Estimación de variables forestales a partir sensores lidar y ópticos e inteligencia artificial

Mihai Tanase; Juan Pablo Martini; Pablo Miranda; Daniel Garcia Garcia; Victoria Wilke; Jaime Diez; Sergio Natal; Daniel San Martin

doi:10.18172/cig.6767

Autores/as

Mihai Tanase Instituto de Ciencias Forestales ICIFOR (INIA-CSIC)
Juan Pablo Martini Departamento de Geología, Geografía y Medio Ambiente, Universidad de Alcalá
Pablo Miranda Departamento de Geología, Geografía y Medio Ambiente, Universidad de Alcalá
Daniel Garcia Garcia Departamento de Geología, Geografía y Medio Ambiente, Universidad de Alcalá
Victoria Wilke Departamento de Geología, Geografía y Medio Ambiente, Universidad de Alcalá
Jaime Diez Departamento de Geología, Geografía y Medio Ambiente, Universidad de Alcalá
Sergio Natal Predictia Inteligent Data Solutions
Daniel San Martin Predictia Inteligent Data Solutions

DOI:

https://doi.org/10.18172/cig.6767

Palabras clave:

variables forestales, teledetección, series temporales, inteligencia artificial

Resumen

La caracterización precisa y continua de las propiedades de los combustibles forestales es esencial para evaluar el riesgo de incendio y predecir el comportamiento del fuego. Este estudio aborda los desafíos asociados a la escasa disponibilidad temporal de datos lidar, integrando imágenes ópticas (Landsat) con adquisiciones lidar puntuales para estimar variables estructurales del bosque, como la fracción de cabida cubierta (FCC) y la altura del dosel (H), en dos regiones de la España peninsular: Madrid y el País Vasco. Estas variables constituyen indicadores indirectos (proxies) para la caracterización de las propiedades del combustible, ya que reflejan tanto la cantidad como la continuidad espacial de los combustibles. Se compararon modelos de aprendizaje automático (Random Forest y Extreme Gradient Boosting) con arquitecturas de aprendizaje profundo, incluyendo transformers con mecanismos de auto-atención (NeNeT).

Los resultados muestran que los modelos de aprendizaje profundo mejoran significativamente la precisión, con una reducción promedio del error cuadrático medio (RMSE) del 30% respecto a los métodos tradicionales. En particular, NeNeT destacó por su capacidad para capturar relaciones espaciales complejas, mejorando las estimaciones de altura en bosques densos del País Vasco (RMSE reducido de 7,0 a 4,0 m). En contraste, en los bosques mediterráneos más abiertos de Madrid, las diferencias fueron menores, lo que sugiere que métodos menos costosos computacionalmente, como XGB, pueden ser adecuados en ciertos contextos. A pesar de sus ventajas, los modelos de aprendizaje profundo presentan limitaciones operativas, especialmente por sus altas demandas computacionales. Por ejemplo, la generación de mapas históricos en la España peninsular requeriría hasta cuatro años de procesamiento con NeNeT frente a siete meses con XGB, si no se dispone de paralelización. Además, los modelos DL tienden a aprender patrones espurios relacionados con la adquisición de imágenes (por ejemplo, número de observaciones o fechas), lo que puede introducir sesgos si no se controlan adecuadamente

En conclusión, la combinación de sensores lidar y ópticos, junto con modelos avanzados de inteligencia artificial, permite estimar con alta precisión variables útiles en la gestión de incendios forestales. No obstante, la elección del modelo debe equilibrar la precisión obtenida con los recursos computacionales disponibles, adaptándose al tipo de ecosistema y a las necesidades de la aplicación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aragoneses, E., García, M., Salis, M., Ribeiro, L.M., Chuvieco, E. (2023). Classification and mapping of European fuels using a hierarchical, multipurpose fuel classification system. Earth System Science Data, 15, 1287-1315. https://doi.org/10.5194/essd-15-1287-2023 DOI: https://doi.org/10.5194/essd-15-1287-2023

Bolton, D.K., Tompalski, P., Coops, N.C., White, J.C., Wulder, M.A., Hermosilla, T., Queinnec, M., Luther, J.E., van Lier, O.R., Fournier, R.A., Woods, M., Treitz, P.M., van Ewijk, K.Y., Graham, G., Quist, L. (2020). Optimizing Landsat time series length for regional mapping of lidar-derived forest structure. Remote Sensing of Environment, 239, 111645. https://doi.org/10.1016/j.rse.2020.111645 DOI: https://doi.org/10.1016/j.rse.2020.111645

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324

Cascio, W.E. (2018). Wildland fire smoke and human health. Science of the Total Environment, 624, 586-595. https://doi.org/10.1016/j.scitotenv.2017.12.086 DOI: https://doi.org/10.1016/j.scitotenv.2017.12.086

Caughlin, T.T., Barber, C., Asner, G.P., Glenn, N.F., Bohlman, S.A., Wilson, C.H. (2021). Monitoring tropical forest succession at landscape scales despite uncertainty in Landsat time series. Ecological Applications, 31, e02208. https://doi.org/10.1002/eap.2208 DOI: https://doi.org/10.1002/eap.2208

Chen, S., Woodcock, C.E., Bullock, E.L., Arévalo, P., Torchinava, P., Peng, S., Olofsson, P. (2021). Monitoring temperate forest degradation on Google Earth Engine using Landsat time series analysis. Remote Sensing of Environment, 265, 112648. https://doi.org/10.1016/j.rse.2021.112648 DOI: https://doi.org/10.1016/j.rse.2021.112648

Freund, Y., Schapire, R.E. (1997). A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55, 119-139. https://doi.org/10.1006/jcss.1997.1504 DOI: https://doi.org/10.1006/jcss.1997.1504

Gale, M.G., Cary, G.J., Van Dijk, A.I.J.M., Yebra, M. (2021). Forest fire fuel through the lens of remote sensing: Review of approaches, challenges and future directions in the remote sensing of biotic determinants of fire behaviour. Remote Sensing of Environment, 255, 112282. https://doi.org/10.1016/j.rse.2020.112282 DOI: https://doi.org/10.1016/j.rse.2020.112282

Giglio, L., Randerson, J., Van der Werf, G., Kasibhatla, P., Collatz, G., Morton, D., DeFries, R. (2010). Assessing variability and long-term trends in burned area by merging multiple satellite fire products. Biogeosciences, 7, 1171-1186. https://doi.org/10.5194/bg-7-1171-2010 DOI: https://doi.org/10.5194/bg-7-1171-2010

Hudak, A.T., Fekety, P.A., Kane, V.R., Kennedy, R.E., Filippelli, S.K., Falkowski, M.J., Tinkham, W.T., Smith, A.M.S., Crookston, N.L., Domke, G.M., Corrao, M.V., Bright, B.C., Churchill, D.J., Gould, P.J., McGaughey, R.J., Kane, J.T., Dong, J. (2020). A carbon monitoring system for mapping regional, annual aboveground biomass across the northwestern USA. Environmental Research Letters, 15, 095003. http://doi.org/10.1088/1748-9326/ab93f9 DOI: https://doi.org/10.1088/1748-9326/ab93f9

Jerome, H.F. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29, 1189-1232. http://doi.org/10.1214/aos/1013203451 DOI: https://doi.org/10.1214/aos/1013203451

Lucas‐Borja, M.E., Delgado‐Baquerizo, M., Muñoz‐Rojas, M., Plaza‐Álvarez, P.A., Gómez‐Sanchez, M.E., González‐Romero, J., Peña‐Molina, E., Moya, D., de las Heras, J. (2021). Changes in ecosystem properties after post‐fire management strategies in wildfire‐affected Mediterranean forests. Journal of Applied Ecology, 58, 836-846. https://doi.org/10.1111/1365-2664.13819 DOI: https://doi.org/10.1111/1365-2664.13819

Luo, X., Lin, F., Chen, Y., Zhu, S., Xu, Z., Huo, Z., Yu, M., Peng, J. (2019). Coupling logistic model tree and random subspace to predict the landslide susceptibility areas with considering the uncertainty of environmental features. Scientific Reports, 9, 15369. https://doi.org/10.1038/s41598-019-51941-z DOI: https://doi.org/10.1038/s41598-019-51941-z

Matasci, G., Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., Hobart, G.W., Bolton, D.K., Tompalski, P., Bater, C.W. (2018). Three decades of forest structural dynamics over Canada's forested ecosystems using Landsat time-series and lidar plots. Remote Sensing of Environment, 216, 697-714. https://doi.org/10.1016/j.rse.2018.07.024 DOI: https://doi.org/10.1016/j.rse.2018.07.024

Merghadi, A., Yunus, A.P., Dou, J., Whiteley, J., ThaiPham, B., Bui, D.T., Avtar, R., Abderrahmane, B. (2020). Machine learning methods for landslide susceptibility studies: A comparative overview of algorithm performance. Earth-Science Reviews, 207, 103225. https://doi.org/10.1016/j.earscirev.2020.103225 DOI: https://doi.org/10.1016/j.earscirev.2020.103225

Miller, C., Urban, D.L. (2000). Connectivity of forest fuels and surface fire regimes. Landscape Ecology, 15, 145-154. https://doi.org/10.1023/A:1008181313360 DOI: https://doi.org/10.1023/A:1008181313360

Plucinski, M.P., Anderson, W.R., Bradstock, R.A., Gill, A.M. (2010). The initiation of fire spread in shrubland fuels recreated in the laboratory. International Journal of Wildland Fire, 19, 512-520. http://dx.doi.org/10.1071/WF09038 DOI: https://doi.org/10.1071/WF09038

Quan, X., Li, Y., He, B., Cary, G.J., Lai, G. (2021). Application of Landsat ETM+ and OLI Data for Foliage Fuel Load Monitoring Using Radiative Transfer Model and Machine Learning Method. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 5100-5110. https://doi.org/10.1109/JSTARS.2021.3062073 DOI: https://doi.org/10.1109/JSTARS.2021.3062073

Sexton, J.O., Bax, T., Siqueira, P., Swenson, J.J., Hensley, S. (2009). A comparison of lidar, radar, and field measurements of canopy height in pine and hardwood forests of southeastern North America. Forest Ecology and Management, 257, 1136-1147. http://dx.doi.org/10.1016/j.foreco.2008.11.022 DOI: https://doi.org/10.1016/j.foreco.2008.11.022

Soenen, S.A., Peddle, D.R., Coburn, C.A. (2005). SCS+C: A modified sun-canopy-sensor topographic correction in forested terrain. IEEE Transactions on Geoscience and Remote Sensing, 43(9), 2148-2159. https://doi.org/10.1109/TGRS.2005.852480 DOI: https://doi.org/10.1109/TGRS.2005.852480

Souza, C.M., Roberts, D.A., Cochrane, M.A. (2005). Combining spectral and spatial information to map canopy damage from selective logging and forest fires. Remote Sensing of Environment, 98, 329-343. https://doi.org/10.1016/j.rse.2005.07.013 DOI: https://doi.org/10.1016/j.rse.2005.07.013

Souza, C.M., Siqueira, J.V., Sales, M.H., Fonseca, A.V., Ribeiro, J.G., Numata, I., Cochrane, M.A., Barber, C.P., Roberts, D.A., Barlow, J. (2013). Ten-Year Landsat Classification of Deforestation and Forest Degradation in the Brazilian Amazon. Remote Sensing, 5(11), 5493-5513. https://doi.org/10.3390/rs5115493 DOI: https://doi.org/10.3390/rs5115493

Tanase, M.A., de la Riva, J., Santoro, M., Pérez-Cabello, F., Kasischke, E. (2011). Sensitivity of SAR data to post-fire forest regrowth in Mediterranean and boreal forests. Remote Sensing of Environment, 115, 2075-2085. https://doi.org/10.1016/j.rse.2011.04.009 DOI: https://doi.org/10.1016/j.rse.2011.04.009

Tanase, M.A., Mihai, M.C., Miguel, S., Cantero, A., Tijerin, J., Ruiz-Benito, P., Domingo, D., Garcia-Martin, A., Aponte, C., Lamelas, M.T. (2024). Long-term annual estimation of forest above ground biomass, canopy cover, and height from airborne and spaceborne sensors synergies in the Iberian Peninsula. Environmental Research, 259, 119432. https://doi.org/10.1016/j.envres.2024.119432 DOI: https://doi.org/10.1016/j.envres.2024.119432

Tanase, M.A., Villard, L., Pitar, D., Apostol, B., Petrila, M., Chivulescu, S., Leca, S., Borlaf-Mena, I., Pascu, I.-S., Dobre, A.-C., Pitar, D., Guiman, G., Lorent, A., Anghelus, C., Ciceu, A., Nedea, G., Stanculeanu, R., Popescu, F., Aponte, C., Badea, O. (2019). Synthetic aperture radar sensitivity to forest changes: A simulations-based study for the Romanian forests. Science of the Total Environment, 689, 1104-1114. https://doi.org/10.1016/j.scitotenv.2019.06.494 DOI: https://doi.org/10.1016/j.scitotenv.2019.06.494

Wilson, J. (2013). Remote Sensing Technologies and Global Markets. In, Market Reserch. Instrumentation And Sensors BBC Research LLC.

Young, N.E., Anderson, R.S., Chignell, S.M., Vorster, A.G., Lawrence, R., Evangelista, P.H. (2017). A survival guide to Landsat preprocessing. Ecology, 98, 920-932. https://doi.org/10.1002/ecy.1730 DOI: https://doi.org/10.1002/ecy.1730

Zhang, L., Shao, Z., Liu, J., Cheng, Q. (2019). Deep Learning Based Retrieval of Forest Aboveground Biomass from Combined LiDAR and Landsat 8 Data. Remote Sensing, 11, 1459. https://doi.org/10.3390/rs11121459 DOI: https://doi.org/10.3390/rs11121459