Hava Tabanlı LiDAR ile Tepe Altı Yüksekliğinin Tahmininde Makine Öğrenmesi Tabanlı Bir Yaklaşım

Authors : Tufan Demirel

Pages : 304-316

Doi:10.58816/duzceod.1801720

View : 66 | Download : 44

Publication Date : 2025-12-30

Article Type : Research Paper

Abstract :Orman ekosistemleri, karbon tutma, biyolojik çeşitlilik ve diğer ekosistem hizmetleri açısından kritik öneme sahiptir. Bu bağlamda, orman yapısal parametrelerinin doğru ve güncel ölçümü, sürdürülebilir ormancılık ve ekosistem yönetimi için gereklidir. Tepe altı yüksekliği (TAY), ormanların dikey yapısını tanımlamada temel bir parametre olup, biyokütle ve tomruk kalitesi modelleri ile orman yangını simülasyon modellerinde önemli bir rol oynar. Ancak klasik arazi ölçümleri zaman alıcı ve erişimi güç alanlarda uygulanabilirlik açısından sınırlıdır. Bu çalışmada, saf sahil çamı (Pinus pinaster) meşcerelerinde Hava tabanlı LiDAR verileri ve makine öğrenmesi algoritmalarından XGBoost kullanılarak TAY tahmin modeli geliştirilmiştir. 32 örnek alanda arazi ölçümleri gerçekleştirilmiş ve örnek alanlara ait TAY değerleri hesaplanmıştır. Hava tabanlı LiDAR verilerinden 56 yükseklik ve nokta bulutu metrikleri türetilmiş, yüksek korelasyonlu değişkenler elenerek 23 metrik modelde kullanılmıştır. XGBoost modeli için hiperparametre optimizasyonu Grid Search yöntemiyle yapılmış ve en iyi performans nrounds=50, max_depth=3 ve eta=0,3 parametreleri ile elde edilmiştir. Modelin genelleme performansı LOOCV ile değerlendirildiğinde yüksek doğruluk sağlanmış (R²=0,80; RMSE=0,28 m; MAE=0,21 m) ve tahminler gözlenen TAY değerleri ile güçlü uyum göstermiştir. Değişken önem analizi, elev_skewness, elev_max ve elev_AIH_30th metriklerinin TAY üzerinde önemli bir etkiye sahip olduğunu ortaya koymuştur. Sonuçlar, XGBoost algoritmasının LiDAR verilerine dayalı TAY tahmininde güvenilir ve etkin bir yöntem olduğunu göstermektedir.
Keywords : XGBoost, Sahil çamı, Uzaktan algılama

ORIGINAL ARTICLE URL