Üç Seviyeli Dijital İzleme (3LDM) - Orman Peyzaj Restorasyonunun (FLR) izlenmesi için uzaktan algılama ve BT çözümleri
Tam Çözüm
Madagaskar'da drone eğitimi
© Forests4Future, GIZ
GIZ'in Forests4Future (F4F) projesi Etiyopya, Madagaskar ve Togo gibi ülkelerde Orman Peyzaj Restorasyonu (FLR) ve yönetişimi desteklemektedir. Mevcut FLR izleme sistemleri doğruluk ve bütünlük sorunlarıyla karşı karşıyadır. Bunu ele almak için F4F, güvenilir bir izleme sisteminin geliştirilmesini ve standart bir işletim prosedürünün pilot uygulamasını başlattı. Harici jeo-uzamsal veri firmalarının uzmanlığından yararlanan F4F, Üç Seviyeli Dijital İzleme Sistemini (3LDM) tanıttı. Bu sistem, üç seviyeli veriyi entegre ederek izlemeyi iyileştirir:
1. Saha tabanlı veriler
2. Drone tabanlı veriler
3. Uydu verileri
3LDM yaklaşımı, seçilen FLR sahalarında restore edilen hektarları, toprak üstü ağaç biyokütlesini ve ağaç çeşitliliğini izler
Son güncelleme: 30 Sep 2025
812 Görünümler
Fotoğraf ve video galerisi
Bağlam
Ele alınan zorluklar
Çevresel zorluklar:
Sentinel veya Landsat gibi uydu görüntüleri, özellikle genç büyüme veya gölgelik altı için doğru orman değerlendirmesini etkileyen düşük çözünürlük nedeniyle daha küçük ağaçları gözden kaçırabilir. Yüksek çözünürlüklü drone verilerini kullanan 3LDM sistemi, kanopi yüksekliğini ölçer ve allometrik denklemlerle biyokütle hesaplamalarını iyileştirir. Dronlar, geniş alanları ölçerek veri doğruluğunu ve verimliliğini artırır.
Sosyal zorluklar:
Geleneksel orman izleme çalışmaları el emeği gerektiriyor ve yerel topluluklar için sıkıntı yaratıyor. Drone ve uydu teknolojisinden yararlanan 3LDM, yerel gelenekleri koruyarak minimum müdahaleyle geniş çaplı izleme yapıyor. Ayrıca drone ile ilgili yerel beceri geliştirme ve iş fırsatlarını da teşvik etmektedir.
Ekonomik zorluklar:
Manuel orman envanteri maliyetli ve yavaştır. 3LDM ekonomik bir çözüm sağlar. Drone ile veri toplama, daha hızlı ve geniş olduğundan saha çalışması maliyetlerini azaltır. Açık kaynaklı görüntülerin kullanılması masrafları azaltır, izlemeyi uygun fiyatlı ve farklı projelere uyarlanabilir hale getirir.
Konum
Madagaskar
Etiyopya
Togo
Batı ve Orta Afrika
Doğu ve Güney Afrika
Süreç
Sürecin özeti
Üç veri toplama mekanizmasının (saha verileri, drone görüntüleri ve uydu görüntüleri) karmaşık sinerjisi, programımızın izleme çerçevesinin omurgasını oluşturmaktadır. Her bir mekanizma masaya benzersiz bir güç getiriyor: saha verileri yer seviyesinde ayrıntılı bilgiler sunarken, drone görüntüleri ayrıntılı bir hava perspektifi sağlıyor ve uydu görüntüleri uzaydan daha geniş bir genel bakış sunuyor. İç içe geçtiklerinde, veri güvenilirliğini ve doğruluğunu destekleyen sağlam bir veri dokusu oluştururlar.
Bu sinerjik yaklaşım, FLR stratejilerinin bütünsel olarak izlenmesi için çok önemlidir. Çevresel restorasyon çabalarının karmaşıklığı arttıkça, çok yönlü bir bakış açısına sahip olmak zorunlu hale gelmektedir. Biyokütle gibi temel göstergelerin izlenmesi. Ayrıca, ağaç boyu, göğüs yüksekliğindeki çap (DBH), orman kompozisyonu ve tür farklılaşması gibi ikincil göstergeler, restorasyon çabalarının incelikli bir şekilde anlaşılması için kritik öneme sahiptir. Üç katmanlı sistemin güzelliği esnekliğidir: bir yöntemin etkinliğini sınırlayan zorluklar ortaya çıkarsa, diğer ikisi sorunsuz bir şekilde devreye girerek veri kalitesinde veya içgörülerde herhangi bir kesinti olmamasını sağlar. Bu karşılıklı bağımlılık, daha bilinçli stratejilere ve başarılı FLR sonuçlarına yol açan kapsamlı verileri garanti eder.
Yapı Taşları
Saha Verileri
Uydu ve drone görüntüleri, izleme için yadsınamaz katkılarına rağmen, FLR çalışmalarının ilk yıllarında sınırlıdır. İlk proje yıllarında saha düzeyinde veri toplanması çok önemlidir.
Saha düzeyinde veri toplama ayrıca üç katılımcı yaklaşıma ayrılmıştır:
- Kalıcı örnekleme parselleri: Ağaç yüksekliği, DBH ve ağaçların hayatta kalma oranlarının tahmin edileceği sabit parseller. Kalıcı örnekleme parselleri, yüksek emek ve zaman girdisi nedeniyle 3 yıllık aralıklarla değerlendirilecektir.
- Arazi kullanım planlaması: Dünya Koruma Birliği (IUCN) tarafından Tehdit Altındaki Türlerin Kırmızı Listesine göre tehlike altındaki türlerin belirlenmesinin yanı sıra bilgilerin değerlendirilmesi için tartışma turları. Diğer arazi kullanım planlama süreçlerine entegre edilmiştir ve bu nedenle tanımlanmış bir değerlendirme aralığı yoktur.
- Transektler: Üç aylık bir değerlendirme aralığında floristik ve faunistik türlerin yanı sıra orman yapısı kompozisyonunun tanımlanması
Üç katılımcı yaklaşımda yer alan tüm ilgili göstergeler KOBO Araç Kutusu kullanılarak toplanmaktadır. Bu yazılım, projenin izleme hedefleriyle uyumlu, uygun koşullar sunan ve kullanımı kolay bir yazılımdır.
Etkinleştirici faktörler
Katılımcı bir yaklaşım, restore edilen alanların uzun vadeli izlenmesini garanti altına almak için esastır. Yerel bilgi birikimi ile yerel personelin ve bölgesel ortakların eğitimi/kapasitesinin geliştirilmesi bu yaklaşımın özünü oluşturmaktadır. Toplumun ihtiyaçlarını belirlemek, tartışma turları düzenlemek, yerel toplumu izleme sisteminin geliştirilmesi ve test edilmesine dahil etmek, restore edilen peyzajla ilgili bilinci ve bağlantıyı teşvik eder.
Çıkarılan dersler
-
Saha Verisi Önceliği: Erken FLR aşamalarında, saha düzeyinde veri toplama, yalnızca uydu ve drone görüntülerine güvenmekten daha etkilidir.
-
Katılımcı Yaklaşımlar: Kalıcı örnekleme parselleri, arazi kullanım planlaması ve transektler gibi katılımcı yöntemlerin kullanılması yerel toplulukları dahil eder ve izlemeyi geliştirir.
-
Uygun Teknoloji: KOBO Toolbox gibi kullanıcı dostu araçların kullanılması proje hedefleriyle uyumludur ve veri toplamayı kolaylaştırır.
-
Yerel Topluluk Katılımı: Yerel toplulukların katılımı ve eğitimi uzun vadeli başarı sağlar ve restore edilen peyzajlarla bir bağ kurulmasını teşvik eder.
Uydu Verileri
Uydu verileri, Copernicus Sentinel-2 ve LANDSAT uydularından alınan açık kaynaklı görüntülerin yeteneklerinden yararlanan 3LD-Monitoring sisteminin temelini oluşturmaktadır. Remote Sensing Solutions (RSS) GmbH tarafından titizlikle geliştirilen bir algoritma bu süreçte devrim yaratıyor. Kullanıcılar ilgilendikleri alanın şekil dosyasını sorunsuz bir şekilde göndererek algoritmanın ilgili verileri otomatik olarak almasını ve analiz etmesini sağlayabiliyor. Bitki örtüsü kazanımlarını veya kayıplarını değerlendirmek için NDVI kullanılarak 5 yıllık bitki örtüsü eğilimi, NDWI aracılığıyla 5 yıllık bitki örtüsü nem analizi ve incelikli bir 5 yıllık yağış eğilimi değerlendirmesi dahil olmak üzere bir dizi sağlam analiz gerçekleştirilir. Ayrıca algoritma, projenin başlangıcından bu yana bitki örtüsündeki değişikliklerin görselleştirilmesini kolaylaştırarak izleme çerçevesini dinamik içgörülerle destekliyor. 3LDM-İzleme sisteminin hayati bir bileşeni olan uydu verileri, Copernicus Sentinel-2 misyonu ve LANDSAT uydularından elde edilen açık kaynaklı görüntülerden yararlanmaktadır. Önceden tanımlanmış alanlar için bu veriler otomatik olarak alınır ve belirli parametreler için analiz edilir. Temel analizler arasında bitki örtüsü kazanımları veya kayıpları için bir vekil olarak NDVI kullanan 5 yıllık bir bitki örtüsü eğilimi, NDWI aracılığıyla 5 yıllık bir bitki örtüsü nem eğilimi ve 5 yıllık bir yağış eğilimi bulunmaktadır. Ayrıca proje başlangıcından itibaren bitki örtüsündeki değişiklikler de görselleştirilebilmektedir.
Etkinleştirici faktörler
Bu yapı taşının etkin kullanımı, kullanıcıların QGIS gibi CBS platformlarında alanları çizmesine ve kaydetmesine bağlıdır. Ayrıca şekil dosyasının başlangıç tarihleri ve FLR tipi gibi proje özellikleriyle zenginleştirilmesi analizi optimize eder. Bu becerilere yönelik uygun eğitim, doğru veri girişi ve özel izleme sağlar, bu da bu alanlarda kapasite geliştirmeyi mevcut değilse gerekli kılar.
Çıkarılan dersler
Uydu verileri, özellikle de açık kaynaklı olanlar, geniş bir içgörü sunarken, türlerin tanımlanmasına yönelik kapasitesi, ulaşılamaz olmasa da oldukça kısıtlıdır. Bu sınırlama, tür kompozisyonu ve özelliklerinin ayırt edilmesinde saha çalışmasının vazgeçilmez rolünü vurgulamaktadır. Ayrıca, özellikle genç ağaç plantasyonlarında uydu görüntülerinin doğuştan gelen kısıtlamalarının anlaşılması, orman arazilerinin kapsamlı bir görünümünü elde etmek için saha ve drone verilerinin entegre edilmesi ihtiyacını güçlendirmektedir.
Drone Verileri
Dronlar, 3LD-İzleme sisteminde önemli bir rol oynamakta ve diğer veri toplama yöntemlerini tamamlamaktadır. Dronlar, ortak ülkelerde yerel personelin teknik becerilerini güçlendirmek için önemli araçlardır. Bu beceriler uçuş planlama, navigasyon ve görüntü değerlendirmeyi kapsamaktadır. Drone ile izleme, proje personelinin fotogrametrik analizler için özel olarak hazırlanmış verileri yakalamasını ve bunlardan önemli coğrafi bilgilerin ortaya çıkmasını amaçlamaktadır.
Drone haritalama metodolojisi, ilk ikisi drone operasyonlarına odaklanan beş aşamadan oluşmaktadır:
- Haritalama görevi hazırlığı (masaüstü çalışması)
- Haritalama görevinin yürütülmesi (saha çalışması)
- Sayısal Yüzey Modelinin (DSM) geliştirilmesi ve Ortomozaik üretimi (masaüstü çalışması)
- Veri analizi ve iyileştirme (masaüstü çalışması)
- Mevcut veri sistemine entegrasyon (masaüstü çalışması)
Drone verileri, ölüm oranları ve orman türleri gibi karbon/biyokütle ile bağlantılı göstergelerin değerlendirilmesine yardımcı olur. Özellikle, allometrik denklemlerin uygulanması ve arazi türünün uygun şekilde karakterize edilmesiyle, ağaçların toprak üstü biyokütle tahminleri belirlenebilir.
Etkinleştirici faktörler
Önceden ayarlanmış uçuş planlama özelliğine sahip dronlar, tek tek görüntülerden sorunsuz ortofoto oluşturulmasını sağlar. Bu, tek tek anlık görüntülerin sorunsuz bir şekilde bir ortofotoda (bozulmalar için düzeltilmiş hava fotoğrafı, doğru ölçümlere izin verir) birleşmesini sağlar. Bu insansız hava araçlarının ortak ülkelerin yerel pazarlarında bulunabilirliğini göz önünde bulundurmak da hayati önem taşımaktadır. Bu süreçte yerel akademiyi sürece dahil ederek yerel bilgiden yararlanmak çok önemlidir. Bu kuruluşlar, hassas biyokütle hesaplamalarını kolaylaştıran, ağaç yüksekliğine dayalı temel allometrik denklemleri sağlayabilir.
Çıkarılan dersler
Dronlar yüksek çözünürlüklü görüntüler üreterek arazi örtüsü değişiklikleri, ağaçların hayatta kalması ve erozyon oranları gibi konularda ayrıntılı bir genel bakış sağlar. Saha verileriyle birlikte drone tabanlı izleme güçlendirilerek sağlıklı bir izleme garanti altına alınır.
Ağaçların heterojenliği ve bitki örtüsü yoğunluğu, yükseklikleri ve diğer göstergeleri tahmin etmek için gerekli olan görüntüler arasındaki ortak kilit noktaların sağlıklı bir şekilde çıkarılmasını genellikle engeller. Bu bağlamda, görüntüler arasındaki örtüşmeyi en az %85 ön ve yan örtüşmeye çıkarmak kilit noktaların çıkarılmasını iyileştirebilir. Ayrıca, drone'un uçuş yüksekliğinin artırılması perspektif bozulmasını azaltarak örtüşen görüntüler arasındaki görsel benzerliklerin tespit edilmesini kolaylaştırır. Bununla birlikte, çok fazla örtüşme, yani yüksek örtüşme yüzdeleri, daha yüksek miktarda veri ile sonuçlanır ve veri işlemeyi daha yoğun hale getirir.
Daha önce bahsedilen bir diğer husus da ortak ülkelerde uygun dronların bulunmasıdır. İlgili ülkelere drone ithal etmek zordur ve bürokratik engeller devam etmektedir.
Etkiler
Her üç veri kaynağı da (uydu, drone ve saha) işlenmekte ve proje izleme web sitesi üzerinden erişilebilen bir gösterge tablosu platformuna entegre edilmektedir. Web sitesi şunları sağlar:
İçeriden:
- Proje faaliyetlerinin değerlendirilmesi
- Daha ileri planlama için temel olarak değişikliklerin izlenmesi
- Proje faaliyetlerinin yönetimi (yönlendirme fonksiyonu)
- Proje faaliyetlerine ilişkin raporlama
- FLR müdahalelerinin karşılaştırılması ve özetlenmesi
Dışarıdan:
- Proje faaliyetlerinin takibi
- Projeler ve ortaklar arasında faaliyetlerin uyumlaştırılması
- Proje deneyimlerinden öğrenme
- Sonuçların raporlanması ve iletilmesi
- FLR faaliyetlerinin şeffaflığı
Platform panosu iki benzersiz özelliğe sahiptir:
1. Alana özgü: son 5 yılın uydu verilerinin anında otomatik analizi ve görselleştirilmesi
2. Restorasyon çalışmalarının bütünsel bir resmini çizmek için farklı bilgi katmanlarını birleştirerek saha, drone ve uydu verilerinin entegrasyonu
Yararlanıcılar
- AFR100 Odak Noktaları ve Sekretarya
- Bakanlıklar (Orman/Çevre ve Tarım Bakanlığı)
- İdari memurlar
- STK'lar
- Restorasyon teknisyenleri ve meraklıları
- Yerel topluluklar
- Forests4Future projesi ekibi ve diğer FLR projeleri
Sürdürülebilir Kalkınma Hedefleri
SKA 15 - Karada yaşam
SKA 17 - Hedefler için ortaklıklar
Hikaye
Maxim, Madagaskar'da 3LDM sisteminin uygulanmasına öncülük ediyor. Madagaskar'da Orman Peyzaj Restorasyonunu değerlendirmek için drone kullanmak aynı zamanda mangrovları da izlemek anlamına geliyor. Bu yoğun, bataklık arazilerde geleneksel izleme göz korkutucudur, ancak 3LDM'nin drone protokolü yüksek çözünürlüklü görüntülerle daha verimli ve ayrıntılı hale geldi.
Bir drone araştırması sırasında Maxim'in ekibi beklenmedik bir sakini keşfetti: güneşlenen bir timsah. Net görüntüler sadece teknolojinin etkinliğini vurgulamakla kalmadı, aynı zamanda yaya araştırmalara göre güvenlik avantajının da altını çizdi.
Beklenmedik yaban hayatı karşılaşmalarının ötesinde, 3LDM mangrovların büyüme dinamikleri hakkında içgörüler sundu. Sistemin, dronların rüzgarlı koşullara uyum sağlaması gibi zorlukları olsa da, elde edilen sonuçlar engellere ağır bastı.
