Semi-Automatic Algorithm to Map Forest Fires and Estimate Vegetati=
on
Recovery Using Landsat-8 Images
|
Jonathan Zhiminaicela
Cabrera Universi=
dad
Técnica de Machala Machala,=
Ecuador jzhimina=
i1@utmachala.edu.ec Orcid: 0000-0001-9462-9608=
|
José Quevedo Guerrer=
o Universi=
dad
Técnica de Machala Machala,=
Ecuador jquevedo=
@utmachala.edu.ec Orcid: 0000-0002-8974-5628=
|
María Belén León Sal=
to Universi=
dad
Yachay Tech Urcuquí,
Ecuador maria.le=
on@yachaytech.edu.ec Orcid: <=
/span>0000-0001-8782-4261=
|
|
Cristhel Mora Encala=
da Universi=
dad
Técnica de Machala Machala,
Ecuador cmora9@u=
tmachala.edu.ec Orcid: <=
/span>0000-0002-0270-0962=
|
Resumen— =
Este estudio propone una metodol=
ogía
reproducible para la identificación, semi automática, de grandes incendios
forestales y la estimación de la recuperación vegetal mediante el uso de
imágenes satelitales Landsat 8 (OLI), y el análisis de la información obten=
ida
del cálculo de índices espectrales. Para ello se desarrolló un algoritmo
utilizando información de servidores de geo información y paquetes de análi=
sis
espacial del software R. Las imágenes satelitales procesadas se obtuvieron =
de
la plataforma EarthExplorer del Servicio Geológico de Estad=
os
Unidos (USGS): antes, durante y después del incendio forestal producido en =
el
Cantón Quilanga, Loja-Ecuador en el año 2019. P=
ara
ello, se realizó el cálculo de índices espectrales con el cual se procedió a
identificar los índices de mejor aplicabilidad, por medio de un análisis
visual, y una prueba de correlación de Pearson con un intervalo de confianz=
a al
95%, que corroboró el análisis visual. De ellos se obtuvo mejor correlación=
con
referencia al índice normalizado de área quemada (NBRI). De acuerdo con los
resultados obtenidos, se pudo delimitar el área afectada y estimar una
recuperación temprana de la vegetación, pero no se pudo identificar las
especies recuperadas.
Palabras Clave: Algoritmo R,
índices espectrales, incendios forestales, imágenes satelitales, Landsat.
Enviado: 04/08/2020 Sumario: I Introducción, II Resultados y Discusión, III Conclusiones. Como
citar: Zhiminaicela, Jonathan., Quevedo, Jo=
sé.,
León, María., & Mora, Cristhel. (2020). Algoritmo Semiautomático pa=
ra
Mapear Incendios Forestales y Estimar la Recuperación Vegetal Mediante
Imágenes Landsat-8. Revista Tecnológica - Espol, 32(2). Recupera=
do a
partir de http://www.rte.espol.edu.ec/index.ph=
p/tecnologica/article/view/757 http://www.rte.espol.edu.ec/index.php/tecnologica/rte/article/view/75=
7 https://doi.org/10.37815/rte.v32n2.757
Keywords: R-algorithm, spectral indices, fires
forest, satellite images, Landsat.
&nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp;
I. INTRODUCCIÓN
A nivel
mundial la estación seca o verano propicia las condiciones atmosféricas idó=
neas
para la propagación de incendios forestales, la cual genera problemas socia=
les,
económicos y ambientales [1]. Ecuador no está exento de estos impactos. La temperatura promedio =
de
Ecuador se encuentra entre 23-26 ºC; sin embarg=
o, la
temperatura máxima absoluta en aproximadamente el 30,12 % del territorio
ecuatoriano puede alcanzar los 32-34 ºC =
[2], con tendencias en su crecimiento, debido a la influencia que produ=
ce
el cambio climático [3] y con diversas variaciones [4]. El índice de peligro de incendios forestales es directamente
proporcional a la temperatura, por lo que estos cambios abruptos pueden
implicar un gran potencial para la ocurrencia o propagación de los incendios
forestales [1]. Así, la evaluación de los daños producidos y estimación del área de
recuperación son de vital importancia para proponer medidas de mitigación y
evitar la reincidencia en las
áreas afectadas. Debido a que las áreas destruidas por incendios forestales=
son
extensas, la evaluación in situ sería muy compleja. Una alternativa
confiable y económica para la evaluación de los daños producidos son los
Sistemas de Información Geográfica (SIG) y la teledetección [5].
Los
incendios forestales se relacionan con el principio básico de combustión en=
el
cual la temperatura y el cambio climático influyen directamente en el
desarrollo de un incendio. Éstos se presentan con mayor frecuencia en la
estación seca o verano, puesto que las variables climáticas son idóneas par=
a la
proliferación de un incendio, generando grandes pérdidas para la biodiversi=
dad
de una región [6]. Anualmente, la biodiversidad de los bosques forestales y la cobert=
ura
vegetal, principal regulador climático del Ecuador está siendo reducida como
consecuencia de la recurrencia de los incendios forestales [1], especialmente en la región Andina, generando así la pérdida de
extensas hectáreas de bosques.
Según la Secretaría del
Convenio sobre la Diversidad Biológica
Los
estudios para determinar las áreas afectadas por incendios forestales,
utilizando imágenes satelitales Landsat 8 [7], han demostrado tener valores bajos en el error por omisión, debido=
a
la resolución espacial de las bandas espectrales generadas por los sensores=
de
los satélites, los cuales permiten tener una visión más clara del efecto
producido al territorio [7]. No obstante, al comparar el uso de imágenes de los satélites Lands=
at 8
y Sentinel-2 se evidenció menor tasa de error por omisión en Sentinel 2, cuya aplicación es aceptable puesto que
contiene rangos de similitud [8] y error por omisión [9], o en otras imágenes como Wo=
rldView-2,
imágenes con mayor resolución espacial [10]. Aunq=
ue a
medida que aumenta el área afectada por incendios, los errores de omisión
disminuyen [11]. Además, se complementan con el cálculo de los diversos índices
espectrales con imágenes Landsat 7 y Landsat 8 [12].
Adici=
onar
una clasificación semi supervisada permitiría la reducción los errores de
bandas espectrales, pues en general el error se asocia a delimitaciones del
área [9]. Pese a que se han realizado múltiples estudios no es posible deduc=
ir
con exactitud o aseverar el efecto producido por los incendios. Las inferen=
cias
obtenidas permiten estimar el área global de afectación; consecuentemente, =
es
una herramienta que contribuye a la toma de decisiones adecuadas acorde a la
visión general del área afectada [13]. Esto se debe a que cada incendio debe ser tomado en cuenta para la
valoración con diversas variables, tales como el área de quemado, las
condiciones topográficas [14], la nubosidad y otras. Generalmente se utiliza la clasificación
supervisada, ya que permite obtener resultados más confiables [15]. En caso de falencias de información o inversión, una técnica ideal
para reducir errores es la clasificación semi supervisada. Existen diversos índices espectrales que
utilizan imágenes satelitales para el cálculo del área abrasada. Regularmen=
te
se utilizan las imágenes del satélite Sentinel =
2,
implementadas con índices espectrales que evalúa el estado de la vegetación=
[16], los que permiten el mapeo y clasificación de la cobertura vegetal =
por
medio del uso de bandas espectrales [7]. Sin embargo, la mayoría de estos estudios se limitan al uso y anál=
isis
de un índice espectral. En base a los antecedentes mencionados y a la nula o
escasa aplicación de estas herramientas, en Ecuador se propone emplear RStoolbox, un paquete del software R, para analizar y
comparar índices espectrales de las imágenes tele detectadas [11], permitiendo así identificar el índice adecuado para mapear el área=
de
quemado; además, se pretende acoplar las
correcciones radiométricas y de reflectancia con el paquete Landsat 8 [17].
A.&n=
bsp;
Área de estudio
Para el
análisis se consideró al incendio forestal más grande que ocurrió en Ecuado=
r,
con el cual se puede evitar los errores por omisión, pues a mayor extensión=
de
incendio se presenta menor cantidad de errores por omisión [9]. El área de estudio evaluada se ubica en el cantón Quilanga, Loja al Sur del Ecuador. Véase en la Fig. 1
=
Fig.
1
En
esta zona, las condiciones topográficas, estación climática y las condicion=
es
atmosféricas tales como el viento, favorecen la proliferación de un incendi=
o.
De acuerdo a los reportes del INAHMI, en esta región los vientos pueden
alcanzar hasta 8 m/s [18]. Las zonas forestales y las especies endémicas
recientemente identificadas son las más afectadas y degradadas debido a
diversos factores antropológicos que promueven su degradación [19].
B. Imágenes satelitales
Se utilizaron imágenes
satelitales Landsat 8 OLI tomadas antes, durante y después del incendio
forestal, lo más próximo al cierre de esta investigación. Descrito en la TABLA I=
, en el PATH=3D 10 y ROW 63. Estas imágenes fue=
ron
obtenidas del servidor USGS.
TABLA I
IMÁGENES UTILIZADAS EN EL ESTUDIO
|
|
Imágenes satelitales Landsat 8
(OLI) |
|
|
Identificador-producto<=
/b> |
|
|
|
Antes |
LC08_L1TP_010063_20190825_20190903_01_T1 |
25/08/2019 |
|
Durante |
LC08_L1TP_010063_20190926_20191017_01_T1 |
26/0=
9/2019 |
|
Después |
LC08_L1TP_010063_20200421_20200508=
_01_T1 |
21/04/2020 |
En este estudio se utilizaron imágenes Landsat 8
debido a la resolución espacial de sus bandas espectrales y los beneficios =
que
estas brindan para el estudio [20]. Véase en la Fig.
Fig. 2
Respuesta espectral LDCM
El
proceso podría llevarse a cabo y obtener buenos resultados con imágenes Lan=
dsat
7 [21], lo que beneficiaría la aplicació=
n del
algoritmo presentado en este trabajo cuando se necesiten imágenes antepuest=
as
al lanzamiento de Landsat 8 en 2013.
C.&n=
bsp;
Identificación del área de
estudio.
Para
identificar el área de afectación se utilizó el software QGIS versión 3.12 =
de
código abierto, empleando herramientas que permiten añadir capas tomando en
cuenta la banda 5 después del incendio, imagen satelital de Landsat 8 OLI.
Véase en la Fig.
=
Fig.
3
D.&n=
bsp;
Software R
Para el estudio se utilizó el software R y como
modulador el software RStudio. El sistema utili=
zado y
sus herramientas de procesamiento facilitan la reproducción de las
investigaciones [22].
E.&n=
bsp;
Índices espectrales
El
cálculo de índices espectrales permite conocer el estado de la cobertura
vegetal, por ende, su aplicación en estudios para determinar las afectacion=
es
producidas en la cobertura vegetal es pertinente [16]. Además, puede utilizarse para pr=
ever
posibles incendios forestales [23]. El paquete =
RStoolbox
del Software R, permite realizar el cálculo de más de veinte índices los cu=
ales
son descritos en su paquete de R [24].
F.&n=
bsp;
Descripción del algoritmo con los paquetes de R
En este
estudio se utilizó el software R y RStudio,
herramientas informáticas individuales que permitieron mapear y estimar la
recuperación del incendio forestal producido en Quilan=
ga
en 2019. El algoritmo se describe en la Fig. 4.
Fig. 4 <=
/span>Diagrama
de flujo del algoritmo para el procesamiento de las imágenes satelitales
Landsat 8
G. Evaluación de la severida= d
Se debe conocer lo=
s rangos
interespecíficos para reconocer la salud de la vegetación. Estos rangos pue=
den
ser interpretados mediante el procesamiento de la información espectral
incluida en la cartografía del área quemada [25].
H. Evaluación de la recupera= ción
Tanto las imágenes Landsat [26], como los índices espectrales [27] tienen diversas
aplicaciones y cumplen diversas funciones. Para determinar los de mejor
aplicabilidad, se realizó un análisis visual [28] de las gráficas obtenidas desde el cálculo de índices
espectrales, y se hizo una prueba de correlación de Pearson [29] para corroborar estos resultados con un nivel de
significancia del 95% entre índices espectrales, tomando en cuenta el área
donde ocurrió el incendio, cortada con la capa obtenida en QGIS, lo cual se
observa en la Fig. 3; para ello se ext=
rajeron
los valores y se realizó una prueba de correlación con referencia al índice
normalizado de área quemada (NBRI), siendo este índice el de mayor aplicaci=
ón.
Los resultados se presentan en la Fig. 5.
=
&nb=
sp; =
&nb=
sp; =
&nb=
sp;
II. RESULTADOS Y DISCUSIÓ=
N
De los
índices espectrales obtenidos en el estudio para identificar los de mejor
aplicabilidad, se determinó visualmente que el índice que permitió identifi=
car
con mayor precisión la severidad del incendio forestal fue NBRI. Siendo est=
e índice
representado en tres momentos en la antes en la Fig. 6, durante en la ¡Erro=
r!
No se encuentra el origen de la referencia., después del incendio forestal =
en
la Fig. 8, representándose imágenes del cantón Quilang=
a,
donde se suscitó el incendio forestal más grande del Ecuador en el año 2019=
.
Fig. =
5 Prueba de correlación de Pearson entre
índices espectrales
De entre los índices seleccionados se consideró la
aplicabilidad de acuerdo a la características e
información que brindan los índices espectrales. Obteniendo así en los índi=
ces
evaluados mejor correlación con referencia al índice de relación de quemado
normalizado NBRI. El índice de vegetación ajustado al suelo SAVI=3D 0.98, í=
ndice
de vegetación de diferencia normalizada verde GNDVI=3D 0.96, índice de vege=
tación
mejorado de dos bandas EVI2=3D 0.97, índice de vegetación de diferencia DVI=
=3D 0.89
y índice de vegetación de diferencia normalizada NDVI=3D 0.98.
I.&n= bsp; Severidad del incendio fo= restal NBRI<= o:p>
1)&n=
bsp;
Antes del Incen=
dio
forestal: Se puede identificar por medio=
de
la imagen espectral en la Fig. 6;
el cantón Quilanga pertenece a la zona andina, =
pero
se encontraba en la estación seca. El valor promedio de NBRI es de 0.31, lo
cual alude a una vegetación medianamente sana.
Fig. 6
2)
Durante el ince=
ndio
forestal: La fase presentada en la imagen espectral en la <=
/span>Fig. 7, presenta el
momento más próximo al control del incendio forestal. Los daños se pueden o=
bservar
con claridad y precisión las afectaciones. Fig. 7 3) Después del incendio forestal: Se observa una recuperación temprana de la vegetación con rangos
promedio en el área afectada de 0.34 y en menor medida por debajo de 0.16.
Véase la Fig. 8. Fig. 8
Imagen
espectral del cantón Quilanga después del incen=
dio forestal
con el índice NBRI J. Severidad del incendio forestal índices con similitud Adicional al índic=
e NBRI,
el paquete RStoolbox proporciona el cálculo de =
más de
treinta índices espectrales, herramienta que permite elegir el índice de me=
jor
aplicabilidad para el mapeo de incendios forestales, siendo éstos los índic=
es:
DVI, véase la Fig. 9; EVI2, véase la Fig. 10; GNDVI, véase en la Fig. 11, que, de acuerdo al análisis visual y la prueba de
correlación. Fig. 9
Imagen espectral del cantón Quilanga índice DVI=
Fig. 10
Fig. 11
Imagen espectral del cantón Quilanga índice GND=
VI
Las imágenes satelitales Sentinel 2, las cuales tienen un valor monetario por
unidad, son utilizadas generalmente para realizar mapeos de incendios
forestales [30]. Es por esto que este estudio=
se
efectuó con imágenes Landsat 8; adicionalmente se trabajó con el índice NDVI
que mide la salud de la vegetación, por ende, permite mapear la cobertura
vegetal. Es por esto que se consideró al NDVI como herramienta adecuada para
estimar la recuperación vegetal [31].
K. Mapeo de la recuperación de la vegetación afectada por el ince=
ndio
forestal.
Para mapear la recuperación de =
la
cobertura vegetal se propusieron el índice NDVI, que se observa en la Fig. 12 y el índice SAVI, representado en la Fig. 13.
Fig.
12 Imagen espectral del cantón Quilanga índice NDVI
Fig. 13
Imagen espectral del cantón Quilanga índice SAV=
I
Los
resultados obtenidos son aplicables en estudios espectrales para conocer el
estado de la cobertura vegetal. Además pueden ser utilizados en la evaluaci=
ón y
análisis de factores externos al estudio como en agricultura de precisión <=
/span>[32]<=
/span>.
L. Estimación de la recuperación vegetal.
Los resultados obtenidos se pue=
den
contrastar con los valores promedio representados en la Fig. 14. En dicha infografía se expresan los valores espectrales=
de
las diferentes fases, tales como: Antes, durante y después del incendio
forestal. Generalmente, la presencia de valores espectrales negativos
representa daños graves en la cobertura vegetal[16][27][23].
Fig. 14
Valores espectrales de las imágenes Landsat 8, en los tres tiempos de
evaluación
Los v=
alores
espectrales obtenidos en el estudio dos permiten conocer dos aspectos gener=
ales
del comportamiento de la vegetación antes, durante y después del incendio: =
1)
El comportamiento de la vegetación y su recuperación: Los valores de los índices NDVI fueron:
antes -0.12 a 0.46=
con
tendencia positiva, durante -0.09 a 0.47 con tendencia negativa y después 0=
.01;
0.47. Este comportamiento se repite en el índice SAVI representado en el
diagrama de cajas de la Fig. 14. Estos valores permiten inferir que hubo una recuperación
vegetativa de acuerdo al análisis espectral [33][10][9]=
[15][29], pero no se pudo identificar el tipo de vegetación recup=
erada,
puesto que el cálculo de índices espectrales permite hacer estimaciones como
otras herramientas que utilizan teledetección. De acuer=
do al
resultado obtenido y los valores espectrales se puede aseverar que hubo una
recuperación temprana de la cobertura vegetal.
2) =
Mapeo del incendio forestal: Para identificar y mapear los incendios forestales se uti=
lizó
como referencia el índice NBRI siendo este el de mayor aplicación y una pru=
eba
de correlación de Pearson para con los demás índices espectrales obteniendo,
así en los índices evaluados mejor correlación con referencia al NBRI. El
índice SAVI=3D 0.98, el GNDVI=3D 0.96, EVI2=3D 0.97, DVI=3D 0.89 y NDVI=3D =
0.98. Además, visualmente se puede constatar estos
resultados en las Fig. 7, Fig. 9, Fig. 10, Fig. 11, Fig. 12 y Fig. 13.
=
&nb=
sp; =
&nb=
sp; =
&nb=
sp; =
III. CONCLUSIONES
En Ecuador las imágenes satelita=
les
han sido utilizadas para evaluar el estado de los cultivos y relacionarlos =
con
su rendimiento [34]. Sin embargo, estos procesos de tratamiento y análisis =
de
imágenes satelitales no se han aplicado a otros campos. Debido al gran impa=
cto
económico, ambiental y social negativo que producen los incendios forestales
anualmente al país, se debería considerar la aplicación de estos estudios. =
El algoritmo presentado en esta
investigación permite evaluar el área afectada y así obtener una visión gen=
eral
de los daños ocasionados por este tipo de desastres, lo cual lo convierte en
una herramienta de fácil aplicabilidad y reproducción. Este algoritmo se
complementa mediante el uso de imágenes satelitales Landsat 8 y el software=
R.
El software R facilita la reproducción de este estudio, debido a que la
plataforma facilita la utilización de versiones anteriores, por esta razón =
las
actualizaciones que se realicen no limitan su efectividad.
Asimismo, el software R permite
tener una visión clara y global en el mapeo de incendios forestales,
especialmente la delimitación del mismo. La apli=
cación
del algoritmo en R facilita la obtención de imágenes de alta calidad y una
visión de la afectación en áreas, por lo cual el algoritmo puede ser aplica=
do
con enfoques para la evaluación de cultivos, pues la facilidad del package RStoolbox y el so=
ftware
R, permiten la facilidad de tener una gama de índices espectrales con múlti=
ples
aplicaciones.
En el análisis post incendio, se
puede deducir una temprana recuperación a nivel espectral de la vegetación,=
la
cual se puede ver influenciada en la fecha que se adquirió la imagen post
incendio, en el mes de abril, donde hay mayor fluctuación de la precipitaci=
ón.
Pero a nivel general, debido a que es una herramienta de estimación, se pudo
cumplir con los objetivos planteados, sin la necesidad generar los costos q=
ue
in situ se producen al estudiarlos o al realizar una clasificación supervis=
ada.
Todos los estudios a nivel espec=
tral
con imágenes satelitales nos permiten hacer estimaciones, pero no se puede
conocer con exacta certeza lo que sucede en campo. Esta herramienta es una
alternativa para realizar monitoreo e identificar donde es necesario realiz=
ar
oportunamente medidas de biorremediación.
Este estudio ayuda abrir un mayor
desarrollo en la investigación en estos campos de la teledetección de incen=
dios
forestales, pues su facilidad de replicación le dará un aporte favorable al=
uso
de herramientas convencionales, donde se debe tener mayor campo de
conocimiento. Se debe considerar, antes de realizar el estudio, factores co=
mo
nubosidad, facilidad para interpretar los valores espectrales, conocimientos
medios en el manejo del software R y la identificación del área afectada.
RECONOCIMIENTOS
Este trabajo ha sido financiado
parcialmente por el Proyecto de Investigación del Mapeo de Grandes Incendios
Forestales de Ecuador, del Semillero de Investigación en Recursos Fitogéneticos de la Universidad Técnica de Machala
(SIRF/UTMACH).
Los autores desean expresar su
agradecimiento a Angel Eduardo Luna Romero,
REFERENCIAS
[1]
D. Pazmi=
ño, “Peligro
de incendios forestales asociado a factores climáticos en Ecuador” FIGEM=
PA Investig y Desarro, v=
ol. 1
no. 1, pp. 10-18, Jun. 2019, doi: 10.29166/revfig.v1i1.1800.
[3] =
S.
A. Vega Aguilar, C. C. Malla Ceferino, and H. F. Bejarano Copo, “Evidencias=
del
cambio climático en Ecuador,” Rev. Agroecosistemas, vol. 8, no. 1, p=
p.
72–76, 2020.
[4] F. Navarro‐Serrano et al.<=
/i>,
“Maximum and minimum air temperature lapse rates in the Andean region of
Ecuador and Peru,” Int. J. Climatol., p. joc.6574, Apr. 2020, doi:
10.1002/joc.6574.
[5] E. Chuvieco, I. Aguado, J. Salas, M.
García, M. Yebra, and P. Oliva, “Satellite Remote Sensing Contributions to
Wildland Fire Science and Management,” Curr. For. Reports, vol. 6, n=
o.
2, pp. 81–96, Jun. 2020, doi: 10.1007/s40725-020-00116-5.
[6] M. . Flannigan, B. . Stocks, and B.=
.
Wotton, “Climate change and forest fires,” Sci. Total Environ., vol.
262, no. 3, pp. 221–229, Nov. 2000, doi: 10.1016/S0048-9697(00)00524-6.
[7] W. Schroeder, P. Oliva, L. Giglio, =
B.
Quayle, E. Lorenz, and F. Morelli, “Active fire detection using Landsat-8/O=
LI
data,” Remote Sens. Environ., vol. 185, pp. 210–220, Nov. 2016, doi:
10.1016/j.rse.2015.08.032.
[8] =
J.
Delegido et al., “Estimación del grado de severidad de incendios en =
el
sur de la provincia de Buenos Aires, Argentina, usando Sentinel-2 y su
comparación con Landsat-8,” Rev. Teledetección, no. 51, p. 47, Jun.
2018, doi: 10.4995/raet.2018.8934.
[9] U. A. Bezzera, L. M. M. Oliveira, A=
. L.
B. Candeias, B. B. Silva, A. C. L. S. Leite, and L. T. M. S. Silva, “Compar=
ison
of the Normalized Difference Vegetation Index (NDVI) Between the Sensors
OLI-Landsat Satellite-8 and MSI-Sentinel-2 Satellite in Semi-Arid Region,” =
Anuário
do Inst. Geociências - UFRJ, vol. 41, no. 3, pp. 167–177, Dec. 2018, do=
i:
10.11137/2018_3_167_177.
[10] Z. Wu, B. Middleton, R. Hetzler, J. V=
ogel,
and D. Dye, “Vegetation Burn Severity Mapping Using Landsat-8 and WorldView=
-2,”
Photogramm. Eng. Remote Sens., vol. 81, no. 2, pp. 143–154, Feb. 201=
5,
doi: 10.14358/PERS.81.2.143.
[11] F. Li, X. Zhang, S. Kondragunta, C. C.
Schmidt, and C. D. Holmes, “A preliminary evaluation of GOES-16 active fire
product using Landsat-8 and VIIRS active fire data, and ground-based prescr=
ibed
fire records,” Remote Sens. Environ., vol. 237, p. 111600, Feb. 2020,
doi: 10.1016/j.rse.2019.111600.
[12] P. Li, L. Jiang, and Z. Feng,
“Cross-Comparison of Vegetation Indices Derived from Landsat-7 Enhanced
Thematic Mapper Plus (ETM+) and Landsat-8 Operational Land Imager (OLI)
Sensors,” Remote Sens., vol. 6, no. 1, pp. 310–329, Dec. 2013, doi: =
10.3390/rs6010310.
[13] C. K. Brewer, J. C. Winne, R. L. Redm=
ond,
D. W. Opitz, and M. V. Mangrich, “Classifying and Mapping Wildfire Severity=
,” Photogramm.
Eng. Remote Sens., vol. 71, no. 11, pp. 1311–1320, Nov. 2005, doi:
10.14358/PERS.71.11.1311.
[14] =
R.
W. Bussmann, “Bosques andinos del sur de Ecuador, clasificación, regeneraci=
ón y
uso.,” Rev. Peru. Biol., vol. 12, no. 2, pp. 203–216, 2005.
[15] =
E.
Gómez-Sánchez, J. De las Heras, M. Lucas-Borja, and D. Moya, “Ajuste de
metodologías para evaluar severidad de quemado en zonas semiáridas (SE
peninsular): incendio Donceles 2012,” Rev. Teledetección, no. 49, p.
103, Dec. 2017, doi: 10.4995/raet.2017.7121.
[16] =
M.
A. Peña and J. Ulloa, “Mapeo de la recuperación de la vegetación quemada
mediante la clasificación de índices espectrales pre- y post-incendio,” =
Rev.
Teledetección, no. 50, p. 37, Dec. 2017, doi: 10.4995/raet.2017.7931.
[17] S. C. Goslee, “Analyzing Remote Sensi=
ng
Data in R : The landsat Package,” J. Stat. Softw.<=
/i>, vol. 43, no.=
4,
2011, doi: 10.18637/jss.v043.i04.
[18] =
J.
Maldonado and L. Álvarez, O., Montaño, T Tenechagua, “Análisis Climático de=
la
Velocidad del Viento en la Región Sur del Ecuador,” Rev. Politécnica,
vol. 35, no. 3, p. 137, 2015.
[19] =
G.
Aguirre, Zhofre Mendoza. Geada-Lopez, “Estado de conservación de los bosques
secos de la provincia de Loja, Ecuador,” Arnaldoa, vol. 24, no. 1, J=
un.
2017, doi: 10.22497/arnaldoa.241.24107.
[20] J. Barsi, K. Lee, G. Kvaran, B. Markh=
am,
and J. Pedelty, “The Spectral Response of the Landsat-8 Operational Land
Imager,” Remote Sens., vol. 6, no. 10, pp. 10232–10251, Oct. 2014, d=
oi:
10.3390/rs61010232.
[21] =
A.
R. López García, “Estudio de la severidad y regeneración de la vegetación p=
or
el incendio de 2012 en el Bosque La Primavera (México) mediante imágenes LA=
NDSAT
7,” Rev. Cart., no. 101, pp. 35–50, Jun. 2020, doi:
10.35424/rcarto.v0i101.420.
[22] C. Gandrud, Reproducible research =
with R
and R studio. Taylor & Francis Gropu, 2013.
[23] P. Illera, A. Fernández, and J. A. De=
lgado,
“Temporal evolution of the NDVI as an indicator of forest fire danger,” =
Int.
J. Remote Sens., vol. 17, no. 6, pp. 1093–1105, Apr. 1996, doi:
10.1080/01431169608949072.
[24] R. J. Leutner, B., Horning, N.,
Schwalb-Willmann, J., & Hijmans, “RStoolbox: tools for remote sensing d=
ata
analysis. R package version 0.1, 7.” 2017.
[25] =
E.
Bastarrika Izagirre, A. y Chuvieco Salinero, “Cartografía del área quemada
mediante crecimiento de regiones: aplicación en entornos mediterráneos con
imágenes tm y etm+1,” GeoFocus, vol. 6, pp. 82–204, 2006.
[26] =
A.
R. Montellano, “Cartografía multitemporal de quemas e incendios forestales =
en
Bolivia: Detección y validación post-incendio,” Ecol. en Boliv., vol.
47, no. 1, pp. 53–71, 2012.
[27] S. Martínez, E. Chuvieco, I. Aguado, =
and J.
Salas, “Burn severity and regeneration in large forest fires: an analysis f=
rom
Landsat time series,” Rev. Teledetección, no. 49, p. 17, Dec. 2017, =
doi:
10.4995/raet.2017.7182.
[28] =
C.
Gómez et al., “Cartografía anual de incendios forestales (1985-2015)=
en
el Noroeste de España a partir de serie temporal de datos Landsat y algorit=
mo
Composite2Change,” in Nuevas plataformas y sensores de teledetección. XV=
II
Congreso de la Asociación Española de Teledetección, 2017, pp. 169–172.=
[29] =
A.
Collingwood, P. Treitz, F. Charbonneau, and D. Atkinson, “Artificial Neural
Network Modeling of High Arctic Phytomass Using Synthetic Aperture Radar and
Multispectral Data,” Remote Sens., vol. 6, no. 3, pp. 2134–2153, Mar.
2014, doi: 10.3390/rs6032134.
[30] A. Fernández-Manso, O. Fernández-Mans=
o, and
C. Quintano, “SENTINEL-2A red-edge spectral indices suitability for
discriminating burn severity,” Int. J. Appl. Earth Obs. Geoinf., vol.
50, pp. 170–175, Aug. 2016, doi: 10.1016/j.jag.2016.03.005.
[31] P. Teillet, “Effects of spectral, spa=
tial,
and radiometric characteristics on remote sensing vegetation indices of
forested regions,” Remote Sens. Environ., vol. 61, no. 1, pp. 139–14=
9,
Jul. 1997, doi: 10.1016/S0034-4257(96)00248-9.
[32] S. Kharuf-Gutierrez, R. Orozco-Morale=
s, O.
de la C. Aday Díaz, and E. Pineda Ruiz, “Multispectral aerial image process=
ing
system for precision agriculture,” Sist. y Telemática, vol. 16, no. =
47,
Oct. 2018, doi: 10.18046/syt.v16i47.3221.
[33] S. Pesaresi, A. Mancini, G. Quattrini=
, and
S. Casavecchia, “Mapping Mediterranean Forest Plant Associations and Habita=
ts
with Functional Principal Component Analysis Using Landsat 8 NDVI Time Seri=
es,”
Remote Sens., vol. 12, no. 7, p. 1132, Apr. 2020, doi: 10.3390/rs120=
71132.
[34] =
C.
G. Aguilar, “Aplicación de índices de vegetación derivados de imágenes
satelitales para análisis de coberturas vegetales en la provincia de Loja,
Ecuador.,” CEDAMAZ, vol. 5, no. 1, pp. 30–41, 2015.
Algoritmo Semiautomático para Mapear Incendios
Forestales y Estimar la Recuperación Vegetal Mediante Imágenes Landsat-=
8 2