Cartografía de combustibles mediante teledetección para la prevención de incendios forestales en Bulgaria (2021)
Este trabajo fin de máster explora el uso de teledetección, machine learning y sistemas de información geográfica para generar cartografía de combustibles forestales y sus parámetros asociados en Bulgaria, dentro del marco del proyecto FirEUrisk. Mediante imágenes Sentinel-2 y un compuesto multitemp...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/68580 |
| Acceso en línea: | http://hdl.handle.net/10017/68580 |
| Access Level: | acceso abierto |
| Palabra clave: | Incendio forestal Combustible Cartografía Aprendizaje automático Sentinel Wildfire Fuel Mapping Machine learning Geografía Geography |
| Sumario: | Este trabajo fin de máster explora el uso de teledetección, machine learning y sistemas de información geográfica para generar cartografía de combustibles forestales y sus parámetros asociados en Bulgaria, dentro del marco del proyecto FirEUrisk. Mediante imágenes Sentinel-2 y un compuesto multitemporal que abarca primavera, verano y otoño de 2021, se clasificaron 16 tipos de combustibles empleando tres algoritmos: Red Neuronal Artificial (ANN), Random Forest (RF) y Support Vector Machine (SVM). ANN destacó con una precisión global del 82,16%, superando a RF (80,08%) y SVM (80,50%). La parametrización de nueve características de los combustibles, como altura y carga de combustibles vivos y muertos, identificó áreas críticas con alto riesgo de propagación del fuego, especialmente en el centro y este del país. Este enfoque ofrece una herramienta clave para la gestión del riesgo de incendios, identificando zonas prioritarias para esfuerzos de prevención. Sin embargo, el estudio enfrenta desafíos relacionados con la resolución espectral de Sentinel-2 y las limitaciones computacionales al procesar grandes volúmenes de datos. Problemas de confusión entre clases en la matriz de confusión de ANN resaltan la posibilidad de errores en las clasificaciones. Comparado con investigaciones previas, este trabajo destaca por su enfoque preventivo frente al monitoreo post-incendio. En conclusión, valida el potencial de la teledetección y el aprendizaje automático en la prevención de incendios forestales. Aunque las limitaciones metodológicas requieren ajustes futuros, los resultados refuerzan la relevancia de estos enfoques en el diseño de estrategias integradas para la prevención de incendios forestales. |
|---|