Araştırma Makalesi
BibTex RIS Kaynak Göster

Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi

Yıl 2021, Cilt: 36 Sayı: 4, 1863 - 1874, 02.09.2021
https://doi.org/10.17341/gazimmfd.772082

Öz

Batı ülkelerinde 19. yüzyılda başlayan sanayileşme süreci, sonraki yıllarda kentleşme sorununu da beraberinde getirmiştir. Kentsel nüfus, kırsal nüfusa kıyasla hızla artmaktadır. Bugün, hemen hemen her ülkede sanayileşme ve hızlı kentleşme, temel ekosistemimiz, bölgesel iklim farklılıkları ve küresel çeşitlilik gibi çevresel değerlerimizin çoğunu olumsuz etkilemektedir. Bu çalışmada, bölgesel kentleşmenin vejetasyon üzerindeki etkileri uydu verileri ve atmosferik değişkenler kullanılarak incelenmiştir. Bitki örtüsü analizinde 2005-2018 yılları arasında TERRA-MODIS uydusundan elde edilen, EVI (Geliştirilmiş Bitki Örtüsü İndeksi) ve LST (Kara Yüzey Sıcaklığı) çoklu zaman indeks değerleri kullanılmıştır. Analiz de sıcaklık ve yağış atmosferik değişkenler olarak seçilmiştir. İstanbul'un nüfus artış hızı en yüksek ilçelerinden olan Çatalca bölgesi için EVI değerinin 2030 yılına kadar beklenen varyasyonları tahmin edilmiştir. Analiz için doğrusal olmayan veri setlerinin tahmininde başarılı sonuçlar veren NARX (Nonlineer Otoregresif Eksojen) yapay sinir ağı kullanılmıştır. Ayrıca, tahmini performansı artırmak için NARX ve ADD (Ayrık Dalgacık Dönüşümü) modelleri kullanılarak hibrit bir D-YSA (Dalgacık-Yapay Sinir Ağı) modeli geliştirilmiştir. Elde edilen bilgiler ışığında, D-YSA tahminleri, sadece NARX modeli ile yapılan tahmin verilerine göre % 4,3 oranında bir iyileşme sağlanmıştır.

Destekleyen Kurum

ICTP Simons Associateship programı ve IAU Bilimsel Araştırma Vakfı

Kaynakça

  • 1. Jensen J.R., Remote sensing of the environment: An earth resource perspective second edition, Pearson Education, India, 2009.
  • 2. Karaca A.C., Güllü M.K., Menderes ilçesindeki orman yangınının süperpiksel bölütleme temelli arama yöntemiyle tespiti, Journal of the Faculty of Engineering & Architecture of Gazi University, 18(2), 1-22, 2018.
  • 3. Intergovernmental Panel on Climate Change (IPCC) . Climate change 2018: Special Report: Global Warming of 1.5 ºC. Retrieved from https://www.ipcc.ch/sr15/. Yayın Tarihi Mayıs 4, 2018.Erişim Tarihi Ocak 28,2019.
  • 4. Mohammad A.G., Adam M. A., The impact of vegetative cover type on runoff and soil erosion under different land uses. Catena, 81(2), 97-103, 2010.
  • 5. Zhu L.Q., Zhu W. B., Research on effects of land use/cover change on soil erosion. In Advanced Materials Research, 433, 1038-1043, 2012.
  • 6. Huang S., Ming B., Huang Q., Leng G., Hou B., A case study on a combination NDVI forecasting model based on the entropy weight method. Water Resources Management, 31(11), 3667-3681, 2017.
  • 7. Yılmaz G., Karaaslan Ş., The spatial distribution of service activities in Istanbul metropolitian area, Journal of the Faculty of Engineering and Architecture of Gazi University, 25(2), 653-662, 2010.
  • 8. Yüksel Ü.D., Yılmaz O., Ankara kentinde kentsel ısı adası etkisinin yaz aylarında uzaktan algılama ve meteorolojik gözlemlere dayalı olarak saptanması ve değerlendirilmesi Journal of the Faculty of Engineering and Architecture of Gazi University, 23(4), 937-952, 2008.
  • 9. Kayman Ö., Sunar F., Spektral İndekslerin Landsat Tm uydu verileri kullanılarak arazi örtüsü/kullanımı sınıflandırmasına etkisi: İstanbul, Beylikdüzü ilçesi, arazi kullanımı değişimi, TUFUAB VIII. Teknik Sempozyumu, Konya-Türkiye, 52-59, 21-23 Mayıs, 2015.
  • 10. Yue Y., Li M., Zhu A., Xinyue Ye Rui. Mao., Jinhong Wan., Jin Dong., Land Degradation Monitoring in the Ordos Plateauof China Using an Expert Knowledge and BP-ANN-Based Approach, Sustainability 2016, 8(11), 1174, 2016.
  • 11. Narayan K., Khanindra P., Abhisek C., Sahoo S., Urban heat island explored by corelationship between land surface temperature vs multiple vegetation indices, Spatial Informaion Research, 24, 515-529, 2016.
  • 12. Anshuka A., van Ogtrop F.F., Vervoort RW., Drought forecasting through statistical models using standardised precipitation index: a systematic review and meta-regression analysis, Natural Hazards, 97, 955-977, 2019.
  • 13. Wan Z.S.H., Hulley G., MOD11A2 MODIS/Terra Land Surface Temperature/Emissivity 8-Day L3 Global 1km SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2015.
  • 14. Bozorgi M., Nejadkoorki F., Mousavi M.B., Land surface temperature estimating in urbanized landscapes using artificial neural networks, Environ Monit Assess, 190, 250, 2018.
  • 15. Shatnawi N., Qdais H.A., Mapping urban land surface temperature using remote sensing techniques and artificial neural network modelling, International Journal of Remote Sensing, 40(10), 3968-3983, 2019.
  • 16. Mondal P., Quantifying surface gradients with a 2-band Enhanced Vegetation Index (EVI2), Ecological Indicators, 11(3), 918-924, 2011.
  • 17. Nguyen, L.H., Joshi D.R., Clay D.E., Henebry G.M., Characterizing land cover/land use from multiple years of Landsat and MODIS time series: A novel approach using land surface phenology modeling and random forest classifier. Remote Sensing of Environment, 238, 1-14, 2020.
  • 18. Menezes, J.M.P, Barreto, G.A, Long-term time series prediction with the NARX network: An empirical evaluation, Neurocomputing, 71(16-18), 3335-3343, 2008.
  • 19.Türkiye İstatistik Kurumu. Yaş ve cinsiyete göre nüfus bilgisi 1935-2018. http://web.turkstat.gov.tr/UstMenu.do?metod=temelist. Güncelleme tarihi Şubat 4, 2020. Erişim tarihi 10 Şubat, 2018.
  • 20. Garipağaoğlu N., Duman E., Çatalca ilçesi’ nin arazi kullanımında meydana gelen değişimler (1987-2016), Marmara Coğrafya Dergisi, 37, 219-232, 2018.
  • 21.Meteoroloji Genel Müdürlüğü. İllere Ait Veri Normalleri (1929-2019). https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=H&m=ISTANBUL Güncelleme tarihi 14 Temmuz,2020. Erişim tarihi 10 Şubat, 2018.
  • 22. Dikici M., Aksel M., Evaluation of two vegetation indices (NDVI and VCI) over asi basin in Turkey. Teknik Dergi, 32(4), 1-17, 2020.
  • 23. Didan K., MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2015.
  • 24. Huete A., Didan K., Miura T., Rodriguez E.P., Gao X., Ferreira L.G., Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment. 83 (1-2), 195–213, 2012.
  • 25. Galvão L.S., Santos J.R., Roberts D., Breunıg D.A., Toomey F. M., Moura M.Y. M., On intra-Annual EVI variability in the dry season of tropical forest: A case study with MODIS and hyperspectral data, Remote Sensing Of Environment, 115(9), 2350–2359, 2011.
  • 26. Shao Z., Zhang Y., Zhang L., Song Y., Peng M., Combining spectral and texture features using random forest algorithm: Extracting impervious surface area in Wuhan, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 41, 351-358, 2016.
  • 27. Çelik M.A., Bitki indeks modelleri (NDVI, EVI, VCI) kullanılarak Akdeniz bölgesi’nde kuraklık analizi (2000-2014), Doktora Tezi, Phd, T.C. Kahramanmaraş Sütçü İmam Üniversitesi, Sosyal Bilimler Enstitüsü, Kahramanmaraş, 2016.
  • 28. Sentinel Hub by Sinergise (Sinergise). Retrieved from https://www.sentinel-hub.com/eoproducts/evi-enhanced-vegetation-index-0. Erişim Tarihi Şubat 4, 2019.
  • 29. Tayyebi A., Shafizadeh-Moghadam H., Tayyebi, A.H., Analyzing long-term spatio-temporal patterns of land surface temperature in response to rapid urbanization in the mega-city of Tehran, Land Use Policy,71, 459-469, 2018.
  • 30. Alhawitti, R.H., Mitsova D., Using Landsat-8 data to explore the correlation between urban heart island and urban land uses. IJRET: International Journal of Research in Engineering and Technology, 5(3), 457- 466, 2016.
  • 31. D Lu., Q Weng., Spectral mixture analysis of ASTER images forexamining the relationship between urban thermal features and biophysical descriptors in Indianapolis, Indiana, USA, Remote Sensing of Environment, 104(2), 157-167, 2006.
  • 32. Haworth J., Cheng T., Non-parametric regression for space–time forecasting under missing data. Computers, Environment and Urban Systems, 36(6), 538-550, 2012.
  • 33. Gulbag A., Temurtas F., A study on quantitative classification of binary gas mixture using neural networks and adaptive neuro-fuzzy inference systems. Sensors and Actuators B:Chemical, 115(1), 252-262, 2006.
  • 34. Reşat H.G., Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Journal of the Faculty of Engineering & Architecture of Gazi University, 35(3), 1130-1140, 2020.
  • 35. Labat D., Ronchail J., Guyot J.L., Recent advances in wavelet analyses: Part 2-Amazon, Parana, Orinoco and Congo discharges time scale variability, Journal of Hydrology, 314(1-4), 289-311, 2005.
  • 36. Gabrali D., Aslan Z., Güneş enerjisi potansiyelinin çoklu lineer regresyon ve yapay sinir ağları ile modellenmesi. AURUM Mühendislik Sistemleri ve Mimarlık Dergisi, 4(1), 23-36, 2020.
  • 37. Percival D.B. ve Walden A.T., Wavelet Methods for Time Series Analysis. Cambridge University Press, U.K, 2000.
  • 38. Amrouche B., Pivert X., Artificial neural network based daily local forecasting for global solar radiation, Applied Energy, 130, 333-341, 2014.
  • 39. Wang L., Zou H., Su J., Li L., Chaudhry, S., An arima-ann hybrid model for time series forecasting Systems Research and Behavioral Science, 30(3), 244-259, 2013.
  • 40. Rout M., Majhi B., Majhi R., Panda G., Forecasting of currency exchange rates using an adaptive arma model with differential evolution based training, Journal of King Saud University-Computer and Information Sciences, 26(1), 7-18, 2014.
  • 41. Emhan Ö., Yukarı–aşağı imleç hareketine ilişkin EEG kayıtlarının ayrık dalgacık, Knn ve Dvm ile sınıflandırılması, Master, Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır 2017.
  • 42. Wang W., Ding J., Wavelet network model and its application to the prediction of hydrology. Nature and Science 1(1), 67-71, 2003.
  • 43. Partal T., Türkiye yağış miktarlarının yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini, Doktora, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2007.
  • 44. Partal T., Kişi O., Wavelet and nuro-fuzzy conjuction model for precipitation Forecasting, J. Hydrol, 342, 199-212, 2007.
  • 45. Partal T., Cığızoğlu H., Prediction of daily precipitation using wavelet-neural networks, Hydrological Sciences Journal, 54(2), 234-246, 2009.
  • 46. Streiling S., Matzarakis A., Influence of singleand small clusters of trees on the bioclimate of a city: A case study, Journal of Arboriculture, 29(6), 309-316, 2003.
  • 47. Alberti M., Advances in urban ecology (first ed.), Springer-Verlag, U.S, 2008.
  • 48. Yin F., Deng X., Jin Q., Yuan Y., Zhao C., The impacts of climate change and human activities on grassland productivity in Qinghai Province, China. Frontiers of Earth Science, 8(1), 93-103, 2014.

Modeling of Vegetation Cover and the Impact of Urbanization

Yıl 2021, Cilt: 36 Sayı: 4, 1863 - 1874, 02.09.2021
https://doi.org/10.17341/gazimmfd.772082

Öz

The industrialization process which began in Western countries in the 19th century has brought about the problem of urbanization in the following years. Urban population is increasing rapidly in comparison to the rural population. Today, in almost any country industrialization and rapid urbanization adversely affect many of our environmental values, such as our core ecosystem, regional climate variations and global diversity. In this study, the effects of regional urbanization on vegetation were examined by using satellite data and atmospheric variables. In the vegetation analysis, 2005-2018 multi-time index values obtained from TERRA-MODIS satellite, EVI (Enhanced Vegetation Index) and LST (Land Surface Temperature) were taken into account. In the analysis, temperature and precipitation were chosen as atmospheric variables. The expected variations of EVI values of Çatalca, one of the districts of Istanbul with the highest rates of population increase, until the year 2030 were estimated. NARX (nonlinear autoregressive exogenous) neural network, which gives successful results in the estimation of nonlinear data sets, was used for analysis. In addition, a hybrid W-ANN (Wavelet-Artificial Neural Network) model was developed using NARX and DWT (Discrete Wavelet Transform) models to increase estimated performance. In the light of the information obtained, W-ANN estimates improved by %4.3 compared to the prediction conditions made only with the NARX model.

Kaynakça

  • 1. Jensen J.R., Remote sensing of the environment: An earth resource perspective second edition, Pearson Education, India, 2009.
  • 2. Karaca A.C., Güllü M.K., Menderes ilçesindeki orman yangınının süperpiksel bölütleme temelli arama yöntemiyle tespiti, Journal of the Faculty of Engineering & Architecture of Gazi University, 18(2), 1-22, 2018.
  • 3. Intergovernmental Panel on Climate Change (IPCC) . Climate change 2018: Special Report: Global Warming of 1.5 ºC. Retrieved from https://www.ipcc.ch/sr15/. Yayın Tarihi Mayıs 4, 2018.Erişim Tarihi Ocak 28,2019.
  • 4. Mohammad A.G., Adam M. A., The impact of vegetative cover type on runoff and soil erosion under different land uses. Catena, 81(2), 97-103, 2010.
  • 5. Zhu L.Q., Zhu W. B., Research on effects of land use/cover change on soil erosion. In Advanced Materials Research, 433, 1038-1043, 2012.
  • 6. Huang S., Ming B., Huang Q., Leng G., Hou B., A case study on a combination NDVI forecasting model based on the entropy weight method. Water Resources Management, 31(11), 3667-3681, 2017.
  • 7. Yılmaz G., Karaaslan Ş., The spatial distribution of service activities in Istanbul metropolitian area, Journal of the Faculty of Engineering and Architecture of Gazi University, 25(2), 653-662, 2010.
  • 8. Yüksel Ü.D., Yılmaz O., Ankara kentinde kentsel ısı adası etkisinin yaz aylarında uzaktan algılama ve meteorolojik gözlemlere dayalı olarak saptanması ve değerlendirilmesi Journal of the Faculty of Engineering and Architecture of Gazi University, 23(4), 937-952, 2008.
  • 9. Kayman Ö., Sunar F., Spektral İndekslerin Landsat Tm uydu verileri kullanılarak arazi örtüsü/kullanımı sınıflandırmasına etkisi: İstanbul, Beylikdüzü ilçesi, arazi kullanımı değişimi, TUFUAB VIII. Teknik Sempozyumu, Konya-Türkiye, 52-59, 21-23 Mayıs, 2015.
  • 10. Yue Y., Li M., Zhu A., Xinyue Ye Rui. Mao., Jinhong Wan., Jin Dong., Land Degradation Monitoring in the Ordos Plateauof China Using an Expert Knowledge and BP-ANN-Based Approach, Sustainability 2016, 8(11), 1174, 2016.
  • 11. Narayan K., Khanindra P., Abhisek C., Sahoo S., Urban heat island explored by corelationship between land surface temperature vs multiple vegetation indices, Spatial Informaion Research, 24, 515-529, 2016.
  • 12. Anshuka A., van Ogtrop F.F., Vervoort RW., Drought forecasting through statistical models using standardised precipitation index: a systematic review and meta-regression analysis, Natural Hazards, 97, 955-977, 2019.
  • 13. Wan Z.S.H., Hulley G., MOD11A2 MODIS/Terra Land Surface Temperature/Emissivity 8-Day L3 Global 1km SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2015.
  • 14. Bozorgi M., Nejadkoorki F., Mousavi M.B., Land surface temperature estimating in urbanized landscapes using artificial neural networks, Environ Monit Assess, 190, 250, 2018.
  • 15. Shatnawi N., Qdais H.A., Mapping urban land surface temperature using remote sensing techniques and artificial neural network modelling, International Journal of Remote Sensing, 40(10), 3968-3983, 2019.
  • 16. Mondal P., Quantifying surface gradients with a 2-band Enhanced Vegetation Index (EVI2), Ecological Indicators, 11(3), 918-924, 2011.
  • 17. Nguyen, L.H., Joshi D.R., Clay D.E., Henebry G.M., Characterizing land cover/land use from multiple years of Landsat and MODIS time series: A novel approach using land surface phenology modeling and random forest classifier. Remote Sensing of Environment, 238, 1-14, 2020.
  • 18. Menezes, J.M.P, Barreto, G.A, Long-term time series prediction with the NARX network: An empirical evaluation, Neurocomputing, 71(16-18), 3335-3343, 2008.
  • 19.Türkiye İstatistik Kurumu. Yaş ve cinsiyete göre nüfus bilgisi 1935-2018. http://web.turkstat.gov.tr/UstMenu.do?metod=temelist. Güncelleme tarihi Şubat 4, 2020. Erişim tarihi 10 Şubat, 2018.
  • 20. Garipağaoğlu N., Duman E., Çatalca ilçesi’ nin arazi kullanımında meydana gelen değişimler (1987-2016), Marmara Coğrafya Dergisi, 37, 219-232, 2018.
  • 21.Meteoroloji Genel Müdürlüğü. İllere Ait Veri Normalleri (1929-2019). https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=H&m=ISTANBUL Güncelleme tarihi 14 Temmuz,2020. Erişim tarihi 10 Şubat, 2018.
  • 22. Dikici M., Aksel M., Evaluation of two vegetation indices (NDVI and VCI) over asi basin in Turkey. Teknik Dergi, 32(4), 1-17, 2020.
  • 23. Didan K., MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2015.
  • 24. Huete A., Didan K., Miura T., Rodriguez E.P., Gao X., Ferreira L.G., Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment. 83 (1-2), 195–213, 2012.
  • 25. Galvão L.S., Santos J.R., Roberts D., Breunıg D.A., Toomey F. M., Moura M.Y. M., On intra-Annual EVI variability in the dry season of tropical forest: A case study with MODIS and hyperspectral data, Remote Sensing Of Environment, 115(9), 2350–2359, 2011.
  • 26. Shao Z., Zhang Y., Zhang L., Song Y., Peng M., Combining spectral and texture features using random forest algorithm: Extracting impervious surface area in Wuhan, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 41, 351-358, 2016.
  • 27. Çelik M.A., Bitki indeks modelleri (NDVI, EVI, VCI) kullanılarak Akdeniz bölgesi’nde kuraklık analizi (2000-2014), Doktora Tezi, Phd, T.C. Kahramanmaraş Sütçü İmam Üniversitesi, Sosyal Bilimler Enstitüsü, Kahramanmaraş, 2016.
  • 28. Sentinel Hub by Sinergise (Sinergise). Retrieved from https://www.sentinel-hub.com/eoproducts/evi-enhanced-vegetation-index-0. Erişim Tarihi Şubat 4, 2019.
  • 29. Tayyebi A., Shafizadeh-Moghadam H., Tayyebi, A.H., Analyzing long-term spatio-temporal patterns of land surface temperature in response to rapid urbanization in the mega-city of Tehran, Land Use Policy,71, 459-469, 2018.
  • 30. Alhawitti, R.H., Mitsova D., Using Landsat-8 data to explore the correlation between urban heart island and urban land uses. IJRET: International Journal of Research in Engineering and Technology, 5(3), 457- 466, 2016.
  • 31. D Lu., Q Weng., Spectral mixture analysis of ASTER images forexamining the relationship between urban thermal features and biophysical descriptors in Indianapolis, Indiana, USA, Remote Sensing of Environment, 104(2), 157-167, 2006.
  • 32. Haworth J., Cheng T., Non-parametric regression for space–time forecasting under missing data. Computers, Environment and Urban Systems, 36(6), 538-550, 2012.
  • 33. Gulbag A., Temurtas F., A study on quantitative classification of binary gas mixture using neural networks and adaptive neuro-fuzzy inference systems. Sensors and Actuators B:Chemical, 115(1), 252-262, 2006.
  • 34. Reşat H.G., Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Journal of the Faculty of Engineering & Architecture of Gazi University, 35(3), 1130-1140, 2020.
  • 35. Labat D., Ronchail J., Guyot J.L., Recent advances in wavelet analyses: Part 2-Amazon, Parana, Orinoco and Congo discharges time scale variability, Journal of Hydrology, 314(1-4), 289-311, 2005.
  • 36. Gabrali D., Aslan Z., Güneş enerjisi potansiyelinin çoklu lineer regresyon ve yapay sinir ağları ile modellenmesi. AURUM Mühendislik Sistemleri ve Mimarlık Dergisi, 4(1), 23-36, 2020.
  • 37. Percival D.B. ve Walden A.T., Wavelet Methods for Time Series Analysis. Cambridge University Press, U.K, 2000.
  • 38. Amrouche B., Pivert X., Artificial neural network based daily local forecasting for global solar radiation, Applied Energy, 130, 333-341, 2014.
  • 39. Wang L., Zou H., Su J., Li L., Chaudhry, S., An arima-ann hybrid model for time series forecasting Systems Research and Behavioral Science, 30(3), 244-259, 2013.
  • 40. Rout M., Majhi B., Majhi R., Panda G., Forecasting of currency exchange rates using an adaptive arma model with differential evolution based training, Journal of King Saud University-Computer and Information Sciences, 26(1), 7-18, 2014.
  • 41. Emhan Ö., Yukarı–aşağı imleç hareketine ilişkin EEG kayıtlarının ayrık dalgacık, Knn ve Dvm ile sınıflandırılması, Master, Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır 2017.
  • 42. Wang W., Ding J., Wavelet network model and its application to the prediction of hydrology. Nature and Science 1(1), 67-71, 2003.
  • 43. Partal T., Türkiye yağış miktarlarının yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini, Doktora, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2007.
  • 44. Partal T., Kişi O., Wavelet and nuro-fuzzy conjuction model for precipitation Forecasting, J. Hydrol, 342, 199-212, 2007.
  • 45. Partal T., Cığızoğlu H., Prediction of daily precipitation using wavelet-neural networks, Hydrological Sciences Journal, 54(2), 234-246, 2009.
  • 46. Streiling S., Matzarakis A., Influence of singleand small clusters of trees on the bioclimate of a city: A case study, Journal of Arboriculture, 29(6), 309-316, 2003.
  • 47. Alberti M., Advances in urban ecology (first ed.), Springer-Verlag, U.S, 2008.
  • 48. Yin F., Deng X., Jin Q., Yuan Y., Zhao C., The impacts of climate change and human activities on grassland productivity in Qinghai Province, China. Frontiers of Earth Science, 8(1), 93-103, 2014.
Toplam 48 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mimarlık, Mühendislik
Bölüm Makaleler
Yazarlar

Buket İşler 0000-0002-9393-9564

Zafer Aslan 0000-0001-7707-7370

Yayımlanma Tarihi 2 Eylül 2021
Gönderilme Tarihi 20 Temmuz 2020
Kabul Tarihi 15 Mart 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 36 Sayı: 4

Kaynak Göster

APA İşler, B., & Aslan, Z. (2021). Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(4), 1863-1874. https://doi.org/10.17341/gazimmfd.772082
AMA İşler B, Aslan Z. Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi. GUMMFD. Eylül 2021;36(4):1863-1874. doi:10.17341/gazimmfd.772082
Chicago İşler, Buket, ve Zafer Aslan. “Bitki örtüsü Ve mekânsal Ve Zamansal varyasyonların Modellenmesi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, sy. 4 (Eylül 2021): 1863-74. https://doi.org/10.17341/gazimmfd.772082.
EndNote İşler B, Aslan Z (01 Eylül 2021) Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36 4 1863–1874.
IEEE B. İşler ve Z. Aslan, “Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi”, GUMMFD, c. 36, sy. 4, ss. 1863–1874, 2021, doi: 10.17341/gazimmfd.772082.
ISNAD İşler, Buket - Aslan, Zafer. “Bitki örtüsü Ve mekânsal Ve Zamansal varyasyonların Modellenmesi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/4 (Eylül 2021), 1863-1874. https://doi.org/10.17341/gazimmfd.772082.
JAMA İşler B, Aslan Z. Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi. GUMMFD. 2021;36:1863–1874.
MLA İşler, Buket ve Zafer Aslan. “Bitki örtüsü Ve mekânsal Ve Zamansal varyasyonların Modellenmesi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 36, sy. 4, 2021, ss. 1863-74, doi:10.17341/gazimmfd.772082.
Vancouver İşler B, Aslan Z. Bitki örtüsü ve mekânsal ve zamansal varyasyonların modellenmesi. GUMMFD. 2021;36(4):1863-74.