ESCUELA DE DOCTORADO

 
Tesis Doctorales de la Universidad de Alcalá
Más información
BURNED AREA MAPPING USING ACTIVE AND PASSIVE SENSORS OF MEDIUM SPATIAL RESOLUTION
Autor/aBelenguer Plomer, Miguel Angel
DepartamentoGeología, Geografía y Medio Ambiente
Director/aChuvieco Salinero, Emilio
Codirector/aTanase , Mihai Andrei
Fecha de defensa16/10/2020
CalificaciónSobresaliente Cum Laude
ProgramaTecnologías de la Información Geográfica (RD 99/2011)
Mención internacionalSi
ResumenEsta tesis doctoral se centra en el desarrollo de algoritmos de cartografiado de áreas quemadas empleando sensores activos y pasivos de resolución espacial media. En concreto, aquellos a bordo de los satélites de la Agencia Espacial Europea (ESA) Sentinel-1 y -2, que proporcionan imágenes radar y ópticas, respectivamente. Dichos algoritmos permiten reducir las incertidumbres actuales acerca de cuánta superficie se incendia anualmente en la Tierra, ya que los productos globales actuales se basan principalmente en imágenes ópticas de reducida resolución espacial, generando incertidumbre en pequeños incendios y en áreas con una alta nubosidad. El primer algoritmo desarrollado en la tesis se basa en imágenes de coeficiente de retrodispersión radar. Productos de anomalías térmicas y de usos del suelo son empleados como datos auxiliares. Asimismo, el clasificador random forests se aplica cuando la disponibilidad de anomalías térmicas es reducida. El algoritmo se testó en 18 zonas globalmente distribuidas, mejorándose la exactitud alcanzada por el producto global más utilizado, el MCD64. Durante el desarrollo algorítmico se observó un proceso de decorrelación temporal en el coeficiente de retrodispersión. Este proceso es analizado en detalle, siendo el clasificador random forests utilizado para estimar la influencia de diferentes factores. El contenido de agua en el suelo y la vegetación se observó como una variable determinante. La exactitud de las detecciones es comparada con las obtenidas por otros dos algoritmos, basados en imágenes ópticas y de coherencia interferométrica, respectivamente. La mayor exactitud es observada en las detecciones basadas en datos ópticos, mientras que la retrodispersión es más idónea que la coherencia. En base a la idoneidad de las imágenes ópticas para detectar área quemada, a que las imágenes radar permiten obtener información constante sin importar las condiciones atmosféricas y a que la resolución espacial y temporal de los satélites Sentinel-1 y -2 son similares, la combinación de ambas fuentes de información al detectar área quemada es explorada en detalle. Para ello, un método de inteligencia artificial con una creciente utilización, como es el deep learning, y concretamente las redes neuronales convolucionales, han sido empleadas en la presente tesis. La combinación óptico-radar mejora la exactitud, especialmente al comparar con las detecciones basadas únicamente en datos radar. Además, dicha fusión permite cartografiar por completo el área observada, lo cual no sucede al utilizar únicamente datos ópticos. Finalmente, en base a la diferencia de exactitudes entre las detecciones basadas en imágenes ópticas y radar, y a la necesidad de mejorar las basadas en las segundas en lugares con elevada nubosidad, se analiza cómo mejorar las detecciones basadas solamente en imágenes de retrodispersión radar. De acuerdo con los resultados, conocer con exactitud la humedad del suelo es determinante para poder mejorar la exactitud de las detecciones de área quemada. Sin embargo, los productos globales de humedad del suelo tienen una resolución espacial mucho más grosera que la de las imágenes radar actuales