MOLUSCE Eklentisinin Kuramsal Mimarisi ve Arazi Örtüsü Değişimi Kestiriminde Uygulama Sonuçlarının Değerlendirilmesi
DOI:
https://doi.org/10.53463/ecopers.20260468Anahtar Kelimeler:
MOLUSCE- arazi kullanımı/örtüsü değişimi- hücresel otomata- yapay sinir ağı- coğrafi bilgi sistemleri- kestirim modeliÖzet
Arazi örtüsü ve kullanımı değişiminin kestirimi, peyzaj planlaması ve doğal kaynak yönetiminde merkezî bir konuma yerleşmiştir. MOLUSCE (Modules for Land Use Change Simulations), Markov zinciri, hücresel otomata ve makine öğrenmesi tabanlı geçiş potansiyeli modellerini tek bir açık kaynaklı QGIS eklentisinde birleştirir. Bu çalışma önce eklentinin kuramsal mimarisini çözümlemekte, ardından dokuz ülkede yürütülmüş 28 uygulamayı karşılaştırmalı olarak tartışmaktadır. Eklentinin sunduğu dört yöntem, yapay sinir ağı, lojistik regresyon, kanıt ağırlıkları ve çok ölçütlü değerlendirme, uygulamalardan derlenen doğruluk değerleri üzerinden karşılaştırılmıştır. Yapay sinir ağı ile hücresel otomata birleşimi en sık başvurulan kurgudur; denetimli karşılaştırmalar ise melez kurguların daha yüksek doğruluk sağladığına işaret etmektedir. Uygulamaların çoğu 0,70-0,95 aralığında Kappa değerleri üretmekle birlikte, eğitimde başarılı bir modelin doğrulamada belirgin biçimde gerileyebildiği örnekler vardır. Kestirimler hemen her coğrafyada yapılı alanların genişlemesini, doğal örtünün gerilemesini öngörmektedir. MOLUSCE güvenilir bir karar destek aracıdır; ancak başarısı araçtan çok girdi verisinin kalitesi ile sürücü değişken ve parametre tercihlerine bağlıdır.
Referanslar
Aldoğan, C. F. (2019). İstanbul 2023 yılı arazi örtüsü/kullanım tahmininin yapay sinir ağları ve mantıksal regresyon metotları ile modellenmesi (Yüksek lisans tezi). İstanbul Teknik Üniversitesi, Bilişim Enstitüsü, İstanbul.
Amgoth, A., Rani, H. P., & Jayakumar, K. V. (2023). Exploring LULC changes in Pakhal Lake area, Telangana, India using QGIS MOLUSCE plugin. Spatial Information Research, 31(4), 429–438. https://doi.org/10.1007/s41324-023-00509-1
Asia Air Survey, & NextGIS. (2014). MOLUSCE: Modules for Land Use Change Evaluation, Quick help [QGIS eklentisi kullanım kılavuzu]. https://github.com/nextgis/qgis_molusce
Ayalke, Z. G. (2025). Kentsel genişlemenin makine öğrenmesi yöntemleri ile irdelenmesi (Doktora tezi). Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Samsun.
Baghel, S., Kothari, M. K., Tripathi, M. P., Singh, P. K., Bhakar, S. R., Dave, V., & Jain, S. K. (2024). Spatiotemporal LULC change detection and future prediction for the Mand catchment using MOLUSCE tool. Environmental Earth Sciences, 83(3), 66. https://doi.org/10.1007/s12665-023-11381-5
Bathe, K. D., & Patil, N. S. (2024). Assessment of land use-land cover dynamics and its future projection through Google Earth Engine, machine learning and QGIS-MOLUSCE: A case study in Jagatsinghpur district, Odisha, India. Journal of Earth System Science, 133(2), 111. https://doi.org/10.1007/s12040-024-02305-3
Bramantio, B., Hizbaron, D. R., & Khakhim, N. (2024). Prediction of the future landuse and land cover changes in the Parangtritis sand dune: A spatio-temporal analysis using QGIS MOLUSCE. IOP Conference Series: Earth and Environmental Science, 1313, 012014. https://doi.org/10.1088/1755-1315/1313/1/012014
Dadzie, E., Twumasi, Y. A., Ning, Z. H., Osei, J. D., Gyan, D. T., Annan, K. K., & Loh, P. M. (2026). Integrating remote sensing and MOLUSCE to map and predict land degradation in Baton Rouge. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-10-2025, 107–112. https://doi.org/10.5194/isprs-archives-XLVIII-M-10-2025-107-2026
Gao, C., Cheng, D., Iqbal, J., & Yao, S. (2023). Spatiotemporal change analysis and prediction of future land cover changes using QGIS MOLUSCE plugin on a large regional scale and the relationship analysis with mountain hazards: A case study of the Great Yellow River Region (GYRR), China. Land, 12(2), 340. https://doi.org/10.3390/land12020340
Gündüz, H. İ. (2025). Land-use land-cover dynamics and future projections using GEE, ML, and QGIS-MOLUSCE: A case study in Manisa. Sustainability, 17(4), 1363. https://doi.org/10.3390/su17041363
Gupta, R. K. (2026). Integrating GEE, machine learning, and MOLUSCE for predicting urban LULC dynamics of Ahmedabad Metropolitan Region, India. International Journal of Engineering and Geosciences, 11(3), 666–684. https://doi.org/10.26833/ijeg.1828589
Iskandar, B., Saidah, Kurnia, A. A., Jauhari, A., & Zannah, F. (2024). Modeling land cover change using MOLUSCE in Kahayan Tengah Forest Management Unit, Kalimantan Tengah. Jurnal Sylva Lestari, 12(2), 242–257. https://doi.org/10.23960/jsl.v12i2.865
Jahdi, R. (2023). Land use changes analysis and prediction using remote sensing and QGIS MOLUSCE plugin in the Siahkal County. Systems of Watershed Management, 10(4), 29–42.
Kamaraj, M., & Rangarajan, S. (2022). Predicting the future land use and land cover changes for Bhavani basin, Tamil Nadu, India, using QGIS MOLUSCE plugin. Environmental Science and Pollution Research, 29(63), 86337–86348. https://doi.org/10.1007/s11356-021-17904-6
Kartikasari, A. N. I., Prasojo, S. I. L., Kaffa, N. S., & Robbani, H. W. (2025). Land cover projection of Jember irrigation area using MOLUSCE QGIS. Geoid, 20(2), 35–44.
Kumari, S., & Roy, A. (2025). Simulation of land use and land cover using the MOLUSCE plugin integrated with QGIS for the Western Himalayan region of India. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-5-2024, 81–85. https://doi.org/10.5194/isprs-archives-XLVIII-M-5-2024-81-2025
Lufira, R. D., Andawayanti, U., Asmaranto, R., Suhartanto, E., Azzahra, A., Utami, R. T., & Rahmawan, I. T. (2026). Hybrid cellular automata-artificial neural network land use change QGIS-MOLUSCE for urban watershed resilience. Journal of Water and Land Development, 69, 15–23. https://doi.org/10.24425/jwld.2026.157847
Muhammad, R., Zhang, W., Abbas, Z., Guo, F., & Gwiazdzinski, L. (2022). Spatiotemporal change analysis and prediction of future land use and land cover changes using QGIS MOLUSCE plugin and remote sensing big data: A case study of Linyi, China. Land, 11(3), 419. https://doi.org/10.3390/land11030419
NextGIS. (2024). MOLUSCE: Modules for Land Use Change Simulations [QGIS eklentisi kullanıcı belgesi]. https://docs.nextgis.com/docs_ngqgis/source/molusce.html
Ramadan, G. F., & Hidayati, I. N. (2022). Prediction and simulation of land use and land cover changes using open source QGIS: A case study of Purwokerto, Central Java, Indonesia. Indonesian Journal of Geography, 54(3), 344–351. https://doi.org/10.22146/ijg.68702
Rivera-Fernández, A. S., Zabaleta-Santisteban, J. A., Medina-Medina, A. J., Tuesta-Trauco, K. M., Silva-Meléndez, T. B., Grandez-Alberca, M. A., Salas López, R., Oliva-Cruz, M., Portocarrero, C., Rojas-Briceño, N. B., Barboza, E., & Silva-López, J. O. (2026). Hydrological impacts of LULC change in high-Andean basins: An integrated SWAT–MOLUSCE modeling approach. Water, 18(3), 365. https://doi.org/10.3390/w18030365
Roy, S. K., & Kumar, A. (2025). Monitoring the LULC changes in the rurban region of Berhampore Municipality using MOLUSCE plugin of QGIS. Proceedings of the Indian National Science Academy. https://doi.org/10.1007/s43538-025-00628-3
Sabri, N. Q., & Khayyun, T. S. (2024). Spatiotemporal prediction of future LULC changes, northern and northeastern parts of Iraq with MOLUSCE. Journal of Ecohumanism, 3(7), 2417–2433. https://doi.org/10.62754/joe.v3i7.4647
Santoso, D. H., Puryani, Algary, T. A., Chaeron, M., & Hilmi, I. K. (2025). Land use change analysis using plugin MOLUSCE in Yogyakarta urban agglomeration area. INSOLOGI: Jurnal Sains dan Teknologi, 4(2), 160–169. https://doi.org/10.55123/insologi.v4i2.5032
Şıkel, Y. S. (2025). Uzaktan algılama verileri ile makine öğrenmesi algoritmaları kullanılarak Almus Barajı su alanlarının zamansal değişiminin analizi ve geleceğe yönelik mekânsal projeksiyonları (Yüksek lisans tezi). Sivas Cumhuriyet Üniversitesi, Fen Bilimleri Enstitüsü, Sivas.
Singha, C., Sahoo, S., Singh, S. P., & Chowdhuri, B. R. (2022). Predicting the relationship between LULC changes and their impact on LST by MOLUSCE and GEE environment in urban catchment of Kolkata city [Ön baskı]. SSRN. https://ssrn.com/abstract=4272465
Singha, C., Sahoo, S., Swain, K. C., Govind, A., Al-Quraishi, A. M. F., & Singh, S. P. (2026). Utilization of MOLUSCE tool and GEE cloud to predict the variation of LST through LULC, NDBI and NDVI in Tollygunge-Panchannagram Basin of Kolkata. Discover Environment, 4, 2. https://doi.org/10.1007/s44274-025-00474-6
Tefera, S. A., & Thatiparthi, V. L. (2026). Optimizing land use and land cover prediction using an integrated MOLUSCE framework in Gubalafto district, Ethiopia. Discover Sustainability, 7, 958. https://doi.org/10.1007/s43621-026-03283-w
Wanggai, C. B., Supardi, Sari, C. F. K., Mardiyadi, Z., & Putri, E. F. S. (2026). Analysis and prediction of land cover change in Palangka Raya City using a cellular automata–neural network model based on MOLUSCE. Jurnal Teknologi Informasi dan Pendidikan, 19(2), 1479–1499. https://doi.org/10.24036/jtip.v19i2.1117
Yiğit, Ş. (2018). Peyzaj metrikleri kullanılarak Hatay-Samandağ bölgesi peyzaj değişimlerinin değerlendirilmesi (Yüksek lisans tezi). Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Antalya.
İndir
Yayınlandı
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2026 Sekizgen Academy
Bu çalışma Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License ile lisanslanmıtır.
