SavedAdd your journal

Journals / Türkiye Ormancılık Dergisi / 2026 / Cilt: 27

Satellite-Based assessment of burned forest areas: A case of the Çandır forest fire

Uydu görüntüleri ile yanan orman alanının değerlendirilmesi: Çandır orman yangını örneği

Abdurrahman Cankut Göz(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ, ORMAN MÜHENDİSLİĞİ (YL) (TEZLİ))0000-0003-1786-7658
H. Oğuz Çoban(Isparta Uygulamalı Bilimler Üniversitesi Orman fakültesi)0000-0002-4037-4811
Pages
192–202
Publication Date
2026-10-08
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

According to the results, the highest classification accuracies were achieved with the dNBR and dNDVI images generated from Sentinel-2 satellite data, with overall accuracy values of 0.92 and 0.88, respectively, and Kappa values of 0.83 and 0.77.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study aims to identify and assess forest areas affected by the 2021 wildfire in the Çandır Forest Subdistrict using remote sensing data and techniques.
📊
Key Findings & Data:In this context, Normalized Difference Vegetation Index (NDVI) and Normalized Burn Ratio (NBR) spectral indices were derived from pre- and post-fire Landsat-8 and Sentinel-2 satellite images.
💡
Conclusion & Impact:According to the results, the highest classification accuracies were achieved with the dNBR and dNDVI images generated from Sentinel-2 satellite data, with overall accuracy values of 0.92 and 0.88, respectively, and Kappa values of 0.83 and 0.77.
🔬Design:Araştırma Makalesi
📍Scope:2021 Verileri
⚙️Variables:Değişim belirleme · dNBR · dNDVI

Abstract

This study aims to identify and assess forest areas affected by the 2021 wildfire in the Çandır Forest Subdistrict using remote sensing data and techniques. In this context, Normalized Difference Vegetation Index (NDVI) and Normalized Burn Ratio (NBR) spectral indices were derived from pre- and post-fire Landsat-8 and Sentinel-2 satellite images. To quantitatively assess the impact of the fire, the difference between pre- and post-fire index images was calculated to obtain dNDVI and dNBR images. Thresholding was applied to these difference images to identify burned forest areas. Additionally, a supervised classification method was applied to the Landsat-8 and Sentinel-2 images, and thematic maps were generated using the Maximum Likelihood algorithm. According to the results, the highest classification accuracies were achieved with the dNBR and dNDVI images generated from Sentinel-2 satellite data, with overall accuracy values of 0.92 and 0.88, respectively, and Kappa values of 0.83 and 0.77. The overall accuracy values for the dNBR and dNDVI images generated from Landsat-8 satellite data were 0.87 and 0.85, respectively, and the Kappa values were 0.73 and 0.7. In the thematic maps produced by supervised classification, the overall accuracy values for Sentinel-2 and Landsat-8 were 0.88 and 0.85, respectively; the Kappa values were 0.85 and 0.82. Based on the results obtained from different methods, the burned forest area was calculated to be an average of 760 hectares. In conclusion, it has been demonstrated that dNDVI and dNBR images derived from Sentinel-2 and Landsat-8 satellite data have the potential to produce efficient, reliable, and applicable results for identifying burned forest areas and assessing the impact of wildfires.

Özet

Bu çalışmada, 2021 yılında Çandır Orman İşletme Şefliğinde meydana gelen orman yangınında zarar gören orman alanlarının uzaktan algılama veri ve yöntemleriyle belirlenmesi ve değerlendirilmesi amaçlanmıştır. Bu kapsamda, yangın öncesi ve yangın sonrası Landsat-8 ve Sentinel-2 uydu görüntülerinden Normalleştirilmiş Fark Vejetasyon İndeksi (NDVI) ve Normalleştirilmiş Yanma Oranı (NBR) spektral indeksleri üretilmiştir. Yangının etkisini nicel olarak ortaya koymak amacıyla yangın öncesi ve sonrası indeks görüntüleri arasındaki fark alınarak dNDVI ve dNBR görüntüleri elde edilmiştir. Bu fark görüntülerine eşikleme yöntemi uygulanarak yanan orman alanları belirlenmiştir. Ayrıca Landsat-8 ve Sentinel-2 görüntüleri üzerinde kontrollü sınıflandırma yöntemi uygulanmış ve Maximum Likelihood algoritmasıyla tematik haritalar üretilmiştir. Elde edilen sonuçlara göre en yüksek sınıflandırma doğrulukları Sentinel-2 verilerinden üretilen dNBR ve dNDVI görüntülerinde elde edilmiş olup, genel doğruluk değerleri sırasıyla 0.92 ve 0.88, kappa değerleri ise 0.83 ve 0.77 olarak hesaplanmıştır. Landsat-8 verilerinden üretilen dNBR ve dNDVI görüntülerinde ise genel doğruluk değerleri sırasıyla 0.87 ve 0.85, kappa değerleri ise 0.73 ve 0.7 olarak belirlenmiştir. Kontrollü sınıflandırma sonucunda üretilen tematik haritalarda Sentinel-2 ve Landsat-8 için genel doğruluk değerleri sırasıyla 0.88 ve 0.85, kappa değerleri ise 0.85 ve 0.82 olarak bulunmuştur. Farklı yöntemlerden elde edilen sonuçların ortalamasına göre yanan orman alanının büyüklüğü 760 hektar hesaplanmıştır. Sonuç olarak, Sentinel-2 ve Landsat-8 uydu verilerinden elde edilen dNDVI ve dNBR görüntülerinin, yanan orman alanlarının belirlenmesi ve yangın etkisinin değerlendirilmesinde verimli, güvenilir ve uygulanabilir sonuçlar üretme potansiyeline sahip olduğu ortaya konulmuştur.

🔖

Cite This Article

Göz, A. C., Çoban, H. O. (2026). Satellite-Based assessment of burned forest areas: A case of the Çandır forest fire. Türkiye Ormancılık Dergisi, Cilt: 27, 192–202. https://doi.org/10.18182/tjf.1721381

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (49)

  1. Avcı, M., & Korkmaz, M. (2021). Türkiye’de orman yangın sorunu: Güncel bazı konular üzerinde değerlendirmeler. Turkish Journal of Forestry, 22(3), 229-240.
  2. Bereket, H. (2019). Yangın gözetleme kulelerinin konumsal analizi: Isparta Orman Bölge Müdürlüğü örneği. (Yüksek Lisans Tezi, Isparta Uygulamalı Bilimler Üniversitesi, Lisansüstü Eğitim Enstitüsü).
  3. Bhatti, M. T., Gilani, H., Ashraf, M., Iqbal, M. S., & Munir, S. (2024). Field validation of NDVI to identify crop phenological signatures. Precision Agriculture, 25, 2245-2270.
  4. Bilgili, E., Sağlam, B., & Başkent, E. Z. (2001). Yangın amenajmanı planlamalarında yangın tehlike oranları ve coğrafi bilgi sistemleri. Kahramanmaraş Sütçü İmam Üniversitesi Fen ve Mühendislik Dergisi, 4(2), 88-97.
  5. Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, 113(5), 893-903.
  6. Chuvieco, E., & Congalton, R. G. (1989). Application of remote sensing and geographic information systems to forest fire hazard mapping. Remote Sensing of Environment, 29(2),147-159.
  7. Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46.
  8. Congalton, R. G., & Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data Principles and Practices. New York: Lewis Publishers.
  9. Çoban, H. O. (2006). Uydu verileri ile orman alanlarındaki zamansal değişimlerin belirlenmesi (Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü).
  10. Çoban, H. O. (2016). Türkiye’nin yer gözlem uydu sistemleri ve ormancılık uygulamalarında kullanabilirliği. Türkiye Ormancılık Dergisi, 17(1), 99-107.
  11. Çoban, H. O., & Eker, M. (2009). SRTM verileri ile bazı topoğrafik analizler Isparta Orman Bölge Müdürlüğü örneği. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, A(2),76-91.
  12. Çoban, H. O., & Erdin, C. (2020). Forest fire risk assessment using GIS and AHP integration in Bucak Forest Enterprise, Turkey. Applied Ecology and Environmental Research, 18(1), 1567-1583.
  13. Çoban, H. O., & Koç, A. (2008). Sınıflandırma sonrası karşılaştırma tekniği kullanılarak heterojen yapıya sahip ormanlarda zamansal değişimlerin belirlenmesi. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, A(1), 72-84.
  14. Çoban, H. O., Özçelik, R., & Avcı, M. (2014). Monitoring of damage from cedar shoot moth Dichelia cedricola Diakonoff (Lep.: Tortricidae) by multi-temporal Landsat imagery. iForest- Biogeosciences and Forestry, 7(2), 126-131.
  15. Çoban, H. O., & Özdamar, S. (2014). Mapping forest fire in relation to land cover and topographic characteristics. Journal of Environmental Biology, 35(1), 217-224.
  16. De Rigo, D., Libertà, G., Houston Durrant, T., Artés Vivancos, T., & San-Miguel-Ayanz, J. (2017). Forest Fire Danger Extremes in Europe Under Climate Change: Variability and Uncertainty. (Technical Report EUR 28926 EN). https://doi.org/10.2760/13180
  17. Durgun, H., Çoban, H.O., & Eker, M. (2022). İnsansız hava aracıyla elde edilen hava fotoğraflarından kızılçam ağaçlarının çap ve boylarının ölçümü ve gövde hacminin tahmini. Turkish Journal of Forestry, 23(4): 255-26. https:// doi.org/10.18182/tjf.1199567
  18. ESA. (2024). The Sentinel Missions. Paris, Fransa. https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2
  19. Escuin, S., Navarro, R., & Fernandez, P. (2008). Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images. International Journal of Remote Sensing, 29(4), 1053-1073.
  20. Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185-201.
  21. Foody, G.M. (2020). Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment, 239, 111630. https://doi.org/10.1016/j.rse.2019.111630
  22. Gu, D., & Gillespie, A. (1998). Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry. Remote Sensing of Environment, 64(2), 166-175.
  23. Güngöroğlu, C., & Çoban, H. O. (2023). Orman yangın yönetimine farklı bilgi teknolojilerinin entegrasyonu. In A. Kavgacı & M.A. Başaran (Eds.), Orman yangınları, (p.203-224). Ankara: Türkiye Ormancılar Derneği Yayını, Kuban Matbaacılık.
  24. He, K., Shen, X., & Anagnostou, E. N. (2024). A global forest burn severity dataset from Landsat imagery (2003–2016). Earth System Science Data, 16(6), 3061-3080.
  25. IPCC. (2014). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva, Switzerland. https://www.ipcc.ch/site/assets/uploads/2018/05/SYR_AR5_FINAL_full_wcover.pdf IPCC. (2022). Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, UK and New York, NY, USA: Cambridge University Press. https://doi.org/10.1017/9781009325844
  26. Jensen, J. R. (2005). Introductory Digital Image Processing: A Remote Sensing Perspective (3rd Ed.). New Jersey, Prentice Hall.
  27. Key, C. H., & Benson, N. C. (2006). Landscape Assessment: Ground Measure of Severity, the Composite Burn Index; and Remote Sensing of Severity, the Normalized Burn Ratio. 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. Ogden, Utah, USA, USDA Forest Service, Rocky Mountain Research Station, General Techical Reports.
  28. Kızılelma, Y. (2025). Uzaktan Algılama Teknikleriyle Hatay Orman Yangının Analiz Edilmesi. Sosyal Bilimlerde Nicel Araştırmalar Dergisi, 5(2), 180-189.
  29. Koç, A., Yener, H., & Çoban, H. O. (2006a). Landsat ETM+ verilerinde topoğrafik normalizasyonun sınıflandırma doğruluğu üzerindeki etkisi. İstanbul Üniversitesi Orman Fakültesi Dergisi, 56(2), 57-75.
  30. Koç, A., Yener, H., & Çoban, H. O. (2006b). Uydu verilerinde topoğrafik etkinin giderilmesi yöntemleri. İstanbul Üniversitesi Orman Fakültesi Dergisi, 56(2), 31-41.
  31. Koç, A., Çoban, H. O., & Yener, H. (2006c). Değişim belirlemede görüntü farkı ve görüntü oranlama yöntemleri. İstanbul Üniversitesi Orman Fakültesi Dergisi, 56(1), 25-32.
  32. Kurbanov, E., Vorobev, O., Lezhnin, S., Sha, J., Wang, J., Li, X., Cole, J., Dergunov, D. & Wang, Y. (2022). Remote Sensing of Forest Burnt Area, Burn Severity, and Post-Fire Recovery: A Review. Remote Sensing, 14, 4714. https://doi.org/10.3390/rs14194714
  33. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159-174.
  34. Lee, K., van Leeuwen, W.J.D., Gillan, J.K., & Falk, D.A. (2024). Examining the impacts of pre-fire forest conditions on burn, severity using multiple remote sensing platforms. Remote Sensing, 16(10), 1803. https://doi.org/10.3390/rs16101803
  35. Li, R., Gao, X., Shi, F., & Zhang, H. (2023). Scale Effect of Land Cover Classification from Multi-Resolution Satellite Remote Sensing Data. Sensors, 23, 6136, 1-21. https://doi.org/10.3390/s23136136
  36. Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2015). Remote Sensing and Image Interpretation (7th Ed.). New York:Wiley.
  37. Purnama, M. I., Jaya, I.N.S., Syaufina, L., Çoban, H. O., & Raihan, M. (2024). Predicting forest fire vulnerability using machine learning approaches in the Mediterranean Region: A case study of Türkiye. IOP Conference Series: Earth and Environmental Science, 1315(012056).
  38. Richards, J. A. (2022). Supervised classification techniques. In J. Richards (Ed.), Remote Sensing Digital Image Analysis (pp.256-258), Heidelberg, Berlin: Springer.
  39. Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the great plains with ERTS. In Proceeding of 3d ERTS‐1 Symposium (10-14 December, USA, pp.309-317.)
  40. Singh, A. (1989). Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 10(6), 989-1003.
  41. Stehman, S. V., & Czaplewski, R. L., (1998). Design and analysis for thematic map accuracy assessment: Fundamental principles. Remote Sensing of Environment, 64(3), 331-344.
  42. Sunar, F. (2016). Uzaktan algılamada temel kavramlar. In F. Sunar (Ed.), Uzaktan algılama (4. baskı) (pp.2-21). Eskişehir: Anadolu Üniversitesi Yayınları.
  43. Tecuapetla-Gómez, I., Villamil-Cortez, G., & Cruz-López, M. I. (2020). On the potential of BFAST for monitoring burned areas using multi-temporal Landsat-7 images. ArXiv, arXiv:1912.01543. https://doi.org/10.48550/arXiv.1912.01543
  44. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150.
  45. Türkeş, M., & Tolunay, D. (2023). İklim değişikliği ve orman yangınları. In A. Kavgacı & M.A. Başaran (Eds.), Orman yangınları, (p.47-73). Ankara: Türkiye Ormancılar Derneği Yayını, Kuban Matbaacılık.
  46. Yener, H., Koç, A., & Çoban, H. O. (2006). Uzaktan algılama verilerinde sınıflandırma doğruluğunun belirlenmesi yöntemleri. İstanbul Üniversitesi Orman Fakültesi Dergisi, 56(2), 71-88.
  47. Yılmaz, B., Demirel, M., & Balçık Bektaş, 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.
  48. Yomralıoğlu, T. (2000). Coğrafi Bilgi Sistemleri: Temel Kavramlar ve Uygulamalar. İstanbul: Seçil Ofset Matbaası.
  49. Zahabnazouri, S., Belmont, P., David, S., Wigand, P. E., Elia, M., & Capolongo, D. (2025). Detecting burn severity and vegetation recovery after fire using dNBR and dNDVI indices: insight from the bosco difesa grande, gravina in southern Italy. Sensors, 25(10), 3097. https://doi.org/10.3390/s25103097