Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 1

Uzaktan Algılama ve Veri Bilimi Teknikleriyle Orman Yangınları için Meteorolojik Etkilerin İzlenmesi

Monitoring Meteorological Impacts for Forest Fires with Remote Sensing and Data Science Techniques

Mustafa Mutlu Uysal(Balıkesir Orman Bölge Müdürlüğü)0000-0002-2223-7338
Murat Uysal(AFYON KOCATEPE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0001-5202-4387
Sayfa
137–143
Yayın Tarihi
2025-02-07
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Google Colab ortamında veri analizleri yapılarak Orman yangınları ile korelasyonları Evapotranspirasyon -0,57, Rüzgâr hızı 0,20, Nem -0,13, Yağış -0,67, Maksimum sıcaklık 0,29, Minimum sıcaklık 0,24 ve Potansiyel güneş radyasyonu 0,13 olarak tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada uzaktan algılama veri ve teknikleriyle çalışma alanına özgü meteorolojik veri seti oluşturulup Google Colab ortamında python kodları kullanılarak orman yangınları için meteorolojik etkilerin izlenmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Bu noktalar bulunduğu pikseller için değer çıkarımı yapılarak Evapotranpirasyon, Rüzgâr hızı, Toprak nemi, Yağış, Maksimum sıcaklık, Minimum sıcaklık ve Potansiyel güneş radyasyonundan oluşan 2050*8 satır*sütundan oluşan veri seti hazırlanmıştır.
💡
Sonuç & Katkı:Google Colab ortamında veri analizleri yapılarak Orman yangınları ile korelasyonları Evapotranspirasyon -0,57, Rüzgâr hızı 0,20, Nem -0,13, Yağış -0,67, Maksimum sıcaklık 0,29, Minimum sıcaklık 0,24 ve Potansiyel güneş radyasyonu 0,13 olarak tespit edilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:2050 Verileri
⚙️Değişkenler:Uzaktan Algılama · Veri Bilimi · Orman Yangını

Özet

Bu çalışmada uzaktan algılama veri ve teknikleriyle çalışma alanına özgü meteorolojik veri seti oluşturulup Google Colab ortamında python kodları kullanılarak orman yangınları için meteorolojik etkilerin izlenmesi amaçlanmıştır. Bu kapsamda Google Earth Engine Kataloğundan çalışma alanına ait Terra Climate görüntüleri aylık zamansal çözünürlükte indirilerek Arcmap yazlımı ile ön işleme yapılmıştır. Çalışma alanında gerçekleşmiş orman yangını koordinatları ile yangın var/yok noktası oluşturulmuştur. Bu noktalar bulunduğu pikseller için değer çıkarımı yapılarak Evapotranpirasyon, Rüzgâr hızı, Toprak nemi, Yağış, Maksimum sıcaklık, Minimum sıcaklık ve Potansiyel güneş radyasyonundan oluşan 2050*8 satır*sütundan oluşan veri seti hazırlanmıştır. Google Colab ortamında veri analizleri yapılarak Orman yangınları ile korelasyonları Evapotranspirasyon -0,57, Rüzgâr hızı 0,20, Nem -0,13, Yağış -0,67, Maksimum sıcaklık 0,29, Minimum sıcaklık 0,24 ve Potansiyel güneş radyasyonu 0,13 olarak tespit edilmiştir.

Abstract

In this study, it was aimed to create a meteorological data set specific to the study area with remote sensing data and techniques and to monitor the meteorological effects of forest fires by using Python codes in the Google Colab environment. In this context, TerraClimate images of the study area were downloaded monthly from the Google Earth Engine Catalog and pre-processed with Arcmap software. A fire/no fire point was created with the coordinates of the forest fire that occurred in the study area. By extracting values for the pixels where these points are located, a data set consisting of 2050 * 8 rows * columns consisting of Evapotranspiration, Wind speed, Humidity, Precipitation, Maximum temperature, Minimum temperature and Potential solar radiation was prepared. Data analysis was made in the Google Colab environment and correlations with forest fires were calculated and they were found -0.57 for Evapotranspiration, 0.20 for Wind speed, -0.13 for Humidity, -0.67 for Precipitation, 0.30 for Maximum temperature, 0.24 for Minimum temperature and 0.13 for Potential solar radiation.

🔖

Bu Makaleye Atıf Yap

Uysal, M. M., Uysal, M. (2025). Uzaktan Algılama ve Veri Bilimi Teknikleriyle Orman Yangınları için Meteorolojik Etkilerin İzlenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 1, 137–143. https://doi.org/10.35414/akufemubid.1489084

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Alkayış, M.H., Karslioğlu, A. ve Onur, M. İ., 2022. Muğla ili Menteşe yöresi orman yangını risk potansiyeli haritasının coğrafi bilgi sistemleri ile belirlenmesi. Geomatik, 7(1), 10-16. https://doi.org/10.29128/geomatik.791545
  2. Beşli, N. ve Tenekeci, E., 2020. Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 11(3), 899-906 https://doi.org/10.24012/dumf.661925
  3. Çolak, E. ve Sunar, F., 2020. Evaluation of forest fire risk in the Mediterranean Turkish forests: A case study of Menderes region, Izmir. International journal of disaster risk reduction, 45, 101479. https://doi.org/10.1016/j.ijdrr.2020.101479
  4. Kavlak, M. Ö., Kurtipek, A. ve Çabuk, S. N., 2020. Coğrafi Bilgi Sistemleri ile orman yangını risk haritası oluşturulması: Ören örneği. Resilience, 4(1), 33-54. https://doi.org/10.32569/resilience.597887
  5. Küçük, Ö. ve Sağlam, B., 2004. Orman yangınları ve hava halleri. Kastamonu Üniversitesi Orman Fakültesi Dergisi, 4(2), 220-231.
  6. Mohajane, M., Costache, R., Karimi, F., Pham, Q. B., Essahlaoui, A., Nguyen, H. and Oudija, F., 2021. Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area. Ecological Indicators, 129, 107869. https://doi.org/10.1016/j.ecolind.2021.107869
  7. Naderpour, M., Rizeei, H. M. and Ramezani, F., 2021. Forest fire risk prediction: a spatial deep neural network-based framework. Remote Sensing, 13(13), 2513. https://doi.org/10.3390/rs13132513
  8. Novo, A., Fariñas-Álvarez, N., Martínez-Sánchez, J., González-Jorge, H., Fernández-Alonso, J. M. and Lorenzo, H., 2020. Mapping forest fire risk—a case study in Galicia (Spain). Remote Sensing, 12(22), 3705. https://doi.org/10.3390/rs12223705
  9. Sabuncu, A. ve Özener, H., 2019. Uzaktan algılama teknikleri ile yanmış alanların tespiti: İzmir Seferihisar orman yangını örneği. Doğal Afetler ve Çevre Dergisi, 2019; 5(2): 317-326 https://doi.org/10.21324/dacd.511688
  10. Satir, O., Berberoglu, S. and Donmez, C., 2016. Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem. Geomatics, Natural Hazards and Risk, 7(5), 1645-1658. https://doi.org/10.1080/19475705.2015.1084541
  11. Sayad, Y. O., Mousannif, H. ve Al Moatassime, H., 2019. Predictive modeling of wildfires: A new dataset and machine learning approach. Fire safety journal, 104, 130-146. https://doi.org/10.1016/j.firesaf.2019.01.006
  12. Thach, N. N., Ngo, D. B. T., Xuan-Canh, P., Hong-Thi, N., Thi, B. H., Nhat-Duc, H. ve Dieu, T. B., 2018. Spatial pattern assessment of tropical forest fire danger at Thuan Chau area (Vietnam) using GIS-based advanced machine learning algorithms: A comparative study. Ecological informatics, 46, 74-85 https://doi.org/10.1016/j.ecoinf.2018.05.009
  13. Zhang, G., Wang, M. ve Liu, K., 2021. Deep neural networks for global wildfire susceptibility modelling. Ecological Indicators, 127, 107735. https://doi.org/10.1016/j.ecolind.2021.107735
  14. Hacisalihoğlu, M., 2018. Çok kriterli karar analizi ile orman yangını risk haritalarının oluşturulması: Karabük örneği. Yüksek Lisans Tezi, Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü, Zonguldak, 115.
  15. Bilgili, E., Küçük, Ö., Sağlam, B. ve Coşkuner, A. (2021). Orman yangınları: sebepleri, etkileri, izlenmesi, alınması gereken önlemler ve rehabilitasyon faaliyetleri. Prof. Dr. Taşkın KAVZOĞLU (Editör), Türkiye Bilimler Akademisi Yayınları, 3-23. http://dx.doi.org/10.53478/TUBA.2021.039
  16. https://www.ipcc.ch/report/ar6/syr/summaryfor policymakers/(01.04.2024)
  17. https://www.ogm.gov.tr/tr/ekutuphane/ (01.03.2024)
  18. https://tr.wikipedia.org/wiki/Bal%C4%B1kesir (01.03.2024)
  19. https://developers.google.com/earthengine/dataset (01.02.2024)