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

• Tanase, Mihai ^[1] ; Martini, Juan Pablo ^[1] ; Miranda, Pablo ^[1] ; Garcia Garcia, Daniel ^[1] ; Wilke, Victoria ^[1] ; Diez, Jaime ^[1] ; Natal, Sergio ^[2] ; San Martin, Daniel ^[2]
  1. [1] undefined
  2. [2] Predictia Inteligent Data Solutions
• Localización: Cuadernos de investigación geográfica: Geographical Research Letters, ISSN-e 1697-9540, ISSN 0211-6820, Vol. 51, Nº 2, 2025 (Ejemplar dedicado a: Forest Fires: Risk, Consequences And Technological Advances In Their Analysis And Management), págs. 121-132
• Idioma: español
• Títulos paralelos:
  • Estimating Forest Variables from Lidar and Optical Sensors Using Artificial Intelligence
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    Accurate and continuous characterization of forest fuel properties is essential for assessing wildfire risk and predicting fire behavior. This study addresses the limitations posed by the scarce temporal availability of lidar data by integrating temporally consistent optical imagery (Landsat) with occasional lidar acquisitions to estimate structural forest variables such as canopy cover fraction (FCC) and canopy height (H) in two regions of peninsular Spain: Madrid and the Basque Country. These variables are widely recognized as proxies for fuel properties characterization, reflecting both the amount and spatial continuity of forest fuels. Machine Learning (ML) models (Random Forest and Extreme Gradient Boosting) were compared with Deep Learning architectures, (DL) including transformer-based models with self-attention mechanisms (NeNeT).

    The results show that DL models significantly improve accuracy, with an average reduction in root mean square error (RMSE) of 30% compared to traditional methods. NeNeT, in particular, demonstrated strong performance in capturing complex spatial relationships, improving height estimates in dense forests of the Basque Country (RMSE was reduced from 7.0 to 4.0 m). In contrast, differences were smaller in the more open Mediterranean forests of Madrid, suggesting that less computationally demanding methods like XGB may be suitable in certain contexts. Despite their advantages, DL models present operational limitations, particularly due to high computational demands. For instance, producing historical maps for the peninsular Spain would require up to four years of processing with NeNeT versus seven months with XGB, assuming no parallelization. Moreover, DL models tend to learn spurious patterns related to image acquisition (e.g., number of observations or dates), which can introduce biases if not properly controlled.

    In conclusion, combining lidar and optical sensors with advanced artificial intelligence models enables highly accurate estimation of key variables for wildfire management. However, model choice should balance achieved precision with available computational resources, taking into account the ecosystem type and specific application needs.