Dergiler / Anadolu Orman Araştırmaları Dergisi / 2026 / Sayı: 13

Orman yangınlarının yüzey koşulları ve biyofiziksel dinamikler üzerindeki etkileri: İzmir ili örneği

Impacts of forest fires on surface conditions and biophysical dynamics: A case study of İzmir province

Çağan Alevkayalı(İZMİR BAKIRÇAY ÜNİVERSİTESİ)0000-0001-7044-8183
Sayfa
—
Yayın Tarihi
2026-10-03
🏛️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)

Bulgular Elde edilen çıktılar yüksek yangın şiddetine sahip alanların özellikle artan termal stres, azalan yüzey nemliliği ve zayıflayan vejetasyon koşulları ile ilişkili örüntüler içerdiğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Giriş ve Hedefler Son yıllarda iklim değişikliğine bağlı sıcaklık artışları uzun süreli kuraklık koşulları ve artan nüfus baskısı nedeniyle Akdeniz ekosistemlerinde orman yangınlarının sıklığı belirgin biçimde artmıştır.
📊
Temel Bulgular & Veri:Bu çalışma Akdeniz iklim kuşağında yer alan İzmir ilinde 2015–2025 yılları arasında meydana gelen orman yangınlarının mekânsal dağılımını, eğilimini, yangın şiddetini ve yangınlarla ilişkili biyofiziksel stres süreçlerini değerlendirmeyi amaçlamaktadır.
💡
Sonuç & Katkı:Bulgular Elde edilen çıktılar yüksek yangın şiddetine sahip alanların özellikle artan termal stres, azalan yüzey nemliliği ve zayıflayan vejetasyon koşulları ile ilişkili örüntüler içerdiğini göstermektedir.
🔬Tür:Araştırma Makalesi
📍Kapsam:2015–2025 Verileri
⚙️Değişkenler:Orman yangınları · yangın şiddeti · vejetasyon sağlık dinamikleri

Özet

Giriş ve Hedefler Son yıllarda iklim değişikliğine bağlı sıcaklık artışları uzun süreli kuraklık koşulları ve artan nüfus baskısı nedeniyle Akdeniz ekosistemlerinde orman yangınlarının sıklığı belirgin biçimde artmıştır. Bu çalışma Akdeniz iklim kuşağında yer alan İzmir ilinde 2015–2025 yılları arasında meydana gelen orman yangınlarının mekânsal dağılımını, eğilimini, yangın şiddetini ve yangınlarla ilişkili biyofiziksel stres süreçlerini değerlendirmeyi amaçlamaktadır. Yöntemler Bu kapsamda gerçekleştirilen uygulamalarda yangınlardan etkilenen alanların belirlenmesi ve yangın öncesi ile sonrası ekosistem koşullarının analiz edilmesi amacıyla Landsat 8–9 OLI görüntülerinden yararlanılmıştır. Yangın şiddetinin belirlenmesinde Fark Normalize Yanma Oranı (dNBR) kullanılmış; yüzey sıcaklığı, vejetasyon sağlığı ve yüzey nemliliğini temsil etmek için sırasıyla Sıcaklık Durum İndeksi (TCI), Vejetsayon Durum İndeksi (VCI) ve Vejetasyon Nemliliği Durum İndeksi (VMCI) hesaplanmıştır. Elde edilen zaman serilerine Mann–Kendall eğilim testi ve Sen'in Eğimi analizi uygulanarak biyofiziksel göstergelerdeki uzun dönemli eğilimler ortaya konulmuştur. Ayrıca dNBR ile TCI, VCI ve VMCI indeksleri arasındaki ilişkilerin belirlenmesinde Spearman korelasyon analizi gerçekleştirilmiştir. Bulgular Elde edilen çıktılar yüksek yangın şiddetine sahip alanların özellikle artan termal stres, azalan yüzey nemliliği ve zayıflayan vejetasyon koşulları ile ilişkili örüntüler içerdiğini göstermektedir. Eğilim analizleri aktif yangın alanlarında biyofiziksel stresin belirgin şekilde arttığını; buna karşılık eski yangın alanlarında ise kısmi ekolojik iyileşme ve vejetasyon toparlanmasının gözlendiği belirlenmiştir. Sonuçlar Bu çalışmada yangınların yalnızca anlık meteorolojik olayların bir sonucu olmadığı aynı zamanda uzun dönemli ekosistem stresi ve yüzey koşullarındaki değişimlerin bir çıktısı olduğu ortaya konulmuştur.

Abstract

Background and Aims In recent decades, climate-driven warming, prolonged drought, and growing population pressure have increased the frequency of forest fires across Mediterranean ecosystems. This study examines the spatial distribution, temporal trends, fire severity, and associated biophysical stress processes of forest fires in İzmir Province, a Mediterranean-climate region of Türkiye, during 2015–2025. Methods Landsat 8–9 OLI imagery was used to delineate burned areas and characterize ecosystem conditions before and after fire events. We quantified fire severity using the differenced Normalized Burn Ratio (dNBR). The Temperature Condition Index (TCI), Vegetation Condition Index (VCI), and Vegetation Moisture Condition Index (VMCI) were calculated to characterize surface thermal conditions, vegetation status, and surface moisture, respectively. Mann–Kendall trend tests and Sen’s slope estimates were then applied to the resulting time series to assess long-term changes in these biophysical indicators. Spearman correlation analysis was also used to examine the relationships between dNBR and the TCI, VCI, and VMCI indices. Results The findings indicate that areas exposed to high fire severity exhibit patterns associated with increased thermal stress, reduced surface moisture, and declining vegetation condition. Trend analyses reveal a marked increase in biophysical stress across active fire-affected areas, whereas previously burned areas show partial ecological recovery and vegetation regeneration. Conclusion Overall, the findings demonstrate that forest fires are not merely the outcome of short-term meteorological events but also reflect long-term ecosystem stress and changes in surface conditions.

🔖

Bu Makaleye Atıf Yap

Alevkayalı, Ç. (2026). Orman yangınlarının yüzey koşulları ve biyofiziksel dinamikler üzerindeki etkileri: İzmir ili örneği. Anadolu Orman Araştırmaları Dergisi, Sayı: 13. https://doi.org/10.53516/ajfr.1967015

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (78)

  1. Aksoy, T., Çabuk, A., 2018. Orman yangını sonrası uzaktan algılama yöntemleri ile yangın şiddetinin tespiti İzmir menderes orman yangını örneklemi. Uluslararası Marmara Fen ve Sosyal Bilimler Kongresi, 1221-1226.
  2. Alevkayalı, Ç., 2026. Karstik Ekosistemlerde Vejetasyon Su Stresinin Uzaktan Algılama ile İzlenmesi: Eğirdir Gölü Havzası Örneği. Türk Uzaktan Algılama ve CBS Dergisi, 7(1), 212-226. https://doi.org/10.48123/rsgis.1856448.
  3. Alevkayalı, Ç., 2025. Yangınların zamansal ve mekânsal kümelenme süreçlerinin izlenmesi: İzmir ili örneği. In VII. Uluslararası Coğrafya Eğitimi Kongresi (UCEK-7) Bildiri Özetleri Kitabı (19-21 Aralık, Ayvalık, Türkiye ss. 64–65).
  4. Baniya, B., Tang, Q., Xu, X., Haile, G. G., Chhipi-Shrestha, G., 2019. Spatial and temporal variation of drought based on satellite derived vegetation condition index in Nepal from 1982–2015. Sensors, 19(2), 430. https://doi.org/10.3390/s19020430.
  5. Bekem Kara, İ. Kara, C. 2020. Kayseri ili yapısal yangınların incelenmesi. Afet ve Risk Dergisi, 3(2), 195-207. https://doi.org/10.35341/afet.773766.
  6. Bento, V. A., Gouveia, C. M., DaCamara, C. C., Libonati, R., Trigo, I. F., 2020. The roles of NDVI and Land Surface Temperature when using the Vegetation Health Index over dry regions. Global and Planetary Change, 190, 103198, 1-11. https://doi.org/10.1016/j.gloplacha.2020.103198.
  7. Bilal, M., 2025. Spectral indices alone are not enough: A critical assessment of pre-fire wildfire risk mapping. Ecological Informatics, 91, 103435, 1-8. https://doi.org/10.1016/j.ecoinf.2025.103435.
  8. Cihan, A., Cerit, K., Erener, A., 2022. Yangın alanında uydu görüntüleri ile yer yüzey sıcaklık değişimi gözlemi ve mekânsal alan tespiti. Doğal Afetler ve Çevre Dergisi, 8(1), 142-155. https://doi.org/10.21324/dacd.942724.
  9. Cook, M., Schott, J. R., Mandel, J., Raqueno, N. 2014. Development of an operational calibration methodology for the Landsat thermal data archive and initial testing of the atmospheric compensation component of a Land Surface Temperature (LST) Product from the archive. Remote Sensing, 6(11), 11244-11266. https://doi.org/10.3390/rs61111244.
  10. Çakmak, S., Çeber, H., Yılmaz, H., Demir, T., 2025. Yangın sonrası Akdeniz kızılçam (Pinus brutia Ten.) ormanlarında toprak element konsantrasyonlarındaki değişimler. Türk Coğrafya Dergisi, (88), 157-170. https://doi.org/10.17211/tcd.1817476.
  11. 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.
  12. Çetin, M., 2024. Entropi Ekseninde Orman Yangınları Fenomeni Üzerine Bir İnceleme. Journal of Anatolian Geography, 1(1), 1-16. https://izlik.org/JA78RJ42WN.
  13. Çolak, E., Sunar, F., 2023. Investigating the usefulness of satellite-retrieved land surface temperature (LST) in pre-and post-fire spatial analysis. Earth Science Informatics, 16(1), 945-963. https://doi.org/10.1007/s12145-022-00883-8.
  14. Demirel, Y., Türk, T., 2023. Türkiye’de 2015 ile 2022 yılları arasında meydana gelen orman yangınlarının coğrafi bilgi sistemleri ile zamansal ve mekânsal analizi. Jeodezi ve Jeoinformasyon Dergisi, 10(2), 136-150. https://doi.org/10.9733/JGG.2023R0010.T.
  15. Ducruet, R., Foucher, A., Bardelle, A., Evrard, O., 2026. Investigating post-wildfire effects in contrasted Mediterranean ecosystems. Journal of Soils and Sediments, 26(2), 21. https://doi.org/10.1007/s11368-025-04216-2.
  16. Earth Resources Observation and Science (EROS) Center., 2020. Landsat 8-9 Operational Land Imager / Thermal Infrared Sensor Level-2, Collection 2 [2015-2025 dataset]. U.S. Geological Survey. https://doi.org/10.5066/P9OGBGM6.
  17. Ege Orman Vakfı, 2025. İzmir-2025 yanan orman alanları gözlem raporu. Ege Orman Vakfı Yayınları. https://www.egeorman.org.tr/images/belgeler/2025_eov_izmir_yanan_alan_inceleme_raporu.pdf son erişim: 30.05.2026.
  18. Ekberzade, B., Görüm, T., Karabacak, F., Akay, S. S., Şen, Ö. L., 2025. Up in flames: the human factor behind a megafire in Mediterranean Türkiye. npj Natural Hazards, 2(1), 65. https://doi.org/10.1038/s44304-025-00120-4.
  19. Erlat E., 2003. İzmir’in Hava Tipleri Klimatolojisi, Ege Üniversitesi Edebiyat Fakültesi Yayınları No: 121.
  20. Ersoy, İ., Gürsoy, Ö., Ünsal, E., 2024. Orman Yangını Risk Haritalarının Coğrafi Bilgi Sistemleri Ortamında Hazırlanması: Manavgat Örneği. Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi, 2(1), 29-34. https://doi.org/10.66248/cumfad.1479103.
  21. Gayır, B, Arslan, O., 2018. Orman Yangınlarının CBS Tabanlı Konumsal İstatistik Analizi: 2011-2015 Yılları Arasında Muğla Orman Bölge Sınırları İçerisinde Çıkan Yangınlar. Anadolu Orman Araştırmaları Dergisi 4(1): 44-60. https://izlik.org/JA58HG45GE.
  22. 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), 1987-2009. http://dx.doi.org/10.7827/TurkishStudies.54148.
  23. Ghasemiazma, F., Tonini, M., Fiorucci, P., Turco, M., 2026. Megafires in Mediterranean Europe: the compound role of fire weather and drought. npj Natural Hazards, 3(1), 33. https://doi.org/10.1038/s44304-026-00197-5.
  24. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27. 10.1016/j.rse.2017.06.031.
  25. Gümüş, M. G., Durduran, S. S., 2022. Arazi kullanımı/arazi örtüsü değişiminin arazi yüzey sıcaklığı üzerindeki etkisinin Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Tekniği kullanılarak araştırılması. IV. Uluslararası Türk Dünyası Fen Bilimleri ve Mühendislik Kongresi, 23-24.
  26. Güney, C., Özkan, K., Şentürk, Ö., 2016. Antalya-Manavgat yöresi ormanlarında tutuşma riskinin coğrafi dağılım modellemesi. Journal of the Faculty of Forestry Istanbul University, 66(2), 459-470. https://doi.org/10.17099/jffiu.42696.
  27. Güney, C. O., Mert, A., Gülsoy, S., 2023. Orman yangınları sonrası ekosistem tabanlı planlamaya doğru: Yanma derinliğinin sınıflandırılması. Afet ve Risk Dergisi, 6(1), 206-225. https://doi.org/10.35341/afet.1197031.
  28. Gürbüz, E., 2023. Uzaktan Algılama ile Yangın Şiddeti Belirlenmesinde Farklı İndekslerin Karşılaştırılması. Harita Dergisi, 170, 8-22.
  29. Hammill, K. A., Bradstock, R. A., 2006. Remote sensing of fire severity in the Blue Mountains: influence of vegetation type and inferring fire intensity. International Journal of Wildland Fire, 15(2), 213-226. https://doi.org/10.1071/WF05051.
  30. 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.
  31. 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.
  32. Karadaş, A. 2014. İzmir'in Bilinen İlk Yerleşmesi Yeşilova Höyüğü'nde Jeoarkeoloji ve Paleocoğrafya Araştırmaları. Ege Coğrafya Dergisi, 23(1), 43-55. https://izlik.org/JA27LY49TX.
  33. 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.
  34. Kavzoğlu, T., Çölkesen, İ., Tonbul, H. Öztürk, M.Y., 2021. Uzaktan Algılama Teknolojileri ile Orman Yangınlarının Zamansal Analizi: 2021 Yılı Akdeniz ve Ege Yangınları, T. Kavzoğlu (Ed.) Orman Yangınları: Sebepleri, Etkileri, İzlenmesi, Alınması Gereken Önlemler ve Rehabilitasyon Faaliyetleri. Türkiye Bilimler Akademisi. ss. 219-251.
  35. 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.
  36. Kazı, H., Karabulut, M., Topuz, M., 2026. Topoğrafik faktörlerin yangın şiddetine etkisi: dNBR tabanlı mekânsal bir analiz (Kahramanmaraş, Türkiye örneği). Turkish Journal of Forest Science, 10(1), 1845437. https://doi.org/10.32328/turkjforsci.1845437.
  37. Kendall, M. G., 1938. A new measure of rank correlation. Biometrika, 30(1-2), 81-93. https://doi.org/10.32328/turkjforsci.1845437.
  38. Key, C. H., Benson, N. C., 2006. Landscape assessment (LA): Sampling and Analysis methods. 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. RMRS-GTR-164-CD, pp. LA1–LA51). U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station.
  39. Kumar, D., Shekhar, S., 2015. Statistical analysis of land surface temperature–vegetation indexes relationship through thermal remote sensing. Ecotoxicology and environmental safety, 121, 39-44. https://doi.org/10.1016/j.ecoenv.2015.07.004.
  40. Lee, K., Van Leeuwen, W. J., 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.
  41. Liu, W., Wang, S., Zhou, Y., Wang, L., Zhu, J., Wang, F., 2016. Lightning-caused forest fire risk rating assessment based on case-based reasoning: A case study in DaXingAn Mountains of China. Natural Hazards, 81(1), 347-363. https://doi.org/10.1007/s11069-015-2083-1.
  42. Malakar, N. K., Hulley, G. C., Hook, S. J., Laraby, K., Cook, M., Schott, J. R., 2018. An operational land surface temperature product for Landsat thermal data: Methodology and validation. IEEE Transactions on Geoscience and Remote Sensing, 56(10), 5717-5735.
  43. Mann, H. B., 1945. Nonparametric tests against trend. Econometrica: Journal of the econometric society,13 (3), 245-259. https://doi.org/10.2307/1907187.
  44. Maffei, C., Lindenbergh, R., Menenti, M., 2021. Combining multi-spectral and thermal remote sensing to predict forest fire characteristics. ISPRS Journal of Photogrammetry and Remote Sensing, 181, 400-412. https://doi.org/10.1016/j.isprsjprs.2021.09.016.
  45. McLauchlan, K. K., Higuera, P. E., Miesel, J., Rogers, B. M., Schweitzer, J., Shuman, J. K., Tepley, A. J., Varner, J. M., Veblen, T. T., Adalsteinsson, S. A., Balch, J. K., Baker, P., Batllori, E., Bigio, E., Brando, P., Cattau, M., Chipman, M. L., Coen, J., Crandall, R., Watts, A. C., A. C., 2020. Fire as a fundamental ecological process: Research advances and frontiers. Journal of Ecology, 108(5), 2047-2069. https://doi.org/10.1111/1365-2745.13403.
  46. Meteoroloji Genel Müdürlüğü (MGM). (2026). İl ve ilçeler istatistik verileri. https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=A&m=IZMIR Son bağlantı: 15.05.2026.
  47. Miller, J. D., Thode, A. E., 2007. Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR). Remote sensing of Environment, 109(1), 66-80.
  48. Nyongesa, K. W., Pucher, C., Poletti, C., Vacik, H., 2023. Evaluation of the relationship between spatio-temporal variability of vegetation condition index (VCI), fire occurrence and burnt area in Mount Kenya Forest Reserve and National Park. Fire, 6(8), 282. https://doi.org/10.3390/fire6080282.
  49. 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. https://doi.org/10.21324/dacd.1419616.
  50. Oğuz, K., Oğuz, E., Çamalan, G., 2021. İzmir-Tırazlı orman yangınının uydu ve model verileri ile analizi. Ulusal Çevre Bilimleri Araştırma Dergisi, 4(1), 1-12. https://izlik.org/JA82ME54XD.
  51. Özçankaya, N., Batur, M., Kiracıoğlu, Ö., 2021. İzmir Orman Bölge Müdürlüğü fıstıkçamı (Pinus pinea L.) meşcereleri için gövde hacim tablolarının düzenlenmesi. Ormancılık Araştırma Dergisi, 8(2), 125-145. https://doi.org/10.17568/ogmoad.813362.
  52. Özdemir, F. B., Demir, N., 2022. 2019 İzmir Karabağlar İlçesi Orman Yangın Alanının Uydu Görüntüleri ile Analizi. Türk Uzaktan Algılama ve CBS Dergisi, 3(1), 20-33. https://doi.org/10.48123/rsgis.1009319.
  53. Pekkan, Ö. I., Derakhshandeh, M., Atmaca, İ., Tunca, Y. S., Kavlak, M. Ö., Çabuk, S. N., 2022. Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Teknikleri Kullanılarak Orman Yangını Risk Haritasının Geliştirilmesi: Muğla, Milas Örneği. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 26(2), 190-199. https://doi.org/10.19113/sdufenbed.901677.
  54. 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.
  55. Polinova, M., Wittenberg, L., Kutiel, H., Brook, A., 2019. Reconstructing pre-fire vegetation condition in the wildland urban interface (WUI) using artificial neural network. Journal of environmental management, 238, 224-234. https://doi.org/10.1016/j.jenvman.2019.02.091Get rights and content.
  56. Quiring, S. M., Ganesh, S., 2010. Evaluating the utility of the Vegetation Condition Index (VCI) for monitoring meteorological drought in Texas. Agricultural and forest meteorology, 150(3), 330-339. https://doi.org/10.1016/j.agrformet.2009.11.015.
  57. Roces‐Díaz, J. V., Santín, C., Martínez‐Vilalta, J., Doerr, S. H., 2022. A global synthesis of fire effects on ecosystem services of forests and woodlands. Frontiers in Ecology and the Environment, 20(3), 170-178. https://doi.org/10.1002/fee.2349.
  58. 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.
  59. Sargıncı, M., Beyazyüz, F., 2022. İklim değişikliğinin ormanlar üzerindeki etkisi: iklim akılcı ormancılık bakış açısı. Anadolu Orman Araştırmaları Dergisi, 8(2), 142-149. https://doi.org/10.53516/ajfr.1139640.
  60. Sen, P. K., 1968. Estimates of the regression coefficient based on Kendall's tau. Journal of the American statistical association, 63(324), 1379-1389.
  61. Singh, R. P., Roy, S., Kogan, F., 2003. Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India. International journal of remote sensing, 24(22), 4393-4402. https://doi.org/10.1080/0143116031000084323.
  62. Sivrikaya, F., Günlü, A., Küçük, Ö., Ürker, O., (2024). Forest fire risk mapping with Landsat 8 OLI images: Evaluation of the potential use of vegetation indices. Ecological Informatics, 79, 102461. https://doi.org/10.1016/j.ecoinf.2024.102461.
  63. Spearman, C., 1987. The proof and measurement of association between two things. The American journal of psychology, 100 (3/4) Special Centennial Issue, 441-471. https://doi.org/10.2307/1422689.
  64. Şenlik, Y. F., Yılmaz, E., 2023. MODIS verilerine göre İzmir ve Manisa şehirleri ve çevresinde yüzey sıcaklık dağılışı ve eğilimleri. Ege Coğrafya Dergisi, 32(1), 51-68. https://doi.org/10.51800/ecd.1223028.
  65. Şenlik, Y. F., Yılmaz, E., 2025. Antalya İlinde Yüzey Sıcaklıklarındaki Değişimler ve Orman Yangınları ile İlişkisi. Doğal Afetler ve Çevre Dergisi, 11(1), 220-248. https://doi.org/10.21324/dacd.1532721.
  66. Tarım Orman-İş Sendikası, 2025. Orman Yangınları ile Mücadele raporu. Ankara.
  67. Tonbul, H., Colkesen, I., Kavzoglu, T., 2022. Pixel-and Object-Based ensemble learning for forest burn severity using USGS FIREMON and Mediterranean condition dNBRs in Aegean ecosystem (Turkey). Advances in Space Research, 69(10), 3609-3632. 10.1016/j.asr.2022.02.051.
  68. Usta, G., 2023. Afet yönetimi odağında orman yangınlarının değerlendirilmesi. Afet ve Risk Dergisi, 6(1), 18-35. https://doi.org/10.35341/afet.1090658.
  69. Ünlü, M., 2025. Orman varlığı ve orman yangınlarının etkisi. International Journal of Geography and Geography Education (IGGE). 55, 212-229. https://doi.org/10.32003/igge.1634171.
  70. Veraverbeke, S., Lhermitte, S., Verstraeten, W. W., Goossens, R., 2011. Evaluation of pre/post-fire differenced spectral indices for assessing burn severity in a Mediterranean environment with Landsat Thematic Mapper. International Journal of Remote Sensing, 32(12), 3521-3537. https://doi.org/10.1080/01431161003752430.
  71. Vlassova, L., Pérez-Cabello, F., Mimbrero, M. R., Llovería, R. M., García-Martín, A., 2014. Analysis of the relationship between land surface temperature and wildfire severity in a series of Landsat images. Remote Sensing, 6(7), 6136-6162. https://doi.org/10.3390/rs6076136.
  72. Wagenbrenner, J. W., Ebel, B. A., Bladon, K. D., Kinoshita, A. M., 2021. Post-wildfire hydrologic recovery in Mediterranean climates: A systematic review and case study to identify current knowledge and opportunities. Journal of Hydrology, 602, 126772, 1-16. 10.1016/j.jhydrol.2021.126772.
  73. Yavaşlı, D. D., Ölgen, M. K., Zoğal, V., 2018. Are summer resorts cooler in summer? A case study of İzmir province. Ege Coğrafya Dergisi, 27(2), 127-134. https://izlik.org/JA32CD39YM.
  74. Yi, T., Lee, J., 2025. Evaluating and Predicting Wildfire Burn Severity Through Stand Structure and Seasonal NDVI: A Case Study of the March 2025 Uiseong Wildfire. Fire, 8(9), 363, 1-20. https://doi.org/10.3390/fire8090363.
  75. Yılmaz, D., 2026. Kıyıdan zirveye ısı dinamikleri: Batı Karadeniz’de topoğrafya ve vejetasyonun mevsimsel yüzey sıcaklığına etkisi. Anadolu Orman Araştırmaları Dergisi, 12, https://doi.org/10.53516/ajfr.1839377.
  76. 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. https://doi.org/10.57165/artgrid.1179074.
  77. 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, 1-22. https://doi.org/10.3390/s25103097.
  78. Cook, M., Schott, J. R., Mandel, J., Raqueno, N. 2014. Development of an operational calibration methodology for the Landsat thermal data archive and initial testing of the atmospheric compensation component of a Land Surface Temperature (LST) Product from the archive. Remote Sensing, 6(11), 11244-11266. https://doi.org/10.3390/rs61111244.