Spatial assessment of soil erosion sensitivity to land use and land cover change using geospatial technology and machine learning in Türkiye
Türkiye'de geokonumsal teknolojisi ve makine öğrenimi kullanarak toprak erozyonunun arazi kullanımına ve arazi örtüsü değişimine karşı hassasiyetinin mekansal değerlendirmesi
- Tez No: 967534
- Danışmanlar: PROF. DR. ORHAN DENGİZ, PROF. DR. TOMASZ ZALESKİ
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Toprak aşınabilirliğinin ve bununla ilişkili endekslerin farklı arazi kullanımları arasındaki mekansal değişkenliğini anlamak, sürdürülebilir arazi kullanımı planlaması ve yönetimi için kritik öneme sahiptir. Bu değişkenleri ölçmek için kullanılan geleneksel yöntemler genellikle zaman alıcı ve maliyetlidir. Bunu ele almak için çalışmada, toprak aşınabilirliğini ve kil oranı, kritik organik madde seviyesi, kabuk oluşumu, dağılma oranı ve toprak agregat stabilitesi gibi indekslerini tahmin etmek için verimli ve uygun maliyetli alternatifler olarak dijital toprak haritalama (DSM) ve makine öğrenimi (ML) modelleri kullanılmıştır. 50 toprak yüzey örneği (0-20 cm derinlik) orman, tarım ve mera arazi kullanımlarından toplanmıştır. Toprağın fizikokimyasal özellikleri laboratuvar analizleri ile belirlenmiştir. Çalışmada Çoklu Doğrusal Regresyon (MLR) ve Rastgele Orman (RF), Destek Vektör Makinesi (SVM), Yapay Sinir Ağı (ANN) ve dört tek modelden oluşan bir topluluk dahil olmak üzere makine öğrenimi modelleri kullanılmıştır. Bu modeller tekrarlanan 10 kat çapraz doğrulama yöntemi kullanılarak eğitilmiş ve kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE) ve belirleme katsayısına (R²) göre değerlendirilmiştir. Sonuçlar, YSA modelinin toprak aşınabilirliğini tahmin etmede diğerlerinden daha iyi performans gösterdiğini ortaya koymuştur (R² = 0.98, MAE = 0.00341, RMSE = 0.0031. SVM ve RF modelleri de iyi performans göstermiş, SVM toprak aşınabilirliği tahmini için R² = 0,93, MAE = 0,00541, RMSE = 0,0038 ve RF R² = 0,87, MAE = 0,0037, RMSE = 0,00557 değerlerine ulaşmıştır. Arazi kullanımları arasında toprak aşınabilirliğinin mekansal tahmini farklı modeller ortaya koymuştur. Orman toprakları en düşük ortalama aşınabilirlik değerlerini (0.0313 t-ha-¹-h-MJ-¹-mm-¹) sergilemiş, bu da daha iyi toprak yapısı ve organik madde içeriği nedeniyle erozyona karşı daha yüksek direnç gösterdiklerini yansıtmıştır. Buna karşılık, tarımsal arazi kullanımları en yüksek ortalama aşınabilirlik değerlerini (0,0320 t-ha-¹-h-MJ-¹-mm-¹) kaydetmiştir, bu da muhtemelen erozyona duyarlılığı artıran sık toprak işleme ve azalan bitki örtüsünden kaynaklanmaktadır. Calcaric Cambisol'ler en fazla, Lithic Leptosol'ler ise en az erozyona yatkın toprak türleri olarak belirlenmiştir. Havzanın %81,18'i düşük aşınabilirlik sınıfında yer alarak erozyona karşı dirençli olduğunu göstermektedir. Çalışma, makine öğrenimi modellerinin toprak aşınabilirliğini doğru tahmin ettiğini ve elde edilen haritaların arazi yönetimi için değerli olduğunu ortaya koymuştur.
Özet (Çeviri)
Understanding the spatial variability of soil erodibility and its associated indices across different land uses is critical for sustainable land use planning and management. Traditional methods for measuring these variables are often time-consuming and costly. To address this, the study employed digital soil mapping (DSM) and machine learning (ML) models as efficient and cost-effective alternatives to predict soil erodibility and its indices, including clay ratio, critical level of organic matter, crust formation, dispersion ratio, and soil aggregate stability. 50 soil surface samples (0–20 cm depth) were collected from forest, agricultural, and pasture land uses. Soil physicochemical properties were determined through laboratory analyses. The study utilized Multiple Linear Regression (MLR) and machine learning models, including Random Forest (RF), Support Vector Machine (SVM), Artificial Neural Network (ANN), and an ensemble of the four single models. These models were trained using the repeated 10-fold cross-validation method and evaluated based on root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R²). The results demonstrated that the ANN model outperformed others in predicting soil erodibility (R² = 0.98, MAE = 0.00341, RMSE = 0.0031. The SVM and RF models also performed well, with SVM achieving R² = 0.93, MAE = 0.00541, RMSE = 0.0038, and RF achieving R² = 0.87, MAE = 0.0037, RMSE = 0.00557 for soil erodibility prediction. The spatial prediction of soil erodibility across land uses revealed distinct patterns. Forest soils exhibited the lowest mean erodibility values (0.0313 t·ha⁻¹·h·MJ⁻¹·mm⁻¹), reflecting their higher resistance to erosion due to better soil structure and organic matter content. In contrast, agricultural land uses recorded the highest mean erodibility values (0.0320 t·ha⁻¹·h·MJ⁻¹·mm⁻¹), likely due to frequent tillage and reduced vegetation cover, which increase erosion susceptibility. Among soil types, Calcaric Cambisols were identified as the most erosion-prone, while Lithic Leptosols were the least susceptible, attributed to differences in soil texture, structure, and organic matter content. Finally, the basin was classified based on soil erodibility classes. The analysis showed that 81.18% of the basin (covering 546.6 km²) falls under the less erodible class, highlighting the basin's overall resilience to erosion. In conclusion, the study demonstrates that machine learning-based models can accurately predict soil erodibility and its indices. The resulting maps provide a valuable baseline for land use planning, natural resource management, and decision-making processes.
Benzer Tezler
- Peyzaj altyapısında kentsel dayanıklılık bağlamında iklimin sürdürülebilir ve akıllı kent açısından değerlendirilmesi üzerine bir araştırma
A research on the evaluation of climate in the context of urban resilience in landscape infrastructure in terms of sustainable and smart city
AYBÜKE ÖZGE BOZ DEMİR
Doktora
Türkçe
2025
Peyzaj MimarlığıBartın ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
PROF. DR. CANAN CENGİZ
- Mikrohavza ölçeğinde farklı arazi örtüsü ve kullanımlarında arazi tahribatının değerlendirilmesi: Narman alabalık mikrohavzası örneği
Assessment of land degradation in areas under different land cover and land use at microcatchment scale: A case of Narman alabalik microcatchment
EMRE ÇOMAKLI
Doktora
Türkçe
2019
Ormancılık ve Orman MühendisliğiAtatürk ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. TAŞKIN ÖZTAŞ
- Sıçrama erozyonunun belirlenmesinde suya duyarlı kartların (SDK) kullanım etkinliği ve yeni parametrik yaklaşımlar
Usability of water sensitive paper and new parametric approaches in assessment of splash erosion
SERDAR SARI
Doktora
Türkçe
2017
ZiraatAtatürk ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. TAŞKIN ÖZTAŞ
- Makine öğrenmesi metotları kullanılarak orman yangınlarının tahmini: Türkiye'de vaka çalışması
Prediction of forest fires using machine learning methodology: A case study in Türkiye
BETÜL ARSLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN
- Arazi kullanım/arazi örtüsü değişikliğinin modellenmesi ve toprak özellikleri üzerine etkilerinin incelenmesi: Adıyaman, Besni ilçesi örneği
Modeling of land use/land cover change and effects on soil properties: A case study of Adıyaman, Besni
MİRAÇ KILIÇ
Doktora
Türkçe
2023
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. RECEP GÜNDOĞAN