Assessment of water quality and aquatic diversity of an open-pit gold mine area using random forest algorithm with Google Earth engine
Google Earth engine ile rastgele orman algoritması kullanılarak açık ocak altın madeni su kalitesi ve sucul canlılık çeşitliliğinin değerlendirilmesi
- Tez No: 650222
- Danışmanlar: DOÇ. DR. ESRA ERTEN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 101
Özet
Madencilik ve doğal kaynaklar, ekonomi ve insan refahı için hayati öneme sahiptir. Sürdürülebilir çevre yönetimi bağlamında, maden alanları su kalitesi ve su ekosistemi üzerindeki etkileri nedeniyle, çevresel değişikliklerin en önemli göstergelerinden biri olarak kabul edilmektedir. Maden alanlarının uzaktan algılama verileriyle su kalitesi değişikliklerini nasıl etkilediğini anlamak ve yorumlamak, maden alanlarında daha sürdürülebilir uygulamalara kapı açmaktadır. Bu bağlamda, Google Earth Engine (GEE), uzaktan algılama verilerinin özellikle de uydu görüntülerinin işlenmesinde, bulut erişim olanaklarını sağladığından, büyük ölçekli maden alanlarının izlenmesi için büyük bir olanak sağlamıştır. GEE bulut sistemi, 1984 yılından günümüze ücretsiz olarak elde edilebilen uydu görüntülerini arşiv olarak tutar ve bu verilerin işlenebilmesi için bulut bilişim hizmetlerini kullanır. Uydu görüntüleri kayıt ve işleme platformu olarak, küresel uzaktan algılama verilerine hızlı bir şekilde erişme ve bunları analiz etme yeteneği, GEE'nin su sisteminin tanımlanması ve izlenmesinde vazgeçilmez bir araç olmasını sağlamıştır. Birçok uydu görüntüsünün ön işleme adımları yapılmış şekilde arşivlemesi, GEE'nin diğer bir üst yeteneğidir. Bu tez çalışmasında, GEE uzaktan algılma platformu aracılığı ile, açık ocak madencilik kaynaklı su ve sucul canlıların değişimlerinin eş zamanlı olarak izlenmesi için saha verileriyle birlikte açık kaynaklı Sentinel-2 görüntülerinden faydalanma olasılığının araştırılması amaçlamaktadır. Önerilen metodoloji için öncelikle, fiziksel su kalitesi parametreleri olan pH, elektrik iletkenliği (EC) ve çözünmüş oksijen (DO) 2018 ve 2019 yılları için maden saha çalışmasının 13 noktasından günlük olarak toplanmıştır. Maden çalışmalarının sucul ortamdaki canlılara olan etkisinin araştırılması için de aylık periyodlarda nehir yatağında oluşan gölcüklerde 14 noktadan balık ve böcek sayıları toplanmıştır. Daha sonra, doğrulama verisi olarak kullanılacak olan bu sucul canlı ve fiziksel su kalitesi saha verileri, Google bulut sistemine aktarılmış ve buradan da GEE platformunda tanımlanmıştır. Maden sahası boyunca nehir yataklarında toplanan bu veriler, kontrollü sınıflandırma işlemi için yeterli veri kaynağını sağlayabilmek için, verilerin toplanıldığı lokasyonlarda 50 metre genişliğinde bir alan belirtilerek, her bir örnekleme noktası için 10 rastgele nokta oluşturularak veri genişletme çalışması yapılmıştır. Fiziksel su parametrelerinin her biri için 143 örnek noktası ve sucul canlı çeşitliliği verilerinin her biri için ise 154 örnek noktası elde edilmiştir. Toplanan bu veriler ile GEE içerisinde kontrollü sınıflandırma için test ve eğitim verilerinin oluşturulması sağlanmıştır. Su kalitesi sınıfları, saha verilerinden elde edilen, pH, EC ve DO yersel verileri açısından incelenip, sınıflandırma standartlarına göre ikili sınıf etiketi belirlenmiştir. Bu sınıf etiketleri, sınıflandırma standartlarına göre sınıf 1 (mükemmel) ve sınıf 2 (uygun) olarak belirlenmiştir. Diğer yandan, sucul canlılık verileri olan balık ve sucul böcek verileri istatiksel dağılımlarına bağlı olarak üç sınıf etiketi belirlenmiştir. Bu sınıf etiketleri ise yüksek kalite, orta kalite ve düşük kalite şeklinde tanımlanmıştır. Bu verilere göre oluşturulan su kalitesi, balık ve sucul böcek sınıflarının GEE üzerinden öğrenilebilmesi için, platformdaki en yüksek çözünürlüklü görüntü olan Sentinel-2 verisi, 2018 ve 2019 yılları için seçilmiştir. Belirtilen yıllar içerisinde bulutluluk oranlarının %50 üzerinde olmasından kaynaklı olarak, 2018 yılı için 4 adet ve 2019 yılı için 3 adet optik görüntü belirlenmiştir. Diğer yandan, 2018 saha verileri 2018 Sentinel-2 verileri ile 2019 saha verileri 2019 Sentinel-2 verileri ile kontrollü sınıfandırma işlemi yapılarak maden faaliyetlerinin etkilerine göre değişimi belirlenmiştir. Fiziksel su kalitesi parametreleri için ise ek olarak 2018 saha verileri ve 2019 uydu görüntüleri kullanılarak, uzaktan algılama yöntemleri ile maden faaliyetlerine göre uygulanabilirliği test edilmiştir. Saha verilerinin elde edildiği tarihlere ait Sentinel-2 verileri ve bu verilerden hesaplanan Automated Water Extraction Index (AWEI), Normalized Difference Water Index (NDWI), Moderated Normalized Difference Water Index (MNDWI), Normalized Difference Moisture Index (NDMI), Normalized Difference Vegetation Index (NDVI) ve Water Ratio Index (WRI) indeksleri Rastgele Orman (RF) sınıflandırılmasında öznitelik vektörleri olarak kullanılmıştır. RF algoritmasından yararlanılarak gerçekleştirilen su kalitesi ve sucul çeşitlilik sınıflandırılmaları, madencilik operasyonları sırasında gerçekleştirilen iki farklı yıl için alınan yersel verilerle karşılaştırılmış ve her sınıflandırma işlemlerinin doğruluğu, yersel veriler ile karşılaştırılarak değerlendirilmiştir. Doğrulama süreci, rastgele örneklemenin getirdiği belirsizliği bulmak için %50 eğitim ve %50 test seti ile her sınıflandırma için 50 kez tekrarlanmıştır. Ayrıca, sınıflandırma modelinin etkinliği, hata matrisleri ile değerlendirilmiştir ve bu hata matrislerinden Toplam Doğruluk (OA), Üretici Doğruluğu (PA), Kullanıcı Doğruluğu (UA) ve kappa katsayısı (kappa) sonuçları elde edilmiştir. Diğer yandan, önerilen metodolojide indekslerin sınıflandırma sürecine etkisini anlamak için, iki yöntem uygulanmıştır; sadece spektral bandlar ve spektral bandlar + indeksler. Elde edilen sonuçlara göre RF ile sadece spektral bandlar kullanılarak uygulanan yöntem sonucunda; pH, EC ve su kalitesi sınıflandırma OA çıktıları %70 ile %85 arasında değişirken, kappa değerleri %53 ile %62 arasında değişmektedir. Aynı zamanda, DO sınıflandırma OA çıktıları %92 ile %98 arasında değişirken, kappa değerleri %81 ile %91 arasında değişmektedir. Fiziksel su parametreleri ve su kalitesi UA ve PA sonuçları %72 ve %97 arasında dağılmıştır. Diğer yandan, balık ve sucul böcek kalite sınıfandırma OA değerleri %86 ile %96 arasında değişirken, kappa değerleri %80 ile %95 arasında saptanmıştır. Balık ve sucul böcek kalite sınıflandırma UA ve PA sonuçları %84 ve %96 arasında değişim göstermiştir. İkinci yöntem olan spektral bandlar + indeksler RF sınıflandırma uygulamasında pH, EC ve su kalitesi OA çıktıları %75 ile %85 arasında değişirken, kappa değerleri %52 ile %63 arasında değişmektedir. Diğer yandan, DO sınıflandırma OA çıktıları %92 ile %98 arasında değişirken, kappa değerleri %85 ile %93 arasında değişmektedir. Fiziksel su parametreleri ve su kalitesi sınıflandırma UA ve PA sonuçları %75 ve %98 arasında dağılmıştır. Spektral bandlar + indeksler yönteminden elde edilen sonuçlar ışığında, su kalitesi sınıflandırma işlemleri için spektral band yöntemi uygulamalarına göre doğruluk değerlendirme çıktıları %2 ile %3 arasında artış göstermiştir. Aynı zamanda, balık ve sucul böcek kalite sınıflandırma OA değerleri %88 ile %98 arasında değişirken, kappa değerleri %82 ile %98 arasında saptanmıştır. Balık ve sucul böcek kalite sınıflandırma UA ve PA sonuçları %87 ve %96 arasında değişim göstermiştir. Spektral bandlar + indeksler yöntemi ile balık ve böcek kalite sınıflandırma uygulamalarında da, benzer şekilde doğruluk değerlendirme sonuçları %2 ile %3 arasında artmıştır. Sınıflandırma sonuçları incelendiğinde; spektral bandlar + indeksler yönteminde, sadece spektral band yöntemine göre daha yüksek doğruluklu sonuçlar gözlenmiştir. Buna bağlı olarak, spektral bandlar + indeksler yöntemi için yeniden sınıflandırma işlemi öznitelik uzayı verisinin %99'nu kapsayacak şekilde küçülterek gerçekleştirilmiştir. Bu sonuçlar ışığında, pH, EC ve su kalitesi OA çıktıları %76 ile %84 arasında değişirken, kappa değerleri %58 ile %63 arasında değişmektedir. Aynı zamanda, DO sınıflandırma OA çıktıları %93 ile %97 arasında değişirken, kappa değerleri %86 ile %94 arasında değişmektedir. Fiziksel su parametreleri ve su kalitesi UA ve PA sonuçları %83 ve %98 arasında dağılmıştır. Diğer yandan balık ve sucul böcek kalite sınıflandırma OA değerleri %90 ile %96 arasında değişirken, kappa değerleri %85 ile %95 arasında saptanmıştır. Balık ve sucul böcek kalite sınıflandırma UA ve PA sonuçları %89 ve %97 arasında değişim göstermiştir. Bu sonuçlar ışığında, su ve sucul canlı kalite yeniden sınıflandırma işlemleri için doğruluk değerlendirme sonuçları, öznitelik vektör seçme süreçleri kullanılarak %1 ile %2 artmıştır. Bu sonuçlara bağlı olarak ortaya çıkan sınıflandırma sonuçlarına göre; ikinci yöntem olan spektral band + indeksler sonuçları, birinci yöntem olan sadece spektral band RF sınıflandırma işlemlerine göre daha yüksek doğruluklu olarak belirlenmiştir. Ayrıca, DO parametresi için sınıf etiketlerinin dağılımları aynı örnekleme noktaları lokasyonları üzerinden belirlendiği için, diğer fiziksel su parametrelerinden farklı olarak, her iki yöntem için uygulanan sınıflandırma işlemlerinde daha yüksek doğrulukla çıktığı saptanmıştır. Diğer yandan, öznitelik vektör seçimi yapılarak yeniden gerçekleştirilen sınıflandırma işlemleri sonuçları ışığında, doğruluk değerlendirme sonuçlarının daha yüksek çıktığı saptanmıştır. Bunun temel nedeni ise öznitelik vektör seçiminin, oluşturulan model için kompleksiliği azaltarak, doğruluk değerlendirme sonuçlarını arttırmasındandır. Sınıflandırma sonuçlarına göre Sentinel-2 uydu görüntü veri bantları 3 (yeşil), 4 (kırmızı) ve MNDWI indeksinin, sınıflandırma doğruluğunda belirleyici olduğu görülmektedir. Bunun nedeni; Sentinel-2'nin yeşil ve kırmızı bantlarının, sudaki alg ve çözünmüş organik madde içeriğini en üst düzeye çıkarması ve MNDWI indeksinin nehir yataklarının ağaç kaynaklı örtü kaplaması için yeşil ve shortwave infrared (SWIR) bandı kullanarak, su kütlelerini verimli bir şekilde en üst düzeye çıkarmayı sağlamasıdır. Sınıflandırma doğruluk değerlendirmesi sonuçları elde edildikten sonra, sınıflandırma algoritmasına göre tematik haritalar oluşturulmuş ve madencilik faaliyetlerine göre yıllar içerisindeki su kalitesi, balık ve sucul canlılık sınıflarının konumsal değişimi analiz edilmiştir. Çalışmadan elde edilen sonuçlara göre; önerilen metodolojinin, maden faaliyetlerinin su kalitesi ve sucul çeşitlilik üzerindeki etkisinin tespit edilmesinde hızlı ve güvenilir veri sağlayacağı düşünülmektedir. İlerleyen dönemde daha yüksek zamansal, mekânsal ve spektral çözünürlüklü görüntüler ile GEE'nin, karar vericilere çok hızlı analiz olanağı sağlayacağı öngörülmektedir. Fakat, tropikal bölgelerdeki maden sahaları için yeterli sıklıkla optik görüntü elde edilememesi, önerilen metodolojinin en büyük kısıtlamasıdır.
Özet (Çeviri)
Mining and natural resources are vital for the economy and human well-being. In the context of sustainable environmental management, mine areas are considered as one of the most important indicators of environmental changes due to their impact on water quality and aquatic diversity. Understanding and interpreting how mine areas affect water quality changes with remote sensing data opens up more sustainable practices in mining areas. In this context, Google Earth Engine (GEE) has provided a great opportunity for monitoring large-scale mining areas, as it provides cloud access possibilities of the processing of remote sensing data, especially satellite images. GEE collects archive satellite images, which are available for free since 1984 in the cloud system, and uses cloud computing services to process the data. As a satellite image processing platform, the ability to quickly access and analyze global remote sensing data has made GEE an indispensable tool for defining and monitoring the water system. Collection of many satellite images with performed pre-processing steps is another top capability of GEE. The aim of the work described in this thesis is then to investigate the possibility of utilizing freely-available Sentinel-2 images through GEE with in-situ data for simultaneous monitoring of water and aquatic diversity in an open-pit mining area. For the proposed methodology, firstly, physical water quality parameters, pH, electrical conductivity (EC) and dissolved oxygen (DO) were collected from 13 points of the mine water system for 2018 and 2019 as daily basis. In order to investigate the effect of mining studies on aquatic life, the numbers of fish and insects, from 14 points were collected in ponds of the river bed as monthly periods. Later, this aquatic diversity and physical water quality in-situ data, which will be used as verification data, has been transferred to the Google cloud system and defined on the GEE platform. Using GEE, test, and training data were created for supervised classification with in-situ data that collected from river beds along the mine site. Water quality classes were examined in terms of pH, EC, and DO data that obtained from the field survey. In order to study the utility of GEE for water quality and aquatic diversity monitoring according to the in-situ, Sentinel-2 data from European Space Agency (ESA) Copernicus program, which is the highest spatial resolution data available in GEE, were used. Among Sentinel-2 indexes, the ones sensitive to the water dynamics, namely Automated Water Extraction Index (AWEI), Normalized Difference Water Index (NDWI), Moderated Normalized Difference Water Index (MNDWI), Normalized Difference Moisture Index (NDMI), Normalized Difference Vegetation Index (NDVI) and Water Ratio Index (WRI) indexes were used in supervised Random Forest (RF) classification. The water quality and aquatic diversity classification, performed by exploiting a RF, is compared with those from two different year in-situ surveys carried out during mining operations. The accuracy of each classification was assessed by comparison against in-situ data. The validation process was repeated 50 times for each classification with 50% training and 50% testing set to figure out uncertainty introduced by random sampling. The classification model effectiveness was evaluated with confusion matrices. Total Accuracy (OA), Producer Accuracy (PA), User Accuracy (UA), and kappa coefficient (kappa) were produced from these confusion matrices. To understand the impact of indexes on the classification process, two groups of input data were examined: only spectral bands and spectral bands + indexes. As a result of the method that applied using only spectral bands with RF algorithm, pH, EC, and water quality OA outputs were circulated between 70% and 85%, while kappa values were varied between 53% and 62%. At the same time, OA of DO classification outputs was ranged between 92% and 98%, while kappa values were ranged between 81% and 91%. Physical water parameters and water quality UA and PA results were distributed between 72% and 97%. On the other hand, fish and insect quality classification OA values were ranged between 86% and 96%, while kappa values were circulated between 80% and 95%. Similar for, fish and insect quality classification UA and PA results were varied between 84% and 96%. According to the classification results, it is seen that Sentinel-2 satellite imagery data bands 3 and 4 were determinant in classification accuracy. In the RF classification application for spectral bands + indexes case, pH, EC, and water quality OA outputs were distributed between 75% and 85%, while kappa values were varied between 52% and 63%. On the other hand, OA of DO classification outputs was ranged between 92% and 98%, while kappa values were circulated between 85% and 93%. Physical water parameters and water quality UA and PA results were distributed between 75% and 98%. According to the spectral bands + indexes case results, accuracy assessment outputs were increased between 2% and 3% comparing the spectral band case implementations for water quality classifications. At the same time, fish and insect quality classification OA values were ranged between 88% and 98%, while kappa values were varied between 82% and 98%. Fish and insect UA and PA results were varied between 87% and 96%. Similar to fish and insect classification implementations for spectral bands + indexes cases, accuracy assessment results were increased between 2% and 3% comparing the only spectral band case implementations. When the classification results were analyzed, it is seen that the spectral bands + indexes method has higher accuracy results than the only spectral band case. Accordingly, re-classification was carried out by selecting the most dominant 5 features for the spectral bands + indexes method to reduce the complexity of the RF model. In the light of the results, pH, EC, and water quality OA outputs were varied between 76% and 84%, while kappa values were ranged between 58% and 63%. At the same time, OA of DO classification outputs was ranged between 93% and 97%, while kappa values were distributed between 86% and 94%. Physical water parameters and water quality UA and PA results were distributed between 83% and 98%. On the other hand, fish and insect quality classification OA values were ranged between 90% and 96%, while kappa values were varied between 85% and 95%. Fish and insect quality classification UA and PA results varied between 89% and 97%. According to accuracy assessment results, it is seen that the contribution of the re-classification implementations in forecasting water quality and aquatic quality were found around 2 percentage. It is seen that Sentinel-2 satellite imagery data bands 3 (green), 4 (red), and MNDWI are determinant in classification accuracy. The reason is that green and red bands of Sentinel-2 maximize the algae and dissolved organic matter content in the water and MNDWI efficiently extracts water bodies for soil and vegetation areas using green and shortwave infrared (SWIR) band for canopy coverage on the river beds. In the lights of classification processes, thematic maps were formed according to the classification algorithm and spatial changes of water quality, aquatic diversity classes over the years were analyzed based on the mining activities. The methodology presented in this thesis offers a fast and reliable methodology for water quality and aquatic diversity monitoring in open-pit gold mines using GEE-based Sentinel-2 image analysis techniques. New satellite missions with higher spatial, temporal, and spectral resolutions will boost the usage of GEE in an operational applications. The major limitation of the present methodology is that the analysis is restricted to cloud-free optical images, which can be a challenge in an open-pit mine in a tropical region.
Benzer Tezler
- Sedimentteki makro-omurgasızlarla su kalitesinin değerlendirilmesi
Assessment of water quality using benthic macro-invertebrates in sediment
ÖZLEM DEMİR
Yüksek Lisans
Türkçe
2005
BiyolojiHarran ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF.DR. VAGİF HATEMOV
Y.DOÇ.DR. GÜZEL YILMAZ
Y.DOÇ.DR. SİNAN UYANIK
- Doğu Karadeniz Bölgesi kıyısal alanında kültür edilebilir heterotrofik bakteri çeşitliliğinin araştırılması
Investigation of diversity of cultivable heterotrophic bacteria in the coastal areas of Eastern Black Sea
SAMET KALKAN
Doktora
Türkçe
2019
Deniz Bilimleriİstanbul ÜniversitesiDeniz ve İçsu Kaynakları Yönetimi Ana Bilim Dalı
PROF. DR. GÜLŞEN ALTUĞ
- Sarıyer (İstanbul) ilçesinin peyzaj karakter analizi ve değerlendirme yaklaşımları
Landscape character analysis of sariyer (İstanbul) district and assessment approaches
SELİM BAYRAKTAR
Doktora
Türkçe
2023
Peyzaj Mimarlığıİstanbul Üniversitesi-CerrahpaşaPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ŞERİFE DOĞANAY YENER
- Ömerli baraj gölünün su kalitesi değerlendirilmesi
Assesment of Ömerli Dam's water quality
BAĞDAGÜL FULYA PALA