AI Summary & Key Takeaways
AI InsightRF achieved 96.04% overall accuracy and a Kappa coefficient of 0.920, with a 95% Wilson confidence interval of 90.26–98.45%.
📌 3 Key Takeaways
Abstract
This study assessed the spatial impacts of the wildfire that began in Karabük, Türkiye, on 23 July 2025 using Sentinel-2 imagery and Random Forest (RF) classification. NDVI and NBR were calculated for pre- and post-fire periods, together with dNDVI, dNBR, and RdNBR to characterize spectral changes. dNDVI represented vegetation change, while dNBR was used to map burn severity. Seven spectral predictors were incorporated into an RF model to distinguish burned from unburned areas. The reference dataset included 400 visually interpreted samples, equally divided between the two classes. To reduce spatial autocorrelation between training and test data, samples were partitioned using 2 × 2 km blocks, yielding 299 training and 101 test samples. The dNBR classification assigned 83.12% of the study area to the unburned/very low severity class, 8.40% to low severity, 4.38% to moderate-low severity, and 4.10% to the combined moderate-high/high severity class. RF achieved 96.04% overall accuracy and a Kappa coefficient of 0.920, with a 95% Wilson confidence interval of 90.26–98.45%. RdNBR (24.35%) and dNBR (23.12%) together accounted for 47.47% of total variable importance. These findings support the use of spectral change indices and spatially validated RF classification for identifying wildfire-affected areas. However, RF accuracy applies only to the binary burned/unburned classification; the dNBR severity classes were not validated against independent field observations.
Özet
Orman yangınlarının neden olduğu ekolojik etkilerin hızlı ve güvenilir biçimde belirlenmesi, yangın sonrası değerlendirme ve izleme çalışmaları açısından önem taşımaktadır. Bu çalışmada, 23 Temmuz 2025 tarihinde Karabük’te meydana gelen orman yangınının mekânsal etkilerinin Sentinel-2 uydu görüntüleri ve makine öğrenmesi yöntemleri kullanılarak belirlenmesi amaçlanmıştır. Yangın öncesi ve sonrası görüntülerden NDVI ve NBR ile bunların zamansal değişimini temsil eden dNDVI, dNBR ve RdNBR indeksleri hesaplanmıştır. dNDVI vejetasyon değişiminin, dNBR ise yangın şiddetinin mekânsal dağılımının belirlenmesinde kullanılmıştır. Yanmış ve yanmamış alanların sınıflandırılması için yedi spektral değişkene dayalı Random Forest (RF) modeli oluşturulmuştur. Referans veri seti, 200 yanmış ve 200 yanmamış olmak üzere toplam 400 örnekten oluşturulmuştur. Mekânsal otokorelasyonun doğruluk tahminleri üzerindeki etkisini azaltmak amacıyla örnekler 2 × 2 km mekânsal bloklar temelinde ayrılmış; model 299 örnekle eğitilmiş ve eğitimden ayrı tutulan bloklardaki 101 örnekle test edilmiştir. dNBR sonuçlarına göre çalışma alanının %83.12’si yanmamış/çok düşük şiddet, %8.40’ı düşük, %4.38’i orta ve %4.10’u yüksek şiddet sınıfında yer almıştır. RF modeli test veri kümesinde %96.04 genel doğruluk ve 0.920 Kappa katsayısı sağlamış; genel doğruluğun %95 güven aralığı %90.26–98.45 olarak hesaplanmıştır. Değişken önem analizinde RdNBR (%24.35) ve dNBR (%23.12) en yüksek katkıyı sağlayarak toplam önemin %47.47’sini oluşturmuştur. Sonuçlar, diferansiyel spektral indekslerin ve mekânsal blok tabanlı doğrulamayla desteklenen RF sınıflandırmasının yangından etkilenen alanların belirlenmesinde etkili olabileceğini göstermektedir. Bununla birlikte, dNBR tabanlı yangın şiddeti sınıflarının bağımsız saha verileriyle doğrulanmamış olması çalışmanın temel sınırlılıklarından biridir.