Dergiler / Geomatik / 2022 / Cilt: 7 - Sayı: 3

Çok zamanlı multispektral uydu verilerinin Marmara Gölü kıyı değişimi analizinde kullanılması

Sayfa
253–260
Yayın Tarihi
2022-10-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışma sonucunda R2 ve Pearson's r yöntemine göre EPR ve LRR arasındaki korelasyon değerleri sırasıyla %94 ve %97 olarak hesaplanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Küresel ısınmaya bağlı olarak meydana gelen iklim değişikliği yağışların ve sıcaklıkların düzensizleşmesine sebep olmaktadır.
📊
Temel Bulgular & Veri:NASA ve USGS tarafından sağlanan Landsat uydu misyonu sayesinde 1970 li yıllardan günümüze kadar düzenli multispektral veri temin edilebilmektedir.
💡
Sonuç & Katkı:Çalışma sonucunda R2 ve Pearson's r yöntemine göre EPR ve LRR arasındaki korelasyon değerleri sırasıyla %94 ve %97 olarak hesaplanmıştır.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2020 · 8 adet
⚙️Değişkenler:CBS · Uzaktan Algılama · Kıyı Değişiminin Saptanması

Özet

Küresel ısınmaya bağlı olarak meydana gelen iklim değişikliği yağışların ve sıcaklıkların düzensizleşmesine sebep olmaktadır. Bu nedenle sosyoekonomik açıdan küresel ölçekte büyük öneme sahip kıyı alanlarında hızlı değişimler meydana gelmektedir. Kıyı alanlarındaki uzun süreli değişimlerin izlenmesi için kullanılan yöntemlerden birisi uzaktan algılama yöntemidir. NASA ve USGS tarafından sağlanan Landsat uydu misyonu sayesinde 1970 li yıllardan günümüze kadar düzenli multispektral veri temin edilebilmektedir. Yine NASA tarafından geliştirilen ve ArcGIS yazılımı üzerinden kullanılabilen DSAS aracı sayesinde kıyı çizgilerinin farklı tarihler arasındaki değişimleri izlenebilmekte ve değişim miktarları istatistiksel olarak analiz edilebilmektedir. Bu çalışmada Manisa ili sınırları içerisinde bulunan ve bir alüvyal set gölü olan Marmara Gölü’ne ait 1985-2020 arasındaki 5’er yıllık periyotlarda kıyı alanlarındaki değişimler incelenmiştir. 8 adet Landsat verisi üzerinden MNDWI ve nesne tabanlı sınıflandırma yöntemiyle kıyı çizgisi çıkarılmıştır. Çıkarılan kıyı çizgisi üzerinden DSAS ile erozyon ve dolgu miktarları belirlenerek istatistiksel yöntemlerle (EPR ve LRR) analiz edilmiştir. Çalışma sonucunda R2 ve Pearson's r yöntemine göre EPR ve LRR arasındaki korelasyon değerleri sırasıyla %94 ve %97 olarak hesaplanmıştır.

🔖

Bu Makaleye Atıf Yap

KAYA, Y., ŞENOL, H. İ., YİĞİT, A. Y. (2022). Çok zamanlı multispektral uydu verilerinin Marmara Gölü kıyı değişimi analizinde kullanılması. Geomatik, Cilt: 7 - Sayı: 3, 253–260. https://ajindex.com/articles/524666

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (6)

  1. Ahmad SR & Lakhan VC (2012). GIS-based analysis and modeling of coastline advance and retreat along the coast of Guyana. Marine Geodesy, 35(1), 1-15.
  2. Ali I, Cawkwell F, Dwyer E, Barrett B & Green S (2016). Satellite remote sensing of grasslands: from observation to management. Journal of Plant Ecology, 9(6), 649-671. Ali PY & Narayana AC (2015). Short-term morphological and shoreline changes at Trinkat Island, Andaman and Nicobar, India, after the 2004 Tsunami. Marine Geodesy 38(1), 26–39.
  3. Armah FA (2011). GIS-based assessment of short term Shoreline changes in the coastal erosion-sensitive zone of Accra, Ghana. Research Journal of Environmental Sciences, 5(7), 643-54. Beşel C & Kayıkçı ET (2020). Investigation Of Black Sea Mean Sea Level Variability By Singular Spectrum Analysis. International Journal of Engineering and Geosciences, 5(1), 33-41.
  4. Bevacqua A, Yu D & Zhang Y (2018). Coastal vulnerability: Evolving concepts in understanding vulnerable people and places. Environmental Science & Policy, 82, 19-29. Boak EH & Turner IL (2005). Shoreline definition and detection: A review. Journal of Coastal Research 21(4), 688–703.
  5. Carr MH, Robinson SP, Wahle C, Davis G, Kroll S, Murray S, Schumacker EJ & Williams M (2017). The central importance of ecological spatial connectivity to effective coastal marine protected areas and to meeting the challenges of climate change in the marine environment. Aquatic Conservation: Marine and Freshwater Ecosystems, 27, 6-29. Ciritci D & Turk T (2020). Assessment of the Kalman filter-based future shoreline prediction method. International Journal of Environmental Science and Technology, 17, 3801–3816. Danforth WW & Thieler ER (1992). Digital Shoreline Analysis System (DSAS) user's guide; version 1.0 (No. 92-355). US Geological Survey. Das B & Dhorde A (2015). Assessment of shoreline change and its relation with Mangrove vegetation: A case study over North Konkan region of Raigad, Maharashtra, India. International Journal of Engineering and Geosciences, 7(2), 101-111. Dereli MA & Tercan E (2020). Assessment of shoreline changes using historical satellite images and geospatial analysis along the Lake Salda in Turkey. Earth Science Informatics, 13(3), 709-718. Dewidar KM & Frihy OE (2010). Automated techniques for quantification of beach change rates using Landsat series along the North-eastern Nile Delta, Egypt. Journal of Oceanography and Marine Science, 1(2), 28-39.
  6. Doygun H, Oğuz H, Atak BK & Nurlu E (2011). Alan Kullanım Değ