Burned area mapping using active and passive sensors of medium spatial resolution

Resumo

Esta tesis doctoral se centra en el desarrollo de nuevos algoritmos de cartografiado de áreas quemadas empleando sensores activos y pasivos de resolución espacial media. Así, la finalidad de la presente tesis es que los nuevos métodos desarrollados permitan reducir las incertidumbres actuales acerca de cuánta superficie es quemada anualmente en la Tierra. Actualmente, esta es estimada empleando imágenes ópticas de baja resolución espacial, que tienen limitaciones en zonas con una alta nubosidad, así como al cartografiar incendios pequeños, menores a 100 hectáreas. Dichas limitaciones se solventan en la presente tesis al incluir imágenes radar y al combinar estas con ópticas, todas ellas de resolución espacial media, tomadas desde los satélites de la Agencia Espacial Europea (ESA) Sentinel-1 y Sentinel-2. La tesis se estructura en ocho capítulos. En el primer capítulo se hace referencia a la importancia del fuego, tanto a escala global como regional, resaltando la necesidad de poder disponer de productos de área quemada exactos para gestionar ecosistemas, monitorizar emisiones de gases de efecto invernadero (GEI) o modelar la vegetación. Desde sus inicios, la teledetección ha sido una fuente de información de gran valor para generar dichos productos, así, se explican los principios físicos que permiten cartografiar el área quemada empleando datos de teledetección. De forma complementaria, se incluye el estado del arte en cartografiado de áreas quemadas a través de imágenes ópticas, radar y la combinación de ambas. Finalmente se presenta la hipótesis, la motivación y los objetivos de la tesis. En el segundo capítulo se aborda la generación de un algoritmo de cartografiado de área quemada basado en imágenes Sentinel-1 del coeficiente de retro-dispersión de banda C. Este aplica el detector Reed-Xiaoli (RXD) para distinguir cambios anómalos en el coeficiente de retro-dispersión, que se vinculan a incendios mediante el uso de anomalías térmicas adquiridas durante el período de detección por sensores térmicos. Cuando las anomalías térmicas no estuvieron disponibles, se utilizó un clasificador de aprendizaje automático (random forests) para detectar áreas quemadas. Los perímetros de área quemada derivados de imágenes ópticas (Landsat-8 y Sentinel-2) se utilizaron para validar los resultados del algoritmo en 21 millones de hectáreas distribuidas en 18 ubicaciones globalmente repartidas, que representan los principales biomas afectados por incendios. Se calculó un coeficiente de Dice (DC) medio sobre todas las ubicaciones estudiadas de 0.59±0.06 (± intervalo de confianza, 95%), mientras que los errores de omisión (OE) y comisión (CE) medios fueron de 0.43±0.08 y 0.37±0.06, respectivamente. Al comparar la exactitud lograda con la del producto global de área quemada más empleado, el MCD64A1, el algoritmo propuesto mejoró el DC en 0.13 mediante una reducción de los errores de omisión y comisión de 0.12 y 0.06, respectivamente. En el tercer capítulo seanaliza la relación entre la exactitud del cartografiado y el tiempo de computación sario para el algoritmo basado en RXD, descrito en el capítulo dos, en diferentes tamaños de píxeles (20, 30, 40 y 50 m). El análisis se realizó en seis áreas de estudio distribuidas globalmente. Los resultados sugieren diferencias marginales en la exactitud al variar el tamaño de píxeles, detectándose mapas ligeramente más exactos al emplear espaciados mayores al de la resolución nominal de Sentinel-1 (20 m). No obstante, el tiempo de computación fue considerablemente mayor conforme el espaciado entre píxeles era más detallado. Así, las imágenes con un espaciado entre píxeles de 30 a 50 m proporcionan la relación tiempo-exactitud más idónea. En el cuarto capítulo se analizan los factores que pueden influir en la exactitud del cartografiado del área quemada. El enfoque principal de análisis, fue el proceso de decorrelación temporal observado durante el desarrollo del algoritmo. La decorrelación temporal se refiere a que las diferencias temporales entre los valores del coeficiente de retrodispersión previo y posterior al incendio pueden no ocurrir inmediatamente trascurrida la combustión de la vegetación. Diferentes variables ambientales que pueden influir en la retro-dispersión, incluida la severidad del incendio, la recuperación de la vegetación posterior al incendio, el contenido de agua del suelo y la vegetación, la pendiente y la orientación topográfica fueron analizadas. Se utilizó un clasificador de random forests para estimar la importancia de estas variables en el proceso de decorrelación temporal. El análisis mostró que más del 32% de los píxeles quemados ubicados en el área estudiada se vieron afectados por la decorrelación temporal, siendo la severidad del fuego, el contenido de agua de la vegetación y la humedad del suelo, sus principales impulsores. Sin embargo, cuando se detectaron áreas quemadas mucho después del incendio, el contenido de agua tanto del suelo como de la vegetación fue el principal causante de los cambios en el coeficiente de retro-dispersión. En el quinto capítulo se aborda una comparativa entre algoritmos de cartografiado de áreas quemadas, dos basados en imágenes radar (Sentinel-1) y uno basado en ópticas (Sentinel-2). El análisis se llevó a cabo en diez áreas de estudio (10 millones de ha) en África. Los algoritmos se basaron en diversas estrategias de cartografiado y datos (reflectividad de superficie, coherencia interferométrica y coeficiente de retro-dispersión, siendo este último el presentado en el segundo capítulo). Para validar los mapas, se utilizaron perímetros de referencia derivados independientemente de imágenes ópticas (Landsat 8 y Sentinel-2). Al considerar todas las áreas de estudio, el algoritmo basado en datos ópticos proporcionó un aumento significativo de la exactitud en comparación con los basados en el radar, aunque este podría haber sido impulsado por el uso de los mismos datos ópticos al generar los perímetros de referencia que al cartografiar el área quemada. No obstante, el análisis sugirió que los algoritmos basados en imágenes ópticas proporcionan un incremento significativo en la exactitud sobre los algoritmos basados en radar. Sin embargo, en las regiones donde la nubosidad es más persistente, los algoritmos basados en radar ofrecen una valiosa fuente de datos, siendo los mapas basados en el coeficiente de retrodispersión de mayor exactitud. En el sexto capítulo se presenta un análisis exhaustivo sobre el uso de redes neuronales convolucionales (CNN) para la detección y cartografiado de áreas quemadas. Las CNN son un método de aprendizaje profundo (Deep learning) ampliamente aplicado en estudios recientes basados en teledetección. Las CNN se han utilizado en este capitulo para cartografiar áreas quemadas empleando imágenes radar (Sentinel-1), ópticas (Sentinel-2) y la combinación de ambas. Para ello, fueron consideradas diez áreas de estudio distribuidas globalmente, de las cuales, cinco se emplearon para hallar la combinación óptima de los modelos ajustando la dimensión más apropiada para la extracción de atributos de clasificación de la imagen, la normalización de los datos y el número de capas ocultas incluidas en la red. Por otro lado, las cinco áreas restantes se emplearon para llevar a cabo una validación independiente de los modelos óptimos. Tanto la dimensión como la normalización de datos óptima fueron condicionadas por la clase de cobertura del suelo y el tipo de sensor (óptico o radar), mientras que el número de capas ocultas sólo condicionó el tiempo de computación sin mejorar la exactitud del cartografiado. Con la combinación de imágenes radar y ópticas se permitió cartografiar las áreas quemadas con una exactitud similar e incluso ligeramente superior a la observada en enfoques anteriores realizados en el programa Fire_cci basados tanto en Sentinel-1 (DC 0.57) como en Sentinel-2 (DC 0.7) y eliminar vacíos de información debido a la presencia de nubes que afecta a los mapas basados únicamente en sensores pasivos. En el séptimo capítulo, dada la diferencia de exactitud entre los datos radar y ópticos al cartografiar áreas quemadas, proporcionando los segundos tipos de datos unos mapas más exactos. Se evaluaron diferentes índices temporales basados en el coeficiente de retro-dispersión, para así comprender su idoneidad al cartografiar áreas quemadas y poder mejorar los algoritmos de cartografiado basados en imágenes radar en trabajos futuros. El análisis se llevó a cabo utilizando el clasificador anteriormente citado, random forests, para estimar la importancia de cada índice al cartografiar áreas quemadas. Dependiendo del tipo de cobertura del suelo, la humedad y las condiciones topográficas, se observaron diferencias notables entre los índices temporales del coeficiente de retro-dispersión. En el octavo y último capítulo, se incluyen las conclusiones finales derivadas de toda la investigación que se ha desarrollado en esta tesis doctoral. Se describen los principales hallazgos de la misma, así como las limitaciones encontradas. Asimismo, se incluyen las futuras líneas de investigación que pueden ayudar a mejorar el cartografiado global de áreas quemadas empleando, tanto imágenes radar como la combinación de estas con las ópticas.