Caracterización del interfaz forestal/urbano empleando LiDAR como herramienta para la estimación del riesgo de daños por incendios forestales

  1. Robles, A.
  2. Rodríguez-Garrido, M. A.
  3. Alvarez-Taboada, M. F.
Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Año de publicación: 2016

Número: 45

Páginas: 57-69

Tipo: Artículo

DOI: 10.4995/RAET.2016.3967 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Resumen

Galicia (NO de España), afectada por alto número de incendios forestales, debería cumplir la normativa vigente en relación a la distancia entre masas forestales y edificaciones. Este trabajo tiene como objetivos identificar y caracterizar las masas forestales y clasificar las edificaciones en función del riesgo en caso de incendio para un área de 36 km2 del municipio de Forcarei (Pontevedra). A partir de los datos LiDAR se obtuvo la imagen de intensidades, modelos espaciales (MDT: Modelo Digital del Terreno, MDS: Modelo Digital de Superficies y MANO: Modelo de Alturas Normalizadas de Objetos) y dos estadísticos para la caracterización de las masas forestales (densidad de pies dominantes por hectárea y altura promedio de dominantes). La identificación de las masas forestales se realizó con un método de clasificación orientado a objetos empleando la imagen de intensidades, el modelo de alturas y ortofotografía de la zona, obteniéndose coeficiente kappa de grado de correspondencia de 0,82 en la validación. Las masas forestales se reclasificaron en función de la magnitud de un posible incendio, basándose en la densidad y la altura promedio de la masa. Se generó la cartografía de las masas según la magnitud de un posible incendio, obteniéndose que 1,18 km2 serían susceptibles de incendios de baja magnitud, 3,75 km2 de magnitud media y 2,25 km2 de elevada. Se determinó si las edificaciones de la zona cumplían la legislación relativa a los 30 metros de distancia mínima a la masa forestal, clasificando el riesgo de daños de aquellas que no cumplían en caso de incendio forestal. El resultado fue que el 43,01% de las edificaciones cumplía la normativa, el 9,95% situación de riesgo muy bajo, el 25,74% en riesgo bajo, el 12,37% en medio y que el 8,93% estaba en una situación de riesgo alto o muy alto.

Referencias bibliográficas

  • Alonso, A., Fontenla, O., Guijarro, B., Hernández, E., Paz, M.I., Jiménez, E., Legido, J.L., Carballas, T. 2003. An intelligent system for forest fire risk prediction and firefighting management in Galicia. Expert Systems with Applications, 25(4), 545-554. http://dx.doi.org/10.1016/S0957-4174(03)00095-2
  • Alvarez, M.F., 2006. Remote sensing and Geoinfomation Systems applied to the forest management of Eucalyptus globulus Labill. Stands damaged by Gonipterus scutellatus Gyllenhal in Galicia. Universidad de Vigo. Departamento de ingeniería de los recursos naturales y medio ambiente.
  • Axelsson, P. 2000. DEM generation from laser scanner data using adaptive tin models. International Archives of Photogrammetry and Remote Sensing, 33(b4), 111118.
  • Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen, M. 2004. Multi-resolution, Object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS J. of Photogrammetry and Remote Sensing, 58(3-4), 239-258. http://dx.doi.org/10.1016/j.isprsjprs.2003.10.002
  • Buján, S., González, E., Barreiro, L., Santé, I., Corbelle, E., Miranda, D. 2013. Clasification of rural landscapes from low-density LiDAR data: is it theoretically possible? International Journal Of Remote Sensing, 34(16), 5666-5689. http://dx.doi.org/10.1080/014311 61.2013.792230
  • Buján, S., González, E., Reyes, F., Barreiro, L., Crecente, R., Miranda, D. 2012. Land use classification from LiDAR data and ortho-images in a rural area. The Photogrammetric Record, 27(140), 401-422. http:// dx.doi.org/10.1111/j.1477-9730.2012.00698.x
  • Castedo-Dorado, F., Gómez-Vázquez, I., Fernandes, P.M., CrecenteCampo, F. 2012. Shrub fuel characteristics estimated from overstory variables in NW Spain pine stands. Forest Ecology and Management, 275, 130141. http://dx.doi.org/10.1016/j.foreco.2012.03.002
  • Chen, Y., Su, W., Li, J., Sun, Z. 2009. Hierarchical object oriented classification using very high resolution imagery and LiDAR data over urban areas. Advances In Space Research, 43(7), 1101-1110. http://dx.doi. org/10.1016/j.asr.2008.11.008
  • Dirección General del Catastro. Sede Electrónica Del Catastro. Available at: http://www.sedecatastro.gob. es/ Last access: May, 2014.
  • Evans, J.S., Hudak, A.T. 2007. A Multiscale Curvature Algorithm for Classifying Discrete Return LiDAR in Forested Environments. IEEE Transactions on Geoscience and Remote Sensing, 45(4), 1029 1038. http://dx.doi.org/10.1109/TGRS.2006.890412
  • Fernandes, P.M. 2009. Combining forest structure data and fuel modelling to classify fire hazard in Portugal. Annals of Forest Science, 66(4), 415-415. http://dx.doi.org/10.1051/forest/2009013
  • Fernández-Luque, I., Aguilar, F.J., Álvarez, M.F., Aguilar, M.A., 2013. Non-Parametric Object-Based Approaches to Carry Out ISA Classification From Archival Aerial Orthoimages. Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(4), 2058-2071. http://dx.doi.org/10.1109/ JSTARS.2013.2240265
  • Fernández-Luque, I., Aguilar, F.J., Aguilar, M.A., Álvarez, M.F., 2014. Extraction of impervious surface areas from GeoEye-1 and WorldView-2 VHR satellite imagery using an object-based approach. Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(12), 4681-4691. http://dx.doi.org/10.1109/ JSTARS.2014.2327159
  • García, J., González, E., Riquelme, J.C., Miranda, D., Diéguez, U., Navarro, R.M. 2014. Evolutionary feature selection to estimate forest stand variables using LiDAR. International Journal Of Applied Earth Observation And Geoinformation, 26, 119131. http://dx.doi.org/10.1016/j.jag.2013.06.005
  • Gómez-Vázquez, I., Fernandes, P.M., Arias-Rodil, M., Barrio-Anta, M., Castedo-Dorado, F. 2014. Using density management diagrams to assess crown fire potential in Pinus pinaster Ait. stands. Annals of Forest Science, 71(4), 473-484. http://dx.doi. org/10.1007/s13595-013-0350-4
  • Höfle, B., Pfeifer, N. 2007. Correction of laser scanning intensity data: data and model-driven approaches. ISPRS Journal of Photogrammetry And Remote Sensing, 62(6), 415-433.
  • Hyyppa, J., Hyyppa, H., Leckie, D., Gougeon, F., Yu, X., Maltamo, M. 2008. Review of methods of small-footprint airborne laser scanning for extracting forest inventory data in boreal forests. International Journal of Remote Sensing, 29(5), 1339-1366. http://dx.doi.org/10.1080/01431160701736489
  • Infraestructura de Datos Espaciais de Galicia. Servizo Web De Fenomenos (WFS) Da Cartografia Basica De Galicia. Xunta De Galicia. Conselleria de Medio Ambiente, Territorio e Infraestruturas. Available at: http://mapas.xunta.es/directorio-de-servizos-web/ presentacion Last access: May, 2014.
  • Jensen, J.R. 2005. Introductory digital image processing – a remote sensing perspective. New Jersey: Pearson Prentice Hall
  • Kraus, K., Pfeifer, N. 1998. Determination of terrain models in wooded areas with air-borne laser scanner data. ISPRS Journal of Photogrammetry And Remote Sensing, 53(4), 193-203. http://dx.doi.org/10.1016/ S0924-2716(98)00009-4
  • Martínez, J., Vega, C., Chuvieco, E. 2009. Human-caused wildfire risk rating for prevention planning in Spain. Journal Of Environmental Management, 90(2), 1241-1252.
  • Mcgaughey, R.J. 2014. FUSION/LDV: Software for LiDAR data analysis and visualization. United States: Department of Agriculture.
  • McRoberts, R., Tomppo, E. 2007. Remote sensing support for national forest inventories. Remote Sensing of Environment, 110(4), 412-419. http:// dx.doi.org/10.1016/j.rse.2006.09.034
  • Ministerio de Agricultura, Alimentación y Medio Ambiente. Estadísticas De Incendios Forestales. Available at: http://www.magrama.gob.es/es/ desarrollo-rural/estadisticas/INCENDIOS_ FORESTALES_2001-2010_FINAL_mod.1_tcm7349255.pdf Last access: May, 2014.
  • Sauro, J., Lewis, J.R. 2005. Estimating completion rates from small samples using binomial confidence intervals: comparisons and recommendations. Proceedings of The Human Factors And Ergonomics Society 49th Annual Meeting, 49(24), 2100-2103. http://dx.doi.org/10.1177/154193120504902407
  • Slocum, T.A., McMaster, R.B., Kessler, F.C., Howard, H.H. 2008. Thematic Cartography and Geovisualization. Indiana: Prentice Hall
  • Watt, M.S., Meredith, A., Watt, P., Gunn, A. 2014. The influence of LiDAR pulse density on the precision of inventory metrics in Young unthinned Douglas-fir stands during initial and subsequent LiDAR acquisitions. New Zealand Journal of Forestry Science, 44(18). http://dx.doi.org/10.1186/s40490014-0018-3
  • Xunta De Galicia. Ley 7/2012 de Montes de Galicia. Available at: http://www.xunta.es/dog/Publicados/2012/20120723/AnuncioC3B0-050712-0001_es.html Last access: June, 2014.
Fuente de los datos: Dialnet