Desarrollo de una metodología para la detección de cambios de la cubierta vegetal en series temporales de imágenes de satélite diarias. Aplicación a la detección de áreas quemadas

Abstract

[EN] We have developed a methodology for detection of observable phenomena at pixel level over time series of daily satellite images, based on using a Bayesian classifier. This methodology has been applied successfully to detect burned areas in the North American boreal forests using the LTDR dataset. The LTDR dataset represents the longest time series of global daily satellite images with 0.05° (~5 km) of spatial resolution. The proposed methodology has several stages: 1) pre-processing daily images to obtain composite images of n days; 2) building of space of statistical variables or attributes to consider; 3) designing an algorithm, by selecting and filtering the training cases; 4) obtaining probability maps related to the considered thematic classes; 5) post-processing to improve the results obtained by applying multiple techniques (filters, ranges, spatial coherence, etc.). The generated results are analyzed using accuracy metrics derived from the error matrix (commission and omission errors, percentage of estimation) and using scattering plots against reference data (correlation coefficient and slope of the regression line). The quality of the results obtained improves, in terms of spatial and timing accuracy, to other burned area products that use images of higher spatial resolution (500 m and 1 km), but they are only available after year 2000 as MCD45A1 and BA GEOLAND-2: the total burned area estimation for the study region for the years 2001-2011 was 28.56 millions of ha according to reference data and 12.41, 138.43 and 19.41 millions of ha for the MCD45A1, BA GEOLAND-2 and BA-LTDR burned area products, respectively.

[ES] Se ha desarrollado una metodología para la detección de cambios de la cubierta vegetal, a nivel de píxel, en se-ries temporales de imágenes de satélites diarias mediante la utilización de un clasificador bayesiano. Dicha metodología ha sido aplicada satisfactoriamente a la detección de áreas quemadas en los bosques boreales de Norte América en el período 1981 a 2011, utilizando el conjunto de datos Long Term Data Record (LTDR) que constituye la serie temporal más larga de imágenes diarias de satélite a escala global, con una resolución espacial de 0,05° (~5 km). La metodología pro-puesta consta de varias etapas: 1) pre-procesamiento de las imágenes diarias y obtención de imágenes compuestas de ndías; 2) construcción del espacio de las variables o atributos a considerar; 3) diseño del algoritmo, mediante la selección y refinamiento de los casos de entrenamiento; 4) obtención de los mapas de probabilidad relacionados con las clases temáticas a considerar; 5) post-procesamiento para mejorar los resultados obtenidos mediante la aplicación de múltiples técnicas (filtros, rangos, coherencia espacial, etc.). Los resultados finales obtenidos son comparados con los datos de referencia mediante métricas de exactitud derivadas de la matriz de error (errores de comisión y omisión, porcentaje de estimación) y de gráficos de dispersión (coeficiente de correlación y pendientes de la recta de regresión, etc.). La calidad de los resultados obtenidos al aplicar esta metodología a las imágenes LTDR para la detección de área quemada en la región boreal de Norte América mejora en términos de exactitud espacio-temporal a la de los otros dos productos de área quemada globales comparados (MCD45A1, BA GEOLAND-2) a pesar de que utilizan imágenes de mayor resolución espa-cial (y sólo disponibles a partir del año 2000): la estimación de área quemada total sobre la región de estudio en el periodo 2001-2011 fue de 28,56 millones de hectáreas según los datos de referencia y de 12,41, 138,43 y de 19,41 millones de hectáreas para los productos MCD45A1, BA GEOLAND-2 y BA-LTDR, respectivamente.