Geri Dön

Assessing soil quality using environmental indices via Google Earth engine machine learning in Jordan: The K-means clustering approach

Google Earth engine makine öğrenimi yoluyla çevresel indeksler kullanılarak Ürdün'de toprak kalitesinin değerlendirilmesi: K-means kümeleme yaklaşımı

PDF İndir

  1. Tez No: 1022332
  2. Yazar: MOHAMMAD OMAR FALAH ALSAAIDEH
  3. Danışmanlar: PROF. DR. MÜCAHİT COŞKUN
  4. Tez Türü: Doktora
  5. Konular: Coğrafya, Geography
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Coğrafya Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hazırlanan çalışmanın amacı,“Google Earth Engine ve Makine Öğrenmesi ile Çevresel İndeksler Kullanılarak Ürdün'de Toprak Kalitesi Değerlendirmesi: K-Ortalamalar Kümeleme Yaklaşımı”başlıklı araştırmada, çevresel faktörlerin toprak kalitesi üzerindeki etkilerini modern coğrafya yöntemleriyle incelemek ve Ürdün'de bilimsel temelli toprak yönetimi stratejilerine katkı sağlamaktır. Tarım alanlarında toprak kalitesinin belirlenmesi, uygun ürün desenlerinin planlanması, verimliliğin artırılması, toprak üzerindeki olumsuz dış etkilerin minimize edilmesi, orman ekosistemlerinde sürdürülebilir toprak yönetimi ve genel olarak iklim dostu tarım uygulamalarının yaygınlaştırılması açısından büyük önem taşımaktadır. Bu kapsamda, Google Earth Engine (GEE) platformu üzerinden elde edilen Landsat uydu görüntüleri kullanılarak Normalleştirilmiş Fark Nem İndeksi (NDMI) ve Toprak Düzeltilmiş Vejetasyon İndeksi (SAVI) türetilmiştir. Bu indeksler, iklimsel, topoğrafik ve pedolojik parametrelerle entegre edilerek çok boyutlu bir Toprak Kalitesi İndeksi (SQI) oluşturulmuştur. Böylece farklı veri kaynaklarının senteziyle çok boyutlu bir değerlendirme çerçevesi geliştirilmiştir. Araştırmanın metodolojisinde birçok yöntem işe koşulduğu için çalışmanın araştırma deseni; karma araştırma modeli olarak belirlenmiştir. Toprak kalitesinin değerlendirilmesinde; tekstürel bileşenler (kum, silt, kil), organik madde (OM), pH, katyon değişim kapasitesi (KDK), toplam azot, sıcaklık, toprak nemi ve bitki örtüsü yoğunluğu temel göstergeler olarak dikkate alınmıştır. Google Earth Engine ortamında JavaScript tabanlı olarak geliştirilen analizlerde, özellikle SoilGrids veri seti başta olmak üzere farklı uzaktan algılama kaynaklarından elde edilen veriler bütüncül bir çerçevede işlenmiştir. Bu yaklaşım, uzaktan algılamanın hızlı, geniş alan kapsayan ve maliyet etkin veri üretim avantajlarını makine öğrenmesi teknikleriyle birleştiren bir analiz süreci sunmaktadır. Toprak Kalite İndeksi'nin oluşturulmasına ek olarak, toprak kalitesini belirleyen değişkenlerin (toprak özellikleri, sıcaklık, NDMI ve SAVI) sayısal benzerliklerine göre mekânsal olarak gruplanabilmesi amacıyla K-ortalama (K-means) kümeleme algoritması uygulanmıştır. Elde edilen homojen kümelerin istatistiksel farklılıkları ortaya konularak, toprak sağlığının korunması, erozyon riskinin azaltılması ve sürdürülebilir tarımsal üretimin desteklenmesi bağlamında her bir küme için uygun yönetim ve koruma stratejilerinin geliştirilmesine yönelik bilimsel bir değerlendirme çerçevesi oluşturulmuştur. Elde edilen bulgular, çalışma alanında batıdan doğuya doğru belirgin bir çevresel ve pedolojik gradyanın varlığını ortaya koymaktadır. Ülkenin kuzeybatısında yer alan İrbid, Ajlun, Jarash ve Balqa çevresi; daha yüksek yağış, gelişmiş bitki örtüsü ve kil, organik karbon, katyon değişim kapasitesi (CEC) ile azot bakımından zengin toprak özellikleri sayesinde yüksek toprak kalitesi sınıfında yer almaktadır. Bu alanlar Akdeniz iklim koşullarının etkisiyle orman ve çalı formasyonlarının hâkim olduğu, biyolojik üretkenliğin görece yüksek olduğu sahalardır. Buna karşılık doğu, güney ve güneydoğu kesimlerde azalan yağış, artan sıcaklık, kumlu tekstür ve seyrek bitki örtüsü, toprak kalitesinde belirgin bir düşüşe ve çölleşme eğiliminin güçlenmesine yol açmaktadır. Makine öğrenmesi aşamasında uygulanan K-means kümeleme analizi, ülke genelinde iki temel toprak kalite kümesini ayırt etmiştir. Birinci küme, daha yüksek nemlilik (NDMI ≈ 0,20), bitki örtüsü yoğunluğu (SAVI ≈ 0,15) ve yıllık yağış (≈ 267 mm) ile karakterize olup ortalama 44,6 TKİ değeriyle verimli alanları temsil etmektedir. İkinci küme ise düşük nemlilik (NDMI ≈ 0,12), sınırlı bitki örtüsü (SAVI ≈ 0,10) ve düşük yağış (≈ 108 mm) koşulları altında gelişen, kum oranı yüksek ve alkalileşme eğilimi belirgin sahaları kapsamakta; ortalama 28,7 TKİ değeri ile düşük kaliteli toprakları temsil etmektedir. Kümeleme performansı Silhouette (0,49), Calinski-Harabasz (2088) ve Davies-Bouldin (1,08) indeksleri ile doğrulanmış ve iki kümenin en uygun ayrımı sağladığı belirlenmiştir. Korelasyon analizi sonuçları, TKİ'nin özellikle CEC, azot, toprak organik karbonu (SOC), organik karbon yoğunluğu (OCD), yağış ve eğim ile güçlü pozitif ilişkiler sergilediğini; buna karşılık kum oranı ve sıcaklığın toprak kalitesi üzerinde belirgin negatif etkiler oluşturduğunu göstermektedir. Model doğrulama sürecinde K-means kümeleme çıktıları referans TKİ haritası ile karşılaştırılmış; %93,3 genel doğruluk (Overall Accuracy) ve 0,66 Cohen's Kappa katsayısı elde edilerek yöntemin yüksek güvenilirlik düzeyi ortaya konulmuştur. Ayrıca, Arazi Kullanımı/Arazi Örtüsü (LULC) haritası ile Arazi Yetenek Sınıflandırması sonuçlarının Toprak Kalite İndeksi (TKİ) ve K-means kümeleme sonuçlarıyla birlikte değerlendirilmesi, toprak kalitesi ile arazi özellikleri arasında güçlü bir mekânsal ilişki olduğunu ortaya koymuştur. Özellikle Kuzeybatı Ürdün'de yoğunlaşan tarım alanları ve Arazi Yetenek Sınıfları I–IV, daha yüksek TKİ değerleriyle örtüşürken; doğu ve güney bölgelerinde yaygın olan Sınıf V–VIII alanları, düşük toprak kalitesi, sınırlı bitki örtüsü ve kurak çevresel koşullarla ilişkilendirilmiştir. Bu sonuçlar, toprak kalitesinin arazi kullanım desenleri ve tarımsal potansiyel ile yakından bağlantılı olduğunu göstermekte ve sürdürülebilir arazi yönetimi ile çevresel planlama çalışmalarına önemli katkılar sağlamaktadır. Sonuç olarak, Ürdün'de toprak kalitesi batıdaki nemli ve topoğrafik olarak daha elverişli alanlarda korunma eğilimi gösterirken, doğuya doğru artan kuraklık ve arazi bozunumu baskıları altında hızla gerilemektedir. Bu çalışma, uzaktan algılama ve makine öğrenmesi tabanlı yaklaşımların yarı kurak ekosistemlerde toprak kalitesinin izlenmesi ve değerlendirilmesinde etkin, tekrarlanabilir ve ölçeklenebilir bir yöntem sunduğunu ortaya koymakta; sürdürülebilir arazi yönetimi, çölleşme ile mücadele ve Arazi Tahribatının Dengelenmesi (Land Degradation Neutrality, LDN) hedefleri açısından güçlü bir bilimsel zemin sağlamaktadır.

Özet (Çeviri)

The purpose of this study, titled“Assessment of soil quality in Jordan using environmental indices via Google Earth Engine machine learning: the K-means clustering approach”, is to investigate the effects of environmental factors on soil quality using modern geographical methods and to contribute to Jordan's science-based soil management strategies. Determining soil quality in agricultural areas is critical for planning appropriate crop rotations, increasing productivity, minimizing negative external soil impacts, ensuring sustainable soil management in forest ecosystems, and, more broadly, promoting climate-friendly agricultural practices. The Normalised Difference Moisture Index (NDMI) and Soil-Adjusted Vegetation Index (SAVI) were calculated using Landsat satellite imagery supplied from the Google Earth Engine (GEE) platform. These indices were combined with climatic, topographic, and pedological characteristics to form the multidimensional Soil Quality Index (SQI). As a result of combining several data sources, a multidimensional evaluation framework was created. Because the study's approach included many methods, a mixed-methods model was chosen as the research design. Key indicators for soil quality assessment were textural components (sand, silt, clay), organic matter (OM), pH, cation exchange capacity (CEC), total nitrogen, temperature, soil moisture, and vegetation cover density. Data from multiple remote sensing sources, particularly the SoilGrids dataset, were processed inside a comprehensive framework using analyses executed via JavaScript in the Google Earth Engine environment. This method proposes an analytical methodology that combines the benefits of remote sensing (namely, quick, large-scale, and cost-effective data generation) with machine learning approaches. In addition to developing the Soil Quality Index, the K-means clustering technique was used to spatially group the variables that influence soil quality (soil characteristics, temperature, NDMI, and SAVI) based on numerical similarities. By highlighting the statistical differences among the resulting homogeneous clusters, a scientific evaluation framework has been established to develop appropriate management and conservation strategies for each cluster, with the goal of protecting soil health, reducing erosion risk, and promoting sustainable agricultural production. The results show that within the research area, there is a significant environmental and pedological gradient that runs from west to east. The northwestern portions of the country, including Irbid, Ajlun, Jarash, and Balqa, are classed as having high soil quality due to higher rainfall, established vegetation cover, and soil characteristics rich in clay, organic carbon, cation exchange capacity (CEC), and nitrogen. These landscapes, affected by Mediterranean climatic conditions, are distinguished by the dominance of forest and shrub formations and a relatively high biological productivity. In contrast, in the eastern, southern, and south-eastern regions, diminishing rainfall, rising temperatures, sandy textures, and scant vegetation cover result in a significant decline in soil quality and a strengthening of desertification patterns. During the machine learning phase, a K-means clustering analysis revealed two major soil quality clusters across the country. The first cluster is distinguished by increased moisture content (NDMI = 0.20), vegetation density (SAVI ≈ 0.15), and annual precipitation (≈ 267 mm), indicating productive places with an average SQI value of 44.6. The second cluster has high sand content and a tendency towards alkalization, developing under conditions of low moisture (NDMI ≈ 0.12), limited vegetation cover (SAVI ≈ 0.10), and low precipitation (≈ 108 mm). It represents low-quality soils, with an average SQI value of 28.7. The clustering performance was evaluated with the Silhouette (0.49), Calinski-Harabasz (2088), and Davies-Bouldin (1.08) indices, and it was established that these two clusters provide the best distinction. The correlation analysis shows that SQI exhibits strong positive relationships, particularly with CEC, nitrogen, soil organic carbon (SOC), organic carbon density (OCD), precipitation, and slope. However, sand content and temperature have a significant negative impact on soil quality. During model validation, K-means clustering outputs were compared with the reference SQI map, resulting in an overall accuracy of 93.3% and a Cohen's Kappa coefficient of 0.66, confirming the method's robust reliability. Furthermore, the integration of Land Use/Land Cover (LULC) and Land Capability maps revealed a strong spatial correspondence between high soil quality areas and agricultural lands as well as capability Classes I–IV, particularly in northwestern Jordan, while lower soil quality areas were associated with arid regions dominated by Classes V–VIII and sparse vegetation cover. As a result, whereas soil quality in Jordan is relatively stable in the western parts, which are more humid and topographically favorable, it is rapidly deteriorating in the east due to growing aridity and land degradation pressures. This study shows that remote sensing and machine learning-based approaches are an effective, repeatable, and scalable method for monitoring and assessing soil quality in semi-arid ecosystems. It also provides a solid scientific foundation for sustainable land management, combating desertification, and meeting Land Degradation Neutrality (LDN) targets.

Benzer Tezler

  1. Tez No

    1000114

    Evaluating the potential of citizen-science biodiversity data for assessing ecological restoration opportunities in Istanbul's groves and urban forests

    İstanbul'un korulari ve kent ormanlarinda ekoloji̇k restorasyon firsatlarini değerlendi̇rmek i̇çi̇n vatandaş-bi̇li̇mi̇ bi̇yoçeşi̇tli̇li̇k veri̇leri̇ni̇n potansi̇yeli̇ni̇n değerlendi̇ri̇lmesi̇

    SALİHA AKKAYÜZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Biyolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRAH ÇORAMAN

  2. Tez No

    885184

    Şanlıurfa'da iklimden kaynaklanan risklerin tarımsal meteorolojik açıdan analizi

    Agricultural meteorological analysis of risks resulting from climate in Şanlıurafa

    BURAK IŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT ŞAYLAN

  3. Tez No

    948097

    Assessing connectivity levels of public transportation stops: a case study of istanbul

    Toplu taşıma duraklarının bağlantısallık düzeylerinin belirlenmesi: istanbul örneği

    ESRA GİZEM UĞUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ZAİDE DURAN

  4. Tez No

    893046

    Multi-criteria decision analysis (MCDA) and artificial neural network (ANN) for assessing soil quality variation under different land use and land cover in Samsun, Türkiye

    Samsun, Türkiye'de farklı arazi kullanımı ve arazi örtüsü altında toprak kalitesi değişiminin değerlendirilmesi için çok kriterli karar analizi (MCDA) ve yapay sinir ağı (YSA)

    ENDALAMAW DESSIE ALEBACHEW

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    ZiraatOndokuz Mayıs Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. ORHAN DENGİZ

  5. Tez No

    397816

    Köyceğiz-Dalyan havzasının yer altı suyu kirlenme potansiyelinin DRASTIC yöntemi kullanılarak belirlenmesi

    Assessing the groundwater pollution potential of Köyceğiz-Dalyan watershed using DRASTIC method

    ZEYNEP TÜRKAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİKE GÜREL

Geri Dön