Orman Yangın Alanlarında Arazi ve Toprak Örtüsündeki Değişimlerin İzlenmesi

Yıl 2025, Cilt: 6 Sayı: 1, 96 - 118, 26.03.2025

Betül Kırımlıoğlu , Esra Tunç Görmüş

Öz

Ormanlar, dünyamızın en büyük doğal zenginliklerinden biri olup ekosistemin dengesinde önemli bir rol oynamaktadır. Uzaktan algılama teknolojilerinin gelişmesiyle orman yangının yol açtığı hasar ve buna bağlı olarak meydana gelen zamansal değişimler daha hızlı ve etkili bir şekilde izlenebilmektedir. Bu çalışmada 2019 Haziran ile 2020 Mayıs tarihleri arasında gerçekleşen Avustralya orman yangınından en çok etkilenen Sidney şehrinden yanan alan seçilmiştir. Yangın öncesi ve sonrası Landsat 8 uydu görüntüleri kullanılarak kontrollü sınıflandırma işlemi ile hasar tespiti yapılmış ve farklı bantların yangın hasarını belirlemedeki etkinliği eşik yöntemleri (Otsu, Tsai, Kapur, Kittler) kullanılarak incelenmiştir. Bunun yanı sıra Yanmış Alan İndeksi (BAI), arazi örtüsünde (NDVI, NDMI, NDBI, EVI, LAI, SAVI) toprak örtüsünde (BSI, LST, SMI, SSI) ve topraktaki mineraller (CM, IOR, FM, Fe+3, Fe+2) üzerindeki etkisi de detaylı bir şekilde incelenmiştir. Sonuç olarak, yangının ciddi zarar verdiğini, bitkilerin yok olmasıyla çıplak toprak örtüsünün ortaya çıktığını ve arazi yüzey sıcaklığının arttığı gözlenmiştir. Bu durum, toprak nem oranının ve tuzluluğunun azalmasına sebep olmuştur. Bitkilerin yeniden canlanmasında önemli bir etken olan demir seviyesinde yangından sonra artış yaşanmıştır. Bu çalışma, yangının etkilerini ve doğanın kendini yenileme sürecinin uzaktan algılama yöntemleri ile başarılı bir şekilde izlenebileceğini göstermektedir.

Anahtar Kelimeler

Orman yangını, Uzaktan algılama, Hasar tespiti, Arazi ve toprak örtüsü indeksleri, Zamansal değişim

Monitoring Changes in Land and Soil Cover in Forest Fire Areas

Öz

Forests are among the world's greatest natural resources and play a vital role in maintaining ecosystem balance. With the development of remote sensing technologies, the damage caused by forest fires and the temporal changes that follow can be monitored more quickly and effectively. In this study, a region in the city of Sydney, which was most affected by the Australian bushfire between June 2019 and May 2020, was selected. Damage detection was performed using Landsat 8 satellite images before and after the fire through a supervised classification process, and the effectiveness of different bands in determining fire damage was examined using threshold methods (Otsu, Tsai, Kapur, Kittler). In addition, the effect of fire on Burned Area Index (BAI), land cover (NDVI, NDMI, NDBI, EVI, LAI, SAVI), soil cover (BSI, LST, SMI, SSI) and soil minerals (CM, IOR, FM, Fe+3, Fe+2) were also studied in detail. The results showed that the fire caused serious damage, with the destruction of vegetation resulting in the appearance of bare soil and an increase in land surface temperature. This resulted in a decrease in soil moisture content and salinity. After the fire, an increase in iron levels, which is a crucial factor in plant regeneration, was observed. This study demonstrates the effects of fire and the process of regeneration of nature.

Anahtar Kelimeler

Forest fire, Remote sensing, Damage assessment, Land and soil cover indices, Temporal changes

Kaynakça

• Anadolu Ajansı. (2023). Dünyada son 10 yılda yaklaşık 82 milyon hektar ormanlık alan yandı. https://www.aa.com.tr/tr/dunya/dunyada-son-10-yilda-yaklasik-82-milyon-hektar-ormanlik-alan-yandi/2954614
• Algancı, U., Sertel, E., & Örmeci, C. (2010, May 31–June 4). Forest fire damage estimation using remote sensing and GIS [Symposium presentation]. 30th EARSeL Symposium - Remote Sensing for Science, Education, and Natural and Cultural Heritage, Paris, France.
• Al-Khaier, F. (2003). Soil salinity detection using satellite remote sensing [Master’s thesis, University of Twente]. ITC Publications. https://essay.utwente.nl/104064/
• Aslan, E., Yılmaz, K., & Demir, Ö. F. (2016). Bitlis yöresi topraklarının kil minerali ve toprak özellikleri ilişkileri. Çukurova Tarım Gıda Bilişimi Dergisi, 31(3), 201–206.
• Aydın, M., Ugiş, A., Akkuzu, E., & Ünal, S. (2017). Orman yangınlarının su kaynakları üzerindeki etkileri. Kastamonu Üniversitesi Orman Fakültesi Dergisi, 17(4), 554–564. https://doi.org/10.17475/kastorman.369008
• Bilgili, E. (2014). Orman yangınlarının orman ekosistemleri üzerindeki etkileri. 25 Nisan 2021’de https://www.ktu.edu.tr/dosyalar/ormankoruma_213b0.pdf adresinden alındı.
• Boegh, E., Soegaard, H., Broge, N., Hasager, C., Jensen, N., Schelde, K., & Thomsen, A. (2002). Airborne multi-spectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 81(2–3), 179–193.
• Canlı, K. (2010). Küresel ısınmanın orman ekosistemine etkisi. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 1(2), 86–96.
• Certini, G. (2005). Effects of fire on properties of forest soils: A review. International Journal of Wildland Fire, 14(3), 429–442. https://doi.org/10.1007/s00442-004-1788-8
• Chandler, C. C., Cheney, P., Thomas, P., Trabaud, L., & Williams, D. (1983). Fire in forestry. Volume 1: Forest fire behavior and effects. John Wiley & Sons.
• Chen, W., Liu, L., Zhang, C., Wang, J., & Pan, Y. (2004, September 20–24). Monitoring the seasonal bare soil areas in Beijing using multitemporal TM images [Symposium presentation]. 2004 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Anchorage, AK, USA.
• Chuvieco, E., Martin, M. P., & Palacios, A. (2002). Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination. International Journal of Remote Sensing, 23(23), 5103–5110.
• Çepel, N. (1975). Orman yangınlarının mikroklima ve toprak özellikleri üzerine yaptığı etkiler. İstanbul Üniversitesi Orman Fakültesi Dergisi, 25(1), 71–93.
• 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.
• Demir, T. (2009). Ankara Üniversitesi açık ders notları malzemeleri: Demir minerali. 12 Nisan 2021’de https://acikders.ankara.edu.tr/pluginfile.php/205632/mod_resource/content/0/11.HAFTA.pdf adresinden alındı.
• Demirci, R., Güvenç, U., & Kahraman, H. T. (2014). Görüntülerin renk uzayı yardımıyla ayrıştırılması. İleri Teknoloji Bilimleri Dergisi, 3(1), 1–8.
• Demir, Z., & Kıdıl, F. (2020). Orman yangın alanlarının uzaktan algılama yöntemleriyle tespiti [Bitirme çalışması, Karadeniz Teknik Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği]. Trabzon.
• De Santis, A., & Chuvieco, E. (2007). Burn severity estimation from remotely sensed data: Performance of simulation versus empirical models. Remote Sensing of Environment, 108, 422–435. https://doi.org/10.1071/WF05097
• Dogan, H. (2009). Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing. Journal of Earth System Science, 118, 701–710.
• EOS Data Analytics Inc. (2020). NDMI (Normalleştirilmiş Fark Nem İndeksi). 11 Mayıs 2021’de https://eos.com/make-an-analysis/ndmi/ adresinden alındı.
• Fernandes, P. M., & Botelho, H. S. (2003). Fire behavior and severity in Mediterranean-type ecosystems: Implications for fire management. Fire Ecology Journal, 25(2), 55–65.
• Firo. (2012, 26 Ocak). Topraktaki Demir Mineralleri. 21 Mart 2021’de https://www.firochromis.com/?p=944 adresinden alındı.
• Gao, B. C. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266.
• Ghazali, M. F., Wikantika, K., & Harto, A. B. (2019). Generating soil salinity, soil moisture, soil pH from satellite imagery and its analysis. Information Processing in Agriculture, 7(2), 264–306. https://doi.org/10.1016/j.inpa.2019.08.003
• Gibbons, P., Lindenmayer, D. B., & Soderquist, T. (2020). Ecological impacts of fire in Australian forests: A review. Forest Ecology and Management, 307, 23–37.
• Hatfield, J. L., Kanemasu, E. T., Asrar, G., Jackson, R. D., Pinter, P. J. Jr., Reginato, R. J., & Idso, S. B. (1985). Leaf area estimates from spectral measurements over various planting dates of wheat. International Journal of Remote Sensing, 6, 167–175.
• Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309.
• Huete, A. R., Liu, H., Batchily, K., & van Leeuwen, W. (1997). A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 59(3), 440–451.
• Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83, 195–213.
• Hunt, G. (1977). Spectral signatures of particulate minerals in the visible and near infrared. Geophysics, 42(2), 401–413.
• Kapur, J. N., Sahoo, P. K., & Wong, A. K. C. (1985). A new method for gray-level picture thresholding using the entropy of the histogram. Graphical Models and Image Processing, 29, 273–285.
• Kayman, Ö. (2015). Spektral indekslerin arazi örtüsü/kullanımı sınıflandırmasına etkisi: İstanbul, Beylikdüzü ilçesi arazi kullanımı değişimi [Yüksek lisans tezi, İstanbul Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
• Key, C. H., & Benson, N. C. (2006). Landscape assessment (LA): Sampling and analysis methods. In D. C. Lutes, R. E. Keane, J. F. Caratti, C. H. Key, N. C. Benson, S. Sutherland, & L. J. Gangi (Eds.), Firemon: Fire Effects Monitoring and Inventory System (pp. LA1–LA51). USDA Forest Service, Rocky Mountain Research Station.
• Khaneghah, A. R. N. (2016). Estimating land surface temperature (LST) using ENVI5.3: Landsat8. https://www.youtube.com/watch?v=GG2b74vkEfI
• Kılıçaslan, M., Tanyeri, U., & Demirci, R. (2018). Renkli görüntüleri için tek boyutlu histogram. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6, 1094–1107.
• Kittler, J., & Illingworth, J. (1986). Minimum error thresholding. Pattern Recognition, 19, 41–47.
• Lopez Garcia, M., & Caselles, V. (1991). Mapping burns and natural reforestation using thematic mapper data. Geocarto International, 6, 31–37.
• Neary, D. G., Klopatek, C. C., DeBano, L. F., & Ffolliott, P. F. (1999). Fire effects on belowground sustainability: A review and synthesis. Forest Ecology and Management, 122, 51–71.
• NİK Sistem. (2020). Landsat-8 teknik özellikler. https://www.nik.com.tr/content_sistem_uydu.asp?id=49
• Otsu, N. (1979). A threshold selection method from gray level histogram. IEEE Transactions on System, Man and Cybernetics, SMC-9(1), 62–66.
• Partheepan, S., Sanati, F., & Hassan, J. (2024). Bushfire severity modelling and future trend prediction across Australia: Integrating remote sensing and machine learning. arXiv. https://doi.org/10.48550/arXiv.2410.02963
• Pashaei, H. M., & Aksoy, T. (2022). Arazi örtüsünün mekânsal ve zamansal olarak değişiminin yer yüzey sıcaklığına olan etkisinin uzaktan algılama yöntemi ile belirlenmesi, İstanbul Pendik ilçesi örneklemi. GSI Journals Serie C: Advancements in Information Sciences and Technologies (AIST, 5(2), 1–22.
• Reynard-Callanan, J., Pope, G., Gorring, M., & Feng, H. (2010). Effects of high-intensity forest fires on soil clay mineralogy. Physical Geography, 31(5), 407–422. https://doi.org/10.2747/0272-3646.31.5.407
• Robichaud, P. R. (2000). Fire effects on soil properties and processes. Fire Ecology Journal, 5(1), 23–36.
• Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973, December 10–14). Monitoring vegetation systems in the Great Plains with ERTS (Earth Resources Technology Satellite)[ Symposium presentation]. 3rd Earth Resources Technology Satellite Symposium, Washington, D.C.
• Rowan, L. C., & Mars, J. C. (2003). Lithologic mapping in the Mountain Pass, California area using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data. Remote Sensing of Environment, 84, 350–366.
• Rulli, M. C., & Rosso, R. (2007). Soil erosion and water retention following forest fires in Mediterranean ecosystems. Environmental Management, 40(2), 189–203.
• 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. https://doi.org/10.21324/dacd.511688
• Sannigrahi, S., Pilla, F., Basu, B., Basu, A. S., Sarkar, K., Chakraborti, S., Joshi, P. K., Zhang, Q., Wang, Y., Bhatt, S., Bhatt, A., Jha, S., Keesstra, S., & Roy, P. S. (2020). Examining the effects of forest fire on terrestrial carbon emission and ecosystem production in India using remote sensing approaches. Science of The Total Environment, 725, Article 138331. https://doi.org/10.1016/j.scitotenv.2020.138331
• Segal, D. (1982, December 6). Theoretical basis for differentiation of ferric-iron bearing minerals using Landsat MSS data [Conference presentation]. International Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX, USA.
• Serra-Burriel, F., Delicado, P., Prata, A. T., & Cucchietti, F. M. (2021). Estimating heterogeneous wildfire effects using synthetic controls and satellite remote sensing. Remote Sensing of Environment, 265, Article 112649. https://doi.org/10.1016/j.rse.2021.112649
• Sezgin, M. (2002). İmge eşikleme yöntemlerinin başarım değerlendirmesi ve tahribatsız muayenede kullanımı [Doktora tezi, İstanbul Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
• Singh, S., Singh, H., Sharma, V., Shrivastava, V., Kumar, P., Kanga, S., Sahu, N., Meraj, G., Farooq, M., & Singh, S. K. (2021). Impact of forest fires on air quality in Wolgan Valley, New South Wales, Australia—A mapping and monitoring study using Google Earth Engine. Forests, 13(1), Article 4. https://doi.org/10.3390/f13010004
• Tsai, W. H. (1985). Moment-preserving thresholding: A new approach. Graphical Models and Image Processing, 19, 377–393.
• Tonbul, H. (2015). Uydu görüntü verileri kullanılarak orman yangın şiddeti ve yangın sonrası son durumun zamansal olarak incelenmesi: Akdeniz örneği [Yüksek lisans tezi, İstanbul Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
• Wang, J., & Qu, J. J. (2007). A method for estimating soil moisture with thermal infrared remote sensing. Remote Sensing of Environment, 108(4), 477–484. https://doi.org/10.1016/j.rse.2007.01.008
• Weng, Q., Lu, D., & Schubring, J. (2004). Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment, 89(4), 467–483.
• Xu, H., Chen, J., He, G., Lin, Z., Bai, Y., Ren, M., Zhang, H., Yin, H., & Liu, F. (2024). Immediate assessment of forest fire using a novel vegetation index and machine learning based on multi-platform, high temporal resolution remote sensing images. International Journal of Applied Earth Observation and Geoinformation, 134, Article 104210. https://doi.org/10.1016/j.jag.2024.104210
• Yıldız, D., & Özgüler, H. (2021). Kuraklık, orman yangınları ve ekosistem dengesi. 30 Mart 2021’de https://www.hidropolitikakademi.org/uploads/editor/images/Kurakl%C4%B1k%20Orman%20Yang%C4%B1nlar%C4%B1%20ve%20Ekosistem%20Dengesi%20.pdf adresinden alındı.
• Yıldız, H., Mermer, A., Ünal, E., & Akbaş, F. (2012). Türkiye bitki örtüsünün NDVI verileri ile zamansal ve mekansal analizi. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 21(2), 50–56.
• Yılmaz, B., Demirel, M., & Bektaş Balçık, F. (2022). Yanmış alanların Sentinel-2 MSI ve Landsat-8 OLI ile tespiti ve analizi: Çanakkale/Gelibolu orman yangını. Doğal Afetler ve Çevre Dergisi, 8(1), 76–86.
• Yılmaz, K. (1984). Adana, Seyhan, Berdan ve Göksu ovalarında yaygın olarak bulunan bazı toprak serilerindeki kil minerallerinin X-ışınları difraksiyonu yöntemi ile kantitatif analizi [Yüksek lisans tezi, Çukurova Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
• Yüksel, K. (2022). Evaluation of different remote sensing indices in detection of forest burned area: A case study of 2022 Mersin (Gülnar) wildfire. ArtGrid—Journal of Architecture Engineering and Fine Arts, 4(2), 160–171.
• Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583–594. https://doi.org/10.1080/01431160304987