Assessment and Mapping of Burn Severity Using Remote Sensing–Based Spectral Indices: The 2025 Bilecik Forest Fire (Türkiye)

Öz

Monitoring and evaluation of forest fires are of critical importance for disaster management. This study aims to examine the forest fires that occurred in 2025 in the Central, Osmaneli, and Gölpazarı districts of Bilecik Province using GIS and RS techniques; and to map the burned areas and fire severity. In this context, pre- and post-fire Sentinel-2 satellite images were processed in the GEE environment. To determine fire-induced spectral changes, dNBR and dNDVI were calculated. According to the dNBR analysis results, a total of 11,283 hectares were affected by the fire. The highest level of damage occurred in the Gölpazarı district at a rate of 57.4%. 65.2% of the affected areas fell within the low-severity fire class, indicating that the fire predominantly exhibited low- to moderate-intensity surface fire behavior. The vegetation loss derived from dNDVI data (11,278 hectares) is consistent with the dNBR results. The spatial agreement between the methods was evaluated using the Sørensen–Dice (0.94) and Jaccard (0.89) similarity coefficients, revealing a very high degree of spatial consistency.

Anahtar Kelimeler

• Forest Fire
• Remote Sensing
• Sentinel-2
• dNBR
• Bilecik

Uzaktan Algılama Tabanlı Spektral İndeksler ile Orman Yangını Şiddetinin Değerlendirilmesi ve Haritalanması: 2025 Bilecik Orman Yangınları Örneği

Öz

Orman yangınlarının izlenmesi, değerlendirilmesi ve afet yönetimi açısından büyük bir öneme sahiptir. Bu çalışmada, 2025 yılında Bilecik ilinin Merkez, Osmaneli ve Gölpazarı ilçelerinde meydana gelen orman yangınlarının CBS ve UA teknikleri ile incelenmesi, yanmış alanların ve yangın şiddetinin haritalanması amaçlanmıştır. Bu kapsamda yangın öncesi ve sonrası dönemlere ait Sentinel-2 uydu görüntüleri, GEE ortamında işlenmiştir. Yangın kaynaklı spektral değişimleri belirlemek amacıyla dNBR ve dNDVI hesaplanmıştır. dNBR analiz sonuçlarına göre toplam 11.283 hektar alanın yangından etkilendiği tespit edilmiştir. En büyük tahribatın %57,4 oranıyla Gölpazarı ilçesinde gerçekleştiği belirlenmiştir. Etkilenen alanların %65,2’si hafif şiddetli yangın sınıfında yer aldığı ve yangının ağırlıklı olarak düşük–orta yoğunluklu yüzey yangını karakterinde geliştiği ortaya konulmuştur. dNDVI verilerine göre (11.278 hektar) vejetasyon kaybı ise dNBR sonuçlarıyla uyum göstermiştir. Yöntemlerin mekânsal uyumu Sorensen–Dice (0,94) ve Jaccard (0,89) benzerlik katsayıları ile test edilmiş ve oldukça yüksek mekânsal tutarlılık elde edilmiştir.

Anahtar Kelimeler

• Orman Yangını
• Uzaktan Algılama
• Sentinel-2
• dNBR
• Bilecik

Kaynakça

1. Acar, Z., & Gönençgil, B. (2023). Forest fires in southern Turkey July-August 2021. Revista de Climatologia, 23, 46-57, https://doi.org/10.59427/rcli/2023/v23.46-57
2. Akay, A. E., & Erdoğan, A. (2017). GIS-based multi-criteria decısıon analysıs for forest fıre risk mapping. ISPRS Annals of the Photogrammetry. Remote sensing and spatial ınformation sciences, Volume IV-4/W4, 4th International GeoAdvances Workshop, 14–15 October 2017, Safranbolu, Karabuk, Turkey.
3. 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. Journal of Human Sciences, 15(4), 2127-2143. https://doi.org/10.14687/jhs.v15i4.5491
4. Alkayış, M. H., Karslıoğlu, A., & Onur, M. İ. (2022). Muğla ili Menteşe yöresi orman yangını risk potansiyeli haritasının coğrafi bilgi sistemleri ile belirlenmesi. Geomatik Dergisi, 7(1), 10-16, https://doi.org/10.29128/geomatik.791545
5. Andrianarivony, H.S., & Akhloufi, M.A. (2024). Machine learning and deep learning for wildfire spread prediction: A review. Fire, 7, 482. https://doi.org/10.3390/fire7120482
6. Astola, H., Hame, T., Sirro, L., Molinier, M., & Kilpi, J. (2019). Comparison of Sentinel-2 and Landsat 8 imagery for forest variable prediction in boreal region. Remote Sensing of Environment, 223, 257-273, https://doi.org/10.1016/j.rse.2019.01.019
7. Atalay, H., Dervişoğlu, A., & Sunar, A.F. (2024). Exploring Forest Fire Dynamics: Fire Danger Mapping in Antalya Region, Türkiye. ISPRS International Journal of Geo-Information, 13, 74, https://doi.org/10.3390/ijgi13030074
8. Avcı, M., & Korkmaz, M. (2021). Türkiye’de orman yangını sorunu: Güncel bazı konular üzerine değerlendirmeler. Turkish Journal of Forestry, 22(3), 229-240, http://dx.doi.org/10.18182/tjf.942706

9. Avetisyan, D., Stankova, N., & Dimitrov, Z. (2023). Assessment of spectral vegetation indices performance for post-fire monitoring of different forest environments. Fire, 6, 290, https://doi.org/10.3390/fire6080290
10. Bakırcı, M. (2010). Negatıve ımpacts of forest fıres on ecologıcal balance and envıronmental sustaınabılıty: Case of Turkey. Journal of Geography, 5-1, 15-32.
11. Bıçakcı, C., & Yıldız, S. S. (2024). Google Earth Engine ve Coğrafi Bilgi Sistemleri kullanarak orman yangını şiddetinin belirlenmesinde farklı indekslerin karşılaştırılması: 2023 Hatay-Belen yangını örneği. OKU Fen Bilimleri Enstitüsü Dergisi, 7(2), 708-719.
12. Bingöl, B. (2017). Coğrafi Bilgi Sistemleri kullanılarak Burdur İli orman yangını risk alanlarının belirlenmesi. Turkish Journal of Forest Science, 1(2), 169-182.
13. Coşkun, M., & Toprak, F. (2023). Coğrafi Bilgi Sistemleri (CBS) tabanlı orman yangını risk analizi: Bartın İli örneği. Geomatik, 8(3), 250-263, https://doi.org/10.29128/geomatik.1192219
14. Çamalan, G., Akıl, S., & Pekin, M.A. (2023). Using Meteorological Early Warning System (MEUS) and meteorological ındices for assessment of Manavgat forest fires occurred in Turkiye July-August 2021. European Journal of Forest Engineering (EJFE), 9(1), 10-25, https://doi.org/10.33904/ejfe.1288070
15. Çetin, M. (2025). Orman yangını yönetiminde Google Earth Engine (GEE) ve Python Engine (PE) ile yakıt yükü analizi: Karşılaşılan güçlükler ve sağlanan avantajlar. Journal of Anatolian Geography, 2(1), 63–81.
16. 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.
17. 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, 101479, https://doi.org/10.1016/j.ijdrr.2020.101479
18. Dereli, M. (2019). Sentinel-2A uydu görüntüleri ile Giresun il merkezi için kısa dönem arazi örtüsü değişiminin belirlenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 19(2), 361-368, https://doi.org/10.35414/akufemubid.481455
19. Dilekçi, S., Marangoz, A. M., & Atesoglu, 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
20. Dimitrov, P., & Gikov, A. (2009). Identification and evaluation of traces of fires in Rila mountain using spectral indices from Landsat data. In Proceedings of the SENS, Fifth Scientific Conference with International Participation, Sofia, Bulgaria, 2–4 November 2009, pp. 142–149.
21. Eke, M., Cingiroğlu, F., & Kaynak, B. (2024). Investigation of 2021 wildfire impacts on air quality in southwestern Turkey. Atmospheric Environment, 325, 120445, https://doi.org/10.1016/j.atmosenv.2024.120445
22. Eker, R., Çınar, T., Baysal, I., & Aydın, A. (2024). Remote Sensing and GIS‑based inventory and analysis of the unprecedented 2021 forest fires in Türkiye’s history. Natural Hazards, 120, 10687–10707, https://doi.org/10.1007/s11069-024-06622-0
23. EM-DAT. The International Disaster Database, Centre for Research on the Epidemiology of Disasters: https://www.emdat.be/ (Erişim tarihi: 10.02.2026
24. Ersoy, İ., Gürsoy Ö., & Ünsal, E. (2024). Preparation of forest fire risk maps in Geographical Information Systems Environment. Journal of Engineering Faculty, 2(1), 29-34.
25. Erten, E., Kurgun, V., & Musaoğlu, N. (2004). Forest fire risk zone mapping from satellite imagery and GIS a case study. International Society for Photogrammetry and Remote Sensing and Spatial Information Sciences – ISPRS, 35.
26. ESA. (2015). Sentinel-2 User Handbook. European Space Agency.
27. Garg, U., Kukreti, V., Pundir, R. S., Manchanda, M., & Gupta, N. (2023). Prediction of Turkey forest fire using random forest regressor. International Conference on Innovative Data Communication Technologies and Application (ICIDCA-2023) IEEE Xplore Part Number: CFP23CR5-ART, https://doi.org/10.1109/ICIDCA56705.2023.10099565
28. Gibson, R., Danaher, T., Hehir, W., & Collins, L. (2020). A Remote Sensing approach to mapping fire severity in south-eastern Australia using Sentinel-2 and random forest. Remote Sensing of Environment, 240, 111702, https://doi.org/10.1016/j.rse.2020.111702
29. Gökkaya, K. (2022). Burned area and fire severity prediction of a forest fire using a Sentinel 2-derived spectral index in Çanakkale, Turkey. Turkish Journal of Bioscience and Collections, 6(2), 37–44, https://doi.org/10.26650/tjbc.1082039
30. Gülci, S., & Wing, M.G. (2025). Evaluating forest fire severity and vegetative recovery using Sentinel imagery and spectral indices in a cloud-based environment. Advances in Space Research, 76, 4092-4105, https://doi.org/10.1016/j.asr.2025.07.044
31. Gülçin, D., & Deniz, B. (2020). Remote Sensing and GIS-based forest fire risk zone mapping: The case of Manisa, Turkey. Turkish Journal of Forestry, 21(1): 15-24, https://doi.org/10.18182/tjf.649747
32. Işık Pekkan, Ö., Derakhshandeh, M., Atmaca, İ., Tunca, Y. S., Özenen Kavlak, M., & Çabuk, S. N. (2022). Coğrafi Bilgi Sistemleri ve Uzaktan Algılama teknikleri kullanılarak orman yangını risk haritasının geliştirilmesi: Muğla, Milas örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 26(2), 190-199, https://doi.org/10.19113/sdufenbed.901677
33. Kavgacı, A., Yıldız, O., Korkmaz, M., Alan, M., Tutmaz, V., Başlı, A. O., Aydoğan, B., Çelik, N., Durmuş, D. H., & Karakaya, A. (2025). 2025 Yılı Eskişehir, Bilecik ve Karabük illerinde gerçekleşen orman yangınları üzerine inceleme ve değerlendirme. Türkiye Ormancılar Derneği.
34. Kaynak, T. (2025). Uzaktan Algılama ve CBS Kullanılarak Orman Yangınlarının Etkilerinin Analizi: Taşköprü 2020 Orman Yangını Örneği. Türk Uzaktan Algılama ve CBS Dergisi, 6(2), 168-180. https://doi.org/10.48123/rsgis.1643526
35. Kazı, H., Karabulut, M., & Topuz, M. (2026). Topoğrafik faktörlerin yangın şiddetine etkisi: dNBR tabanlı mekânsal bir analiz (Kahramanmaraş, Türkiye örneği). Turkish Journal of Forest Science, 10(1), 1845437. https://doi.org/10.32328/turkjforsci.1845437
36. Key, C. H., & Benson, N. C. (2003). The Normalized Burn Ratio (NBR): A Landsat TM radiometric measure of burn severity. US Department of the Interior. US Geological Survey, Northern Rocky Mountain Science Center.
37. Key, C. H., & Benson, N. C. (2006). Landscape Assessment (LA): sampling and analysis methods. In FIREMON: Fire Effects and Monitoring Inventory System (Eds. Lutes, D.C., Keane, R.E., Caratti, C.H., Key, C.H., Sutherland, S.). USDA Forest Service: Fort Collins, CO, USA, pp. LA-1–LA-55.
38. Liu, S., Zheng, Y., Dalponte, M., & Tong, X. (2020). A novel fire index-based burned area change detection approach using Landsat-8 OLI data. European Journal of Remote Sensing, 53(1), 104-112, https://doi.org/10.1080/22797254.2020.1738900
39. McKenna, P., Phinn, S., & Erskine, P.D. (2018). Fire severity and vegetation recovery on mine site rehabilitation using WorldView-3 imagery. Fire, 1, 22.
40. Memişoğlu Baykal, T. (2023). GIS-based spatiotemporal analysis of forest fires in Turkey from 2010 to 2020. Transactions in GIS, 27 (5), 1289-1317, https://doi.org/10.1111/tgis.13066.
41. 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, 66-80, http://dx.doi.org/10.1016/j.rse.2006.12.006
42. Orman Genel Müdürlüğü. (2021). 2020 Türkiye Orman Varlığı. T.C. Tarım ve Orman Bakanlığı, Orman Genel Müdürlüğü, 58 S. Ankara. ISBN 978-605-7599-68-1
43. Orman Genel Müdürlüğü. (2026). 2025 Faaliyet Raporu. T.C. Tarım ve Orman Bakanlığı, Orman Genel Müdürlüğü, Strateji Geliştirme Dairesi Başkanlığı. 102 S. Ankara
44. Özenen Kavlak, M., Kurtipek, A., & Çabuk, S. (2020). Coğrafi Bilgi Sistemleri ile orman yangını risk haritası oluşturulması: Ören örneği. Resilience, 4(1), 33-54. https://doi.org/10.32569/resilience.597887
45. 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
46. Rouse, J., Haas, R., Schell, J., & Deering, D. (1973). Monitoring vegetation systems in the great plains with ERTS. In Proceedings of the Third Earth Resources Technology Satellite-1 Symposium, Greenbelt, MD, USA, pp. 309–317.
47. Sabuncu, A., & Özener, H. (2019). Uzaktan Algılama Teknikleri ile yanmış alanların tespiti: İzmir Seferihisar orman yangını örneği. Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi, Doğal Afetler ve Çevre Dergisi, 5(2), 317-326, https://doi.org/10.21324/dacd.511688
48. Satir, O., Berberoğlu, S., & Dönmez, C. (2016). Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem. Geomatics, Natural Hazards and Risk, 7(5), 1645-1658, http://dx.doi.org/10.1080/19475705.2015.1084541
49. Suarez-Fernandez, G., Martinez-Sanchez, J., & Arias, P. (2025). Assessment of vegetation indices for mapping burned areas using a deep learning method and a comprehensive forest fire dataset from Landsat collection. Advances in Space Research, 75, 1665-1685, https://doi.org/10.1016/j.asr.2024.12.001
50. Tonbul, H., Colkesen, İ., & Kavzoğlu, T. (2022). Pixel- and object-based ensemble learning for forest burn severity using USGS FIREMON and Mediterranean condition dNBRs in Aegean ecosystem (Turkey). Advances in Space Research, 69, 3609-3632, https://doi.org/10.1016/j.asr.2022.02.051
51. Tonbul, H., Kavzoglu, T., & Kaya, S. (2016). Assessment of fire severity and post-fire regeneration based on topographical features using multitemporal Landsat imagery: a case study in Mersin, Turkey. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLI-B8, http://dx.doi.org/10.5194/isprsarchives-XLI-B8-763-2016
52. Tülek, B., & Altuntaş, A. (2021). Investigation of tourism interaction with forest fire risk areas in Cirali region. Bartın Orman Fakültesi Dergisi, 23(1), 9-17, http://dx.doi.org/10.24011/barofd.765332
53. Türkeş, M., & Altan, G. (2014). Türkiye’de 2011’de oluşan orman yangınlarının klimatolojik çözümlemesi ve hidroklimatik, yüzey hava ve yüksek atmosfer koşulları ile bağlantıları. International Journal of Human Sciences, 11(1), 145-176.
54. Usta, G. (2023). Afet yönetimi odağında orman yangınlarının değerlendirilmesi. Afet ve Risk Dergisi, 6(1), 19-35, https://doi.org/10.35341/afet.1090658
55. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile bulut tabanlı orman yangın analizi. Geomatik Dergisi, 10 (3), 316-330, https://doi.org/10.29128/geomatik.1603707
56. Yılmaz, B., Demirel, M., & Bektaş Balçık, F. (2022). Yanmış alanların Sentinel-2 MSI ve Landsat-8 OLI ile tespiti ve analizi: Çanakkale/Gelibolu orman yangını. Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi, Doğal Afetler ve Çevre Dergisi, 8(1), 76-86, http://dx.doi.org/10.21324/dacd.941456
57. Yılmaz, O.S., Oruç, M.S., Ateş, A.M. & Gülgen, F. (2021). Orman yangın şiddetinin Google Earth Engine ve Coğrafi Bilgi Sistemleri kullanarak analizi: Hatay-Belen örneği. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(2): 1519-1532.
58. Yücer, E. (2023). Sentinel-2 MSI ve Landsat-9 OLI uydu görüntüleriyle yanmış alanların tespiti: 2022 Muğla/Marmaris orman yangını. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(4), 866-880, https://doi.org/10.17780/ksujes.1303299
59. Yüksel, K. (2022). Evaluatıon of dıfferent Remote Sensıng indıces in detectıon of forest burned Area: A case study of 2022 Mersin (Gülnar) wildfire. Journal of Architecture, Engineering & Fine Arts, 4(2), 160-171.
60. Zerouali, B., Santos, C.A.G., Qaysi, S., Silva, R.M., Alarifi, N., Bailek, N., Mishra, M., Porto, P., & Youssef, Y.M. (2025). Advanced forest fire risk mapping: Combining Sentinel-2 MSI data with hybrid machine learning in Similipal Biosphere Reserve. Forest Ecology and Management, 594, 122931, https://doi.org/10.1016/j.foreco.2025.122931