Hoffrén Mansoa, Raúl
Riva Fernández, Juan Ramón de la (dir.) ; Lamelas Gracia, María Teresa (dir.)
Universidad de Zaragoza,
2025
Abstract: Los bosques constituyen uno de los ecosistemas más valiosos de la Tierra, ya que son los principales reservorios de carbono, hogar de una gran biodiversidad y fuente de servicios para las sociedades humanas. Estos espacios se encuentran expuestos a numerosas perturbaciones naturales y antropogénicas que pueden producir deterioros en el ecosistema cuando su recurrencia es elevada. Los incendios forestales son una de las perturbaciones más importantes de los ecosistemas forestales, especialmente en los ambientes mediterráneos debido a las características del clima, la vegetación y la cultura del fuego. Una de las principales tareas para prevenir los incendios forestales es la identificación de los combustibles forestales, pues permiten conocer la trayectoria y velocidad de propagación del fuego en una masa forestal. La teledetección ha demostrado ser una herramienta de gran utilidad para identificar combustibles forestales. Sin embargo, es necesario seguir investigando en las capacidades de los nuevos sistemas de teledetección y de sus herramientas de procesado y análisis para mejorar la identificación de los combustibles forestales con el fin de establecer mecanismos más eficientes de prevención de incendios forestales, especialmente en el contexto de los actuales retos que plantea el cambio climático.
Esta tesis evalúa nuevos sistemas de teledetección a varias escalas espaciales con el objetivo de conocer sus capacidades para la mejora en la identificación de tipos de combustible, según la clasificación Prometheus, en ambientes forestales mediterráneos. Para ello, se han evaluado cuatro sistemas de teledetección con capacidad para generar información tridimensional: el sistema láser satelital Global Ecosystem Dynamics Investigation (GEDI) de la NASA, los vehículos aéreos no tripulados (UAVs) óptico (eBee Classic) y LiDAR (DJI Matrice 300 RTK + DJI Zenmuse L1), y el sistema láser escáner portátil (HMLS) GeoSLAM ZEB-Horizon. Además, se ha examinado el potencial de integración de los datos tridimensionales con imágenes ópticas obtenidas tanto desde satélite como desde plataforma UAV, así como el uso sinérgico de datos tridimensionales procedentes de diferentes sistemas. El procesado de los datos ha facilitado la obtención de variables relacionadas con las características estructurales, texturales, espectrales, volumétricas y de diversidad de la vegetación forestal.
Estas variables han servido como predictoras independientes para la identificación final de los tipos de combustible, que se ha realizado mediante dos técnicas: modelos de clasificación machine learning –en concreto, Random Forest (RF) y Support Vector Machine de kernel lineal (SVM-L) y radial (SVM- R)– y a partir de la cuantificación a muy alta resolución espacial del volumen de la vegetación para la definición de la distribución vertical del combustible para los distintos tipos Prometheus.
Los resultados de la investigación muestran que el sistema UAV-LiDAR es particularmente eficaz para clasificar y cartografiar los tipos de combustible Prometheus. Además, la integración de los datos UAV-LiDAR y HMLS ha proporcionado las mayores precisiones de clasificación de los tipos de combustible Prometheus. Se han observado asimismo buenos resultados cuando los datos procedentes de los sistemas láser y fotogramétricos han sido integrados con imágenes ópticas. En particular, GEDI ha demostrado buenas capacidades en la clasificación de los tipos de combustible cuando sus datos se han integrado con índices de vegetación derivados de imágenes multiespectrales de Landsat-8
OLI. Del mismo modo, el UAV fotogramétrico ha producido los mejores resultados en la clasificación de los tipos de combustible cuando sus datos tridimensionales se han combinado con imágenes multiespectrales del propio UAV, aunque con precisiones ligeramente inferiores en comparación con el sistema UAV-LiDAR. En todos los casos, los tipos de combustible se clasificaron igual o mejor usando RF que SVM-L y SVM-R. Finalmente, la extrema densidad de la nube de puntos derivada del sistema HMLS ha permitido cuantificar de manera precisa el volumen de la vegetación a muy alta resolución espacial y definir distribuciones homogéneas para los distintos tipos de combustible Prometheus en parcelas forestales de alta heterogeneidad estructural, donde el tipo de combustible predominante puede ser difícil de distinguir. Mientras que los datos obtenidos por satélite proporcionan una visión general de la distribución del combustible en grandes áreas, los UAVs permiten estimar el combustible a escalas más locales con un nivel de detalle muy elevado.
Sus datos podrían servir de verdad-terreno para ampliar los resultados a zonas más extensas utilizando sistemas ALS, que operan a una escala más eficaz para la gestión de los combustibles forestales. Por último, el potencial de los sistemas HMLS residiría en sus datos altamente precisos para perfeccionar la verdad-terreno, lo que serviría para mejorar la estimación de los combustibles utilizando
otros sistemas de teledetección
Abstract (other lang.): Forests constitute one of the most valuable ecosystems on Earth, functioning as major carbon reservoirs, habitats for a vast array of biodiversity, and providers of essential services for human populations. These ecosystems are, however, susceptible to a range of natural and anthropogenic disturbances, which can lead to significant degradation when they occur with high frequency. Among these disturbances, wildfires are particularly impactful, especially in Mediterranean environments where climatic conditions, vegetation types, and cultural practices related to fire exacerbate the risk of fire. A critical component of wildfire prevention is the accurate identification of forest fuels, as this enables a better understanding of the potential trajectory and velocity of fire spread within a forest stand. Remote sensing technologies have demonstrated considerable utility in the identification of forest fuels. However, there is a pressing need for further research to explore the capabilities of emerging remote sensing systems, alongside advancements in their processing and analytical tools, to enhance fuel identification. This is particularly crucial in the context of escalating challenges posed by climate change. The present PhD Thesis investigates the potential of novel remote sensing systems across various spatial scales, with the objective of evaluating their capabilities in improving the identification of fuel types, as defined by the Prometheus classification, in Mediterranean forest environments. This research has assessed four remote sensing systems with the ability of generating three-dimensional information: The NASA's Global Ecosystem Dynamics Investigation (GEDI) Satellite Laser Scanner system, optical (eBee Classic) and LiDAR (DJI Matrice 300 RTK + DJI Zenmuse L1) Unmanned Aerial Vehicles (UAVs), and GeoSLAM ZEB-Horizon Handheld Mobile Laser Scanner (HMLS) system. Additionally, the potential of integrating three-dimensional data with optical imagery obtained from both satellite and UAV platforms, as well as the synergistic use of three-dimensional data from different systems, has been examined. Data processing has facilitated the derivation of variables related to the structural, textural, spectral, volumetric, and diversity characteristics of forest vegetation. These variables have served as independent predictors for the final identification of fuel types, which has been conducted using two techniques: machine learning classification models ¿specifically, Random Forest (RF) and Support Vector Machine with linear (SVM-L) and radial (SVM-R) kernels¿ and the quantification of vegetation volume at very high spatial resolution to delineate the vertical distribution of fuels for the different Prometheus fuel types. The findings of this research show that the UAV-LiDAR system is particularly effective to classify and map the Prometheus fuel types. Moreover, the integration of UAV-LiDAR and HMLS data has yielded the highest classification accuracies for the Prometheus fuel types. The study has also observed favorable outcomes when variables derived from laser and photogrammetric systems are combined with optical imagery. In particular, GEDI has demonstrated significant capabilities in fuel type classification when its data have been integrated with vegetation indices derived from Landsat-8 OLI multispectral imagery. Similarly, the optical UAV system has produced the best results in fuel type classification when its three-dimensional data has been combined with multispectral imagery from the UAV itself, although with slightly lower accuracies compared to the UAV-LiDAR system. In all cases, the fuel types were classified equally or better using RF than SVM-L and SVM-R. Lastly, the extremely dense point cloud generated from the HMLS system has enabled precise quantification of vegetation volume at a very high spatial resolution. This has facilitated the accurate delineation of homogeneous distributions for the different Prometheus fuel types in forest plots characterized by high structural heterogeneity, where the predominant fuel type may otherwise be difficult to discern. While satellite data provide a comprehensive overview of fuel distribution over large areas, UAVs enable fuel estimation at more local scales with a very high level of detail. Their data could serve as ground-truth for expanding results across larger areas using ALS systems, which operate at a more effective scale for forest fuel management. Lastly, the potential of HMLS systems would lie in their highly accurate data for enhancing ground-truth, which would serve to improve fuel estimation using other remote sensing systems.
Esta tesis evalúa nuevos sistemas de teledetección a varias escalas espaciales con el objetivo de conocer sus capacidades para la mejora en la identificación de tipos de combustible, según la clasificación Prometheus, en ambientes forestales mediterráneos. Para ello, se han evaluado cuatro sistemas de teledetección con capacidad para generar información tridimensional: el sistema láser satelital Global Ecosystem Dynamics Investigation (GEDI) de la NASA, los vehículos aéreos no tripulados (UAVs) óptico (eBee Classic) y LiDAR (DJI Matrice 300 RTK + DJI Zenmuse L1), y el sistema láser escáner portátil (HMLS) GeoSLAM ZEB-Horizon. Además, se ha examinado el potencial de integración de los datos tridimensionales con imágenes ópticas obtenidas tanto desde satélite como desde plataforma UAV, así como el uso sinérgico de datos tridimensionales procedentes de diferentes sistemas. El procesado de los datos ha facilitado la obtención de variables relacionadas con las características estructurales, texturales, espectrales, volumétricas y de diversidad de la vegetación forestal.
Estas variables han servido como predictoras independientes para la identificación final de los tipos de combustible, que se ha realizado mediante dos técnicas: modelos de clasificación machine learning –en concreto, Random Forest (RF) y Support Vector Machine de kernel lineal (SVM-L) y radial (SVM- R)– y a partir de la cuantificación a muy alta resolución espacial del volumen de la vegetación para la definición de la distribución vertical del combustible para los distintos tipos Prometheus.
Los resultados de la investigación muestran que el sistema UAV-LiDAR es particularmente eficaz para clasificar y cartografiar los tipos de combustible Prometheus. Además, la integración de los datos UAV-LiDAR y HMLS ha proporcionado las mayores precisiones de clasificación de los tipos de combustible Prometheus. Se han observado asimismo buenos resultados cuando los datos procedentes de los sistemas láser y fotogramétricos han sido integrados con imágenes ópticas. En particular, GEDI ha demostrado buenas capacidades en la clasificación de los tipos de combustible cuando sus datos se han integrado con índices de vegetación derivados de imágenes multiespectrales de Landsat-8
OLI. Del mismo modo, el UAV fotogramétrico ha producido los mejores resultados en la clasificación de los tipos de combustible cuando sus datos tridimensionales se han combinado con imágenes multiespectrales del propio UAV, aunque con precisiones ligeramente inferiores en comparación con el sistema UAV-LiDAR. En todos los casos, los tipos de combustible se clasificaron igual o mejor usando RF que SVM-L y SVM-R. Finalmente, la extrema densidad de la nube de puntos derivada del sistema HMLS ha permitido cuantificar de manera precisa el volumen de la vegetación a muy alta resolución espacial y definir distribuciones homogéneas para los distintos tipos de combustible Prometheus en parcelas forestales de alta heterogeneidad estructural, donde el tipo de combustible predominante puede ser difícil de distinguir. Mientras que los datos obtenidos por satélite proporcionan una visión general de la distribución del combustible en grandes áreas, los UAVs permiten estimar el combustible a escalas más locales con un nivel de detalle muy elevado.
Sus datos podrían servir de verdad-terreno para ampliar los resultados a zonas más extensas utilizando sistemas ALS, que operan a una escala más eficaz para la gestión de los combustibles forestales. Por último, el potencial de los sistemas HMLS residiría en sus datos altamente precisos para perfeccionar la verdad-terreno, lo que serviría para mejorar la estimación de los combustibles utilizando
otros sistemas de teledetección
Abstract (other lang.): Forests constitute one of the most valuable ecosystems on Earth, functioning as major carbon reservoirs, habitats for a vast array of biodiversity, and providers of essential services for human populations. These ecosystems are, however, susceptible to a range of natural and anthropogenic disturbances, which can lead to significant degradation when they occur with high frequency. Among these disturbances, wildfires are particularly impactful, especially in Mediterranean environments where climatic conditions, vegetation types, and cultural practices related to fire exacerbate the risk of fire. A critical component of wildfire prevention is the accurate identification of forest fuels, as this enables a better understanding of the potential trajectory and velocity of fire spread within a forest stand. Remote sensing technologies have demonstrated considerable utility in the identification of forest fuels. However, there is a pressing need for further research to explore the capabilities of emerging remote sensing systems, alongside advancements in their processing and analytical tools, to enhance fuel identification. This is particularly crucial in the context of escalating challenges posed by climate change. The present PhD Thesis investigates the potential of novel remote sensing systems across various spatial scales, with the objective of evaluating their capabilities in improving the identification of fuel types, as defined by the Prometheus classification, in Mediterranean forest environments. This research has assessed four remote sensing systems with the ability of generating three-dimensional information: The NASA's Global Ecosystem Dynamics Investigation (GEDI) Satellite Laser Scanner system, optical (eBee Classic) and LiDAR (DJI Matrice 300 RTK + DJI Zenmuse L1) Unmanned Aerial Vehicles (UAVs), and GeoSLAM ZEB-Horizon Handheld Mobile Laser Scanner (HMLS) system. Additionally, the potential of integrating three-dimensional data with optical imagery obtained from both satellite and UAV platforms, as well as the synergistic use of three-dimensional data from different systems, has been examined. Data processing has facilitated the derivation of variables related to the structural, textural, spectral, volumetric, and diversity characteristics of forest vegetation. These variables have served as independent predictors for the final identification of fuel types, which has been conducted using two techniques: machine learning classification models ¿specifically, Random Forest (RF) and Support Vector Machine with linear (SVM-L) and radial (SVM-R) kernels¿ and the quantification of vegetation volume at very high spatial resolution to delineate the vertical distribution of fuels for the different Prometheus fuel types. The findings of this research show that the UAV-LiDAR system is particularly effective to classify and map the Prometheus fuel types. Moreover, the integration of UAV-LiDAR and HMLS data has yielded the highest classification accuracies for the Prometheus fuel types. The study has also observed favorable outcomes when variables derived from laser and photogrammetric systems are combined with optical imagery. In particular, GEDI has demonstrated significant capabilities in fuel type classification when its data have been integrated with vegetation indices derived from Landsat-8 OLI multispectral imagery. Similarly, the optical UAV system has produced the best results in fuel type classification when its three-dimensional data has been combined with multispectral imagery from the UAV itself, although with slightly lower accuracies compared to the UAV-LiDAR system. In all cases, the fuel types were classified equally or better using RF than SVM-L and SVM-R. Lastly, the extremely dense point cloud generated from the HMLS system has enabled precise quantification of vegetation volume at a very high spatial resolution. This has facilitated the accurate delineation of homogeneous distributions for the different Prometheus fuel types in forest plots characterized by high structural heterogeneity, where the predominant fuel type may otherwise be difficult to discern. While satellite data provide a comprehensive overview of fuel distribution over large areas, UAVs enable fuel estimation at more local scales with a very high level of detail. Their data could serve as ground-truth for expanding results across larger areas using ALS systems, which operate at a more effective scale for forest fuel management. Lastly, the potential of HMLS systems would lie in their highly accurate data for enhancing ground-truth, which would serve to improve fuel estimation using other remote sensing systems.
Pal. clave: teledetección ; incendios forestales ; geografía ; sistemas de información geográfica
Titulación: Programa de Doctorado en Ordenación del Territorio y Medio Ambiente
Plan(es): Plan 505
Knowledge area: Ciencias Sociales y jurídicas
Nota: Presentado: 31 01 2025
Nota: Tesis-Univ. Zaragoza, , 2025
Contribution of the TFG/M to Sustainability: Proteger, restaurar y promover la utilización sostenible de los ecosistemas terrestres, gestionar de manera sostenible los bosques, combatir la desertificación y detener y revertir la degradación de la tierra, y frenar la pérdida de diversidad biológica.
Permalink:
Visitas y descargas
Record created 2025-05-15, last modified 2025-05-15
