Random Forest para la clasificación global de áreas quemadas

Transcripción

1 Randm Frest para la clasificación glbal de áreas quemadas Rubén Ram & Emili Chuviec Grup de investigación en Teledetección Ambiental, Departament de Gelgía, Gegrafía y Medi Ambiente, Universidad de Alcalá

2 Índice Intrducción Dats de entrada Generación de la BBDD de entrenamient Randm Frest Generación del mdel Selección de atributs Selección de parámetrs Clasificación de imágenes Evaluación de ls resultads Cmparación de resultads cn trs prducts Cnclusines

3 Intrducción En cnsecuencia: Rets: Se cnsideran una variable climática esencial Se elabran mapas glbales de área quemada para el estudi de su impact Elabrar un algritm a escala glbal Clasificación de área quemada autmática

4 Intrducción: Objetivs Entrenar ds mdels de Randm Frest (RF) para la detección de área quemada a escala glbal: RFFull: 7 bandas de entrada ( Del azul al SWIR) RNIR: 2 Bandas de entrada (Rj y NIR) Psible aplicación en trs sensres que n tienen SWIR (OLCI, MERIS, MODIS 250m) Evaluar ls resultads del ls mdels cn estadísticas ficiales. Cmparar ls resultads cn trs algritms estándar (MCD64, MCD45)

5 Dats de entrada Para entrenar RF se usarn las 130 perímetrs de validación Landsat del pryect Fire_CCI. Muestre aleatri estratificad pr bima y incidencia de quemad.

6 Dats de entrada MCD43A4: Imágenes T&A cmbinadas cn el efect BRDF crregid. RF Full: 7 bandas entre el Azul y el SWIR Índices: SAVI, EVI, NBR, GEMI, VARI, MIRBI RF RNIR: Sól R y NIR Índices: SAVI y GEMI Se incluyern ls valres pre y pst fueg y la diferencia tempral de ls índices y el infrarj.

7 Dats de entrada MCD14ML (V5.1): Punts de calr de T&A. Se incluyó una matriz de distancias cn ls HS. Dats Auxiliares: GMTED2010: Mdel digital de elevacines Elevación, pendientes y rientación. Bimas de Olsn: 16 bimas. Regines basadas en una BBDD de emisines: 14 regines. Cbertura del suel: Land cver CCI.

8 Perímetr Landsat Dats de entrada: Generación de la BBDD de entrenamient Cálcul tesela de 500m % de quemad Día de quemad Búsqueda de reflectividades MODIS para pixeles quemads y n quemads Píxeles quemads - Se busca la reflectividad partiend ds días después del día de quemad (ruid). - La fecha pre-fueg es la crrespndiente a Landsat. - Si existen nubes ruid se pasa al día siguiente (Max=10 días). Píxeles n quemads - Se busca la reflectividad pre-fueg partiend de la fecha inici Landsat. - El dat pst-fueg se btiene del día medi entre las ds Landsat - Si hay nubes ruid se busca en el día anterir (Max=10 días)

9 Dats de entrada: Generación de la BBDD de entrenamient Para reducir el psible ruid se eliminarn de la BBDD ls siguientes cass: Pixeles cn increment en el NIR entre la t1 y t2. Se eliminarn del análisis aquells pixeles n quemads que tuvieran un HS a 3000 metrs dentr de un margen de 90 días. Pixeles que estuvieran quemads al mens de un 80%.

10 Dats de entrada: Generación de la BBDD de entrenamient Detalles de la base de dats: 43 atributs RFFull 19 atributs RNIR 6,571,911 Pixeles en ttal - 48,464 BA al 80% (0.76%) Desglsads pr Land Cver: - Frestal: 24.62% - Pastizal: 16.16% - Cultivs: 10.63% - Vegetación dispersa: 6.95%

11 Randm Frest

12 Generación del mdel: Selección de atributs Se usarn ds metdlgías: Imprtancia de RF Mdel N=1500, M=8. Crrelación entre variables: Se descartarn variables cn R>0.8 Las variables imprtantes seleccinadas sn: RFFull (17 atr): Distancia HS, caída del NIR, NDWI, NBR, GEMI RNIR (14 atr): Distancia HS, caída del NIR, GEMI, SAVI

13 Generación del mdel: Selección de parametrs Se entrenarn 24 mdels permutand ls valres de N ( ) y M (2-17). Se seleccin el que mens cmplejidad y mejres resultads freció Se entrenó cn el 80% de ls dats y se validarn ls mdels cn el 20% restante Resultads: Mejr mdel N=600 M=5 -Validación: RF full: Balance accuracy: 0.94 CE: 0.52 OE: 0.1 RF RNIR: Balance accuracy: 0.93 CE: 0.55 OE: 0.11

14 Clasificación de imágenes Se clasificarn las imágenes MODIS pr pares cn una separación de 2 días calculand tds ls atributs seleccinads. Se aplica el mism entrenamient para cualquier zna. Se cnsiderarn NQ aquells pixeles sin caída del NIR Un pixel se cnsidera quemad en el cas de que el 40% de ls vts l clasifiquen cm área quemada Se aplic un filtr de mda de 3x3 al resultad. Se clasificarn tres añs:

15 Clasificación de imágenes: Evaluación de ls resultads Se cmpararn ls utput tras ejecutar el mdel cn tres bases de dats: Canadá: Fuente CWFIS, superficie 1M Km 2. Tip de vegetación Breal. Nrte de Australia: Fuente NAFI, superficie 1M Km 2. Tip de vegetación Trpical. Califrnia: Fuente FRAP, superficie 400k Km 2. Tip de vegetación bsque templad. Se cmpararn ests resultads cn trs estándar: MCD64 y MCD45.

16 Clasificación de imágenes: Evaluación de ls resultads

17 Clasificación de imágenes: Cmparación cn trs prducts Australia Canada Califrnia Ttal CE OE relb CE OE relb CE OE relb CE OE relb MCD MCD RF full RF RNIR Tabla 1: Media de cmisión, misión y Relative Bias ( )

18 Cnclusines Las variables más imprtantes sn la caída del NIR y la distancia a ls HS. La eliminación del SWIR en el mdel RNIR n supne una gran pérdida de precisión. Clasificación autmática. Resultads cmparables cn trs prducts estandar. La metdlgía aplicable a trs sensres y perids de tiemp.