SavedAdd your journal

Journals / Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi / 2026 / Cilt: 16 Sayı: 2

Evaluation of the intensity of burning in the Mersin-Silifke (2025) forest fires using spectral indices with Sentinel-2 images.

Mersin-Silifke (2025) orman yangınlarında yanma şiddetinin Sentinel-2 görüntüleri kullanılarak spektral indeksler ile değerlendirilmesi

İlter Kutlu Hatipoğlu(SAMSUN ÜNİVERSİTESİ)0000-0002-4529-110X
Pages
—
Publication Date
2026-06-27
🏛️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)

When comparing index performances, it was found that the dNBR and RBR indices produced parallel results, but the soil-corrected dSAVI index showed higher sensitivity to biomass loss.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The rapid and accurate detection of the effects of fires threatening forest ecosystems in the Mediterranean basin is of vital importance for post-fire rehabilitation processes.
📊
Key Findings & Data:In this study, the intensity of forest fires that occurred in Mersin-Silifke in 2025 was analyzed using Sentinel-2 satellite data and a multispectral index approach (dNBR, RBR, dSAVI).
💡
Conclusion & Impact:When comparing index performances, it was found that the dNBR and RBR indices produced parallel results, but the soil-corrected dSAVI index showed higher sensitivity to biomass loss.
🔬Design:Modeling & Simulation
📍Scope:2025 Verileri
⚙️Variables:• Yanma Şiddeti · dNBR · RBR

Abstract

The rapid and accurate detection of the effects of fires threatening forest ecosystems in the Mediterranean basin is of vital importance for post-fire rehabilitation processes. In this study, the intensity of forest fires that occurred in Mersin-Silifke in 2025 was analyzed using Sentinel-2 satellite data and a multispectral index approach (dNBR, RBR, dSAVI). Difference maps obtained by processing pre- and post-fire images were classified according to USGS standards, and spatial changes were calculated. According to the analysis results, a total area of 7933.64 hectares was affected by the fire, and the burn intensity was predominantly concentrated in the “Low” and “Medium-Low” classes. When comparing index performances, it was found that the dNBR and RBR indices produced parallel results, but the soil-corrected dSAVI index showed higher sensitivity to biomass loss. Indeed, while the RBR index could not detect the “Medium-High Severity” class in the field, the soil-corrected dSAVI index showed an area of 658.39 hectares (8.3%) in this class in the same field. dSAVI modeled burn intensity more clearly than dNBR and RBR, especially in areas with maquis formations. In areas with sparse vegetation cover, it is recommended to use different indices that incorporate soil cover, such as dSAVI, rather than relying on a single index.

Özet

Akdeniz havzasındaki orman ekosistemlerini tehdit eden yangınların etkilerinin hızlı ve doğru tespiti, yangın sonrası rehabilitasyon süreçleri için hayati önem taşımaktadır. Bu çalışmada, 2025 yılında Mersin-Silifke’de meydana gelen orman yangınlarının yanma şiddetleri Sentinel-2 uydu verileri ve çoklu spektral indeks yaklaşımı (dNBR, RBR, dSAVI) kullanılarak analiz edilmiştir. Yangın öncesi ve sonrası görüntülerin işlenmesiyle elde edilen fark haritaları, USGS standartlarına göre sınıflandırılmış ve alansal değişimleri hesaplanmıştır. Analiz sonuçlarına göre toplam 7933,64 hektarlık alanın yangından etkilendiği ve yanma şiddetinin ağırlıklı olarak “Düşük” ve “Orta-Düşük” sınıflarında yoğunlaştığı belirlenmiştir. İndeks performansları karşılaştırıldığında dNBR ve RBR indekslerinin birbirine paralel sonuçlar ürettiği, ancak toprak düzeltmeli dSAVI indeksinin biyokütle kaybına karşı daha yüksek duyarlılık gösterdiği tespit edilmiştir. Nitekim RBR indeksi sahada "Orta-Yüksek Şiddet" sınıfını hiç tespit edemezken, toprak düzeltmeli dSAVI indeksi aynı sahada 658,39 hektarlık (%8,3) bir alanı bu sınıfta göstermiştir. dSAVI özellikle maki formasyonunun bulunduğu alanlarda dNBR ve RBR’ye kıyasla yanma şiddetini daha belirgin bir şekilde modellemiştir. Seyrek bitki örtüsüne sahip sahalarda tek bir indekse bağlı kalmak yerine, dSAVI gibi toprak örtüsünü de işin içerisine katan farklı indekslerin de kullanımı önerilmektedir.

🔖

Cite This Article

Hatipoğlu, İ. K. (2026). Evaluation of the intensity of burning in the Mersin-Silifke (2025) forest fires using spectral indices with Sentinel-2 images.. Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, Cilt: 16 Sayı: 2. https://doi.org/10.48146/odusobiad.1872507

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (49)

  1. Abay, E., Sözay, K., Şahin, Ö. C., Temel, R. E., Tarhan, Y., & Mıhçıokur, S. (2022). Küresel iklim değişikliği ve orman yangınları ülke ve dünya etkileri. Sağlık ve Toplum, 32(3), 3–13.
  2. Aksoy, E., & Selim, S. (2024). Burned forest area detection in the Manavgat forest fire using NBR and dNBR indices: Manavgat orman yangınında NBR ve dNBR indeksleri kullanılarak yanmış orman alanlarının tespiti. Journal of International Architectural Sciences, 1(1), 1–11. https://doi.org/10.5281/zenodo.14563064
  3. Atalay, İ. (1994). Türkiye coğrafyası. Ege Üniversitesi Basımevi.
  4. Avcı, M., & Boz, K. (2017). Fire problem, distribution of fires and analysis of important fires in Mersin-Gülnar forests. Turkish Journal of Forestry, 18(2), 160–170. https://doi.org/10.18182/tjf.292769
  5. Chongo, D., Nagasawa, R., Ahmed, A. O. C., & Perveen, M. F. (2007). Fire monitoring in savanna ecosystems using MODIS data: A case study of Kruger National Park, South Africa. Landscape and Ecological Engineering, 3, 79–88. https://doi.org/10.1007/s11355-007-0020-5
  6. Çallı, R., & Özdemir, E. (2025). Burned area detection and analysis with Sentinel-2 satellite imagery: A case study of İzmir wildfires. Türkiye Teknik Bilimler ve İnovasyon Dergisi, 1(1), 24–32.
  7. Çelik, H. E. (2023). Orman yangınlarının erozyon-sel üzerindeki etkileri. İçinde Orman yangınları (ss. 289–301). Türkiye Ormancılar Derneği Yayını.
  8. Çelik, M. Ö., Fidan, D., Ulvi, A., & Yakar, M. (2023). Akdeniz Bölgesi’ndeki orman yangınlarının uzaktan algılama ve coğrafi bilgi sistemleri kullanılarak değerlendirilmesi: Mersin ili Silifke ilçesi örneği. Anadolu Orman Araştırmaları Dergisi, 9(2), 116–125. https://doi.org/10.53516/ajfr.1302553
  9. Çiçekli, S. Y. (2024). Yanmış orman alanlarının uzaktan algılama teknikleri ile araştırılması: Kozan orman yangını örneği. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(2), 503–514. https://doi.org/10.21605/cukurovaumfd.1514595
  10. Çolak, E., & Sunar, F. (2018, 18–21 Eylül). Yüzey sıcaklığı ve spektral yanma indekslerinin orman yangını analizinde kullanımı. VII. Uzaktan Algılama-CBS Sempozyumu (UZAL-CBS 2018), 311–320. https://doi.org/10.15659/uzalcbs2018.6119
  11. Duran, C. (2014). Mersin ilindeki orman yangınlarının başlangıç noktalarına göre mekânsal analizi (2001–2013). Ormancılık Araştırma Dergisi, 1(1A), 38–49. https://doi.org/10.17568/oad.87328
  12. Ertuğrul, M. (2005). Orman yangınlarının dünyadaki ve Türkiye’deki durumu. Bartın Orman Fakültesi Dergisi, 7(7), 43–50.
  13. Escuin, S., Navarro, R., & Fernández, 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. https://doi.org/10.1080/01431160701281072
  14. Eyi, G., & Buğdaycı, İ. (2024). Uzaktan algılama yöntemleri ile yangın şiddetinin tespiti: Yunanistan Rodos Adası orman yangını örneği. Geomatik, 9(3), 348–360. https://doi.org/10.29128/geomatik.1481708
  15. García-Llamas, P., Suárez-Seoane, S., Fernández-Guisuraga, J. M., Fernández-García, V., Fernández-Manso, A., Quintano, C., Taboada, A., Marcos, E., & Calvo, L. (2019). Evaluation and comparison of Landsat-8, Sentinel-2 and Deimos-1 remote sensing indices for assessing burn severity in Mediterranean fire-prone ecosystems. International Journal of Applied Earth Observation and Geoinformation, 80, 137–144. https://doi.org/10.1016/j.jag.2019.04.006
  16. Güler, Ü., & Kalkan, K. (2022). Sentinel-3 verileri ile aktif yangın tespiti ve Sentinel-2 verileri ile doğrulanması. Türk Uzaktan Algılama ve CBS Dergisi, 3(2), 86–97. https://doi.org/10.48123/rsgis.1095460
  17. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-X
  18. İban, M. C., & Şahin, E. (2022). Monitoring burn severity and air pollutants in wildfire events using remote sensing data: The case of Mersin wildfires in summer 2021. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 487–497. https://doi.org/10.17714/gumusfenbil.1008242
  19. Kahyaoğlu, N., Güvendi, E., Ertuğrul, M., & Çakır, G. (2021). Küresel iklim değişikliğinde orman yangınlarının 1988–2020 yılları itibariyle değerlendirilmesi. 4. Uluslararası Üni-Dokap Sempozyumu Küresel İklim Değişikliği ve Dokap Bölgesine Etkileri Bildiriler Kitabı, 165–181.
  20. Karaca, A. C., & Güllü, M. K. (2019). Menderes ilçesindeki orman yangınının süperpiksel bölütleme temelli arama yöntemiyle tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(2), 1061–1076. https://doi.org/10.17341/gazimmfd.460503
  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. https://doi.org/10.32328/turkjforsci.1774187
  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. https://doi.org/10.48123/rsgis.1643526
  23. 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 (Gen. Tech. Rep.; pp. 1–51). USDA Forest Service, Rocky Mountain Research Station.
  24. Kolukırık, S., Arslan, D. A., & Gökalp Yılmaz, G. (2022). Orman yangınlarının toplumsal etkileri ve görünümü: Medya paylaşımlarında 2021 Büyük Antalya-Manavgat Yangını. Afet ve Risk Dergisi, 5(2), 560–580. https://doi.org/10.35341/afet.1086418
  25. Konkathi, P., & Shetty, A. (2019). Assessment of burn severity using different fire indices: A case study of Bandipur National Park. In 2019 IEEE Recent Advances in Geoscience and Remote Sensing: Technologies, Standards and Applications (TENGARSS) (pp. 151–154).
  26. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
  27. Olgun, M. (2024). Silifke’nin (Mersin) “Genel Hayata Etkili Afet Bölgesi” ilan edilmesinin bölgeye etkisi [Yüksek lisans tezi, Çanakkale Onsekiz Mart Üniversitesi]. Çanakkale Onsekiz Mart Üniversitesi Lisansüstü Eğitim Enstitüsü.
  28. Özşahin, E. (2013, 25–27 Eylül). Türkiye’de yaşanmış (1970–2012) doğal afetler üzerine bir değerlendirme. 2. Türkiye Deprem Mühendisliği ve Sismoloji Konferansı.
  29. Parks, S. A., Dillon, G. K., & Miller, C. (2014). A new metric for quantifying burn severity: The relativized burn ratio. Remote Sensing, 6(3), 1827–1844. https://doi.org/10.3390/rs6031827
  30. Parks, S. A., Holsinger, L. M., Voss, M. A., Loehman, R. A., & Robinson, N. P. (2018). Mean composite fire severity metrics computed with Google Earth Engine offer improved accuracy and expanded mapping potential. Remote Sensing, 10(6), Article 879. https://doi.org/10.3390/rs10060879
  31. Polat, N., & Kaya, Y. (2021). Çok bantlı uydu görüntüleriyle orman yangınlarında hasar tespiti. Bartın Orman Fakültesi Dergisi, 23(1), 172–181. https://doi.org/10.24011/barofd.837507
  32. Rouse, J. W., Jr., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation (NASA-CR-132982). NASA.
  33. 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. https://doi.org/10.21324/dacd.511688
  34. Saulino, L., Rita, A., Migliozzi, A., Maffei, C., Allevato, E., Garonna, A. P., & Saracino, A. (2020). Detecting burn severity across Mediterranean forest types by coupling medium-spatial resolution satellite imagery and field data. Remote Sensing, 12(4), Article 741. https://doi.org/10.3390/rs12040741
  35. Saylan, İ. H., & Çömert, R. (2019). Sentinel-2A ürünlerinin yanmış orman alanlarının haritalanmasındaki başarının araştırılması. Turkish Journal of Remote Sensing, 1(1), 8–15. https://izlik.org/JA42NX57JW
  36. Smith, R., Adams, M., Maier, S., Craig, R., Kristina, A., & Maling, I. (2007). Estimating the area of stubble burning from the number of active fires detected by satellite. Remote Sensing of Environment, 109(1), 95–106. https://doi.org/10.1016/j.rse.2006.12.011
  37. Şahan, C., & Kaya, İ. (2022). Türkiye ve Avrupa ülkeleri orman yangınlarının bazı değişkenler açısından değerlendirilmesi. Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, 12(1), 1–14. https://doi.org/10.48146/odusobiad.1013462
  38. Şahin, C., & Sipahioğlu, Ş. (2003). Doğal afetler ve Türkiye. Gündüz Eğitim ve Yayıncılık.
  39. Şahin, H. (2022, 2–3 Aralık). Mersin ilinde 2021 yılında meydana gelen büyük orman yangınlarının değerlendirilmesi. 2. International Congress on Environment, Disaster and Forest, 120–132.
  40. Tonbul, H. (2015). Uydu görüntü verileri kullanılarak orman yangın şiddeti ve yangın sonrası durumun zamansal olarak incelenmesi: Akdeniz Bölgesi örneği [Yayımlanmamış yüksek lisans tezi]. İstanbul Teknik Üniversitesi.
  41. Tonbul, H., Kavzoğlu, T., & Kaya, S. (2016). Assessment of fire severity and post-fire regeneration based on topographical features using multitemporal Landsat imagery: A case study in Mersin, Turkey. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 41, 763–769. https://doi.org/10.5194/isprs-archives-XLI-B8-763-2016
  42. Usta, G. (2023). Afet yönetimi odağında orman yangınlarının değerlendirilmesi. Afet ve Risk Dergisi, 6(1), 18–35. https://doi.org/10.35341/afet.1090658
  43. Venkatesh, K., Preethi, K., & Ramesh, H. (2020). Evaluating the effects of forest fire on water balance using fire susceptibility maps. Ecological Indicators, 110, Article 105856. https://doi.org/10.1016/j.ecolind.2019.105856
  44. Veraverbeke, S., & Hook, S. J. (2013). Evaluating spectral indices and spectral mixture analysis for assessing fire severity, combustion completeness and carbon emissions. International Journal of Wildland Fire, 22(5), 707–720. https://doi.org/10.1071/WF12168
  45. Viedma, O., Almeida, D. R. A., & Moreno, J. M. (2020). Postfire tree structure from high-resolution LiDAR and RBR Sentinel 2A fire severity metrics in a Pinus halepensis-dominated burned stand. Remote Sensing, 12(21), Article 3554. https://doi.org/10.3390/rs12213554
  46. Yaman, Ş., & Tunç Görmüş, E. (2025). Sentinel-2 ve Landsat-8 ile bulut tabanlı orman yangın analizi. Geomatik, 10(3), 316–330. https://doi.org/10.29128/geomatik.1603707
  47. Yıldırım, O., Günay, F. B., & Yağanoğlu, M. (2023). Makine öğrenmesi yöntemleriyle orman yangını tahmini. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(3), 1468–1481. https://doi.org/10.21597/jist.1249908
  48. Yılmaz, B., Demirel, M., & Balçık, 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.
  49. Yüksel, K. (2022). Yanan orman alanı tespitinde farklı uzaktan algılama indislerinin değerlendirilmesi: 2022 yılı Mersin (Gülnar) orman yangını örneği. ArtGRID - Journal of Architecture Engineering and Fine Arts, 4(2), 160–171. https://doi.org/10.57165/artgrid.1179074