KaydedilenlerDerginizi ekleyin

Dergiler / Türkiye Uzaktan Algılama Dergisi / 2022 / Cilt: 4 - Sayı: 2

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

Determination and Estimation of Water Surface Change With Landsat Data and Machine Learning Algorithms; A Case Study in Lake Marmara

Can CEZAYİRLİOĞLU
Ramazan ÇELİK
Dilek KÜÇÜK MATCI
Sayfa
43–52
Yayın Tarihi
2022-12-30
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)

Sonuçlar incelendiğinde en iyi tahminin R2= 0.91 ile Çok Katmanlı Perceptron CS ile elde edildiği gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Su kaynakları yaşamın devamlılığında önemli bir rol oynamaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada Manisa’ya 70 km uzaklıkta bulunan Gölmarmara ilçesinde yer alan Marmara Gölü su yüzeyinin değişim analizi gerçekleştirilmiştir.
💡
Sonuç & Katkı:Sonuçlar incelendiğinde en iyi tahminin R2= 0.91 ile Çok Katmanlı Perceptron CS ile elde edildiği gözlemlenmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:2002-2021 Verileri
⚙️Değişkenler:Uzaktan Algılama · Marmara Gölü · Su Yüzey Alanı Değişimi

Özet

Su kaynakları yaşamın devamlılığında önemli bir rol oynamaktadır. Bu nedenle su kaynaklarının haritalanması ve değişikliklerin izlenmesi gerekmektedir. Su kaynaklarının izlenmesi, kontrolü ve koruma çalışmalarında uzaktan algılama teknolojileri önemli veriler sağlamaktadır. Bu veriler, su kütleleri ile ilgili çalışmalarda planlayıcılar için önemlidir. Bu çalışmada Manisa’ya 70 km uzaklıkta bulunan Gölmarmara ilçesinde yer alan Marmara Gölü su yüzeyinin değişim analizi gerçekleştirilmiştir. Ek olarak Marmara Gölünün gelecekteki alansal değişimine ait tahminleme çalışması gerçekleştirilmiştir. Bu doğrultuda yüzey alanları, çalışma alanına ait 2002-2021 yıllarına ait Landsat 7 görüntülerinin kontrolsüz sınıflandırma yöntemi ile analizi sonucunda elde edilmiştir. Bunun yanında alana ait yağış, sıcaklık ve arazi yüzey sıcaklığı (LST) verileri Google Earth Engine yardımıyla elde edilmiştir. Elde edilen veriler kullanılarak en doğru tahminlemeyi yapabilmek amacıyla Radyal Tabanlı Fonksiyon (RBF Regressor), Doğrusal Regresyon (Lineer Regression), Toplamsal Regresyon (Additive Regression) ve Çok Katmanlı Perceptron Sınıflandırıcı (MultiLayer Perceptron Classifier) yöntemleri kullanılmıştır. 2002-2012 yılları arasındaki veriler kullanılarak 2013 ve 2021 yılları arasındaki değişim belirlenmiştir. Sonuçlar incelendiğinde en iyi tahminin R2= 0.91 ile Çok Katmanlı Perceptron CS ile elde edildiği gözlemlenmiştir. Bu yöntem ile 2022 ve 2026 yılları için gerçekleştirilen tahmin çalışması sonucunda gölün çok daha fazla küçüleceği ve 1.56 km2’ ye ulaşacağı öngörülmüştür.

Abstract

Water resources play an important role in the continuity of life. Therefore, it is necessary to map water resources and monitor changes. Remote sensing technologies provide important data in the monitoring, control and protection studies of water resources. These data are important for planners in studies related to water bodies. In this study, the change of the water surface of Marmara Lake, located in Gölmarmara district, 70 km from Manisa, was determined. In addition, an estimation study of the future spatial change of Marmara Lake was carried out. In this direction, the surface areas were obtained as a result of the analysis of the Landsat 7 images of the study area for the years 2002-2021 with the unsupervised classification method. In addition, precipitation, temperature and LST data of the area were obtained with the help of Google Earth Engine. RBF Regressor, Linear Regression, Additive Regression and MultiLayer Perceptron CS methods were used to make the most accurate estimation using the data obtained. Using the data between 2002 and 2012, the change between 2013 and 2021 was determined. When the results were examined, it was observed that the best estimation was obtained with MultiLayer Perceptron CS with R2= 0.91. As a result of the estimation study carried out for the years 2022 and 2026 with this method, it is predicted that the lake will shrink much more and reach 1.56 km2.

🔖

Bu Makaleye Atıf Yap

CEZAYİRLİOĞLU, C., ÇELİK, R., MATCI, D. K. (2022). Landsat Verileri ve Makine Öğrenme Algoritmaları ile Su Yüzeyi Değişiminin Belirlenmesi Ve Tahmini; Marmara Gölü Örneği. Türkiye Uzaktan Algılama Dergisi, Cilt: 4 - Sayı: 2, 43–52. https://ajindex.com/articles/871869

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Bununu, Y. A. (2017). Integration of Markov chain analysis and similarity-weighted instance-based machine learning algorithm (SimWeight) to simulate urban expansion. International Journal of Urban Sciences, 21(2), 217-237.
  2. Celik, T. (2009). Unsupervised change detection in satellite images using principal component analysis and $ k $-means clustering. IEEE Geoscience and Remote Sensing Letters, 6(4), 772-776.
  3. Chen, J., Du, P., Wu, C., Xia, J., & Chanussot, J. (2018). Mapping urban land cover of a large area using multiple sensors multiple features. Remote Sensing, 10(6), 872. DeFries, R. S., & Townshend, J. (1994). NDVI-derived land cover classifications at a global scale. International Journal of Remote Sensing, 15(17), 3567-3586.
  4. Demir, N. (2020). NDVI Analysis of Australian Bushfires with Cloud Computing. Türk Uzaktan Algılama ve CBS Dergisi, 1(2), 78-84.
  5. Fernandez, F. G., Los Santos, I. S., Martinez, J. L., Izquierdo, S. I., & Redondo, F. L. (2013). Use of artificial neural networks to predict the business success or failure of start-up firms. Artificial neural networks-architecture and applications, 245-56.
  6. Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23-35.
  7. Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S.,. Hoell, A. (2015). The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific data, 2(1), 1-21.
  8. Gao, B.-C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257-266.
  9. Gopi, A. P., Jyothi, R., Narayana, V. L., & Sandeep, K. S. (2020). Classification of tweets data based on polarity using improved RBF kernel of SVM. International Journal of Information Technology, 1-16.
  10. Guha, S., Govil, H., Dey, A., & Gill, N. (2018). Analytical study of land surface temperature with NDVI and NDBI using Landsat 8 OLI and TIRS data in Florence and Naples city, Italy. European Journal of Remote Sensing, 51(1), 667-678.
  11. Gülci, S., Gülci, N., & YÜKSEL, K. (2019). Aslantaş Baraj Gölü ve çevresinin su yüzey alanı ve arazi örtüsü değişiminin Landsat uydu görüntüleri kullanılarak izlenmesi. Journal of the Institute of Science and Technology, 9(1), 100-110.
  12. Hu, Z., & Lo, C. (2007). Modeling urban growth in Atlanta using logistic regression.