Abstract

ARIZA, Alexander; SALAS REY, Javier  and  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 Mar 14, 2022. ISSN 2663-3981.  https://doi.org/10.35424/rcarto.i98.145.

Durante a última década, surgiu um número crescente de trabalhos publicados sobre a gravidade dos incêndios florestais utilizando dados de sensoriamento remoto para fins de gestão de recursos naturais e de investigação. Muitos destes estudos quantificam as mudanças entre as condições de vegetação antes e depois do incêndio a partir de imagens de satélites utilizando índices espectrais; entretanto, há uma discussão ativa sobre qual os índices mais comumente usados é mais adequado para estimar a severidade do incêndio, e que metodologia é a melhor para a estimação dos níveis de severidade. Este estudo propõe e avalia um algoritmo de aprendizagem automático de Estimação de Máxima Verosimilitude (EMV) para mapear a severidade dos incêndios como uma alternativa aos modelos de regressão. Desenvolvemos ambos os métodos usando dados de campo de GeoCBI (Índice Composto de Queima Geometricamente Estruturado, siglas em inglês) e seis índices espectrais diferentes (derivados de imagens Landsat TM e ETM+) para dois incêndios florestais no centro da Espanha. Comparamos a capacidade para discriminar a severidade do incêndio destes índices através de um índice de separabilidade espectral (M), e avaliamos sua concordância com dados de campo baseados no GeoCBI usando o coeficiente de determinação (R2). Posteriormente, o índice selecionado foi utilizado para os modelos de regressão e a EMV para estimar os níveis de severidade de queima (sem queima, baixo, moderado e alto), e se validou com dados de campo. O índice RBR mostrou uma melhor separabilidade espectral (média entre dois incêndios M= 2.00) que o dNBR (M= 1.82) e RdNBR (M= 1.80). Além disso, GeoCBI teve um maior ajuste com RBR (R2= 0.73) que com RdNBR (R2= 0.72) e dNBR (R2= 0.71). Finalmente, a EMV mostrou a maior precisão de classificação geral (Kappa= 0,65) e a melhor precisão para cada classe individual.

Keywords : Modelos de regressão; RdNBR; Máxima Verosimilitude; GeoCBI; dNBR; RBR.

        · abstract in English | Spanish     · text in English     · English ( pdf )