Investigating the vertical tropical forest structure using digital elevation models and machine learning methods
Düşey tropikal orman yapısının sayısal yükseklik modelleri ve makine öğrenme yöntemleri ile incelenmesi
- Tez No: 797201
- Danışmanlar: DR. ÖĞR. ÜYESİ AYCAN MURAT MARANGOZ, PROF. DR. KAZİMİERZ BECEK
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Bitki örtüsü, birçok çevresel ve ekolojik hizmeti sürdürerek hayatımızı desteklemede önemli bir rol oynamaktadır. Bitki örtüsünün bir parçası olan ormanlar, Dünya'nın karbon döngüsünün en kritik bileşenleridir. Orman yapısı hakkında elde edilen bilgiler; ekosistem sağlığı, karbon döngüsü değerlendirmesi ve orman kaynaklarının daha iyi anlaşılması için hayati önem taşımaktadır. Orman kanopi yüksekliği, ormanın ekolojik ve silvikültürel değişkenlerini hesaplamak için ihtiyaç duyulan kritik bir veridir ve bu yükseklik, uzayda yol alan elektromanyetik enerjinin atmosfer ile etkileşime giren ilk/son sınırı olarak ifade edilebilir. Bu anlamda bu çalışmada, Sayısal Yükseklik Modelleri (SYM) kullanılarak kanopi yüksekliklerinin haritalanması incelenmiştir. Ayrıca, karmaşık bir orman yapısı parametresi olan yer üstü biyokütlesi, orman kaynaklarının kritik ölçümlerinden biridir. Bu nedenle, özellikle orman ekosistemlerinin ormansızlaşma, iklim değişikliği ve palm yağı değişimi dahil olmak üzere, çeşitli tahrip faktörlere maruz kaldığı tropik bölgelerde, yer üstü biyokütlesini tahmin etmek için güvenilir bir yöntem geliştirmek çok önemlidir. Bu çalışmada aynı zamanda, yer üstü biyokütlesinin hızlı ve uygun maliyetli bir şekilde tahmini için bir yöntem geliştirmek üzere kanopi yüksekliğine dayalı yapay zeka tabanlı bir yaklaşım da araştırılmıştır. Çalışma, Brunei Darussalam tropikal yağmur ormanlarında gerçekleştirilmiştir. Ayrıca, kanopi yüksekliği modellerinin bir referans kanopi yüksekliği modeli ve Sayısal Arazi Modeli (SAM) kullanarak karşılaştırılması yapılmıştır. İncelenen SYM'ler arasında SRTM, ALOSWorld3D30 (AW3D30) ve WorldDEM™ yer almaktadır. Çalışmada, Sentetik Açıklıklı Radar interferometrisinden (InSAR) türetilmiş DEM ve LiDAR verilerini ve makine öğrenimi (ML) algoritmalarını kullanarak yer üstü biyokütlesi tahmin edilmeye çalışılmıştır. Rastgele orman (RF), yapay sinir ağı (ANN) ve destek vektör makineleri (SVM) olmak üzere üç farklı makine öğrenimi yöntemi uygulanmış ve karşılaştırılmıştır. Model girdileri; InSAR yüksekliği ve bir turbalık bataklık ormanının belirli bir özelliği olan turbalık kubbesinin merkezinden uzaklığı olarak ele alınmıştır. ML yöntemleri, LiDAR verilerinden alınan eğitim örnekleri üzerinde uygulanmış ve orman envanteri verileri kullanılarak doğrulanmıştır. Çalışma sonucunda, kanopi yüksekliklerinin olduğundan daha düşük tahmin edildiği ve kullanılan SYM'ler arasında önemli farklılıkların olduğu görülmüştür. 30 m'lik çözünürlükte üretilen AW3D30, SRTM ve WorldDEM™ kanopi yükseklik modelleri için sırasıyla 11.94 m, 15.83 m ve 14.52 m'lik bias değerleri elde edilmiştir. ML algoritmalarının doğrulama sonuçları, R2 = 0.70, RMSE = 83.65 Mg ha-1 ve MAE = 74.43 Mg ha-1 değerleri ile SVM algoritmasının diğer algoritmalardan daha iyi performans sergilediği görülmüştür. Bu çalışma, elde edilen kanopi yükseklik modelleri ile referans yükseklik modeli arasındaki oranın, gerçek orman yüksekliğine uygun bir düzeltmeyi tahmin etmek için birincil bir yöntem sağlayabileceğini ve tropik ormanlarda kanopi yüksekliğine dayalı yer üstü biyokütle tahmininde ML algoritmalarının potansiyelini göstermiştir.
Özet (Çeviri)
Vegetation cover is essential in supporting our lives by maintaining many environmental and ecological services. As part of the vegetation cover, forests are the most critical components of the Earth's carbon cycle. Therefore, information about the forest structure is vital for ecosystem health, carbon cycle assessment, and a better understanding of the forest resources. Since forest canopy height is a critical piece of data needed for calculating ecological and silvicultural variables of the forest, and it is the first/last frontier interacting with the atmosphere and incoming from space electromagnetic radiation, this study investigates canopy height mapping using Digital Elevation Models (DEMs). Furthermore, aboveground forest biomass (AGB), a complex forest structure parameter, is one of the critical measurements of forest resources. Therefore, developing a reliable method to estimate the AGB is crucial, especially in the tropics, where forest ecosystems are exposed to several depleting factors, including deforestation, climate change and oil palm replacement. This study also investigates an artificial intelligence-based approach based on canopy height to develop a method for quick and cost-effective assessment of the AGB. The study was conducted on a flat terrain covered by pristine rainforest in Brunei Darussalam, Borneo. A comparison of the Canopy Height Models (CHMs) with a reference CHM and Digital Terrain Model (DTM) was performed in this study. The investigated DEMs include SRTM, ALOS World3D30 (AW3D30) and WorldDEM™. This study estimates the AGB using the Synthetic Aperture Radar Interferometry (InSAR) derived DEM and Light Detection and Ranging (LiDAR) data and Machine Learning (ML) algorithms. Three different ML methods, i.e., Random Forest (RF), Artificial Neural Network (ANN) and Supported Vector Machines (SVM), were applied and compared. Models inputs are InSAR height and distance from the peat dome's centre, a specific feature of a peatland swamp forest. ML methods were trained on the training samples taken from the LiDAR data and validated using in situ forest inventory plots. The results indicated an underestimation CHMs and significant variations between the DEMs used. Being consistent for all DEMs, the spatial resolution of 30 m produced the CHMs' bias of 11.94 m, 15.83 m and 14.52 m for AW3D30, SRTM and WorldDEM™, respectively. The validation results of the ML algorithms showed that the SVM algorithm with R2 = 0.70, RMSE = 83.65 Mg ha-1 and MAE = 74.43 Mg ha-1 performs better than other algorithms. This study showed the ratio between the obtained CHMs and the reference CHM can provide a first-hand method to estimate a suitable correction to the actual forest height and demonstrated the potential of ML algorithms in AGB estimation based on canopy height in tropical forests.
Benzer Tezler
- The influence of instream formations on hydraulic characteristics in natural lowland rivers
Doğal ova nehirlerinde akım ortamındaki oluşumların hidrolik özellikler üzerindeki etkisi
NAGHMEH HEIDARI
Doktora
İngilizce
2023
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ORAL YAĞCI
DR. ÖĞR. ÜYESİ MURAT AKSEL
- Bingöl şehir merkezinin doğal ortam analizi ve fiziksel planlaması
The natural environment analyeses and physical planing of downtown bingol
ÖNDER ÜSTÜNDAĞ
- Termaller ve cumuluslerde meteorolojik parametrelerin ölçülmesi, analizi ve konvektif yapının modellenmesi
Measurements and analysis of the meteorological parameters in thermals and cumulus clouds and modelling of the conventive structure
ZAFER ASLAN
- Adapting passive design strategies for sustainable urban development: A BIM model for Dakar
Sürdürülebilir kentsel gelişim için pasif tasarım stratejileri uyarlamak: Dakar için bir YBM modeli
OUMAR SOW
Yüksek Lisans
İngilizce
2016
MimarlıkBahçeşehir ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. SUZAN GİRGİNKAYA AKDAĞ
DR. BENGÜ ULUENGİN
- Bazı guava genotiplerinin karakteristik özelliklerinin belirlenmesi ve melezleme olanaklarının araştırılması
Determination of characteristic properties of some guava genotypes and investigation of hybridization possibilities
BERKAY ÇELİK
Yüksek Lisans
Türkçe
2019
ZiraatAkdeniz ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
PROF. DR. HAMİDE GÜBBÜK