Orman yangınlarının mekânsal dağılımı ve hava kalitesine etkilerinin uydu verileri ve makine öğrenme yöntemleri ile analizi: 2025 Türkiye ve kaliforniya (LA) yangınları
Analysis of spatial distribution of forest fires and their impacts on air quality using satellite data and machine learning methods: 2025 turkey and california (LA) fires
- Tez No: 990242
- Danışmanlar: PROF. DR. ELİF SERTEL
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Orman yangınları, küresel ölçekte artan sıklıkları ve şiddetleri nedeniyle ekosistemler, atmosferik süreçler ve insan sağlığı üzerinde giderek daha belirgin etkiler oluşturmaktadır. Yangınlar sırasında açığa çıkan gazlar ve partikül maddeler, özellikle NO₂ ve CO gibi iz gazların atmosferik konsantrasyonlarını önemli ölçüde artırmaktadır. Bu kirleticiler, kısa ve orta vadede hava kalitesini düşürerek solunum sistemi hastalıkları başta olmak üzere çeşitli sağlık risklerini beraberinde getirmektedir. Bu nedenle yangın kaynaklı hava kirliliğinin doğru biçimde izlenmesi ve değerlendirilmesi çevresel ve toplumsal açıdan kritik bir gereklilik haline gelmiştir. Yangınların hava kalitesi üzerindeki etkilerinin güvenilir biçimde analiz edilebilmesi, öncelikle yangın alanlarının doğru ve zamanında tespit edilmesine bağlıdır. Yanmış alanların konumu, büyüklüğü ve şiddeti, atmosfere salınan kirletici miktarlarının mekânsal ve zamansal dağılımını doğrudan etkilemektedir. Yersel hava kalitesi istasyonları yüksek doğruluklu ölçümler sunsa da mekânsal kapsama alanları sınırlıdır ve geniş ölçekli yangın olaylarını temsil etmekte yetersiz kalabilmektedir. Bu bağlamda, uydu görüntülerine dayalı yangın alanı tespiti, yangın sonrası hava kalitesi analizleri için temel bir girdi oluşturmaktadır. Uydu verileri, yangın alanlarının geniş ölçekte haritalanmasını sağlarken, makine öğrenmesi yöntemleri bu bilgiler ile atmosferik ve meteorolojik değişkenler arasındaki karmaşık ilişkilerin modellenmesine olanak tanımaktadır. Bu çalışmada, yangın dönemlerinde yersel NO₂ ve CO konsantrasyonlarının tahmin edilmesi amacıyla uydu tabanlı gözlemler, meteorolojik yardımcı veriler ve makine öğrenmesi modelleri birlikte kullanılmıştır. Ayrıca geliştirilen modellerin yalnızca doğruluk açısından değil, fiziksel tutarlılık açısından da değerlendirilmesi hedeflenmiştir. Bu kapsamda açıklanabilir yapay zekâ yöntemlerinden SHAP analizi kullanılarak model davranışları incelenmiştir. Çalışma alanı olarak 2025 yangınları nedeniyle Türkiye çalışma alanı ve Kaliforniya eyaleti seçilmiş ve modellerin farklı coğrafi ve iklimsel koşullardaki performansları karşılaştırılmıştır. Çalışmada Sentinel 2A/B ile Landsat 8/9 verileri kullanılarak yangın alanları tespit edilmiştir. 2025 yangın sezonu boyunca Türkiye genelinde tespit edilen toplam yanmış alan büyüklüğü, Sentinel 2A/B verileri kullanılarak 101503.99 hektar, Landsat 8/9 verileri kullanılarak ise 100058.78 hektar olarak hesaplanmıştır. Kaliforniya çalışma alanında, yangınların yüzey sıcaklığı üzerindeki etkilerinin değerlendirilmesi amacıyla ECOSTRESS verileri kullanılmıştır. ECOSTRESS tabanlı kara yüzey sıcaklığı (LST) verileri, özellikle Los Angeles çevresinde meydana gelen büyük ölçekli yangınlar sırasında oluşan termal anomalilerin mekânsal dağılımını ortaya koymak için değerlendirilmiştir. Bu veriler, yangın alanlarında gözlenen yüksek sıcaklık değerlerinin belirlenmesine olanak sağlamış ve yangın şiddetinin termal bileşeninin yorumlanmasına destek olmuştur. Sentinel 2A/B verilerine göre Palisades, Eaton, Kenneth, Hurst, Lidia, Sunset ve Archer yangınları sonucunda oluşan toplam yanmış alan yaklaşık 41000 dönüm olarak hesaplanmıştır. Bu alanın önemli bir bölümü Palisades ve Eaton yangınları tarafından oluşturulmuş olup, Palisades yangını yaklaşık 24280 dönüm, Eaton yangını ise yaklaşık 14489 dönüm ile en büyük yanmış alanlara sahip iki olay olarak öne çıkmaktadır. Makine öğrenmesi aşamasında Random Forest, Gradient Boosting, XGBoost, LightGBM, CatBoost, SVR ve LSTM modelleri uygulanmıştır. Modeller beş katlı çapraz doğrulama ile değerlendirilmiştir. Performans ölçütleri olarak R² ve RMSE kullanılmıştır. NO₂ parametresi için Türkiye çalışma alanında en iyi performans CatBoost modeli ile elde edilmiştir. Bu model için test R² değeri 0.808, test RMSE değeri 6.644 µg/m³ olarak hesaplanmıştır. LightGBM modeli benzer doğruluk seviyeleri sunarken, LSTM modeli ise en düşük değerleri alarak anlamlı bir sonuç vermemiştir. Kaliforniya çalışma alanında da CatBoost (0.863 R² ve 4.249 µg/m³ RMSE) ve LightGBM (0.85 R² ve 4.411 µg/m³ RMSE) modelleri öne çıkmış ve karmaşık, doğrusal olmayan ilişkilerin bu modeller tarafından başarılı biçimde temsil edildiği görülmüştür. LSTM modeli Kaliforniya çalışma alanında daha iyi gözükse de halen diğer modellere göre düşük kalmaktadır. Ayrıca görsel olarak ta bakıldığında anlamlı sonuç vermediği gözükmektedir. CO parametresi için Türkiye çalışma alanında en iyi performans Gradient Boosting modeli ile elde edilmiştir. Bu model için test R² değeri 0.833, test RMSE değeri ise 168.851 µg/m³ olarak hesaplanmıştır. LightGBM modeli 0.820 test R² ve 175.328 µg/m³ RMSE değeri ile benzer sonuçlar sunmuştur. Kaliforniya çalışma alanında CO için en yüksek performans LightGBM modeli ile elde edilmiştir. Bu modelin test R² değeri 0.792, test RMSE değeri ise 55.938 µg/m³ olarak gözükmektedir. CatBoost ve Gradient Boosting modelleri her iki çalışma alanında da tutarlı sonuçlar üretmiştir. Model sonuçlarının yorumlanması için SHAP analizi uygulanmıştır. Hem Türkiye hem de Kaliforniya çalışma alanlarında uydu tabanlı NO₂ değişkeninin en baskın açıklayıcı parametre olduğu görülmüştür. Bu değişken tüm modellerde en yüksek SHAP değerlerine sahiptir. Yükselti değişkeni her iki çalışma alanında da önemli bir katkı sunmuştur. Bu bulgu topografyanın NO₂ dağılımı üzerindeki etkisinin farklı coğrafyalarda tutarlı olduğunu göstermektedir. Bitki örtüsünü temsil eden LAI değişkenleri orta düzeyde katkı sağlamıştır. Meteorolojik değişkenlerin katkısı ise genel olarak ikincil düzeyde kalmıştır. Çalışmada ayrıca aktarımlı öğrenme (transfer learning) yaklaşımı kapsamında, Kaliforniya çalışma alanında eğitilen modeller Türkiye'deki büyük yangınlara uygulanmıştır. Kaliforniya'da eğitilen CatBoost modeli, Bursa ve İzmir yangınları için yersel NO₂ tahminlerinde kullanılmış ve modellerin genellenebilirliği test edilmiştir. Buna ek olarak, çalışmada GRIDMET ve ERA5-Land meteorolojik veri setleri karşılaştırmalı olarak değerlendirilmiştir. Her iki veri seti kullanılarak geliştirilen makine öğrenmesi modellerinin performansları ve SHAP tabanlı açıklanabilirlik sonuçları incelenmiştir. Elde edilen bulgular, R² ve RMSE gibi temel performans metrikleri açısından iki veri seti arasında ciddi bir fark bulunmadığını göstermektedir. Bununla birlikte, üretilen mekânsal tahmin haritaları incelendiğinde, GRIDMET veri seti kullanılarak elde edilen sonuçların, daha yüksek mekânsal çözünürlüğü nedeniyle daha ayrıntılı ve pürüzsüz desenler sunduğu görülmüştür. SHAP sonuçlarına göre ise iki veri seti kullanıldığında da modellerin benzer değişkenleri daha etkin kullanarak sonuçlara vardığı tespit edilmiştir. Sonuç olarak bu çalışma, uydu verileri ve makine öğrenmesi yöntemlerinin birlikte kullanılmasıyla yangın dönemlerinde yersel hava kalitesi tahminlerinin başarılı biçimde gerçekleştirilebileceğini göstermiştir. Ağaç tabanlı gradyan artırma modelleri hem doğruluk hem de kararlılık açısından öne çıkmıştır. SHAP analizleri, geliştirilen modellerin karar mekanizmalarının fiziksel olarak anlamlı olduğunu desteklemiştir. Elde edilen bulgular, farklı coğrafi bölgelerde benzer süreçlerin yakalanabildiğini göstermekte ve yöntemin genellenebilirliğini ortaya koymaktadır.
Özet (Çeviri)
Forests are natural ecosystems covers approximately 31% of the Earth's land surface and play a critical role in maintaining the continuity of the global ecosystem. They are indispensable for ecological balance due to their capacity to sequester atmospheric carbon dioxide, contribute to oxygen production, and provide habitats for biodiversity. Forests also play an important role in sustaining the hydrological cycle, mitigating soil erosion, and regulating local climatic conditions. In recent years, a significant increase has been observed in both the frequency and intensity of forest fires. This increase is primarily attributed to rising temperatures, prolonged drought conditions, strong wind events, and human activities. The escalation of wildfire activity has been particularly pronounced in fire-prone regions such as the Mediterranean Basin. Large-scale fires cause the loss of forest resources and accelerate climate change by releasing greenhouse gases into the atmosphere. During forest fires, large amounts of gases and particles are released into the atmosphere. Among these emissions, nitrogen dioxide and carbon monoxide are prominent trace gases. Nitrogen dioxide is a reactive compound closely associated with combustion processes and can promote ozone formation through photochemical reactions, thereby degrading air quality. Carbon monoxide, on the other hand, is a major product of incomplete combustion and influences ozone formation and methane lifetime through its interaction with hydroxyl radicals in the troposphere. Exposure to these pollutants is directly linked to respiratory and cardiovascular diseases, leading to serious health impacts, especially among vulnerable populations. Hence, reliable analysis of the spatial and temporal patterns of fire related air pollution is important for environmental management and public health protection. Accurate assessment of wildfire impacts on air quality depends primarily on the timely and precise detection of burned areas. The location, extent, and burn severity of fire-affected areas directly determine the distribution of emitted pollutants. Ground-based air quality monitoring stations provide high accuracy measurements; however, their limited spatial coverage constrains the representation of large-scale and spatially heterogeneous wildfire events. Remote sensing satellite data offer a strong alternative in this context. Their ability to cover large areas and provide regular, continuous observations represents a major advantage. Multispectral sensors such as Sentinel-2A/B and Landsat-8/9 enable the comparison of pre- and post-fire conditions, allowing burned areas to be delineated using spectral indices such as dNBR, dNDVI, and dNDMI. These indices also support the classification of burn severity. For monitoring atmospheric components, the TROPOMI sensor aboard the Sentinel-5P satellite plays a key role by providing daily observations of tropospheric column densities of pollutants such as nitrogen dioxide and carbon monoxide. However, satellite derived column measurements do not directly represent ground level concentrations, and their relationship with ground observations is influenced by various environmental factors, including meteorological conditions, topography, and land cover. ERA5-Land reanalysis products contribute to modeling this complex relationship by providing meteorological variables such as air temperature, wind speed and direction, surface pressure, and solar radiation at high temporal resolution. These variables play a significant role in explaining the linkage between satellite observations and ground-based air quality measurements. In this context, machine learning methods provide an effective framework for capturing nonlinear relationships between satellite observations, meteorological variables, and environmental factors to estimate ground level air quality. However, their black-box nature often limits interpretability. Explainable artificial intelligence techniques, particularly SHAP, address this limitation by quantifying the contribution of individual variables to model predictions. This thesis investigates the impacts of forest fires on ground-level air quality using an explainable modeling framework. Burned areas are identified through spectral indices, and ground-level concentrations of nitrogen dioxide and carbon monoxide during fire periods are estimated using integrated satellite and meteorological data. The generalizability and physical consistency of the developed models are evaluated through SHAP based analysis. Two study areas are defined: Western and Southwestern Anatolia in Türkiye, and the state of California in the United States. The Türkiye study area includes the provinces of İzmir, Aydın, Muğla, Antalya, Burdur, Isparta, Denizli, Afyonkarahisar, Uşak, Manisa, Balıkesir, Bilecik, Bursa, Çanakkale, Yalova, Kocaeli, Sakarya, Tekirdağ, Kırklareli, and Edirne. This region was selected based on the continuity and spatial distribution of ground monitoring stations and is characterized by coastal meteorological influences, diverse vegetation cover, and pronounced topographic variability, allowing for representative analysis of fire dynamics and pollutant dispersion. California was selected due to its frequent large-scale wildfires and well-established air quality monitoring infrastructure, providing an appropriate second study area for testing the proposed methods under different environmental conditions. Burned area detection was performed using Sentinel-2 and Landsat-8/9 imagery. Cloud and water masking were applied during preprocessing, followed by the creation of pre- and post-fire mosaics. dNBR classification was conducted based on USGS threshold values, while dNDVI and dNDMI were used as supporting indicators of vegetation and moisture loss. During the 2025 fire season in Türkiye, the total burned area was estimated as 101,503.99 hectares using Sentinel-2 data and 100,058.78 hectares using Landsat-8/9 data. In the Los Angeles region of California, the Palisades, Eaton, Kenneth, Hurst, Lidia, Sunset, and Archer fires were analyzed. Sentinel-2 data indicated a total burned area of approximately 41000 acres, with the Palisades fire accounting for about 24280 acres and the Eaton fire for approximately 14489 acres. Air quality variables were obtained from Sentinel-5P TROPOMI OFFL products via Google Earth Engine. Tropospheric column densities of nitrogen dioxide and carbon monoxide were converted from mol/m² to µmol/m². Meteorological auxiliary variables were extracted from the ERA5-Land Hourly dataset and included air temperature, dew point temperature, surface solar radiation, wind speed, wind direction, surface pressure, total precipitation, total evaporation, surface albedo, high and low vegetation leaf area index. Topographic effects were represented using the 30-m resolution TanDEM-X digital elevation model. Ground-based air quality data were obtained from the National Air Quality Monitoring Network for Türkiye and from the EPA AirData database for California. In the Türkiye study area, 98 stations were used for the period 15 May–30 July 2025, with 90 stations measuring nitrogen dioxide and 55 measuring carbon monoxide. Measurements were matched to satellite overpass times using the 09:00–12:00 local time window. For California, data from 1 January–30 July 2025 were analyzed, including 52 nitrogen dioxide stations and 30 carbon monoxide stations. Measurements from 19:00–22:00 UTC were used to represent satellite overpass conditions. Datasets were filtered to remove missing values and physically implausible negative observations. The Türkiye nitrogen dioxide dataset was structured to capture both background conditions and fire-related peaks, retaining observations within the 10th and 90th percentiles. The final dataset consisted of 3,135 observations, with a Pearson correlation of 0.637 between satellite-based and ground-based nitrogen dioxide. For carbon monoxide, 1,728 observations were retained, yielding a correlation of 0.411. The California nitrogen dioxide dataset consisted of 5,055 observations, with a correlation of 0.709, while the carbon monoxide dataset included 2,498 observations with a correlation of 0.252. The California nitrogen dioxide dataset was split into 80% training (4,169 observations) and 20% testing (1,043 observations). To assess the thermal effects of fires in California, ECOSTRESS land surface temperature data with 70-m spatial resolution were used. These data supported the spatial characterization of thermal anomalies during major fires in the Los Angeles region and were treated as a complementary layer representing the thermal component of burn severity. For the NO₂ parameter, the best performance in the Türkiye study area was achieved using the CatBoost model, with a test R² value of 0.808 and a test RMSE of 6.644 µg/m³. The LightGBM model provided comparable accuracy, whereas the LSTM model yielded the lowest performance and did not produce meaningful results. In the California study area, the CatBoost (R² = 0.863, RMSE = 4.249 µg/m³) and LightGBM (R² = 0.850, RMSE = 4.411 µg/m³) models also outperformed the other approaches, indicating their strong capability to represent complex and nonlinear relationships. Although the LSTM model showed relatively improved performance in California, it remained inferior to the other models, and visual inspection of the prediction maps further suggested that it did not produce meaningful spatial patterns. For the CO parameter, the highest performance in the Türkiye study area was obtained with the Gradient Boosting model, achieving a test R² of 0.833 and a test RMSE of 168.851 µg/m³. The LightGBM model yielded comparable results with a test R² of 0.820 and an RMSE of 175.328 µg/m³. In the California study area, the LightGBM model demonstrated the best performance for CO, with a test R² of 0.792 and an RMSE of 55.938 µg/m³. The CatBoost and Gradient Boosting models produced consistent results across both study areas. SHAP analysis revealed that satellite derived nitrogen dioxide was the most influential explanatory variable in both study areas. Elevation consistently showed a significant contribution, while leaf area index variables exhibited moderate effects. Meteorological variables generally played a secondary role, with contributions varying depending on conditions. Local SHAP explanations indicated that satellite nitrogen dioxide and topography strongly increased predictions in certain cases, while some meteorological variables exerted balancing effects. These findings indicate that the models capture relationships consistent with underlying physical processes. In addition, within the scope of the transfer learning approach, models trained in the California study area were applied to major wildfire events in Türkiye. The CatBoost model trained in California was used to estimate ground-level NO₂ concentrations for the Bursa and İzmir fires, and the generalizability of the developed models was evaluated. Furthermore, the GRIDMET and ERA5-Land meteorological datasets were comparatively assessed in this study. The performance of machine learning models developed using both datasets, along with their SHAP-based explainability results, were analyzed. The findings indicate that there were no substantial differences between the two datasets in terms of key performance metrics such as R² and RMSE. However, an examination of the spatial prediction maps revealed that the results obtained using the GRIDMET dataset exhibited more detailed and smoother spatial patterns due to its higher spatial resolution. SHAP analysis further showed that, regardless of the meteorological dataset used, the models relied on similar explanatory variables to generate predictions. In conclusion, this study demonstrates that surface-level nitrogen dioxide and carbon monoxide concentrations during wildfire periods can be effectively estimated by integrating satellite observations, meteorological auxiliary data, and machine learning methods. Tree-based boosting models showed superior accuracy and robustness, while SHAP analysis enhanced model interpretability. The ability to capture similar processes across distinct geographic regions such as Türkiye and California indicates the generalizability of the proposed approach and highlights the value of multi-source data integration for analyzing wildfire air quality interactions.
Benzer Tezler
- Investigation of agricultural residue burning and wildfire impacts on air quality via satellite retrievals in Southern Turkey
Uydu verileri ile Türkiye'nin Güney Bölgesinde anız yakılmasının ve orman yangınlarının hava kalitesine etkisinin incelenmesi
MERVE EKE
Yüksek Lisans
İngilizce
2023
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURÇAK KAYNAK TEZEL
- Evaluation of IASI NH3 levels in the Eastern Mediterranean Region
Doğu Akdeniz Bölgesinde IASI NH3 seviyelerinin değerlendirilmesi
SERRA SARAÇOĞLU
Yüksek Lisans
İngilizce
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURÇAK KAYNAK TEZEL
- Antalya ilinde orman yangınlarının farklı parametrelerle ilişkisi
Relationship between forest fires and different parameters in Antalya province
YASİN FURKAN ŞENLİK
- Remote sensing-based analyses for fire danger assessment and active fire monitoring in forest ecosystems
Orman ekosistemlerinde yangın tehlikesinin değerlendirilmesi ve aktif yangın izleme için uzaktan algılama tabanlı analizler
HATİCE ATALAY
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- Türkiye'de yıldırım kaynaklı orman yangınlarının mekansal ve zamansal örüntüleri
Spatiotemporal patterns of lightning-induced wildfires in Turkey
MEHMET GÖKTUĞ ÖZTÜRK
Yüksek Lisans
Türkçe
2024
BiyolojiHacettepe ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ÇAĞATAY TAVŞANOĞLU