Chrome Extension
WeChat Mini Program
Use on ChatGLM

Caracterización del interfaz forestal/urbano empleando LiDAR como herramienta para la estimación del riesgo de daños por incendios forestales

A. Robles, M. A. Rodríguez-Garrido, M. F. Alvarez-Taboada

Revista de Teledetección(2016)

Cited 7|Views0
No score
Abstract

Galicia (NO de España), afectada por alto número de incendios forestales, debería cumplir la normativa vigente en relación a la distancia entre masas forestales y edificaciones. Este trabajo tiene como objetivos identificar y caracterizar las masas forestales y clasificar las edificaciones en función del riesgo en caso de incendio para un área de 36 km2 del municipio de Forcarei (Pontevedra). A partir de los datos LiDAR se obtuvo la imagen de intensidades, modelos espaciales (MDT: Modelo Digital del Terreno, MDS: Modelo Digital de Superficies y MANO: Modelo de Alturas Normalizadas de Objetos) y dos estadísticos para la caracterización de las masas forestales (densidad de pies dominantes por hectárea y altura promedio de dominantes). La identificación de las masas forestales se realizó con un método de clasificación orientado a objetos empleando la imagen de intensidades, el modelo de alturas y ortofotografía de la zona, obteniéndose coeficiente kappa de grado de correspondencia de 0,82 en la validación. Las masas forestales se reclasificaron en función de la magnitud de un posible incendio, basándose en la densidad y la altura promedio de la masa. Se generó la cartografía de las masas según la magnitud de un posible incendio, obteniéndose que 1,18 km2 serían susceptibles de incendios de baja magnitud, 3,75 km2 de magnitud media y 2,25 km2 de elevada. Se determinó si las edificaciones de la zona cumplían la legislación relativa a los 30 metros de distancia mínima a la masa forestal, clasificando el riesgo de daños de aquellas que no cumplían en caso de incendio forestal. El resultado fue que el 43,01% de las edificaciones cumplía la normativa, el 9,95% situación de riesgo muy bajo, el 25,74% en riesgo bajo, el 12,37% en medio y que el 8,93% estaba en una situación de riesgo alto o muy alto.

More
Translated text
AI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined