Resumen de Cartografía de modelos de combustible basados en Sentinel 1 y 2
Cristóbal Bergillos Navarro, Fernando Juan Pérez Porras, Susana Cantón Martínez, Juan Tomás Arosemena Jované, Francisco Javier Mesas Carrascosa
Los modelos de combustibles en entornos forestales permiten conocer la estructura de la vegetación tipo a la que se presupone un comportamiento conocido frente a un incendio. Esta información, tradicionalmente, se obtiene a través de trabajo de campo utilizando recursos humanos. El coste de esta labor es elevado, por lo que el periodo de actualización de la información es tan espaciado que, en determinados ecosistemas, queda obsoleta en poco tiempo debido a los cambios de uso de suelo o al crecimiento y alteración de la vegetación existente. El uso de técnicas basadas en teledetección y Machine Learning permite incrementar la frecuencia de actualización reduciendo considerablemente el coste de la operación. La combinación de sensores activos y pasivos, como es el caso del sensor radar y óptico a bordo de las misiones satelitales Sentinel-1 y Sentinel-2 respectivamente, permiten obtener información tanto de la estructura como del tipo de vegetación. A través de algoritmos de clasificación como Random Forest, la información procedente de los sensores es utilizada para determinar los modelos de combustible. En este estudio se expone una comparación de la precisión de los clasificadores desarrollados para predecir determinados modelos de combustible de Rothermel utilizando los datos de los sensores por separado y combinados, obteniendo una precisión de 65.51%, 76.62% y 77.39% para los modelos de Sentinel-1, Sentinel-2 y la combinación de ambos respectivamente. Así, se demuestra que el uso de información satelital permite determinar modelos de combustible con una precisión suficiente para su uso.
