Determination of Fire Damage and Fire Susceptible Areas Using Remote Sensing and Geographic Information Systems: A Case Study Aydıncık (Mersin) District, Türkiye

Abstract

As a country located in the Mediterranean climate zone, hundreds of forest fires occur every year in Türkiye and these fires cause many damages. Preventing forest fires is as important as reducing fire damage in reducing this damage. Therefore, areas susceptible to forest fire should be identified before a possible fire, both for early fire detection and early intervention and for reducing destruction. In this context, this study was carried out to determine the damage caused by the forest fire that occurred in Aydıncık district of Mersin in July 2021 and to identify fire-sensitive areas. In the first part of the study, NDVI (Normalized Difference Vegetation Index), NBR (Normalized Burn Ratio) and dNBR (Differenced Normalized Burn Ratio) indices were calculated using Landsat 8 OLI/TIRS satellite images to determine the difference between before and after the fire with Remote Sensing (RS) techniques. In the second part of the study, forest fire susceptibility areas were identified, and a Geographic Information Systems (GIS) supported forest fire susceptibility map of Aydıncık district was created. According to the NDVI index, it was determined that bare land and settlements increased from 13.43% in 2020 to 23.02% in 2021, and there was a decrease in areas with different forest densities. According to the dNBR index results, it was determined that 27.67% (12,153.83 ha) was moderately-highly damaged by fire and there were losses in areas with different plant densities. In addition, according to the forest fire susceptibility analysis, it was determined that the area showed 7.82% very low, 22.46% low, 28.65% medium, 28.56% high and 12.50% very high susceptibility.

Keywords

• Remote Sensing
• Geographic Information Systems
• NDVI-NBR-dNBR
• Forest Fire Damage
• AHP
• Susceptibility

Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Kullanılarak Yangın Hasarının ve Yangına Duyarlı Alanların Belirlenmesi: Aydıncık (Mersin) İlçesi Örneği, Türkiye

Abstract

Akdeniz iklim kuşağında yer alan bir ülke olması sebebiyle Türkiye’de her yıl yüzlerce orman yangını meydana gelmekte ve bu yangınlar birçok zarara sebep olmaktadır. Bu zararın azaltılmasında orman yangınlarını önlemek ne kadar önemliyse yangın tahribatının azaltılması da o denli önemlidir. Dolayısıyla muhtemel bir yangın öncesinde hem erken yangın tespiti ve erken müdahale hem de tahribatın azaltılmasında orman yangınına duyarlı alanlar belirlenmelidir. Bu bağlamda Mersin’in Aydıncık ilçesinde 2021 Temmuz ayında meydana gelen orman yangınının oluşturduğu hasarı tespit etmek ve yangına duyarlı alanları belirlemek için bu çalışma gerçekleştirilmiştir. Çalışmanın ilk bölümünde Uzaktan Algılama (UA) teknikleri ile yangın öncesi-sonrası arasındaki farkı belirlemek için Landsat 8 OLI/TIRS uydu görüntüleri kullanılarak NDVI (Normalize Edilmiş Bitki Örtüsü İndeksi), NBR (Normalize Edilmiş Yanma Şiddeti) ve dNBR (Fark Normalize Edilmiş Yanma Şiddeti) indeksleri hesaplanmıştır. Çalışmanın ikinci bölümünde ise orman yangınına duyarlı alanlar belirlenerek Aydıncık ilçesinin Coğrafi Bilgi Sistemleri (CBS) destekli orman yangını duyarlılık haritası oluşturulmuştur. NDVI indeksine göre 2020 yılında %13,43 olan çıplak arazi ve yerleşmelerin 2021 yılında %23,02’ye yükseldiği, farklı orman yoğunluklarının olduğu alanlarda ise azalma olduğu tespit edilmiştir. dNBR indeks sonuçlarına göre; %27,67’lik bir alanın (12.153,83 ha) yangından orta-yüksek derecede hasar gördüğü ve farklı bitki yoğunluğundaki alanlarda kayıplar olduğu belirlenmiştir. Ayrıca, orman yangını duyarlılık analizine göre sahanın %7,82 çok düşük, %22,46 düşük, %28,65 orta, %28,56 yüksek ve %12,50 oranında çok yüksek duyarlılık gösterdiği tespit edilmiştir.

Keywords

• Uzaktan Algılama
• Coğrafi Bilgi Sistemleri
• NDVI
• NBR-dNBR
• Orman Yangın Hasarı
• AHP
• Duyarlılık

References

1. Abujayyab, S. K. M., Kassem, M. M., Khan, A. A., Wazirali, R. Coşkun, M., Taşoğlu, E., Öztürk, A., & Toprak, F. (2022). Wildfire susceptibility mapping using five boosting machine learning algorithms: the case study of the Mediterranean Region of Turkey. Advances in Civil Engineering, 2022, Article 3959150. https://doi.org/10.1155/2022/3959150
2. Akbulak, C., Tatlı, H., Aygün, G., & Sağlam, B. (2018). Forest fire risk analysis via integration of GIS, RS and AHP: the case of Çanakkale, Turkey. International Journal of Human Science, 15(4), 2127–2143. http://dx.doi.org/10.14687/jhs.v15i4.5491
3. Alkan Akıncı, H., & Akıncı, H. (2023). Machine learning based forest fire susceptibility assessment of Manavgat District (Antalya), Turkey. Earth Science Informatics, 16, 397–414. https://doi.org/10.1007/s12145-023-00953-5
4. Akyürek, Ö. (2024). Orman yangını sonrası oluşan hasarın ve hava kirletici parametrelerin izlenmesi: Çanakkale yangını örneği. Doğal Afetler ve Çevre Dergisi, 10(1), 103-112. https://doi.org/10.21324/dacd.1355463
5. ArcGIS Pro Help, (2024): Data classification methods. 22 Mart 2024’te https://pro.arcgis.com/en/pro-app/latest/help/mapping/layer-properties/data-classification-methods.htm adresinden alındı.
6. Bilgili, E. (2014). Orman Koruma Dersi Geçici Ders Notları. Karadeniz Teknik Üniversitesi Yayınları.
7. Bingöl, B. (2017). Determination of forest fire risk areas in Burdur province using geographical information systems. Turkish Journal of Forest Science, 1(2), 169-182. https://doi.org/10.32328/turkjforsci.319155
8. Coşkun, M., & Ortaç, G. (2022). Filyos Çayı Havzası’nın (Karabük-Gökçebey) çok kriterli karar verme yöntemiyle taşkın risklerinin belirlenmesi. Doğu Coğrafya Dergisi, 27(47), 15-27.

9. Coşkun, M., & Toprak, F. (2023). Coğrafi bilgi sistemleri (CBS) tabanlı orman yangını risk analizi: Bartın ili örneği. Geomatik, 8(3), 250-263. https://doi.org/10.29128/geomatik.1192219
10. Çelik, M. Ö., Fidan, D., Ulvi, A., & Yakar, M. (2024). Akdeniz Bölgesi’ndeki orman yangınlarının uzaktan algılama ve coğrafi bilgi sistemleri kullanılarak değerlendirilmesi: Mersin ili Silifke ilçesi örneği. Anadolu Orman Araştırmaları Dergisi, 9(2), 116-125. https://doi.org/10.53516/ajfr.1302553
11. Çepel, N. (1995). Orman Ekolojisi (Yayın No: 3886). İstanbul Üniversitesi Basımevi.
12. Çömert, R., Matcı, D. K., & Avdan, U. (2019). Object based burned area mapping with random forest algorithm. International Journal of Engineering and Geosciences (IJEG), 4(2), 78-87. https://doi.org/10.26833/ijeg.455595
13. Demirel, Y., & Türk, T. (2023). Türkiye’de 2015 ile 2022 Yılları arasında meydana gelen orman yangınlarının coğrafi bilgi sistemleri ile zamansal ve mekânsal analizi. Jeodezi ve Jeoinformasyon Dergisi, 10(2), 136-150, https://doi.org/10.9733/JGG.2023R0010.T
14. Dilekçi, S., Marangoz, A. M., & Ateşoğlu, A. (2021). Zonguldak ve Ereğli Orman İşletme Müdürlükleri orman yangını risk alanlarının belirlenmesi. Geomatik, 6(1), 44-53. https://doi.org/10.29128/geomatik.660623
15. Doğanay, H., & Doğanay, S. (2004). Türkiye’de orman yangınları ve alınması gereken önlemler. Doğu Coğrafya Dergisi, 9(11), 31-48.
16. Dong, X., Li-min, D., Guo-fan, S., Lei, T., & Hui, W. (2005). Forest fire risk zone mapping from satellite images and GIS for Baihe Forestry Bureau, Jilin, China. Journal of Forestry Research, 16(3), 169–174. https://doi.org/10.1007/BF02856809
17. Duman, N., & İrcan, M. R. (2022). Coğrafi bilgi sistemleri ve uzaktan algılama tabanında Çankırı Merkez ilçesinin erozyon risk analizi. Coğrafi Bilimler Dergisi, 20(1), 220-245. https://doi.org/10.33688/aucbd.1074770
18. Eskandari, S. (2017). A new approach for forest fire risk modeling using Fuzzy AHP and GIS in Hyrcanian Forests of Iran. Arabian Jornal of Geoscience, 10, Article 190. https://doi.org/10.1007/s12517-017-2976-2
19. Erdoğan, Ö., Perçin, H., & Memlük, Y. (2019). Orman alanlarının AHP yöntemi kullanılarak Kütahya kenti örneğinde irdelenmesi. GSI Journals Serie C: Advancements in Information Sciences and Technologies, 2(1), 61-77.
20. Ersayın, K. (2016). Kızılırmak Deltası’nda ekolojik hassasiyet ve risk değerlendirmesi [Yüksek lisans tezi, Balıkesir Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
21. Erten, E., Kurgun, V., & Musaoğlu, N. (2005, 28 Mart-1 Nisan). Uzaktan Algılama ve Coğrafi Bilgi Sistemleri kullanarak orman yangını bilgi sisteminin kurulması [Bildiri Sunumu]. TMMOB Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara, Türkiye.
22. Fire Effects Monitoring and Inventory System. (2024). FIREMON: Fire Effects Monitoring and Inventory System. 22 Mart 2024’te https://www.frames.gov/firemon/home adresinden alındı.
23. Gai, C., Weng, W., & Yuan, H. (2011, 15-19 Nisan). GIS-based forest fire risk assessment and mapping [Bildiri Sunumu]. Fourth International Joint Conference on Computational Sciences and Optimization, Kunming and Lijiang City, China. https://doi.org/10.1109/CSO.2011.140
24. Ghobadi, G. J., Gholizadeh, B., & Dashliburun, O. M. (2012). Forest fire risk zone mapping from geographic information system in northern forests of Iran (case study, Golestan province). International Journal of Agriculture and Crop Sciences, 4(12), 818-824.
25. Gigovic, L., Jakovljevic, G., Sekulovic, D., & Regodic, M. (2018). GIS multi-criteria analiysis for identifying and mapping forest fire hazard: Nevesinje, Bosnia and Herzegovina. Tehnicki Vjesnik, 25(3), 891-897. https://doi.org/10.17559/TV-20151230211722
26. Goepel, K. D. (2013, 23-26 Haziran). Implementing the analytic hierarchy process as a standard method for multi-criteria decision making in corporate enterprises – A new AHP excel template with multiple ınputs [Conference presentation]. The International Symposium on the Analytic Hierarchy Process, Kuala Lumpur, Malaysia. https://doi.org/10.13033/isahp.y2013.047
27. Goldammer, J. G., & Nikolov, N. (2009, 26-27 Ekim). Climate change and forest fires risk, European and Mediterranean [Conference presentation]. Workshop Climate Change Impact on Water-Related and Marine Risks, Murcia, Spain.
28. Hatfield, J. L., Kanemasu, E. T., Asrar, G., Jackson, R. D., Pinter, P. J., Jr., Reginato, R. J., & Idso, S. B. (1985). Leaf area estimates from spectral measurements over various planting dates of wheat. International Journal of Remote Sensing, 6(1), 167–175. https://doi.org/10.1080/01431168508948432
29. Işık, F., Bahadır, M., Zeybek, H. İ., & Çağlak, S. (2020). Karadere Çayı Taşkını (Araklı- Trabzon). Mavi Atlas, 8(2), 526-547. https://doi.org/10.18795/gumusmaviatlas.788991
30. İban, M. C., & Şahin, E. (2022). Monitoring burn severity and air pollutants in wildfire events using remote sensing data: the case of Mersin wildfires in Summer 2021. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 487-497. https://doi.org/10.17714/gumusfenbil.1008242
31. İban, M. C., & Şekertekin, A. (2022). Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: a case study of Adana and Mersin Provinces, Turkey. Ecological Informatics, 69, Article 101647. https://doi.org/10.1016/j.ecoinf.2022.101647
32. Jaafari, A., Najafi, A., Pourghasemi, H. R., Rezaeian, J., & Sattarian, A. (2014). GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian Forest, Northern Iran. International Journal of Environmental Science and Technology, 11(4), 909–926. https://doi.org/10.1007/s13762-013-0464-0
33. Jaiswal, R. K., Mukherjee, S., Raju, K. D., & Saxena, R. (2002). Forest fire risk zone mapping from satellite imagery and GIS. International Journal of Applied Earth Observation and Geoinformation, 4(1), 1-10. http://dx.doi.org/10.1016/S0303-2434(02)00006-5
34. Joaquim, G. S., Bahaaeddin, A., & Josep, R. C. (2007, October 2-5). Remote sensing analysis to detect fire risk locations [Paper presentation]. GéoCongrès-2007, Québec, Canada.
35. Karabulut, M., Karakoç, A., Gürbüz, M. A., & Kızılelma, Y. (2013). Coğrafi bilgi sistemleri kullanarak Başkonuş dağında (Kahramanmaraş) orman yangını risk alanlarının belirlenmesi. Uluslararası Sosyal Araştırmalar Dergisi, 6(24), 171-179. https://www.researchgate.net/publication/269392574
36. Karakuş, P., Karabörk, H., & Kaya, Ş. (2017). A comparison of the classification accuracies in determining the land cover of Kadirli Region of Turkey by using the pixel based and object based classification algorithms. International Journal of Engineering and Geosciences (IJEG), 2(2), 52-60. https://doi.org/10.26833/ijeg.298951
37. Key, C. H., & Benson, N. (2005). Landscape assessment (LA) sampling and analysis methods. In D. C. Lutes, R. E. Keane, J. F. Caratti, C. H. Key, N. C. Benson, S. Sutherland, & L. J. Gangi (Eds.), FIREMON: Fire Effects Monitoring and Inventory System (pp 1-51). USDA Forest Service. https://www.researchgate.net/publication/241688462
38. Kshetri, T. B. (2018). NDVI, NDBI & NDWI calculation using Landsat 7, 8. Geomatics for Sustainable Development, 2, 32-34. https://www.researchgate.net/publication/327971920
39. Lutes, D. C., Keane, R. E., Caratti, J. F., Key, C. H., Benson, N. C., Sutherland, S., & Gangi, L. J. (2006). FIREMON: Fire Effects Monitoring and Inventory System. US Department of Agriculture, Forest Service, Rocky Mountain Research Station. https://doi.org/10.2737/RMRS-GTR-164
40. Mahdavi, A., Shamsi, S. R. F., & Nazari, R. (2012). Forest and rangelands wildfire risk zoning using GIS and AHP techniques. Caspian Journal of Environmental Sciences, 10(1), 43-52. https://www.researchgate.net/publication/263734114
41. Mandal, S., & Mondal, S. (2019). Statistical approaches for landslide susceptibility assessment and prediction. Springer. https://doi.org/10.1007/978-3-319-93897-4
42. Malik, T., Rabbani, G., & Farooq, M. (2013). Forest fire risk zonation using remote sensing and GIS technology in Kansrao Forest Range of Rajaji National Park, Uttarakhand, India. International Journal of Advanced Remote Sensing and GIS, 2(1), 86-95. https://www.researchgate.net/publication/278159215
43. Matin, M. A., Chitale, V. S., Murthy, M. S. R., Uddin, K., Bajracharya, B., & Pradhan, S. (2017). Understanding forest fire patterns and risk in Nepal using remote sensing, geographic information system and historical fire data. International Journal of Wildland Fire, 26(4), 276–286. http://dx.doi.org/10.1071/WF16056
44. Meteoroloji Genel Müdürlüğü. (2021). İllere Ait Mevsim Normalleri (1991-2020). 12 Aralık 2022’de https://www.mgm.gov.tr/ adresinden alındı.
45. Meteoroloji Genel Müdürlüğü. (2023). Orman Yangınları ve Meteoroloji. 8 Aralık 2023’de https://mgm.gov.tr/FILES/genel/sss/ ormanyangini.pdf adresinden alındı.
46. Miller, J. D., & Thode, A. E. (2007). Quantifying burn severity in a heterogeneous landscape with a relative version of the delta normalized burn ratio (dNBR). Remote Sensing of Environment, 109(1), 66–80. https://doi.org/10.1016/j.rse.2006.12.006
47. Mol, T., & Küçükosmanoğlu, A. (1997, October 1-4). Forest fires in Turkey [Paper presentation]. XI. World Forestry Congress, Antalya, Türkiye.
48. Ocak, F., Bahadır, M., Uzun, A., & Şahin, K. (2021). Atakum ilçesi kıyı kuşağının taşkın ve duyarlılık analizi, Samsun/Türkiye. In M. F. Döker & E. Akköprü (Ed.), Coğrafya araştırmalarında Coğrafi Bilgi Sistemleri uygulamaları II (pp. 273-292). Pegem Akademi.
49. Ocak, F., & Bahadır, M. (2022). CBS teknikleri kullanılarak deprem duyarlılık analizi için analitik hiyerarşi prosesi: Samsun Ladik Gölü Havzası örneği, Türkiye. Kesit Akademi Dergisi, 8(33), 322-348. https://doi.org/10.29228/kesit.64705
50. Ocak, F. (2023). Ladik Gölü Havzası’nda (Samsun) akıllı doğal afet yönetimi [Doktora tezi, Ondokuz Mayıs Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
51. Orman Genel Müdürlüğü. (2022). Orman Yangınlarıyla Mücadele Değerlendirme Raporları. 2 Aralık 2023’de https://www.ogm.gov.tr/tr/faaliyet-raporu adresinden alındı.
52. Özcan, O. (2017). Taşkın tespitinin farklı yöntemlerle değerlendirilmesi: Ayamama deresi örneği. Doğal Afetler ve Çevre Dergisi, 3(1), 9-27. https://doi.org/10.21324/dacd.267200
53. Özşahin, E. (2014). CBS ve AHS kullanılarak orman yangını duyarlılık analizi: Antakya Orman İşletme Müdürlüğü örneği. Route Educational and Social Science Journal, 3, 50-71. https://doi.org/10.17121/ressjournal.106
54. Polat, N., & Kaya, Y. (2021). Çok bantlı uydu görüntüleriyle orman yangınlarında hasar tespiti. Bartın Orman Fakültesi Dergisi, 23(1), 172-181. https://doi.org/10.24011/barofd.837507
55. Pradhan, B., Suliman, M.D.H.B., & Awang, M.A.B. (2007). Forest fire susceptibility and risk mapping using remote sensing and geographical information systems (GIS). Disaster Prevention and Management, 16(3), 344-352. https://doi.org/10.1108/09653560710758297
56. Pyne, S. J., Andrews, P. L., & Laven, R. D. (1996). Introduction to wildland fire (2nd ed.). John Wiley & Sons, Inc. Rothermel, R. C. (1983). How to predict the spread and intensity of forest and range fires (Gen. Tech. Rep. INT-143). U.S. Department of Agriculture, Forest Service. https://doi.org/10.2737/INT-GTR-143
57. Saaty, T. L. (1989). Hierarchical-multiobjektive systems. Control-Theory and Advanced Technology, 5(4), 485-489.
58. Sabuncu, A., & Özener, H. (2019). Uzaktan algılama teknikleri ile yanmış alanların tespiti: İzmir Seferihisar orman yangını örneği. Doğal Afetler ve Çevre Dergisi, 5(2), 317-326. https://doi.org/10.21324/dacd.511688
59. Setiawan, I., Mahmud, A.R., Mansor, S., Shariff, A.R.M., & Nuruddin, A.A. (2004). GIS-grid-based and multi-criteria analysis for identifying and mapping peat swamp forest fire hazard in Pahang, Malaysia. Disaster Prevention and Management, 13(5), 379-386. https://doi.org/10.1108/09653560410568507
60. Sivrikaya, F., Sağlam, B., Akay, A.E., & Bozali, N. (2014). Evaluation of forest fire risk with GIS. Polish Journal of Environmental Studies, 23(1), 187–194.
61. Sivrikaya, F., & Küçük, Ö. (2022). Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean Region. Ecological Informatics, 68, Article 101537. https://doi.org/10.1016/j.ecoinf.2021.101537
62. Suryabhagavan, K.V., Misrak, A., & Balakrishnan, M. (2016). GIS-based multi-criteria decision analysis for forest fire susceptibility mapping: a case study in Harenna Forest, Southwestern Ethiopia. Tropical Ecology, 57(1), 33–43.
63. Şahin, C., & Sipahioğlu, Ş. (2003). Doğal afetler ve Türkiye. Gündüz Eğitim ve Yayıncılık.
64. Şirin, M., & Ocak, F. (2020). Gümüşhane şehrinde afet ve acil durum toplanma alanlarının coğrafi bilgi sistemleri ortamında değerlendirilmesi. Doğu Coğrafya Dergisi, 25(44), 85-106. https://doi.org/10.17295/ataunidcd.790893
65. Tonbul, H. (2015). Uydu görüntü verileri kullanılarak orman yangın şiddeti ve yangın sonrası durumun zamansal olarak incelenmesi: Akdeniz Bölgesi Örneği [Yüksek lisans tezi, İstanbul Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
66. Vadrevu, K.P., Eaturu, A., & Badarinath, K.V.S. (2010). Fire risk evaluation using multicriteria analysis: a case study. Environmental Monitoring and Assessment, 166, 223-239. https://doi.org/10.1007/s10661-009-0997-3
67. Yavuz, M., & Sağlam, B. (2011, 26-28 Ekim). Uzaktan algılama ve coğrafi bilgi sistemlerinin orman yangınlarında kullanılması [Bildiri Sunumu]. I. Ulusal Akdeniz Orman ve Çevre Sempozyumu, Kahramanmaraş, Türkiye.
68. Yavuz, M., Sağlam, B., Küçük, Ö., & Tüfekçioğlu, A. (2018). Assessing forest fire behavior simulation using flammap software and remote sensing techniques in western Black Sea Region, Turkey. Kastamonu University Journal of Forestry Faculty, 18(2), 171-188. https://doi.org/10.17475/kastorman.459698
69. Yüksel, K. (2022). Yanan orman alanı tespitinde farklı uzaktan algılama indislerinin değerlendirilmesi: 2022 yılı Mersin (Gülnar) orman yangını örneği. ArtGRID-Journal of Architecture Engineering and Fine Arts, 4(2), 160-171. https://doi.org/10.57165/artgrid.1179074