Affiliation:
1. ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ
Abstract
Yangınların ekosistemleri ve biyolojik çeşitliliği tehdit etmesi nedeniyle, yanan alanların tespiti ve rehabilite çalışmalarının planlanması önemlidir. Uzaktan algılama teknolojileri, arazi örtüsü değişimi ve yanan alanların belirlenmesinde kritik bir rol oynamaktadır. Bu nedenle, uydu görüntüleri ve Google Earth Engine (GEE) kullanarak yanan alanlarının tespit edilmesi ve arazi örtüsündeki değişimin belirlenmesi önemlidir. Çalışmada GEE platformunda uygun kod bloğu geliştirilerek yanan alanların yüksek çözünürlüklü Sentinel-2 uydu görüntüsü ile belirlenmesi amaçlanmıştır. Bu amaçla, çalışma alanının 2020 Eylül ve 2021 Eylül aylarına ait Sentinel-2A uydu görüntülerinden hesaplanan Normalleştirilmiş Fark Bitki Örtüsü İndeksleri (NDVI) farklı eşik değerlerine göre (0.2, 0.3, 0.4, 0.5, 0.6) oluşturulan fark katmanlarından, küresel su yüzeyi verisi maskelenerek arazi örtüsü değişimi ve yanan alanların belirlenmesi için uygun kod bloğu geliştirilmiştir. Çalışma sonucunda, farklı eşik değerlerine sahip yüksek çözünürlüklü uydu görüntüsünde, 0.3 eşik değerinde arazi örtüsü ve yanan alan karışması olmadan kullanılabilecek eşik değeri belirlenmiştir. Elde edilen eşik değerinin alansal büyüklüğü, Moderate Resolution Imaging Spectroradiometer (MODIS) yanan alan verileri ile karşılaştırıldığında %93’ü (68254 hektar) olduğu belirlenmiştir. GEE platformunda Sentinel-2 uydu görüntülerinin geliştirilen kod bloğu kullanılarak, yanan alanlardaki değişikliklerin izlenmesine ve takip edilmesine yardımcı olabileceği önerilmektedir.
Publisher
Turkish Journal of Remote Sensing and GIS
Reference55 articles.
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. Akay, A. E., Podolskaia, E., & Uçar, Z. (2021). Effects of Improving Forest Road Standards on Shortening the Arrival Time of Ground-based Firefighting Teams Accessing to the Forest Fires. European Journal of Forest Engineering, 7(1) , 32-38. doi: 10.33904/ejfe.952174.
3. Alkan Akıncı, H., & Akıncı, H. (2023). Machine learning based forest fire susceptibility assessment of Manavgat district (Antalya), Turkey. Earth Science Informatics, 16(1), 397-414.
4. Amos, C., Petropoulos, G. P., & Ferentinos, K. P. (2019). Determining the use of Sentinel-2A MSI for wildfire burning & severity detection. International Journal of Remote Sensing, 40(3), 905-930.
5. Arıkan, C., Tümer, İ. N., Aksoy, S., & Sertel, E. (2022, June). Determination of burned areas using Sentinel-2A imagery and machine learning classification algorithms. In 4th Intercontinental Geoinformation Days, 2022. Proceedings. (pp. 43-46).
Cited by
4 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献