Menderes ilçesindeki orman yangınının süperpiksel bölütleme temelli arama yöntemiyle tespiti

Year 2019, Volume: 34 Issue: 2, 1061 - 1076, 23.05.2019

Ali Can Karaca Mehmet Kemal Güllü

https://doi.org/10.17341/gazimmfd.460503

Cited By: 1

Abstract

Orman yangınları ülkemizde en çok etkilenilen doğal afetlerden birisidir. Türkiye Cumhuriyeti Orman ve Su İşleri Bakanlığı’nın ormancılık istatistiklerine göre sadece 2016 yılında toplam 3188 adet orman yangını meydana gelmiştir [1]. Oluşan her orman yangınından sonra hasar gören bölgelerin tespiti, arazi yönetimi ve hızlı planlama açısından önem taşımaktadır. Bu konuda uzaktan algılama teknolojileri oldukça popüler bir konu haline gelmiştir. Bu çalışmada, Sentinel-2A uydusu üzerinden alınan multispektral görüntüler kullanılarak yangın bölgesinin tespiti incelenmektedir. Yangın bölgesinin tespiti için klasik spektral indekslerin kullanımı değerlendirilmektedir. Bunun yanında, kabadan inceye arama stratejisi içeren özgün bir yaklaşım önerilmektedir. Önerilen yöntemde önce yangın bölgeleri kabaca bulunmakta daha sonra da bulunan bölgeler içerisinde ince arama adımı ile hassas tespit yapılmaktadır. Uzamsal ve spektral bilgiyi birlikte değerlendirebilmek için her iki adımda da süperpiksel temelli bir yaklaşım kullanılmaktadır. Önerilen yöntem ve diğer yöntemlere ait deneysel sonuçlar 1 Temmuz 2017’de İzmir-Menderes bölgesinde gerçekleşen yangın için elde edilmiştir [2]. Elde edilen sonuçlar alıcı işlem karakteristikleri üzerinden karşılaştırılmıştır ve önerilen yöntemin diğer yöntemlerden daha iyi tespit performansı sağladığı gösterilmiştir.

Keywords

Orman yangınları, sentinel-2 uydusu, süperpiksel bölütleme, hasar tespiti

References

• Türkiye Cumhuriyeti Orman ve Su İşleri Bakanlığı, Resmi istatistik portalı.
• http://rip.ormansu.gov.tr/rip/AnaSayfa/metaveriler.aspx?sflang=tr Erişim tarihi Ağustos 23, 2017.
• TRT Haber, İzmir orman yangını, http://www.trthaber.com/haber/gundem/izmirdeki-orman-yanginin-bilancosu-agir-oldu-323306.html Erişim Tarihi 24 Ağustos, 2017.
• Jensen, J. R., Remote sensing of the environment: An earth resource perspective 2/e, Pearson Education, India, 2009.
• Salles, R. R., Filho C. R. S., Cudahy T., Vicente L. E., Hyperspectral remote sensing applied to uranium exploration: A case study at the Mary Kathleen metamorphic-hydrotermal U-REE deposit, NW, Queensland, Australia, Journal of Geochemical Exploration, 179(9), 36-50, 2017.
• Yılmaz, M., Konya Kapalı Havzası’nın TMPA uydu kaynaklı yağış verileri ile kuraklık analizi, Journal of the Faculty of Engineering and Architecture of Gazi University, 32(2), 541-549, 2017.
• Wan, L., Zheng, L., Huo H., Fang T., Affine invariant description and large-margin dimensionality reduction for target detection in optical remote sensing images, IEEE Geoscience and Remote Sensing Letters, 14(7), 1116-1120, 2017.
• Özcan, A. H. ve Ünsalan, C., Oylama ve morfolojik bölütleme ile bina tespiti,24. Sinyal İşleme ve Haberleşme Uygulamaları Konferansı (SIU2016), 16-19 Mayıs, Zonguldak, Türkiye. 2016.
• Zhou, H., Kong, H., Wei, L., Creighton, D., Nahavandi, S., On detecting road regions in a single UAV image, IEEE Transactions on Intelligent Transportation Systems, 18(7), 1713-1722, 2017.
• Mahdipour, E. ve Dadkhah, C., Automatic fire detection based on soft computing techniques: review from 2000 to 2010, Artificial Intelligence Review, 42(4), 895-934, 2014.
• FireWatch, An early warning system for forest fires, succesfully in the global use, http://www.fire-watch.de/
• Erişim tarihi Ağustos 24, 2017.
• Alkhatib, A. A. A., A review on forest fire detection techniques, International Journal of Distributed Sensor Networks, 10(3), 1-12, 2014.
• Garcia-Jimenez, S., Jurio, A., Pagola, M., Miguel, L. D., Barrenechea, E., Bustince, H., Forest fire detection: A fuzzy system approach based on overlap indices, Applied Soft Computing, 52, 834-842, 2017.
• Wenning, B. L., Pesch, D., Timm-Giel, A., Görg, C., Environmental monitoring aware routing: Making environmental sensor networks more robust, Telecommunication Systems, 43(1), 3–11, 2010.
• Van Wagtendonk, J. W., Root, R. R., Key, C. H., Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity, Remote Sensing of Environment, 92 (3), 397-408, 2004.
• Oumar, Z., Fire scar mapping for disaster response in KwaZulu-Natal South Africa using Landsat 8 imagery, South African Journal of Geomatics, 4(3), 309-316, 2015.
• Sakarya, U., Gürbüz, S. Z., Demirkesen, C., Deveci, H. S., Tankız, S., Öztoprak, F., Yılmaz, Ö., Atıl, İ., Arabacı, M. A., Akbaba, N., Mişe, Ö., Teke, M., Afet yönetiminde görüntü işleme uygulamalarının kısa bir incelemesi ve RASAT ile örnek uygulamalar, V. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu (UZAL-CBS), 14-17 Ekim, İstanbul, Türkiye, 2014.
• Kahraman, F., İmamoğlu, M., Özcan, B. Y., Hüroğlu, C., Alasağ, T., Gemici, Ö. F., Hocaoğlu M. A., Ateş, H. F., VİSKON-RS: Uzaktan algılama ile hızlı afet hasar analiz yazılımı, 23. Sinyal İşleme ve Haberleşme Uygulamaları Konferansı (SIU2015),16-19 Mayıs, Malatya, Türkiye, 2015.
• Murphy, S. W., de Souza Filho, C. R., Wright, R., Sabatino, G., Pabon, R. C., HOTMAP: Global hot target detection at moderate spatial resolution, Remote Sensing of Environment, 177, 78-88, 2016.
• Ononye, A. E., Vodacek, A., Saber, E., Automated extraction of fire line parameters from multispectral infrared images. Remote Sensing of Environment, 108(2), 179-188, 2007.
• Roberts, G. J., ve Wooster, M. J., Fire detection and fire characterization over Africa using Meteosat SEVIRI, IEEE Transactions on Geoscience and Remote Sensing, 46(4), 1200-1218, 2008.
• Aryal, J., ve Louvet, R., Quantifying bushfire mapping uncertainty using single and multi-scale approach: a case study from Tasmania, GEOBIA 2016: Solutions and Synergies, 14-16 Eylül, Twente, Hollanda, 2016.
• Navarro, G., Caballero, I., Silva, G., Parra, P. C., Vázquez, Á., Caldeira, R, Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery, International Journal of Applied Earth Observation and Geoinformation, 58, 97-106, 2017.
• Escuin, S., Navarro, R., Fernandez, P., Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images, International Journal of Remote Sensing, 29(4), 1053-1073, 2008.
• Miller, J. D., Knapp, E. E., Key, C. H., Skinner, C. N., Isbell, C. J., Creasy, R. M., Sherlock, J. W., Calibration and validation of the relative differenced Normalized Burn Ratio (RdNBR) to three measures of fire severity in the Sierra Nevada and Klamath Mountains, California, USA, Remote Sensing of Environment, 113(3), 645-656, 2009.
• Parks, S. A., Dillon, G. K., Miller, C.,A new metric for quantifying burn severity: the Relativized Burn Ratio, Remote Sensing (MDPI), 6(3), 1827-1844, 2014.
• Fernández-Manso, A., Fernández-Manso, O., Quintano, C., SENTINEL-2A red-edge spectral indices suitability for discriminating burn severity, International Journal of Applied Earth Observation and Geoinformation, 50, 170-175, 2016.
• Huang, X., Yang, W., Xia, G.-S., Liao, M., Superpixel-based change detection in high resolution sar images using region covariance features, 8. International Workshop on the Analysis of Multitemporal Remote Sensing Images, 22-24 Haziran, Annecy, France, 2015.
• Gong, M., Zhan, T., Zhang, P., Miao, Q., Superpixel-based difference representation learning for change detection in multispectral remote sensing images, IEEE Transactions on Geoscience and Remote Sensing, 55(5), 2658-2673, 2017.
• Wu, Z., Hu, Z., Fan, Q., Superpixel-based unsupervised change detection using multi-dimensional change vector analysis and SVM-based classification, 22. ISPRS Annals of the Photogrammetry, Remote Sensing, Spatial Information Sciences, 25 Ağustos-1 Eylül, Melbourne, Australia, 2012.
• Hao, M., Shi, W., Deng, K., Feng, Q., Superpixel-based active contour model for unsupervised change detection from satellite images, International Journal of Remote Sensing, 37(18), 4276-4295, 2016.
• Buzcu, İ. ve Alatan, A. A., Superpixel based unsupervised change detection of manmade targets on satellite images, 23. Sinyal İşleme ve Haberleşme Uygulamaları (SIU2015), 16-19 Mayıs, Malatya, Türkiye, 2015.
• Verhegghen, A., Eva, H., Ceccherini, G., Achard, F., Gond, V., Gourlet-Fleury, S., Cerutti, P. O., The potential of sentinel satellites for burnt area mapping and monitoring in the Congo Basin forests, Remote Sensing, 8(12), 986, 2016.
• Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P. Meygret, A., Spotoo, F., Sy, O., Marchese, F., Meygret, A., Sentinel-2: ESA's optical high-resolution mission for GMES operational services, Remote Sensing of Environment, 120, 25-36, 2012.
• Sentinel Application Platform (SNAP), Avrupa Uzay Ajansı, http://step.esa.int/main/toolboxes/snap/ Erişim tarihi: Ağustos 24, 2017.
• Nielsen, A. A., Conradsen, K., Simpson, J. J., Multivariate Alteration Detection (MAD) and MAF post processing in multispectral, bi-temporal image data: new approaches to change detection studies, Remote Sensing of Environment, 64 (1), 1-19, 1998.
• A. A. Nielsen Websitesi, Software, http:// http://www.imm.dtu.dk/~alan/software.html Erişim Tarihi 9 Ekim, 2017.