Orman yanmış alanlarının derin öğrenme ile tespiti ve kısa vadeli yayılım simülasyonu
Deep learning-based detection of forest burned areas and short-term fire spread simulation
- Tez No: 1012504
- Danışmanlar: DOÇ. DR. MEHMET ALİ DERELİ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Jeodezi ve Fotogrametri, Engineering Sciences, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Afet Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Her yıl katlanarak artan sıcaklıklar, bitki örtüsü ve beşeri faktörler, ülkemizde orman yangınlarının her yıl giderek artmasına sebebiyet vermektedir. Bu kapsamda yapılan çalışmalar yetersiz kaldığından yangın alanına anında müdahale ve sonrasında iyileştirme çalışmaları olması gerekenden çok daha fazla güne yayılmaktadır. Geleneksel kaynaklı kullanılan yöntemlerin meydana getirdiği bu zaman kaybını minimize etmek ve bu doğrultuda yapılan çalışmaları hızlandırmak amacıyla uzaktan algılama ve derin öğrenme yöntemleri etkin bir rol oynamaktadır. Bu çalışmada, Türkiye'deki orman yangınlarının erken tespiti ve olası yayılma yönlerinin öngörülebilmesi için uydu verileri ile yapay zeka algoritmalarının entegre edildiği hibrit bir sistem geliştirilmiştir. Geliştirilen mimarinin farklı coğrafyalardaki başarısını ve genellenebilirliğini test etmek amacıyla, 2021 yılında meydana gelen büyük ölçekli Manavgat ve Aydın-Karacasu yangınları çalışma sahaları olarak seçilmiştir. Mimarinin ilk aşamasında, Google Earth Engine (GEE) platformu üzerinden elde edilen Sentinel-2 optik uydu görüntülerinin 6 farklı spektral bandı (B2, B3, B4, B8, B11, B12) kullanılarak bir U-Net derin öğrenme modeli eğitilmiştir. Model oluşturulurken bulutluluk oranları filtrelenmiş ve etiketleme işlemi için Normalize Edilmiş Yanma Oranı Farkı (dNBR) formülü kullanılarak modelin yangın başlangıç noktalarını (tohum maskesi) yüksek hassasiyetle öğrenmesi sağlanmıştır. İkinci aşamada, derin öğrenme modelinin ürettiği başlangıç maskesi temel alınarak, yangının arazideki ilerleyişini simüle eden Hücresel Otomata (Cellular Automata) algoritması kurgulanmıştır. Bu yayılım modeli oluşturulurken yangının sadece rastgele dağılımı değil; ERA5 verilerinden elde edilen rüzgar yönü/şiddeti ve SRTM verilerinden elde edilen topoğrafik eğim parametreleri ana yönlendirici sürücüler olarak hesaba katılmıştır. Farklı kaynaklardan gelen bu raster veriler arasındaki konumsal boyut farklılıkları hizalanarak her iki bölge için de 3 günlük yayılma senaryoları üretilmiştir. Modelin doğruluğu, GEE üzerinden su kütlelerinden arındırılmış temiz dNBR haritaları ile piksel bazlı karşılaştırılarak test edilmiştir. Parametre optimizasyonları sonucunda model; Manavgat yangını için %72 hassasiyet (precision) ve %48 duyarlılık (recall) oranlarıyla 0.58 F1-Skoru ve 0.405 Jaccard İndeksi (IoU) değerlerine ulaşmıştır. Modelin farklı bir ekosistem ve topoğrafyaya sahip Karacasu bölgesindeki testlerinde ise başarımı artarak %64 hassasiyet ve %87 duyarlılık oranlarıyla 0.74 F1-Skoru ve 0.59 IoU değerleri elde edilmiştir. Elde edilen bulgular; itfaiye müdahalesi veya rüzgar kaynaklı kozalak fırlatması (spotting) gibi dış faktörler göz önüne alındığında, sistemin farklı coğrafyalarda yüksek ve sürdürülebilir bir tahmin yeteneğine sahip olduğunu kanıtlamaktadır. Bu çalışma, karar vericiler ve afet yönetim merkezleri için yangına müdahale stratejilerinde zaman kaybını önleyecek, uygulanabilir bir karar destek altyapısı sunmaktadır.
Özet (Çeviri)
Continuously rising temperatures, vegetation characteristics, and anthropogenic factors have led to a progressive increase in forest fires in Türkiye each year. Since existing efforts in this field remain insufficient, both immediate fire response and post-fire recovery operations often extend over a much longer period than required. Remote sensing and deep learning methods play an increasingly important role in minimizing the time losses associated with conventional approaches and accelerating the processes carried out in this context. In this study, a hybrid system integrating satellite data and artificial intelligence algorithms was developed for the early detection of forest fires in Türkiye and the prediction of their potential spread directions. To evaluate the performance and generalizability of the proposed architecture across different geographical settings, the large-scale Manavgat and AydınKaracasu fires that occurred in 2021 were selected as study areas. In the first stage of the architecture, a U-Net deep learning model was trained using six spectral bands (B2, B3, B4, B8, B11, and B12) of Sentinel-2 optical satellite imagery obtained through the Google Earth Engine (GEE) platform. During model development, cloud coverage was filtered, and the differenced Normalized Burn Ratio (dNBR) was used for labeling, enabling the model to learn fire ignition areas, referred to as seed masks, with high precision. In the second stage, a Cellular Automata algorithm was constructed based on the initial mask generated by the deep learning model to simulate the progression of fire across the terrain. In developing this spread model, not only the stochastic propagation behavior of fire but also wind direction and speed derived from ERA5 data and topographic slope parameters obtained from SRTM data were incorporated as primary driving factors. Spatial resolution and alignment differences among raster datasets from different sources were harmonized, and three-day fire spread scenarios were generated for both regions. The accuracy of the model was evaluated through pixel-based comparisons with clean dNBR maps generated in GEE after excluding water bodies. Following parameter optimization, the model achieved a precision of 72%, a recall of 48%, an F1-score of 0.58, and a Jaccard Index (IoU) of 0.405 for the Manavgat fire. In the Karacasu region, which has a different ecosystem and topographic structure, the model performance improved, reaching a precision of 64%, a recall of 87%, an F1-score of 0.74, and an IoU of 0.59. The findings demonstrate that, when external factors such as firefighting interventions and wind-driven ember transport or spotting are considered, the proposed system exhibits high and sustainable predictive capability across different geographical contexts. This study provides an applicable decision-supportframework for decision-makers and disaster management authorities, helping reduce time losses in fire response strategies.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Employing digital twin to LoRa based forest fire management systems
LoRa'ya dayalı orman yangını yönetim sistemlerine dijital ikiz uygulanması
BUĞRA AYDIN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- Yanmış orman alanlarının belirlenmesinde derin öğrenme yöntemlerinin yanmış alan indeksleri ile karşılaştırılması: Hatay örneği
Comparison of deep learning methods for determining burnt forest areas with burnt area indices: The case of Hatay
REHA PAŞAOĞLU
Yüksek Lisans
Türkçe
2023
Bilim ve TeknolojiÇukurova ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. NURİ EMRAHOĞLU
- Yangın sonrası planetscope görüntülerini kullanarak yanmış orman alanların derin öğrenme-tabanlı segmentasyonu
Deep learning-based segmentation of forest burned areas using post-fire planetscope images
MELİH ALTAY
Yüksek Lisans
İngilizce
2025
Mühendislik BilimleriHacettepe ÜniversitesiFotogrametri Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER