Affiliation:
1. Samsun Üniversitesi
2. Prof. Dr. Necmettin Erbakan Anadolu İmam Hatip Lisesi
Abstract
Akdeniz iklim kuşağında yer alan bir ülke olması sebebiyle Türkiye’de her yıl yüzlerce orman yangını meydana gelmekte ve bu yangınlar birçok zarara sebep olmaktadır. Bu zararın azaltılmasında orman yangınlarını önlemek ne kadar önemliyse yangın tahribatının azaltılması da o denli önemlidir. Dolayısıyla muhtemel bir yangın öncesinde hem erken yangın tespiti ve erken müdahale hem de tahribatın azaltılmasında orman yangınına duyarlı alanlar belirlenmelidir. Bu bağlamda Mersin’in Aydıncık ilçesinde 2021 Temmuz ayında meydana gelen orman yangınının oluşturduğu hasarı tespit etmek ve yangına duyarlı alanları belirlemek için bu çalışma gerçekleştirilmiştir. Çalışmanın ilk bölümünde Uzaktan Algılama (UA) teknikleri ile yangın öncesi-sonrası arasındaki farkı belirlemek için Landsat 8 OLI/TIRS uydu görüntüleri kullanılarak NDVI (Normalize Edilmiş Bitki Örtüsü İndeksi), NBR (Normalize Edilmiş Yanma Şiddeti) ve dNBR (Fark Normalize Edilmiş Yanma Şiddeti) indeksleri hesaplanmıştır. Çalışmanın ikinci bölümünde ise orman yangınına duyarlı alanlar belirlenerek Aydıncık ilçesinin Coğrafi Bilgi Sistemleri (CBS) destekli orman yangını duyarlılık haritası oluşturulmuştur. NDVI indeksine göre 2020 yılında %13,43 olan çıplak arazi ve yerleşmelerin 2021 yılında %23,02’ye yükseldiği, farklı orman yoğunluklarının olduğu alanlarda ise azalma olduğu tespit edilmiştir. dNBR indeks sonuçlarına göre; %27,67’lik bir alanın (12.153,83 ha) yangından orta-yüksek derecede hasar gördüğü ve farklı bitki yoğunluğundaki alanlarda kayıplar olduğu belirlenmiştir. Ayrıca, orman yangını duyarlılık analizine göre sahanın %7,82 çok düşük, %22,46 düşük, %28,65 orta, %28,56 yüksek ve %12,50 oranında çok yüksek duyarlılık gösterdiği tespit edilmiştir.
Publisher
Dogal Afetler ve Cevre Dergisi
Reference70 articles.
1. Abujayyab, S. K. M., Kassem, M. M., Khan, A. A., Wazirali, R. Coşkun, M., Taşoğlu, E., Öztürk, A., & Toprak, F. (2022). Wildfire susceptibility mapping using five boosting machine learning algorithms: the case study of the Mediterranean Region of Turkey. Advances in Civil Engineering, 2022, Article 3959150. https://doi.org/10.1155/2022/3959150
2. Akbulak, C., Tatlı, H., Aygün, G., & Sağlam, B. (2018). Forest fire risk analysis via integration of GIS, RS and AHP: the case of Çanakkale, Turkey. International Journal of Human Science, 15(4), 2127–2143. http://dx.doi.org/10.14687/jhs.v15i4.5491
3. Alkan Akıncı, H., & Akıncı, H. (2023). Machine learning based forest fire susceptibility assessment of Manavgat District (Antalya), Turkey. Earth Science Informatics, 16, 397–414. https://doi.org/10.1007/s12145-023-00953-5
4. Akyürek, Ö. (2024). Orman yangını sonrası oluşan hasarın ve hava kirletici parametrelerin izlenmesi: Çanakkale yangını örneği. Doğal Afetler ve Çevre Dergisi, 10(1), 103-112. https://doi.org/10.21324/dacd.1355463
5. ArcGIS Pro Help, (2024): Data classification methods. 22 Mart 2024’te https://pro.arcgis.com/en/pro-app/latest/help/mapping/layer-properties/data-classification-methods.htm adresinden alındı.