Comparison of maximum likelihood estimators and regression models for burn severity mapping in Mediterranean forests using Landsat TM and ETM+ data

Revista Cartográfica ◽

10.35424/rcarto.i98.145 ◽

2019 ◽

pp. 145-177

Author(s):

Alexander Ariza ◽

Javier Salas Rey ◽

Silvia Merino de Miguel

Keyword(s):

Maximum Likelihood ◽

Regression Models ◽

Maximum Likelihood Estimators ◽

Landsat Tm ◽

Burn Severity ◽

Mediterranean Forests

Durante la última década, ha habido un número creciente de trabajos publicados sobre la gravedad de los incendios forestales utilizando datos de teledetección para fines de gestión de recursos naturales y de investigación. Muchos de estos estudios cuantifican los cambios entre las condiciones de vegetación antes y después del incendio a partir de imágenes satelitales utilizando índices espectrales; sin embargo, hay una discusión activa sobre cuál de los índices más comúnmente usados es más adecuado para estimar la severidad de la quemadura, y qué metodología es la mejor para la estimación de los niveles de severidad. Este estudio propone y evalúa un algoritmo de aprendizaje automático de Estimación de Máxima Verosimilitud (EMV) para mapear la severidad de las quemaduras como una alternativa a los modelos de regresión.Desarrollamos ambos métodos usando datos de campo de GeoCBI (Índice Compuesto de Quema Geométricamente Estructurado, siglas en inglés) y seis índices espectrales diferentes (derivados de imágenes Landsat TM y ETM+) para dos incendios forestales en el centro de España. Comparamos la capacidad para discriminar la severidad de la quemadura de estos índices a través de un índice de separabilidad espectral (M), y evaluamos su concordancia con datos de campo basados en GeoCBI usando el coeficiente de determinación (R2). Posteriormente, el índice seleccionado se utilizó para los modelos de regresión y la EMV para estimar los niveles de severidad de quema (sin quemar, bajo, moderado y alto), y se validó con datos de campo. El índice RBR mostró una mejor separabilidad espectral (promedio entre dos fuegos M= 2.00) que el dNBR (M= 1.82) y RdNBR (M= 1.80). Además, GeoCBI tuvo un mayor ajuste con RBR (R2= 0.73) que con RdNBR (R2= 0.72) y dNBR (R2= 0.71).Finalmente, la EMV mostró la mayor precisión de clasificación general (Kappa=0,65) y la mejor precisión para cada clase individual.

Download Full-text

Comparison of Maximum Likelihood Estimators and Regression Models in Mediterranean Forests Fires for Severity Mapping Using Landsat TM and ETM+ Data

10.20944/preprints201803.0245.v1 ◽

2018 ◽

Author(s):

Alexander Ariza ◽

Javier F. Salas Rey ◽

Silvia Merino de Miguel

Keyword(s):

Maximum Likelihood ◽

Forest Fires ◽

Regression Models ◽

Field Data ◽

Learning Algorithm ◽

Fire Severity ◽

Remote Sensing Data ◽

Landsat Tm ◽

Mediterranean Forests ◽

Spectral Separability

The severity of forest fires derived from remote sensing data for research and management has become increasingly widespread in the last decade, where these data typically quantify the pre- and post-fire spectral change between satellite images on multi-spectral sensors. However, there is an active discussion about which of the main indices (dNBR, RdNBR or RBR) is the most adequate to estimate the severity of the fire, as well about the adjustment model used in the classification of severity levels. This study proposes and evaluates a new technique for mapping severity as an alternative to regression models, based on the use of the maximum likelihood estimation (MLE) automatic learning algorithm, from GeoCBI field data and spectral indices dNBR, RdNBR and RBR applied to Landsat TM, ETM+ Images, for two fires in central Spain. We compare the severity discrimination capability on dNBR, RdNBR and RBR, through a spectral separability index (M) and then evaluated the concordance of these metrics with field data based on GeoCBI measurements. Specifically, we evaluated the correspondence (R2) between each metric and the continuous measurement of fire severity (GeoCBI) and the general precision of the regression and MLE models, for the four categorized levels of severity (Unburned, Low, Moderate, and High). The results show that the RBR has more spectral separability (average between two fires M = 2.00) that the dNBR (M = 1.82) and the RdNBR (M=1.80), additionally the GeoCBI has a better adjustment with the RBR of (R2 = 0.73), than the RdNBR (R2 = 0.72), and dNBR (R2 = 0.71). Finally, the overall classification accuracy achieved with the MLE (Kappa = 0.65) has a better result than regression models (Kappa = 0.58) and higher accuracy of individual classes.

Download Full-text