Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightN ve OÇ ile LIDAR değişkenleri arasında ise istatistiksel olarak anlamlı (p<0,01) ilişkiler tespit edilmiştir (en yüksek korelasyon katsayıları (r) sırasıyla 0,70 ve 0,72).
📌 3 Maddede Bu Makale
Özet
Bu çalışma, bazı meşcere parametrelerinin tahmin edilmesinde LIDAR (Light Detection and Ranging) verilerinin potansiyeli araştırmak amacıyla yapılmıştır. Farklı özellikteki meşcerelerden alınan 30 örnek alanda, yersel ölçmelerle Göğüs Yüzeyi (GY), Ağaç Sayısı (N), Reinekenin Sıklık İndeksi (RSİ) ve Orta Çap (OÇ) belirlenmiştir. Örnek alanlara karşılık gelen LIDAR noktaları tespit edilerek, bunlardan yüzdelikler (P50, P90, P95 ve P99) ve zemine ulaşamayan noktaların oranı (ZNO) olmak üzere 5 özellik hesaplanmıştır. LIDAR verilerinden çıkarılan bu özellikler ile meşcere parametreleri arasındaki ilişkiler korelasyon analiziyle ortaya koyulmuştur. Analiz sonucunda, GY ve RSİ ile LIDAR değişkenleri arasında bir ilişki olmadığı görülmüştür. N ve OÇ ile LIDAR değişkenleri arasında ise istatistiksel olarak anlamlı (p<0,01) ilişkiler tespit edilmiştir (en yüksek korelasyon katsayıları (r) sırasıyla 0,70 ve 0,72). Sonra aynı değerlendirmeler sadece iğne yapraklı ağaç türlerinin saf ya da baskın olduğu örnek alanlar (19 örnek alan) kullanılarak tekrarlanmıştır. Bu işlem sonucunda, LIDAR değişkenleri ile meşcere parametreleri arasındaki ilişkilerin korelasyon katsayılarında belirgin bir artış gözlemlenmiştir. En yüksek korelasyon katsayıları N ve OÇ için sırasıyla 0,82 ve 0,84 olarak hesaplanmıştır. Ayrıca, iğne yapraklı meşcereler için yapılan değerlendirmede GY ve RSİ ile ZNO arasında da istatistiksel olarak önemli fakat zayıf ilişkiler bulunmuştur (sırasıyla, r = 0,46 ve 0,58). Buradan, karmaşık orman ekosistemlerinde LIDAR verileriyle meşcere parametreleri kestirilmek istenirse, öncelikle orman alanının belirli kriterlere göre gruplandırılarak değerlendirme yapılması gerektiği söylenebilir. Adımsal regresyon analizi sonucunda, iğne yapraklı ağaç türlerine ait meşcerelerde, N ve OÇ için geliştirilen modellerin açıklama payı (R2) sırasıyla 0,82 ve 0,70 olarak hesaplanmıştır. Sonuç olarak, havadan lazer tarama ile elde edilen uzaktan algılama verilerine kullanılarak, iğne yapraklı ağaç türlerinden oluşan meşcerelerde örnek alan düzeyinde ağaç sayısı ve orta çap kestirilebilir.
Abstract
This study was carried out to examine the potential of LIDAR (Light Detection and Ranging) data in estimating some forest stand parameters. The stand parameters including Basal Area (BA), Number of Trees (N), Reinekes Density Index (RDI), and Mean Diameter at Breast Height (MDBH) were determined by field measurement at 30 sampling plots from the stands with different characteristics. The LIDAR metrics including the height percentiles (50th, 90th, 95th, and 99th) and the ratio of non-ground points (NGP) were calculated based on the LIDAR points that correspond to the sampling plots. Correlation analysis was conducted to investigate the relationships between the LIDAR metrics and stand parameters. There were no associations between the LIDAR metrics and the stand parameters, BA and RDI. On the other hand, statistically significant (p<0.01) correlations were determined between the LIDAR metrics and the stand parameters, N and MDBH (highest correlation coefficients (r) are 0.70 and 0.72, respectively). The same analyses were also carried out for the sampling plots (19 plots) taken from the pure conifer or conifer-dominated stands. A clear increase was observed in the correlation coefficients of the relations between the LIDAR metrics and the stand parameters. The highest correlation coefficients calculated for the N and MDBH were 0.82 and 0.84, respectively. In addition, statistically significant but weak relationships were found between the NGP and the stand parameters, BA and RDI when the 19 conifer plots were used (r is 0.46 and 0.58, respectively). Therefore, it may be concluded that if stands parameters are estimated with LIDAR data in complex forest ecosystems, the forest stands should be pre-stratified by definite criteria. The regression models developed by means of stepwise procedure explained 0.82% and 0.70% of the variation in N and MDBH, respectively. As a result, the N and MDBH can be predicted at plot level in conifer-dominated forest stands using airborne laser scanning data.