Araştırma Makalesi
BibTex RIS Kaynak Göster

Farklı Meşçere Tiplerinde Kızılçam (Pinus Brutia) Ormanları İçin Toprak Üstü Biyokütle Karbon Tahmini: Landsat 9 Uydu Verileri ile Makine Öğrenmesi Yaklaşımı

Yıl 2025, Cilt: 10 Sayı: 4, 408 - 415

Esin Karamanlı

https://doi.org/10.35229/jaes.1703797

Öz

Orman Toprak Üstü Biyokütlesi (TÜB) orman ekosistemlerinin konumsal-zamansal değişimini gözlemlemek ve değerlendirmek için önemli biyofiziksel değişkenlerdir. Sürdürülebilir orman yönetim stratejilerini daha iyi destekleyebilmek için uzaktan algılama araçları ile sürekli ve doğru bir şekilde Toprak Üstü Biyokütle Karbon (TÜBK) tahmininin sağlanabilir olması gerekmektedir. Lansat 9 C2L1 uydu verileri ve makine Öğrenmesi Algoritmaları (Yapay Sinir Ağları (YSA), Rassal Orman Algoritması (ROA) ve Destek Vektör Makineları (DVM)) bu çalışmada Adana ili “Pinus brutia” meşçerelerinde tutulan TÜBK miktarının tahmininde kullanılmıştır. Landsat 9 uydu verileri ile elde edilen spektral indisler (Normalize Edilmiş Fark Vejetasyon İndeksi ve İyileştirilmiş Vejetasyon İndeksi) ve Orman Kanopi Yoğunluk altlığı bağımsız değişken kümesi olarak kullanılmıştır. Tahmin doğruluğunu arttırmak için birden fazla model kurulumu gerçekleştirilmiş ve en yüksek TÜBK tahmin Rassal Orman Algoritmaları (0,84 R2) aracılığıyla elde edilmiştir. İkinci en yüksek model tahmini, çapraz doğrulama uygulanarak hiperparametre optimizasyonu sağlaması hedeflenen veri seti kullanılarak Rassal Orman Algoritması (0,62 R2) ile elde edilmiştir. Üçüncü en yüksek model performansı ise veri setinin radyal düzlemde değerlendirildiği Destek Vektör Makineleri (0,61 R2) ile elde edilmiştir. Sonuçlar diğer makine öğrenmesi algoritmaları içerisinden hiperparametre optimizasyonu sağlanmamış veri seti ile kurulan Rassal Orman Algoritması model performansının oldukça önemli bir farkla TÜBK tahmininde kullanılabileceğini ortaya koymuştur. Bu çalışma Orman Envanter Yönetimi çalışmaları için oldukça basit ve etkili bir yöntem aracı sunmaktadır.

Anahtar Kelimeler

Orman kanopi yoğunluğu Spektral indeksler Toprak üstü biyokütle karbon Makine öğrenmesi algoritmaları.

Kaynakça

  • Abdollahnejad, A., Panagiotidis, D., & Surovy, P. (2017). Forest canopy density assessment using different approaches – Review. Journal of Forest Science. 63(3), 107-116. DOI: 10.17221/110/2016-JFS
  • Ahmad, A., Gilani, H., & Ahmad, S. R. (2021). Forest aboveground biomass estimation and mapping through high-resolution optical satellite ımagery - A literature review. Forests, 12(7), 914, DOI: 10.3390/f12070914
  • Akpınar, A. (2022). İnsansız hava aracı ile elde edilen görüntülerden ağaçların toprak üstü biyokütle tahmini ve karbon depolama kapasitesinin belirlenmesi. Yüksek Lisans Tezi, Akdeniz Üniversitesi Uzaktan Fen Bilimleri Enstitüsü, Antalya, Türkiye, 89s.
  • Anaya, J. A., Chuvieco, E. & Palacious-Orueta, A. (2009). Aboveground biomass assessment in Colombia: A remote sensing approach. Forest Ecology and Management, 257, 1237-1246, DOI: 10.1016/j.foreco.2008.11.016
  • Başkent, E. Z. (2022). Principal components of carbon Dynamics in forest ecosystem and planning. Journal of Architecture, Engineering & Fine Arts, 4(1), 1-15.
  • Bera, B., Saha, S. & Bhattacharjee, S. (2020). Estimation of forest canopy cover and forest fragmentation mapping using landsat satellite data of Silabati river basin (India). KN-Journal of Cartography and Geographic Information. 70, 181-197. DOI: 10.1007/s42489-020-00060-1
  • Budak, M., Günal, H., Çelik, İ., & Acir, N. (2019). Ekosistem servislerinin haritalanması ve önemi. ISPEC, Internatıonal Conference on Agriculture, Animal Science And Rural Development-III, 20- 22 Aralık 2019, Van, Türkiye, 273-282.
  • Çorbacı, Ö. L., Özçelik, A. E., Yüksek, F., Yüksek, T., & Öztekin Kara, C. (2024). Climate Change, Carbon Management and Green Space Systems in Architectural Sciences, Gül, A., Demirel, Ö. & Akten, S. (Ed.), Determination of biomass and carbon sequestration capacity of urban trees: Rize province agricultural botanical park, 1st ed., 403-443p, IKSAD Uluslararası Yayın Evi, Adıyaman, Türkiye.
  • Değermenci, A. S. (2023). Düzce ili karasal karbon kapasitesinin belirlenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 11, 99-110, DOI: 10.29130/dubited.1023712
  • Durkaya, B, Durkaya, A., & Kaptan, S. (2018). Karbon Birikiminin Farklı Yöntemlerle Hesaplanması; Bartın Orman İşletme Müdürlüğü Örneği. 4th International Symposium on Environment and Morals, 27-29 Haziran 2018, Herzegovina, Bosnia, 1-8.
  • Ercanlı, İ., Şenyurt, M., Günlü, A., Çakır, M., Bolat, F., & Bulut, S. (2023). ÇAKÜ araştırma ormanı karaçam meşcereleri için tek ve çift girişli toprak üstü ağaç biyokütle denklemlerinin geliştirilmesi. Anadolu Orman Araştırmaları Dergisi, 9(2), 126- 134, DOI: 10.53516/ajfr.1376635
  • Ghosh, S.M., & Behera, M.D. (2018). Aboveground biomass estimation using multi-sensor data synergy and machine learning algortihms in a dense tropical forest. Applied Geography, 96, 29- 40. DOI: 10.1016/j.apgeog.2018.05.011
  • Grimm, R., Behrens, T., Märker M., & Elsenbeer, H. (2008). Soil organic carbon concentrations and stocks on Barro Colorado Island-Digital soil mapping using Random Forests analysis. Geoderma, 146, 102-113, DOI: 10.1016/j.geoderma.2008.05.008
  • IPCC. (2003). Good practice guidance for land use, land- use change and forestry, ıpcc national greenhouse gas ınventories programme, Chapter 4, Section 3, Intergovernmental Panel on Climate Change, Hayama, Japan, 590p.
  • Joshi, C., Leeuw, J.D., Skidmore, A.K., van Duren, I.C., & van Oosten H. (2006). Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods. International Journal of Applied Earth Observation and Geoinformation, 8(2006), 84-95, DOI: 10.1016/j.jag.2005.08.004
  • Kahyaoğlu, N., Güvendi, E., & Kara, Ö. (2019). Saf doğu kayını meşcerelerinde topraküstü biyokütle miktarlarının belirlenmesi (Sinop-Türkeli Örneği). Anadolu Orman Araştırmaları Dergisi, 5(2), 79-85.
  • Karamanlı, E. (2024). Karbon depolama kapasitesine dayalı arazi tahsis optimizasyonu. Doktora Tezi Çukurova Üniversitesi Fen Bilimleri Enstitüsü. Adana, Türkiye, 136s.
  • Keten, İ., & Gülsoy, S. (2020). Kızılçam (Pinus brutia Ten.) ormanlarında verimlilik ilişkileri. Bilge International Journal of Science and Technology Research, 4(2), 88-102, DOI: 10.30516/bilgesci.740067
  • Kılıç, M., Günal, H., & Budak, M, (2022). Toprak organik karbon içeriğinin tahmin ve haritalanmasında makine öğrenmesi tekniklerinin kullanımı. 1st International Conference on Engineering Natural and Social Sciences, 20-23 December 2022, Konya, Türkiye, 211-217s.
  • Li, Z., Bi, S., Hao, S., & Cui, Y. (2022). Aboveground biomass estimation in forests with random forest and Monte Carlo-based uncertainty analysis. Ecological Indicators, 142(109246),1-9, DOI: 10.1016/j.ecolind.2022.109246
  • Loi, D. T., Chou, T. Y., & Fang, Y. M. (2017). Integration of GIS and remote sensing for evaluating forest canopy density ındex in Thai Nguyen Province, Vietnam. International Journal of Environmental Science and Development, 8(8), 539-542. DOI: 10.18178/ijesd.2017.8.8.1012
  • Lourenço, P., Godinho, S., Sousa, A., & Gonçalves, A. C. (2021). Estimating tree aboveground biomass using multispectral satellite-based data in Mediterranean agroforestry system uaing random forest algorithm. Remote Sensing Applications: Society and Environment, 23, 1-11, DOI: 10.1016/j.rsase.2021.100560
  • Lu, D., Chen Qi, Wang, G., Moran, E., Batistella, M., Zhang, M., Laurin, G.V., & Saah, D. (2012). Aboveground forest biomass estimation with Landsat and LiDAR data and uncertainty analysis of the estimates, International Journal of Forestry Research, 2012(1), 1-16, DOI: 10.1155/2012/436537
  • Lu, D., Chen, Q., Wang, G., Liu, L., Li, G., & Moran, E. (2016). A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1), 63-105, DOI: 10.1080/17538947.2014.990526
  • Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qui, G. (2007). Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density Cypress Forest. Sensors, 7(11), 2636-2651, DOI: 10.3390/s7112636
  • OBM. (2025). Adana İli Orman Bölge Müdürlüğü İdaresi ve Planlama Şube Müdürlüğü (İç Yazışma Yoluyla). Adana, Türkiye.
  • Ravindranath, N.H., & Ostwald, M. (2008). Carbon Inventory Methods, Handbook for greenhouse gas ınventory, Carbon mitigation and roundwood production projects, Methods for estimating above-ground biomass - Chapter 10, 113-147p, Springer Dordrecht, The Netherlands.
  • Saraçoğlu, N. (1998). Biomass tables of beech (Fagus orientalis lipsky). Turkish Journal of Agriculture and Forestry, 22(1), 93-100.
  • Saraçoğlu, N. (2000). Sakallı kızılağac (Alnus glutinosa (L.) Gaertn subsp. barbata (C.A. Mey.) Yalt.) biyokutle tabloları. Turkish Journal of Agriculture and Forestry, 24(2), 147-156.
  • Segura, M., & Kanninen. M. (2005). Allometric models for tree volume and total aboveground biomass in a tropical humid forest in Costa Rica. Biotropica, 37(1), 2-8. DOI: 10.1111/j.1744- 7429.2005.02027.x
  • Sun, Y., Wang, B., Teng, S., Liu, B., Zhang, Z., & Li, Y. (2023). Continuity of top-of-atmosphere, surface, and nadir BRDF-Adjusted Reflectance and NDVI between Landsat-8 and Landsat-9 OLI over China landscape. Remote Sensing, 15(4948),1-17, DOI: 10.3390/rs15204948
  • TAV (Türkiye Orman Varlığı). (2020). T.C. Tarım ve Orman Bakanlığı Orman Genel Müdürlüğü Orman İdaresi ve Planlama Dairesi Başkanlığı, Türkiye Orman Varlığı Raporu, OGM Ofset, Ankara, Türkiye, 58p.
  • Tolunay, D., & Çömez, A. (2008). Türkiye ormanlarında toprak ve ölü örtüde depolanmış organik karbon miktarları. Hava Kirliliği ve Kontrolü Ulusal Sempozyumu 2008, 22-25 Ekim 2008, Hatay, Türkiye, 750-765.
  • Tolunay, D. (2011). Total carbon stock and carbon accumulation in living tree biomass in forest ecosystems of Turkey. Turkish Journal of Agriculture and Forestry, 35(3), 265-279, DOI: 10.3906/tar-0909-369
  • USGS. (2025). Landsat 9. https://www.usgs.gov/landsat- missions/landsat-9 (10 Mayıs 2025).
  • Ünsal, A., (2007). Adana Orman Bölge Müdürlüğü Karaisalı Orman İşletme Müdürlüğü kızılçam biyokütle tablolarının düzenlenmesi. Yüksek Lisans Tezi, Zonguldak Karaelmas Üniversitesi Fen Bilimleri Enstitüsü. Bartın, Türkiye, 62s.
  • Wu, Z., Yao, F., Zhang, J., & Liu, H. (2024). Estimating forest abovegground biomass using a combination of geographical random forest and empirical bayesian kriging models. Remote Sensing, 16(11), 1-19, DOI: 10.3390/rs16111859
  • Xie, F., & Fan, H. (2021). Deriving drought indices from MODIS vegetation indices (NDVI/EVI) and Land Surface Temperature (LST): Is data reconstruction necessary? International Journal of Applied Earth Observat,on and Geoinformation, 101, 1-16, DOI: 10.1016/j.jag.2021.102352
  • Zhang, X., Shen, H., Huang, T., Wu, Y., Guo, B., Liu, Z., Luo, H., Tang, J., Zhou, H., Wang, L., Xu, W., & Ou, G. (2024). Improved random forest algorithms for increasing the accuracy of forest aboveground biomass estimation using Sentinel-2 imagery. Ecological Indicators, 159, 1-11, DOI: 10.1016/j.ecolind.2024.111752
  • Zeng, N., Ren, X., He, H., Zhang, L., Zhao, D., Ge, R., Li, P., & Niu, Z. (2019). Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm. Ecological Indicators, 102, 479-487. DOI: 10.1016/j.ecolind.2019.02.023

Above Ground Biomass Estimation for Turkish Pine (Pinus brutia) Forests in Different Stand Types: A Machine Learning Approach with Landsat 9 Satellite Data

Yıl 2025, Cilt: 10 Sayı: 4, 408 - 415

Esin Karamanlı

https://doi.org/10.35229/jaes.1703797

Öz

Forest Aboveground Biomass (AGB) is a crucial biophysical variable to observe and evaluate the spatial and temporal changes of forest ecosystems. In order to support sustainable forest management strategies, Aboveground Biomass Carbon (AGBC) estimation should be provided with remote sensing tools consistently and accurately. In this study, Landsat 9 C2L1 satellite data and machine learning algorithms (Artificial Neural Network (ANN), Random Forest (RF), and Support Vector Machine (SVM)) were used to estimate the amount of AGBC stored in the “Pinus brutia” stands of Adana province. Spectral indices (Normalized Difference Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI)) obtained with Landsat 9 satellite data and Forest Canopy Density (FCD) layers were used as independent variable set. In order to increase the prediction accuracy, more than one model was installed and the highest AGBC estimation was obtained through Random Forest Algorithm (0.84 R2). The second highest model estimation was obtained by the Random Forest Algorithm (0.62 R2) using the data set aimed to provide hyperparameter optimization by applying cross-validation. The third highest model performance was obtained by the Support Vector Machine (0.61 R2), in which the data set is evaluated in a radial plane. The results revealed that the model performance of the Random Forest Algorithm, which was established with a data set that was not hyperparameter optimized among other machine learning algorithms, can be used to estimate AGBC with a very significant difference. This study presents a straightforward and efficient way for Forest Inventory Management studies.

Anahtar Kelimeler

Forest canopy density Spectral indices Aboveground biomass carbon Machine learning algorithms.

Kaynakça

  • Abdollahnejad, A., Panagiotidis, D., & Surovy, P. (2017). Forest canopy density assessment using different approaches – Review. Journal of Forest Science. 63(3), 107-116. DOI: 10.17221/110/2016-JFS
  • Ahmad, A., Gilani, H., & Ahmad, S. R. (2021). Forest aboveground biomass estimation and mapping through high-resolution optical satellite ımagery - A literature review. Forests, 12(7), 914, DOI: 10.3390/f12070914
  • Akpınar, A. (2022). İnsansız hava aracı ile elde edilen görüntülerden ağaçların toprak üstü biyokütle tahmini ve karbon depolama kapasitesinin belirlenmesi. Yüksek Lisans Tezi, Akdeniz Üniversitesi Uzaktan Fen Bilimleri Enstitüsü, Antalya, Türkiye, 89s.
  • Anaya, J. A., Chuvieco, E. & Palacious-Orueta, A. (2009). Aboveground biomass assessment in Colombia: A remote sensing approach. Forest Ecology and Management, 257, 1237-1246, DOI: 10.1016/j.foreco.2008.11.016
  • Başkent, E. Z. (2022). Principal components of carbon Dynamics in forest ecosystem and planning. Journal of Architecture, Engineering & Fine Arts, 4(1), 1-15.
  • Bera, B., Saha, S. & Bhattacharjee, S. (2020). Estimation of forest canopy cover and forest fragmentation mapping using landsat satellite data of Silabati river basin (India). KN-Journal of Cartography and Geographic Information. 70, 181-197. DOI: 10.1007/s42489-020-00060-1
  • Budak, M., Günal, H., Çelik, İ., & Acir, N. (2019). Ekosistem servislerinin haritalanması ve önemi. ISPEC, Internatıonal Conference on Agriculture, Animal Science And Rural Development-III, 20- 22 Aralık 2019, Van, Türkiye, 273-282.
  • Çorbacı, Ö. L., Özçelik, A. E., Yüksek, F., Yüksek, T., & Öztekin Kara, C. (2024). Climate Change, Carbon Management and Green Space Systems in Architectural Sciences, Gül, A., Demirel, Ö. & Akten, S. (Ed.), Determination of biomass and carbon sequestration capacity of urban trees: Rize province agricultural botanical park, 1st ed., 403-443p, IKSAD Uluslararası Yayın Evi, Adıyaman, Türkiye.
  • Değermenci, A. S. (2023). Düzce ili karasal karbon kapasitesinin belirlenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 11, 99-110, DOI: 10.29130/dubited.1023712
  • Durkaya, B, Durkaya, A., & Kaptan, S. (2018). Karbon Birikiminin Farklı Yöntemlerle Hesaplanması; Bartın Orman İşletme Müdürlüğü Örneği. 4th International Symposium on Environment and Morals, 27-29 Haziran 2018, Herzegovina, Bosnia, 1-8.
  • Ercanlı, İ., Şenyurt, M., Günlü, A., Çakır, M., Bolat, F., & Bulut, S. (2023). ÇAKÜ araştırma ormanı karaçam meşcereleri için tek ve çift girişli toprak üstü ağaç biyokütle denklemlerinin geliştirilmesi. Anadolu Orman Araştırmaları Dergisi, 9(2), 126- 134, DOI: 10.53516/ajfr.1376635
  • Ghosh, S.M., & Behera, M.D. (2018). Aboveground biomass estimation using multi-sensor data synergy and machine learning algortihms in a dense tropical forest. Applied Geography, 96, 29- 40. DOI: 10.1016/j.apgeog.2018.05.011
  • Grimm, R., Behrens, T., Märker M., & Elsenbeer, H. (2008). Soil organic carbon concentrations and stocks on Barro Colorado Island-Digital soil mapping using Random Forests analysis. Geoderma, 146, 102-113, DOI: 10.1016/j.geoderma.2008.05.008
  • IPCC. (2003). Good practice guidance for land use, land- use change and forestry, ıpcc national greenhouse gas ınventories programme, Chapter 4, Section 3, Intergovernmental Panel on Climate Change, Hayama, Japan, 590p.
  • Joshi, C., Leeuw, J.D., Skidmore, A.K., van Duren, I.C., & van Oosten H. (2006). Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods. International Journal of Applied Earth Observation and Geoinformation, 8(2006), 84-95, DOI: 10.1016/j.jag.2005.08.004
  • Kahyaoğlu, N., Güvendi, E., & Kara, Ö. (2019). Saf doğu kayını meşcerelerinde topraküstü biyokütle miktarlarının belirlenmesi (Sinop-Türkeli Örneği). Anadolu Orman Araştırmaları Dergisi, 5(2), 79-85.
  • Karamanlı, E. (2024). Karbon depolama kapasitesine dayalı arazi tahsis optimizasyonu. Doktora Tezi Çukurova Üniversitesi Fen Bilimleri Enstitüsü. Adana, Türkiye, 136s.
  • Keten, İ., & Gülsoy, S. (2020). Kızılçam (Pinus brutia Ten.) ormanlarında verimlilik ilişkileri. Bilge International Journal of Science and Technology Research, 4(2), 88-102, DOI: 10.30516/bilgesci.740067
  • Kılıç, M., Günal, H., & Budak, M, (2022). Toprak organik karbon içeriğinin tahmin ve haritalanmasında makine öğrenmesi tekniklerinin kullanımı. 1st International Conference on Engineering Natural and Social Sciences, 20-23 December 2022, Konya, Türkiye, 211-217s.
  • Li, Z., Bi, S., Hao, S., & Cui, Y. (2022). Aboveground biomass estimation in forests with random forest and Monte Carlo-based uncertainty analysis. Ecological Indicators, 142(109246),1-9, DOI: 10.1016/j.ecolind.2022.109246
  • Loi, D. T., Chou, T. Y., & Fang, Y. M. (2017). Integration of GIS and remote sensing for evaluating forest canopy density ındex in Thai Nguyen Province, Vietnam. International Journal of Environmental Science and Development, 8(8), 539-542. DOI: 10.18178/ijesd.2017.8.8.1012
  • Lourenço, P., Godinho, S., Sousa, A., & Gonçalves, A. C. (2021). Estimating tree aboveground biomass using multispectral satellite-based data in Mediterranean agroforestry system uaing random forest algorithm. Remote Sensing Applications: Society and Environment, 23, 1-11, DOI: 10.1016/j.rsase.2021.100560
  • Lu, D., Chen Qi, Wang, G., Moran, E., Batistella, M., Zhang, M., Laurin, G.V., & Saah, D. (2012). Aboveground forest biomass estimation with Landsat and LiDAR data and uncertainty analysis of the estimates, International Journal of Forestry Research, 2012(1), 1-16, DOI: 10.1155/2012/436537
  • Lu, D., Chen, Q., Wang, G., Liu, L., Li, G., & Moran, E. (2016). A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1), 63-105, DOI: 10.1080/17538947.2014.990526
  • Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qui, G. (2007). Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density Cypress Forest. Sensors, 7(11), 2636-2651, DOI: 10.3390/s7112636
  • OBM. (2025). Adana İli Orman Bölge Müdürlüğü İdaresi ve Planlama Şube Müdürlüğü (İç Yazışma Yoluyla). Adana, Türkiye.
  • Ravindranath, N.H., & Ostwald, M. (2008). Carbon Inventory Methods, Handbook for greenhouse gas ınventory, Carbon mitigation and roundwood production projects, Methods for estimating above-ground biomass - Chapter 10, 113-147p, Springer Dordrecht, The Netherlands.
  • Saraçoğlu, N. (1998). Biomass tables of beech (Fagus orientalis lipsky). Turkish Journal of Agriculture and Forestry, 22(1), 93-100.
  • Saraçoğlu, N. (2000). Sakallı kızılağac (Alnus glutinosa (L.) Gaertn subsp. barbata (C.A. Mey.) Yalt.) biyokutle tabloları. Turkish Journal of Agriculture and Forestry, 24(2), 147-156.
  • Segura, M., & Kanninen. M. (2005). Allometric models for tree volume and total aboveground biomass in a tropical humid forest in Costa Rica. Biotropica, 37(1), 2-8. DOI: 10.1111/j.1744- 7429.2005.02027.x
  • Sun, Y., Wang, B., Teng, S., Liu, B., Zhang, Z., & Li, Y. (2023). Continuity of top-of-atmosphere, surface, and nadir BRDF-Adjusted Reflectance and NDVI between Landsat-8 and Landsat-9 OLI over China landscape. Remote Sensing, 15(4948),1-17, DOI: 10.3390/rs15204948
  • TAV (Türkiye Orman Varlığı). (2020). T.C. Tarım ve Orman Bakanlığı Orman Genel Müdürlüğü Orman İdaresi ve Planlama Dairesi Başkanlığı, Türkiye Orman Varlığı Raporu, OGM Ofset, Ankara, Türkiye, 58p.
  • Tolunay, D., & Çömez, A. (2008). Türkiye ormanlarında toprak ve ölü örtüde depolanmış organik karbon miktarları. Hava Kirliliği ve Kontrolü Ulusal Sempozyumu 2008, 22-25 Ekim 2008, Hatay, Türkiye, 750-765.
  • Tolunay, D. (2011). Total carbon stock and carbon accumulation in living tree biomass in forest ecosystems of Turkey. Turkish Journal of Agriculture and Forestry, 35(3), 265-279, DOI: 10.3906/tar-0909-369
  • USGS. (2025). Landsat 9. https://www.usgs.gov/landsat- missions/landsat-9 (10 Mayıs 2025).
  • Ünsal, A., (2007). Adana Orman Bölge Müdürlüğü Karaisalı Orman İşletme Müdürlüğü kızılçam biyokütle tablolarının düzenlenmesi. Yüksek Lisans Tezi, Zonguldak Karaelmas Üniversitesi Fen Bilimleri Enstitüsü. Bartın, Türkiye, 62s.
  • Wu, Z., Yao, F., Zhang, J., & Liu, H. (2024). Estimating forest abovegground biomass using a combination of geographical random forest and empirical bayesian kriging models. Remote Sensing, 16(11), 1-19, DOI: 10.3390/rs16111859
  • Xie, F., & Fan, H. (2021). Deriving drought indices from MODIS vegetation indices (NDVI/EVI) and Land Surface Temperature (LST): Is data reconstruction necessary? International Journal of Applied Earth Observat,on and Geoinformation, 101, 1-16, DOI: 10.1016/j.jag.2021.102352
  • Zhang, X., Shen, H., Huang, T., Wu, Y., Guo, B., Liu, Z., Luo, H., Tang, J., Zhou, H., Wang, L., Xu, W., & Ou, G. (2024). Improved random forest algorithms for increasing the accuracy of forest aboveground biomass estimation using Sentinel-2 imagery. Ecological Indicators, 159, 1-11, DOI: 10.1016/j.ecolind.2024.111752
  • Zeng, N., Ren, X., He, H., Zhang, L., Zhao, D., Ge, R., Li, P., & Niu, Z. (2019). Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm. Ecological Indicators, 102, 479-487. DOI: 10.1016/j.ecolind.2019.02.023
Toplam 40 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Çevresel Değerlendirme ve İzleme, Doğal Kaynak Yönetimi, Çevre Yönetimi (Diğer), Orman Endüstri İşletmeciliği
Bölüm Makaleler
Yazarlar

Esin Karamanlı 0000-0003-0324-1486

Erken Görünüm Tarihi 15 Temmuz 2025
Yayımlanma Tarihi
Gönderilme Tarihi 21 Mayıs 2025
Kabul Tarihi 10 Haziran 2025
Yayımlandığı Sayı Yıl 2025 Cilt: 10 Sayı: 4

Kaynak Göster

APA Karamanlı, E. (2025). Farklı Meşçere Tiplerinde Kızılçam (Pinus Brutia) Ormanları İçin Toprak Üstü Biyokütle Karbon Tahmini: Landsat 9 Uydu Verileri ile Makine Öğrenmesi Yaklaşımı. Journal of Anatolian Environmental and Animal Sciences, 10(4), 408-415. https://doi.org/10.35229/jaes.1703797
 Kapak Resmi İndir


13221            13345           13349              13352              13353              13354          13355    13356   13358   13359   13361     13363   13364                crossref1.png            
         Paperity.org                                  13369                                         EBSCOHost                                                        Scilit                                                    CABI   
JAES/AAS-Journal of Anatolian Environmental and Animal Sciences/Anatolian Academic Sciences&Anadolu Çevre ve Hayvancılık Dergisi/Anadolu Akademik Bilimler-AÇEH/AAS