Tez No İndirme Tez Künye Durumu
415546
Land use land cover change analysis of Afşi̇n Elbi̇stan coal basin with two different classification methods / Afşin Elbistan kömür havzasının iki farklı sınıflandırma yöntemi ile arazi örtüsü kullanımı değişim analizi
Yazar:İLKE ARICAN
Danışman: PROF. DR. HAFİZE ŞEBNEM DÜZGÜN
Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Maden Mühendisliği Ana Bilim Dalı
Konu:Maden Mühendisliği ve Madencilik = Mining Engineering and Mining
Dizin:
Onaylandı
Yüksek Lisans
İngilizce
2015
179 s.
Açık ocak kömür madenciliği en çok kullanılan enerji ve ekonomik kaynaklardan biridir. Uygunsuz yapıldığı zaman kısa ve uzun vadeli çevresel, sosyal ve ekonomik olumsuz etkilere yol açabilir (bitki örtüsü kaybı, göç, su kaynaklarının azamlası vb.). Tüm bu olumsuz etkilerin tespit edilmesi azaltılması ve önlenmesi için etkilenen alanların sürekli bir biçimde kontrol edilmesi ve haritalanması gerekmektedir. Açık ocak mandecilik aktivitelerinin Arazi Örtüsü ve Arazi Kullanımı (AÖK) haritaları ile izlenmesi en etkin yöntemlerden biridir. AÖK haritalarını oluşturabilmek için en uygun yöntemi bulmak çözülmesi gereken bir sorun olagelmiştir. Uzaktan Algılama (UA) ve Coğrafi Bilgi Sistemleri (CBS) ise bu adımda devreye girmektedir. Araştırmacılar yıllardır UA ve CBS yöntemlerini kullanaraktan AÖK haritaları oluşturmaktadır. Çalışmada sınıflandırma sonrası fark haritalarını elde etmek için iki farklı yöntem karşılaştırılarak hangisinin daha tutarlı olduğu incelenmiştir. Yöntemlerden biri geleneksel destek vektör makineleri sınıflandırma sonrası arazi değişim metodu ve diğeri de Değişim Belirlemeye Dayalı Transfer Öğrenme yaklaşımıdır. Çalışma alanı Türkiye'nin en büyük açık ocak kömür madenciliğinin uygulandığı Afşin-Elbistan Kömür Havzası olarak belirlenmiştir. Afşin-Elbistan Kömür Havzası'nın 1984 ve 2014 yılları arasındaki Landsat görüntüleri kullanılarak AÖK değişim haritaları çıkarılmıştır. Analizler sonrası AÖK değişim haritaları incelendiğinde, bitki örtüsünün %3.2 arttığı, ormanların %55.9 arttığı, tarım alanlarının %5.9 azaldığı, yerleşim yerlerinin %96.2 azaldığı, su alanlarının %608.1 arttığı ve toprak alanların %8.1 azaldığı gözlemlenmiştir. En fazla etkilenen sınıf su sınıfı olup, en az etkilenen sınıf ise bitki örtüsü olmuştur. Sınıflandırma yöntemleri karşılaştırma sonuçlarında ise her yıl, her sınıflandırma yöntemi için ayrı ayrı hesaplanılan doğruluk değerlendirmeleri arasında çok fark gözlemlenmemiştir. Geleneksel destek vektör makineleri ile sınıflandırılan görüntülerin doğruluk değerlendirmeleri sürekli olarak daha yüksek çıkmıştır.
Surface coal mining is one of the most widespread energy and economic source for the communities and if implemented inappropriately, causes negative short and long term environmental, social and economic effects (such as loss of vegetation, migration, decreasing water resources, etc.). In order to detect, minimize and avoid all of these impacts, affected areas should be monitored and mapped, constantly. Monitoring surface mining activities by using land use land cover (LULC) maps is one of the effective methods for large areas. However, finding the suitable method for constructing LULC maps for monitoring has been a challenge. Remote Sensing (RS) and Geographical Information Systems (GIS) have been helpful for generation of LULC maps. In this study, two change detection methods, namely, the post-classification change detection based on Support Vector Machine (SVM) and Change-Detection-Driven Transfer Learning Approach (CDTL) are used to monitor change detection in LULC classes in the Afşin-Elbistan Coal Basin, which is one of the largest surface coal mines in Turkey. The Landsat imageries of Afşin-Elbistan Coal Basin for the years of between 1984 and 2014 are utilized for the analyses. The progressive change in the LULC classes since the beginning of the mining activities are obtained quantitavely. The LULC change detection maps reveal that the vegetation class increases by 3.2%, forest class increases by 55.9%, agriculture class decreases by 5.9%, settlement class decreases by 96.2%, water class increases by 608.1% and soil class decreases by 8.1% between the years 1984 and 2014. It is found that the most and the least effected classes are water and vegetation, respectively. The comparison of post classification change detection based on SVM and CDTL shows that difference in the results are not significantly high. Nevertheless, post classification change detection based on SVM results in higher accuracies than CDTL for each year.