Journals / Turkish Journal of Forest Science / 2026 / Cilt: 10 Sayı: 1

Effect of topographic factors on fire severity: A dNBR-based spatial analysis (example of Kahramanmaraş, Türkiye)

Topoğrafik faktörlerin yangın şiddetine etkisi: dNBR tabanlı mekânsal bir analiz (Kahramanmaraş, Türkiye örneği)

Hüsna Kazı(Kahramanmaraş Sütçü İmam Üniversitesi)0000-0002-3742-7329
Murat Karabulut(Kahramanmaraş Sütçü İmam Üniversitesi)0000-0002-1456-6908
Muhammet Topuz(Hatay Mustafa Kemal Üniversitesi)0000-0001-5526-3797
Pages
—
Publication Date
2026-03-31
🏛️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)

These findings highlight the critical role of topographic factors in understanding post-fire ecosystem responses and contribute to the literature on the spatial determinants of fire severity by providing a new and holistic perspective, particularly on how multiple topographic interactions shape ecological recovery processes.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Forest fires have been causing increasingly greater losses each year, particularly in conjunction with climate change.
📊
Key Findings & Data:This situation increases vulnerability and makes intervention more difficult.
💡
Conclusion & Impact:These findings highlight the critical role of topographic factors in understanding post-fire ecosystem responses and contribute to the literature on the spatial determinants of fire severity by providing a new and holistic perspective, particularly on how multiple topographic interactions shape ecological recovery processes.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Yangın şiddeti · topoğrafik faktör · dNBR

Abstract

Forest fires have been causing increasingly greater losses each year, particularly in conjunction with climate change. The Mediterranean Basin, where Türkiye is located, lies within a zone highly sensitive to climate change. This situation increases vulnerability and makes intervention more difficult. Especially in the last five years, very severe forest fires have occurred in the region, leading to significant economic losses. Although forest fires have multiple components, the influence of topographic factors on fire severity remains one of the most challenging processes to estimate. In this context, the use of advanced technologies is of great importance. The use of software with high spatial analysis capabilities on satellite imagery enables a more effective analysis of fires and thus facilitates the development of solutions aimed at reducing losses in future potential fire events. In this study, the Difference Normalized Burn Ratio (dNBR) index was employed to determine the spatial distribution of fire severity, and the analysis process was conducted through an integrated application of heat maps and spatial autocorrelation methods to reveal the structural patterns of post-fire effects. The findings of the study indicate that low slope values, dry topographic conditions, and low elevation levels play a decisive role in the increase of fire severity. The effect of the aspect factor, on the other hand, varies depending on other variables. The evaluations demonstrate that the relationship between fire severity and topographic factors has a highly complex structure, and that fire behavior is shaped not by a single variable but by the interaction of multiple topographic parameters (slope, aspect, elevation, TWI). These findings highlight the critical role of topographic factors in understanding post-fire ecosystem responses and contribute to the literature on the spatial determinants of fire severity by providing a new and holistic perspective, particularly on how multiple topographic interactions shape ecological recovery processes.

Özet

Orman yangınları, iklim değişikliği ile birlikte her geçen yıl daha büyük kayıplara neden olmaktadır. Özellikle Türkiye’nin bulunduğu Akdeniz Havzası, iklim değişikliğine karşı hassas bir zonda yer almaktadır. Bu durum, kırılganlığı artırmakta ve müdahaleyi güçleştirmektedir. Özellikle son 5 yılda bölgede çok ciddi orman yangınları yaşanmış ve büyük ekonomik kayıplara neden olmuştur. Orman yangınlarının birçok bileşeni olmakla birlikte topoğrafik faktörlerin yangınların şiddetine etkisi, tahmini en zorlu süreçlerdendir. Özellikle güncel teknolojilerin kullanımı bu bağlamda çok önemlidir. Uydu görüntüleri üzerinde mekânsal analiz yeteneği yüksek programların kullanımı, yangınların analizinin daha iyi yapılmasına sağlayacak ve böylece bir sonraki olası yangınlarda kayıp azaltım yollarına giden çözümler üretilebilecektir. Bu çalışmada, yangın şiddetinin mekânsal dağılımını belirlemek amacıyla Difference Normalized Burn Ratio (dNBR) (Fark Normalize Yanma Oran) indeksi temel alınmış ve analiz süreci, yangın sonrası etkilerin yapısal örüntülerini ortaya koymak üzere ısı yoğunluk haritaları (heatmap) ile mekânsal otokorelasyon yöntemi entegre bir biçimde uygulanmıştır. Çalışmanın bulguları, yangın şiddetinin artışında düşük eğim değerleri, kuru topoğrafik koşullar ve düşük yükselti basamaklarının belirleyici bir rol üstlendiğini ortaya koymaktadır. Bakı faktörünün etkisi ise görece diğer değişkenlere bağlı olarak farklılık göstermektedir. Yapılan değerlendirmeler, yangın şiddeti ile topoğrafik faktörler arasındaki ilişkinin oldukça karmaşık bir yapıya sahip olduğunu ve yangın davranışının tek bir değişkenin etkisiyle değil, birden fazla topoğrafik parametrenin (eğim, bakı, yükselti, TWI) birlikte oluşturduğu koşulların etkileşimiyle şekillendiğini ortaya koymaktadır. Bu bulgular, topoğrafik faktörlerin yangın sonrası ekosistem tepkilerini anlamada kritik bir rol oynadığını ortaya koymakta ve yangın şiddetinin mekânsal belirleyicilerine yönelik literatüre, özellikle çoklu topoğrafik etkileşimlerin ekolojik iyileşme süreçlerini nasıl şekillendirdiğine dair yeni ve bütüncül bir perspektif kazandırmaktadır.

🔖

Cite This Article

Kazı, H., Karabulut, M., Topuz, M. (2026). Effect of topographic factors on fire severity: A dNBR-based spatial analysis (example of Kahramanmaraş, Türkiye). Turkish Journal of Forest Science, Cilt: 10 Sayı: 1. https://doi.org/10.32328/turkjforsci.1845437

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (37)

  1. Alkayış, M. H., Karslıoğlu, A., & Onur, M. İ. (2022). Muğla ili Menteşe yöresi orman yangını risk potansiyeli haritasının coğrafi bilgi sistemleri ile belirlenmesi. Geomatik, 7(1), 10-16.
  2. Avcu, A., & Karabulut, M. (2019). Başkonuş Dağında (Kahramanmaraş) bitki örtüsü dağılışının ekolojik şartlarının CBS kullanılarak incelenmesi. İstanbul Uluslararası Coğrafya Kongresi. İstanbul, Türkiye, 19-31.
  3. Bıçakcı, C., & Yıldız, S. S. (2024). Google Earth Engine ve Coğrafi Bilgi Sistemleri Kullanarak Orman Yangını Şiddetinin Belirlenmesinde Farklı İndekslerin Karşılaştırılması: 2023 Hatay-Belen Yangını Örneği. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(2), 708-719.
  4. Bingöl, B. (2017). Determination of Forest Fire Risk Areas in Burdur Province Using Geographical Information Systems. Turkish Journal of Forest Science, 1(2), 169-182. https://doi.org/10.32328/turkjforsci.319155
  5. Cosun, F., & Karabulut, M. (2009). Kahramanmaraş’ta ortalama, minimum ve maksimum sıcaklıkların trend analizi. Türk Coğrafya Dergisi, (53), 41-50.
  6. Çetin, M. (2025). Orman yangını yönetiminde Google Earth Engine (GEE) ve Python Engine (PE) ile yakıt yükü analizi: Karşılaşılan güçlükler ve sağlanan avantajlar. Journal of Anatolian Geography, 2(1), 63-81.
  7. Davis, P.H. (ed.), (1970). Flora of Turkey and East the Aegean Islands. In H. Demiriz (Eds.), Vol. 3. Edinburgh, Edinburg University Press, 512-518.
  8. Dillon, G. K., Holden, Z. A., Morgan, P., Crimmins, M. A., Heyerdahl, E. K., & Luce, C. H. (2011). Both topography and climate affected forest and woodland burn severity in two regions of the western US, 1984 to 2006. Ecosphere, 2(12), 1-33.
  9. Doygun, H., Kısakürek, S., Erdoğan, N., & Hatipoğlu, I. H. (2014). Kahramanmaraş–Ahir Dağı bitki örtüsü değişiminin uzaktan algılama yöntemi ile incelenmesi, II. Ulusal Akdeniz Orman ve Çevre Sempozyumu, Isparta, Turkey, 22-24.
  10. Duran, C. (2014). Mersin ilindeki orman yangınlarının başlangıç noktalarına göre mekânsal analizi (2001-2013). Ormancılık Araştırma Dergisi, 1(1 A), 38-49.
  11. Eker, Ö., & Abdurrahmanoğlu, D. M. (2018). Orman Yangınlarıyla Mücadele Harcamalarının Analizi: Kahramanmaraş Orman Bölge Müdürlüğü Örneği. Turkish Journal of Forest Science, 2(1), 34-48.
  12. Esen, F., & Avcı, V. (2020). Berit Dağları’nda (Kahramanmaraş) Litolojik ve Jeomorfolojik Faktörlerin Bitki Örtüsünün Dağılışına Etkisi. Gaziantep Üniversitesi Sosyal Bilimler Dergisi, 19(3), 664-685. https://doi.org/10.21547/jss.570568
  13. Estes, B. L., Knapp, E. E., Skinner, C. N., Miller, J. D., & Preisler, H. K. (2017). Factors influencing fire severity under moderate burning conditions in the Klamath Mountains, northern California, USA. Ecosphere, 8(5), e01794.
  14. Fernandes, P. M. (2012). Fire-smart management of forest landscapes in the Mediterranean basin under global change. Landscape and Urban Planning, 110, 175–182. https://doi.org/10.1016/j.landurbplan.2012.10.014.
  15. Geçen, R., & Topuz, M. (2021). Hatay’da 2013-2021 Yılları Arasında Meydana Gelen Orman Yangınlarının Uydu Görüntülerinden Tespiti ve Değerlendirilmesi. Turkish Studies-Social Sciences, 16(6).
  16. Gibson, R., Danaher, T., Hehir, W., & Collins, L. (2020). A remote sensing approach to mapping fire severity in south-eastern Australia using sentinel 2 and random forest. Remote sensing of environment, 240, 111702.
  17. Guria, R., Mishra, M., da Silva, R. M., Mishra, M., & Santos, C. A. G. (2024). Predicting forest fire probability in Similipal Biosphere Reserve (India) using Sentinel-2 MSI data and machine learning. Remote Sensing Applications: Society and Environment, 36, 101311.
  18. Gündoğan, R., Yüksel, A., Akay, A. E., Bozali, N., & Doğan, O. (2008). Arazi Kullanım Planlamasının Erozyon Kontrol Çalışmalarındaki Önemi: Kartalkya Baraj Havzası Örneği. Baraj Havzalarında Ormancılık I. Ulusal Sempozyumu, 29-30.
  19. Harris, L., & Taylor, A. H. (2019). Previous burns and topography limit and reinforce fire severity in a large wildfire. Ecosphere 8: e02019.
  20. Karabulut, M., Karakoç, A., Gürbüz, M., & Kızılelma, Y. (2013). Coğrafi bilgi sistemleri kullanarak Başkonuş dağında (Kahramanmaraş) orman yangını risk alanlarının belirlenmesi. Uluslararası Sosyal Araştırmalar Dergisi, 6(24), 171-179.
  21. Karadaş, G., & Altınkaya, F. (2025). Orman yangını sonrası peyzaj bozulmalarının mekânsal analizi ve restorasyon stratejilerinin geliştirilmesi: Bursa Orhaneli-Harmancık örneği. Turkish Journal of Forest Science, 9(2), 490-504.
  22. Kaynak, T. (2025). Uzaktan Algılama ve CBS Kullanılarak Orman Yangınlarının Etkilerinin Analizi: Taşköprü 2020 Orman Yangını Örneği. Türk Uzaktan Algılama ve CBS Dergisi, 6(2), 168-180.
  23. Liu, H., Shu, L., Liu, X., Cheng, P., Wang, M., & Huang, Y. (2025). Advancements in Artificial Intelligence Applications for Forest Fire Prediction. Forests, 16(4), 704.
  24. Luenam, A., & Puttanapong, N. (2020). Modelling and analyzing spatial clusters of leptospirosis based on satellite-generated measurements of environmental factors in Thailand during 2013-2015. Geospatial Health, 15(2).
  25. Mitsopoulos, I., Chrysafi, I., Bountis, D., & Mallinis, G. (2019). Assessment of factors driving high fire severity potential and classification in a Mediterranean pine ecosystem. Journal of Environmental Management, 235, 266-275.
  26. Moran PAP, (1950). Notes on continuous stochastic phenomena. Biometrika 37:17–23.
  27. Neyişçi, T. (1986). Antalya Doyran yöresi kızılçam (Pinus brutia Ten.) ormanlarından yangınların tarihsel etkileri. Ormancılık Araştırma Enstitüsü Yayınları, Teknik Rapor, 29, 67-91.
  28. Ocak, F., Cesur, F., Ismail, A., & Keklik, S. (2024). Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Kullanılarak Yangın Hasarının ve Yangına Duyarlı Alanların Belirlenmesi: Aydıncık (Mersin) İlçesi Örneği, Türkiye. Doğal Afetler ve Çevre Dergisi, 10(2), 344-364.
  29. Özenen Kavlak, M., Kurtipek, A., & Çabuk, S. N. (2020). Coğrafi Bilgi Sistemleri İle Orman Yangını Risk Haritası Oluşturulması: Ören Örneği. Resilience, 4(1), 33-54. https://doi.org/10.32569/resilience.597887.
  30. Peña-Molina, E., Moya, D., Marino, E., Tomé, J. L., Fajardo-Cantos, Á., González-Romero, J., Lucas-Borja, M. E., & de las Heras, J. (2024). Fire Vulnerability, Resilience, and Recovery Rates of Mediterranean Pine Forests Using a 33-Year Time Series of Satellite Imagery. Remote Sensing, 16(10), 1718. https://doi.org/10.3390/rs16101718.
  31. 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.
  32. Sarıgül, O., & Turoğlu, H. (2020). Kahramanmaraş Şehri Sel ve Taşkınlarının Coğrafi Analizi ve Öngörüler. Journal of Geography(40), 275-293. https://doi.org/10.26650/JGEOG2020-0018
  33. Tavşanoğlu, Ç. (2017). Yangın Coğrafyası: Vejetasyon yangınlarının ve ekolojik sonuçlarının alansal dağılımı. Kebikec: İnsan Bilimleri İçin Kaynak Araştırmalı Dergisi, (43), 289-300.
  34. Yaman, Ş., & Görmüş, E. T. (2025). Sentinel-2 ve Landsat-8 ile bulut tabanlı orman yangın analizi. Geomatik, 10(3), 316-330.
  35. Yılmaz, O. S., Oruç, M. S., Ateş, A. M., & Gülgen, F. (2021). Orman yangın şiddetinin Google Earth Engine ve coğrafi bilgi sistemleri kullanarak analizi: Hatay-Belen örneği. Journal of the Institute of Science and Technology, 11(2), 1519-1532.
  36. Yücer, E. (2023). Sentınel-2 Msı Ve Landsat-9 Olı Uydu Görüntüleriyle Yanmış Alanların Tespiti: 2022 Muğla/Marmaris Orman Yangını. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(4), 866-880.
  37. Yüksel, K. (2022). Yanan Orman Alanı Tespitinde Farklı Uzaktan Algılama İndislerinin Değerlendirilmesi: 2022 Yılı Mersin (Gülnar) Orman Yangını Örneği. ArtGRID-Journal of Architecture Engineering and Fine Arts, 4(2), 160-171.