Research Information System
TUFUAB 2025, Zonguldak, Turkey, 18 - 20 June 2025, pp.47-52, (Summary Text)
Forest fires have serious ecological, environmental and socio-economic impacts. Remote sensing and deep learning techniques offer significant advantages in post-fire damage detection. In this study, semantic segmentation of burned areas after forest fires is performed using the U-Net model. Manavgat fire zone in Antalya province was selected as the study area and PlanetScope satellite images taken after the fire were used as satellite imagery. The performance of the model was evaluated with accuracy, precision, sensitivity and F1-Score metrics. The U-Net model showed high performance with 91% accuracy, 95% sensitivity and 94% F1-Score in the detection of burned areas. In unburned areas, 80% accuracy and 88% sensitivity values were achieved. Both macro and weighted average metrics reflecting the overall performance of the model yielded results above 89%. These findings show that the U-Net based approach provides a highly reliable and consistent solution for automatic detection of burned areas. The results demonstrate the effectiveness of the U-Net model in segmenting burning areas with high accuracy, especially in regions with heterogeneous terrain.
Orman yangınları, ekolojik, çevresel ve sosyo-ekonomik açıdan ciddi etkilere sahiptir. Uzaktan algılama ve derin öğrenme teknikleri, yangın sonrası hasarın tespitinde önemli avantajlar sunmaktadır. Bu çalışmada, U-Net modeli kullanılarak orman yangını sonrası yanan alanların semantik bölütlemesi gerçekleştirilmiştir. Çalışma alanı olarak Antalya ili Manavgat yangın bölgesi seçilmiş ve uydu görüntüsü olarak yangın sonrası çekilen PlanetScope uydu görüntüleri kullanılmıştır. Modelin performansı doğruluk, hassasiyet, geri çağırma ve F1- Skoru metriklerle değerlendirilmiştir. Kullanılan U-Net modeli, yanan alanların tespitinde %91 doğruluk, %95 hassasiyet ve %94 F1-Skoru ile yüksek performans sergilemiştir.Yanmamış alanlarda ise %80 hassasiyet ve %88 geri çağırma değerlerine ulaşılmıştır. Modelin genel performansını yansıtan makro ve ağırlıklı ortalama metriklerin her ikisi de %89'un üzerinde sonuç vermiştir. Bu bulgular, U-Net tabanlı yaklaşımın, yanan alanların otomatik tespiti için yüksek derecede güvenilir ve tutarlı bir çözüm sunduğunu göstermektedir. Sonuçlar, özellikle heterojen arazi yapısına sahip bölgelerde yanan alanların yüksek doğrulukla bölütlenmesinde U-Net modelinin etkinliğini göstermektedir.