Figure - uploaded by Mücahit Coşkun
Content may be subject to copyright.
Source publication
The study area is Karabük province, and the research topic is to examine the influence of soil-related variables on
soil organic carbon in Karabük province. The aim of the study is to determine the relationship between digital
soil mapping and the correlation analysis of soil variables that affect the carbon stock stored by the soil. In the
study,...
Contexts in source publication
Context 1
... library comprises over 600 datasets totalling 29 petabytes of data and offers observations from over 30 satellites and equipment (Herwig, 2018). Table 2 shows descriptive statistics for key physicochemical parameters of soils and SOC analysis findings based on data collected from surface (0-5 cm) sample locations in the research region. Physical and chemical parameters were examined, and descriptive statistical computations of these variables were performed using data collected from 296.984 locations on the research area's surface. ...Context 2
... library comprises over 600 datasets totalling 29 petabytes of data and offers observations from over 30 satellites and equipment (Herwig, 2018). Table 2 shows descriptive statistics for key physicochemical parameters of soils and SOC analysis findings based on data collected from surface (0-5 cm) sample locations in the research region. Physical and chemical parameters were examined, and descriptive statistical computations of these variables were performed using data collected from 296.984 locations on the research area's surface. ...Similar publications
Land use and land cover change have significant impacts on climate, the environment, and natural ecosystems. This research analyzes land use change over time using Google Earth Engine (GEE) and provides recommendations for land use planning based on the results. This research aligns with priorities related to SDG issues, specifically the maintenanc...
Citations
... The GEE API provides radar images from the Copernicus program, including rain-and snowfree radar images from Sentinel-1A and 1B, and high-resolution optical images from Sentinel-2A and 2B. Zhou [28], Coskun [29], and Javidan [30] represent three examples of GEE integration. Users can access a wide range of satellite and environmental data. ...
Soil organic carbon (SOC) is a key indicator of soil health, fertility, and carbon sequestration, making it essential for sustainable land management and climate change mitigation. However, large-scale SOC monitoring remains challenging due to spatial variability, temporal dynamics, and multiple influencing factors. We present WALGREEN, a platform that enhances SOC inference by overcoming limitations of current applications. Leveraging machine learning and diverse soil samples, WALGREEN generates predictive models using historical public and private data. Built on cloud-based technologies, it offers a user-friendly interface for researchers, policymakers, and land managers to access carbon data, analyze trends, and support evidence-based decision-making. Implemented in Python, Java, and JavaScript, WALGREEN integrates Google Earth Engine and Sentinel Copernicus via scripting, OpenLayers, and Thymeleaf in a Model-View-Controller framework. This paper aims to advance soil science, promote sustainable agriculture, and drive critical ecosystem responses to climate change.
... La elección de Google Earth Engine como plataforma para esta investigación no solo se basa en su capacidad para gestionar grandes volúmenes de datos satelitales, sino también en su accesibilidad y eficiencia en el procesamiento a escala global (Alzurqani et al., 2024;Biswas et al., 2023). Además, se implementó una validación rigurosa de los resultados obtenidos mediante el método no paramétrico de Mann Kendall, garantizando la fiabilidad y precisión de las conclusiones derivadas de este análisis (Coşkun et al., 2024;Detsikas et al., 2024). El acceso a plataformas de procesamiento masivo de datos satelitales, como Google Earth Engine (GEE), ha revolucionado los estudios ambientales al facilitar el análisis multitemporal de grandes conjuntos de datos (Imtiaz et al., 2024;Jahanbakhsh et al., 2024). ...
El estudio se centró en analizar la distribución y evolución de la vegetación en la cuenca Ramis durante el período de 1984 a 2021, utilizando datos de índices de vegetación como el NDVI y el ARVI. Se emplearon herramientas como la Plataforma Google Earth Engine (GEE) para el procesamiento de imágenes satelitales Landsat y el software R Studio para realizar análisis de tendencias no paramétricas mediante el método de Mann Kendall. Los resultados muestran una serie de patrones significativos en la distribución de la vegetación a lo largo de las décadas estudiadas. Se observa un aumento constante en áreas sin vegetación, lo que podría estar relacionado con procesos de desertificación o degradación del suelo. Por otro lado, se evidencia una disminución en la cobertura de vegetación escasa, posiblemente asociada a actividades humanas como la expansión agrícola o la urbanización. Sin embargo, se destaca un aumento progresivo en la cobertura de vegetación densa y muy densa, indicando posibles esfuerzos de reforestación o recuperación de áreas boscosas, así como éxitos en medidas de conservación o regeneración natural. Estos hallazgos resaltan la importancia de continuar monitoreando y gestionando adecuadamente los recursos naturales en la cuenca Ramis para garantizar su conservación a largo plazo. Además, se compararon los resultados obtenidos a través del NDVI y el ARVI. Se observó que el NDVI proporcionó una mejor representación espacial y mostró mayor sensibilidad a la cantidad de clorofila, siendo útil para evaluar la densidad de la vegetación. Por otro lado, el ARVI mostró resultados más adecuados para áreas con terreno variado o vegetación densa y compleja, aunque su representación en la cuenca Ramis fue limitada.
