Türkiye Tarımsal Araştırmalar Dergisi
dergipark.org.tr/tutad
Araştırma Makalesi / Research Article
Turk J Agric Res
2020, 7(2): 207-218
© TÜTAD
ISSN: 2148-2306
e-ISSN: 2528-858X
doi: 10.19159/tutad.739537
Farklı Konumsal Çözünürlüğe Sahip Uydu Görüntüleri Kullanarak
CORINE Arazi Örtüsü/Arazi Kullanım Sınıflarının Belirlenmesi
Nursaç Serda KAYA1, İnci DEMİRAĞ TURAN2*, Orhan DENGİZ1, Fikret SAYGIN3
1Ondokuz
Mayıs Üniversitesi, Ziraat Fakültesi, Toprak Bilimi ve Bitki Besleme Bölümü, Samsun, TÜRKİYE
Samsun Üniversitesi, İktisadi İdari ve Sosyal Bilimler Fakültesi, Coğrafya Bölümü, Samsun, TÜRKİYE
2
3Karadeniz
Tarımsal Araştırma Enstitüsü Müdürlüğü, Toprak ve Su Kaynakları Bölümü, Samsun, TÜRKİYE
Geliş Tarihi/Received: 18.05.2020
Kabul Tarihi/Accepted: 30.06.2020
ORCID ID (Yazar sırasına göre / by author order)
ORCID ID (Yazar sırasına göre / by author order)
İD orcid.org/0000-0001-9814-5651 İD orcid.org/0000-0002-5810-6591 İD orcid.org/0000-0002-0458-6016 İD orcid.org/0000-0001-7771-806X
orcid.org/0000-0001-9814-5651;
orcid.org/0000-0002-5810-6591; orcid.org/0000-0002-0458-6016; orcid.org/0000-0001-7771-806X
*
*Sorumlu
Sorumlu Yazar/Corresponding
Yazar/CorrespondingAuthor:
Author:dmrginci@gmail.com
dmrginci@gmail.com
Öz: Arazi örtüsü/kullanımı sınıflarının mevcut konumsal dağılımlarının belirlenmesi ve süreç içerisinde meydana gelen
değişimlerinin incelenmesi ekonomik ve sosyo-kültürel birçok alanda gerçekleştirilen çalışmalar için önemli bir temel
oluşturmaktadır. Bu nedenle, arazi örtüsü/arazi kullanımı hakkındaki bilgilerin kendi içlerinde tutarlı olabilmesi için sistematik
bir şekilde sınıflandırılması ve belli standartlarda üretilmesi gerekmektedir. Bu çalışma ile Samsun ili Vezirköprü (Türkiye)
ilçesine ait 11251 hektar büyüklüğünde bir alanın ait Landsat 8, Sentinel 2 ve Triplesat uydu görüntülerinden CORINE arazi
kullanım/arazi örtü sınıflamasının birinci ve ikinci düzeylerinde dağılım haritalarının oluşturulması ve yer gerçekleri ile
karşılaştırmalarının yapılması amaçlanmıştır. Elde edilen sonuçlara göre, çalışma alanına ait tüm uydu görüntülerinde en
yaygın dağılım gösteren sınıfın tarım alanları olduğu belirlenmiştir. Sınıflama hassaslığı bakımından Sentinel ve Triplesat
uydu görüntülerine ait kappa değerleri (% 92.95 ve % 93.11) benzer hassasiyette oranlanırken, Landsat uydu görüntüsünde bu
değerin % 83’e düştüğü belirlenmiştir. Ayrıca yaklaşık 34 yıllık süreç içerisinde gerek tarım alanlarından gerekse de orman
alanlarından bir kısmı yapay alanlara kaydığı belirlenmiştir. Çalışma sonucu arazi örtüsü/kullanımının izlenmesinde elde
edilen güvenilir sonuçlar ile uydu görüntülerinin geniş alanları, kısa zaman periyodlarında ve yüksek çözünürlüklü olarak
gözlemleme kabiliyetlerinden faydalanılabileceği önerilmiştir.
Anahtar Kelimeler: CORINE sınıflandırması, uydu verileri, Samsun, mekansal dağılım, görüntü işleme
Determination of CORINE Land Cover/Land Use Classes Using Satellite
Images with Different Spatial Resolution
Abstract: Determining the current spatial distribution of land cover/use classes and examining the changes occurring in the
process constitutes an important basis for studies conducted in many economic and socio-cultural areas. Therefore, for the
information on land cover/land use to be consistent among themselves, it must be systematically classified and produced to
certain standards. The aim of this study was aimed to produce distribution maps of the land use/land cover classes from Landsat
8, Sentinel 2, and Triplesat satellite images of an area of 11251 hectare in Samsun, Vezirköprü (Turkey) district and to compare
them with the ground reality. According to the results obtained, it was determined that the most widely distributed class in all
satellite images of the study area was the agricultural areas. In terms of classification accuracy, Kappa values (92.95% and
93.11%) of Sentinel and Triplesat satellite images were proportionally similar, while this value decreased to 83% in the
Landsat satellite image. In addition, it has been determined that some of the agricultural and forest areas have shifted to
artificial areas in a 34-year period. As a result of the study, it has been suggested that reliable results obtained in the monitoring
of land cover/land use can benefit from the ability to observe large areas of satellite images in short periods and high resolution.
Keywords: CORINE, satellite imagery, Samsun, spatial distribution, image processing
KAYA ve ark.
1. Giriş
Giderek artan ve 2050 yılında yaklaşık 10 milyara
ulaşacağı öngörülen dünya nüfusunun beraberinde
getirdiği aşırı mekânsal kullanım ve sanayileşme
faaliyetleri, doğal kaynakların hızla tüketilmesine
yol açmakta ve bunun bir sonucu olarak da insan
ihtiyaçlarının
giderilmesinde
yetersiz
kalınmaktadır. Tarımsal faaliyetlerden yerleşim
alanlarına kadar çok geniş bir kullanım alanına
sahip en değerli doğal kaynaklardan biri olan
arazilerin bilinçsiz kullanımı sonucu potansiyelinin
bozulmasına, verimsizleşmesine ve kirlenmesine
yol açmaktadır (Öztürk ve ark., 2010; Gülersoy,
2014). Ayrıca, nüfustaki bu dramatik artış kentlerin
çarpık ve düzensiz büyümesi ile tarım, orman ve
mera alanları üzerine olan baskıların artmasına
neden olmaktadır. Bu nedenle tarımsal arazi
planlamasında etkin arazi kullanım politikalarını
geliştirmek başta olmak üzere, gelecekteki talepleri
de göz önünde bulundurarak farklı arazi varlığı
tanımını kapsayan tüm alanların uygun yerlere
dağılımını sağlamak ve sürdürülebilir bir arazi
yönetimi için güncel arazi örtüsü/ kullanım durumu
hakkındaki bilgilere önemle ihtiyaç duyulmaktadır.
Arazi örtüsü ve arazi kullanımı terimleri çoğu
zaman birlikte kullanılmaktadır. Bu yüzden bu
terimlerin açık ve anlaşılır bir biçimde
tanımlanması oldukça önem arz etmektedir. Arazi
örtüsü; inşa alanları, ormanlar, tarımsal alanlar,
sulak araziler, yarı-doğal alanlar ve su kaynakları
gibi sınıflardan oluşan, dünyanın yüzeyini fiziksel
ve biyolojik olarak kaplayan bir örtüdür. (Di
Gregorio ve Jansen, 2000, Karnieli ve Rozenstein,
2011). Diğer taraftan arazi kullanımını ise;
yerleşim, endüstri, ticaret, tarım, orman ve dinlence
olarak karakterize edilmiş alanlar üzerindeki insan
faaliyetleri olarak ifade edilmektedir.
Türkiye’de hızla artan nüfus ve sanayileşme
faaliyetleriyle
birlikte,
arazi
örtüsü/arazi
kullanımında zamansal ve mekânsal anlamda
dinamik bir şekilde çok hızlı değişiklik meydana
gelmektedir. Tarımsal arazi kullanımında yaşanan
değişim incelendiğinde, özellikle Cumhuriyetin
kuruluşundan sonra, artan nüfusa paralel olarak
tarıma açılan arazi miktarında yıllar itibarıyla
önemli bir artışın gerçekleştiği görülmektedir. Bu
anlamda 1928 yılında yaklaşık 6.6 milyon hektar
alanda tarım yapılmakta iken, bu rakam 1950
yılında 25.3 milyon hektara, 1980’li yılların
sonunda yaklaşık 28 milyon hektar seviyelerine
ulaşmıştır (Dengiz ve ark., 2019). Fakat Türkiye
tarım arazilerinin toplam varlığı yaklaşık olarak
27.5 milyon ha ile tarım arazilerinin büyüklük
olarak son noktasına geldiği bu tarihten sonra
azalmalar meydana gelmekte olup, son yılların
verilerine göre toplam 78 milyon hektar
yüzölçümünün yaklaşık % 31’ine tekabül eden 23.9
milyon hektarlık kısmı tarım arazisi olarak
değerlendirilmektedir
(Anonim,
2020a).
Günümüzde gelişen teknolojiyle birlikte üzerinde
yaşadığımız coğrafya hakkında güncel ve doğru
bilgilerin hızlı bir şekilde elde edilmesi
kolaylaşmıştır. Bunun için kullanılan en yaygın ve
etkili yöntemler coğrafi bilgi sistem (CBS) ve
uzaktan algılama (UA) teknikleridir (Özyazıcı ve
ark., 2014). Bu tekniklerden özellikle birçok yer
bilimi çalışmalarında gereksinim duyulan arazi
örtüsü/arazi kullanımının tespitinin yanında
zamansal
ve
mekânsal
değişimlerinin
gözlenmesinde
de
yaygın
olarak
faydalanılmaktadır. Nitekim Dengiz ve Demirağ
Turan (2014), Samsun ili Atakum ilçesinde ASTER
uydu görüntüleri kullanılarak 1984 yılında
24313.76 ha olan tarım arazisinin, 2011 yılında
6960.69 hektara gerilemiş olduğunu, buna karşılık
tarım dışı arazi büyüklüğünün ise 1893.36
hektardan
7917.73
hektara
yükseldiğini
belirlemişlerdir. Yeryüzü üzerinde dağılım gösteren
arazi örtüsü/arazi kullanımı sınıflarının ve bu
sınıfların
mekânsal
dağılımlarının
güncel
durumlarının belirlenmesi ve zaman içerisinde
meydana
gelen
değişimlerin
incelenmesi;
ekonomik, ekolojik, sosyal, askeri ve daha birçok
alanda gerçekleştirilen çalışmalar için önemli bir
temel oluşturmaktadır (Sertel ve ark., 2018). Bu
nedenle, arazi örtüsü/arazi kullanımı hakkındaki
bilgilerin kendi içlerinde tutarlı olabilmesi için
standart ve sistematik bir şekilde sınıflandırılmasına
ihtiyaç duyulduğu gibi belirli standartlara uygun
olarak üretilmesi gerekmektedir. Bu amaç için 1985
yılında Avrupa Birliği Komisyonu tarafından
başlatılmış olan CORINE (Coordination of
Information on the Environment Project) en uygun
sınıflandırma sistemlerinden biri olup; bu projeyle
uydu görüntüleri üzerinden arazilerin izlenmesine
yönelik
arazi
örtüsü/arazi
kullanımındaki
değişiklikler, uzaktan algılama ve coğrafi bilgi
sistemleri yardımıyla tespit edilebilmektedir.
Türkiye’de de arazi kullanım sınıflandırma
haritalarının oluşturulması, arazi örtüsü /arazi
kullanımın belirlenmesi ve arazi kullanımındaki
zamansal değişimlerin CORINE düzeyinde
incelenmesi gibi birçok çalışma yapılmıştır
(Demirbüken, 1996; Eryılmaz, 2000; Everest ve
ark., 2011; Gençer, 2011; Şimşek, 2017; Bulut ve
ark., 2018; Kaya, 2019; Keleş ve Durduran, 2019;
Öztürk ve Gündüz, 2019). Bulut ve ark. (2018)
tarafından İzmir’e ait meteorolojik radar verileri
kullanarak CORINE Düzey 1 seviyesinde arazi
örtüsü sınıfları yapay bölgeler (konut, endüstri
bölgeleri vb.), tarımsal alanlar, ormanlar, sulak
alanlar ve su kütleleri olarak belirlenmiş, elde
edilen sonuçların arazi kullanımı ve planlama
süreçlerindeki karar destek sistemlerine katkı
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
208
KAYA ve ark.
sağlayacağı bildirilmiştir. Öztürk ve Gündüz (2019)
tarafından Samsun ilinin arazi kullanımı/arazi
örtüsündeki mekânsal ve zamansal değişimler 1990
ve 2012 yılları için CORINE düzey 2 seviyesinde
sınıflandırılmış ve süreç içerisindeki antropojenik
etkilerin çevresel sonuçlarının izlenmesi ve
değerlendirilmesi açısından mekânsal CBS
analizlerinin önemli bilgiler sunduğu rapor
edilmiştir.
Benzer şekilde, Keleş ve Durduran (2019), 1995
yılı LANDSAT-5 TM ve 2017 yıllı LANDSAT-8
OLI/TIRS uydu görüntülerinde piksel tabanlı
kontrollü sınıflandırma tekniğini uygulayarak
Osmaniye ilinin idari açıdan il olduktan sonraki
süreçte yaşadığı değişimin arazi örtüsü/arazi
kullanımına yansımasını CORINE Düzey 1
seviyesinde incelemişler ve bu süreçte hem nüfus
artışı hem de yeni imar alanlarının açılması ile
“yapay yüzeyler” sınıfında artış olduğunu
gözlemlemişlerdir.
Arazi
örtüsü/arazi
kullanımındaki
sınıflandırmaya yönelik diğer bir sistematik
yaklaşım ise Amerika Birleşik Devletleri Jeoloji
Servisi (USGS, United States Geological Survey)
tarafından geliştirilmiş yöntem olup, Hassan ve ark.
(2016) tarafından Pakistan’ın Islamabad kentinde
USGS’den 1992-2012 yılları arasında arazi
örtüsü/kullanımındaki mekânsal ve zamansal
değişimi LANDSAT uydu görüntüleri ile izlenmiş
ve tarım, inşaat alanları ve su kütlelerinde artışlar
olduğu bildirilmiştir. Ketema ve ark. (2020)
tarafından Afrika’nın güneydoğusunda küçük
toprak sahibi çiftçilerin yönettiği tarım arazilerinde
arazi örtüsü/arazi kullanımında meydana gelen son
değişim
LANDSAT
uydu
30 yıldaki
görüntülerinde, coğrafi bilgi sistemi ile entegre
edilen görüntü işleme algoritmaları kullanılarak
izlenmiş ve kontrolsüz bir şekilde artan nüfus ile
ekili alanlar genişleyerek, çıplak arazilerin arttığı ve
bitki örtüsünün de azaldığı rapor edilmiştir.
Bu çalışmada, Samsun ili Vezirköprü ilçe
sınırları içerisinde 20 mahallenin tamamını içeren
arazilerde üç farklı mekânsal çözünürlüğe sahip
uygu görüntülerinin (LANDSAT-8 30 m,
SENTINEL 2B-15 m ve TRIPLESAT-0.8 m)
eğitimli sınıflandırma yöntemi kullanılarak
CORINE
arazi
örtüsü/arazi
kullanımın
sınıflandırma sisteminin 1. ve 2. seviyelerine göre
haritaları
oluşturmak
ve
sonuçların
karşılaştırılmaları amaçlanmıştır.
2. Materyal ve Yöntem
2.1. Araştırma alanının genel özellikleri
Çalışma alanı Karadeniz Bölgesi’nin Orta
Karadeniz Bölümü’nde yer alan Samsun ilinin
Vezirköprü ilçesi sınırları içerisinde bir mikro
havzadır. İlçeyi batıdan Saraydüzü ve Osmancık,
doğudan Havza, güneyden Gümüşhacıköy ve
Merzifon ilçeleri çevrelerken, kuzeyinde Durağan,
Alaçam ve Bafra ilçeleri yer almakta olup, 41° 02’
27”- 41° 10’ 04” kuzey enlemleri ile 35° 29’ 36”35° 37’ 04” doğu boylamları arasındadır (Şekil 1).
Toplam çalışma alanı 11251 ha olup, ortalama
deniz seviyesinden yüksekliği 243 m ile 744 m
arasında değişmektedir. İlçenin Güneydoğu
sınırında kalan çalışma alanı, Ağcaalan, Aydoğdu,
Bahçekonak, Bayramköy, Boğazkoru, Çakırtaş,
Çalköy, Çekmeden, Esenyurt, Güder, Kızılcaören,
Kületek, Meşeli, Pazarcı, Tekekıranı, Yağcı,
Yeniçelik, Yürükçal köylerini içerisine almaktadır.
Şekil 1. Çalışma alanı yer bildiri haritası
209
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
KAYA ve ark.
Vezirköprü iklim koşulları bakımından kıyı
kuşağının nemli ılıman iklim tipi ile iç kesimlerin
karasal iklim tipi arasında, geçiş kuşağının kendine
özgü termik ve nemlilik özellikleriyle ayrılmakta;
kışları kıyıya göre daha soğuk, yazlarda daha sıcak
geçmektedir (Ağustos ayı aylık ortalama sıcaklık
22.3 oC) (Anonim, 2020b). Uzun yıllık ortalamalara
göre yıllık yağış miktarı 500 mm'nin üzerinde
bulunmakta, çevresindeki yüksek kesimlerde yağış
artışıyla birlikte kar şeklinde yağışların da etkili
olduğu görülmektedir. Vezirköprü ilçe sınırları
içerisinde dağılım gösteren toprakların jNSM 1.6.0
- Java Newhall Simülasyon Modeli (Van Wambeke
ve ark., 1986, 1992; Newhall ve Berdanier, 1996;
Van Wambeke, 2000) yardımıyla toprak sıcaklık
(Şekil 2) ve nem (Şekil 3) belirlenmiştir. Belirlenen
alanda toprak sıcaklık rejimi Mesic, toprak nem
rejimi ise Typic Xeric olarak bulunmuştur.
Şekil 2. Vezirköprü ilçesi Newhall modeline göre aylara göre toprak sıcaklık dağılımı
Şekil 3. Vezirköprü ilçesi Newhall modeline göre aylara göre toprak nem bütçesi dağılımı
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
210
KAYA ve ark.
2.2. Yöntem
Çalışma alanına ait 04.06.2018 tarihli 80 cm
çözünürlüğe sahip TRIPLESAT, 14.06.2018 tarihli
30 metre çözünürlüğe sahip LANDSAT-8 ve
03.06.2018 tarihli 15 metre çözünürlüğe sahip
SENTINAL 2B uydu görüntüleri temin edilmiştir
(Şekil 4). Uydu görüntülerinin sınıflandırmaya
uygun hale getirilmesi için radyometrik, atmosferik
ve geometrik düzeltme işlemleri yapılmış, kontrast
arttırma ve keskinleştirme gibi görüntü
zenginleştirme işlemleri uygulanmıştır. Görüntüler
CORINE düzey 1 ve 2 ölçeğinde sınıflara ayrılmış
ve buna göre sınıflandırma işlemi yapılmıştır.
CORINE düzey 1 sınıflamasında arazi
çalışmalarında her bir sınıf için kontrolü sağlanan
100 referans noktası olmak üzere toplam 400 nokta
kullanılarak sınıflandırma işlemi yapılmıştır.
Kontrollü sınıflandırma yönteminde çalışma
alanındaki yeryüzü özelliklerini tanımlayan yeterli
sayıdaki örnek alanlar kullanılarak her bir sınıf için
spektral
özellikleri
tanımlı
dosyalar
oluşturulmuştur. Kontrollü sınıflandırmada en çok
kullanılan sınıflandırma yöntemleri; En Kısa
Mesafe (Minimum Distance), Mahalanobis
Mesafesi (Mahalanobis Distance), En Yüksek
Olasılık (Maximum Likelihood) ve Parametrik
Kural (Parametric Rule) yöntemleridir. Ancak
günümüzde en çok kabul gören yöntem En Yüksek
Olasılık (Maximum Likelihood) yöntemidir
(Ekercin, 2007). Bu nedenle çalışma alanında
sınıflandırmada En Yüksek Olasılık (Maximum
Likelihood) yöntemi kullanılmıştır. Sınıflandırma
ve doğruluk analizi işlemlerinde ENVI 5.3,
haritalama işleminde ise ArcGIS 10.5 programları
kullanılmıştır.
Çalışma sahasında sınıflandırılmış piksellerin
doğruluk yüzdeleri hata matrisi yöntemi ile
hesaplanmıştır. Hata matrisinde hata ölçüsü vardır.
Bunlardan en çok kullanılanları; kullanıcı
doğruluğu, üretici doğruluğu ve genel doğruluktur
(Yan, 2006). Kullanıcı doğruluğu, Eşitlik 1’deki
gibi hesaplanmıştır (Yan, 2006).
Kullanıcı Doğruluk=
𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑛𝑛𝑛𝑛ik
(1)
Burada nii, sınıflandırılmış piksel ve nik,
sınıflandırılan toplam piksel anlamına gelmektedir.
Üretici doğruluğu ise her bir sınıf için doğru
olarak sınıflandırılmış piksel sayısının, o sınıf için
seçilen gerçek örtü tipi örnekleme sayısı toplamına
(sütun toplamı) bölünmesiyle Eşitlik 2’deki gibi
hesaplanmıştır.
Üretici Doğruluk=
𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
𝑛𝑛𝑛𝑛𝑘𝑘𝑘𝑘𝑛𝑛𝑛𝑛
(2)
Burada nii, doğru olarak sınıflandırılmış piksel
ve nki, o sınıf için seçilen gerçek örtü tipi örnekleme
sayısı toplamı anlamına gelmektedir.
Eşitlik 1 ve 2’deki değerden biri 100’e yakınken
diğeri çok düşükse ya da iki değer de çok küçükse
seçilen eğitim alanlarının ya da kullanılan
algoritmanın yeniden değerlendirilmesi gerekebilir
(Boyacı, 2012).
Genel doğruluk, her bir sınıf için doğru olarak
sınıflandırılmış piksel sayısının, toplam referans
piksel sayısına bölünmesi ile Eşitlik 3’teki şekilde
hesaplanmıştır.
(3)
Elde edilen sonucun, toplam doğruluk oranının
% 80 ve üzerinde olması sınıflandırılmanın doğru
ve güvenilir olduğunu göstermektedir (Koç ve
Yener, 2001; Özdemir ve Özkan, 2003).
Şekil 4. Çalışma alanına ait a) Landsat 8, b) Sentinel 2, c) Triplesat uydu görüntüleri
211
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
KAYA ve ark.
Doğruluk değerlendirilmelerinde kullanılan
diğer bir ölçüt kappa (k) değeridir. Kappa (k)
doğruluk değeri Eşitlik 4’te verilen formül
yardımıyla hesaplanmıştır.
(4)
Eşitlik 4’te r, hata matrisindeki toplam satır
sayısını; Xii, i. satır ve sütundaki piksel sayısını; Xi,
i. satırdaki toplam piksel sayısını; N, matrisin
tamamındaki piksel sayısını ifade etmektedir.
Kappa değeri 0 ile 1 arasında bir değer alır. Bu
değerin 1’e yakın olması doğruluğu daha güvenilir
hale getirir (Lillesand ve ark., 2007). Gözlemciler
arası uyumu belirten k değeri aralıkları şöyledir: k:
≤ 0.20 ise önemsiz uyum, k: 0.21-0.40 ise minimal
uyum, k: 0.41-0.60 ise orta derecede uyum, k: 0.61-
0.80 ise önemli derecede uyum, k: 0.81-1.00 ise
gözlemciler arasındaki uyumun tam olduğunu
göstermektedir (Çelik, 2006).
CORINE sınıflandırma sistemi: 1985 yılında
Avrupa Birliği Komisyonu tarafından başlatılmış
olan CORINE Projesi, sistematik bir veri tabanı
oluşturulmasını hedefleyen bir Arazi Kullanımı
Sınıflandırma Sistemi’dir (Anonim, 2020c).
CORINE projesinde arazi örtüsü/arazi kullanımını
ve değişimlerini belirlemek amacıyla arazi etütleri,
hava fotoğrafları ve uydu verilerinden temel
kartografik materyal olarak faydalanılmaktadır.
Corine projesi, 2017 itibariyle aralarında
Türkiye’nin de bulunduğu 39 ülkeyi kapsamaktadır.
Tüm Avrupa’da kabul görmüş ve ülkemizde de UA
ve CBS tekniklerinden faydalanılan CORINE Arazi
Örtüsü Sınıflandırma Sistemi, 3 düzey içermekte
olup bu çalışmada 1. ve 2. seviye tanımlar referans
alınmıştır. Uydu görüntülerinde CORINE 1. ve 2.
seviyelerine göre kategorize edilecek sınıf
dağılımları Tablo 1’de verilmiştir.
Tablo 1. CORINE sisteminin 1. ve 2. düzey arazi kullanım/örtü türü sınıfları
1. Düzey
1-Yapay alanlar
2-Tarım alanları
3-Orman ve yarı doğal alanlar
4-Sulak alanlar
5-Su kütlesi
2. Düzey
1.1. Yerleşim alanları
1.2. Endüstriyel, ticari ve ulaşım birimleri
1.3. Maden, boşaltım ve inşaat alanları
1.4. Yapay, tarımsal olmayan alanlar*
2.1. Ekilebilir alanlar
2.2. Sürekli ürünler*
2.3. Meralar
2.4. Karışık tarımsal alanlar
3.1. Orman yerleri
3.2. Maki ve otsu bitkiler (Fundalıklar)
3.3. Bitki örtüsü az veya olmayan alanlar
4.1. Karasal bataklıklar*
4.2. Deniz kaynaklı bataklık alanlar*
5.1. Karasal sular
5.2. Deniz suları*
*: CORINE sınıflarına göre çalışma alanı için tanımlanamayan sınıflar
Belirtilen arazi kullanım türlerinden düzey 1
için tarımsal alanlar, yapay bölgeler, su kütlesi ve
orman ve yarı doğal alanlar, düzey 2 için ise, yapay
alanlar; yerleşim alanları, endüstriyel, ticari ve
ulaşım birimleri, maden, boşaltım ve inşaat alanları,
tarım alanları; ekilebilir alanlar, meralar, karışık
tarımsal alanlar; orman ve yarım doğal alanlar
orman yerleri; maki ve otsu bitkiler, bitki örtüsü
olmayan veya az olan alanlar; su kütlesi, karasal
sular olarak sınıflandırılmıştır.
3. Bulgular ve Tartışma
Belirlenen sınıfların kontrolü için çalışma alanı
içerisinde doğruluk analizini gerçekleştirmek
amacıyla her bir sınıfa ait 100 adet olmak üzere
toplam 400 referans nokta seçilmiş ve el GPS’i ile
koordinatları kaydedilmiştir.
Uydu görüntülerinin CORINE 1. düzeye göre
sınıflandırılması sonucu elde edilen alansal ve
oransal dağılımlar Tablo 2’de ve dağılım haritaları
Şekil
5’te
sunulmuştur.
Triplesat
uydu
görüntüsünde tarım alanları 9922 ha ile toplam
3.1. Analiz sonuçları
Çalışmada, Samsun ili Vezirköprü ilçe
sınırlarını kapsayan ve 2018 Haziran ayına ait
Sentinel 2, Landsat 8 ve Triplesat uydu
görüntülerinde uzaktan algılama ve coğrafi bilgi
sistemi teknikleri kullanılarak arazi kullanım
haritaları CORINE 1. ve 2. seviyeye göre
üretilmiştir.
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
212
KAYA ve ark.
Tablo 2. Landsat 8, Sentinel 2 ve Triplesat uydu görüntülerinin CORINE 1. düzey sınıflarına göre arazi
kullanımı/arazi örtüsü alansal dağılımları
Arazi kullanımı
Orman ve yarı doğal alanlar
Su yapıları
Tarımsal alanlar
Yapay bölgeler
Toplam
Landsat 8
Alan (ha)
Oran (%)
1168
10.4
12
0.1
8376
74.4
1695
15.1
11251
100.0
Sentinal 2
Alan (ha)
Oran (%)
973
8.6
12
0.1
9685
86.1
581
5.2
11251
100.0
Triplesat
Alan (ha)
Oran (%)
830
7.4
12
0.1
9822
87.3
587
5.2
11251
100.0
Şekil 5. Sentinel 2, Triplesat ve Landsat 8 uydu görüntülerinin CORINE 1. düzeye göre sınıflandırılmış arazi
kullanımı/arazi örtüsü dağılım haritaları
sahanın % 88.2’sini kaplayarak, çalışma sahasının
en yaygın arazi kullanım türü olarak belirlenmiştir.
Tarım alanlarını sırasıyla; orman ve yarı doğal
alanlar (830 ha), yapay bölgeler (487 ha) ve su
yapıları (12 ha) takip etmiştir. Sentinel 2 uydu
görüntüsünün kontrollü sınıflandırma işlemi sonucu
tarım alanlarının 9685 ha ile toplam alanın
213
% 86.1’ini kapladığı belirlenmiştir. Triplesat ve
Sentinel 2 uydu görüntülerinde benzer büyüklük
dağılımı sergilediklerinden dolayı çalışma
sahasının en yaygın arazi kullanım türü tarım
alanları olarak belirlenmiştir. Triplesat uydu
görüntüsünde tarım alanlarını sırasıyla; orman (973
ha), yapay bölgeler (581 ha) ve su kütlesi (12 ha)
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
KAYA ve ark.
takip etmiştir. Çalışma alanda orman örtüsü dağınık
bir yayılım göstermekte iken tarım alanlarının
homojen
bir
şekilde
dağılım
gösterdiği
görülmektedir. Landsat 8 uydu görüntüsünün
kontrollü sınıflandırma sonuçlarına göre tarım
alanları 8376 ha ile toplam sahanın % 74.4’ini
kaplayarak, çalışma sahasının yine en yaygın arazi
kullanım türü olarak belirlenmiştir. Fakat Triplesat
ve Sentinel 2 görüntüleri ile karşılaştırıldığında bu
oran azalmış, yapay alanlar ise daha yüksek oranda
sınıflandırılmıştır. Tarım alanlarını sırasıyla; yapay
bölgeler (1695 ha), orman ve yarı doğal alanlar
(1168 ha) ve su yapıları (12 ha) takip etmiştir.
Landsat 8 uydu görüntüsünde tarım dışı olarak
sınıflandırılan alanların diğer uydu görüntülerine
göre daha fazla alan kapladığı görülmektedir. Bu
durumun Landsat 8 uydu görüntüsünün
çözünürlüğünün diğer iki uyduya göre daha düşük
olmasından kaynaklandığı söylenebilir. Nitekim
Sentinel 2 uydu görüntüsü piksel alan
çözünürlüğünün daha hassas spektral ölçümler
kaydedebilmesi sayesinde arazi örtüsünü Landsat 8
verilerine göre % 4-% 5 oranlarında daha doğru
sınıflayabildiği bildirilmiştir (Forkuor ve ark.,
2018).
Çalışma alanına ait uydu görüntülerinin
CORINE 2. düzey sınıflandırması sonucu alansal ve
oransal dağılımlar Tablo 3’te ve dağılım haritaları
Şekil 6’da verilmiştir. Buna göre Landsat 8 uydu
görüntüsü için CORINE 2. düzey sınıflandırmada
% 64.8’i ekilebilir alan olarak belirlenmiş olup,
çalışma alanının büyük bir bölümünü bu sınıfın
kapladığı görülmektedir. Alanın 956 hektarlık (%
8.5) kısmını şehir yapısı ve 340 ha (% 3) ise
endüstriyel,
ticari
ve
ulaşım
birimleri
oluşturmaktadır (Şekil 6, Tablo 3).
Sentinel 2 uydu görüntüsü için CORINE 2.
düzey sınıflamasına göre de çalışma alanının büyük
bir kısmını ekilebilir tarım alanları (7871 ha / %
70.0) oluşturmaktadır (Tablo 3). Fakat Sentinel 2
uydu görüntüsünde belirlenen alansal dağılımların
Landsat8’e göre yüksek (% 5.2) olduğu
belirlenmiştir. Bitki örtüsü az veya olmayan
bölgeler alanın % 3.1’lik kısmını kaplamaktadır ve
Landsat uydusuna göre daha belirgin bir şekilde
ortaya çıkmıştır (Şekil 6). Ayrıca bu uydu
görüntüsünde alanın % 0.2’lik kısmını maden
ocakları, boşaltım ve inşaat sahaları ve karasal sular
oluşturmaktadır. Maden ocakları, boşaltım ve inşaat
sahalarının çalışma alanının kuzeyinde bulunan
fundalık alanlarda ve güneydeki orman alanı
çevresinde olduğu görülmektedir. Triplesat uydu
görüntüsü için yapılan sınıflandırmada ise çalışma
alanının büyük bir kısmının ekilebilir alanlar (%
70.1) oluşturmakta ve hemen hemen Sentinel 2
uydu
görüntüsündeki
oranla
paralellik
göstermektedir. Fakat bu sınıflandırmada çalışma
alanındaki endüstriyel, ticari ve ulaşım birimleri
sınıfı alanın genelinde daha belirgin bir şekilde
ortaya çıkmıştır (Şekil 6). Bu da Triplesat uydu
görüntüsünün çözünürlüğünün diğer iki uyduya
göre daha yüksek olmasından kaynaklanmaktadır.
Arazi örtüsü/kullanımlarının belirlenmesine
yönelik çalışmalar Türkiye’de ilk olarak (Mülga)
Köy Hizmetleri Genel Müdürlüğü tarafından
yapılmıştır. 1987 yılında tamamlanan bu
çalışmalarda göre arazi örtüsü/kullanımına ayrılmış
olan sınıflamalar detaylı olmayıp, ana başlıklar
halinde verilmiştir. Bu kullanımlar kuru tarım, sulu
tarım, bağ-bahçe, fıstık-zeytin-çay-kestane vb.,
çayır, otlak, orman, çalı-funda, yerleşim, sazlıkbataklık, ırmak yatakları, kıyı kumulları, çıplak
kayalıklar ve su yüzeyleri olmak üzere 14 kullanım
türüne ayrılmıştır (Anonim, 1987). Çalışma alanın
Köy Hizmetleri Genel Müdürlüğü tarafından
yapılan sınıflamaya göre Samsun il arazi varlığı
raporuna göre (Anonim, 1984) arazi örtüsü/ arazi
kullanımı dağılımında Ormanlık ve fundalık alanlar
toplam alanın % 11.1’i kaplarken, tarım alanları
toplam alanın % 88.8’ni kapladığı rapor edilmiştir.
CORINE 1. düzeyde yüksek çözünürlüklü ve
Tablo 3. Landsat 8, Sentinel 2 ve Triplesat uydu görüntülerinin CORINE 2. düzey sınıflarına göre arazi
kullanımı/ örtüsü alansal dağılımları
Arazi kullanımı
Bitki örtüsü az veya olmayan alanlar
Ekilebilir alanlar
Karışık tarımsal alanlar
Maden ocakları, boşaltım ve inşaat sahaları
Maki veya otsu bitkiler (Fundalıklar)
Endüstriyel, ticari ve ulaşım birimleri
Meralar
Orman yerleri
Şehir yapısı
Karasal sular
Toplam
Landsat
Alan
Oran
(ha)
(%)
217
1.9
7691
68.4
965
8.6
9
0.1
281
2.5
340
3.0
232
2.1
548
4.9
956
8.5
12
0.1
11251
100.0
Sentinal
Alan
Oran
(ha)
(%)
345
3.1
7871
70.0
1323
11.8
12
0.1
465
4.1
62
0.6
242
2.2
578
5.1
341
3.0
12
0.1
11251
100.0
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
Triplesat
Alan
Oran
(ha)
(%)
349
3.1
7882
70.1
1214
10.8
12
0.1
452
4.0
85
0.8
235
2.1
571
5.1
439
3.9
12
0.1
11251
100.0
7(2): 207-218
214
KAYA ve ark.
Şekil 6. Sentinel 2, Landsat 8 ve Triplesat uydu görüntülerinin CORINE 2. düzeye göre sınıflandırılmış arazi
kullanımı/arazi örtüsü dağılım haritaları
yüksek doğruluk değeri elde edilen Triplesat
verileri ile karşılaştırıldığında geçen otuz dört yıllık
süreç içerisinde orman ve yarı doğal alanlar % 7.4
tarım alanları ise % 87.3’e gerilemiş olduğu
belirlenmiştir. Bu alanların özellikle yapay alanlara
doğru kaydığı gözlemlenmiştir. Dengiz ve Sarıoğlu
(2011) yaptıkları çalışmada Samsun ilinin yaklaşık
9579 km² olan toplam alanının sadece % 14.7’lik
(141112.8 ha) kısmının işlemeli tarıma uygun
alanlar olduğunu belirlemişlerdir. Dengiz ve
Demirağ Turan (2014) tarafından Samsun Atakum
ilçesinde yapılan 1984 yılında tarım dışı alan
bulunmaz iken, 2005 yılında 560.3 ha (% 29.1) ve
2011 yılında 962.9 ha (% 50) olduğu rapor edilmiş;
aynı çalışmada II. sınıf tarım arazilerinde ise 1984
yılında tarım dışı alan yine yok iken 2005 yılında
321.59 ha (% 47.8) ve 2011 yılında 536.56 ha
(%79.7) alanın olduğu tespit edilmiştir. Geçmişten
215
günümüzü yürütülen arazi örtüsü/kullanım tespiti
ve izlenmesi üzerine yapılan çalışmalar gün
geçtikçe tarım arazileri üzerindeki baskı arttırdığını
göstermektedir. Bunun önüne geçebilmek ve
planlama yapabilmek için uygun arazi kullanımına
yönelik sistematik çalışmaların gelişen UA ve CBS
tekniklerinde de faydalanılarak yürütülmesinin
önemi daha da artmaktadır.
3.2. Doğruluk analizlerinin değerlendirmesi
Üç farklı çözünürlüğe sahip uydu görüntüsü
kullanılarak CORINE arazi kullanım/arazi örtüsü
sınıflama çalışmasına yönelik doğruluk analizleri
saha çalışmaları sonucu belirlenen yer gerçekleri ile
karşılaştırılmıştır (Tablo 4). Elde edilen sonuçlara
göre Sentinel 2 uydu görüntüsünde % 92.95
doğruluk katsayısı ile çıkarımlar yapılmıştır. Bu
değere göre sınıflandırmanın doğru ve güvenilir
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
KAYA ve ark.
Tablo 4. Çalışma alanı yer gerçeklerine göre Sentinel 2, Landsat 8 ve Triplesat uydu görüntülerinin doğruluk
analizi sonuçları
Sentinal (%)
Sınıf
Orman
Tarım
Toplam
Orman
88.36
0
8.17
3.17
Su kütlesi
0
99.26
0
0
Tarım alanları
11.64
0.01
91.18
9.52
Yapay bölgeler
0
0.73
0.65
87.31
Toplam
100.00
100.00
100.00
100.00
Genel doğruluk= % 92.95, Kappa değeri= 0.90
Landsat (%)
Yapay
Sınıf
Orman
Su kütlesi
Tarım
alanlar
Orman
90.75
0
5.26
1.27
Su kütlesi
0.04
94.80
4.24
0.41
Tarım alanları
5.98
3.60
85.61
14.52
Yapay alanlar
3.23
1.60
4.89
83.80
Toplam
100.00
100.00
100.00
100.00
Genel doğruluk= % 87.37, Kappa değeri= 0.83
Triplesat (%)
Yapay
Sınıf
Orman
Su kütlesi
Tarım
alanlar
Orman
87.38
0
8.01
1.23
Su kütlesi
0
99.25
0.30
0.00
Tarım
11.63
0.01
89.25
3.75
Yapay alanlar
0.99
0.74
2.44
95.02
Toplam
100.00
100.00
100.00
100.00
Genel doğruluk= % 93.11, Kappa değeri= 0.90
27.71
35.77
28.62
7.90
100.00
Su kütlesi
Tarım dışı
olduğu kabul edilmektedir (Koç ve Yener, 2001;
Özdemir ve Özkan, 2003). Ayrıca 0.90 kappa
değeri gözlemciler arasındaki uyumun tam
olduğunu göstermektedir. Görüntüdeki en yüksek
kullanıcı doğruluğu % 100 ile su kütlelerinden elde
edilmiştir. Su kütlelerini sırasıyla; yapay bölgeler
(% 94.49) orman ve yarı doğal alanlar (% 91.10) ve
tarım alanları (% 85.53) izlemiştir. Landsat 8 uydu
görüntüsü sınıflandırma sonuçları için % 87.37
doğruluğa ulaşılmış ve kapa değeri 0.83 ile
gözlemciler arasındaki uyumun tam olduğunu
göstermektedir. En yüksek kullanıcı doğruluğu %
92.01 ile orman ve yarı doğal alanlardan elde
edilmiştir. Orman alanlarını sırasıyla; yapay
bölgeler (% 87.05), tarım alanları (% 86.26) ve su
kütlesi (% 65.47) izlemiştir. Genel sınıflama
doğruluğu % 93.11 ve duyarlılığı 0.90 olan
Triplesat uydu görüntüsünde en yüksek kullanıcı
doğruluğu % 100 ile su kütlesinden elde edilmiştir.
Su kütlesini sırasıyla; yapay bölgeler (% 94.49),
orman ve yarı doğal alanlar (% 91.10) ve tarım
alanları (% 85.40) izlemiştir.
CORINE 2. düzey sınıflandırmada ise tespit
edilen 10 sınıf için 20’şer referans noktası alınarak
toplam 100 nokta kaydedilmiştir. Belirlenen
noktaların kontrollü sınıflandırma doğruluğu
Landsat 8 uydu görüntüsü için % 86.70, Sentinel 2
uydu görüntüsü için % 86.80 ve Triplesat uydu
Toplam
30.67
5.34
40.40
23.59
100.00
Toplam
24.22
31.26
25.12
19.40
100.00
Üretici
doğruluğu
88.36
99.26
91.18
87.31
Kullanıcı
doğruluğu
91.10
100.00
85.53
94.49
Üretici
doğruluğu
90.75
94.80
85.61
83.80
Kullanıcı
doğruluğu
92.01
65.47
86.26
87.05
Üretici
doğruluğu
87.38
99.25
89.55
95.02
Kullanıcı
doğruluğu
91.10
100.00
85.40
94.49
görüntüsü için ise % 89.78 olarak bulunmuştur.
CORINE 2. düzey sınıflandırmada da genel
sonuçların doğru ve güvenilir olduğu kabul
edilmektedir.
Çalışma
alanından
yapılan
sınıflandırmalarda hem genel doğruluk hem de
kappa değerinin en yüksek olduğu, Triplesat uydu
görüntüsünün yüksek mekânsal çözünürlüğe sahip
olmasından dolayı arazi örtüsü /kullanım tespitinde
Sentiel 2 ve Landsat verilerine göre nispeten daha
etkili ve güvenilir olduğu belirlenmiştir.
4. Sonuçlar
Bu çalışmada 11251 ha büyüklüğündeki Samsun ili
Vezirköprü ilçe sınırlarına ait; Landsat 8, Sentinel 2
ve Triplesat uydu görüntüleri uzaktan algılama ve
coğrafi bilgi sistemi teknikleri kullanılarak
kontrollü olarak sınıflandırılmış ve her bir uydu
görüntüsüne ait arazi kullanım türleri CORINE
Sınıflandırma Sistemi’nin 1. ve 2. düzeylerine göre
% 80 ve üzerinde yüksek doğrulukla ayrılmıştır.
Çalışma alanının CORINE 1. düzey arazi
kullanımı/arazi örtüsü sınıflandırmasına göre üç
uydu görüntüsünde de tarımsal alanlar büyük bir
alan kaplamaktadır. Tarım alanları Landsat uydu
görüntüsünde toplam alanın % 74.4’ünü, Sentinal
uydu görüntüsünde % 86.1’ini ve Triplesat uydu
görüntüsünde ise % 87.3’ü oluşturduğu
görülmektedir. Tarım alanlarını orman ve yarı doğal
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
216
KAYA ve ark.
alanlar takip etmektedir. Orman ve yarı doğal
alanlar Landsat uydu görüntünde 1168 ha (% 10.4),
Sentinal uydusunda 973 ha ( % 8.6) ve Triplesat
uydusunda ise 830 ha (% 7.4) alana sahiptir.
Arazi Kullanım Planının Yapılması -Vezirköprü
Örneği” projesi kapsamında üretilmiştir.
CORINE 2. düzey arazi kullanımı/arazi örtüsü
sınıflandırmasında da ekilebilir alanlar en fazla alan
kaplamaktadır. Ekilebilir alan Landsat uydu
görüntüsü sınıflandırmasında 7691 ha (% 68.4),
Sentinal uydu görüntüsünde 7871 ha (% 70.0) ve
Triplesat uydu görüntüsünde ise 7882 ha (% 70.1)
alan kaplamaktadır. Yine her üç görüntüden yapılan
sınıflandırmada da maden ocakları, boşalım ve
inşaat alanı ve karasal sular en düşük alana sahip
sınıf olmuştur.
Anonim, 1984. Samsun İl Arazi varlığı. Köy Hizmetleri
Genel Müdürlüğü, Ankara.
Anonim, 1987. Genel Toprak Amenajman Planlaması.
Köy Hizmetleri Genel Müdürlüğü, Ankara.
Anonim, 2020a. Bitkisel Üretim İstatistikleri. Türkiye
İstatistik Kurumu (TÜİK), (http://www.tuik.gov.tr/
bitkiselapp/bitkisel.zul), (Erişim tarihi: 20.04.2020).
Anonim, 2020b. Meteoroloji Genel Müdürlüğü
Vezirköprü Bülteni. (https://www.mgm.gov.tr/veri
degerlendirme/il-ve-ilçeleristatistikaspx?k=A&m=
SAMSUN), (Erişim tarihi: 15.03.2020).
Anonim, 2020c. Avrupa Çevre Ajansı, Corine 2000
Teknik Kılavuzu. (https://www.eea.europa.eu/tr),
(Erişim tarihi: 20.04.2020).
Boyacı, D., 2012. CBS-uzaktan algılama entegrasyonu ve
örnek uygulama: Uydu görüntülerinden detay ve
otomatik Öznitelik tespiti. Doktora tezi, Selçuk
Üniversitesi Fen Bilimleri Enstitüsü, Konya.
Bulut, H., Demirörs, Z., Alan, İ., Kaya, Ş., Bilgin, N.,
Öztaş, Z., Gürçayır, E., Darende, V., 2018. 2018 Yılı
İzmir Meteorolojik Radar Verilerinin Zamansal ve
CORINE Arazi Sınıflarına Göre Değişiminin Coğrafi
Bilgi Sistemleri ile Analizi. Meteoroloji Genel
Müdürlüğü Yazılım Geliştirme Şube Müdürlüğü,
Ankara.
Çelik, H., 2006. İstanbul Sarıyer ilçesine ait uzaktan
algılama uydu verileri ile mekansal veri analizleri.
Yüksek lisans tezi, Çanakkale Onsekiz Mart
Üniversitesi, Fen Bilimleri Enstitüsü, Çanakkale.
Demirbüken, H., 1996. Ankara ili yerleşim alanı arazi
örtüsünün ve 1986-1995 yılları arasındaki değişimin
uzaktan algılama teknikleri ile belirlenmesi. Bilim
Uzmanlığı Tezi, Hacettepe Üniversitesi, Fen
Bilimleri Enstitüsü, Çevre Bilimleri Anabilim Dalı,
Ankara.
Dengiz, O., Demirağ Turan, İ., 2014. Uzaktan algılama
ve coğrafi bilgi sistem teknikleri kullanılarak arazi
örtüsü/arazi
kullanımı
zamansal
değişimin
belirlenmesi: Samsun Merkez ilçesi örneği (19842011). Türkiye Tarımsal Araştırmalar Dergisi, 1(1):
78-90.
Dengiz, O., Demirağ Turan, İ., Özkan, B., 2019. Erzurum
ili temel coğrafi özellikleri ve potansiyel işlemeli
tarım alanı varlığı. Atatürk Üniversitesi Ziraat
Fakültesi Dergisi, 50(2): 136-152.
Dengiz, O., Sarıoğlu, F.E., 2011. Samsun ilinin
potansiyel tarım alanlarının genel dağılımları ve
toprak etüt ve haritalama çalışmalarının önemi.
Anadolu Tarım Bilimleri Dergisi, 26(3): 241-253.
Di Gregorio, A., Jansen, L.J.M., 2001. Land-Cover
Classification System (LCCS): Classification
Concepts and User Manual. FAO, Rome.
Ekercin, Semih., 2007. Uzaktan algılama ve coğrafi bilgi
sistemleri entegrasyonu ile Tuz Gölü ve yakın
çevresinin zamana bağlı değişimi. Doktora tezi,
Bütün uydu görüntülerinde doğruluk % 80’in
üzerinde çıkmıştır. Bu da sınıflandırmanın doğru ve
güvenilir olduğunu göstermektedir. Bu durum arazi
örtüsü / kullanımının belirlenmesi ve izlenmesinde
yüksek çözünürlüklü uydu görüntülerinden
faydalanılmasının
güvenilir
olduğunu
göstermektedir. Ayrıca bütün uydu görüntüleri için
yapılan sınıflandırmada kappa değerinin 0.81-1.00
arasında oranlanması ile gözlemciler arasındaki
uyumun tam olduğu belirlenmiştir. Doğruluk
analizinde her ne kadar üç uydu görüntüsünde de
doğruluk dereceleri bilimsel olarak kabul edilebilir
sınırlar üzerinde olsa da Sentinel 2 ve Triplesat
uydu görüntüleri birbirine yakın sonuçlar göstermiş
ve daha yüksek değerler elde edilerek sınıflama
daha hassas hale getirilmiştir.
Günümüz teknolojilerinin kullanılmasıyla kısa
sürede çok daha fazla bilgi kullanılabilir ve
işlenebilir hale gelmektedir. Özellikle uzaktan
algılama
ve
coğrafi
bilgi
sistemlerinin
kullanılmasıyla geniş alanlarda doğruluğu yüksek
sonuçlar elde edilmektedir. Nitekim arazi kullanım
planlamalarına temel oluşturan mevcut durumunun
ve geçmişten günümüze değişimin tespit edilmesi
sonucu karar vericiler için ileriye dönük
projeksiyonların kurulması ile sürdürülebilir arazi
kullanım
planlamalarına
önemli
katkılar
sağlamaktadır. Çalışma sonucu elde edilen
güvenilir bulgular bu alanda uzaktan algılama ve
CBS tekniklerinin sistematik sınıflama yöntemleri
ile uyumlu bir şekilde kullanılabildiğini ve bu
tekniklerin etkin arazi kullanım politikalarının
geliştirilmesinde standart yaklaşımlar olarak
kullanılabileceği önerilmiştir.
Teşekkür
Bu çalışma; T.C. Tarım ve Orman Bakanlığı,
Tarımsal Araştırmalar ve Politikalar Genel
Müdürlüğü (TAGEM) tarafından desteklenen
TAGEM/TSKAD/B/18/A9/P2/1017
kodlu
“Coğrafi Bilgi Sistem Modellemesi ile Tarımsal
217
Kaynaklar
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
KAYA ve ark.
İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü,
İstanbul.
Eryılmaz, Y., 2000. Uzaktan algılama metoduyla arazi
kullanımının sınıflanması ve arazi kullanımında
değişikliklerin tespiti (Çanakkale Örneği, 19921998). Yüksek lisans tezi, Gebze İleri Teknoloji
Enstitüsü, Kocaeli.
Everest, T., Akbulak, C., Özcan, H., 2011. Arazi kullanım
etkinliğinin değerlendirilmesi: Edirne ili Havsa ilçesi
örneği. Anadolu Tarım Bilimleri Dergisi, 26(3): 251257.
Forkuor, G., Dimobe, K., Serme, I., Tondoh, J. E., 2018.
Landsat-8 vs. Sentinel-2: Examining the added value
of Sentinel-2’s red-edge bands to land-use and landcover mapping in Burkina Faso. Giscience & Remote
Sensing, 55(3): 331-354.
Gençer, M., 2011. Eğirdir Gölünü çevreleyen arazilerin
CORINE yöntemine göre arazi kullanım sınıflaması.
Yüksek lisans tezi, Süleyman Demirel Üniversitesi
Fen Bilimleri Enstitüsü, Isparta.
Gülersoy, A.E., 2014. Seferihisar’da arazi kullanımının
zamansal değişimi (1984-2010) ve ideal arazi
kullanımı için öneriler. Süleyman Demirel
Üniversitesi, Fen Edebiyat Fakültesi Sosyal Bilimler
Dergisi, 31(1): 155-180.
Hassan, Z., Shabbir, R., Ahmad, S.S., Malik, A.H., Aziz,
N., Butt, A., Erum, S., 2016. Dynamics of land use
and land cover change (LULCC) using geospatial
techniques: a case study of Islamabad Pakistan.
Springer Plus, 5(1): 812-913.
Karnieli, A., Rozenstein, O., 2011. Comparison of
methods for land-use classification incorporating
remote sensing and GIS inputs. Applied Geography,
31(2): 533-544.
Kaya, N., 2019. Bitki desenlerinin belirlenmesinde
uzaktan algılamanın kullanılması. Yüksek lisans tezi,
Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
Keleş., B., Durduran, S.S., 2019. Osmaniye ilinin arazi
örtüsü ve kullanımındaki zamansal değişimin uzaktan
algılama teknikleri ile araştırılması. Necmettin
Erbakan Üniversitesi Fen ve Mühendislik Bilimleri
Dergisi, 1(1): 32-52.
Ketema, H., Wei, W., Legesse, A., Wolde, Z., Temesgen,
H., Yimer, F., Mamo, A., 2020. Quantifying
smallholder farmers’managed land use/landcover
dynamics and its drivers in contrasting agroecologicalzones of the East African Rift. Global
Ecology and Conservation, 21(1): 1-16.
Koç, A., Yener, H., 2001. Uzaktan algılama verileriyle
İstanbul çevresi ormanlarının alansal ve yapısal
değişikliklerinin saptanması. İstanbul Üniversitesi,
Orman Fakültesi Dergisi, Seri A, 51(2): 17-36.
Lillesand, T.M., Kiefer, R.W., Chipman, J.W., 2007.
Remote Sensing and Image Interpretation. Sixth
Edition, New York, USA: John Wiley & Sons.
Lindsay, W.L., Norvell, W.A., 1978. Development of a
DTPA soil test for zinc, iron, manganese and copper.
Soil Science Society of American Journal, 42(3): 421428.
Newhall, F., Berdanier, C.R., 1996. Calculation of Soil
Moisture Regimes from the Climatic Record. Soil
Survey Investigations Report No. 46, National Soil
Survey Center, Natural Resources Conservation
Service, Lincoln, NE.
Özdemir, İ., Özkan, Y.U., 2003. Armutlu Orman İşletme
Şefliğindeki
orman
alanlarındaki
değişimin
LANDSAT uydu görüntülerinin kullanılarak
değerlendirilmesi. Süleyman Demirel Üniversitesi
Orman Fakültesi Dergisi, 1: 55-66.
Öztürk, D., Gündüz, U., 2019. Samsun ili arazi
kullanımı/örtüsünün
mekânsal-zamansal
değişimlerinin
fraktal
analiz
kullanılarak
belirlenmesi. Uludağ Üniversitesi Mühendislik
Fakültesi Dergisi, 24(2): 643-660.
Öztürk, M., Mermut, A., Çelik, A., 2010. Land
Degradation, Urbanisation, Land Use Environment.
NAM Science & Technology Centre.
Özyazıcı, M.A., Dengiz, O., İmamoğlu, A., 2014. Siirt ili
bazı arazi ve toprak özelliklerinin coğrafi bilgi sistem
analizleriyle değerlendirilmesi. Türkiye Tarımsal
Araştırmalar Dergisi, 1(2): 128-137.
Sertel, E., Musaoğlu, N., Alp, G., Yay Algan, I., Kaya, Ş.,
Yüksel, B., Yılmaz, A., 2018. 1:25.000 ölçekli ulusal
arazi örtüsü/kullanımı sınıflandırma sistemi ile HGK
TOPOVT Veritabanının Karşılaştırılması. Harita
Dergisi, 160(1): 34-46.
Şimşek, A., 2017. CORINE 4. seviye arazi
örtüsü/kullanım sınıflarının belirlenmesi ve yüzey
akış risk haritasının oluşturulması (Bartın Çayı
Havzası örneği). Yüksek lisans tezi, Bartın
Üniversitesi Fen Bilimleri Enstitüsü, Bartın.
Van Wambeke, A., Hastings, P., Tolomeo, M., 1986.
Newhall Simulation Model: A BASIC Program for
The IBM PC. Department of Agronomy, Cornell
University. Diskette and Booklet. Ithaca, NY.
Washington, DC.
Van Wambeke, A., Hastings, P., Tolomeo, M., 1992.
Newhall Simulation Model-A BASIC Program for
the IBM PC (DOS 2.0orlater). Cornell University,
Department of Agronomy, Ithaca, NY. Washington,
DC.
Van Wambeke, A.R., 2000. The Newhall Simulation
Model for Estimating Soil Moisture & Temperature
Regimes. Department of Crop and Soil Sciences, U.S.
Departmanet of Agriculture, Ithaca, N.Y.
Washington, DC.
Yan, G., Mas, J.F., Maathuis, B.H., Xiangmin, Z., Van
Dijk, P. M., 2006. Comparison of Pixelbased and
Object-Oriented Image Classification Approaches-A
Case Study in a Coal Fire Area, Wuda, Inner
Mongolia, China.
Türkiye Tarımsal Araştırmalar Dergisi - Turkish Journal of Agricultural Research
7(2): 207-218
218