Programa del congreso

El conocimiento de los combustibles forestales es fundamental para tratar de mitigar el riesgo de incendio que se está intensificando en los últimos años. En este estudio se evalúa la capacidad que tiene la información extraída de las nubes de puntos de la tercera cobertura del PNOA LiDAR para estimar combustibles forestales según la clasificación Prometheus. La verdad terreno está compuesta por una muestra de 108 parcelas ubicadas en el centro de la Depresión del Ebro, en las cuales se ha identificado el tipo combustible forestal. Las nubes de puntos fueron procesadas para eliminar los puntos de ruido y solape, ser reclasificadas utilizando una metodología adaptada a ambientes forestales, y crear un modelo digital del terreno con un tamaño de píxel adecuado a la distancia entre puntos LiDAR. Posteriormente, se procedió a la normalización de las alturas y al recorte de las nubes de puntos según el tamaño y forma de las parcelas para la extracción de métricas relacionadas con las alturas de la vegetación, la densidad de puntos a diferentes alturas e índices de diversidad. Finalmente, se crearon conjuntos de datos para entrenar y validar distintos modelos de clasificación de aprendizaje automático: random forest, support vector machine lineal y radial. De cada modelo e iteración se calculó una serie de estadísticos que determinan la calidad de la clasificación. Los resultados muestran alrededor del 75% de exactitud global, siendo el que mejor resultado brinda el que combina la elevación del momento L3, el porcentaje de todos los retornos sobre la media, y el índice de rugosidad vegetal, con una exactitud global del 78%. Estos resultados confirman que un aumento de la densidad de puntos mejora la capacidad de estimación de los combustibles forestales.