Alevler Gelmeden: Yangın Haberini Veren Uydu Teknolojileri

Gülüzar Yiğit
17 saat önce
6 dakikada okunur

Orman yangınlarını hep sonrasında konuşuyoruz: kaç hektar kül oldu, kaç gün sürdü, kaç kişi müdahale etti? Ama asıl soru çoğu zaman sessizce geçip gidiyor: Bunu önceden görebilir miydik? Bu yazıda, geçmişe değil, olasılıklara bakıyoruz. Uydu verilerine dayanan iki güncel çalışma sayesinde, yangınların nerede ve ne zaman çıkabileceğine dair doğanın bize ne gibi ipuçları verdiğini inceleyeceğiz. Yani biraz bilim, biraz veri, biraz da doğayı anlamaya çalışma çabası. Hâlâ çok geç değil ama gözümüzü biraz daha yukarı kaldırmamız gerekebilir.

Uydu Teknolojileri ile Yangınlar Gerçekten Öngörülebilir mi?

Her yaz biraz daha fazla yanıyoruz. Sıcaklıkların artışıyla birlikte hızlı rüzgârlar, arazileri alevlere daha açık hale getiriyor. Sonucunda müdahalede gecikiyoruz ve doğa kaybediyor. Ama artık bu bir sürpriz değil. Ertuğrul ve Mertol'un (2019) iklim projeksiyonlarına göre, Türkiye 2050’ye kadar daha uzun yangın sezonlarına ve daha fazla risk alanına “hazır” olacak. Tabii bu hazırlık doğa adına, bizim adımıza değil.

Yangınların rastlantı olmadığına dair elimizde yeterince neden var: Artan sıcaklık, insan müdahalesi ve azalan yağış. Kuraklığa yatkın bölgelerde yangın sezonları erkene çekiliyor, yangın süresi uzuyor. Yani doğa, “Ben birazdan tutuşabilirim” diyor ama çoğu zaman biz bunu duymuyoruz.

türkiye'nin orman yangınına elverişlli iklimsel koşullarını ifade eden haritalar — Şekil 1: Türkiye genelinde mevcut yangın ortamını gösteren göstergeler: Yangın Hava Durumu İndeksi (FWI), İnce Yakıt Nem Kodu (FFMC), Kuraklık Kodu (DC) ve Çürük Madde Nem Kodu (DMC). Haritalar, orman yangınına elverişli iklimsel koşulların mekânsal dağılımını ortaya koymaktadır. (Ertuğrul & Mertol (2019) )

Yüksek sıcaklık, düşük nem, sert topoğrafya ve rüzgârın işbirliğiyle özellikle Akdeniz kuşağında yangınlar hızla kontrolden çıkabiliyor. Bu alanlara bir de yol kenarları, tarlalar, yerleşim alanları gibi insan etkisi eklendiğinde tablo iyice alev alıyor.

Ama bu tabloya yukarıdan bakınca işler değişiyor. Uzaktan algılama ve uydu teknolojileriyle, riskli bölgelerinin haberini yangın çıkmadan önce almak artık mümkün. Yani uydular sadece olmuşu kaydetmiyor; bazı verilerle, olacakların da haberini verebiliyor.

Nitekim Kanada’nın Alberta bölgesinde yapılan bir çalışmada, orman yangınlarının karların eridiği ama bitkilerin henüz yeşermediği o kısa zaman aralığında zirve yaptığı görülmüş. Toprak çıplak, nem düşük, ortam hazır. Doğa henüz uyanmamışken yangınlar çoktan harekete geçmiş oluyor.

Yangın Haberi Uydudan Gelir

Bitkiler uydulara poz veriyor desek, abartmış olmayız. Sentinel-2 yangın bölgesine her uğradığında, ormanın sağlık durumunu bir nevi "güncelleme bildirimi" olarak indiriyor. O bitki hâlâ yeşil mi, yoksa kuruyup sararmaya mı başlamış? Spektral bantlarda hepsi yazıyor. NDVI (Normalize Edilmiş Bitki İndeksi) işte bu dili çözüyor: Sağlıklıysa indeks yüksek, kuruyorsa index düşük.

Ama iş sadece yeşilliğin tonuyla bitmiyor. Yüzey sıcaklığı (LST) yükselmişse ve toprak nemi de azalmışsa, ormanlık alan sessizce kırmızı alarma geçmiş demektir.Üstüne bir de yol kenarı ya da yerleşim yerine yakınlık eklendi mi - bingo: yangın için tüm koşullar masada. Bu tür sıcaklık verileri, örneğin bu çalışmada olduğu gibi, MODIS’in MOD11A1 ürününden alınır, NASA tarafından split-window algoritmasıyla hesaplanmaktadır. Yani sıcaklık verisi saha ölçümü değil, uydunun termal bantlarından türetilmiş ve hazır ürün olarak kullanılmıştır.

İyi haber: Bu parametreler, yangın çıktıktan sonra değil, çıkmadan önce sinyal verir. NDVI’da ani bir düşüş mü var? LST artmış mı? Toprak kurumuş mu? Alberta örneğinde ise NDVI zaman serileri, mevsimsel eğilimleri ortaya koymak için STL (Seasonal-Trend decomposition using Loess) yöntemiyle ayrıştırılmıştır. Ayrıca phenocam verileri için çift lojistik eğriyle smoothing yapılmıştır. Bu sayede kısa dönemli değişimler ayıklanarak daha güvenilir paternler çıkarılmıştır. Hepsi, doğanın "ben buradayım" diye sessizce bağırdığı anlar.

Uydular bu çığlığı duyabiliyor. Çünkü uzaktan algılama sadece olanı belgeleyen bir gözlemci değil, olacak olanı sezebilen bir erken uyarı sistemidir.Doğru veriler, doğru yorumlanırsa haritalar geleceği gösterir.

Nerede? — Golestan Milli Parkı’ndan Bir Yangın Risk Haritası

Yangın riski haritası çıkarmak, bir nevi doğaya “şu an ne kadar kolay yanarsın?” diye sormaktır. Golestan Milli Parkı’nda bu soruya yanıt arayan bir ekip, 2024 yılında 10 farklı parametreyi bir araya getirdi:

NDVI, yüzey sıcaklığı, yağış, rüzgâr, arazi örtüsü, yollar, yerleşim yerleri...Yani hem doğanın iç sesini hem de insanın ayak izini dinleyen bir model kurdular. Park, İran’ın kuzeyinde; Hirkani ormanları ile yarı kurak bozkırların sınırında yer alıyor. Yani hem yeşilin hem yangının eşiğinde bir coğrafya.

Veriler, AHP ve bulanık mantık (Fuzzy) yöntemleriyle analiz edildi. AHP matrisleri uzman görüşlerine dayanarak oluşturulmuş, ardından tutarlılık oranı (CR) hesaplanmıştır. Çalışmada bildirilen CR değeri 0.08 olup, kabul edilebilir sınır olan 0.1’in altında kalmıştır. Bu da ağırlıklandırmanın yöntemsel olarak tutarlı olduğunu gösterir. Sonuç? Parkın yaklaşık %24’lük kısmı “yüksek” ya da “çok yüksek” yangın riski taşıyor. Ve bu alanların çoğu, tahmin edebileceğiniz gibi, insan yerleşimlerine ve yollara en yakın bölgelerde yoğunlaşıyor.

golestan milli parkı yangın riski haritası — Şekil 2: Golestan Milli Parkı’nın yangın riski haritası. Kırmızı alanlar “aşırı yüksek” risk bölgelerini gösteriyor. Bu alanlar genellikle yollar ve yerleşimlere yakın bölgelerde yoğunlaşıyor. (Parvar et al., 2024)

Golestan Milli Parkı’nın yangın riski haritası, NDVI, sıcaklık, yağış, yerleşim gibi çeşitli göstergelerin birlikte değerlendirilmesiyle oluşturulmuş çok kriterli bir yangın riski haritasıdır. “Aşırı yüksek” risk, özellikle güney ve batı sınırlarında yoğunlaşmakta; bu bölgeler geçmiş yangın noktalarıyla da çakışmaktadır.

golestan milli parkı'nın orman kayıpları analizi haritaları — Şekil 3: Golestan Milli Parkı’nda 2000–2022 yılları arasında yaşanan orman kayıpları (A) ve MODIS verilerine göre kaydedilen yangın noktaları ile yanmış alanlar (B). (Parvar et al., 2024)

Bu yaklaşımın en güçlü yanı, çok sayıda parametreyi bir arada mekânsal olarak değerlendirebilmesi. Ama unutmayalım: Modelin hassasiyeti, kullandığınız verinin çözünürlüğü ve güncelliği kadar yüksek olacaktır. MODIS NDVI verisi 250 m çözünürlüğe sahiptir. Alberta çalışmasında bu çözünürlük geniş alanlı yangın trendlerini analiz etmek için yeterli görülmüş, ancak mikro-ölçekli tahminler için phenocam verileriyle desteklenmiştir. Uydu geç kalırsa, yangın erken gelir. Bu nedenle, geniş alan analizlerinde MODIS yeterli görülürken, yer düzeyinde hassasiyet gerektiren durumlarda daha yüksek çözünürlüklü veriler veya yer gözlemleri tercih edilmelidir.

Gerçekleşen yangınlarla modelin öngördüğü yüksek riskli bölgelerin neredeyse birebir örtüştüğünü görmek mümkün. Şekil 3’teki veriler, uyduların yalnızca tahmin değil, isabetli tahmin sunduğunu gösteriyor. Yangınların büyük kısmı, daha önce “çok yüksek risk” kategorisine giren alanlarda çıkmış.

Ne Zaman? — Kanada’nın 10 Günlük Yangın Penceresi

alberta ormanının tematik haritası ve ortalama bitki yeşillenme haritası — Şekil 4: Alberta’daki doğal bölgeler (a) ve 2000–2016 ortalama NDVI haritası (b). Yeşillenme düzeyleri, yangın başlangıcıyla ilişkilidir. (*AghaKouchak.,2024)*

Alberta, Kanada. Yıl 2024. MODIS uydusu gökyüzünden bakıyor, phenocam’ler yerden… Ve 2000–2022 arasındaki bitki yeşillenme zamanlarını kaydediyorlar.Amaç basit: Doğa ne zaman uyanıyor, yangınlar ne zaman uyanıklık yapıyor?

Ortaya çıkan tablo oldukça çarpıcı: Yangınlar, bitkilerin yeşillenmesinden ortalama 10 gün önce zirve yapıyor.Yani NDVI henüz kıpırdamamışken, toprak hâlâ çıplak ve nemsizken, alevler fırsat kolluyor.

Şekil 5: NDVI verileriyle belirlenen yeşillenme tarihlerinden yalnızca birkaç gün önce çekilen bu iki kare, bitki örtüsünün hâlâ uykuda olduğunu ve yer yer karla kaplı olduğunu gösteriyor. Bu geçiş dönemi, yangınların zirve yaptığı kritik pencereyi oluşturuyor. (AghaKouchak et al., 2024)

Geliştirilen model, yeşillenme tarihlerini %76 doğrulukla tahmin edebiliyor.Ancak topografya, rüzgâr, sosyoekonomik etkenler gibi yangını şekillendiren pek çok faktör bu çalışmaya dâhil değil. Bu yüzden model nerede çıkacağını söylemiyor, sadece ne zaman dikkat kesilmek gerektiğini fısıldıyor.

Birlikte Daha Güçlü: Nerede + Ne Zaman = Hazırlıklı Olabilir Miyiz?

Golestan çalışması “nerede yanma ihtimali yüksek?” sorusuna cevap ararken, Alberta çalışması “ne zaman tetikte olmalıyız?” diyor. İkisi bir araya geldiğinde, elimizde artık sadece bir harita değil, bir zaman çizelgesi de oluyor.

Bu ne işe yarar?

Yerel yönetimler, riskli bölgeleri ve kritik dönemleri önceden belirleyebilir.
Müdahale ekipleri, daha isabetli kaynak planlaması yapabilir.
Sivil halk, “yaz gelsin de bakarız” demeden erken uyarılabilir.

Yani doğa sinyal veriyor, teknoloji bunu yakalıyor.Gerisi bize kalıyor: “Ne zaman harekete geçeceğiz?” sorusuna cevap vermek.

Yangın Haberi Veren Uydu Teknolojileri ve Günlük Hayat Önerileri

Yangın öncesi risk değerlendirmesinde kullanılan NDVI, LST, toprak nemi gibi parametreler, halihazırda çok sayıda uydu tarafından periyodik olarak sağlanıyor. Bu verilerin akademik yayınlar dışında pratik sistemlere entegre edilmesi, erken uyarı mekanizmalarının güçlenmesi açısından önem taşıyor. Her iki çalışmada da GNSS tabanlı atmosferik düzeltmeler veya hassas konum verileri kullanılmamıştır. Ancak özellikle topografyanın yangın riskini etkilediği bölgelerde, GNSS destekli meteorolojik gözlemler modele entegre edilirse tahminlerin konumsal doğruluğu artırılabilir.

Öncelikle, yerel yönetimlerin, uydu verilerini yorumlayan otomatik analiz sistemleri kurması mümkün. Bu sistemler, belirli eşik değerlerin altına inildiğinde veya üzerine çıkıldığında ilgili birimlere uyarı verecek şekilde tasarlanabilir. Kullanılan veriler ESA’nın Sentinel-2, NASA’nın MODIS veya VIIRS gibi açık erişimli platformlarından sağlanabilir.

Yangın riski haritaları, yalnızca orman idaresi ölçeğinde değil, ilçe ve mahalle bazında detaylandırılmalı. Bu haritalar, karar vericilerin ve saha ekiplerinin müdahale öncesi kaynak planlamasında kullanılabilir. Mekânsal çözünürlüğü artırmak amacıyla yüksek çözünürlüklü görüntüler veya insansız hava araçları (İHA) ile yerel ölçekte destek alınabilir.

Erken uyarı sistemleri, meteorolojik ve topoğrafik verilerle entegre edilerek daha işlevsel hâle getirilebilir. Örneğin sıcaklık, rüzgâr hızı ve yönü gibi verilerin günlük olarak NDVI ve LST analizleriyle birleştirilmesi, kısa vadeli yangın potansiyelini ortaya koyan modellerin doğruluğunu artırır.

Verilerin yaygınlaştırılması da önemlidir. Risk haritaları, sadece idari kurumlar için değil, sulama birlikleri, tarımsal kooperatifler ve kırsal belediyeler gibi paydaşlarla da paylaşılmalıdır. Bu tür kurumlar, yangının başladığı alanlarda çoğu zaman ilk gözlem yapan ya da haberdar olan aktörlerdir.

Son olarak, araştırma merkezleri ve üniversiteler tarafından geliştirilen modellerin açık kaynaklı arayüzlerle karar destek sistemlerine dönüştürülmesi, bilginin daha geniş ölçekli kullanımına katkı sağlar. Bu tür modeller, hem doğruluk oranları hem de kullanılabilirlik açısından sahadan geri bildirim alarak güncellenmeli ve optimize edilmelidir.

Bu yazıda yalnızca veriye değil, verinin ne zaman ve nerede konuştuğuna kulak verdik. Ama anlatılanların hepsi bana ait değil. Aşağıda, bu bilgileri sahadan toplayan, modelleyen, anlamlandıran araştırmacıların izleri var. Eğer konuyu daha da derinleştirmek isterseniz, kaynaklar sizi bekliyor.

Kaynaklar

Bitek, Deniz & Ocakbaşı, Emrullah & Erenoğlu, Cüneyt. (2022). Sentinel-2 Uyduları ile Orman Yangını Analizi: 2018 Yunanistan Mati Örneği. Academic Perspective Procedia. 5. 210-219. 10.33793/acperpro.05.02.5941.
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
Ertuğrul, Mertol. (2019). Future Forest Fire Danger Projections Using Global Circulation Models (GCM) in Turkey. Fresenius Environmental Bulletin. 28. 3261-3269.
Gunay Ercan, Delfin & UYGUNOL, Mehmet. (2023). Yanmış Alanların Uzaktan Algılama İle Tespiti Ve Arazi Örtüsü Sınıfları İle Karşılaştırılması, Muğla/Marmaris Örneği. 10.15659/uzalcbs2022.12754.
Zahra Parvar, Sepideh Saeidi, Seyedhamed Mirkarimi,Integrating meteorological and geospatial data for forest fire risk assessment,Journal of Environmental Management,Volume 358,2024,120925,ISSN 0301-4797,https://doi.org/10.1016/j.jenvman.2024.120925.
Pickell, P.D., Coops, N.C., Ferster, C.J. et al. An early warning system to forecast the close of the spring burning window from satellite-observed greenness. Sci Rep 7, 14190 (2017). https://doi.org/10.1038/s41598-017-14730-0