Sentinel-2 Tabanlı Spektral İndeksler ve Random Forest Yaklaşımı Kullanılarak 2025 Karabük Orman Yangını Şiddetinin Değerlendirilmesi

Öz

Orman yangınlarının neden olduğu ekolojik etkilerin hızlı ve güvenilir biçimde belirlenmesi, yangın sonrası değerlendirme ve izleme çalışmaları açısından önem taşımaktadır. Bu çalışmada, 23 Temmuz 2025 tarihinde Karabük’te meydana gelen orman yangınının mekânsal etkilerinin Sentinel-2 uydu görüntüleri ve makine öğrenmesi yöntemleri kullanılarak belirlenmesi amaçlanmıştır. Yangın öncesi ve sonrası görüntülerden NDVI ve NBR ile bunların zamansal değişimini temsil eden dNDVI, dNBR ve RdNBR indeksleri hesaplanmıştır. dNDVI vejetasyon değişiminin, dNBR ise yangın şiddetinin mekânsal dağılımının belirlenmesinde kullanılmıştır. Yanmış ve yanmamış alanların sınıflandırılması için yedi spektral değişkene dayalı Random Forest (RF) modeli oluşturulmuştur. Referans veri seti, 200 yanmış ve 200 yanmamış olmak üzere toplam 400 örnekten oluşturulmuştur. Mekânsal otokorelasyonun doğruluk tahminleri üzerindeki etkisini azaltmak amacıyla örnekler 2 × 2 km mekânsal bloklar temelinde ayrılmış; model 299 örnekle eğitilmiş ve eğitimden ayrı tutulan bloklardaki 101 örnekle test edilmiştir. dNBR sonuçlarına göre çalışma alanının %83.12’si yanmamış/çok düşük şiddet, %8.40’ı düşük, %4.38’i orta ve %4.10’u yüksek şiddet sınıfında yer almıştır. RF modeli test veri kümesinde %96.04 genel doğruluk ve 0.920 Kappa katsayısı sağlamış; genel doğruluğun %95 güven aralığı %90.26–98.45 olarak hesaplanmıştır. Değişken önem analizinde RdNBR (%24.35) ve dNBR (%23.12) en yüksek katkıyı sağlayarak toplam önemin %47.47’sini oluşturmuştur. Sonuçlar, diferansiyel spektral indekslerin ve mekânsal blok tabanlı doğrulamayla desteklenen RF sınıflandırmasının yangından etkilenen alanların belirlenmesinde etkili olabileceğini göstermektedir. Bununla birlikte, dNBR tabanlı yangın şiddeti sınıflarının bağımsız saha verileriyle doğrulanmamış olması çalışmanın temel sınırlılıklarından biridir.

Anahtar Kelimeler

• dNBR
• Karabük
• Orman yangını
• Random Forest
• Uzaktan algılama
• Yangın şiddeti

Assessment of the Severity of the 2025 Karabük Wildfire Using Sentinel-2-Based Spectral Indices and a Random Forest Approach

Öz

This study assessed the spatial impacts of the wildfire that began in Karabük, Türkiye, on 23 July 2025 using Sentinel-2 imagery and Random Forest (RF) classification. NDVI and NBR were calculated for pre- and post-fire periods, together with dNDVI, dNBR, and RdNBR to characterize spectral changes. dNDVI represented vegetation change, while dNBR was used to map burn severity. Seven spectral predictors were incorporated into an RF model to distinguish burned from unburned areas. The reference dataset included 400 visually interpreted samples, equally divided between the two classes. To reduce spatial autocorrelation between training and test data, samples were partitioned using 2 × 2 km blocks, yielding 299 training and 101 test samples. The dNBR classification assigned 83.12% of the study area to the unburned/very low severity class, 8.40% to low severity, 4.38% to moderate-low severity, and 4.10% to the combined moderate-high/high severity class. RF achieved 96.04% overall accuracy and a Kappa coefficient of 0.920, with a 95% Wilson confidence interval of 90.26–98.45%. RdNBR (24.35%) and dNBR (23.12%) together accounted for 47.47% of total variable importance. These findings support the use of spectral change indices and spatially validated RF classification for identifying wildfire-affected areas. However, RF accuracy applies only to the binary burned/unburned classification; the dNBR severity classes were not validated against independent field observations.

Anahtar Kelimeler

• dNBR
• Karabük
• Wildfire
• Random Forest
• Remote sensing
• Fire severity

Kaynakça

1. Amini, H.H., & Sarhadi, F. (2026). Post-fire burned area mapping in Javanrud, Iran using Sentinel-2 imagery and Random Forest classification. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-4/W8-2025, 69–75. https://doi.org/10.5194/isprs-annals-X-4-W8-2025-69-2026
2. Anees, S.A., Mehmood, K., Luo, M., Abuelgasim, A., Pan, S., Shahzad, F., Muhammad, S., & Khan, W.R. (2025). Advancing forest fire burn severity and vegetation recovery assessments using remote sensing and machine learning approaches. Ecol. Informatics, 92, 103446. https://doi.org/10.1016/j.ecoinf.2025.103446
3. Avcı, M., & Korkmaz, M. (2021). Türkiye’de orman yangını sorunu: güncel bazı konular üzerine değerlendirmeler. Turkish Journal of Forestry, 22(3), 229-240. https://doi.org/10.18182/tjf.942706
4. Belgiu, M., & Drăguț, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
5. Bitek, D., Sanli, F.B. & Erenoglu, R.C. (2025). Spatial and statistical analysis of burned areas with Landsat-8/9 and Sentinel-2 satellites: 2023 Çanakkale forest fires. Environmental Monitoring and Assessment, 197, 60. https://doi.org/10.1007/s10661-024-13474-5
6. Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
7. Cao, J., Liu, X., & Xue, R. (2026). FireMM-IR: an infrared-enhanced multi-modal large language model for comprehensive scene understanding in remote sensing forest fire monitoring. Sensors, 26(2), 390. https://doi.org/10.3390/s26020390
8. Chu, T., & Guo, X. (2013). Remote sensing techniques in monitoring post-fire effects and patterns of forest recovery in boreal forest regions: a review. Remote Sensing, 6(1), 470-520. https://doi.org/10.3390/rs6010470

9. Coşkun, S., Minaz, D., & Coşkun, M. (2026a). Comparative evaluation of spectral ındices and random forest for burned area mapping: a case study of the 2023 Çanakkale Wildfire (Türkiye). International Journal of Disaster Risk Reduction, 106327. https://doi.org/10.1016/j.ijdrr.2026.106327
10. Coşkun, M., Abujayyab, S.K.M., Canbulat, O., Canbulat, N., Sarsıcı Demir, N., Tut, S., & Zeren, K. (2026b). Assessment of fire susceptibility in wildland—urban interfaces according to explainable artificial intelligence: a case study of Antalya province, Mediterranean region, Türkiye. Scientific Reports. Advance Online Publication. https://doi.org/10.1038/s41598-026-63526-8
11. Çiçekli, S.Y. (2024). Yanmış orman alanlarının uzaktan algılama teknikleri ile araştırılması: Kozan Orman Yangını Örneği. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(2), 503-514. https://doi.org/10.21605/cukurovaumfd.1514595
12. Gövdetaşan, M. (2022). Orman yangınlarının uzaktan algılama teknikleri ile analizi: Biga ve Gelibolu Yarımadası örneği. (Yüksek Lisans Tezi). Çanakkale Onsekiz Mart Üniversitesi, Lisansüstü Eğitim Enstitüsü, Coğrafya Anabilim Dalı, Çanakkale.
13. Gupta, P., Shukla, A.K., & Shukla, D.P. (2024). Sentinel 2 Based burn severity mapping and assessing post-fire ımpacts on forests and buildings in the mizoram, a North-Eastern Himalayan Region. Remote Sensing Applications: Society and Environment. 36(3), 101279 https://doi.org/10.1016/j.rsase.2024.101279
14. Gülci, S., Yüksel, K., Gümüş, S., & Wing, M.G. (2021). Mapping wildfires using Sentinel 2 MSI and Landsat 8 imagery: Spatial data generation for forestry. European Journal of Forest Engineering, 7(2), 57–66. https://doi.org/10.33904/ejfe.1031090
15. Gündüz, H.İ., Torun, A.T., & Gezgin, C. (2025). Post-fire burned area detection using machine learning and burn severity classification with spectral indices in İzmir: a SHAP-driven XAI approach. Fire, 8(4), 121. https://doi.org/10.3390/fire8040121
16. Güney, C.O., Mert, A., & Gülsoy, S. (2023). Assessing fire severity in Turkey’s forest ecosystems using spectral indices from satellite images. Journal of Forestry Research, 34, 1747–1761. https://doi.org/10.1007/s11676-023-01620-7
17. Güngöroğlu, C., Özkara, Z.U., & Tutmaz, V. (2024). Türkiye’de orman yangın yönetimi: sorunlar ve çözüm önerileri. Memleket Siyaset Yönetim, 19(43), 517–570. https://doi.org/10.56524/msydergi.1565981
18. Günlü, A., Sivrikaya, F., Ürker, O., & Dunn, C.J. (2026). Comparative performance of dNBR and dNDVI for burn severity mapping via large wildfires of 2021 in Türkiye. International Journal of Wildland Fire, 35(7). https://doi.org/10.1071/WF25096
19. Jin, R., & Lee, K.S. (2022). Investigation of forest fire characteristics in North Korea using remote sensing data and GIS. Remote Sensing, 14(22), 5836. https://doi.org/10.3390/rs14225836
20. Kavgacı, A., Yıldız, O., Korkmaz, M., Alan, M., Tutmaz, V., Çelik, N., Başlı, A.O., Aydoğan, B., Durmuş, D.H., & Karakaya, A. (2025). 2025 yılı Eskişehir, Bilecik ve Karabük illerinde gerçekleşen orman yangınları üzerine inceleme ve değerlendirme. Türkiye Ormancılar Derneği.
21. Key, C.H., & Benson, N.C. (2006). Landscape assessment: Ground measure of severity, the Composite Burn Index; and remote sensing of severity, the Normalized Burn Ratio. 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 (Gen. Tech. Rep. RMRS-GTR-164-CD, LA 1–51). U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station.
22. Leblon, B. (2005). Monitoring forest fire danger with remote sensing. Natural Hazards, 35(3), 343-359. https://doi.org/10.1007/s11069-004-1796-3
23. 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
24. Mitchell, M., & Yuan, F. (2010). Assessing forest fire and vegetation recovery in the Black Hills, South Dakota. GIScience & Remote Sensing, 47(2), 276-299.
25. Mushagalusa, C.A., Fandohan, A.B. & Glèlè Kakaï, R. (2024). Random forest and spatial cross-validation performance in predicting species abundance distributions. Environ Syst Res, 13 (23). https://doi.org/10.1186/s40068-024-00352-9
26. Ocak, F., Cesur, F., Ismail, A., & Keklik, S. (2024). Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Kullanılarak Yangın Hasarının ve Yangına Duyarlı Alanların Belirlenmesi: Aydıncık (Mersin) İlçesi Örneği, Türkiye. Doğal Afetler ve Çevre Dergisi, 10(2), 344-364. https://doi.org/10.21324/dacd.1419616
27. Payra, S., Sharma, A., & Verma, S. (2023). Application of remote sensing to study forest fires. In Atmospheric Remote Sensing (pp. 239-260). https://doi.org/10.1016/B978-0-323-99262-6.00015-8
28. Roberts, D.R., Bahn, V., Ciuti, S., Boyce, M.S., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J.J., Schröder, B., Thuiller, W., Warton, D.I., Wintle, B.A., Hartig, F., & Dormann, C.F. (2017), Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40, 913-929. https://doi.org/10.1111/ecog.02881
29. Rouse, J.W., Haas, R.H., Schell, J.A., & Deering, D.W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium. NASA SP-351, 1, 309–317.
30. Ruffault, J., Curt, T., Moron, V., Trigo, R.M., Mouillot, F., Koutsias, N., Pimont, F., Martin-StPaul, N., Barbero, R., Dupuy, J.L., Russo, A., & Belhadj-Khedher, C. (2020). Increased likelihood of heat-induced large wildfires in the Mediterranean Basin. Scientific Reports, 10, 13790. https://doi.org/10.1038/s41598-020-70069-z
31. Salman, R., Karouni, A., Hamadeh, N., & Rachid, E. (2025). Mapping forest fire risk: a comprehensive approach using analytical hierarchy process, geographic information system, and remote sensing integration. Ecological Engineering & Environmental Technology, 26. https://doi.org/10.12912/27197050/196519
32. Taş, A.K., & Benliay, A. (2025). Yanmış orman alanlarının ekolojik restorasyonu için uzaktan algılama ve yapay sinir ağları kullanımına dayalı yaklaşımlar. PEYZAJ-Eğitim, Bilim, Kültür ve Sanat Dergisi, 7(1), 54-64. https://doi.org/10.53784/peyzaj.1706704
33. URL-1. https://www.aa.com.tr/tr/gundem/karabukte-orman-yanginlarinin-yol-actigi-hasar-goruntulendi/3646027, Erişim Tarihi: 29.07.2026.
34. URL-2. https://www.sivashaberler.com/karabukteki-orman-yangini-kontrol-altina-alinmaya-calisiliyor/, Erişim Tarihi: 30.07.2026.
35. Yılmaz, O.S., Acar, U., Şanlı, F.B., Gülgen, F., & Ateş, A.M. (2023). Mapping burn severity and monitoring CO content in Türkiye’s 2021 wildfires, using Sentinel-2 and Sentinel-5P satellite data on the GEE platform. Earth Science Informatics, 16, 221–240. https://doi.org/10.1007/s12145-023-00933-9
36. 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