Coğrafi bilgi sistemleri ve uzaktan algılama ile orman kaybının analizi ve gelecekteki orman varlığının tahmini

Ormanlar, canlı yaşamından enerji teminine dek değişik kullanımları ve toprak erozyonundan iklim değişimine dek küresel boyuttaki çevresel etkileri azaltıcı yöndeki katkıları nedeniyle gerek ekolojik sistemin gerekse insan yaşamının en önemli kaynaklarından biridir. Ancak, kentleşme, tarım, endüstriyel tesisler, madencilik faaliyetleri, kâğıt / mobilya ve/veya enerji temini için kullanımlar ve yangınlar gibi etkenlerle orman kaybı (ormansızlaşma) gün geçtikçe artan bir küresel sorundur. Bu sorunun çözümü amacıyla geliştirilecek stratejiler, öncelikle orman varlığındaki mevcut durumun ve zaman içindeki değişimin bilinmesini gerektirir. Projede, Coğrafi Bilgi Sistemleri (CBS) ve Uzaktan Algılama (UZ-AL) teknikleriyle geliştirilecek olan ormansızlaşma tespit ve orman varlığına ait gelecek tahmini işlemleri gerçekleştirilecektir. Arazide meydana gelen değişimlerin incelenebilmesi için uydulardan alınan farklı tarihlere ait görüntüler kontrollü olarak sınıflandırılacak ve arazi sınıfları görselleştirilecektir. Daha sonra arazi sınıfları arasındaki değişiklikler CBS tekniklerinden olan Arazi Değişim Modeli (LCM; Land Change Modeler) ile tespit edilecektir. Çalışma orman arazilerine yönelik olduğundan dolayı sınıflandırmada "orman" ve "orman-dışı" şeklinde lejantlar kullanılacaktır. Ekolojik sürdürülebilirliğin oluşması için büyük önemle kullanılan bu modül sayesinde aynı lejanta sahip farklı zaman dilimlerine ait haritalar arasında oluşan değişiklik hem grafiksel hem sayısal hem de görsel olarak analiz edilebilmektedir. Burada analiz için farklı zamanlara ait iki veri kullanılır. Nöral ağ sistemi bazında çalıştırılan LCM sayesinde eğer varsa ormansızlaşma oldukça verimli bir şekilde tespit edilip haritalanabilir. Arazide meydana gelen değişikliklerin tespitinden sonra araziyle ilgili gelecek tahminlemesi yapılacaktır. Tahminleme için LCM modülünde gömülü olarak bulunan MARKOV formülizasyonu kullanılacaktır. Böylece gerçek zamana yakın stokastik olasılık ve tahminleme modeli oluşturulabilecektir.