Analysis of Forest Fire Severity Using The Google Earth Engine and Geographical Information Systems: Hatay-Belen Case Study

Year 2021, , 1519 - 1532, 01.06.2021

Osman Salih Yılmaz , Mehmet Serdar Oruç , Ali Murat Ateş , Fatih Gülgen

https://doi.org/10.21597/jist.817900

Cited By: 9

Abstract

The causes of forest fires in Turkey can be grouped under four main groups such as arson (intentional), carelessness and negligence, natural and unknown fires. Especially the Mediterranean and Aegean regions are the places most affected by these fires. According to the data obtained from the General Directorate of Forestry (OGM), between 1988 and 2019, 4.91 ha forest area was burned per fire only in Hatay. Especially satellite technologies developed in recent years and Remote Sensing (UA) techniques are widely used in the detection of forest fires. In this study, fire severity maps were produced on the Google Earth Engine Platform (GEE) by using the UA method for the forest fire that broke out in the Belen district of Hatay on 09.10.2020. For this purpose, Sentinel-2A (L2A) satellite images dated 04.07.2020 before the fire and 12.10.2020 after the fire were used. The burning severity was graded using the Normalized Differenced Vegetation Index (NDVI), Normalized Burned Ratio (NBR) and NBR differences, Difference Normalized Burned Ratio (dNBR). In addition, elevation, slope, and aspect maps were produced with Geographical Information Systems (GIS) and forest fire was analysed in terms of topographic factors. High burning severity was observed in 50 ha area where the altitude was between 200 - 300 m, in 36 ha area where the slope is more than 30% and in 35 ha area in the eastward. As a result of the analysis, the area with high burning severity in the study area has been calculated as 90.94 ha in total.

Keywords

Hatay, Remote sensing, geographic information systems, NBR - dNBR, NDVI, Google Earth Engine

Orman Yangın Şiddetinin Google Earth Engine ve Coğrafi Bilgi Sistemleri Kullanarak Analizi: Hatay-Belen Örneği

Abstract

Türkiye'de orman yangınlarının nedenlerini kundaklama (bilerek yangın çıkarma), dikkatsizlik ve ihmal, doğal ve faili meçhul olmak üzere dört ana grup altında toplamak mümkündür. Özellikle Akdeniz ve Ege bölgelerimiz bu yangınlardan en çok etkilenen bölgelerdir. Orman Genel Müdürlüğü’nden (OGM) alınan verilere göre 1988 – 2019 yılları arasında sadece Hatay'da yangın başına 4.91 ha ormanlık alan yanmıştır. Orman yangınları tespitinde özellikle son yıllarda gelişen uydu teknolojileri ile Uzaktan Algılama (UA) teknikleri oldukça yaygın kullanılmaktadır. Bu çalışmada Sentinel-2A 09.10.2020 tarihinde Hatay’ın Belen ilçesinde çıkan orman yangını için UA yöntemi kullanılarak Google Earth Engine Platformunda (GEE) yangın şiddeti haritaları üretilmiştir. Bu amaçla yangın öncesi 04.07.2020 ve yangın sonrası 12.10.2020 tarihli Sentinle-2A (L2A) uydu görüntüleri kullanılmıştır. Normalize Edilmiş Vejetasyon İndeksi (Normalized Differenced Vegetation Index, NDVI), Normalize Edilmiş Yanma Şiddeti (Normalized Burned Ratio, NBR) ve NBR farklarından Fark Normalize Edilmiş Yanma Şiddeti (Difference Normalized Burned Ratio, dNBR) kullanılarak yanma şiddeti derecelendirilmiştir. Ayrıca Coğrafi Bilgi Sistemleri (CBS) ile yükselti, eğim ve bakı haritaları üretilerek orman yangını topografik faktörler yönünden analiz edilmiştir. Yüksekliğin 200 – 300 m arasında olduğu 50 ha alanda, eğimin %30’dan fazla olduğu 36 ha alanda ve doğu bakıda 35 ha alanda yüksek yanma şiddeti görülmüştür. Analizler sonucu çalışma alanında, yüksek yanma şiddeti bulunan toplam alan 90.94 ha olarak hesaplanmıştır.

Keywords

Hatay, uzaktan algılama, coğrafi bilgi sistemleri, NBR - dNBR, NDVI, Google Earth Engine

References

• Anonim, 2020a. Bitki örtüsü, https://www.belen.bel.tr/bitki-ortusu/ (Erişim Tarihi: 29.01.2021).
• Anonim, 2020b. https://earthengine.google.com (Erişim Tarihi: 22.01.2021).
• Anonim, 2021. https://www.earthdatascience.org/images/courses/earth-analytics/remote-sensing/barc_spectral_response_US_forest_service.png (Erişim Tarihi: 22.01.2021).
• Arekhi M, Goksel C, Balik Sanli F, Senel G, 2019. Comparative Evaluation of the Spectral and Spatial Consistency of Sentinel-2 and Landsat-8 OLI Data for Igneada Longos Forest. ISPRS International Journal of Geo-Information, 8(2): 56.
• Arıcak B, Enez K, Küçük Ö, 2011. Uydu Görüntüsü Kullanarak Yangın Potansiyelinin Belirlenmesi. I. Ulusal Akdeniz Orman ve Çevre Sempozyumu, 26-28 Ekim, Kahramanmaraş.
• Atun R, Kalkan K, Gürsoy Ö, 2020. Determining The Forest Fire Risk with Sentinel-2 Images. Turkish Journal of Geosciences, 1(1): 22–26.
• Bar S, Parida BR, Pandey AC, 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 Sensing Aplications: Society and Environment, 18: 100324.
• Beşli N, Tenekeci E, 2020. Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini. DÜMF Mühendislik Dergisi, 11(3): 899–906.
• Bilgili E, 2014. Orman Koruma Dersi Geçici Ders Notları. Trabzon, 155s. https://teyit.org/wp-content/uploads/2017/01/bilgili-ders-notu-2014.pdf (Erişim Tarihi: 23.01.2021).
• Butt A, Shabbir R, Ahmad SS, Aziz, N, 2015. Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. Egyptian Journal of Remote Sensing and Space Science, 18(2): 251–259.
• Çanakçıoğlu H, 1985. Orman Koruma. İstanbul Üniversitesi Orman Fakültesi Yayınları, İ.Ü. Yayın No: 3315, O.F. Yayın No: 376, s. 486, İstanbul-Türkiye.
• Dong J, Xiao X, Menarguez MA, Zhang G, Qin Y, Thau D, Biradar C, Moore B, 2016. Mapping Paddy Rice Planting Area in Northeastern Asia with Landsat 8 İmages, Phenology-Based Algorithm and Google Earth Engine. Remote Sensing of Environment, 185:142-154.
• Escuin S, Navarro R, Fernández P, 2008. Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images. International Journal of Remote Sensing, 29(4): 1053–1073.
• 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: 18–27.
• Haque MI, Basak R, 2017. Land cover change detection using GIS and remote sensing techniques: A spatio-temporal study on Tanguar Haor, Sunamganj, Bangladesh. Egyptian Journal of Remote Sensing and Space Science, 20(2): 251–263.
• He T, Sun YJ, Xu JD, Wang XJ, Hu CR, 2014. Enhanced land use/cover classification using support vector machines and fuzzy k-means clustering algorithms. Journal of Applied Remote Sensing, 8(1): 083636.
• Karabulut M, Karakoç A, Gürbüz M, Kızılelma Y, 2016. Coğrafi Bilgi Sistemleri Kullanarak Başkonuş Dağında (Kahramanmaraş) Orman Yangını Risk Alanlarının Belirlenmesi. Uluslararası Sosyal Araştırmalar Dergisi, 6(24), 171-179.
• Key CH, Benson NC, 2006. Landscape assessment (LA). In: Lutes, Duncan C.; Keane, Robert E.; Caratti, John F.; Key, Carl H.; Benson, Nathan C.; Sutherland, Steve; Gangi, Larry J. 2006. FIREMON: Fire effects monitoring and inventory system. Gen. Tech. Rep. RMRS-GTR-164-CD. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. p. LA-1-55, 164.
• Khatami R, Mountrakis G, Stehman SV, 2016. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research. Remote Sensing of Environment, 177: 89–100.
• Küçük Ö, Bilgili E, Durmaz BD, 2005. Yangın Potansiyelinin Belirlenmesinde Yanıcı Madde Haritalarının Önemi. Türkiye Ormancılık Dergisi, 6(1): 104–116.
• Kumar L, Mutanga O, 2018. Google Earth Engine Applications Since Inception: Usage, Trends, and Potential. Remote Sensing, 10:1509.
• Kurnaz B, Bayık Ç, Abdikan S, 2019. Determination of Forest Fire Area by Using Satellite Images: Muğla Case. 3rd International Conference on Advanced Engineering Technologies (ICADET), 19-21 September.
• Martinez E, 2003. Remote Sensing Techniques for Land Use Classification, 1–5.
• Mandanici E, Bitelli G, 2016. Preliminary comparison of sentinel-2 and landsat 8 imagery for a combined use. Remote Sensing, 8(12): 1014-2016.
• Nguyen HT, Pearce JM, Harrap R, Barber G, 2012. The application of LiDAR to assessment of rooftop solar photovoltaic deployment potential in a municipal district unit. Sensors, 12(4): 4534–4558.
• O’Brien JJ, Hiers JK, Callaham Jr. MA, Mitchell SRJ, 2008. JackInteractions among overstory structure, seedling life history traits and fire in frequently burned neotropical pine forests Ambio, 37: 542-547.
• OGM, 2019. Ormancılık istatistikleri 2019. https://www.ogm.gov.tr/tr/ormanlarimiz/resmi-istatistikler (Erişim Tarihi: 30.01.2021).
• OGM, 2021. Orman Genel Müdürlüğü 2021 yılı performans programı. Strateji Geliştirme Daire Başkanlığı, Ankara https://www.ogm.gov.tr/tr/duyurular-sitesi/Documents/ORMAN%20GENEL%20M%c3%9cD%c3%9cRL%c3%9c%c4%9e%c3%9c%202021%20YILI%20PERFORMANS%20PROGRAMI%20%c4%b0.pdf (Erişim Tarihi: 22.01.2021).
• Pahlevan N, Chittimalli SK, Balasubramanian SV, Vellucci V, 2019. Sentinel-2/Landsat-8 product consistency and implications for monitoring aquatic systems. Remote sensing of Environment, 220: 19-29.
• Quintano C, Fernández-Manso A, Stein A, Bijker W, 2011. Estimation of area burned by forest fires in Mediterranean countries: A remote sensing data mining perspective. Forest Ecology and Management, 262(8): 1597–1607.
• Rawat JS, Kumar M, 2015. Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India. Egyptian Journal of Remote Sensing and Space Science, 18(1): 77–84.
• Reis M, Dutal H, Abiz B, Tat S, 2016. Determining forest priority areas by using multi-criteria decision making method and geographic information system in Kahramanmaraş, 43–49.
• Rouse Jr JW, Haas RH, Schell JA, Deering DW, 1974. Monitoring Vegetation Systems in the Great Plains with Erts. NASA Spe. Scientific and Technical Information Office, National Aeronautics and Space, 351: 309.
• Sabuncu A, Özener H, 2019. Uzaktan Algılama Teknikleri ile Yanmış Alanların Tespiti: İzmir Seferihisar Orman Yangını Örneği. Doğal Afetler ve Çevre Dergisi, 5(2): 317–326.
• Saylan İH, Cömert R, 2019. Sentinel-2A Ürünlerinin Yanmış Orman Alanlarının Haritalanmasındaki Başarının Araştırılması. Türkiye Uzaktan Algılama Dergisi, 1(1): 08–15.
• Stillwell J, Clarke G, 2004. Applied GIS and spatial analysis. Wiley Online Library, s.406
• Tonbul H, 2015. Uydu Görüntü Verileri Kullanılarak Orman Yangın Şiddeti ve Yangın Sonrası Durumun Zamansal Olarak İncelenmesi: Akdeniz Bölgesi Örneği. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi (Basılmış).
• Weyrer TN, 2011. GIS Based Analysis of the Potential of Solar Energy of Roof Surfaces in Baton Rouge, Louisiana, Carinthia University of Applied Science School of Geoinformation, 2. Bachelor Thesis (Printed), May 2011, s.65.
• Xiong J, Thenkabail PS, Tilton JC, Gumma MK, Teluguntla P, Oliphant A, Congalton RG, Yadav K, Gorelick N, 2017. Nominal 30-m Cropland Extend Map of Continental Africa by Integrating Pixel-Based and Object-Based Algorithms Using Sentinel-2 and Landsat-8 Data on Google Earth Engine. Remote Sensing, 9(10):1065.
• Yiğit A, Uysal M, 2019. Afet yöneti̇mi̇nde uzaktan algilamanin kullanimi. İdRc 2019 İnternational Disaster & Resilience Congress, 26-28 June.
• Yiğit Avdan Z, Uğur A, Cömert R, 2018. Orta Çözünürlüklü Uydu Görüntüleri̇nde Deği̇şi̇m Saptama İle Yanmiş Orman Alanlarin Hari̇talanmasi. VII. Uzaktan Algılama - CBS Sempozyumu, 18-21 Eylül, Eskişehir.
• Yomralıoğlu T, Nişancı R, Uzun B, 2007. Raster tabanlı nominal değerleme yöntemine dayalı arsa-arazi düzenlemesi uygulaması, TMMOB Harita ve Kadastro Mühendisleri Odası 11. Türkiye Harita Bilimsel ve Teknik Kurultayı, 2–6 Nisan.