Revista Cartográfica (Jun 2019)
Comparison of maximum likelihood estimators and regression models for burn severity mapping in Mediterranean forests using Landsat TM and ETM+ data
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.
Keywords
