| Journal: | Revista cartográfica |
| Database: | PERIÓDICA |
| System number: | 000451097 |
| ISSN: | 0080-2085 |
| Authors: | Ariza, Alexander1 Salas Rey, Javier1 Merino de Miguel, Silvia2 |
| Institutions: | 1Universidad de Alcalá de Henares, Alcalá de Henares, Madrid. España 2Universidad Politécnica de Madrid, Madrid. España |
| Year: | 2019 |
| Season: | Ene-Jun |
| Number: | 98 |
| Pages: | 145-177 |
| Country: | México |
| Language: | Inglés |
| Document type: | Artículo |
| Approach: | Analítico, descriptivo |
| Spanish abstract | Durante la última década, ha habido un número creciente de trabajos publicados sobre la gravedad de los incendios forestales utilizando datos de teledetección para fines de gestión de recursos naturales y de investigación. Muchos de estos estudios cuantifican los cambios entre las condiciones de vegetación antes y después del incendio a partir de imágenes satelitales utilizando índices espectrales; sin embargo, hay una discusión activa sobre cuál de los índices más comúnmente usados es más adecuado para estimar la severidad de la quemadura, y qué metodología es la mejor para la estimación de los niveles de severidad. Este estudio propone y evalúa un algoritmo de aprendizaje automático de Estimación de Máxima Verosimilitud (EMV) para mapear la severidad de las quemaduras como una alternativa a los modelos de regresión. Desarrollamos ambos métodos usando datos de campo de GeoCBI (Índice Compuesto de Quema Geométricamente Estructurado, siglas en inglés) y seis índices espectrales diferentes (derivados de imágenes Landsat TM y ETM+) para dos incendios forestales en el centro de España. Comparamos la capacidad para discriminar la severidad de la quemadura de estos índices a través de un índice de separabilidad espectral (M), y evaluamos su concordancia con datos de campo basados en GeoCBI usando el coeficiente de determinación (R2). Posteriormente, el índice seleccionado se utilizó para los modelos de regresión y la EMV para estimar los niveles de severidad de quema (sin quemar, bajo, moderado y alto), y se validó con datos de campo. El índice RBR mostró una mejor separabilidad espectral (promedio entre dos fuegos M= 2.00) que el dNBR (M= 1.82) y RdNBR (M= 1.80). Además, GeoCBI tuvo un mayor ajuste con RBR (R2= 0.73) que con RdNBR (R2= 0.72) y dNBR (R2= 0.71). Finalmente, la EMV mostró la mayor precisión de clasificación general (Kappa= 0,65) y la mejor precisión para cada clase individual |
| English abstract | During the last decade, there has been a growing number of published works about burn severity of forest fires using remote sensing data for both natural resources management and research purposes. Many of these studies quantify changes between pre- and post-fire vegetation conditions from satellite images using spectral indices; however, there is an active discussion about which of the most commonly used indices is more suitable to estimate burn severity, and which methodology is the best for the estimation of severity levels. This study proposes and evaluates a Maximum Likelihood Estimation (MLE) Automatic Learning Algorithm for mapping burn severity as an alternative to regression models. We developed both these methods using GeoCBI (Geometrically structured Composite Burn Index) field data, and six different spectral indices (derived from Landsat TM and ETM+ images) for two forest fires in central Spain. We compared the capability to discriminate burn severity of these indices through a spectral separability index (M), and evaluated their concordance with GeoCBI-based field data using the coefficient of determination (R2). Afterwards, the selected index was used for the regression and MLE models for estimating burn severity levels (unburned, low, moderate, and high), and validated with field data. The RBR index showed a better spectral separability (average between two fires M= 2.00) than dNBR (M= 1.82) and RdNBR (M= 1.80). Additionally, GeoCBI had a higher adjustment with RBR (R2= 0.73) than with RdNBR (R2= 0.72) and dNBR (R2= 0.71). Finally, MLE showed the highest overall classification accuracy (Kappa= 0.65), and the best accuracy for each individual class |
| Portuguese abstract | Durante a última década, surgiu um número crescente de trabalhos publicados sobre a gravidade dos incêndios florestais utilizando dados de sensoriamento remoto para fins de gestão de recursos naturais e de investigação. Muitos destes estudos quantificam as mudanças entre as condições de vegetação antes e depois do incêndio a partir de imagens de satélites utilizando índices espectrais; entretanto, há uma discussão ativa sobre qual os índices mais comumente usados é mais adequado para estimar a severidade do incêndio, e que metodologia é a melhor para a estimação dos níveis de severidade. Este estudo propõe e avalia um algoritmo de aprendizagem automático de Estimação de Máxima Verosimilitude (EMV) para mapear a severidade dos incêndios como uma alternativa aos modelos de regressão. Desenvolvemos ambos os métodos usando dados de campo de GeoCBI (Índice Composto de Queima Geometricamente Estruturado, siglas em inglês) e seis índices espectrais diferentes (derivados de imagens Landsat TM e ETM+) para dois incêndios florestais no centro da Espanha. Comparamos a capacidade para discriminar a severidade do incêndio destes índices através de um índice de separabilidade espectral (M), e avaliamos sua concordância com dados de campo baseados no GeoCBI usando o coeficiente de determinação (R2). Posteriormente, o índice selecionado foi utilizado para os modelos de regressão e a EMV para estimar os níveis de severidade de queima (sem queima, baixo, moderado e alto), e se validou com dados de campo. O índice RBR mostrou uma melhor separabilidade espectral (média entre dois incêndios M= 2.00) que o dNBR (M= 1.82) e RdNBR (M= 1.80). Além disso, GeoCBI teve um maior ajuste com RBR (R2= 0.73) que com RdNBR (R2= 0.72) e dNBR (R2= 0.71). Finalmente, a EMV mostrou a maior precisão de classificação geral (Kappa= 0,65) e a melhor precisão para cada classe individual |
| Disciplines: | Geografía, Agrociencias |
| Keyword: | Cartografía, Silvicultura, Incendios forestales, Mapeo, Modelos de regresión, Algoritmos, Máxima verosimilitud, España |
| Keyword: | Cartography, Silviculture, Forest fires, Mapping, Algorithms, Regression models, Maximum likelihood, Spain |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
