Models of forest inventory for Istanbul forest using airborne LiDAR and spaceborne imagery
Başlık çevirisi mevcut değil.
- Tez No: 403092
- Danışmanlar: DR. ROBERT E. FROESE
- Tez Türü: Yüksek Lisans
- Konular: Ormancılık ve Orman Mühendisliği, Forestry and Forest Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Mıchıgan Technologıcal Unıversıty
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Özet yok.
Özet (Çeviri)
Active remote sensing technology (LiDAR) and passive remote sensing technology (Pleiades and Göktürk-2 satellites) were used to find a meaningful relationship between ground data and remote sensing instruments for Istanbul Forest, Turkey. Two dominant species in the field, oak (deciduous trees) and maritime pine (coniferous trees), were researched. There were 86 plots total, 41 for maritime pine and 45 for oak. Three diameter at breast height (DBH) thresholds were studied. Trees of any DBH (DBH≥0.1 cm), trees ≥8 cm DBH thresholds and, trees ≥10 cm DBH thresholds. Both satellite image metrics were derived from Grey Level Co-occurrence Measures (GLCM). All metrics derived from satellite images and LiDAR data were incorporated into a hybrid approach. All metrics were separated and compared to each other to investigate how they are functioning separately. Linear regression, randomForest, and randomForest imputation models were used. The best R2 was 0.90 using three remote sensing instruments for tree counts based on the plot level for oak species. The highest % explained variances were 67.15% for tree count based on the plot level for oak species in randomForest model and 55.85% for tree count based on the plot level for oak species in randomForest Imputation. LiDAR data had a better relationship with ground data. Band 2 and band 4 of both satellite images were stronger predictors for deciduous trees. Band 3 and band 4 of both satellite images were used more for coniferous trees. Some of the most useful GLCM options were entropy for deciduous trees and correlation, variance and second moment for coniferous trees.
Benzer Tezler
- Orman varlığının saptanmasında uzaktan algılama verileri
Remote sensing data for determining forest resources
MUHİTTİN İNAN
Doktora
Türkçe
2004
Ormancılık ve Orman Mühendisliğiİstanbul ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF.DR. KADİR ERDİN
- Ankara Orman Bölge Müdürlüğü'ndeki genç doğal karaçam (pinus nigra) meşcerelerinde bitkisel kütle miktarlarının belirlenmesi
Determination biomass of yaung natural black pine (pinus nigra)stands in Regional Forest Directorate of Ankara
SEDA SARANAY
Yüksek Lisans
Türkçe
2017
Ormancılık ve Orman Mühendisliğiİstanbul ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET YEŞİL
PROF. DR. DOĞANAY TOLUNAY
- Özellik seçimi algoritmaları kullanılarak heyelanda etkili faktörlerin belirlenmesi ve heyelan duyarlılık haritalarının üretilmesi
Determination of effective factors using feature selection algorithms and production of landslide susceptibility maps
EMREHAN KUTLUĞ ŞAHİN
Doktora
Türkçe
2017
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER
PROF. DR. TAŞKIN KAVZOĞLU
- GIS for watershed management
Havza yönetimi için CBS
RAWAA A.FATAH ABDULHUSSEIN
Yüksek Lisans
İngilizce
2017
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÖZGÜR DOĞRU
- Üç aşamalı örnekleme metodu ve bölgesel (Doğu Marmara bölgesi) orman envanterinde uygulanması
Three phase sampling method and its application in the regional (East Marmara region) forest inventory
İBRAHİM ÖZDEMİR
Doktora
Türkçe
2003
Ormancılık ve Orman Mühendisliğiİstanbul ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ASAN