Comparación de Algoritmos de Aprendizaje Automático para la Planificación de Cortafuegos en la Interfaz Urbano-Silvestre Integrando Datos de ALS y LiDAR Aéreo de UAV y Imágenes Multiespectrales
Autores: Rodríguez-Puerta, Francisco; Alonso Ponce, Rafael; Pérez-Rodríguez, Fernando; Águeda, Beatriz; Martín-García, Saray; Martínez-Rodrigo, Raquel; Lizarralde, Iñigo
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Comparación de Algoritmos de Aprendizaje Automático para la Planificación de Cortafuegos en la Interfaz Urbano-Silvestre Integrando Datos de ALS y LiDAR Aéreo de UAV y Imágenes Multiespectrales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Combustibles de vegetación
Severidad del fuego
Vehículos Aéreos No Tripulados
Interfaz Urbano-Silvestre
Datos LiDAR
Bosque Aleatorio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Controlar la vegetación combustible alrededor de los asentamientos humanos es una estrategia crucial para reducir la severidad de los incendios en bosques, edificios e infraestructuras, así como para proteger vidas humanas. Cada país tiene sus propias regulaciones al respecto, pero todos tienen en común que al reducir la carga de combustible, a su vez reducimos la intensidad y severidad del fuego. El uso de datos adquiridos por Vehículos Aéreos No Tripulados (VANT) combinados con otros datos de teledetección pasiva y activa tiene el mejor rendimiento para planificar cortafuegos en la interfaz urbano-silvestre (WUI) a través de algoritmos de aprendizaje automático. Se probaron nueve fuentes de datos de teledetección (activas y pasivas) y cuatro algoritmos de clasificación supervisada (Random Forest, Máquina de Soporte Vectorial Lineal y Radial y Redes Neuronales Artificiales) para clasificar cinco tipos de áreas de combustible. Utilizamos datos de Detección y Rango por Luz (LiDAR) de muy alta densidad adquiridos por VANT (154 retornos·m-2 y ortomosaico de 5 cm de píxel), datos multiespectrales de los satélites Pleiades-1B y Sentinel-2, y datos de LiDAR de baja densidad adquiridos por Escaneo Láser Aerotransportado (ALS) (0.5 retornos·m-2, ortomosaico de píxeles de 25 cm). A través del procedimiento de Selección de Variables Usando Random Forest (VSURF), se realizó una preselección de variables finales para entrenar el modelo. Se compararon los cuatro algoritmos y se concluyó que las diferencias entre ellos en precisión general (OA) en conjuntos de datos de entrenamiento eran insignificantes. Aunque la mayor precisión en la etapa de entrenamiento se obtuvo en SVML (OA=94.46%) y en la prueba en ANN (OA=91.91%), se consideró que Random Forest era el algoritmo más confiable, ya que produjo predicciones más consistentes debido a las menores diferencias entre el rendimiento de entrenamiento y prueba. Usando una combinación de Sentinel-2 y los dos datos de LiDAR (VANT y ALS), Random Forest obtuvo un OA del 90.66% en entrenamiento y del 91.80% en conjuntos de datos de prueba. Las diferencias en precisión entre las fuentes de datos utilizadas son mucho mayores que entre los algoritmos. Las métricas de crecimiento de LiDAR calculadas utilizando nubes de puntos en diferentes fechas e información multiespectral de diferentes estaciones del año son las variables más importantes en la clasificación. Nuestros resultados apoyan el papel esencial de los VANT en la planificación y gestión de cortafuegos y, por lo tanto, en la prevención de incendios forestales.
Descripción
Controlar la vegetación combustible alrededor de los asentamientos humanos es una estrategia crucial para reducir la severidad de los incendios en bosques, edificios e infraestructuras, así como para proteger vidas humanas. Cada país tiene sus propias regulaciones al respecto, pero todos tienen en común que al reducir la carga de combustible, a su vez reducimos la intensidad y severidad del fuego. El uso de datos adquiridos por Vehículos Aéreos No Tripulados (VANT) combinados con otros datos de teledetección pasiva y activa tiene el mejor rendimiento para planificar cortafuegos en la interfaz urbano-silvestre (WUI) a través de algoritmos de aprendizaje automático. Se probaron nueve fuentes de datos de teledetección (activas y pasivas) y cuatro algoritmos de clasificación supervisada (Random Forest, Máquina de Soporte Vectorial Lineal y Radial y Redes Neuronales Artificiales) para clasificar cinco tipos de áreas de combustible. Utilizamos datos de Detección y Rango por Luz (LiDAR) de muy alta densidad adquiridos por VANT (154 retornos·m-2 y ortomosaico de 5 cm de píxel), datos multiespectrales de los satélites Pleiades-1B y Sentinel-2, y datos de LiDAR de baja densidad adquiridos por Escaneo Láser Aerotransportado (ALS) (0.5 retornos·m-2, ortomosaico de píxeles de 25 cm). A través del procedimiento de Selección de Variables Usando Random Forest (VSURF), se realizó una preselección de variables finales para entrenar el modelo. Se compararon los cuatro algoritmos y se concluyó que las diferencias entre ellos en precisión general (OA) en conjuntos de datos de entrenamiento eran insignificantes. Aunque la mayor precisión en la etapa de entrenamiento se obtuvo en SVML (OA=94.46%) y en la prueba en ANN (OA=91.91%), se consideró que Random Forest era el algoritmo más confiable, ya que produjo predicciones más consistentes debido a las menores diferencias entre el rendimiento de entrenamiento y prueba. Usando una combinación de Sentinel-2 y los dos datos de LiDAR (VANT y ALS), Random Forest obtuvo un OA del 90.66% en entrenamiento y del 91.80% en conjuntos de datos de prueba. Las diferencias en precisión entre las fuentes de datos utilizadas son mucho mayores que entre los algoritmos. Las métricas de crecimiento de LiDAR calculadas utilizando nubes de puntos en diferentes fechas e información multiespectral de diferentes estaciones del año son las variables más importantes en la clasificación. Nuestros resultados apoyan el papel esencial de los VANT en la planificación y gestión de cortafuegos y, por lo tanto, en la prevención de incendios forestales.