Arazi Kullanımı ve Ekosistem Hizmetleri

Arazi kullanımı ve arazi örtüsü (LULC) değişimleri, tarımsal üretkenlik, biyoçeşitlilik, su kaynakları ve karbon döngüsü üzerinde derin etkiler yaratır. Makine öğrenmesi ve remote-sensing-agriculture teknolojileri, bu değişimlerin yüksek çözünürlükte haritalanması, tahmin edilmesi ve ekosistem hizmetleri bağlamında değerlendirilmesi için güçlü araçlar sunar. Uydu görüntüleri, alan araştırmaları ve coğrafi bilgi sistemlerinin (CBS) entegrasyonu, arazi dinamiklerinin çok ölçekli analizini mümkün kılar.

Arazi Kullanımı/Arazi Örtüsü (LULC) Sınıflandırma

LULC sınıflandırma, uydu görüntülerinden arazi tiplerinin otomatik veya yarı otomatik olarak belirlenmesi sürecidir. Müller ve Zeller, 2002 Vietnam'ın merkezi yaylalarında Landsat uydu görüntülerini (MSS, TM, ETM) üç zaman dilimi için (1975, 1992, 2000) yorumlayarak beş arazi sınıfı tanımlamıştır: çeltik, tarımsal karışım, kapalı orman, açık orman ve karışık otlak-çalılık. Çalışma, jeofiziksel, agro-ekolojik ve sosyoekonomik değişkenleri birleştiren indirgenmiş formda çok terimli logit modeli kullanarak arazi kullanım değişiminin belirleyicilerini ortaya koymuştur.

Modern LULC sınıflandırma yöntemleri şunları içerir:

• Rastgele Orman (Random Forest) sınıflandırıcısı: Sánchez-Cuervo et al., 2012 Kolombiya'da 2001-2010 döneminde MODIS (250 m) ürünleri ile Google Earth'ten toplanan QuickBird referans verilerini birleştirerek yıllık LULC haritaları üretmiştir. RF sınıflandırıcısı, "out-of-bag" örneklerle doğrulama yaparak eğitim verisi ayırma gereksinimini ortadan kaldırır ve çapraz doğrulama tabanlı hata matrisi sağlar.

• Derin öğrenme yaklaşımları: CNN ve U-Net mimarileri, yüksek çözünürlüklü uydu görüntülerinde piksel düzeyinde LULC sınıflandırma yaparak geleneksel yöntemlere göre daha yüksek doğruluk oranları sunar. convolutional-neural-networks özellikle kentsel-kırsal geçiş bölgelerinde sınır tespitinde üstünlük gösterir.

• Zaman serisi analizi: NDVI, EVI gibi bitki örtüsü indekslerinin çok zamanlı analizi, mevsimsel ve yıllık arazi değişimlerini yakalamada kritik rol oynar. MODIS tabanlı 4, 6 ve 12 aylık istatistikler, farklı bitki örtüsü tiplerini ayırt etmede kullanılır.

Arazi Değişim Dinamikleri ve Belirleyicileri

Arazi değişim süreçleri, doğal ve antropojenik faktörlerin etkileşimiyle şekillenir. Müller ve Zeller'in Vietnam çalışması, iki temel arazi değişim sürecini tanımlar:

Tarımsal Genişleme

1975-1992 döneminde gözlemlenen arazi yoğun tarımsal genişleme, orman alanlarının otlak ve tarım arazisine dönüştürülmesiyle karakterize edilir. Bu süreç genellikle sabit teknolojik düzeyde, kapsamlı bir şekilde gerçekleşir. Göç, nüfus artışı ve yetersiz arazi hakları politikaları bu dönüşümü hızlandıran faktörlerdir.

Tarımsal Yoğunlaştırma

1992 sonrası dönemde, gübre kullanımının yaygınlaşması, kırsal yollara ve pazarlara erişimin iyileşmesi ve sulama alanının genişlemesi ile emek ve sermaye yoğun tarımsal büyüme sağlanmıştır. Bu politikalar, orman koruma alanlarının oluşturulması ve göçebe tarımın caydırılmasıyla birlikte, ikinci dönemde ormanlar üzerindeki baskıyı azaltmıştır.

Ormansızlaşma ve Orman Geri Kazanımı

Kolombiya örneğinde, 1117 belediyenin 820'sinde net odunsu bitki örtüsü kazanımı (28.092 km²) gözlemlenirken, yalnızca 264 belediyede net kayıp (11.129 km²) tespit edilmiştir. Bu beklenmedik orman geri kazanım trendi, özellikle And Dağları'nın nemli orman biyomunda belirgindir. Odunsu bitki örtüsü kaybı ise Llanos ve Apure-Villavicencio ekorejyonlarında yoğunlaşmıştır.

Ekosistem Hizmetleri Değerlendirmesi

Ekosistem hizmetleri, doğal sistemlerin insanlara sağladığı faydaları kapsar ve arazi kullanım kararlarının çevresel sonuçlarını nicelleştirmede temel çerçeveyi oluşturur. Haase et al., 2012 Leipzig-Halle bölgesinde beş ekosistem hizmetini entegre bir çerçevede analiz etmiştir:

• Yerel iklim düzenleme: Kentsel ısı adası etkisini azaltan yeşil alanların ve su yüzeylerinin katkısı
• Rekreasyon potansiyeli: Kentsel ve kırsal alanlardaki yeşil alanların toplumsal refaha etkisi
• Biyoçeşitlilik potansiyeli: Farklı arazi kullanım tiplerinin tür zenginliği ve habitat kalitesine katkısı
• Gıda üretimi: Tarım arazilerinin besin tedariki kapasitesi
• Yer üstü karbon depolama: Bitki örtüsünün atmosferik karbon tutma kapasitesi

Bu çalışma, ekosistem hizmetleri arasındaki sinerjileri (her iki hizmetin artması), ödünleşimleri (birinin artarken diğerinin azalması) ve kayıpları (her ikisinin de azalması) altı kategoride sınıflandırarak 1990-2006 dönemindeki zamansal değişimleri ortaya koymuştur.

Habitat Haritalama ve Biyoçeşitlilik İzleme

Makine öğrenmesi destekli habitat haritalama, arazi örtüsü verilerini tür dağılım modelleriyle birleştirerek biyoçeşitlilik açısından kritik alanları belirler:

• Tür dağılım modelleri (SDM): MaxEnt, Rastgele Orman ve Gradient Boosting algoritmaları, çevresel değişkenler ve tür gözlem verileri kullanarak habitat uygunluk haritaları üretir. Bu modeller, iklim değişikliği senaryoları altında habitat kaymalarını tahmin etmede kullanılır.

• Peyzaj bağlantısallık analizi: Grafik teorisi ve makine öğrenmesi tabanlı yaklaşımlar, habitat parçaları arasındaki ekolojik koridorları belirleyerek koruma planlamasını destekler. Kolombiya'daki beklenmedik orman geri kazanımı, özellikle And Dağları'nda koruma alanlarını genişletme ve habitat bağlantısallığını artırma fırsatı sunmaktadır.

• Biyoçeşitlilik göstergeleri: Uydu kaynaklı bitki örtüsü indeksleri, arazi örtüsü heterojenliği ve mevsimsel değişkenlik, biyoçeşitlilik tahmininde proxy değişkenler olarak kullanılır. Hiperspektral görüntüleme, tür düzeyinde ayrım yapabilme potansiyeli taşır.

Ormansızlaşma Tespiti ve İzleme

Ormansızlaşma tespiti, zaman serisi uydu verilerinin makine öğrenmesi algoritmaları ile analizine dayanır:

• Değişim tespiti algoritmaları: BFAST, LandTrendr ve CCDC gibi algoritmalar, uzun dönemli Landsat zaman serilerinde ani ve aşamalı orman değişimlerini tespit eder.

• Çok ölçekli analiz: MODIS (250 m) ile geniş alan taraması, Landsat (30 m) ile bölgesel haritalama ve yüksek çözünürlüklü görüntüler (Sentinel-2, 10 m) ile detaylı doğrulama, çok ölçekli bir izleme çerçevesi oluşturur.

• Neredeyse gerçek zamanlı izleme: GLAD uyarı sistemi ve Global Forest Watch gibi platformlar, haftalık uydu verilerinden ormansızlaşma uyarıları üreterek hızlı müdahale imkanı sağlar.

Tarımsal Bağlamda Arazi Kullanım Planlaması

LULC analizi ve ekosistem hizmetleri değerlendirmesi, tarımsal arazi kullanım planlamasını şu yönlerden bilgilendirir:

• Sürdürülebilir yoğunlaştırma: Tarımsal üretkenliği artırırken ekosistem hizmetlerini korumayı hedefleyen stratejilerin tasarımı. Haase et al.'ın bulguları, kentsel bölgelerde yoğunlaşan arazi kullanımının karbon depolama ve biyoçeşitlilik hizmetlerinde kayıplara yol açtığını göstermektedir.

• Ekosistem hizmetleri ödünleşim analizi: Gıda üretimi ile karbon depolama, biyoçeşitlilik ile tarımsal genişleme arasındaki ödünleşimlerin nicelleştirilmesi, bütünleşik arazi kullanım politikalarının geliştirilmesine katkı sağlar.

• İklim değişikliği adaptasyonu: climate-agriculture senaryoları altında arazi uygunluk haritalarının güncellenmesi, uzun vadeli tarımsal planlama ve crop-yield-prediction modelleri için temel girdi sağlar.

Kaynaklar

• Müller ve Zeller, 2002 — "Land use dynamics in the central highlands of Vietnam." Uydu görüntüleri ve köy anket verilerini birleştiren mekansal model; arazi kullanım değişiminin jeofiziksel ve sosyoekonomik belirleyicilerini analiz eder.
• Sánchez-Cuervo et al., 2012 — "Land Cover Change in Colombia: Surprising Forest Recovery Trends between 2001 and 2010." MODIS ve Google Earth verileriyle çok ölçekli arazi değişim analizi; beklenmedik orman geri kazanım trendlerini ortaya koyar.
• Haase et al., 2012 — "Synergies, Trade-offs, and Losses of Ecosystem Services in Urban Regions." Leipzig-Halle bölgesinde beş ekosistem hizmetinin entegre zamansal ve mekansal analizi.