The aim of this study is to conduct accuracy analyses of Land Use Land Cover (LULC) classifications derived from Sentinel-2 and Landsat-8 data, and to reveal which dataset present better accuracy results. Zonguldak city and its near surrounding was selected as study area for this case study. Sentinel-2 Multispectral Instrument (MSI) and Landsat-8 the Operational Land Imager (OLI) data, acquired on 6 April 2016 and 3 April 2016 respectively, were utilized as satellite imagery in the study. The RGB and NIR bands of Sentinel-2 and Landsat-8 were used for classification and comparison. Pan-sharpening process was carried out for Landsat-8 data before classification because the spatial resolution of Landsat-8 (30m) is far from Sentinel-2 RGB and NIR bands (10m). LULC images were generated using pixel-based Maximum Likelihood (MLC) supervised classification method. As a result of the accuracy assessment, kappa statistics for Sentinel-2 and Landsat-8 data were 0.78 and 0.85 respectively. The obtained results showed that Sentinel-2 MSI presents more satisfying LULC images than Landsat-8 OLI data. However, in some areas of Sea class Landsat-8 presented better results than Sentinel-2.

Bu çalışmanın amacı, Zonguldak metropolitan alanı için Landsat 8 uydusuna ait veriler yardımıyla Arazi Kullanımı Arazi Örtüsü (AKAÖ) ve Yer Yüzey Sıcaklığı (YYS) arasındaki ilişkinin araştırılmasıdır. Bu kapsamda 24 Mayıs 2017 tarihinde alınan Landsat 8 uydu görüntüsü kullanılmıştır. YYS çıkarımı için pratik bir yöntem olan mono-window algoritması ele alınmıştır ve AKAÖ haritalarının oluşturulması için piksel tabanlı maksimum benzerlik yönteminden yararlanılmıştır. YYS görüntüsünün doğruluk analizlerini gerçekleştirmek için uydu verisi ile eş zamanlık olarak arazi çalışması gerçekleştirilmiştir. Arazi çalışmasında, data loggerlar yardımıyla eş dağılımlı noktalarda sıcaklık ve nem ölçümleri gerçekleştirilmiştir. Elde edilen YYS değerleri ile yersel ölçümlerle elde edilen yakın hava sıcaklığı değerleri arasındaki korelasyon katsayısı (R) %83 olarak belirlenmiştir. Ayrıca, üç yüz rastgele nokta seçilerek gerçekleştirilen AKAÖ haritasının doğruluk analizinde, ortalama doğruluk ve Kappa değeri sırasıyla %90 ve 0.86 olarak belirlenmiştir. YYS görüntüsü AKAÖ haritası arasındaki ilişkiyi incelemek için her bir AKAÖ sınıfından kesitler alınarak bu kesitlere karşılık YYS değerleri çıkarılmıştır. Genel olarak, yerleşim alanları ile açık yüzeyler yüksek YYS değerlerine sahipken, ormanlık ve bitki örtüsü ile kaplı alanlardaki YYS değerlerinin daha düşük olduğu gözlemlenmiştir. Yerleşim yerlerindeki YYS değerlerinin, bitki örtüsü kaplı alanlara nazaran ortalama 4 oC daha yüksek olduğu tespit edilmiştir.

Forest above-ground biomass (AGB) is one of the critical measures of forest resources. Therefore, it is crucial to identify a reliable method to estimate the AGB, especially in the tropics, where forest ecosystems are exposed to several depleting factors, including deforestation, climate change and replacing natural forests with palm oil tree plantations. We investigated the digital elevation data over the forest and uses an artificial intelligence-based approach to develop a method for quick and cost-effective assessment of the AGB. The study was conducted in the tropical peatland rainforest of Brunei Darussalam. The Shuttle Radar Topography Mission (SRTM) elevation data product and Light Detection and Ranging (LiDAR) digital elevation data were used. A linear regression (LR) model and three different machine learning (ML) algorithms, i.e., Random Forest (RF), Artificial Neural Network (ANN) and Support Vector Machines (SVM), were tested and compared. As model inputs, the SRTM elevation and distance from the peat dome’s center, a feature of a peatland swamp forest, were used. ML methods were trained on the samples taken from the LiDAR elevations. The validation results showed that the SVM was the best method to predict AGB in the study area with R2 = 0.70, RMSE = 83.65 Mg ha-1, and MAE = 74.43 Mg ha-1, which in relative terms corresponds to approximately 6% of the AGB of the forest of interests. This study demonstrated the potential of ML algorithms in AGB estimation based on canopy height derived from the InSAR-based DEM in tropical forests.

Günümüzde doğal ve beşeri nedenlerle artan orman yangınlarının Uzaktan Algılama ve Coğrafi Bilgi Sistemleri teknikleriyle belirlenmesi, yapılacak müdahale ve planlama için oldukça önemli hale gelmiştir. Orman yangını risk alanlarını haritalamak yangına müdahale anlamında işgücü, zaman ve maliyet bakımından oldukça yararlı olacaktır. Orman yangını risk haritaları yangın oluşumuna ve davranışına etki eden unsurları kısmen ortaya koymaktadır. Ülkemiz koşullarında, orman yangını risk haritaları yardımıyla özellikle arazi sınıflarındaki insan faktörüne ilişkin kullanımların yangın riskini değerlendirmelerdeki önemi net olarak anlaşılmaktadır. Bu çalışmada test alanı olarak Zonguldak ve Ereğli Orman İşletme Müdürlükleri seçilmiştir. Bu işletmelerde, 2008-2019 yılları arasında meydana gelen 126 adet orman yangınının, yangın sicil formu incelenmiştir. Yangın çıkan alanlarda yangına neden olan insan faktörü, topoğrafik faktörler ve arazi kullanım sınıfları belirlenmiştir. Yerleşim ve yol ağlarına ilişkin vektörel çıkarımlar Google Earth üzerinden yapılmıştır. Topoğrafik veriler için Sayısal Yükseklik Modeli verisi kullanılmıştır. Arazi kullanım verileri için Landsat 8 uydu verisi üzerinden sınıflandırma işlemleri gerçekleştirilmiş, yangına konu olan sınıflar belirlenmiştir. Değerlendirmeye alınan her bir faktör için Analitik Hiyerarşi Süreci yöntemiyle uygunluk puanları belirlenmiştir. Bu sonuçlara göre Coğrafi Bilgi Sistemleri ortamında orman yangını risk haritası oluşturulmuştur. Bu harita; düşük, orta ve yüksek risk grubu olmak üzere sınıflandırılmıştır. Toplam alanın %18’inin düşük, %43’ünün orta, %39’unun yüksek risk sınıfında olduğu görülmüştür. Sınıflandırılan haritanın doğruluk kontrolü için diskriminant analizi yapılmıştır. Analize göre çalışmada elde edilen yangın tehlike indeksi değerlerinin, çalışma alanını yangın risk gruplarına ayırmadaki önemi %86 olarak çıkmıştır. Orman yangınlarına müdahalede ilgili bölge için önemli bir altlık oluşturacak bu araştırma, yangına hassas diğer bölgeler için de geliştirilebilecektir.

Urban vegetation plays an important role for sustainable development policies, environmental conservation and urban planning process of a city. It is necessary to detect the amount of green areas and their distribution to form the ecosystem model of the urban environment. It is quite important to use satellite imagery having different ground sampling distance (GSD) in the economic and accurate detection of urban green areas. Especially object-based image analysis has been frequently used today for object extraction processes. In object-oriented image analysis, not only pixel gray values but also spectral and contextual data that help to distinguish the segments consisting of interrelated pixels on the image are used. For this reason, more positive results are obtained in comparison with pixel-based approaches. In this study, city center of Bartin, in which there is a rich amount of green areas and its vicinity was chosen as the test area. As the satellite image data, LANDSAT 7 ETM+ (28.5 m GSD), SPOT 4 Level 2 A (20 m GSD) and IKONOS (1 m GSD) were used. Test area was divided into segments involving lots of different classes on each image. Urban vegetation class was formed by determining the suitable functions for the objects which will be involved in the urban vegetation class. eCognition v4.06 software was used for object-based classification analysis. Classification results were transformed into vector data and visual and digital analyses were made using GIS.