Satellite Monitoring of Burned Forest Areas and Atmospheric Aerosols Originated from Major Forest Fires in Turkey in 2021

Öz

According to the European Forest Fire Information System's data, Turkey had the highest forest area loss among the Mediterranean countries in 2021. Approximately 150,000 ha of forest area in the Aegean and Mediterranean regions was destroyed due to many large and small forest fires between July 27 and August 13, 2021. This study aimed to determine the burned areas damaged in the Aegean and Mediterranean regions, especially in Muğla, Antalya, Mersin, Adana, and Osmaniye provinces using data from different satellites. In addition, it was aimed to determine the daily changes in the atmospheric aerosols from forest fires. First, daily active fire products from the VIIRS sensor of the Suomi NPP satellite were studied during the 16-day fire period (27 July-13 August 2021), including the days pre-post-fire. The burned areas were also determined using the Normalized Difference Vegetation Index (NDVI) from the MODIS sensor of NASA's Aqua satellite. The total burned areas in the Aegean and Mediterranean regions were spatially determined. In addition, atmospheric aerosols originating from forest fires were monitored daily-basis by Aerosol Optical Depth (AOD) data from the MODIS sensor at 1 km spatial resolution. The results showed that the progress of the fires, their severity, and spatial distribution of the atmospheric aerosols could be monitored with multiple remote sensing sources. According to the satellite analyses, significant losses were observed in Muğla and Antalya provinces. Forest fires spread to many areas quickly. High AOD (> 1.0) values were determined in Antalya due to forest fires and caused aerosol pollution, approximately 2-5 times higher than average aerosol levels in the region.

Anahtar Kelimeler

• Forest Fire
• Active Fire
• Aerosol Optical Depth
• Satellite Data
• Mediterranean Region

Türkiye’de 2021 Yılında Yaşanan Büyük Orman Yangınlarında Yanan Orman Alanlarının ve Yangın Kaynaklı Atmosferik Aerosollerin Uydular ile İzlenmesi

Öz

Avrupa Orman Yangını Bilgi Sistemi verilerine göre, 2021 yılında Akdeniz ülkeleri içinde en fazla orman alanı kaybı yaşayan ülke Türkiye olmuştur. Ülke tarihindeki en büyük orman yangınlarının yaşandığı dönem olan 28 Temmuz-12 Ağustos 2021 tarihleri arasında gerçekleşen çok sayıda irili ufaklı orman yangını ile Ege ve Akdeniz bölgelerinde yaklaşık olarak 150.000 ha orman alanı tahrip olmuştur. Bu çalışma kapsamında, aynı dönemde Ege ve Akdeniz bölgesinde yer alan özellikle Muğla, Antalya, Mersin, Adana ve Osmaniye illerinde tahrip olan orman alanlarının farklı uydu verileri kullanılarak belirlenmesi hedeflenmiştir. Ayrıca, orman yangınları sonucu oluşan aerosollerin atmosferdeki günlük değişimlerinin uydu verileriyle belirlenmesi amaçlanmıştır. Bu amaçla, yangın öncesi ve sonrası günleri kapsayacak 16 günlük çalışma dönemi (27 Temmuz-13 Ağustos 2021) boyunca günlük olarak Suomi NPP uydusunun VIIRS sensörü ile elde edilen “Orman Yangını ve Sıcaklık Anomalisi” ürünleri incelenmiştir. Tespit edilen orman yangınlarının etkili olduğu bölgeler, eş zamanlı olarak NASA’nın Aqua uydusunun MODIS sensörü ile elde edilen Normalize Edilmiş Fark Bitki Örtüsü (NFBÖİ) verileri kullanılarak belirlenmiş ve Ege ve Akdeniz’de yanan toplam orman alanları mekansal olarak belirlenmiştir. Ek olarak, meydana gelen orman yangınları sonucunda oluşan atmosferik aerosoller, eş zamanlı olarak MODIS enstrümanı tarafından üretilen 1 km mekansal çözünürlüğe sahip Aerosol Optik Derinliği (AOD) verisi ile günlük olarak izlenmiştir. Çalışma sonunda, yangınların ilerleyişinin, verdiği hasarın ve yangın kaynaklı oluşan aerosollerin atmosferdeki değişiminin uydu verileri yardımıyla uyumlu olarak izlenebildiği görülmüştür. Buna göre, uzaktan algılama verileri ile belirlenen yanan alanlar incelendiğinde orman yangınlarının özellikle Muğla ve Antalya illerinde büyük kayıplar meydana getirdiği belirlenmiştir. Orman yangınları kısa sürede birçok alana yayılmış, yangının ilerleyiş hattına paralel olarak dumanın eş zamanlı hareketi gözlenmiş, orman yangınları sonucunda yangınların şiddetlendiği dönemlerde yüksek AOD (> 1.0) değerlerinin oluştuğu ve bölgenin ortalama aerosol seviyelerine göre yaklaşık 2-5 kat yüksek aerosol kirliliğine sebep olduğu belirlenmiştir.

Anahtar Kelimeler

• Orman Yangını
• Sıcaklık Anamolisi
• Aerosol Optik Derinliği
• Uydu Verileri
• Akdeniz

Kaynakça

1. [1] Oğuz, K., Oğuz , E., & Çamalan, G., 2021. İzmir-Tırazlı Orman Yangınının Uydu ve Model Verileri ile Analizi, Ulusal Çevre Bilimleri Araştırma Dergisi, 4, 1-12.
2. [2] Wooster, M.J., Roberts, G.J., Giglio, L., Roy, D., Freeborn, P., Boschetti, L., Justice, C., Ichoku, C., Schroeder, W., Davies, D., Smith, A., Setzer, A., Csiszar, I., Strydom, T., Frost, P., Zhang, T., Xu, W., de Jong, M., Johnston, J., Ellison, L., Vadrevu, K., McCarty, J., Tanpipat, V., Schmidt, C., San-Miguel, J., 2021. Satellite remote sensing of active fires: History and current status, applications and future requirements. Remote Sensing of Environment, 267, 112694, doi.org/10.1016/j.rse.2021.112694.
3. [3] Leblon, B., Bourgeau-Chavez, L. San-Miguel-Ayanz, J., 2012. Use of Remote Sensing in Wildfire Management, Sustainable Development - Authoritative and Leading Edge Content for Environmental Management, IntechOpen, 602s.
4. [4] Polat, N., Kaya, Y., 2021. Çok Bantlı Uydu Görüntüleriyle Orman Yangınları Hasar Tespiti. Bartın Orman Fakültesi Dergisi, 23,172-181, doi.10.24011/barofd.837507.
5. [5] Xiao-rui, T., Mcrae, D.J., Li-fu, S., Mong-Yu, W., Hong, L., 2005. Satellite remote-sensing technologies used in forest fire management. Journal of Forestry Research, 16, 73–78, doi.org/10.1007/bf02856861.
6. [6] Giddey, B.L., Baard, J.A., Kraaij, T., 2022. Verification of the differenced Normalised Burn Ratio (dNBR) as an index of fire severity in Afrotemperate Forest. South African J. Bot. https://doi.org/10.1016/j.sajb.2021.11.005
7. [7] Veraverbeke, S., Lhermitte, S., Verstraeten, W.W., Goossens, R., 2010. The temporal dimension of differenced Normalized Burn Ratio (dNBR) fire/burn severity studies: The case of the large 2007 Peloponnese wildfires in Greece. Remote Sens. Environ. https://doi.org/10.1016/j.rse.2010.05.029
8. [8] İban, M.C., Şahin, E., 2022. Monitoring burn severity and air pollutants in wildfire events using remote sensing data: the case of Mersin wildfires in summer 2021. GUFBD / GUJS (2022) 12(2): 487-497, DOI: 10.17714/gumusfenbil.1008242.

9. [9] Tonbul, H., Colkesen, I., Kavzoglu, T., 2022. Pixel- and Object-Based ensemble learning for forest burn severity using USGS FIREMON and Mediterranean condition dNBRs in Aegean ecosystem (Turkey). Adv. Sp. Res. https://doi.org/10.1016/j.asr.2022.02.051
10. [10] Remmel, T., K., Perrera, A. H., 2001. Fire mapping in a northern boreal forest: assessing AVHRR/NDVI methods of change detection. Forest Ecology and Management 152, 119-129.
11. [11] Ba, R., Song, W., Lovallo, M., Zhang, H., Telesca, L., 2022. Informational analysis of MODIS NDVI and EVI time series of sites affected and unaffected by wildfires. Physica A, A604, 127911, https://doi.org/10.1016/j.physa.2022.127911.
12. [12] Gemitzi, A., Koutsias, N., 2022. A Google Earth Engine code to estimate properties of vegetation phenology in fire affected areas – A case study in North Evia wildfire event on August 2021. Remote Sens. Appl. Soc. Environ. https://doi.org/10.1016/j.rsase.2022.100720
13. [13] Nolè, A., Rita, A., Spatola, M.F., Borghetti, M., 2022. Biogeographic variability in wildfire severity and post-fire vegetation recovery across the European forests via remote sensing-derived spectral metrics. Sci. Total Environ. https://doi.org/10.1016/j.scitotenv.2022.153807
14. [14] Shobha, L., Sachin, P., Abhijit, P., 2022. Detection of forest fire burn-area using landsat-8 and sentinel-2: a case study of Nivale (Kolhapur) beat of Chandoli National Park, Maharashtra, India. Disaster Adv. https://doi.org/10.25303/1501da5360
15. [15] Veraverbeke, S., Lhermitte, S., Verstraeten, W.W., Goossens, R., 2011. Evaluation of pre/post-fire differenced spectral indices for assessing burn severity in a mediterranean environment with landsat thematic mapper. Int. J. Remote Sens. https://doi.org/10.1080/01431161003752430
16. [16] Kavzoğlu, T., Çölkesen, İ., Tonbul, H., Öztürk, M.Y., 2021. Uzaktan Algılama Teknolojilerı ile Orman Yangınlarının Zamansal Analizi: 2021 Yılı Akdeniz ve Ege Yangınları, TUBA Orman Yangınları Raporu, DOI: 10.53478/Tuba.2021.048.
17. [17] Bar, S., Parida, B.R., Pandey, A.C., 2020. Landsat-8 and Sentinel-2 based Forest fire burn area mapping using machine learning algorithms on GEE cloud platform over Uttarakhand, Western Himalaya. Remote Sens. Appl. Soc. Environ. https://doi.org/10.1016/j.rsase.2020.100324
18. [18] Ryu, J.H., Han, K.S., Hong, S., Park, N.W., Lee, Y.W., Cho, J., 2018. Satellite-Based Evaluation of the Post-Fire Recovery Process from the Worst Forest Fire Case in South Korea. Remote Sens. https://doi.org/10.3390/rs10060918
19. [19] Sabuncu, A., Ozener, H., 2019. Uzaktan Algılama Teknikleri ile Yanmış Alanların Tespiti: İzmir Seferihisar Orman Yangını Örneği Detection of Burned Areas by Remote Sensing Techniques: İzmir Seferihisar Forest fire case study. Artvin Çoruh ÜniversitesiDoğal Afetler Uygulama ve Araştırma MerkeziDoğal Afetler ve Çevre Dergisi, 5(2): 317-326, DOI: 10.21324/dacd.511688.
20. [20] Atun, R., Kalkan, K., Gürsoy, Ö., 2020. Determining The Forest Fire Risk with Sentinel 2 Images. Turkish Journal of Geosciences, 1, 21-25.
21. [21] Çolak, E., Sunar, F., 2020. The importance of ground-truth and crowdsourcing data for the statistical and spatial analyses of the NASA FIRMS active fires in the Mediterranean Turkish forests. Remote Sensing Applications: Society and Environment, 19, 100327, doi.org/10.1016/j.rsase.2020.100327.
22. [22] Fu, Y., Li, R., Wang, X., Bergeron, Y., Valeria, O., Chavardès, R.D., Wang, Y., Hu, J., 2020. Fire detection and fire radiative power in forests and low-biomass lands in northeast Asia: MODIS versus VIIRS fire products. Remote Sensing, 12, 2870, doi.org/10.3390/rs12182870.
23. [23] Iban, M.C., Sekertekin, A., 2022. Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: A case study of Adana and Mersin provinces, Turkey. Ecological Informatics, 69, 101647, https://doi.org/10.1016/j.ecoinf.2022.101647.
24. [24] Çolak, E., Sunar, F., 2020. Evaluation of forest fire risk in the Mediterranean Turkish forests: A case study of Menderes region, Izmir. Int. J. Disaster Risk Reduct. https://doi.org/10.1016/j.ijdrr.2020.101479
25. [25] Verma, S., Soni, M., Kumar, H., Payra, S., Mishra, M. K., Bhawar, R., 2022. Characterizing aerosols during forest fires over Uttarakhand region in India using multi-satellite remote sensing data. Advances in Space Research 70, 947-960, https://doi.org/10.1016/j.asr.2022.05.051.
26. [26] Yin, S., Wang, X., Guo, M., Santoso, H., Guan, H., 2020. The abnormal change of air quality and air pollutants induced by the forest fire in Sumatra and Borneo in 2015. Atmos. Res. https://doi.org/10.1016/j.atmosres.2020.105027
27. 27] Bilgiç, E., Tuna Tuygun, G., Gündüz, O., 2021. Determination of Air Pollution from Wildfires with Satellite Observations. International Symposium on Remote Sensing In Meteorology Meteo Irs 2021, 1-3 Aralık, 2021, Istanbul, Türkiye. https://polen.itu.edu.tr/items/f4db9d6b-be52-405b-a90c-aed801e6a7d1.
28. [28] Glantz, P., Freud, E., Johansson, C., Noone, K. J., Tesche, M., 2019. Trends in MODIS and AERONET derived aerosol optical thickness over Northern Europe, Tellus B: Chemical and Physical Meteorology, 71, 1–20, https://doi.org/10.1080/16000889.2018.1554414.
29. [29] Wei, J., Li, Z., Peng, Y., Sun, L., 2019. MODIS Collection 6.1 aerosol optical depth products over land and ocean: validation and comparison. Atmos. Environ. https://doi.org/10.1016/j.atmosenv.2018.12.004
30. [30] Filonchyk, M., Hurynovich, V., Yan, H., 2020. Trends in aerosol optical properties over Eastern Europe based on MODIS-Aqua. Geosci. Front. https://doi.org/10.1016/j.gsf.2020.03.014
31. [31] Tuna Tuygun, G., Ozdemir, E., Elbir, T., 2020. Evaluation of MODIS C6 and C6.1 Dark Target AOD products over Turkey based on NDVI and aerosol type. Atmospheric Pollution Research, 11, 2335 – 2349, doi.org/10.1016/j.apr.2020.07.003.
32. [32] Ettehadi Osgouei, P., Roberts, G., Kaya, S., Bilal, M., Dash, J., Sertel, E., 2022. Evaluation and comparison of MODIS and VIIRS aerosol optical depth (AOD) products over regions in the Eastern Mediterranean and the Black Sea. Atmos. Environ. https://doi.org/10.1016/j.atmosenv.2021.118784
33. [33] Yin, S., Wang, X., Guo, M., Santoso, H., & Guan, H. , 2020. The abnormal change of air quality and air pollutants induced by the forest fire in Sumatra and Borneo in 2015. Atmospheric Research, 243(April), 105027. https://doi.org/10.1016/j.atmosres.2020.105027
34. [34] Eko Cahyono, W., Setyawati, W., Hamdi, S., Cholianawati, N., Yudha Kombara, P., & Julian Sari, W., 2022. Observations of aerosol optical properties during tropical forest fires in Indonesia. Materials Today: Proceedings, 63, S445–S450. https://doi.org/10.1016/j.matpr.2022.04.113
35. [35] Zielinski, T., Petelski, T., Strzalkowska, A., Pakszys, P., & Makuch, P., 2016. Impact of wild forest fires in Eastern Europe on aerosol composition and particle optical properties. Oceanologia, 58(1), 13–24. https://doi.org/10.1016/j.oceano.2015.07.005
36. [36] EFFIS (European Forest Fire Information System), 2021. COPERNICUS Emergency Management Service, https://effis.jrc.ec.europa.eu/apps/effis_current_situation/. (Erişim Tarihi: 1 Ocak 2022).
37. [37] T.C. Tarım ve Orman Bakanlığı, 2021. 2020 Türkiye Orman Varlığı, Ankara, 56 s.
38. [38] OGM (Orman Genel Müdürlüğü), 2020. 2020 Yılı Ormancılık İstatistikleri, Orman Genel Müdürlüğü, Ankara. https:// www.ogm.gov.tr/tr/e-kutuphane/resmi-istatistikler. (Erişim Tarihi: 15 Ocak 2022).
39. [39] Holben, B., 1986. Characteristics of maximum-value composite images from temporal AVHRR data. International Journal of Remote Sensing 7, 11, 1417-1434, DOI: 10.1080/01431168608948945
40. [40] Bilal, M., Nazeer, M., Qiu, Z., Ding, X., & Wei, J., 2018. Global validation of MODIS C6 and C6.1 merged aerosol products over diverse vegetated surfaces. Remote Sensing, 10(3). https://doi.org/10.3390/rs10030475
41. [41] Bilal, M., Nazeer, M., Nichol, J., Qiu, Z., Wang, L., Bleiweiss, M. P., Shen, X., Campbell, J. R., & Lolli, S. (2019). Evaluation of terra-MODIS C6 and C6.1 aerosol products against Beijing, XiangHe, and Xinglong AERONET sites in China during 2004-2014. Remote Sensing, 11(5). https://doi.org/10.3390/rs11050486
42. [42] NASA (National Aeronautics and Space Administration), 2021. MODIS Land Team Home Page https://modis-land.gsfc.nasa.gov/MAIAC.html. (Erişim Tarihi: 15 Ocak 2022).
43. [43] Bilgili, E., Küçük, Ö., Sağlam, B., Alperen, K., Coşkuner, 2021. Büyük Orman Yangınları: Sebepleri, Organizasyonu ve İdaresi, TÜBA Orman Yangınları Raporu, DOI: 10.53478/TUBA.2021.039.
44. [44] Akkuş, R., Seyrek, E.C., Uysal, M., 2021. Orman Yangınlarının Uzaktan Algılama ile İncelenmesi: 28 Temmuz 2021 Manavgat Orman Yangını Örneği, Afyon Kocatepe Üniversitesi 1. Kocatepe Mühendislik Bilimleri Öğrenci Sempozyumu, Afyonkarahisar, Türkiye.
45. [45] OGM (Orman Genel Müdürlüğü), 2021. Muğla Orman Bölge Müdürlüğü, 2021 Yılı Orman Yangınları Değerlendirme Raporu, Ankara, 55 sayfa. (Erişim Tarihi: 25 Temmuz 2022).
46. [46] Shaheen, A., Wu, R., Aldabash, M., 2020. Long-term AOD trend assessment over the Eastern Mediterranean region: A comparative study including a new merged aerosol product. Atmospheric Environment, 238, 117736, doi.org/10.1016/j.atmosenv.2020.117736.
47. [47] Karslıoğlu, S.,Tezcan, E., Tuna Tuygun, G., Elbir, T., 2022. Türkiye’de Terra ve Aqua Modıs Uydularından Elde Edilen Aerosol Optik Derinliğinin Değişimi. DEUFMD, 24, 303-316.
48. [48] Oliva, P., & Schroeder, W., 2015. Assessment of VIIRS 375m active fire detection product for direct burned area mapping. Remote Sensing of Environment, 160(February), 144–155. https://doi.org/10.1016/j.rse.2015.01.010
49. [49] Katagis, T., Gitas, I. Z., 2021. Assessing the Accuracy of MODIS MCD64A1 C6 and FireCCI51 Burned Area Products in Mediterranean Ecosystems. Remote Sensing 14, 602. https://doi.org/10.3390/ rs14030602.
50. [50] Wei, X., Bai, K., Chang, N., Gao, W., 2021. Multi-source hierarchical data fusion for high-resolution AOD mapping in a forest fire event. International Journal of Applied Earth Observations and Geoinformation, 102, 120366, https://doi.org/10.1016/j.jag.2021.102366.
51. [51] Nguyen, H., M., Wooster, M., J., 2020. Advances in the estimation of high Spatio-temporal resolution pan-African top-down biomass burning emissions made using geostationary fire radiative power (FRP) and MAIAC aerosol optical depth (AOD) data. Remote Sensing of Environment 248, 111971, https://doi.org/10.1016/j.rse.2020.111971.