Resumen

ARIZA, Alexander; SALAS REY, Javier  y  MERINO DE MIGUEL, Silvia. Comparison of maximum likelihood estimators and regression models for burn severity mapping in Mediterranean forests using Landsat TM and ETM+ data. Rev. cartogr. [online]. 2019, n.98, pp.145-177.  Epub 14-Mar-2022. ISSN 2663-3981.  https://doi.org/10.35424/rcarto.i98.145.

Durante la última década, ha habido un número creciente de trabajos publicados sobre la gravedad de los incendios forestales utilizando datos de teledetección para fines de gestión de recursos naturales y de investigación. Muchos de estos estudios cuantifican los cambios entre las condiciones de vegetación antes y después del incendio a partir de imágenes satelitales utilizando índices espectrales; sin embargo, hay una discusión activa sobre cuál de los índices más comúnmente usados es más adecuado para estimar la severidad de la quemadura, y qué metodología es la mejor para la estimación de los niveles de severidad. Este estudio propone y evalúa un algoritmo de aprendizaje automático de Estimación de Máxima Verosimilitud (EMV) para mapear la severidad de las quemaduras como una alternativa a los modelos de regresión. Desarrollamos ambos métodos usando datos de campo de GeoCBI (Índice Compuesto de Quema Geométricamente Estructurado, siglas en inglés) y seis índices espectrales diferentes (derivados de imágenes Landsat TM y ETM+) para dos incendios forestales en el centro de España. Comparamos la capacidad para discriminar la severidad de la quemadura de estos índices a través de un índice de separabilidad espectral (M), y evaluamos su concordancia con datos de campo basados en GeoCBI usando el coeficiente de determinación (R2). Posteriormente, el índice seleccionado se utilizó para los modelos de regresión y la EMV para estimar los niveles de severidad de quema (sin quemar, bajo, moderado y alto), y se validó con datos de campo. El índice RBR mostró una mejor separabilidad espectral (promedio entre dos fuegos M= 2.00) que el dNBR (M= 1.82) y RdNBR (M= 1.80). Además, GeoCBI tuvo un mayor ajuste con RBR (R2= 0.73) que con RdNBR (R2= 0.72) y dNBR (R2= 0.71). Finalmente, la EMV mostró la mayor precisión de clasificación general (Kappa= 0,65) y la mejor precisión para cada clase individual.

Palabras llave : Modelos de regresión; RBR; Máxima Verosimilitud; GeoCBI; dNBR; RdNBR.

        · resumen en Inglés | Portugués     · texto en Inglés     · Inglés ( pdf )