Google Earth Engine Üzerinde Etkileşimli Bir Yakılan Alan Haritalama Uygulaması: ΔNBR Eşikleme ve Makine Öğrenimi Kullanarak 2025 Bilecik–Sakarya Yangını Örneği, Türkiye

Abstract

Orman yangınları, hızlı ve doğru bir şekilde yangın sonrası değerlendirme araçlarına olan ihtiyacı artıran büyüyen bir çevresel tehdidi temsil etmektedir. Bu çalışma, yanmış alanların haritalanması için dNBR (Fark Normalleştirilmiş Yanma Oranı) eşikleme ve denetimli makine öğrenimi yöntemlerini kullanan, Google Earth Engine (GEE) platformu üzerinde geliştirilmiş etkileşimli bir uygulamayı tanıtmaktadır. Uygulama, Sentinel-2 uydu görüntülerinden yararlanarak yangın öncesi ve sonrası NBR değerlerini hesaplamakta, yanma şiddetini nicel olarak belirleyen dNBR haritaları üretmektedir. Eşikleme yöntemi yanmış alanları sınıflandırmak için kullanılırken, RF (Rastgele Orman) sınıflandırıcısı spektral özellikleri kullanarak tespiti daha da hassaslaştırmaktadır. Araç, Türkiye’deki 2025 Bilecik–Sakarya orman yangınına uygulanmış olup, karışık orman ve tarım alanlarını etkilemiştir. RF sınıflandırıcısı 112,14 km² (11.214 ha) alanı yanmış olarak belirlerken, ΔNBR eşikleme yöntemi 125,80 km² (12.580 ha) yanmış alan tespit etmiştir. Resmî yangın kayıtları ve yüksek çözünürlüklü referans verilerle yapılan doğrulama, RF yönteminin genel sınıflandırma doğruluğunu %95,0 ve Kappa katsayısını 0,899 olarak ortaya koymuştur. Bu sonuçlar, uygulamanın yüksek mekânsal doğruluk ve minimum ön işleme ile yanmış alanları belirlemedeki etkinliğini göstermektedir. Çalışma, bulut tabanlı CBS (Coğrafi Bilgi Sistemleri) platformlarının makine öğrenimi ile birleştirilmesinin, ölçeklenebilir ve yarı gerçek zamanlı orman yangını izleme ve afet sonrası müdahalelerde büyük potansiyel sunduğunu vurgulamaktadır. Bu etkileşimli tasarım, araştırmacıların ve orman yöneticilerinin kullanıcı dostu, bulut tabanlı bir ortamda kapsamlı yanmış alan değerlendirmeleri yapabilmesini sağlamaktadır.

Keywords

• Burned Area Mapping
• Normalized Burn Ratio (NBR)
• GEE
• Random Fores
• ΔNBR-Thresholding

An Interactive GEE Application for Burned Area Mapping Using ΔNBR Thresholding and Machine Learning: A Case Study from the 2025 Bilecik–Sakarya Wildfire, Türkiye

Abstract

Accurate and timely burned-area mapping is essential for supporting post-fire assessment, ecological monitoring, and disaster response. In this study, an interactive Google Earth Engine (GEE) application was developed to provide a user-friendly, no-code environment for detecting burned areas using multiple approaches, including ΔNBR (Difference Normalized Burn Ratio) thresholding, unsupervised classification, and a Random Forest (RF) supervised model. The 2025 Bilecik–Sakarya wildfire in northwestern Türkiye was selected as a case study to evaluate the performance of these methods and demonstrate the operational capabilities of the application. Sentinel-2 pre- and post-fire composites were processed within the application to compute ΔNBR, train spectral classifiers, and generate burned-area maps. A comprehensive accuracy assessment using 5,000 stratified reference samples showed notable variation among the methods. The ΔNBR Threshold of 0.20 emerged as the best-performing approach, achieving the highest accuracy with an Overall Accuracy of 0.917, Precision of 0.930, Recall of 0.902, F1-score of 0.916, and Kappa of 0.834. Unsupervised methods (Otsu and K-means) performed comparably, while the RF classifier, despite high precision, underestimated burned pixels due to lower recall. Burned-area extent comparisons further revealed the strong sensitivity of ΔNBR results to threshold selection, underscoring the importance of flexible and visually supported method selection. The proposed GEE application integrates data preprocessing, ΔNBR computation, classification, accuracy assessment, and export functionality within a single guided interface, making advanced remote-sensing techniques accessible to non-expert users. The tool proved effective for rapid post-fire mapping and offers a scalable framework for future developments, including radar integration, additional machine-learning algorithms, and multi-temporal fire severity analysis. Overall, the application represents a practical and accessible solution for operational burned-area monitoring, with strong potential for use in wildfire-prone regions globally

Keywords

• Burned Area Mapping
• Normalized Burn Ratio (NBR)
• GEE
• Random Forest
• ΔNBR Thresholding

References

1. Gholamrezaie, H., Hasanlou, M., Amani, M., & Mirmazloumi, S. M. (2022). Automatic Mapping of Burned Areas Using Landsat 8 Time-Series Images in Google Earth Engine: A Case Study from Iran. Remote Sensing, 14(24). https://doi.org/10.3390/rs14246376
2. Gholamrezaie, H., Hasanlou, M., Amani, M., & Mirmazloumi, S. M. (2022). Automatic Mapping of Burned Areas Using Landsat 8 Time-Series Images in Google Earth Engine: A Case Study from Iran. Remote Sensing, 14(24). https://doi.org/10.3390/rs14246376
3. Collins, L., Trouvé, R., Baker, P. J., Cirulus, B., Nitschke, C. R., Nolan, R. H., … Penman, T. D. (2023). Fuel reduction burning reduces wildfire severity during extreme fire events in south-eastern Australia. Journal of Environmental Management, 343, 118171. https://doi.org/https://doi.org/10.1016/j.jenvman.2023.118171
4. Collins, L., Trouvé, R., Baker, P. J., Cirulus, B., Nitschke, C. R., Nolan, R. H., … Penman, T. D. (2023). Fuel reduction burning reduces wildfire severity during extreme fire events in south-eastern Australia. Journal of Environmental Management, 343, 118171. https://doi.org/https://doi.org/10.1016/j.jenvman.2023.118171
5. Kirschner, J. A., Clark, J., & Boustras, G. (2023). Governing wildfires: toward a systematic analytical framework. Ecology and Society, 28(2). https://doi.org/10.5751/ES-13920-280206
6. Kirschner, J. A., Clark, J., & Boustras, G. (2023). Governing wildfires: toward a systematic analytical framework. Ecology and Society, 28(2). https://doi.org/10.5751/ES-13920-280206
7. 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. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 487–497. https://doi.org/10.17714/gumusfenbil.1008242
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. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 487–497. https://doi.org/10.17714/gumusfenbil.1008242

9. Chuvieco, E., Mouillot, F., van der Werf, G. R., San Miguel, J., Tanase, M., Koutsias, N., … Giglio, L. (2019). Historical background and current developments for mapping burned area from satellite Earth observation. Remote Sensing of Environment, 225, 45–64. https://doi.org/https://doi.org/10.1016/j.rse.2019.02.013
10. Chuvieco, E., Mouillot, F., van der Werf, G. R., San Miguel, J., Tanase, M., Koutsias, N., … Giglio, L. (2019). Historical background and current developments for mapping burned area from satellite Earth observation. Remote Sensing of Environment, 225, 45–64. https://doi.org/https://doi.org/10.1016/j.rse.2019.02.013
11. 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. https://doi.org/10.1071/WF07049
12. 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. https://doi.org/10.1071/WF07049
13. UN-SPIDER. (2025, October 2). Step by Step: Burn Severity mapping in Google Earth Engine. Office for Outer Space Affairs UN-SPIDER Knowledge Portal. Retrieved October 2, 2025, from https://www.un-spider.org/advisory-support/recommended-practices/recommended-practice-burn-severity/burn-severity-earth-engine
14. UN-SPIDER. (2025, October 2). Step by Step: Burn Severity mapping in Google Earth Engine. Office for Outer Space Affairs UN-SPIDER Knowledge Portal. Retrieved October 2, 2025, from https://www.un-spider.org/advisory-support/recommended-practices/recommended-practice-burn-severity/burn-severity-earth-engine
15. Eyi, G., & Buğdaycı, İ. (2024). Uzaktan algılama yöntemleri ile yangın şiddetinin tespiti: Yunanistan Rodos Adası orman yangını örneği. Geomatik, 9(3), 348–360. https://doi.org/10.29128/geomatik.1481708
16. Eyi, G., & Buğdaycı, İ. (2024). Uzaktan algılama yöntemleri ile yangın şiddetinin tespiti: Yunanistan Rodos Adası orman yangını örneği. Geomatik, 9(3), 348–360. https://doi.org/10.29128/geomatik.1481708
17. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile Bulut Tabanlı Orman Yangın Analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707
18. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile Bulut Tabanlı Orman Yangın Analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707
19. Roteta, E., Bastarrika, A., Ibisate, A., & Chuvieco, E. (2021). A Preliminary Global Automatic Burned-Area Algorithm at Medium Resolution in Google Earth Engine. Remote Sensing, 13(21). https://doi.org/10.3390/rs13214298
20. Roteta, E., Bastarrika, A., Ibisate, A., & Chuvieco, E. (2021). A Preliminary Global Automatic Burned-Area Algorithm at Medium Resolution in Google Earth Engine. Remote Sensing, 13(21). https://doi.org/10.3390/rs13214298
21. Long, T., Zhang, Z., He, G., Jiao, W., Tang, C., Wu, B., … Yin, R. (2019). 30 m Resolution Global Annual Burned Area Mapping Based on Landsat Images and Google Earth Engine. Remote Sensing, 11(5). https://doi.org/10.3390/rs11050489
22. Long, T., Zhang, Z., He, G., Jiao, W., Tang, C., Wu, B., … Yin, R. (2019). 30 m Resolution Global Annual Burned Area Mapping Based on Landsat Images and Google Earth Engine. Remote Sensing, 11(5). https://doi.org/10.3390/rs11050489
23. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202(December), 18–27. https://doi.org/10.1016/j.rse.2017.06.031
24. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202(December), 18–27. https://doi.org/10.1016/j.rse.2017.06.031
25. Özdemir, E. G., Zengin, T. U., & Güleç, H. A. (2024). Orman ekosistemindeki ağaç boylarının, optik, radar, lazer altimetre uydu verileri ve yardımcı kaynaklar kullanılarak Google Earth Engine platformunda modellenmesi. Geomatik, 9(2), 259–268. https://doi.org/10.29128/geomatik.1449670
26. Özdemir, E. G., Zengin, T. U., & Güleç, H. A. (2024). Orman ekosistemindeki ağaç boylarının, optik, radar, lazer altimetre uydu verileri ve yardımcı kaynaklar kullanılarak Google Earth Engine platformunda modellenmesi. Geomatik, 9(2), 259–268. https://doi.org/10.29128/geomatik.1449670
27. Ayalke, Z., & Şişman, A. (2024). Google Earth Engine kullanılarak makine öğrenmesi tabanlı iyileştirilmiş arazi örtüsü sınıflandırması: Atakum, Samsun örneği. Geomatik, 9(3), 375–390. https://doi.org/10.29128/geomatik.1472160
28. Ayalke, Z., & Şişman, A. (2024). Google Earth Engine kullanılarak makine öğrenmesi tabanlı iyileştirilmiş arazi örtüsü sınıflandırması: Atakum, Samsun örneği. Geomatik, 9(3), 375–390. https://doi.org/10.29128/geomatik.1472160
29. Karaca, M., Yağmur, N., & Balçık, F. (2022). İstanbul Terkos Gölü zamansal değişiminin Google Earth Engine kullanılarak belirlenmesi. Geomatik, 7(3), 235–242. https://doi.org/10.29128/geomatik.975714
30. Karaca, M., Yağmur, N., & Balçık, F. (2022). İstanbul Terkos Gölü zamansal değişiminin Google Earth Engine kullanılarak belirlenmesi. Geomatik, 7(3), 235–242. https://doi.org/10.29128/geomatik.975714
31. Toprak, F., & Coşkun, M. (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
32. Toprak, F., & Coşkun, M. (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
33. Marangoz, A. M., Dilekçi, S., & Ateşoğlu, 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
34. Marangoz, A. M., Dilekçi, S., & Ateşoğlu, 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
35. Alkayış, M. H., Karslıoğlu, A., & Onur, M. İ. (2022). Muğla ili Menteşe yöresi orman yangını risk potansiyeli haritasının coğrafi bilgi sistemleri ile belirlenmesi. Geomatik, 7(1), 10–16. https://doi.org/10.29128/geomatik.791545
36. Alkayış, M. H., Karslıoğlu, A., & Onur, M. İ. (2022). Muğla ili Menteşe yöresi orman yangını risk potansiyeli haritasının coğrafi bilgi sistemleri ile belirlenmesi. Geomatik, 7(1), 10–16. https://doi.org/10.29128/geomatik.791545
37. White, J. C., Saarinen, N., Kankare, V., Wulder, M. A., Hermosilla, T., Coops, N. C., … Vastaranta, M. (2018). Confirmation of post-harvest spectral recovery from Landsat time series using measures of forest cover and height derived from airborne laser scanning data. Remote Sensing of Environment, 216, 262–275. https://doi.org/https://doi.org/10.1016/j.rse.2018.07.004
38. White, J. C., Saarinen, N., Kankare, V., Wulder, M. A., Hermosilla, T., Coops, N. C., … Vastaranta, M. (2018). Confirmation of post-harvest spectral recovery from Landsat time series using measures of forest cover and height derived from airborne laser scanning data. Remote Sensing of Environment, 216, 262–275. https://doi.org/https://doi.org/10.1016/j.rse.2018.07.004
39. Hislop, S., Haywood, A., Jones, S., Soto-Berelov, M., Skidmore, A., & Nguyen, T. H. (2020). A satellite data driven approach to monitoring and reporting fire disturbance and recovery across boreal and temperate forests. International Journal of Applied Earth Observation and Geoinformation, 87, 102034. https://doi.org/https://doi.org/10.1016/j.jag.2019.102034
40. Hislop, S., Haywood, A., Jones, S., Soto-Berelov, M., Skidmore, A., & Nguyen, T. H. (2020). A satellite data driven approach to monitoring and reporting fire disturbance and recovery across boreal and temperate forests. International Journal of Applied Earth Observation and Geoinformation, 87, 102034. https://doi.org/https://doi.org/10.1016/j.jag.2019.102034
41. Zhang, P., Hu, X., Ban, Y., Nascetti, A., & Gong, M. (2024). Assessing Sentinel-2, Sentinel-1, and ALOS-2 PALSAR-2 Data for Large-Scale Wildfire-Burned Area Mapping: Insights from the 2017–2019 Canada Wildfires. Remote Sensing, 16(3), 556. https://doi.org/10.3390/rs16030556
42. Zhang, P., Hu, X., Ban, Y., Nascetti, A., & Gong, M. (2024). Assessing Sentinel-2, Sentinel-1, and ALOS-2 PALSAR-2 Data for Large-Scale Wildfire-Burned Area Mapping: Insights from the 2017–2019 Canada Wildfires. Remote Sensing, 16(3), 556. https://doi.org/10.3390/rs16030556
43. Tuzcu Kokal, A., Tırmanoğlu, B., İsmailoğlu, İ., & Musaoğlu, N. (2023). Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü / arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu. Geomatik, 8(1), 79–90. https://doi.org/10.29128/geomatik.1126685
44. Tuzcu Kokal, A., Tırmanoğlu, B., İsmailoğlu, İ., & Musaoğlu, N. (2023). Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü / arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu. Geomatik, 8(1), 79–90. https://doi.org/10.29128/geomatik.1126685
45. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile Bulut Tabanlı Orman Yangın Analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707
46. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile Bulut Tabanlı Orman Yangın Analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707