Análisis comparativo de índices espectrales para ubicar y dimensionar niveles de severidad de incendios forestales

Abstract

Los efectos de los incendios forestales en los ecosistemas son variables dependiendo de la severidad del fuego, sin embargo su evaluación en campo significa un importante gasto de recursos, ya sea por la amplitud, o inaccesibilidad. Debido a esto se han implementado estrategias alternas, como el uso de índices espectrales derivados de sensores remotos. Sin embargo, existe un amplio número y diversidad de estos, por lo que en este trabajo se hizo un análisis comparativo en relación a la detección y clasificación de la severidad de un incendio forestal, ocurrido en 2018 en un bosque de pino-encino. Los índices se derivaron de imágenes Landsat 8 (OLI) y se agruparon como: a) Monotemporales (Consideran una sola fecha imagen): NIR, NDVI, NDWI, NBR, EVI, NBRT, BAI, OSAVI, GCI, SIPI, GNDVI, GEMI; y b) Bitemporales (Para su estimación se usan dos fechas de imágenes): RdNBR, dNBR, RBR, RI, NRI, dNDVI. Para la selección se determinó, a través de una matriz de confusión, la precisión global y el coeficiente kappa. Debido a que se observó una diferencia dependiendo del tiempo transcurrido después de la ocurrencia del incendio, se definió el índice PK (coeficiente kappa/precisión global). De esta forma, el mejor índice para la detección y clasificación de la severidad del incendio fue el NBR. También se observó que la precisión está relacionada a la temporalidad, de esta forma los mejores índices definidos después del incendio fueron: NBR, GNDVI, RdNBR, Dnbr, RBR, RI y BAI; mientras que los definidos después de lluvias fueron: NBR, NBRT, NDVI y NDWI.

Application of Google Earth Engine in the preliminary analysis of fire severity in the Iberá National Park and Reserve, Argentina

“…The NBR index presents good results in the evaluation of fire in general. However, it should be considered that it simply reports the state of the vegetation at the moment, regardless of whether the damage is caused specifically by fire or by other factors such as, for example, pests (Flores-Rodríguez et al 2021). In addition, it is important to consider that burned areas reported with NBR can be confused with water bodies or bare rock areas (Heredia Laclaustra et al 2003), and the presence of smoke in active foci also interferes with the detection of burned areas.…”

“…However, considering that in most cases fires occur in times of drought, many times the changes produced by water stress in the environment between the pre-and post-fire image are shown in the dNBR as mainly low severity levels (Anaya et al 2018). On the other hand, changes in land use such as harvesting of agricultural or forest plots, clearing of forest patches or woodlands, opening of land for urban lots, or the presence of surface water can also be confused with areas affected by fire (Key & Benson 2006;Flores-Rodríguez et al 2021). Many of these drawbacks can be solved by optical analysis perfomed by users, who must be trained to detect fire scars.…”

Machine learning assisted remote forestry health assessment: a comprehensive state of the art review

“…According to the literature reviewed, Sentinel 1 and 2 (Huo et al, 2021;Nasiri et al, 2022), Landsat-8 (Rodrıǵuez et al, 2021), Worldview-2 (Becker et al, 2018), Triplesat (Fakhri et al, 2022) are the most prominent satellite platforms used to assess forestry health.…”

“…Forest management plays a fundamental role in the analysis of forest health. Its main target is to reduce risks or negative impacts derived from external disturbances (Migliavacca et al, 2021) including wildfires (Hillman et al, 2021;Reilly et al, 2021;Rodrıǵuez et al, 2021;Wells et al, 2021;Trencanováet al, 2022), atmospheric pollution, forest stress (Cęzkowski et al, 2020;Huo et al, 2021), pests (Huo et al, 2021), climate change, and forest diseases (Lin et al, 2018;Sapes et al, 2022). The scientific community has established the use of forest indicators to ease forest health assessment (Trumbore et al, 2015;Cai et al, 2021;Kopackova-Strnadováet al, 2021;Migliavacca et al, 2021;Neuville et al, 2021).…”

“…Likewise, the use of remotely sensed imagery has contributed to the study of vegetation indices (Becker et al, 2018;Gallardo-Salazar et al, 2021;Rodrıǵuez et al, 2021;Fakhri et al, 2022;Qiu et al, 2022;Talavera et al, 2022;Xu et al, 2022;, forest mapping (Lin Y. Z. et al, 2021;Onishi and Ise, 2021;Fakhri et al, 2022;Nasiri et al, 2022;Trencanováet al, 2022;Xu et al, 2022), evaluation and detection of diseased forests (Lin et al, 2018;Sapes et al, 2022), canopy characterization (Furukawa et al, 2021;Ribas Costa et al, 2022), tree species classification (Liu et al, 2021;Mäyrä et al, 2021;Onishi and Ise, 2021;Hell et al, 2022;Yang and Kan, 2022), identification of fire-prone ecosystems (Trencanováet al, 2022), prediction of chlorophyll and nitrogen content (Yao et al, 2021;Narmilan et al, 2022;Wan et al, 2022), recognition of intrinsic forest factors (Xu et al, 2019;Dainelli et al, 2021), wildfire prevention (Trencanováet al, 2022), and so on.…”