Google Earth Engine ve Coğrafi Bilgi Sistemleri Kullanarak Orman Yangını Şiddetinin Belirlenmesinde Farklı İndekslerin Karşılaştırılması: 2023 Hatay-Belen Yangını Örneği

Abstract

Orman yangınları sıkça rastlanan doğal afetlerden biridir ve önemli ekonomik kayıplara ve orman örtüsünün tahrip olmasına neden olmaktadır. Türkiye'de her yıl çeşitli nedenlerle birçok orman yangını meydana gelmektedir. Orman Genel Müdürlüğünün ormancılık istatistiklerine göre Türkiye’de sadece 2022 yılında 2160 adet orman yangını meydana gelmiş ve 12799 hektarlık ormanlık alan yanmıştır. Yangın sonucu tahrip olan alanların tespit edilmesi yangın sonrası iyileştirme çalışmalarına katkı sağlamaktadır. Orman yangınları sonucunda yanan alanların belirlenmesinde son yıllarda gelişen uydu teknolojileri ile Uzaktan Algılama (UA) yöntemleri yaygın olarak kullanılmaktadır. Bu çalışmada Hatay ili, Belen ilçesinde 16.07.2023 tarihinde çıkan orman yangını Sentinel-2 uydu görüntüleri kullanılarak incelenmiştir. Google Earth Engine Platformunda (GEE) ve Coğrafi Bilgi Sistemleri (CBS) kullanılarak yangın şiddeti haritaları üretilmiş ve yanma şiddetlerine göre yanan alanlar hesaplanmıştır. Bu amaçla GEE platformunda yangın öncesi ve yangın sonrası Normalize Edilmiş Vejetasyon İndeksi (NDVI) ve Normalize Edilmiş Yanma Şiddeti (NBR) indeksleri uydu görüntülerine uygulanmıştır. Daha sonra dNBR (Fark Normalize Edilmiş Yanma Şiddeti) ve dNDVI (Fark Normalize Edilmiş Bitki İndeksi) indeksleri oluşturulmuştur. dNBR ve dNDVI haritaları CBS araçları ile sınıflandırılarak orman yangının gerçekleştiği alana ait yanma şiddeti haritaları oluşturulmuştur. Her bir yanma şiddeti sınıfına ait yanan alanlar hesaplanmıştır. dNDVI ve dNBR indeksleri ile oluşturulan yanma şiddeti haritalarına göre toplam yanan alan sırasıyla 811.04 ha ve 826.02 ha olduğu tespit edilmiştir. dNDVI sonuçlarına göre yanan alanların %44.83’ü düşük şiddetli, %52.07’si orta-düşük şiddetli ve %3.09’u orta-yüksek şiddetlidir. Yüksek şiddetli yanmış alan bulunmamaktadır. dNBR sonuçlarına göre yanma şiddetlerine ait alan değerleri ise yine aynı sılama ile %33.45, %38.61, %27.67 ve %0.26 olarak hesaplanmıştır.

Keywords

• Coğrafi bilgi sistemleri
• Google earth engine
• Orman yangın haritası
• dNBR
• dNDVI

Comparison of Different Indices in Determination of the Intensity Using Google Earth Engine and Geographic Information Systems: 2023 Hatay-Belen Forest Fire

Abstract

Forest fires are frequent natural disasters and cause significant economic losses and destruction of forest cover. Every year, many forest fires occur in Turkey depending on various reasons. According to the forestry statistics of the General Directorate of Forestry, 2160 forest fires occurred in Turkey in 2022 and 12799 hectares of forest area burned. Determination of burned areas by forest fire contributes to post-fire recovery efforts. Remote Sensing (RS) methods and satellite technologies that have developed in recent years are widely used in determination of burned areas. In this study, the forest fire that occurred on 16.07.2023 in Belen district of Hatay province was examined using Sentinel-2 satellite images. Fire intensity maps were produced using the Google Earth Engine Platform (GEE) and Geographic Information Systems (GIS), and the burned areas were calculated by the burning intensity. For this aim, pre-fire and post-fire Normalized Difference Vegetation Index (NDVI) and Normalized Burning Ratio (NBR) indices were applied to satellite images on the GEE platform. Then, dNBR (Difference Normalized Burning Ratio) and dNDVI (Difference Normalized Vegetation Index) indices were created. dNBR and dNDVI maps were classified with GIS tools and burning intensity maps of the forest fire area were created. Burned areas belonging to burning intensity classes were calculated. According to the burning intensity maps created with dNDVI and dNBR indices, the total burned area was determined as 811.04 ha and 826.02 ha, respectively. When the dNDVI results are examined, 44.83% of the burned areas are in the low intensity class, 52.07% in the medium-low intensity class and 3.09% in the medium-high intensity class. There are no high intensity burned areas in dNDVI results. In dNBR results, the distribution of burned areas depending on intensities is 33.45%, 38.61%, 27.67% and 0.26% in the same order as dNDVI.

Keywords

• Geographic information systems
• Google earth engine
• Forest fire map
• dNBR
• dNDVI

References

1. Aksoy T., Çabuk A. Orman yangını sonrası uzaktan algılama yöntemleri ile yangın şiddetinin tespiti İzmir Menderes orman yangını örneklemi. Uluslararası Marmara Fen ve Sosyal Bilimler Kongresi, 23-25 Kasım 2018, sayfa no:1221-1226, Kocaeli.
2. Arekhi M., Goksel C., Balik Sanli F., Senel G. Comparative evaluation of the spectral and spatial consistency of Sentinel-2 and Landsat-8 OLI data for Igneada Longos Forest. ISPRS International Journal of Geo-Information 2019; 8(2): 56-69.
3. Cavdaroglu GC. Google Earth Engine based approach for finding fire locations and burned areas in Muğla, Turkey. American Journal of Remote Sensing 2021; 9(2): 72-77.
4. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment 2017; 202: 18-27.
5. Gürbüz E. Uzaktan algılama ile yangın şiddeti belirlenmesinde farklı indekslerin karşılaştırılması. Harita Dergisi 2023;170: 8-22.
6. Gürbüz E. Google Earth Engine ile yangın tahribatının ve sonrası iyileştirme süreçlerinin izlenmesi. VIII. Uzaktan Algılama-CBS Sempozyumu, 17-19 Kasım 2022, sayfa no: 335-341, Ankara.
7. Güzel A., Bıçaklı K., Bıçaklı F., Kaplan G. Monitoring the regeneration process of areas destroyed by forest fires aided by Google Earth Engine. Kastamonu University Journal of Forestry Faculty 2021; 21(2): 122-130.
8. Hatfield JL., Kanemasu ET., Asrar G., Jackson RD., Pinter PJ Jr., Reginato RJ., Id SB. Leaf area estimates from spectral measurements over various planting dates of wheat. International Journal of Remote Sensing 1985; 6(1): 67–75.

9. Kaplan G., Avdan U. Object-based water body extraction model using Sentinel-2 satellite imagery. European Journal of Remote Sensing 2017; 50(1): 137-143.