KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 1

Mersin’de 2023 Depremleri sonrası arazi kullanımı değişimi: Uzaktan algılama temelli bir analiz

Land use changes in Mersin after the 2023 Earthquakes: A remote sensing-based analysis

Gülsüm Ecem Demirdağ, Kemal Mert Çubukçu

Sayfa
201–210
Yayın Tarihi
2026-02-20
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗

Özet

Bu çalışma, 6 Şubat 2023 Kahramanmaraş depremleri sonrasında Mersin’de meydana gelen arazi kullanım ve örtüsü değişimlerini analiz etmektedir. Deprem sonrası göç dalgası, kentte önemli mekânsal dönüşümlere neden olmuş, özellikle kentsel alanlar genişlerken yeşil alanlarda belirgin bir azalma gözlemlenmiştir. Çalışmada, 2022 ve 2025 yıllarına ait Sentinel-2 uydu görüntüleri kullanılarak Google Earth Engine (GEE) ve Rastgele Orman (RF) sınıflandırma algoritması ile arazi kullanım değişimleri incelenmiştir. Elde edilen sonuçlara göre, kentsel alanlar %48’den %50’ye yükselirken, yeşil alanlar %44’ten %37’ye gerilemiş ve çıplak yüzeyler %8’den %13’e yükselmiştir. Transfer matrisi analizleri de artan kentsel alanların büyük ölçüde yeşil alanlardan gerçekleştiğini göstermektedir. Bu değişimler, yoğun göç ve yeni yapılaşmaların etkisiyle ortaya çıkmıştır. Ayrıca elde edilen mekânsal veriler, 1/100.000 ölçekli Adana-Mersin Çevre Düzeni Planı kararları ile karşılaştırılarak, deprem sonrası yaşanan göç hareketlerinin plan kararlarıyla ne ölçüde örtüştüğü değerlendirilmiştir. Arazi kullanımındaki dönüşüm, sürdürülebilir kentleşme açısından önemli riskler barındırmakta olup, planlama süreçlerinde dikkate alınması gereken kritik unsurlar arasında yer almaktadır. Çalışma, deprem sonrası kentleşme süreçlerinin daha iyi anlaşılmasına katkı sağlamayı amaçlamaktadır.

Abstract

This study analyzes land use and land cover (LULC) changes in Mersin in the aftermath of the February 6, 2023 Kahramanmaraş earthquakes. The disaster-induced migration influx accelerated spatial transformations, with urban areas expanding while green spaces declined. Using Sentinel-2 satellite imagery from 2022 and 2025, classification was conducted through Google Earth Engine (GEE) and the Random Forest (RF) algorithm. Results indicate that urban areas increased from 48% to 50%, green spaces decreased from 44% to 37%, and bare surfaces rose from 8% to 13%. Transfer matrix analysis shows that most of the urban growth came at the expense of green areas. These shifts are closely tied to the demand for housing and construction triggered by rapid migration. Spatial outcomes were also compared with the 1:100,000 Adana–Mersin Environmental Master Plan, revealing discrepancies between planning decisions and actual land-use dynamics. The findings highlight significant risks for sustainable urbanization, particularly regarding the loss of agricultural land and ecological balance. Overall, the study provides timely insights into post-disaster urbanization and underscores the need for planning frameworks that integrate disaster-driven migration and promote resilient, sustainable development strategies.

Anahtar kelimeler
🔖

Bu Makaleye Atıf Yap

Demirdağ, G. E., Çubukçu, K. M. (2026). Mersin’de 2023 Depremleri sonrası arazi kullanımı değişimi: Uzaktan algılama temelli bir analiz. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 1, 201–210. https://doi.org/10.17341/gazimmfd.1678183

📄 Tam Metin PDF Okuyucu

↗Yeni Sekme

PDF belgesi yükleniyor...

Kaynakça (49)

  1. 1. Aydöner, C., Maktav, D., The role of the integration of remote sensing and GIS in land use/land cover analysis after an earthquake, International Journal of Remote Sensing. 30 (7), 1697–1717, 2009.
  2. 2. Karazincir, S.E., Deprem ve göç ilişkisi, Akademik Yaklaşımlar Dergisi, 15 (1), 366–383, 2024.
  3. 3. Topçu, D., Deprem ve göç ilişkisi üzerine sosyolojik bir değerlendirme, Journal of Society & Social Work, 36 (1), 111–125, 2025.
  4. 4. Alizadeh, M., Zabihi, H., Rezaie, F., Asadzadeh, A., Wolf, I.D., Langat, P.K., Khosravi, I., Pour, A.B., Nataj, M.M., Pradhan, B., Earthquake vulnerability assessment for urban areas using an ann and hybrid swot-qspm model, Remote Sensing, 13 (4519), 1-31, 2021.
  5. 5. Afet ve Acil Durum Yönetimi Başkanlığı (AFAD). 06 Şubat 2023 Kahramanmaraş (Pazarcık ve Elbistan) Depremleri Saha Çalışmaları Ön Değerlendirme Raporu. https://deprem.afad.gov.tr/assets/pdf/Arazi_Onrapor_28022023_surum1_revize.pdf. Yayın tarihi Şubat 24, 2023. Erişim tarihi Mart 25, 2025.
  6. 6. ILO, One year after: Living and working conditions in Adıyaman, Hatay, Kahramanmaraş and Malatya after the february 2023 earthquakes in Türkiye, 2024.
  7. 7. Kanlı, İ.B., Başköy, D., Küreselleşme ve çevre sorunları bağlamında göç: iklim mültecileri migration, Siyaset, Ekonomi Ve Yönetim Araştırmaları Dergisi, 6 (3), 39-57, 2018.
  8. 8. Peker, A.E., Şanlı, İ., Deprem ve göç ilişkisi: 24 Ocak 2020 Elazığ deprem örneği, İİBF Uluslararası İktisadi ve İdari Bilimler Dergisi, 6 (1), 125–154, 2022.
  9. 9. T.C. Mersin Valiliği. T.C. Mersin Valiliği - Vali Pehlivan, 6 Şubat Depremi Sonrası Afet Yönetim ve Koordinasyonu Kapsamında İlimizde Yürütülen Çalışmalara İlişkin Basın Toplantısı Gerçekleştirdi. http://www.mersin.gov.tr/vali-pehlivan-6-subat-depremi-sonrasi-afet-yonetim-ve-koordinasyonu-kapsaminda-ilimizde-yurutulen-calismalara-iliskin-basin-toplantisi-gerceklestirdi. Yayın tarihi Nisan 4, 2023. Erişim tarihi Mart 25, 2025.
  10. 10. Dinç, Y., 6 Şubat 2023 Kahramanmaraş depremleri sonrası yeniden yapılanma sürecinde yere bağlılığın değerlendirilmesi: Antakya (Hatay) örneği, Türk Coğrafya Dergisi, 83, 45–57, 2023.
  11. 11. Khisty, C.J., Lall, B.K., Transportation Engineering: An Introduction, Prentice Hall, 2003.
  12. 12. Efe, E., Algancı, U., Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi, Geomatik. 8 (1), 27–34, 2023.
  13. 13. Zabcı, C., Çok bantlı Landsat 8-OLI ve Sentinel-2A MSI uydu görüntülerinin karşılaştırmalı jeoloji uygulaması: Örnek çalışma alanı olarak Doğu Anadolu Fayı boyunca Palu – Hazar Gölü bölgesi (Elazığ, Türkiye). Geomatik. 6 (3), 238–246, 2021.
  14. 14. Noi Phan, T., Kuch, V., Lehnert, L.W., Land cover classification using google earth engine and random forest classifier-the role of image composition, Remote Sensing, 12 (15), 1–22, 2020.
  15. 15. Koskinen, J., Leinonen, U., Vollrath, A., Ortmann, A., Lindquist, E., d’Annunzio, R., Pekkarinen, A., Käyhkö, N., Participatory mapping of forest plantations with Open Foris and Google Earth Engine, ISPRS Journal of Photogrammetry and Remote Sensing, 148, 63–74, 2019.
  16. 16. Mirelva, P.R., Nagasawa, Application of Sentinel-1 data for classifying croplands using Google Earth Engine, International Journal of Geoinformatics, 15 (3), 21–31, 2019.
  17. 17. Ayalke, Z., Şişman, A., Google Earth Engine kullanılarak makine öğrenmesi tabanlı iyileştirilmiş arazi örtüsü sınıflandırması: Atakum, Samsun örneği, Geomatik, 9 (3), 375–390, 2024.
  18. 18. Amani, M., Mahdavi, S., Afshar, M., Brisco, B., Huang, W., Mirzadeh, S.M.J., White, L., Banks, S., Montgomery, J., Hopkinson, C., Canadian wetland inventory using Google Earth Engine: The first map and preliminary results, Remote Sensing, 11 (7), 2019.
  19. 19. Cihlar, J., Land cover mapping of large areas from satellites: Status and research priorities. International Journal of Remote Sensing. 21 (6-7), 1093–1114, 2000.
  20. 20. Jin, Y., Liu, X., Chen, Y., Liang, X., Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: a case study of central Shandong, International Journal of Remote Sensing, 39 (23), 8703–8723, 2018.
  21. 21. Li, X., Chen, W., Cheng, X., Wang, L., A comparison of machine learning algorithms for mapping of complex surface-mined and agricultural landscapes using ZiYuan-3 stereo satellite imagery, Remote Sensing, 8 (6), 2016.
  22. 22. Matarira, D., Mutanga, O., Naidu, M., Google Earth Engine for Informal Settlement Mapping: A Random Forest Classification Using Spectral and Textural Information, Remote Sensing, 14 (20), 2022.
  23. 23. Millard, K., Richardson, M.: On the importance of training data sample selection in Random Forest image classification: A case study in peatland ecosystem mapping, Remote Sensing, 7 (7), 8489–8515, 2015.
  24. 24. Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., Brisco, B., Google Earth Engine for geo-big data applications: A meta-analysis and systematic review, ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152–170, 2020.
  25. 25. Teluguntla, P., Thenkabail, P., Oliphant, A., Xiong, J., Gumma, M.K., Congalton, R.G., Yadav, K., Huete, A., A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform, ISPRS Journal of Photogrammetry and Remote Sensing, 144, 325–340, 2018.
  26. 26. Akar, Ö., Tunç Görmüş, E., Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi, Geomatik, 4 (1), 68–81, 2019.
  27. 27. Kaur, R., Pandey, P., A review on spectral indices for built-up area extraction using remote sensing technology, Arabian Journal of Geosciences, 15 (391), 2022.
  28. 28. Bouhennache, R., Bouden, T., Taleb-Ahmed, A., Cheddad, A., A new spectral index for the extraction of built-up land features from Landsat 8 satellite imagery, Geocarto International, 34 (14), 1531–1551, 2019.
  29. 29. Chen, J., Chen, S., Yang, C., He, L., Hou, M., Shi, T., A comparative study of impervious surface extraction using Sentinel-2 imagery, European Journal of Remote Sensing, 53 (1), 274–292, 2020.
  30. 30. Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., Monitoring vegetation systems in the Great Plains with ERTS, Third ERTS Symposium, Washington, DC, 309–317, 1973.
  31. 31. Huete, A.R., A Soil-Adjusted Vegetation Index (SAVI), Remote Sensing Of Environment, 25, 295–309, 1988. 32. McFeeters, S.K., The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features, International Journal of Remote Sensing, 17 (7), 1425–1432, 1996.
  32. 33. Kawamura, M., Jayamanna, S., Tsujiko, Y.: Relation between Social and Environmental Conditions in Colombo Sri Lanka and the Urban Index Estimated by Satellite Remote Sensing Data, International Archives Of Photogrammetry And Remote Sensing, 31 (B7), 321–326, 1996.
  33. 34. Roy, P., Miyatake, S., Rikimaru, A., Biophysical spectral response modeling approach for forest density stratification, The 18th Asian Conference on Remote Sensing, 1997.
  34. 35. Zha, Y., Gao, J., Ni, S., Use of normalized difference built-up index in automatically mapping urban areas from TM imagery, International Journal of Remote Sensing, 24 (3), 583–594, 2003.
  35. 36. Xu, H., Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing, 27 (14), 3025–3033, 2006.
  36. 37. Xu, H., A new index for delineating built-up land features in satellite imagery. International Journal of Remote Sensing, 29 (14), 4269–4276, 2008.
  37. 38. He, C., Shi, P., Xie, D., Zhao, Y., Improving the normalized difference built-up index to map urban built-up areas using a semiautomatic segmentation approach, Remote Sensing Letters, 1 (4), 213–221, 2010.
  38. 39. Bouzekri, S., Lasbet, A.A., Lachehab, A., A New Spectral Index for Extraction of Built-Up Area Using Landsat-8 Data, Journal of the Indian Society of Remote Sensing, 43 (4), 867–873, 2015.
  39. 40. Quintero, N., Viedma, O., Urbieta, I.R., Moreno, J.M., Assessing landscape fire hazard by multitemporal automatic classification of landsat time series using the Google Earth Engine in West-Central Spain, Forests, 10 (6), 2019.
  40. 41. Lasaponara, R., Abate, N., Fattore, C., Aromando, A., Cardettini, G., Di Fonzo, M., On the Use of Sentinel-2 NDVI Time Series and Google Earth Engine to Detect Land-Use/Land-Cover Changes in Fire-Affected Areas, Remote Sensing, 14 (19), 2022.
  41. 42. Amini, S., Saber, M., Rabiei-Dastjerdi, H., Homayouni, S., Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series, Remote Sensing, 14 (11), 2022.
  42. 43. Wessels, K.J., Bergh, F. van den, Roy, D.P., Salmon, B.P., Steenkamp, K.C., MacAlister, B., Swanepoel, D., Jewitt, D., Rapid land cover map updates using change detection and robust random forest classifiers, Remote Sensing, 8 (11), 2016.
  43. 44. Breiman, L., Random Forests, Machine Learning, 45, 5–32, 2001.
  44. 45. Batar, A.K., Watanabe, T., Kumar, A., Assessment of land-use/land-cover change and forest fragmentation in the Garhwal Himalayan region of India, E Environments, 4 (2), 1–16, 2017.
  45. 46. Li, Y., Liu, G., Huang, C., Dynamic Changes Analysis and Hotspots Detection of Land Use in the Central Core Functional Area of Jing-Jin-Ji from 2000 to 2015 Based on Remote Sensing Data, Mathematical Problems in Engineering, 2017, 2017.
  46. 47. Zhang, B., Zhang, Q., Feng, C., Feng, Q., Zhang, S., Understanding land use and land cover dynamics from 1976 to 2014 in Yellow River Delta, Land, 6 (20), 2017.
  47. 48. Sezgin, D., Kentsel saçaklanmanın verimli tarım topraklarının amaç dışı kullanımına etkisi: Ankara örneği, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 2010.
  48. 49. Sönmez, K., Tarım Alanlarının Tarımsal Amaçlar Dışında Kullanılması. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 12 (2-3), 135–145, 1981.
  49. 50. Partigöç, N.S., Spatiotemporal Variations of Urban Growth in Denizli, Turkey, Türkiye Coğrafi Bilgi Sistemleri Dergisi, 5 (1), 1–9, 2023.