Las imágenes satelitales hiperespectrales detectan incendios forestales.

En los últimos años, el cambio climático y otros problemas ambientales de origen humano han captado una atención significativa en la literatura científica. Históricamente, los incendios forestales se detectaban principalmente mediante el monitoreo de vastas áreas desde torres de observación y el uso de dispositivos sencillos como detectores de incendios. Sin embargo, este método no era muy preciso y su eficacia podía verse afectada por la fatiga humana acumulada durante largos periodos de observación. Por otro lado, los sensores alternativos utilizados para detectar gases, llamas, humo y emisiones de calor suelen requerir tiempos de medición prolongados. Además, debido al alcance limitado de estos sensores, solo un gran número de ellos podía cubrir grandes áreas. El rápido desarrollo del reconocimiento de objetivos, el aprendizaje profundo y las tecnologías de teledetección nos han proporcionado nuevos métodos para encontrar y rastrear incendios forestales.

1. Principales clasificaciones técnicas

Actualmente, las tecnologías más utilizadas se pueden clasificar en tres tipos principales, capaces de identificar u observar incendios activos o humo en tiempo real o casi real: sistemas terrestres, aéreos y satelitales. Estas tecnologías suelen combinarse con sensores de luz visible, infrarrojos, multiespectrales o hiperespectrales. Una vez recopilados los datos, se procesan mediante algoritmos de inteligencia artificial (IA) (generalmente métodos de aprendizaje automático). Estas tecnologías se basan en la extracción de características artificiales o en potentes métodos de IA para detectar incendios forestales en sus primeras etapas y simular el comportamiento del humo y el fuego. En la Figura 1 se ilustran diferentes tipos de métodos de detección de incendios.

Figura 1. Métodos de detección de incendios

En los últimos años, se han realizado numerosas investigaciones para identificar incendios forestales mediante imágenes satelitales, principalmente debido al gran número de satélites lanzados y la consiguiente disminución de los costos. En concreto, se ha desarrollado un conjunto de satélites para la observación de la Tierra (EO) (por ejemplo, Planet). Los satélites se clasifican generalmente según sus órbitas, cada una con sus propias ventajas y desventajas. La Tabla 1 enumera las categorías más importantes.

Tabla 1. Categorías de satélites

La mayoría de los satélites en órbita geoestacionaria (GEO) en órbitas SSO polares bajas tienen estimaciones precisas de altitud e inclinación para asegurar que las naves espaciales observen la misma escena con el mismo ángulo de luz solar cada vez, y que las sombras sean idénticas en cada pasada. Los datos de los satélites heliosíncronos tienen una alta resolución espacial pero una baja resolución temporal (LandSat-7/8 tiene un ciclo de repetición de 8 días, mientras que Sentinel 2A/2B tiene un ciclo de repetición de 2 a 3 días en regiones de latitud media), mientras que los satélites GEO tienen una resolución espacial menor pero una resolución temporal mayor. Por lo tanto, no son eficaces para detectar incendios forestales activos en tiempo real; en cambio, son más adecuados para tareas menos urgentes, como la estimación del área quemada. Los sistemas de satélites en órbita geoestacionaria pueden detectar incendios forestales porque pueden ver grandes áreas. La mayoría de los satélites que fotografían la Tierra utilizan sensores de imágenes multiespectrales y están ubicados en órbitas geoestacionarias o heliosíncronas cercanas a los polos.

Tabla 2. Lista de algunos sistemas satelitales de teledetección relevantes y sus características.

2. Métodos de detección actuales

A partir de datos hiperespectrales, se puede obtener información directa preliminar examinando bandas individuales. Por ejemplo, el humo se puede identificar analizando la banda visible-infrarroja cercana (VNIR), mientras que los incendios forestales activos se pueden detectar examinando los píxeles saturados en la banda infrarroja de onda corta (SWIR). De hecho, dentro de la banda de 2000 nm a 2400 nm, la señal se satura fácilmente al observar incendios forestales activos, ya que la señal captada desde la Tierra es mayor que la señal del Sol (dado que los incendios forestales actúan como emisores de energía activa). Sin embargo, el análisis de todas las características espectrales mediante redes neuronales convolucionales puede evitar errores y mejorar la fiabilidad de la clasificación.

El modelo CNN de clasificación multiclase se muestra en la Figura 2. El espectro de píxeles de entrada de los datos hiperespectrales contiene canales SWIR y VNIR. Por lo tanto, es un hipercubo que contiene C = 2^34 elementos (después de eliminar algunos datos brutos inútiles del hipercubo de entrada). Una capa convolucional unidimensional con un kernel de 3, un filtro n1 = 112, el mismo relleno, una función de activación ReLU y un regularizador de kernel l2 es la primera capa oculta. Después de la capa convolucional, hay una capa de max-pooling con un tamaño de pooling de 2 y un paso de 2 (nótese que n2 = n1 como se muestra en la Figura 2). El resultado de este max-pooling pasa luego a través de una capa de aplanamiento y luego se conecta a una capa totalmente conectada de 128 unidades (con una función de activación ReLU). La última capa es una capa de unidad densa con una función de activación SoftMax para la clasificación multiclase. Cabe destacar que las métricas de las figuras C1 y C2 son fáciles de evaluar y dependen de la arquitectura de la red. Para entrenar el modelo, utilizamos el optimizador Adam y la función de pérdida de entropía cruzada de clasificación.

Figura 2. Modelo CNN de clasificación multiclase