Potencial de las imágenes UAV como datos de verdad terreno para la clasificación de la severidad de quema de imágenes Landsat: aproximaciones a un producto útil para la gestión post incendio

Abstract

[EN] Mapping fire severity is determinant to understand landscape evolution after a wildfire and provides useful information for decision making during post fire management. Quantitative fire severity mapping from relative changes in Normalized Burn Ratio index (RdNBR) is not actually being incorporated into decision making processes, being more useful the categorization in severity levels (high, moderate and low). However, the most common mapping severity methodologies based on the definition of RdNBR thresholds from field information are not always possible due to lack of field data or because the published thresholds are unsatisfactory in new regions. The boom in the use of UAVs (Unmanned Aerial Vehicle) has raised these platforms as potential tools for validation of remote sensing data. This paper presents the potential of UAVs as ground truth information in forest fires. From the photointerpretation of high resolution RGB images, the Aerial Severity Proportion Index (ASPI) has been created. Non-linear regression models between RdNBR and ASPI allows to delimitate of thresholds for the classification of Landsat images and to obtain qualitative severity maps. Validation with random points presents a kappa index of 0,5 and a relative accuracy of 70,8%. Therefore, UAV images become a very useful tool for wildfire severity mapping and for fill the gap between remote sensing information and expensive field ground campaigns.

[ES] La cuantificación de la severidad de los incendios forestales es determinante para conocer la evolución del paisaje después de un incendio forestal y provee información de gran utilidad frente a la toma de decisiones en la gestión post incendio. La cartografía cuantitativa de severidad de incendios a partir de cambios relativos del índice Normalized Burn Ratio (RdNBR) no está siendo realmente incorporada en los procesos de toma de decisiones, siendo más utilizada la categorización en niveles de severidad (alta, mediana y baja). Sin embargo, las clasificaciones de severidad más comunes, basadas en la definición de umbrales de corte de RdNBR a partir de información de campo, no son siempre posibles por falta de datos de campo o bien porque los umbrales publicados resultan poco satisfactorios en localizaciones distintas a las de su calibración. El auge del uso de UAVs (Unmaned Aerial Vehicle) ha planteado estas plataformas como posible herramienta para la validación de información de satélite. En el presente trabajo se presenta la potencialidad de los UAV como información de verdad terreno en incendios forestales. A partir de la fotointerpretación de imágenes RGB de alta resolución se ha creado el índice ASPI (Aerial Severity Proportion Index), el cual, a partir de modelos de regresión no lineales con el índice RdNBR, permite delimitar umbrales para la clasificación de las imágenes Landsat y obtener un mapa cualitativo de severidad. La validación de los modelos de regresión entre RdNDR y ASPI a partir de puntos al azar muestra un índice kappa de 0,5 con un acierto relativo del 70,8%. Por lo tanto, las imágenes UAV son una herramienta muy útil para la clasificación de la severidad de incendios forestales y para rellenar la brecha existente entre la información proveniente de imágenes de satélite y las costosas campañas de campo.