Yanmış Alanların Sentinel-2 MSI ve Landsat-8 OLI ile Tespiti ve Analizi: Çanakkale/Gelibolu Orman Yangını

Öz

Son yıllarda artan orman yangınları bitki örtüsüne ve birçok canlıya ciddi zararlar vermektedir. Uzaktan algılama teknolojisi ve bazı algoritmalar orman yangını sonrası arazinin durumunu incelemek ve çeşitli analizler yapmak için kullanılmaktadır. Farklı özelliklere sahip uydu görüntüleri (Sentinel, Landsat, MODIS, SPOT, vb.), yangın hasarlarını belirlemek ve yanmış alanların haritalarını üretmek için kullanılmaktadır. Bu çalışmada, 6 Temmuz 2020 tarihinde Çanakkale ili Gelibolu ilçesinde meydana gelen orman yangını, Sentinel-2 MSI ve Landsat-8 OLI uydu görüntüleri ve uzaktan algılama indeksleri kullanılarak analiz edilmiştir. Çalışma bölgesine ait orman yangını öncesi ve orman yangını sonrası görüntüler ile Yanmış Alan İndeksi (BAI), Normalize Edilmiş Nem İndeksi (NDMI), Normalize Edilmiş Yanma Şiddeti (NBR) ve Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI) hesaplanmıştır. Yangın sonrası tahrip olmuş orman alanını hesaplamak amacıyla yangın öncesi ve sonrası için hesaplanan indekslerin farkları alınmıştır. Hata matrisi ile doğruluk değerlendirmesi için genel doğruluk, kullanıcı doğruluğu, üretici doğruluğu ve Kappa istatistiği hesaplanmış ve doğruluk değerlendirme sonuçları karşılaştırılarak Landsat-8 OLI ve Sentinel-2 MSI için performans değerlendirmesi yapılmıştır. Değerlendirme sonucunda hem Landsat-8 OLI hem de Sentinel-2 MSI için en doğru indeksin Fark Normalize Edilmiş Fark Bitki Örtüsü İndeksi (dNDVI) olduğu bulunup Kappa sonuçları sırasıyla 0.94 ve 0.95 olarak hesaplanmıştır.

Anahtar Kelimeler

• Yanmış Orman Alanı
• Sentinel-2 MSI
• Landsat-8 OLI
• Uzaktan Algılama İndeksleri
• Doğruluk Değerlendirmesi

Detection and Analysis of Burned Areas with Sentinel-2 MSI and Landsat-8 OLI: Çanakkale / Gelibolu Forest Fire

Öz

Recently, increasing wildfires have caused severe damage to vegetation and many living creatures. Remote sensing technologies and various algorithms are used to determine and analyze the burned forest areas. Different remotely sensed images such as Sentinel-2 MSI, Landsat, MODIS, SPOT were used to determine forest fire damage and to produce maps for burned areas. In this study, the 6 July 2020 dated wildfire that occurred in the Gallipoli district of Çanakkale province has been analyzed by using Sentinel-2 MSI and Landsat-8 OLI satellite images. Burned Area Index (BAI), Normalized Moisture Index (NDMI), Normalized Burn Ratio (NBR), and Normalized Difference Vegetation Index (NDVI) were calculated with the pre and post-fire satellite images of the study area. The differences of the pre and post-fire indices were calculated to determine the burned forest area. Error matrix was produced for accuracy assessment. Overall accuracy, user accuracy, producer accuracy, and Kappa statistics were calculated, and performances were evaluated for different sensors and different indices by comparing the accuracy assessment results. The highest accuracy results were achieved with Differenced Normalized Difference Vegetation Index (dNDVI) for both Landsat-8 OLI and Sentinel-2 MSI images, and Kappa statistic results were obtained as 0.94 and 0.95, respectively.

Anahtar Kelimeler

• Burned Forest Area
• Sentinel-2 MSI
• Landsat-8 OLI
• Remote Sensing Indices
• Accuracy Assessment

Kaynakça

1. Chen G., Metz M.R., Rizzo D.M., Meentemeyer R.K., (2015), Mapping burn severity in a disease-impacted forest landscape using Landsat and ASTER imagery, International Journal of Applied Earth Observation and Geoinformation, 40(2015), 91-99.
2. Chung, M., Jung, M., & Kim, Y., (2019), Wildfire damage assessment using multi-temporal Sentinel-2 data, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(3/W8), 97-102.
3. Çolak E., Sunar A.F., (2018), Remote sensing & GIS integration for monitoring the areas affected by forest fires: A case study in Izmir, Turkey, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives, 42(3W4), 165-170.
4. 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.
5. Flasse S., (2005), Remote sensing and GIS accuracy assessment, The Photogrammetric Record, 20(111), 306-307.
6. Fornacca D., Ren G., Xiao W., (2018), Evaluating the best spectral indices for the detection of burn scars at several post-fire dates in a mountainous region of northwest Yunnan, China, Remote Sensing, 10(8), 1196, doi: 10.3390/rs10081196.
7. García-Llamas P., Suárez-Seoane S., Fernández-Guisuraga J. M., Fernández-García V., Fernández-Manso A., Quintano C., Taboada A., Marcos E., Calvo L., (2019), Evaluation and comparison of Landsat-8, Sentinel-2 and Deimos-1 remote sensing indices for assessing burn severity in Mediterranean fire-prone ecosystems, International Journal of Applied Earth Observation and Geoinformation, 80(2019), 137–144.
8. Gonçalves A.C., Sousa A.M.O., (2017), The fire in the mediterranean region: a case study of forest fires in Portugal, Mediterranean Identities - Environment, Society, Culture, Prof. Borna Fuerst-Bjeliš (Ed.), ss. 305-335. doi:10.5772/intechopen.69410.

9. Keeley J.E., (2009), Fire intensity, fire severity and burn severity: A brief review and suggested usage, International Journal of Wildland Fire, 18(1), 116-126.
10. Kesgin Atak B., Tonyaloğlu E., (2020), Evaluating spectral indices for estimating burned areas in the case of Izmir/Turkey, Eurasian Journal of Forest Science, 8(1), 49-59.
11. Liu Y., Stanturf J., Goodrick S., (2010), Trends in global wildfire potential in a changing climate, Forest Ecology and Management, 259(4), 685-697.
12. 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.
13. Lu D., Mausel P., Brondízio E., Moran E., (2004), Change detection techniques, International Journal of Remote Sensing, 25(12), 2365-2401.
14. Marino A., Hajnsek I., (2013), A change detector based on an optimization with polarimetric SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 52(8), 4781-4798.
15. Mert A., Aksan Ş., Özkan U., Özdemir İ., (2016), Landsat-8 OLI uydu görüntüsünden çıkarılan arazi çeşitliliği ile kuş türü zenginliği arasındaki ilişkiler, Turkish Journal of Forestry 17(1), 68-72.
16. 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.
17. Navarro G., Caballero I., Silva G., Parra P.C., Vázquez Á., Caldeira R., (2017), Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery, International Journal of Applied Earth Observation and Geoinformation, 58(2017), 97-106.
18. Quintano C., Fernández-Manso A., Fernández-Manso O., (2018), Combination of Landsat and Sentinel-2 MSI data for initial assessing of burn severity, International Journal of Applied Earth Observation and Geoinformation, 64(2018), 221-225.
19. Rwanga S., Ndambuki J., (2017), Accuracy assessment of land use/land cover classification using remote sensing and GIS, International Journal of Geosciences, 8(04), 611-622.
20. Singh A., (1989), Digital change detection techniques using remotely sensed data, International Journal of Remote Sensing, 10(6), 989-1003.