Identification of Potential Seagrass Areas in the Mediterranean Basin Using Geospatial Artificial Intelligence (GeoAI) Techniques
Öz
In today's world, biodiversity faces many challenges due to global climate change and increasing environmental problems. Seagrass meadows, also referred to as the lungs of the sea, play a crucial role in ecosystems. Seagrasses found in shallow waters reached by sunlight are considered the lungs of the sea due to their capacity to produce oxygen. Additionally, seagrass meadows provide habitats for marine organisms and serve as a food source for grazers. This research aims to predict the habitat areas of seagrass meadows in the Mediterranean using geospatial artificial intelligence (GeoAI) techniques. GeoAI techniques were employed to determine potential seagrass areas. An artificial intelligence model was developed to create a habitat distribution model considering the conditions of regions where the species exists within the study area. Seven spatial variables influencing the habitat conditions of seagrasses were identified in this study. Data sets from the Copernicus Marine Monitoring Service for the year 2023 were utilized. Data on existing seagrass meadows from the same source were used to train the artificial intelligence model. Within the ArcGIS Pro 3.2 software, the Presence-only Prediction (MaxEnt) tool was employed to predict the probability of species presence according to the Maximum Entropy method. The cutoff value in the model was set to 0.5, resulting in a 67.7% accuracy in model prediction based on classification results. The resulting map shows areas with significantly high probability values, indicating widespread seagrass habitat presence. These areas include the southern coast of Turkey, the Gulf of Iskenderun, the eastern and western coasts of the Aegean Sea, the southern parts of the Eastern Mediterranean Sea, the coasts of Egypt in the Levantine Sea, the coasts of the Central and Northern Adriatic Sea, the southern part of Sicily, especially the coasts of Tunisia, and the eastern-southeastern coasts of Spain in the Western Mediterranean. The results demonstrate that geospatial artificial intelligence techniques can effectively be used to predict ecosystems and identify terrestrial or marine habitats. The findings of this study are believed to have the potential to guide efforts in determining the distribution and conservation of habitats.
Anahtar Kelimeler
Geospatial Artificial Intelligence GeoAI Habitat Monitoring Maximum Entropy Mediterranean Basin
Kaynakça
- Akçalı, B., Karayalı, S., & diğerleri. (2021). Akdeniz deniz çayırları ve ekosistemi. Akdeniz Üniversitesi Deniz Bilimleri ve Teknolojisi Enstitüsü.
- Boudouresque, C. F., Meinesz, A., & diğerleri. (1982). Posidonia oceanica meadows. Oceanography and Marine Biology: An Annual Review, 20, 153-198.
- Çoban, H. O., Örücü, Ö. K., Arslan, E. S., & diğerleri. (2020). MaxEnt modeling for predicting the current and future potential geographical distribution of Quercus libani. Sustainability, 12, 2671.
- Costanza, R., d'Arge, R., de Groot, R., Farber, S., Grasso, M., Hannon, B., ... van den Belt, M. (1997). The value of the world's ecosystem services and natural capital. Nature, 387(6630), 253-260.
- De Martino, A., & De Martino, D. (2018). An introduction to the maximum entropy approach and its application to inference problems in biology. Heliyon, 4(4), e00596. https://doi.org/10.1016/j.heliyon.2018.e00596
- Du, Z., & diğerleri. (2014). MaxEnt applications in health prediction modeling. Journal of Health Informatics, 22(3), 189-204.
- Duarte, C. M., Chiscano, C. L., & diğerleri. (1999). Seagrass biomass and production: A reassessment. Aquatic Botany, 65(1-4), 159-174.
- Dural, B., Ertan, K. T., Çetin, H., & Yüce, H. (2013). Denizel çayırların biyolojik önemi ve türlerine genel bir bakış. Karadeniz Fen Bilimleri Dergisi, 3(1), 44-51.
- Elith, J., & diğerleri. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43-57.
- Fithian, W., & diğerleri. (2013). Statistical analysis using MaxEnt: An overview. Journal of Statistical Applications, 45(2), 89-105.
- Jones, B., Brown, C., & diğerleri. (2018). Factors influencing the performance of GeoAI models: A comprehensive review. International Journal of Geographic Information Science, 25(4), 567-589.
- Lahoz-Monfort, J. J., Magrath, M. J. L., & diğerleri. (2021). A comprehensive overview of technologies for species and habitat monitoring and conservation. BioScience, 71(10), 1038–1062.
- Mainwaring, A., Culler, D., Polastre, J., Szewczyk, R., & Anderson, J. (2002). Wireless sensor networks for habitat monitoring. In WSNA '02: Proceedings of the 1st ACM International Workshop on Wireless Sensor Networks and Applications (pp. 88–97). https://doi.org/10.1145/570738.570751
- Mobley, S., & diğerleri. (2019). MaxEnt in disaster management: A case study of flood prediction. International Journal of Disaster Risk Reduction, 33, 120-135.
- Nellemann, C. (Ed.). (2009). Blue carbon: The role of healthy oceans in binding carbon. UNEP/GRID-Arendal.
- Pasqualini, V., & diğerleri. (1997). Utilisation de la télédétection pour l’inventaire et la cartographie des herbiers marins. MIO-ECSDE.
- Short, F. T., Wyllie-Echeverria, S., & diğerleri. (1996). Natural and human-induced disturbance of seagrasses. Environmental Conservation, 23(1), 17-27.
- Smith, A., & diğerleri. (2020). The use of GeoAI models in determining live habitats. Journal of GeoAI, 5(2), 87-105.
- Uzun, A., Aksu, B., Uzun, T., & diğerleri. (2020). MaxEnt modeli kullanılarak Acer campestre L. subsp. campestre (Ova Akçaağacı)’nin tahmini olarak günümüz ve gelecekteki yayılış alanlarının belirlenmesi. Türkiye Peyzaj Araştırmaları Dergisi, 3(2), 108-119.
- Vaachi, A., & diğerleri. (2014). Deniz çayırları üzerine yapılan çalışmalarda belirsizlikler. Deniz Araştırmaları Dergisi, 21(3).
COĞRAFİ YAPAY ZEKA TEKNİKLERİ İLE AKDENİZ HAVZASINDA POTANSİYEL DENİZ ÇAYIRI ALANLARININ BELİRLENMESİ
Öz
Günümüzde canlılık küresel iklim değişikliği ve artan çevre sorunlarına bağlı, birçok sorunla karşı karşıyadır. Denizlerin akciğerleri olarak da isimlendirilen deniz çayırları ekosistem için çok önemli yere sahiptir. Güneş ışınlarının ulaştığı sığ sularda bulunan deniz çayırları, oksijen üretim kapasitesine sahip oldukları için denizlerin akciğerleri konumundadır. Deniz çayırları ayrıca deniz canlıları için yaşam ortamı sağlamakta ve otla beslenen canlıların besin kaynağını oluşturmaktadır. Bu araştırma Akdeniz'deki deniz çayırlarının habitat alanlarının coğrafi yapay zeka teknikleriyle tahmin edilmesini amaçlamaktadır. Potansiyel deniz çayırları alanlarının belirlenmesinde Coğrafi Yapay Zeka (GeoAI) teknikleri kullanılmıştır. Buna göre geliştirilen yapay zeka modeli ile araştırma alanında türün var olduğu bölgelerin koşullarını dikkate alarak bir habitat dağılım modeli oluşturulması hedeflenmektedir. Bu bağlamda çalışmada deniz çayırlarının habitat koşullarını etkileyen 7 mekânsal değişken belirlenmiştir. Araştırmada Copernicus Deniz İzleme Servisi tarafından sağlanan 2023 yılına ait veri setleri kullanılmıştır. Ayrıca aynı kaynak tarafından sağlanan mevcut deniz çayırlarına ait veriler yapay zeka modelinin eğitilmesi amacıyla kullanılmıştır. Araştırmada ArcGIS Pro 3.2 yazılımı içerisinde yer alan ve Maksimum Entropi yöntemine göre türlerin var olma olasılığını tahmin etmek için kullanılan Presence-only Prediction (MaxEnt) aracı kullanılmıştır. Buna göre modelde kesme değeri (Cutoff) 0,5 olarak belirlenmiş ve bu bağlamda sınıflandırılma sonuçlarına göre model tahmininde %67.7’lik bir doğruluk elde edilmiştir. Elde edilen sonuç haritasında belirgin bir şekilde yüksek olasılık değerlerine sahip olan bölgeler Türkiye güneyinde İskenderun Körfezi, Ege Denizinin Doğu ve Batı kıyıları ile Güney kesimleri, Güney Levanten Denizinde Mısır kıyıları, Orta ve Kuzey Adriyatik Denizi kıyıları, Sicilya Güneyi ile birlikte özellikle Tunus Kıyıları ve Batı Akdeniz’de İspanya'nın Doğu-Güneydoğu kıyıları deniz çayırları habitatlarının yaygın olarak bulunduğu alanları işaret etmektedir. Sonuçlar, coğrafi yapay zeka tekniklerinin, ekosistem tahmininde, karasal veya denizel habitatların belirlenmesinde etkili şekilde kullanılabileceğini göstermektedir. Çalışmanın bulguları, habitatların dağılımını belirleme ve koruma çabalarını yönlendirme potansiyeline sahip olduğu düşünülmektedir.
Anahtar Kelimeler
Akdeniz Havzası Coğrafi Yapay Zekâ GeoAI Habitat İzleme Maksimum Entropi
Kaynakça
- Akçalı, B., Karayalı, S., & diğerleri. (2021). Akdeniz deniz çayırları ve ekosistemi. Akdeniz Üniversitesi Deniz Bilimleri ve Teknolojisi Enstitüsü.
- Boudouresque, C. F., Meinesz, A., & diğerleri. (1982). Posidonia oceanica meadows. Oceanography and Marine Biology: An Annual Review, 20, 153-198.
- Çoban, H. O., Örücü, Ö. K., Arslan, E. S., & diğerleri. (2020). MaxEnt modeling for predicting the current and future potential geographical distribution of Quercus libani. Sustainability, 12, 2671.
- Costanza, R., d'Arge, R., de Groot, R., Farber, S., Grasso, M., Hannon, B., ... van den Belt, M. (1997). The value of the world's ecosystem services and natural capital. Nature, 387(6630), 253-260.
- De Martino, A., & De Martino, D. (2018). An introduction to the maximum entropy approach and its application to inference problems in biology. Heliyon, 4(4), e00596. https://doi.org/10.1016/j.heliyon.2018.e00596
- Du, Z., & diğerleri. (2014). MaxEnt applications in health prediction modeling. Journal of Health Informatics, 22(3), 189-204.
- Duarte, C. M., Chiscano, C. L., & diğerleri. (1999). Seagrass biomass and production: A reassessment. Aquatic Botany, 65(1-4), 159-174.
- Dural, B., Ertan, K. T., Çetin, H., & Yüce, H. (2013). Denizel çayırların biyolojik önemi ve türlerine genel bir bakış. Karadeniz Fen Bilimleri Dergisi, 3(1), 44-51.
- Elith, J., & diğerleri. (2011). A statistical explanation of MaxEnt for ecologists. Diversity and Distributions, 17(1), 43-57.
- Fithian, W., & diğerleri. (2013). Statistical analysis using MaxEnt: An overview. Journal of Statistical Applications, 45(2), 89-105.
- Jones, B., Brown, C., & diğerleri. (2018). Factors influencing the performance of GeoAI models: A comprehensive review. International Journal of Geographic Information Science, 25(4), 567-589.
- Lahoz-Monfort, J. J., Magrath, M. J. L., & diğerleri. (2021). A comprehensive overview of technologies for species and habitat monitoring and conservation. BioScience, 71(10), 1038–1062.
- Mainwaring, A., Culler, D., Polastre, J., Szewczyk, R., & Anderson, J. (2002). Wireless sensor networks for habitat monitoring. In WSNA '02: Proceedings of the 1st ACM International Workshop on Wireless Sensor Networks and Applications (pp. 88–97). https://doi.org/10.1145/570738.570751
- Mobley, S., & diğerleri. (2019). MaxEnt in disaster management: A case study of flood prediction. International Journal of Disaster Risk Reduction, 33, 120-135.
- Nellemann, C. (Ed.). (2009). Blue carbon: The role of healthy oceans in binding carbon. UNEP/GRID-Arendal.
- Pasqualini, V., & diğerleri. (1997). Utilisation de la télédétection pour l’inventaire et la cartographie des herbiers marins. MIO-ECSDE.
- Short, F. T., Wyllie-Echeverria, S., & diğerleri. (1996). Natural and human-induced disturbance of seagrasses. Environmental Conservation, 23(1), 17-27.
- Smith, A., & diğerleri. (2020). The use of GeoAI models in determining live habitats. Journal of GeoAI, 5(2), 87-105.
- Uzun, A., Aksu, B., Uzun, T., & diğerleri. (2020). MaxEnt modeli kullanılarak Acer campestre L. subsp. campestre (Ova Akçaağacı)’nin tahmini olarak günümüz ve gelecekteki yayılış alanlarının belirlenmesi. Türkiye Peyzaj Araştırmaları Dergisi, 3(2), 108-119.
- Vaachi, A., & diğerleri. (2014). Deniz çayırları üzerine yapılan çalışmalarda belirsizlikler. Deniz Araştırmaları Dergisi, 21(3).
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Türkiye Fiziki Coğrafyası, Çevresel Coğrafya |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Erken Görünüm Tarihi | 24 Haziran 2025 |
| Yayımlanma Tarihi | 30 Haziran 2025 |
| Gönderilme Tarihi | 14 Mart 2025 |
| Kabul Tarihi | 13 Mayıs 2025 |
| Yayımlandığı Sayı | Yıl 2025 Sayı: 4 |
Creative Commons
Bu derginin içeriği https://creativecommons.org/licenses/by-nc/4.0/ altında lisanslanmıştır.
Content of this journal is licensed under https://creativecommons.org/licenses/by-nc/4.0/