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.

El modelado de susceptibilidad a movimientos en masa (MSMM) es una herramienta clave para la evaluación del riesgo geológico y la planificación territorial; sin embargo, la incertidumbre asociada a sus predicciones rara vez se cuantifica explícitamente, particularmente en regiones montañosas complejas como los Andes. La elevada heterogeneidad geomorfológica, climática y geológica, junto con la limitada disponibilidad de inventarios históricos, incrementa la variabilidad espacial de los factores condicionantes y reduce la confiabilidad de los modelos. Este estudio analiza la incertidumbre espacial de un MSMM mediante un enfoque probabilístico basado en Procesos Gaussianos (PG), utilizando variables geomorfológicas, geológicas y ambientales. La optimización del modelo se realizó mediante la Selección Secuencial hacia atrás de características (SBS). La incertidumbre se evaluó mediante la entropía de Shannon. Los resultados muestran que el modelo optimizado mejora el desempeño predictivo (AUC: 0,876–0,905) y reduce la incertidumbre (0,555–0,522). El análisis espacial evidencia mayores niveles de incertidumbre en rangos extremos de pendiente y distancia a vías principales, y mínimos en intervalos intermedios, donde el modelo presenta mayor estabilidad predictiva.

La actualidad climática reciente ha mostrado la necesidad de tener sistemas de monitoreo rápido de cambios en la superficie en la Comunidad Valenciana. Este trabajo aprovecha la disponibilidad gratuita y rápida de los datos del sensor MSI (Multispectral Imager) a bordo de los satélites Sentinel 2, para nutrir un sistema automático de detección de cambios. Para ello se descargan rutinariamente 10 tiles, en las cuales se detectan inundaciones, áreas quemadas, así como cambios en índice de vegetación o bandas de la imagen. Estas detecciones se mapean en un mosaico cubriendo la totalidad de la Comunidad Valenciana, y se suben inmediatamente a una página web dedicada. Los cambios también se envían a un operador, el cual valora la necesidad de estudio complementario. En este trabajo, presentamos dos estudios complementarios, correspondiendo al incendio de Teresa de Cofrentes de 13 de agosto de 2025, y a la DANA (Depresión Aislada en Niveles Altos) del 29 de octubre de 2024 en Valencia.