cilt: 9 Sayı: 9

Bursa ili 2001-2022 dönemi arazi örtüsü ve arazi kullanım değişiminin makine öğrenme ve uzaktan algılama yöntemleriyle analizi

Solmaz Babakan(RSW Sürdürülebilirlik ve Bilgi Teknolojileri Danışmanlık, İstanbul, Türkiye.)0009-0007-3510-4538
Ugur Algancı(Istanbul Teknik Üniversitesi, İstanbul, Türkiye.)0000-0002-5693-3614
Pages
75–89
Publication Date
2026-06-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bulgular, türetilmiş spektral göstergelerin sınıflandırma performansını belirgin biçimde artırdığını ortaya koymaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışma, Bursa ilinde 2001-2022 döneminde Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) değişimlerini analiz etmeyi amaçlamaktadır.
📊
Key Findings & Data:Landsat 5 TM ve Landsat 8 OLI/TIRS görüntüleri kullanılarak yaklaşık on yıllık aralıklarla AÖ/AK haritaları üretilmiş ve Google Earth Engine platformunda Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) algoritmaları ile sınıflandırılmıştır.
💡
Conclusion & Impact:Bulgular, türetilmiş spektral göstergelerin sınıflandırma performansını belirgin biçimde artırdığını ortaya koymaktadır.
🔬Design:Modeling & Simulation
📍Scope:2001-2022 Verileri
⚙️Variables:Arazi Örtüsü ve Arazi Kullanımı · Google Earth Engine · Destek Vektör Makineleri

Özet

Bu çalışma, Bursa ilinde 2001-2022 döneminde Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) değişimlerini analiz etmeyi amaçlamaktadır. Landsat 5 TM ve Landsat 8 OLI/TIRS görüntüleri kullanılarak yaklaşık on yıllık aralıklarla AÖ/AK haritaları üretilmiş ve Google Earth Engine platformunda Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) algoritmaları ile sınıflandırılmıştır. Sınıflandırmalar iki yaklaşımla gerçekleştirilmiştir: (i) doğrudan spektral bantlara dayalı ve (ii) NDVI, yerleşim indeksi ve bant oranları gibi türetilmiş indikatör faktör haritalarına dayalı. Altı ana sınıf (su, orman, tarım, çorak alan, kentsel alan ve maden) değerlendirilmiştir. Eğitim verilerinde tüm yıllarda %99’un üzerinde genel doğruluk elde edilmiş, RO algoritması %100’e yakın performans göstermiştir. Test verilerinde spektral bant yaklaşımı 2011 yılı için %86,42-88,49 doğruluk üretirken, indikatör tabanlı yaklaşım aynı yıl %95,97-97,69 aralığında doğruluk sağlamıştır. 2022 yılında en yüksek test doğruluğu RO algoritması ile %98,15 olarak belirlenmiştir. Zamansal analizler, 2001-2022 döneminde çorak alanların azaldığını; tarım, kentsel ve maden alanlarının ise artış eğiliminde olduğunu göstermiştir. Bulgular, türetilmiş spektral göstergelerin sınıflandırma performansını belirgin biçimde artırdığını ortaya koymaktadır.

🔖

Cite This Article

Babakan, S., Algancı, U. (2026). Bursa ili 2001-2022 dönemi arazi örtüsü ve arazi kullanım değişiminin makine öğrenme ve uzaktan algılama yöntemleriyle analizi. MTA Yerbilimleri ve Madencilik Dergisi, Cilt: 9 Sayı: 9, 75–89. https://ajindex.com/articles/1619857

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (36)

  1. Abhary, A., Hassani, H. 2016. Mapping hydrothermal mineral deposits using PCA and BR methods in Baft 1:100000 Geological Sheet, Iran. International Journal of Advanced Engineering, Management and Science (IJAEMS) 2(9), 14331438.
  2. Akar, Ö., Güngör, O. 2012. Classification of multispectral images using Random Forest algorithm. Journal of Geodesy and Geoinformation 1(2), 105-112. doi: 10.9733/jgg.241212.1.
  3. Albayrak, T., Aytek, A. İ. 2022. Bill variation of captive and wild chukar partridge populations: Shape or size. Diversity 14(1), 48. doi.org/10.3390/d14010048.
  4. Al-Rawashdeh, S., Saleh, B., Hamzah, M. 2006. The use of Remote Sensing Technology in geological Investigation and mineral Detection in El AzraqJordan. In Cybergeo. OpenEdition. doi: 10.4000/ cybergeo.2856.
  5. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M. 2020. Google Earth Engine Cloud Computing Platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13, 5326-5350. doi: 10.1109/ jstars.2020.3021052.
  6. Amini, S., Saber, M., Dastjerdi, H. R., Homayouni, S. 2022. Urban Land Use and Land Cover change analysis using Random Forest classification of Landsat time series. Remote Sensing 14 (11), 2654. doi: 10.3390/rs14112654.
  7. Babakan, S., Oskouei, M. M. 2014. Integrated use of multispectral remote sensing and GIS for primary gold favorability mapping in Lahroud region (NW Iran). Journal of Tethys 2 (3), 228-241.
  8. Bakr, N., Weindorf, D. C., Bahnassy, M. H., Marei, S. M., El-Badawi, M. M. 2010. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data. Applied Geography 30(4), 592-605. doi: 10.1016/j. apgeog.2009.10.008
  9. Başaran, N. 2021. Orman alanları değişimlerinin google earth engine ile incelenmesi: Akdeniz bölgesi örneği. Yüksek Lisans Tezi, Eskişehir Teknik Üniversitesi, Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Anabilim Dalı, Eskişehir.
  10. Belgiu, M., Drăguţ, L. 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing 114, 24-31.
  11. Bergil, E. 2018. EEG işaretlerinin epileptik nöbet kestiriminde modern yöntemlerle analizi ve sınıflandırılması. Doktora Tezi, Sakarya Üniversitesi 130, Sakarya.
  12. Breiman, L. 1996. Bagging predictors. Machine Learning 24 (2), 123-140.
  13. Bursa Çevre ve Şehircilik İl Müdürlüğü. 2019. Türkiye Cumhuriyeti Bursa Valiliği, Çevre ve Şehircilik İl Müdürlüğü, Bursa İli 2018 Yılı Çevre Durum Raporu, Bursa.
  14. Büyüksağiş, İ. S., Gürsoy, M. 2017. Uzaktan algılama yöntemiyle örnek bir maden sahasının analizi. El-Cezerî Fen ve Mühendislik Dergisi 4 (3), 518540.
  15. Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., Lopez, A. 2020. A comprehensive survey on Support Vector Machine classification: Applications, challenges and trends. Neurocomputing 408, 189-215. doi: 10.1016/j. neucom.2019.10.118.
  16. Din, S.U., Muhammad, K., Khan, M.F.A., Bashir, S., Sajid, M., Khan, A. 2021. Fusion of Feature Oriented Principal Components of multispectral data to map granite exposures of Pakistan. Applied Sciences 11(23), 11486. doi: 10.3390/app112311486.
  17. Freund, Y., Schapire, R.E. 1996. Experiments with a new boosting algorithm. Proceedings of the 13th International Conference of Machine Learning, USA.
  18. Guo, X., Ye, J., Hu, Y. 2022. Analysis of Land Use change and driving mechanisms in Vietnam during the period 2000-2020. Remote Sensing 14 (7), 1-17. doi: 10.3390/rs14071600.
  19. Gündoğdu, K. S., Bantchina, B. B. 2018. Landsat Uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ Üniversitesi Ziraat Fakültesi Çiftlik Arazisi Örneği. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi 32 (2), 45-53.
  20. Kargı, H. 2007. Principal components analysis for borate mapping. International Journal of Remote Sensing 28 (8), 1805-1817.
  21. Lary, D. J., Alavi, A. H., Gandomi, A. H., Walker, A. L. 2016. Machine learning in geosciences and remote sensing. Geoscience Frontiers 7 (1), 3-10. doi: 10.1016/j.gsf.2015.07.003.
  22. Moradı, R., Boomeri, M. 2017. Remote sensing detection of altered zones associated with Cu-Mo mineralization in North of Zahedan, SE Iran using Landsat-8 data, Hacettepe Üniversitesi Yerbilimleri Uygulama ve Araştırma Merkezi Bülteni. Yerbilimleri 38 (3), 275-294.
  23. Mountrakis, G., Im, J., Ogole, C. 2011. Support Vector Machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing 66 (3), 247-259. doi: 10.1016/j. isprsjprs.2010.11.001.
  24. Nasir, S., Rajendran, S. 2017. Review of the role of remote sensing applications in mineral exploration and sustainable development in Oman. International Journal of Environment and Sustainability 6(3), 24-55.
  25. Nasiri, V., Deljouei, A., Moradi, F., Sadeghi, S. M. M., Borz, S. A. 2022. Land Use and Land Cover mapping using Sentinel-2, Landsat-8 satellite images, and Google Earth Engine: A Comparison of two composition methods. Remote Sensing 14 (9), 1977. doi. 10.3390/rs14091977.
  26. Özdarıcı, O. A., Akar, Ö., Güngör, O. 2011. Rastgele orman sınıflandırma yöntemi yardımıyla tarım alanlarındaki ürün çeşitliliğinin sınıflandırılması. VI. Teknik Sempozyumu (TUFUAB 2011) 1-7. Antalya, Türkiye.
  27. Özkaya, A. U. 2006. Intelligent arrhythmia classification based on Support Vector Machines (Master’s thesis), Boğaziçi Üniversitesi, İstanbul.
  28. Pour, A. B., Hashim, M. 2015. Hydrothermal alteration mapping from Landsat-8 data, Sar Cheshmeh copper mining district, south-eastern Islamic Republic of Iran. Journal of Taibah University for Science 9(2), 155-166.
  29. Rajendran, S., Nasir, S. 2013. Mapping of manganese potential areas using ASTER satellite data in parts of Sultanate of Oman. International Journal of Geosciences and Geomatics 1/2, 92-101.
  30. Sevimli, U. İ., Traore, M., Topak, Y., Tekin, S. 2021. Mineral prοpecting and lithοlοgical mapping using remοte sensing apprοaches in between YazihanHekı̇mhan (Malatya) Turkey. Bilge International Journal of Science and Technology Research 6(1), 52-61.
  31. Soe, M., Kyaw, T.A., Takashima, S. 2005. Aplication of remote sensing techniques on iron oxide detection from ASTER and Landsat images of Tanintharyi Coastal Area, Myanmar. Akita University Faculty of Engineering and Resources Research Report 26.
  32. Tang, C. S., Shi, B., Gao, L., Daniels, J. L., Jiang, H. T., Liu, C. 2011. Urbanization effect on soil temperature in Nanjing. China, Energy and Buildings 43(11), 3090-3098. doi:10.1016/j.enbuild.2011.08.003.
  33. Traore, M., Çan, T., Tekin, S. 2020. Discrimination of iron deposits using Feature Oriented Principal Component Selection and Band Ratio methods: Eastern Taurus/Turkey. International Journal of Environment and Geoinformatics (IJEGEO) 7(2), 147-156. doi: 10.30897/ijegeo.673143.
  34. Uysal, M., Turgut, B., Polat, N., Dereli, M. A., Yalçın, M. 2017. Uzaktan algılama teknikleri ile açık maden ocaklarında bor minerallerinin tespiti. AKÜ FEMÜBİD 17, 270-276.
  35. Yadav, S. K., Raj, S., Roy, S. S. 2013. Remote sensing technology and its applications. International Journal of Advancements in Research and Technology 2 (10), 25-30.
  36. Zha, Y., Gao, J., Ni, S. 2003. Use of Normalized Difference Built-Up Index in automatically mapping urban areas from TM imagery. International journal of remote sensing 24(3), 583-594.