DETERMINING BURNED AREAS USING DIFFERENT THRESHOLD VALUES OF NDVI WITH SENTINEL-2 SATELLITE IMAGES ON GEE PLATFORM: A CASE STUDY OF MUĞLA PROVINCE

Öz

Remote sensing technologies play a critical role in detecting land cover change and burned areas. Therefore, it is aimed to utilize satellite imagery and the Google Earth Engine (GEE) platform for the identification of burned areas and assessment of land cover changes (LULC). This study used the code block in the GEE platform to detect burned areas using high-resolution Sentinel-2 satellite imagery. The study focused on the province of Muğla, and the Normalized Difference Vegetation Index (NDVI) was calculated from Sentinel-2A satellite images for September 2020 and September 2021. Different threshold values (0.2, 0.3, 0.4, 0.5, 0.6) were applied to the different layers created from the dNDVI (Differenced Normalized Difference Vegetation Index) layers, and it was masked in the Global Water Surface dataset, to determine land cover changes and burned areas. The study results were compared with the Moderate Resolution Imaging Spectroradiometer (MODIS) burned area data. As a result, a threshold value of 0.3 was determined for the high-resolution satellite imagery, which can be used to identify land cover changes and burned areas without the interference of mixed pixels. The determined threshold value covered 82.77% (46966.44 hectares) of the area identified by the MODIS satellite. The used code block, utilizing Sentinel-2 satellite imagery within the GEE platform, not only successfully detected changes in burned areas but also holds promise as an effective tool for monitoring and tracking such changes.

Anahtar Kelimeler

• GIS
• forest fire
• remote sensing
• spatial analysis

GEE PLATFORMUNDA SENTİNEL-2 UYDU GÖRÜNTÜLERİ İLE NDVI FARKLI EŞİK DEĞERLERİ KULLANILARAK YANMIŞ ALANLARIN BELİRLENMESİ: MUĞLA İLİ ÖRNEĞİ

Öz

Uzaktan algılama teknolojileri, arazi örtüsü değişimi ve yanan alanların belirlenmesinde kritik bir rol oynamaktadır. Bu nedenle yanan alanların tespiti ve arazi örtüsü değişikliklerinin değerlendirilmesi (LULC) amacıyla uydu görüntülerinden ve Google Earth Engine (GEE) platformundan faydalanılması amaçlanmaktadır. Bu çalışmada, yüksek çözünürlüklü Sentinel-2 uydu görüntüleri kullanılarak yanmış alanların tespiti için GEE platformundaki kod bloğu kullanılmıştır. Çalışmada Muğla ili odaklı olup Eylül 2020 ve Eylül 2021 tarihlerine ait Sentinel-2A uydu görüntülerinden Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI) hesaplanmıştır. Farklı Normalleştirilmiş Fark Bitki Örtüsü İndeksi (dNDVI) katmanlarından oluşturulan farklı katmanlar, arazi örtüsü değişikliklerini ve yanmış alanları belirlemek için küresel su yüzeyi veri setinde maskelendi. Çalışma sonuçları, Orta Çözünürlüklü Görüntüleme Spektroradiometresi (MODIS) yanmış alan verileriyle karşılaştırıldı. Sonuç olarak, karışık piksellerin müdahalesi olmadan arazi örtüsü değişikliklerinin ve yanan alanların tespitinde kullanılabilecek yüksek çözünürlüklü uydu görüntüleri için 0.3 eşik değeri belirlendi. Belirlenen eşik değer, MODIS uydusu tarafından belirlenen alanın %82.77'sini (46966.44 hektar) kapsamaktadır. GEE platformunda Sentinel-2 uydu görüntülerinden yararlanılarak kullanılan kod bloğu, yalnızca yanan alanlardaki değişiklikleri başarıyla tespit etmekle kalmıyor, aynı zamanda bu değişikliklerin izlenmesi ve takibi için etkili bir araç olarak da umut vaat etmektedir.

Anahtar Kelimeler

• CBS
• orman yangını
• uzaktan algılama
• mekansal analiz

Kaynakça

1. Abdikan, S., Bayik, C., Sekertekin, A., Bektas Balcik, F., Karimzadeh, S., Matsuoka, M., Balik Sanli, F., 2022. Burned area detection using multi-sensor SAR, optical, and thermal data in Mediterranean pine forest. Forests, 13, (2), 347. doi:10.3390/f13020347.
2. Agrillo, E., Filipponi, F., Pezzarossa, A., Casella, L., Smiraglia, D., Orasi, A., Attorre, F., Taramelli, A., 2021. Earth observation and biodiversity big data for forest habitat types classification and mapping. Remote Sensing, 13, 1231. doi:10.3390/rs13071231.
3. Akyürek, Ö., 2023. Türkiye’deki 2000–2021 Yılları Arasındaki Bitki Örtüsü Yangınlarının Mekânsal Analizi. Turkish Journal of Remote Sensing and GIS, 4, (1), 33-46. doi:10.48123/rsgis.1179051.
4. Al-hasn, R., Almuhammad, R., 2022. Burned area determination using Sentinel-2 satellite images and the impact of fire on the availability of soil nutrients in Syria. Journal of Forest Science, 68, (3), 96-106. doi:10.17221/122/2021-JFS.
5. Altan, G., Türkeş, M., Tatlı, H., 2011. Çanakkale ve Muğla 2009 yılı orman yangınlarının Keetch-Byram Kuraklık İndisi ile klimatolojik ve meteorolojik analizi. In 5th Atmospheric Science Symposium Proceedings Book, İstanbul, Turkey, p.274.
6. Atmiş, E., Tolunay, D., Erdönmez, C., 2023. Orman Yangınlarının Sayısal Analizi. In: Orman Yangınları (Eds., Kavgacı, A. & Başaran, M.), Türkiye Ormancılar Derneği Yayını, Ankara, pp. 22–45.
7. Atun, R., Kalkan, K., Gürsoy, Ö., 2020. Determining the forest fire risk with Sentinel 2 images. Turkish Journal of Geosciences, 1, 22–26.
8. Babalık, A.A., Yazıcı, N., Dursun, İ., 2018. İklim değişikliği, kuraklık ve Türkiye. Uluslararası Su ve Çevre Kongresi, 22-24 Mart, Bursa, p. 2337.

9. Bo, M., Mercalli, L., Pognant, F., Berro, D.C., Clerico, M., 2020. Urban air pollution, climate change and wildfires: the case study of an extended forest fire episode in northern Italy favoured by drought and warm weather conditions. Energy Reports, (6), 781–786.
10. Boschetti, L., Roy, D., Hoffmann, A.A., Humber, M., 2009. MODIS Collection 5 Burned Area Product-MCD45. User’s Guide, Ver, 2, 1-2.
11. Bowman, D.M., Balch, J.K., Artaxo, P., Bond, W.J., Carlson, J.M., Cochrane, M.A., D’Antonio, C.M., DeFries, R.S., Doyle, J.C., Harrison, S.P., 2009. Fire in the Earth System. Science, 324, (5926), 481-484. doi:10.1126/science.1163886.
12. Brovelli, M.A., Sun, Y., Yordanov, V., 2020. Monitoring forest change in the amazon using multi-temporal remote sensing data and machine learning classification on Google Earth Engine. ISPRS International Journal of Geo-Information, 9, (10), 580. doi:10.3390/ijgi9100580.
13. Catalão, J., Navarro, A., Calvão, J., 2022. Mapping Cork Oak Mortality Using Multitemporal High-Resolution Satellite Imagery. Remote Sensing, 14, (12), 2750. doi:10.3390/rs14122750
14. Çetin, M., Sevik, H., Koc, I., Çetin, I.Z., 2023. The change in biocomfort zones in the area of Muğla province in near future due to the global climate change scenarios. Journal of Thermal Biology, 112, 103434. doi:10.1016/j.jtherbio.2022.103434.
15. Chen, W., Moriya, K., Sakai, T., Koyama, L., Cao, C.X., 2016. Mapping a burned forest area from Landsat TM data by multiple methods. Geomatics, Natural Hazards and Risk, 7, (1), 384-402. doi:10.1080/19475705.2014.925982.
16. 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. doi:10.1080/01431160210153129.
17. Çoban, H.O., Koç, A., 2008. Sınıflandırma sonrası karşılaştırma tekniği kullanılarak heterojen yapıya sahip ormanlarda zamansal değişimlerin belirlenmesi. SDÜ Orman Fakültesi Dergisi, 9, (1), 72-84.
18. Çoban, H.O., Koç, A., Eker, M., 2010. Investigation on changes in complex vegetation coverage using multi temporal Landsat data of Western Black Sea region A case study. Journal of Environmental Biology, 31, (1), 169-178.
19. CORİNE, 2023. Arazi örtüsü sınıfları: Coordination of Information on the Environment https://corine.tarimorman.gov.tr/corineportal/araziortususiniflari.html.Accessed: 25.05.2023.
20. Demir, S., 2023. Google Earth Engine üzerinde Sentinel-2 uydu görüntüleri kullanılarak yanan alanların farklı eşik değerlerinde belirlenmesi. Turkish Journal of Remote Sensing and GIS, 4, (2), 262-275.
21. Dursun, İ., Yazıcı, N., Babalık, A.A., 2018. Çevresel problemlerin Isparta ili ölçeğinde değerlendirilmesi. Uluslararası Su ve Çevre Kongresi, 22-24 Mart, Bursa, Türkiye, p. 2306.
22. Dursun, İ., Babalık, A.A., 2021. De Martonne-Gottman ve Standart Yağış İndeksi yöntemleri kullanılarak kuraklığın belirlenmesi: Isparta ili örneği. Turkish Journal of Forestry, 22, (3), 192-201.
23. FAO, 2015. Global Administrative Unit Layers (GAUL) Level 1: Food and Agriculture Organization of the United Nations. http://www.fao.org/geonetwork/srv/en/metadata.show?id=12691. Accessed: 23.02.2023.
24. Foley, J.A., DeFries, R., Asner, G.P., Barford, C., Bonan, G., Carpenter, S.R., Chapin, F.S., Coe, M.T., Daily, G.C., Gibbs, H.K., 2005. Global Consequences of Land Use. Science, 309, 570e574. doi:10.1126/science.1111772.
25. Gayır, B., Arslan, O., 2018. Orman yangınlarının CBS tabanlı konumsal istatistik analizi: 2011-2015 yılları arasında Muğla orman bölge sınırları içerisinde çıkan yangınlar. Anadolu Orman Araştırmaları Dergisi, 4, (1), 46-62.
26. Google LLC, 2021. Google Earth Engine [Computer software]. https://earthengine.google.com/. Accessed:23.02.2023.
27. Gül, M., 2018. Muğla Çevresi Genel Jeolojisi. In: Muğlada Madencilik: Potansiyeli ve Değerlendirilmesi (Eds., Güler, T., Güney, A. & Polat, E.), TMMOB Maden Mühendisleri odası, Ankara, pp 1–47.
28. Gürbüz, E., 2022. Google Earth Engine ile yangın tahribatının ve sonrası iyileştirme süreçlerinin izlenmesi. VIII. Uzaktan Algılama-CBS Sempozyumu, 17-19 Kasım, Ankara, s. 335-341.
29. JRC, 2016. Global Surface Water Occurrence Version 1.0 (1984-2015): European Commission, Joint Research Centre (JRC). https://global-surface-water.appspot.com/download. Accessed: 23.02.2023.
30. Kavgacı, A., Tolunay, D., Sevgi, O., Tutmaz, V., 2023. Orman Yangınları Terminolojisi. In: Orman Yangınları (Eds., Kavgacı, A. & Başaran, M.), Türkiye Ormancılar Derneği Yayını, Ankara, pp. 1-21.
31. Lacouture, D.L., Broadbent, E.N., Crandall, R.M., 2020. Detecting vegetation recovery after fire in a fire-frequented habitat using normalized difference vegetation index (NDVI). Forests, 11(7), 749. doi:10.3390/f11070749.
32. Lasaponara, R., Abate, N., Fattore, C., Aromando, A., Cardettini, G., Di Fonzo, M., 2022. On the use of Sentinel-2 NDVI time series and Google Earth Engine to detect land-use/land-cover changes in fire-affected areas. Remote Sensing, 14, (19), 4723. doi:10.3390/rs14194723.
33. 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), 489. doi:10.3390/rs11050489.
34. Mandanici, E., Bitelli, G., 2016. Preliminary comparison of sentinel-2 and landsat 8 imagery for a combined use. Remote Sensing, 8, (12), 1014. doi:10.3390/rs8121014.
35. MGM, 2023. Türkiye İklim İstatistikleri: Meteoroloji Genel Müdürlüğü, Ankara. https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-statistik.aspx?m=MUĞLA. Accessed: 23.02.2023.
36. Moayedi, H., Mehrabi, M., Bui, D.T., Pradhan, B., Foong, L.K., 2020. Fuzzy-metaheuristic ensembles for spatial assessment of forest fire susceptibility. Journal of Environmental Management, 260, 109867. doi:10.1016/j.jenvman.2019.109867.
37. Musaoğlu, N., Yanalak, M., Güngöroğlu, C., Özcan, O., 2021. Orman yangınlarının yönetiminde bilgi teknolojilerinin katkıları. In:Orman Yangınları: Sebepleri, Etkileri, İzlenmesi, Alınması Gereken Önlemler ve Rehabilitasyon Teknikleri, (Ed: Kavzaoğlu, T.), Türkiye Bilimler Akademisi, Ankara, pp 1–24.
38. Ngadze, F., Mpakairi, K.S., Kavhu, B., Ndaimani, H., Maremba, M.S., 2020. Exploring the utility of Sentinel-2 MSI and Landsat 8 OLI in burned area mapping for a heterogenous savannah landscape. PLoS One, 15, (5), e0232962.
39. OGM, 2023. Resmi İstatistikler: Orman Genel Müdürlüğü, Ankara. https://www.ogm.gov.tr/tr/e-kutuphane/resmi-istatistikler. Accessed: 02.05.2023.
40. Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V.R., Murayama, Y., Ranagalage, M., 2020. Sentinel-2 data for land cover/use mapping: A review. Remote Sensing, 12, (14), 2291. doi:10.3390/rs12142291.
41. Roca, M., Navarro, G., García-Sanabria, J., Caballero, I., 2022. Monitoring Sand Spit Variability Using Sentinel-2 and Google Earth Engine in a Mediterranean Estuary. Remote Sensing, 14, (10), 2345. doi:10.3390/rs14102345.
42. 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), 4298. doi:10.3390/rs13214298.
43. Sarı, F., 2022. Natural Disaster Risk Assessments for Pine Honey Apiaries in Muğla, Turkey . Doğal Afetler ve Çevre Dergisi, 8, (2), 250-263. doi: 10.21324/dacd.1009499.
44. Sertel, E., Topaloğlu, R.H., Şallı, B., Yay Algan, I., Aksu, G.A., 2018. Comparison of landscape metrics for three different level land cover/land use maps. ISPRS International Journal of Geo-Information, 7, (10), 408. doi:10.3390/ijgi7100408.
45. Sevinç, V., Kücük, O., Göltaş, M., 2020. A Bayesian network model for prediction and analysis of possible forest fire causes. Forest Ecology and Management, 457, 117723. doi:10.1016/j.foreco.2019.117723.
46. Seydi, S.T., Akhoondzadeh, M., Amani, M., Mahdavi, S., 2021. Wildfire damage assessment over Australia using sentinel-2 imagery and MODIS land cover product within the google earth engine cloud platform. Remote Sensing, 13, (2), 220. doi:10.3390/rs13020220.
47. Tolunay, D., 2021. İklim değişikliğiyle yükselen yangın riskine karşı alınabilecek önlemler. 2. Orman Yangınları Çalıştayı, 28 Ağustos, Muğla, pp.74-83.
48. Tonbul, H., 2015. Uydu Görüntü Verileri Kullanılarak Orman Yangın Şiddeti ve Yangın Sonrası Durumun Zamansal Olarak Incelenmesi: Akdeniz Bölgesi Örneği. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 88s, İstanbul.
49. Topaloğlu, R.H., Aksu, G.A., Ghale, Y., Sertel, E., 2022. High-resolution land use and land cover change analysis using GEOBIA and landscape metrics: A case of Istanbul, Turkey. Geocarto International, 37, (25), 9071-9097.
50. Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8, (2), 127-150. doi:10.1016/0034-4257(79)90013-0.
51. Tuncer, B., 2022. Coğrafi Perspektiften Kırsal Turizmin Kırsal Kalkınma Üzerine Etkileri: Muğla Ili Örneği. İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora tezi, 467s, İstanbul.
52. Türkeş, M., Altan, G., 2012. Muğla Orman Bölge Müdürlüğü’ne bağlı orman arazilerinde 2008 yılında çıkan yangınların kuraklık indisleri ile çözümlenmesi. Uluslararası İnsan Bilimleri Dergisi, 9(1), 912-931.
53. Türkeş, M., Tolunay, D., 2023. İklim Değişikliği ve Orman Yangınları. In: Orman Yangınları (Eds., Kavgacı, A. & Başaran, M.), Türkiye Ormancılar Derneği Yayını, Ankara, pp. 46-73.
54. Vanderhoof, M.K., Burt, C., Hawbaker, T.J., 2018. Time series of high-resolution images enhances efforts to monitor post-fire condition and recovery, Waldo Canyon fire, Colorado, USA. International Journal of Wildland Fire, 27(10), 699-713. doi:10.1071/WF17177.
55. Viedma, O., Moreno, J. M., Güngöroglu, C., Cosgun, U., Kavgacı, A., 2017. Recent land-use and land-cover changes and its driving factors in a fire-prone area of southwestern Turkey. Journal of Environmental Management, 197, 719-731. doi:10.1016/j.jenvman.2017.02.074.
56. Walter, H., 1958. Climadiagram used essentially to detect of drought times. – Journal of the Faculty of Forestry, Istanbul University, 8(2), Translator: Selman Uslu.
57. Xu, L., Herold, M., Tsendbazar, N.E., Masiliūnas, D., Li, L., Lesiv, M., Verbesselt, J., 2022. Time series analysis for global land cover change monitoring: A comparison across sensors. Remote Sensing of Environment, 271,112905. doi:10.1016/j.rse.2022.112905.
58. Xulu, S., Mbatha, N., Peerbhay, K., 2021. Burned Area Mapping over the Southern Cape Forestry Region, South Africa Using Sentinel Data within GEE Cloud Platform. ISPRS International Journal of Geo-Information, 10(8), 511. doi:10.3390/ijgi10080511.
59. Yilmaz, O.S., Acar, U, Sanli, F.B., Gulgen, F., Ates, A.M., 2023. Mapping burn severity and monitoring CO content in Türkiye’s 2021 Wildfires, using Sentinel-2 and Sentinel-5P satellite data on the GEE platform. Earth Science Informatics, 16, (1), 221-240.
60. Zhang, H.K., Roy, D.P., Yan, L., Li, Z., Huang, H., Vermote, E., Roger, J.C., 2018. Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences. Remote Sensing of Environment, 215, 482-494. doi:10.1016/j.rse.2018.04.031.