REMOTE SENSING AND ARTIFICIAL NEURAL NETWORK-BASED APPROACHES FOR ECOLOGICAL RESTORATION OF BURNED FOREST AREAS

Yıl 2025, Cilt: 7 Sayı: 1, 54 - 64, 30.06.2025

Ayşegül Kaplan Taş , Ahmet Benliay

https://doi.org/10.53784/peyzaj.1706704

Öz

Accurately determining the spatial distribution, direction, and intensity of fire damage in forest ecosystems after a fire event is of great importance in terms of both time efficiency and practical reliability for damage assessment. With the contribution of technology, the methods used in this assessment have become faster and possess a high degree of accuracy. By effectively utilizing remote sensing technologies and accurately processing the data obtained from these sources, artificial neural network systems can significantly contribute to the preservation of sustainability. Moreover, this approach is more efficient than traditional and time-consuming on-site observation methods. From past to present, various satellite images have been utilized as an analytical method for the urgent detection of forest fires and the damage they cause, as well as the development of action plans. In national and international studies, the usability of data obtained from spectral indices such as NDVI, LAI, and SAVI has been demonstrated as an effective approach. Among these indices, the widespread use of NDVI and related indices is particularly noteworthy.

Anahtar Kelimeler

Forest fire , remote sensing systems , spectral index , artificial neural networks

YANMIŞ ORMAN ALANLARININ EKOLOJİK RESTORASYONU İÇİN UZAKTAN ALGILAMA VE YAPAY SİNİR AĞLARI KULLANIMINA DAYALI YAKLAŞIMLAR

Öz

Orman ekosistemlerinde meydana gelen yangın tahribatından sonra yangının mekânsal olarak dağılımı, yönü ve şiddetinin doğru belirlenerek hasar tespiti çalışmasının yapılması zaman ve uygulama güvenirliği bakımından oldukça önemlidir. Bu tespit sırasında kullanılan yöntemlerin güvenirliliği ve uygulamada sağlamış olduğu hız, teknolojinin de etkisiyle oldukça yüksektir. Uzaktan algılama teknolojileri ve bu kaynaktan gelen verilerin doğru işlenmesi yapay sinir ağları sistemlerinin etkin kullanımını sağlayarak sürdürülebilirliğin korunmasına doğrudan katkı sağlar. Bununla beraber geleneksel ve uzun süren yerinde gözlem metodundan daha etkilidir. Geçmişten günümüze, orman yangınları ve bunun sebep olduğu tahribatın ivedi tespiti ve eylem planlarının ortaya konmasında farklı uydu görüntüleri bir analiz yöntemi olarak kullanılırken; ulusal ve uluslararası farklı çalışmalarda NDVI, LAI, SAVI gibi spektral indekslerle elde edilen verilerin bir yöntem olarak kullanılabilirliği ortaya konmuştur. Bu indeksler içinde NDVI ve buna bağlı indekslerin yaygın kullanımı göze çarpmaktadır.

Anahtar Kelimeler

Orman yangını , uzaktan algılama sistemleri , spektral indeks , yapay sinir ağları

Kaynakça

• Akın, E., Şahin, M., E. (2023). Derin Ögrenme ve Yapay Sinir Ağı Modelleri Üzerine Bir İnceleme. EMO Bilimsel Dergi 2024, 14(1), 27-37.
• Aksoy, B., Çakmak, B., Kumbasar, N. (2023). Muğla Wildfires Burn Severity and Vegetation Difference Analysis with Remote Sensing Techniques. In 2023 31st Signal Processing and Communications Applications Conference, SIU
• Ba, R., Song, W., Li, X., Xie, Z., Lo, S. (2019). Integration of Multiple Spectral Indices and a Neural Network for Burned Area Mapping Based on MODIS Data. Remote Sensing, 11(1), 326.
• Benliay, A., Yılmaz, T., Olgun, R., Ak, M. K. (2020). NDVI indicated changes in vegetation and their relations to climatic comfort factors in Demre-Akçay Sub basin, Turkey. Journal of Environmental Biology, 41(2, Special Issue), 344–350.
• Bilgili, E., Küçük, Ö., Sağlam B., Coşkuner, K. A. (2021). Büyük Orman Yangınları: Sebepleri, Organizasyonu ve İdaresi. Orman Yangınları Sebepleri, Etkileri, İzlenmesi, Alınması Gereken Önlemler Ve Rehabilitasyon Faaliyetleri. Türkiye Bilimler Akademisi, Ankara.
• Brown, J.F., Wardlow, B., Tadesse, T., Hayes, M.J., Ve Reed, B.C. (2008). The Vegetation Drought Response Index (Vegdrı): A New Integrated Approach For Monitoring Drought Stress in Vegetation. GIScience and Remote Sensing, 45(1),16-46.
• Bulut, F., Ş. (2024). Burned Forest Area Mapping From Post-Fire Sentinel-2 Imagery Using Object-Based Machine Learning Classification. Graduate School of Science and Engineering of Hacettepe University, Department of Geomatics Engineering, Master of Science, 78 p.
• Certini, G. (2005). Effects of fire on properties of forest soils: a review. Oecologia, 143(1), 1–10.
• Chuvieco E., Aguado I., Jurdao S., Pettinari M. L., Yebra, M., Salas, J., Hantson, S., Riva, J., Ibarra, P., Rodrigues, M., EcheverrİA, M., Azqueta, D., RomaN, M. V., BastarrikA, A., Martı´nez, S., Recondo, C., Zapico, E., Martı´nez-Vega, F. J., 2014. ntegrating geospatial information into fire risk assessment. International Journal of Wildland Fire, 23, 606-619.
• Çelik, M. A., Ve Karabulut, M. (2017). Uydu Tabanlı Kuraklık İndisi (SVI) Kullanılarak Yarı Kurak Akdeniz İkliminde (Kilis) Buğday Bitkisinin Kurak Koşullara Verdiği Tepkinin İncelenmesi. Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 15(1):111-130
• Çelik, M., Ö., Fidan, D., Ulvi, A., Yakar, M. (2023). Akdeniz bölgesi’ndeki orman yangınlarının uzaktan algılama ve coğrafi bilgi sistemleri kullanılarak değerlendirilmesi: Mersin ili Silifke ilçesi örneği. Anadolu Orman Araştırmaları Dergisi, 9(2), 116-125.
• Çiçekli, S., Y. (2024). Kentsel Alanlarda Arazi Kullanım ve Arazi Örtüsü Belirleme Çalışmalarında Spektral İndekslerin Kullanılması: Ceyhan İlçe Merkezi Örneği, Karamanoğlu Mehmetbey Üniversitesi Mühendislik ve Doğa Bilimleri Dergisi, 6(1), 51-61.
• Dali, N., I., B. (2018). Fire severity and post-fire generation using Landsat NDVI, NBR and SAVI (Undergraduate thesis, Universiti Teknologi MARA). Faculty of Architecture, Planning and Surveying. 72p. FAO, (2006). Food and Agriculture Organization of the United Nations, 2006. Fire management: Global assessment 2006, FAO Forestry Paper 151.
• Geraci, G., Lopez-Perez, D., Benzaghta, M., Chatzinotas, S. (2022). Integrating terrestrial and non-terrestrial networks: 3d opportunities and challenges, IEEE Communications Magazine.
• Gill, A. M., Stephens, S. L., Cary, G., J., 2013. The worldwide “wildfire” problem. Ecological Applications, 23(2), 438–454.
• Gülci, S., Gülci, N.,Yüksel, K. (2019). Monitoring water surface area and land cover change by using Landsat imagery for Aslantaş Dam Lake and its vicinity. Journal of the Institute of Science and Technology. 9(1), 100-110
• Gündoğdu, K. S. (2018). Buğday ekili parsellerde NDVI değerlerinin konumsal ve zamana bağlı değişiminin belirlenmesi. KSÜ Tarım ve Doğa Dergisi, 21(4), 492–499.
• Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1-6.
• Kavgacı, A., Tavşanoğlu, Ç. (2010). Akdeniz Tipi Ekosistemlerde Yangın Sonrası Vejetasyon Dinamiği. Turkish Journal of Forestry, 11(2), 149-166.
• Kaya, Y. (2020). Çok bantlı uydu görüntüleri kullanılarak buğday bitkisinin incelenmesi–Ceylanpınar TİGEM örneği. Harran Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 73 s.
• Moharir, K., Singh, M., Pande, C., B., Singh, S. K., Gelete, G. (2024). Mapping forest fire-affected areas using advanced machine learning techniques in Damoh district of Central India. Knowledge-based Engineering and Sciences, 5(1), 62–80.
• Nugroho, H., Sari, D., K., Baihaqi, T. (2024). Detection of land drought using Landsat imagery on the Google Earth Engine platform for forest fire mitigation. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 12(1).
• OGM (2025). https://www.ogm.gov.tr/tr/e-kutuphane-sitesi/mevzuat-sitesi/Tebligler.
• Oturanç, S., Y. (2025). Bitki Örtüsü İndeksleri Kullanılarak Bitki Örtüsü Yoğunluklarının Araştırılması: Karatepe-Aslantaş Milli Parkı Örneği. KSÜ Mühendislik Bilimleri Dergisi, 28(1), 129-137.
• Öncü, G., Çorumluoğlu, Ö. (2023). Determination of spatial distribution of damage intensity of Tınazlı-Izmir forest fire using remote sensing indexing techniques. International Journal of Environment and Geoinformatics, 10(2), 151–158.
• Özdarıcı Ok, A. (2014). Yüksek Mekansal Çözünürlüklü Uydu Görüntülerinden Otomatik Ağaç Tespiti Yeni Bir Yaklaşım, V. Uzaktan Algılama-CBS Sempozyumu (UZAL-CBS 2014), İstanbul
• Pausas, J. G., Keeley, J. E. (2009). A burning story: the role of fire in the history of life. BioScience, 59(7), 593–601.
• Pettorelli N, Ryan S, Mueller T, Bunnefeld N, Jedrzejewska B, Lima M, Kausrud K. (2011). The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate Research 46, 15-27.
• Polat, N., ve Kaya, Y. (2021). Çok Bantlı Uydu Görüntüleriyle Orman Yangınlarında Hasar Tespiti. Bartın Orman Fakültesi Dergisi, 23(1), 172-181.
• Safi, Y., Bouroumi, A. (2013). Prediction of Forest Fires Using Articial Neural Networks, Applied Mathematical Sciences, 7(6), 271-286.
• Soydan, O, Benliay, A. (2020a). Kentsel Alanlardaki Bitki Örtüsünün Belirlenmesinde Yapay Sinir Ağları Ve Uzaktan Algılama Teknolojilerinin Kullanımı. Online Journal of Art & Design. 8(4), 234-258.
• Soydan, O, Benliay, A. (2020b). Determination of The Relationship of The Lıghting Element and Floor Material Used in Landscape Design Using Artifıcial Neural Network Analysis. 355-370.
• Turner, M., G. (1989). Landscape ecology: the effect of pattern on process. Annual Review of Ecology and Systematics, 20, 171–197.
• Turner, M., G., Romme, W. H., Gardner, R. H., Hargrove, W., W. (2001). Effects of fire size and pattern on early succession in Yellowstone National Park. Ecological Monographs, 67(4), 411–433.
• URL 1, https://metergroup.com/education-guides/the-researchers-complete-guide-to-leaf-area-index-lai/ Erişim tarihi:02.06.2024
• URL 2, https://www.usgs.gov/landsat-missions/landsat-soil-adjusted-vegetation-index Erişim tarihi: 18.05.2025.
• URL 3. https://blog.google/intl/en-au/company-news/technology/monitoring-wildlife-with-ai/?utm_source=chatgpt.com. Erişim tarihi: 25.05.2025
• URL 4. https://alertcalifornia.org/technology/ ?utm_source=chatgpt.com. Erişim tarihi: 25.05.2025 Wang, J., Song,W., Wang,W., Zhang, Y., Liu, S. (2011). A new algorithm for forest fire smoke detection based on modis data in heilongjiang province. In Proceedings of the 2011 International Conference on Remote Sensing, Environment and Transportation Engineering (RSETE), Nanjing, China, 24–26 June 2011; s5–8.
• Wang, X., Yan, J., Tian, Q., Li, X., Tian, J., Zhu, C., Li, Q. (2023). Estimation of Forest Fire Burned Area by Distinguishing Non-Photosynthetic and Photosynthetic Vegetation Using Triangular Space Method. Remote sensing
• Wang, Z., Yang, P., Liang, H., Zheng, C., Yin, J., Tian, Y., Cui, W. (2022). Semantic Segmentation And Analysis On Sensitive Parameters Of Forest Fire Smoke Using Smokeunet And Landsat-8 Imagery. Remote Sensing, 14(1), 45.
• Ya’acob, N., Jamil, I. A. A., Aziz, N. F. A., Yusof, A. L., Kassim, M., & Naim, N. F. (2022). Hotspots Forest Fire Susceptibility Mapping for Land Use or Land Cover using Remote Sensing and Geographical Information Systems (GIS). In IOP Conference Series: Earth and Environmental Science (Vol. 1064, No. 1, p. 012029). IOP Publishing.
• Yıldız, C., Çömert, R., Tanyaş, H., Yılmaz, A., Akbaş, A., Akay, S. S., Yetemen, Ö., Görüm, T. (2023). The effect of post-wildfire management practices on vegetation recovery: Insights from the Sapadere fire, Antalya, Türkiye. Frontiers in Earth Science, 11, Article 1174155.
• Yücer, E. (2023). Sentinel-2 MSI ve Landsat-9 OLI uydu görüntüleriyle yanmış alanların tespiti: 2022 Muğla/Marmaris orman yangını. KSÜ Mühendislik Bilimleri Dergisi, 26(4), 866–880.
• Zheng, S., Cheng, P., Weixing, G., Xiangjun, W., Zou. (2022). A Highly Accurate Forest Fire Prediction Model Based on an Improved Dynamic Convolutional Neural Network. Applied Sciences.