Makine Öğrenmesi ve CBS Entegrasyonu ile Türkiye Ölçeğinde Orman Yangını Duyarlılığı Haritalaması: Uzun Dönemli Çevresel Koşullar ve Planlama Perspektifi

Öz

Küresel iklim değişikliği ve antropojenik baskılar, Akdeniz havzasında yer alan Türkiye’de orman yangını riskini her geçen gün artırmaktadır. Geleneksel risk analiz yöntemlerinin dinamik süreçleri takip etmede yetersiz kalması, yapay zekâ tabanlı yeni yaklaşımları zorunlu kılmıştır. Bu çalışmanın amacı, Makine Öğrenmesi (Machine Learning) algoritmaları ve Coğrafi Bilgi Sistemleri (CBS) entegrasyonu kullanılarak Türkiye geneli için orman yangını duyarlılığını (yangın çıkma eğilimini) tahmin eden bir model geliştirmektir. Çalışma kapsamında sıcaklık, rüzgâr hızı, yağış, orman yoğunluğu, yerleşim yerleri ve su kaynaklarına (göl, baraj, akarsu) mesafe verileri analiz edilmiştir. Denetimli öğrenme yöntemlerinden Random Forest algoritması kullanılarak eğitilen model, test veri seti üzerinde %98.88 genel doğruluk oranına ulaşmıştır. Öznitelik önem analizi, modelin tahminine en çok katkı sağlayan değişkenin %24.72 ile su kaynaklarına uzaklık, ikinci sırada ise %20.69 ile sıcaklık olduğunu göstermiştir; bu değerler tahmin katkısını ifade etmekte olup nedensel bir ilişki anlamına gelmemektedir. Ayrıca yerleşim alanlarına yakınlık, insan kaynaklı riskleri artıran önemli bir parametre olarak öne çıkmaktadır. Üretilen risk haritası üzerinde yapılan bölgesel istatistik analizi (Zonal Statistics), Türkiye’de yangın riskinin özellikle Güneydoğu Anadolu Bölgesi’nde yoğunlaştığını göstermiştir. İl bazlı risk sıralamasında Batman (%71.20), Mardin (%62.76) ve Şırnak (%60.14) en yüksek riske sahip iller olarak belirlenirken; batı bölgelerinde İzmir (%48.39) kritik risk merkezi olarak öne çıkmıştır. Bu çalışma, yangın öncesi planlama ve erken uyarı sistemleri için sayısal ve mekansal bir karar destek mekanizması sunmaktadır. Model, orman maskesi uygulanmaksızın tüm Türkiye kara yüzeyi üzerinde kurulmuş olup çıktı; yangın davranışını (yayılma hızı veya şiddet) değil, uzun dönem çevresel koşullara dayalı yangın duyarlılığını temsil etmektedir. Hedef değişkenin dengesiz dağılımı nedeniyle model başarısı, genel doğruluk yerine kesinlik (%78), duyarlılık (%67) ve F1 (0.72) değerleri üzerinden yorumlanmıştır. Üretilen harita 500 m çözünürlüğü nedeniyle ulusal ve bölgesel önceliklendirme amaçlıdır.

Anahtar Kelimeler

• Orman yangını
• Makine öğrenmesi
• Random forest
• CBS
• Risk analizi

Forest Fire Susceptibility Mapping at the National Scale in Türkiye through the Integration of Machine Learning and GIS: Long-Term Environmental Conditions and a Planning Perspective

Öz

Global climate change and increasing anthropogenic pressures are steadily elevating the risk of forest fires in Türkiye, which is located in the Mediterranean basin. The limitations of traditional risk analysis methods in monitoring dynamic environmental processes have necessitated the use of artificial intelligence based approaches. The aim of this study is to develop a forest fire susceptibility model for Türkiye by integrating Machine Learning algorithms with Geographic Information Systems (GIS). Within the scope of the study, variables such as temperature, wind speed, precipitation, forest density, and distance to settlements and water resources (lakes, dams, and rivers) were analyzed. The model was trained using the Random Forest algorithm, a supervised learning method, and achieved an overall accuracy of 98.88% on the test dataset. Feature importance analysis revealed that the most influential factor affecting fire risk was proximity to lakes and water resources with a weight of 24.72%, followed by temperature with 20.69%. Spatial analyses (Zonal Statistics) conducted on the produced risk map indicate that forest fire risk is particularly concentrated. The model was built over the entire land surface of Türkiye without applying a forest mask, and its output represents fire susceptibility based on long-term environmental conditions rather than fire behaviour (rate of spread or intensity). Because of the imbalanced target variable, model performance is interpreted through precision (78%), recall (67%) and F1 (0.72) rather than overall accuracy. Owing to the 500 m resolution, the resulting map is intended for national and regional prioritisation.

Anahtar Kelimeler

• Forest fire
• Machine learning
• Random forest
• GIS
• Risk analysis

Kaynakça

1. Abatzoglou, J.T., Kolden, C.A., Cullen, A.C., Sadegh, M., Williams, E.L., Turco, M., & Jones, M.W. (2025). Climate change has increased the odds of extreme regional forest fire years globally. Nature Communications, 16(1), 1-10. https://doi.org/10.1038/s41467-025-61608-1
2. Adugna Bayesa, A. (2021). Impacts of climate change on the forest ecosystems in Ethiopia. American Journal of Agriculture and Forestry, 9(6), 348-351. https://doi.org/10.11648/j.ajaf.20210906.13
3. Aydın, R., & Demirbaş, M. (2020). 21. Yüzyılın en büyük tehdidi: küresel iklim değişikliği. NWSA Academic Journals, 15(4), 163-179. https://doi.org/10.12739/nwsa.2020.15.4.5a0143
4. Başkent, E. (2022). Orman ekosistemlerinde karbon dinamiğinin temel bileşenleri ve planlamadaki yeri. ArtGRID-Journal of Architecture Engineering and Fine Arts, 4(1), 1-15. https://doi.org/10.57165/artgrid.1049999
5. Belgiu, M., & Drăgu, L. (2016). Random forest in remote sensing: a review of applications and future directions. In ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
6. Bento-Gonçalves, A., & Vieira, A. (2020). Wildfires in the wildland-urban interface: key concepts and evaluation methodologies. Science of the Total Environment, 707, 1-12. https://doi.org/10.1016/j.scitotenv.2019.135592
7. Berčák, R., Holuša, J., Trombik, J., Resnerová, K., & Hlásny, T. (2024). A combination of human activity and climate drives forest fire occurrence in central europe: the case of the Czech Republic. Fire, 7(4), 2-19. https://doi.org/10.3390/fire7040109
8. Bolte, A., Mansourian, S., Madsen, P., Derkyi, M., Kleine, M., & Stanturf, J. (2023). Forest adaptation and restoration under global change. In Annals of Forest Science, 80 (1), 1-4. https://doi.org/10.1186/s13595-022-01172-6

9. Bouzeraa, Y., Bouchemal, N., Djaaboub, S., Hristov, G., & Zahariev, P. (2025). Machine learning-based wildfire susceptibility mapping: a GIS-integrated predictive framework. Applied Sciences (Switzerland), 15, 1-26. https://doi.org/10.3390/app152212188
10. Calviño-Cancela, M., Chas-Amil, M.L., García-Martínez, E.D., & Touza, J. (2017). Interacting effects of topography, vegetation, human activities and wildland-urban interfaces on wildfire ignition risk. Forest Ecology and Management, 397, 10-17. https://doi.org/10.1016/j.foreco.2017.04.033
11. Chuvieco, E., Aguado, I., Yebra, M., Nieto, H., Salas, J., Martín, M.P., Vilar, L., Martínez, J., Martín, S., Ibarra, P., de la Riva, J., Baeza, J., Rodríguez, F., Molina, J.R., Herrera, M.A., & Zamora, R. (2010). Development of a framework for fire risk assessment using remote sensing and geographic information system technologies. Ecological Modelling, 221, 46-58. https://doi.org/10.1016/j.ecolmodel.2008.11.01
12. Copernicus EMS. (2025). Copernicus Emergency Management Service. European Commission, European Centre for Medium-Range Weather Forecasts. https://emergency.copernicus.eu/
13. Cunningham, C.X., Williamson, G.J., & Bowman, D.M.J.S. (2024). Increasing frequency and intensity of the most extreme wildfires on Earth. Nature Ecology and Evolution, 8, 1420-1425. https://doi.org/10.1038/s41559-024-02452-2
14. Cutler, D.R., Edwards, T.C., Beard, K.H., Cutler, A., Hess, K.T., Gibson, J., & Lawler, J.J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1
15. Çolak, E., & Sunar, F. (2020). Evaluation of forest fire risk in the Mediterranean Turkish forests: a case study of Menderes region, Izmir. International Journal of Disaster Risk Reduction, 45, 1-10. https://doi.org/10.1016/j.ijdrr.2020.101479
16. DSİ. (2023). T.C. Tarım ve Orman Bakanlığı Devlet Su İşleri Genel Müdürlüğü Türkiye Akarsu ve Göller Havza Veri Tabanı. Ankara: DSİ Yayınları.
17. EEA. (2018). European Environment Agency CORINE Land Cover (CLC) 2018. Version 2020_20u1. European Environment Agency. https://land.copernicus.eu/pan-european/corine-land-cover
18. Gajendiran, K., Kandasamy, S., & Narayanan, M. (2024). Influences of wildfire on the forest ecosystem and climate change: a comprehensive study. In Environmental Research, 240, 1-14. https://doi.org/10.1016/j.envres.2023.117537
19. Ho, V.H., Morita, H., Bachofer, F., & Ho, T.H. (2024). Random forest regression kriging modeling for soil organic carbon density estimation using multi-source environmental data in central Vietnamese forests. Modeling Earth Systems and Environment, 10, 7137–7158. https://doi.org/10.1007/s40808-024-02158-1
20. Holmberg, M., Aalto, T., Akujärvi, A., Arslan, A.N., Bergström, I., Böttcher, K., Lahtinen, I., Mäkelä, A., Markkanen, T., Minunno, F., Peltoniemi, M., Rankinen, K., Vihervaara, P., & Forsius, M. (2019). Ecosystem services related to carbon cycling – modeling present and future impacts in boreal forests. Frontiers in Plant Science, 10, 1-14. https://doi.org/10.3389/fpls.2019.00343
21. Jolly, W.M., Cochrane, M.A., Freeborn, P.H., Holden, Z.A., Brown, T.J., Williamson, G.J., & Bowman, D.M.J.S. (2015). Climate-induced variations in global wildfire danger from 1979 to 2013. Nature Communications, 6, 1-11. https://doi.org/10.1038/ncomms8537
22. Jones, M.W., Abatzoglou, J.T., Veraverbeke, S., Andela, N., Lasslop, G., Forkel, M., Smith, A.J.P., Burton, C., Betts, R.A., van der Werf, G.R., Sitch, S., Canadell, J.G., Santín, C., Kolden, C., Doerr, S.H., & Le Quéré, C. (2022). Global and regional trends and drivers of fire under climate change. Reviews of Geophysics, 60 (3), 1-76. https://doi.org/10.1029/2020RG000726
23. Korkmaz, M., & Adıgüzel, O.A. (2021). Türkiye’de orman kaynakları yönetiminin iklim değişikliğine uyumuna ilişkin değerlendirmeler. Turkish Journal of Forestry, 22 (4), 427-425. https://doi.org/10.18182/tjf.1019556
24. MGM. (2025a). Meteoroloji Genel Müdürlüğü) Türkiye ortalama sıcaklık değerleri 2025. Ankara, Türkiye. https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler istatistik.aspx?k=parametrelerinTurkiyeAnalizi
25. MGM. (2025b). Meteoroloji Genel Müdürlüğü 2025 yılı yağış değerlendirmesi. Ankara, Türkiye. https://www.mgm.gov.tr/veridegerlendirme/yagis-degerlendirme.aspx
26. Milà, C., Ludwig, M., Pebesma, E., Tonne, C., & Meyer, H. (2024). Random forests with spatial proxies for environmental modelling: opportunities and pitfalls. Geoscientific Model Development, 17(15), 6007–6033. https://doi.org/10.5194/gmd-17-6007-2024
27. Moayedi, H., & Khasmakhi, M.A.S.A. (2023). Wildfire susceptibility mapping using two empowered machine learning algorithms. Stochastic Environmental Research and Risk Assessment, 37, 49-72. https://doi.org/10.1007/s00477-022-02273-4
28. Nolander, C., & Lundmark, R. (2024). A review of forest ecosystem services and their spatial value characteristics. Forests, 15 (6), 1-26. https://doi.org/10.3390/f15060919
29. OGM. (1995). Orman Genel Müdürlüğü 285 sayılı orman yangınlarının önlenmesi ve söndürülmesinde uygulama esasları tebliği. Ankara, Türkiye. https://www.ogm.gov.tr/tr/e-kutuphane-sitesi/mevzuat-sitesi/Tebligler/.pdf
30. OGM (2024). Orman Genel Müdürlüğü Ormancılık İstatistikleri 2024. Ankara, Türkiye. https://www.ogm.gov.tr/tr/e-kutuphane/resmi-istatistikler
31. Okta, K., Oturakçı, M., Eliiyi, D.T., Ekinci, E., & Eliiyi, U. (2026). A GIS-based forest fire risk mapping and UAV deployment planning: the case of Izmir. International Journal of Environmental Science and Technology, 23(3), 1–24. https://doi.org/10.1007/s13762-026-07042-2
32. OpenStreetMap contributors. (2023). Planet dump [Data file]. https://www.openstreetmap.org
33. Pausas, J.G., & Fernández-Muñoz, S. (2012). Fire regime changes in the Western Mediterranean basin: from fuel-limited to drought-driven fire regime. Climatic Change, 11, 215-226. https://doi.org/10.1007/s10584-011-0060-64
34. Potapov, P., Tyukavina, A., Turubanova, S., Hansen, M.C., Giglio, L., Hernandez-Serna, A., Lima, A., Harris, N., & Stolle, F. (2025). Unprecedentedly high global forest disturbance due to fire in 2023 and 2024. Proceedings of the National Academy of Sciences of the United States of America, 122, 1-3. https://doi.org/10.1073/pnas.2505418122
35. Pourghasemi, HR., Gayen, A., Park, S., Lee, C. W., & Lee, S. (2018). Assessment of landslide-prone areas and their zonation using logistic regression, LogitBoost, and naïvebayes machine-learning algorithms. Sustainability (Switzerland), 10, 1-23. https://doi.org/10.3390/su10103697
36. Sargıncı, M., & Beyazyüz, F. (2022). İklim değişikliğinin ormanlar üzerindeki etkisi: iklim akılcı ormancılık bakış açısı. Anadolu Orman Araştırmaları Dergisi, 8 (2), 142-149. https://doi.org/10.53516/ajfr.11396404
37. Shahfahad, Talukdar, S., Das, T., Naikoo, M.W., Rihan, M., & Rahman, A. (2022). Forest fire susceptibility mapping by integrating remote sensing and machine learning algorithms. In Advances in Remote Sensing for Forest Monitoring. https://doi.org/10.1002/9781119788157.ch9
38. Syphard, A.D., Radeloff, V.C., Keeley, J.E., Hawbaker, T.J., Clayton, M.K., Stewart, S.I., & Hammer, R.B. (2007). Human influence on California fire regimes. Ecological Applications, 17(5), 1388-1402. https://doi.org/10.1890/06-1128.1
39. Şahin, B., Barışık, T., & Acar, H.H. (2025). İklim değişikliğinin orman yangınlarına etkisi: orman mühendisleri üzerine psikososyal riskler açısından incelenmesi. Bartın Orman Fakültesi Dergisi, 27(2), 169-182. https://doi.org/10.24011/barofd.1594422
40. Tüfekcioğlu, I., Ergan, G., Kaynaş, B., Aktepe, N., & Tavşanoğlu, C. (2022). Akdeniz iklim bölgesindeki alt yükselti orman ve çalılıklarında yangın sonrası hızlı ekolojik değerlendirme ile restorasyon önerilerinin geliştirilmesi: Datça-Bozburun Özel Çevre Koruma Bölgesi örneği. Turkish Journal of Forestry, 23(3), 163-177. https://doi.org/10.18182/tjf.1118883
41. Unik, M., Sitanggang, I.S., Syaufina, L., & Jaya, I.N.S. (2025). Application of random forest algorithm to analyze the confidence level of forest fire hotspots in Riau Peatland. Jurnal Pengelolaan Sumberdaya Alam Dan Lingkungan, 15(2), 255-266. https://doi.org/10.29244/jpsl.15.2.255
42. Ünlü, M. (2025). Orman varlığı ve orman yangınlarının etkisi. International Journal of Geography and Geography Education, 55, 212-229. https://doi.org/10.32003/igge.1634171
43. Vallejo-Villalta, I., Rodríguez-Navas, E., & Márquez-Pérez, J. (2019). Mapping forest fire risk at a local scale—a case study in Andalusia (Spain). Environments, 6, 1-22. https://doi.org/10.3390/environments6030030
44. Wasserman, T.N., & Mueller, S.E. (2023). Climate influences on future fire severity: a synthesis of climate-fire interactions and impacts on fire regimes, high-severity fire, and forests in the western United States. In Fire Ecology, 19, 1-22. https://doi.org/10.1186/s42408-023-00200-8
45. Yörür, H., Güngöroğlu, C., Coşgun, U., Duyar, A., Yıldız, D., & Aybar, M. (2025). Orman yangınlarının önlenmesine yönelik politika önerileri (KAPGEM Serisi 4). Karabük Üniversitesi Yayınevi. E-ISBN: 978-625-92995-6-3.
46. World Bank Group. (2020). Global Solar Atlas 2.0. World Bank, ESMAP, Solargis. https://globalsolaratlas.info/
47. Zhang, H., Wang, W., & Ban, Q. (2025). Seasonal forest fire risk and key drivers in Yunnan Province: a machine learning approach. Npj Natural Hazards, 2, 1-15. https://doi.org/10.1038/s44304-025-00112-4