Bulut Tabanlı Uzaktan Algılama ile Afet Sonrası Çevresel Değişimlerin Analizi: Google Earth Engine Uygulaması

Öz

Günümüzde yaşanan iklim değişiklikleri ve çevresel baskılar sebebiyle, doğal afetlerin sıklığı ve bu afetler sonucunda oluşan yıkımlarda ciddi artış görülmektedir. Bu durum, yeryüzündeki değişimlerin hızlı, güvenilir ve geniş coğrafi ölçekte incelenmesini zorunlu kılmıştır. Coğrafi Bilgi Sistemleri (CBS) ve uzaktan algılama yöntemleri, devasa boyutlara ulaşan veri setleri karşısında zaman ve donanım açısından ciddi kısıtlarla karşılaşmaktadır. Bu makale ile birlikte bu kısıtları geçmek amacıyla Google Earth Engine (GEE) platformu kullanılacaktır. GEE bulut tabanlı analiz mimarisi ayrıca büyük veri işleme yetenekleriyle coğrafi veri analizlerinde yaygın olarak kullanılmaktadır. Makale kapsamında, Türkiye’de meydana gelen üç ayrı yıkıcı doğal afet; 24 Ocak 2020 Elazığ Depremi (Mw 6.5), 11 Ağustos 2021 Kastamonu-Bozkurt Sel Felaketi ve 28 Temmuz 2021 Antalya-Manavgat Orman Yangını GEE ortamında JavaScript kodlama dili ile analiz edilmiştir.Seçilen her afet için uygun uydu (Sentinel-1 SAR, Sentinel-2 MSI ve Landsat 8 OLI )verileri kullanılmıştır. Bu uydu verileriyle NDVI (Normalize Edilmiş Fark Bitki İndeksi), NDWI (Normalize Edilmiş Fark Su İndeksi), dNBR (Fark Normalize Edilmiş Yanık Oranı) ve değişim analizi yöntemleri uygulanmıştır. Bulgular sonucunda, Manavgat orman yangınından sonra 43.460 hektarlık alanın yandığı, Kastamonu selinde 400 metre genişliğinde yerleşim alanlarının su altında kaldığı ve Elazığ depremi sonrasında radar sinyallerindeki kırılmalar aracılığıyla yüzeyde oluşan deformasyonlar ve yapısal hasarlar başarıyla haritalandırılmıştır.

Anahtar Kelimeler

• Google Earth Engine
• Uzaktan Algılama
• Bulut Bilişim
• Büyük Veri
• NDVI.

Post-Disaster Environmental Change Analysis Using Cloud-Based Remote Sensing: A Google Earth Engine Application

Öz

In recent years, climate change and increasing environmental pressures have driven a sharp rise in both the frequency of natural disasters and the scale of destruction they cause, making it necessary to monitor changes on the Earth’s surface rapidly, reliably, and over large geographic areas. Conventional Geographic Information Systems (GIS) and remote sensing approaches face serious limitations in processing time and computational resources when handling large-scale datasets. To overcome these constraints, this study utilizes the Google Earth Engine (GEE) platform, known for its cloud-based architecture and big data handling capabilities. Three major natural disasters in Türkiye were analyzed using GEE and JavaScript: the 24 January 2020 Elazığ Earthquake (Mw 6.5), the 11 August 2021 Kastamonu–Bozkurt Flood, and the 28 July 2021 Antalya–Manavgat Forest Fire, using Sentinel-1 SAR, Sentinel-2 MSI, and Landsat 8 OLI imagery. Vegetation and water-related indices, including NDVI, NDWI, and dNBR, along with change detection techniques, were applied to assess environmental impacts. Results show that approximately 43,460 hectares of forest were burned in the Manavgat fire, residential areas up to 400 meters wide were inundated during the Kastamonu flood, and surface deformations and structural damage after the Elazığ earthquake were mapped through radar signal disruptions.

Anahtar Kelimeler

• Google Earth Engine
• Remote Sensing
• Cloud Computing
• Big Data
• NDVI

Kaynakça

1. Maguire DJ, Goodchild MF, Rhind DW (Eds). Geographical Information Systems: Principles and Applications. Longman, Londra; 1991.
2. Yıldırım V, Çolak HE, Nişancı R. Google Earth Engine ile Uzaktan Algılama Uygulamaları. Harita Dergisi. 2022;(167).
3. Bai T, Wang L, Yin D, Sun K, Chen Y, Li W, Li D. Deep learning for change detection in remote sensing: a review. Geo-Spat Inf Sci. 2023;26(3):262–288.
4. Cheng G, Huang Y, Li X, Lyu S, Xu Z, Zhao H, Zhao Q, Xiang S. Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review. Remote Sens. 2024;16(13):2355.
5. Tonbul H. Google Earth Engine ile Türkiye’de Yanmış Alanların MODIS ve FireCCI51 Küresel Yanmış Alan Uydu Gözlem Verileriyle Karşılaştırmalı Değerlendirilmesi. Turk J Remote Sens GIS. 2024;5(1):69–82.
6. Amani M, Ghorbanian A, Ahmadi SA, Kakooei M, Moghimi A, Mirmazloumi SM, et al. Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review. IEEE J Sel Top Appl Earth Obs Remote Sens. 2020;13:5326–5350.
7. Baycan H, Ciner MN, Gök C, Peker İB, Gülbaz S. Flood Modeling of Ezine and Ayancık Stream Watersheds in Western Black Sea Basin, Turkey. 14th International Conference on Hydroscience & Engineering; 2022 May 26-27; İzmir, Türkiye. p.623-627.
8. Bilgen G, Balcı E, Kalça MY. Kastamonu Bozkurt İlçesinde 11.08.2021 Tarihinde Meydana Gelen Sel Felaketinin Yerinde İncelenmesi. Tasarım Mimarlık ve Mühendislik Dergisi. 2022;2(1):20-35.

9. Shafique A, Cao G, Khan Z, Asad M, Aslam M. Deep Learning-Based Change Detection in Remote Sensing Images: A Review. Remote Sens. 2022;14(4):871