Clasificación de modelos combustibles a partir del modelo de Transferencia Radiativa Anisotrópica Discreta (DART).

Revilla Grau, Sergio
Lamelas Gracia, María Teresa (dir.) ; Domingo Ruíz, Darío (dir.)

Universidad de Zaragoza, FFYL, 2019

Máster Universitario en Tecnologías de la Información Geográfica para la Ordenación del Territorio: Sistemas de Información Geográfica y Teledetección

Resumen: Uno de los factores clave que permite analizar el potencial de ignición y de propagación del fuego en entornos agrícolas-forestales es el tipo de combustible presente. En los últimos años ha aumen-tado el interés por los datos proporcionados por sensores activos, como el LiDAR (Light Detection And Ranging). El objetivo de este trabajo es validar una metodología basada en el modelo de transferencia radiativa anisotrópica discreta (Discrete Anisotropic Radiative Transfer, DART) que permitiría clasificar tipos de combustible forestal. El poder de generalización y la alta automatiza-ción que permitiría esta aproximación podrían ayudar a las tareas de prevención, pero sobre todo a las labores de extinción en caso de incendio, ya que posibilitaría la simulación de situaciones concretas de tipos de combustible en cualquier momento. Esto es posible gracias a la creación previa de una muestra con la respuesta LiDAR de los diferentes tipos de combustible. La metodo-logía propuesta es totalmente novedosa porque hace uso de modelos de transferencia radiativa (Radiative transfer models, RTM) para la simulación de la respuesta LiDAR del Plan Nacional de Ortofotografía Aérea (PNOA). Además, se realiza una validación de las simulaciones a partir de los coeficientes de correlación y el error cuadrático medio de diferentes métricas LiDAR extraídas de las simulaciones y la información real LiDAR de los años 2011 y 2016. Se ha utilizado una muestra de calibración/validación compuesta por 85 parcelas de campo (localizadas en Aragón) para la simulación de los modelos combustibles en DART. Posteriormente, se ha llevado a cabo un proceso de clasificación de modelos de combustible a partir de las métricas simuladas de 2011, utilizando el método de inteligencia artificial SVM, obteniendo una fiabilidad global de la clasificación tras la validación cruzada del 60% y un índice de kappa de 0,50. Finalmente, se ha evaluado la transferi-bilidad de las simulaciones, aplicando el modelo generado a partir de las métricas de 2011 a los datos reales de 2016, obteniendo una fiabilidad global de clasificación tras la validación cruzada del 53% y un índice de kappa de 0.44.

Tipo de Trabajo Académico: Trabajo Fin de Master