6CFE01-314

2/14

Generación de cartografía de modelos de combustible a partir de datos LiDAR y análisis de imágenes orientado a objetos para su integración en Wildfire Analyst

RAMÍREZ CISNEROS, J.1, BLANCO MARTÍNEZ, J.1, CERRILLO CUENCA, A.1, MARQUÉS RODRÍGUEZ, G.1, VALCARCE DIÑEIRO, R.1 y LLORDÉN POZO, J.M.1

1 Tecnosylva S.L.

Resumen Los datos LiDAR suponen una potente fuente de datos para el estudio de la estructura de la vegetación, lo que enlaza perfectamente con la idea de generación de cartografía de modelos de combustible. Combinado estos datos con técnicas de análisis de imágenes orientado a objetos se consigue un nivel de detalle óptimo para definir zonas de combustible homogéneo. En el presente trabajo se ha empleado la clasificación Prometheus, especialmente indicada al área de estudio y estas fuentes de datos de alta resolución. La cartografía de modelos de combustible se hace útil si se integra en un sistema que simule el comportamiento del fuego, como herramienta clave en las tareas de prevención y lucha contra los incendios. Así, se presenta una metodología para la generación de modelos de combustible con niveles de precisión por encima del 75 %, y su integración en el simulador de incendios operacional WildFire Analyst (WFA). Se presentan los resultados obtenidos de aplicarla en la vertiente almeriense de Sª Nevada y en la Sª Norte de la Comunidad de Madrid. Palabras clave Comportamiento del fuego, simulación de incendios, cartografía de combustibles de alta resolución, Prometheus. 1. Introducción

La gran diversidad de características que influyen en la combustibilidad de la

vegetación aconseja desarrollar tipologías de combustibles, de cara a simplificar su caracterización. Cada modelo está caracterizado por una serie de parámetros cualitativos y/o cuantitativos que lo identifican y le confieren determinadas condiciones para la propagación de incendios (Arnaldos et al., 2003).

Se han desarrollado varias clasificaciones de combustibles forestales, cada una de ellas

lleva asociada una serie de características propias como son la carga de biomasa, la composición en diferentes tamaños o las humedades promedio. Por lo tanto, estas propiedades permiten estimar el peligro o el comportamiento asociado a cada tipo de combustible en caso de que se produzca un incendio.

En la actualidad la mayoría de los países han desarrollado clasificaciones basadas en las

ecuaciones de propagación de Rothermel (1972), como el sistema de Estados Unidos (National Fire Danger Rating System, NFDRS). También han sido los más empleados en el área mediterránea. Rothermel estableció los 13 modelos de combustibles que se correspondían con la mayoría de las situaciones de los Estados Unidos. Está basado en cuatro

3/14

grupos de combustibles, que se acaban dividendo en trece en función del elemento propagador del fuego. En 2005, Scott y Burgan los ampliaron en 40 más, y son la base actual del sistema americano de cartografía de combustible forestal LANDFIRE (2007).

En el entorno europeo, una clasificación de especial interés por su adaptación a las

condiciones regionales y su adecuación a un proceso de elaboración basado en teledetección es la propuesta en el proyecto europeo Prometheus (2000). Esta simplifica y adapta el sistema NFFL (Northern Forest Fire Laboratory) (Albini, 1976) a las características de la vegetación mediterránea. El mayor criterio de clasificación en Prometheus es el tipo y la altura del elemento propagador, dividido en tres grupos bien diferenciados: pasto, matorral y arbolado. El fuego es entonces modelado teniendo en cuenta la altura y densidad de los elementos propagadores.

Actualmente se está evaluando el empleo del LiDAR para cartografiar modelos de combustibles (Arroyo et al., 2008; Fabra, 2011). Esta tecnología representa un procedimiento alternativo a los métodos de medida indirecta a partir de fotografías aéreas (fotogrametría) o medida directa en campo a través de sistemas GPS. El LiDAR además proporciona información sobre la estructura vertical de la vegetación, que es un atributo crítico de los combustibles. 2. Objetivos

Con este trabajo se pretende: - Establecer una metodología que permita la generación de modelos de combustible de

alta resolución (con niveles de precisión por encima del 75%) a partir de datos LiDAR y análisis de imágenes orientado a objetos.

- Generar como resultado una capa de entrada para el empleo en el simulador de incendios WildFire Analyst (2011), con el que se evaluará su utilidad frente al empleo de clasificaciones previas.

3. Materiales y Métodos

3.1. Materiales 3.1.1. Tecnología LiDAR La tecnología LiDAR (Light Detection and Ranging), es un sistema activo basado en un

sensor láser, cuyo funcionamiento consiste en un sensor de barrido que realiza la emisión de pulsos láser y mide el tiempo que tardan dichos pulsos en llegar a la superficie terrestre y volver hasta el sensor. Determina la distancia sensor-objeto en base a ese tiempo que tarda el pulso. Esta distancia unido a los datos del sistema de navegación (GPS/IMU) permite obtener las coordenadas de los puntos donde el pulso incide sobre los objetos de la superficie terrestre, como es el caso de la vegetación y los edificios.

La principal ventaja de este sistema frente a la fotogrametría es presentar una mayor

densidad de puntos, mayor precisión y automatización de los procesos y entrega más rápida de los datos. Las desventajas que presentan los sistemas LiDAR es que en zonas de agua el haz de energía tiende a ser absorbido (Huising & Gomes, 1998) generando áreas vacías sin información. También presenta subestimación de las alturas de los árboles ya que el haz de energía penetra en el interior de la vegetación antes de ser reflejado (Magnussen et al., 1999).

4/14

3.1.2. Análisis de imágenes orientado a objetos El Análisis de Imágenes Orientado a Objetos es una técnica empleada para analizar

imágenes satelitales, esta clasificación al igual que la convencional se basa en información de píxeles (valores espectrales de cada píxel), incluye también un análisis basado en la información de un conjunto de píxeles similares llamados objetos. Los objetos de la imagen son los grupos de píxeles que son similares entre sí y están basados en el color, la forma, la textura, y la ubicación de estos en relación con otros objetos no clasificados o clasificados (Blaschke, 2010).

El proceso para separar la imagen en objetos se conoce como segmentación. Esta

permite dividir una imagen en “objetos primarios” que forman la base para clasificar el resto de la imagen.

Dividir las imágenes en una serie de objetos es un proceso fundamental para llevar a

cabo un análisis de la imagen o para realizar una interpretación automática de la misma. En este sentido, la segmentación es un paso crítico para su posterior análisis, y uno de los principales motivos para llevarla a cabo es que la mayor parte de los datos de la imagen presentan una textura característica, que es siempre obviada en las clasificaciones tradicionales realizadas píxel a píxel.

3.1.3. Herramientas y Simuladores Las herramientas empleadas han sido:

- ArcGIS Desktop 10.1 - LP360 (www.qcoherent.com): Permite el procesamiento avanzado de datos LIDAR en

el entorno ArcGIS. - eCognition (www.ecognition.com): entorno de desarrollo para análisis de imágenes

basadas en objetos, empleado para desarrollar conjuntos de reglas para análisis automático de datos.

- WildFire Analyst (Ramírez y Monedero, 2011): simulador operacional de la propagación de incendios forestales. Integra diversos modelos predictivos de apoyo al cálculo de comportamiento del fuego y permite a sistemas de gestión de incendios con base GIS. Ofrece novedosos métodos de simulación, como la calibración automática de los modelos, el cálculo de tiempo de evacuación, las simulaciones inversas y modos probabilísticos sobre escenarios de incendios de diseño.

3.1.4. Datos de partida Los datos de partida se refieren a dos zonas forestales piloto situadas en Sierra Nevada

de Almería y en la zona Norte de la Comunidad de Madrid. En ambos casos se contó con imágenes digitales multiespestrales incluyendo el infrarrojo cercano (ortofoto o imagen SPOT) además de datos LiDAR.

5/14

Figura 1. Localización de las zonas de estudio

3.2. Metodología 3.2.1. Diagrama de flujo Se presenta a continuación el diagrama de flujo que se seguirá para la realización de

este trabajo:

Figura 2. Diagrama de flujo

3.2.2. Imágenes de satélite-segmentación: polígonos/teselas El primer paso fue realizar un Análisis de Imágenes Orientado a Objetos a partir de las

ortofotografías de color e infrarrojo utilizando para ello eCognition. El objetivo era identificar segmentos homogéneos en la imagen, que sirvan de base a una buena delimitación espacial de la tesela, como proponen Arroyo et al.(2006). La segmentación se controla por medio de la escala, el color y la forma.

- Escala: se controla la heterogeneidad máxima permitida para cada segmento. - Forma y color: la suma de ambos parámetros determina la cantidad de información de

color y forma que se empleara en el proceso de segmentación. A valores más altos de compactación se crearan segmentos más pequeños y más

compactos, mientras que un valor más alto en el suavizado lleva a segmentos optimizados para tener bordes lisos, más acordes con los objetos naturales.

El algoritmo empleado para realizar la segmentación fue “Multiresolution Segmentation”: genera objetos tan grandes como sea posible y tan detallados como sea necesario, empleando para ello tanto color como sea posible manteniendo a su vez la forma tan alta como sea necesario permitiendo obtener objetos con el borde óptimo

6/14

(suavidad/compacidad). Al darle peso a la forma se le resta peso a la homogeneidad espectral de los objetos. El objetivo fue generar polígonos/teselas aplicando una segmentación orientada a objetos que delimita las estructuras forestales.

3.2.3. Datos LiDAR-extracción de información La información que se extraerá de los datos LiDAR se corresponde con el número de

puntos existentes en cada intervalo generado (posteriormente se estimará el porcentaje de puntos que hay en cada polígono, tesela o cuadrícula de la zona de estudio). Se generaron intervalos cada 0,5 m, desde 0 hasta la altura máxima de la zona de estudio.

Se optó por generar intervalos cada 0,5 m para lograr una mejor caracterización de los

combustibles en la superficie (Fabra, 2011; García et al., 2011), utilizando para ello el software LP360 de ArcGIS mencionado con anterioridad.

3.2.4. Estimación de porcentajes-condiciones y clasificación de los modelos Para la realización de este trabajo se partió del sistema de clasificación Prometheus y

del estudio realizado por Fabra (2011) para generar unas condiciones de clasificación que mejor se ajustaran a la zona de estudio. En la siguiente figura se puede ver los diferentes tipos de modelos propuestos en esta clasificación.

Figura 3. Modelos de combustible según Prometheus. (Arroyo et al., 2006)

Para generar las condiciones de clasificación se parte de la información extraída de los

datos LiDAR. Para poder llegar a unas condiciones de clasificación óptimas en el área de estudio se deberá estimar el porcentaje de puntos que existente en cada polígono/tesela/cuadrícula. Este cálculo se realizó de acuerdo a la siguiente fórmula:

Donde TPbanda se corresponde con el total de puntos clasificados en cada banda, y

Pvegetación la suma de puntos de vegetación de todas las bandas.

Para la estimación de estos porcentajes se agruparon los puntos en las bandas que van de 0-0,5; 0,5-1; 1-2; 2-4; >4; 3-3,5; 3.5-4; 4-4.5; 1-4; que son las que interesan para el trabajo. Esta agrupación persigue asimilarse al sistema de clasificación Prometheus.

7/14

El objetivo de la agrupación de los intervalos en las bandas del 0-0,5; 0,5-1; 1-2; 2-4;

>4, fue asimilarlos al sistema de clasificación Prometheus que va desde 0-0,3; 0,3-0,6; 0,6-2; 2-4; >4. Mientras que las bandas que van desde 3-3,5; 3,5-4; 4-4,5; se emplearon para distinguir la continuidad vertical entre el modelo 6 y el modelo 7, por último la banda de 1-4 se empleó para distinguir el matorral en los modelo 6 y 7.

Además de estimar el porcentaje de puntos para cada banda se deberá calcular también

porcentaje de cobertura que existe en cada tesela. Este porcentaje de cobertura nos permitirá discriminar el modelo 0 (suelo) del resto de modelos. Para estimar este porcentaje se empleará la siguiente fórmula:

Donde: ∑ : es el sumatorio de los puntos de vegetación de todas las bandas y

∑ + ∑ : Sumatorio de todos los puntos vegetación más terreno por tesela. Los resultados de la agrupación en intervalos se validaron estadísticamente, analizando

el porcentaje máximo, mínimo y el promedio en cada intervalo, en la siguiente figura se puede ver un ejemplo. A partir de estos resultados se definieron las condiciones iniciales de clasificación para los 7 modelos Prometheus:

Figura 4. Ejemplo de gráficas de condiciones iniciales

Una vez conocidos el porcentaje de puntos de cada banda y el porcentaje de suelo-

vegetación que hay en cada polígono obtenido a partir de la segmentación se llevará a cabo la aplicación de las condiciones de clasificación para conocer el modelo de combustible.

3.2.5. Validación de los datos: matriz de confusión Para realizar una validación del método se realizó una comparación de los resultados

con datos obtenidos en campo, estos se reflejarán en las matrices de confusión correspondientes a cada zona, además de estas matrices se derivan una serie de índices:

8/14

- Porcentaje de acuerdo (Pa): este índice es considerado como la probabilidad de estar bien clasificado. Sus valores se encuentran en el intervalo [0,1], siendo el valor 1 el caso de mayor acuerdo. No tiene en cuenta la concordancia que de forma aleatoria pueda existir.

- Coeficiente de Acuerdo Aleatorio a Posteriori (Caps): Es la probabilidad a posteriori

de cada clase. Representa el porcentaje de acuerdo que cabe esperar al azar por cruce de clases.

- Coeficiente Kappa (K): Da idea del porcentaje de acuerdo obtenido en una

clasificación una vez se ha eliminado la parte que se debería al azar. Se basa en la probabilidad a posteriori de pertenencia a un grupo.

- Exactitud del Usuario (EU(i)): Se trata del porcentaje de elementos de una clase que

están bien clasificados en la cartografía. - Exactitud del Productor (EP(j)): Es el porcentaje de elementos del muestreo de

verificación que se han clasificado correctamente dentro de la unidad cartográfica equivalente.

3.2.6. Integración en WildFire Analyst Para la integración de los resultados dentro del simulador WildFire Analyst es necesario

adaptar los 7 modelos del sistema Prometheus a los valores de carga de combustible implementados por Rothermel (1972) y Albini (1976), los cuales son:

- Carga de combustible muerto a una/diez/cien horas de tiempo de respuesta. Esto es, la rapidez con la que el combustible alcanza la humedad de equilibrio en unas condiciones dadas cuando no varía la humedad. Así, se puede identificar con combustible fino, medio o grueso (< 6 mm/ 6-25 mm / >25). (Tabla 1)

- Carga de combustible vivo herbáceo/leñoso. - Tipo de modelo de combustible, estático (static) o dinámico (dynamic). Los modelos

con carga de combustible vivo herbáceo, pueden ser considerados dinámicos, en el sentido de que esta carga herbácea puede cambiar entre vivo y muerta en función de un cambio en el contenido de humedad especificado del herbáceo vivo.

- Relación superficie-volumen del combustible fino muerto/vivo herbáceo/vivo leñoso. - Altura de la capa de combustible. - Humedad de extinción de los combustibles muertos, por encima de la que no puede

haber combustión de la llama. - Poder calorífico del combustible fino muerto/vivo.

9/14

Tabla 1. Descripción de los modelos de combustible (PROMETHEUS. 2000)

Modelo Carga combustible (kg/m2) Relación

superficie volumen (1/cm)

Espesor del estrato combustible (cm)

Humedad de extinción (%) 1 h 10 h 100 h Vivo

1 0,166 0,000 0,000 0,000 115 30,48 30 2 0,225 0,112 0,000 0,449 55 60,96 30 3 0,360 0,070 0,000 1,350 72 107,16 30 4 1,123 0,898 0,449 1,123 57 182,88 30 5 0,740 0,100 0,020 0,000 85 5,69 30 6 0,449 0,225 0,112 0,112 91 30,48 30 7 0,540 0,110 0,030 0,720 74 100,55 30

4. Resultados

4.1. Generación de cartografía de modelos de combustible de alta resolución Para llevar a cabo la segmentación se debe tener en cuenta la escala, la forma y la

compacidad. Los resultados que se obtienen en este proceso se pueden ver en la siguiente imagen:

Figura 5. Segmentación con ortofotografías (Sª Norte de Madrid)

El siguiente pasó a seguir en esta metodología está relacionado con la extracción de información de datos LiDAR. Una vez conocidos los porcentajes de puntos de cada banda y de suelo-vegetación que hay en cada polígono obtenido a partir de la segmentación se llevará a cabo la aplicación de las condiciones de clasificación impuestas para conocer el modelo de combustible existente en cada una de las teselas/polígonos, tal y como se ve en la siguiente figura:

10/14

Figura 6. Cartografía Prometheus de modelos de combustible (Sª Norte de Madrid)

Para comprobar la bondad del método se ha aplicado una validación (matriz de confusión) entre los modelos de combustible clasificados a partir de las condiciones y una verdad terreno para las dos localizaciones analizadas:

Tabla 2. Matriz de confusión. Sierra Nevada de Almería

Verdad Terreno Exactitud del usuario

(%)

Error de Comisión

(%) Mod

0 Mod

1 Mod

2 Mod

3 Mod

4 Mod

5 Mod

6 Mod

7 Total

Mod

elos

Cla

sifi

cado

s Mod 0 16 0 0 0 0 0 0 0 16 100 0 Mod 1 4 14 2 0 1 0 0 0 21 66.67 33.33 Mod 2 0 4 13 3 0 0 0 0 20 65 35 Mod 3 0 0 0 14 1 0 0 0 15 93.33 6.67 Mod 4 0 0 0 0 17 0 0 0 17 100 0 Mod 5 0 0 0 0 0 15 0 2 17 88.24 11.76 Mod 6 0 0 0 0 0 4 12 0 16 75 25 Mod 7 0 0 0 0 1 1 4 12 18 66.67 33.33 Total 20 18 15 17 20 20 16 14 140

Exactitud Productor (%)

80 77.78 86.67 82.35 85 75 75 85.71

Error de Omisión (%)

20 22.22 13.33 17.65 15 25 25 14.29

Tabla 3. Matriz de confusión. Sierra Norte de Madrid

Verdad Terreno Exactitud del usuario

(%)

Error de Comisión

(%) Mod

0 Mod

1 Mod

2 Mod

3 Mod

4 Mod

5 Mod

6 Mod

7 Total

Mod

elos

Cla

sifi

cado

s Mod 0 0 1 0 0 0 0 0 0 1 0 100 Mod 1 0 1 0 0 0 0 0 0 1 100 0 Mod 2 0 0 2 0 0 0 0 0 2 100 0 Mod 3 0 0 0 6 0 0 0 0 6 100 0 Mod 4 0 0 0 0 2 0 0 0 2 100 0 Mod 5 0 0 0 0 0 4 0 0 4 100 0 Mod 6 0 0 0 0 0 0 7 0 7 100 0 Mod 7 0 1 0 0 0 1 0 1 3 33.34 66.67 Total 0 3 2 6 2 5 7 1 26

Exactitud Productor (%)

- 33.34 100 100 100 80 100 100

Error de Omisión (%)

- 66.67 0 0 0 20 0 0

A partir de estas matrices se obtienen los siguientes índices de bondad:

Tabla 4. Índices de bondad Sierra Nevada Madrid Porcentaje de acuerdo (Pa) 0,8071 0,8846 Coeficiente de Acuerdo Aleatorio a Posteriori (Caps) 0,1245 0,1760 Coeficiente Kapa (K) 0,7796 0,8600

11/14

4.2. Simulación del comportamiento del fuego con WFA Una vez que se obtenida una capa de modelos de combustibles de alta resolución se

procede a su integración en el WildFire Analyst, para ello, dentro del programa se debe asignar los valores de carga de combustible, definidos en el apartado de metodología, a cada uno de los 7 modelos. Para realizar la simulación también se debe utilizar el MDE obtenido a partir de los datos LiDAR. En la siguiente figura se puede ver las diferentes salidas que se obtienen tras realizar simulaciones dinámicas: en la que se muestra las isócronas de avance del fuego, estáticas: en las que se muestra la longitud de llama, velocidad de propagación y los caminos del fuego, simulaciones probabilísticas y simulaciones del tiempo de evacuación hacia un lugar concreto:

Figura 7.Salidas de los distintos modos de propagación de WildFire Analyst

5. Discusión

5.1. Generación de cartografía de modelos de combustible de alta resolución De cara a generar una correcta cartografía de modelos de combustible, es clave el nivel

de detalle que se obtenga en la segmentación del territorio para obtener un resultado lo suficientemente homogéneo y amplio, pero sin llegar a generar polígonos de un tamaño demasiado pequeño.

El buen resultado de los porcentajes de acuerdo viene dado por la óptima clasificación

de los modelos. Por ejemplo, si se observan los valores obtenidos en la exactitud tanto para el productor como el usuario se puede observar como en el modelo 0, el modelo 3 y el modelo 4 la exactitud del usuario está entre un 90% y un 100%; mientras que la exactitud del productor se encuentra entre un 80% y un 85%.

La precisión de los resultados pueden ser considerados lo suficientemente altos dada la

heterogeneidad del área de estudio. En comparación con otros estudios que se han basado en

Simulación dinámica Simulación estática

Carreras del Fuego Modo probabilístico Tiempo de evacuación

Simulación estática

12/14

el sistema de clasificación Prometheus como es el caso del realizado por Riaño et al. (2002) que alcanzó un porcentaje de acuerdo del 82,8% y un índice Kappa de 0,79 empleando datos multitemporales del Landsat-TM e información auxiliar.

Por último comentar una de las posibles fuentes de error que se ha encontrado: los

propios datos LiDAR, es sabido que la tecnología LiDAR produce ruido en alturas inferiores a dos metros, por eso, en números estudios sobre todo a la hora de realizar inventariado forestal o estimar alturas de vegetación estas alturas inferiores a dos metros son eliminadas (Næsset, 1997; Means et al., 2000; Næsset, 2002). Pero en este caso, estos datos con alturas inferiores a 2 metros no se pueden eliminar pues son las que van a permitir distinguir los modelos 0 a 3.

5.2. Simulación del comportamiento del fuego con WFA Para verificar la fiabilidad de este método se realizaron comprobaciones con fuegos

reales, en los que se simulaba el comportamiento del fuego utilizando la información de modelos de combustible existente y la información obtenida a partir de este trabajo. Se comprobó que los resultados se adaptaban mucho mejor a la realidad cuando la capa base utilizada era la actualizada con los modelos de combustible de alta resolución generada en este trabajo.

Por tanto, con esta metodología se obtiene una actualización rápida y fiable de

información sobre los combustibles actuales consiguiendo con esto una mejor adaptación de los mismos de cara tanto a la comprobación de incendios reales como a la simulación de futuros incendios.

6. Conclusiones

La fusión entre datos LiDAR e imágenes multiespectrales permite una caracterización detallada de la distribución del tipo de combustible mediante la explotación de la información espectral proporcionada por las ortofotografías y la información tridimensional proporcionada por los datos LiDAR. Además la aplicación del LiDAR en la generación de cartografía de modelos de combustible incrementa la eficacia al proporcionar información sobre la estructura vertical de la vegetación, lo que es un atributo crítico de los combustibles. Por lo tanto, el uso combinado de ambos es apto para llevar a cabo una cartografía de modelos de combustibles.

La obtención como resultado final de una capa con los modelos de combustible de alta

resolución y su fácil implementación en el simulador WildFire Analyst permite obtener resultados mucho más fiables de las simulaciones facilitando en gran medida las posibles tareas de extinción y prevención.

7. Bibliografía ALBINI, F. A. 1976 Estimating wildfire behavior and effects. General Technical Report INT-30, USDA, Forest Service, Intermountain Forest and Range Experiment Station, Odgen, Utah. ARNALDOS, J., NAVALÓN, X., PASTOR, E., PLANAS, E., ZÁRATE, L. 2003: Manual de ingeniería básica para la prevención y extinción de incendios forestales. Barcelona, Ediciones Mundi-Prensa.

13/14

ARROYO, L.A., HEALEY, S.P., COHEN, W.B., COCERO, D., 2006. Using object-oriented classification and high-resolution imagery to map fuel types in a Mediterranean region. Journal of Geophysical Research 111. ARROYO, L.A., PASCUAL, C., MANZANERA, JA, 2008. Fire models and methods to map fuel types: The role of remote sensing. Forest Ecology and Management. Volume 256, Issue 6, 5 September 2008, Pages 1239–1252 BLASCHKE, T. 2010. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65, pp. 2-16. FABRA, M. 2011. Selvicultura de prevención de incendios forestales: cartografía de modelos de combustibles a partir de datos LiDAR. Valencia, Balma Forestal SLP.. Disponible en: http://balmasl.com/video/videos-lidar GARCIA, M., RIAÑO, D., CHUVIECO, E., SALAS, J., DANSON, F.M. 2011. Multispectral and LiDAR data fusion for fuel type mapping using Support Vector Machine and decision rules. Remote Sensing of Environment, 115, pp. 1369-1379. HUISING, E.J., GOMES, L.M. 1998. Errors and accuracy estimates of laser data adquired by various laser scanning systems for topographic applications, ISPRS Journal of Photogrammetry & Remote Sensing, 53, pp. 245-261. LANDFIRE. 2007. [Homepage of the LANDFIRE Project, U.S.Department of Agriculture, Forest Service; U.S. Department of Interior], En línea en: http://www.landfire.gov/index.php. MAGNUSSEN, S., EGGERMONT, P., LARICCIA, V. N. 1999. Recovering tree heights from airborne laser scanner data. Forest Science, 45, pp. 407-422. MEANS, J.E., ACKER, S.A., FITT, B.J., RENSLOW, M., EMERSON, L., HENDRIX, C.J. 2000. Predicting forest stand characteristics with airborne scanning lidar. Photogrammetric Engineering & Remote Sensing, 66, pp. 1367-1371. NÆSSET, E. 1997. Determination of mean tree height of forest stands using airborne laser scanner data, ISPRS Journal of Photogrammetry & Remote Sensing, 52, pp. 49-56. NÆSSET, E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data, Remote Sensing of Environment, 80, pp. 88-99. PROMETHEUS S.V. Project. 2000. Management techniques for optimization of suppression and minimization of wildfire effects. RAMIREZ J., MONEDERO S., 2011. New approaches in fire simulations analysis with Wildfire Analyst. 5th International Wildland Fire Conference. Sun City, South Africa. RIAÑO, D., CHUVIECO, E., SALAS, J., PALACIOS-ORUETA, A., BASTARRIKA, A. 2002. Generation of fuel map type from Landsat TM images and ancillary data in Mediterranean ecosystems, Canadian Journal of Forest Resources, 32, pp. 1301-1315.

14/14

ROTHERMEL, R.C. 1972. A mathematical model for fire spread predictions in wildland fires, USDA Forest Service Research Paper INT-115, pp. 1-40. WILDFIRE ANALYST 2011. Wildfire Analyst Knowledge Framework. Disponible en línea en: http://wildfireanalyst.com/help/spanish/