In:
Fire Ecology, Springer Science and Business Media LLC, Vol. 11, No. 2 ( 2015-08-01), p. 12-30
Abstract:
Desde 2007, el Centro de Sensores Remotos Aplicados (RSAC) del Servicio Forestal de los Estados Unidos de América, ha estado produciendo datos de severidad del fuego a los 30 a 45 días de haber sido controlado el incendio (i.e., determinaciones iniciales [IA]), para apoyar acciones de manejo post-fuego en áreas gestionadas por el Servicio Forestal. Los mapas producidos mediante imágenes de satélite se confeccionan utilizando calibraciones de la diferencia relativa de la tasa normalizada de quema (RdNBR; relativized differenced normalized burn ratio) para el índice de quema compuesta (CBI; composite burn index), porcentaje de cambio en el área basal de los árboles (BA; basal area) y porcentaje de cambio en la cobertura del dosel arbóreo (CC; canopy cover). Las calibraciones para las determinaciones extendidas (EA; extended assessments), basadas en imágenes de un año posterior al fuego, han sido publicadas previamente. Dado que la RdNBR es sensible a la cobertura de ceniza, la cual disminuye a medida que transcurre el tiempo tras el incendio, los valores de RdNBR que representan la mortalidad total, pueden ser diferentes inmediatamente después del fuego que los obtenidos un año después. Por ese motivo, se requieren nuevas calibraciones para las IA. En este trabajo, describimos como hemos modificado las calibraciones de las EA para ser utilizadas por las IA, usando un factor de ajuste que tiene en cuenta cambios en la cobertura de las cenizas, calculado a través de una regresión de valores de IA y EA RdNBR. Evaluamos si la exactitud de los mapas de la IA y la EA son significativamente diferentes utilizando mediciones en terreno de árboles vivos y muertos, y el CBI tomado un año después del fuego en 11 incendios en Sierra Nevada y en el noroeste de California. Comparamos las diferencias entre los errores matriciales con los Z -tests de las estadísticas de Kappa y las diferencias entre los valores medios de las parcelas en categorías mapeadas utilizando el Modelo Lineal Generalizado (GLM; generalizad linear model). También investigamos si la exactitud de los mapas es dependiente de la distancia de la parcela hasta los límites marcados en las categorías mapeadas. Los IA y EA produjeron estimadores de mortalidad de árboles de exactitud similar y en una escala amplia. Entre los IA y EA de cada medida de severidad, las matrices de error según las estadísticas de Kappa no resultaron diferentes de forma significativa ( P 〉 0.674), como tampoco los valores medios de las parcelas en las categorías mapeadas ( P 〉 0.077). Las parcelas a 〈 30 m (un píxel de Landsat) de distancia, desde los límites del polígono mapeado fueron menos exactas que las parcelas a ≥30 m dentro de los polígonos mapeados ( P 〈 0.001). Como los gestores del manejo de tierras concentran la mayor parte de las acciones de manejo post-fuego, en donde la mortalidad de los árboles es grande, es deseable que la exactitud de los mapas sea alta, especialmente en áreas severamente quemadas. Las parcelas que estaban a ≥30 m dentro de los polígonos representando una mortalidad del área basal (BA) de ≥75 % o ≥90 % fueron correctamente clasificadas (exactitud del productor) más del 92.3 % de las veces, independientemente del IA o EA.
Type of Medium:
Online Resource
ISSN:
1933-9747
DOI:
10.4996/fireecology.1102012
Language:
English
Publisher:
Springer Science and Business Media LLC
Publication Date:
2015
detail.hit.zdb_id:
2575363-0
Permalink