Traducido del inglés al español - www.onlinedoctranslator.

com

Sensores remotos

Artículo

Normalized Burn Ratio Plus (NBR+): un nuevo índice para las

imágenes de Sentinel-2
Emanuele Alcaras1, Domenica Costantino2, Francesca Guastaferro3, Claudio Parente4,* y
Massimiliano Pepe2

1 Programa Internacional de Doctorado “Medio Ambiente, Recursos y Desarrollo Sostenible”, Departamento de

Ciencia y Tecnología, Universidad Parthenope de Nápoles, Centro Direzionale, Isola C4, 80143 Nápoles, Italia;
[email protected]
2 DICATECH, Politécnica de Bari, Via E. Orabona 4, 70125 Bari, Italia; domenica [email protected] (DC);
[email protected] (MP)
3 Almaviva Digitaltec, Centro Direzionale, Isola F8, 80143 Nápoles, Italia; [email protected]
4 Departamento de Ciencia y Tecnología, Universidad Parthenope de Nápoles, Centro Direzionale, Isola C4,
80143 Nápoles, Italia
* Correspondencia: [email protected]

Abstracto:El monitoreo de áreas quemadas se puede realizar fácilmente utilizando imágenes satelitales
multiespectrales: hay varios índices disponibles en la literatura para resaltar las diferencias entre áreas de
vegetación saludable y áreas quemadas, considerando sus diferentes firmas. Sin embargo, estos índices pueden
tener limitaciones determinadas, por ejemplo, por la presencia de nubes o masas de agua que produzcan falsas
alarmas. Para evitar estas imprecisiones y optimizar los resultados, este trabajo propone un nuevo índice para
detectar áreas quemadas denominado Normalized Burn Ratio Plus (NBR+), basado en la participación de las
bandas Sentinel-2. La eficacia de este índice se comprueba comparándolo con otros cinco índices existentes,
todos ellos aplicados sobre un área con una superficie de unos 500 km2y cubriendo la parte noreste de Sicilia
(Italia). Para lograr este objetivo, se adoptan un enfoque unitemporal (imagen de fecha única) y un enfoque
----
--- bitemporal (imágenes de dos fechas). El clasificador de máxima verosimilitud (MLC) se aplica a cada mapa de

Citación:Alcarás, E.; Constantino, D.;

índice resultante para definir el umbral que separa los píxeles quemados de los no quemados. Para evaluar la

Guastaferro, F.; Parente, C.; Pepe, M. eficiencia de los índices se construyen matrices de confusión y se comparan entre sí. El NBR+ muestra
Normalized Burn Ratio Plus (NBR+): un excelentes resultados, especialmente porque excluye gran parte de las áreas clasificadas incorrectamente como
nuevo índice para imágenes Sentinel-2. quemadas por otros índices, a pesar de ser nubes o cuerpos de agua.
Sensores remotos2022,14, 1727. https://
doi.org/10.3390/rs14071727 Palabras clave:Centinela-2; índice de quemado normalizado; mapeo de áreas quemadas; detección de cambios; incendio forestal; índices

espectrales; observación de la tierra; teledetección de incendios forestales; SIG

Editor Académico: Waldemar Kociuba

Recibido: 28 febrero 2022

Aceptado: 29 marzo 2022
Publicado: 3 abril 2022 1. Introducción
Nota del editor:MDPI se mantiene neutral Un campo de investigación importante cuando se utilizan imágenes de satélite es el seguimiento
con respecto a reclamos jurisdiccionales en de incendios activos [1], su impacto en la calidad del aire [2], y otras huellas que dejan en el medio
mapas publicados y afiliaciones ambiente [3,4]: áreas quemadas (BA). De hecho, es necesario un mapeo preciso y rápido de las áreas
institucionales. dañadas por el fuego para apoyar el manejo del fuego, estimar el costo ambiental, definir estrategias de
planificación y monitorear la restauración de la vegetación.5]. La identificación de BA mediante el uso de
técnicas, instrumentos y métodos de teledetección (RS) representa un campo de investigación en
continuo desarrollo [6]. La capacidad de identificar BA utilizando satélites de observación de la Tierra con
Derechos de autor:© 2022 por los
alta resolución geométrica, temporal y espectral permite monitorear y preservar el estado de los sitios;
autores. Licenciatario MDPI, Basilea,
de hecho, muy a menudo, los incendios involucran áreas de particular valor naturalista [7,8]. Por lo tanto,
Suiza. Este artículo es un artículo de
para preservar el paisaje natural y artificial, es necesario identificar metodologías adecuadas para
acceso abierto distribuido bajo los
monitorear áreas quemadas y, al mismo tiempo, producir mapas de estimación de severidad utilizando
términos y condiciones de la licencia
Creative Commons Attribution (CC BY)
datos satelitales [9].
(https:// creativecommons.org/ En las últimas décadas, se han utilizado varios sensores montados en satélites para esta
licenses/by/ 4.0/). actividad, como el Radiómetro Avanzado de Muy Alta Resolución (AVHRR) [10] y Avanzado

Sensores remotos2022,14, 1727. https://doi.org/10.3390/rs14071727 https://www.mdpi.com/journal/remotesensing

Sensores remotos2022,14, 1727 2 de 19

Radiómetro espacial de emisión y reflexión térmica (ASTER) [11]. Otro sensor muy utilizado es el
espectrorradiómetro de imágenes de resolución moderada (MODIS) debido a su alta resolución
temporal, que permite la detección rápida de incendios activos, la identificación de áreas quemadas o la
evaluación del riesgo de incendios forestales [12–14]. Sin embargo, MODIS tiene una resolución espacial
baja, lo que dificulta la detección de la extensión espacial de los incendios más pequeños.15]. El
lanzamiento de Landsat-8 OLI (Operational Land Imager), es decir, el octavo satélite del programa
Landsat desarrollado por una colaboración entre la NASA y el Servicio Geológico de los Estados Unidos
(USGS), y Sentinel-2 (misión de observación de la Tierra del Programa Copernicus , anteriormente
llamado Monitoreo Global para el Medio Ambiente y la Seguridad-GMES) nos permitió obtener imágenes
con una mejor resolución espacial que los sensores satelitales anteriores. En particular, Sentinel-2
recopila imágenes multiespectrales de la superficie terrestre de dos satélites con un ciclo de revisión de 5
días a resoluciones espaciales de 10 m, 20 m y 60 m. Su único instrumento es el Multispectral Imager
(MSI), que recopila datos en 13 bandas espectrales utilizando una tecnología de escáner de línea con un
amplio campo de visión [dieciséis].
El procesamiento de datos de sensores remotos es un requisito previo para generar información
espacial robusta con calidad científica y es apropiado para el monitoreo de incendios a diferentes escalas
y en el tiempo [17]. De hecho, la realización de índices cada vez más eficaces en el campo de RS para la
detección y el análisis de un fenómeno, como las áreas quemadas, está en continuo desarrollo. Por lo
tanto, la resolución espacial y espectral cada vez mayor de los sensores de la plataforma satelital
combinada con el desarrollo de índices en el campo RS significa que incluso los BA pequeños pueden
detectarse con alta precisión. La detección de BA está estrictamente relacionada con el seguimiento de la
vegetación. Para ello, se han propuesto varias metodologías basadas en el uso de índices espectrales,
como el Índice de Vegetación de Diferencia Normalizada (NDVI), que se puede definir como la relación
normalizada de la diferencia de las bandas del infrarrojo cercano y el rojo [18]; este índice nos permite
investigar la relación entre la cantidad de vegetación consumida y la severidad del fuego [19,20].
Además, se han desarrollado índices específicos que registran los efectos del fuego con mayor contraste
espectral, como el Normalized Burn Ratio (NBR), que es el cociente normalizado de la diferencia de las
bandas del infrarrojo cercano y del infrarrojo de onda corta [20,21]. La combinación de estas últimas
bandas permite analizar el fenómeno en condiciones previas y posteriores al incendio. En las longitudes
de onda NIR, la absorbancia de la vegetación es baja, mientras que la reflectancia y la transmitancia son
altas; en las longitudes de onda SWIR, la reflectancia y la transmitancia de la vegetación son bajas y la
absorbancia es muy alta. En la zona posterior al incendio, las áreas quemadas recientemente muestran
una reflectividad relativamente baja en la banda del infrarrojo cercano y una alta reflectancia en la banda
del infrarrojo de onda corta [22,23]. Este índice se aplicó con éxito a datos satelitales, como Sentinel-2 [24
] y Landsat-7 y Landsat-8 [25] imágenes para identificar áreas quemadas.

Los avances recientes en la tecnología de detección remota han facilitado nuevos enfoques para estudiar la
ecología del fuego, incluidos diferentes aspectos relacionados con el mapeo de riesgos de incendios, el mapeo de
combustibles, la detección activa de incendios, las estimaciones de áreas quemadas, la evaluación de la gravedad de las
quemaduras y el monitoreo de la recuperación de la vegetación después del incendio.26]. Se han desarrollado índices
específicos para la detección de BA relacionados con la disponibilidad de bandas de sensores específicos. Gran parte de
la aplicación actual se basa en un enfoque bitemporal que nos permite identificar las áreas quemadas como resultado
de los cambios debido a la disminución de la vegetación en las imágenes de preincendio y posincendio; sin embargo,
otras características de la cobertura terrestre pueden presentar respuestas similares en algunas bandas específicas,
como las bandas NIR y SWIR, generando un aumento en los errores de comisión [27]. Además, la peculiaridad de la
escena puede influir en la precisión de la delineación de BA: por ejemplo, cuerpos de agua, nubes y sombras pueden
producir falsas alarmas, por lo que se requieren precauciones y soluciones específicas [28]. Usando SWIR (SWIR corto y
largo), estos errores se mitigan [29], ya que las firmas espectrales distintivas del agua y las áreas quemadas más allá de
la región NIR, donde el agua tiende a absorber longitudes de onda más largas casi por completo, mientras que la
reflectancia del bosque quemado permanece bastante constante o muestra una tendencia ligeramente creciente [30].

El objetivo de este trabajo es mejorar el rendimiento obtenido por la aplicación de los índices
existentes para la identificación de BA en imágenes Sentinel-2. Partiendo del índice NBR, este
trabajo propone un nuevo índice, denominado Normalized Burn Ratio Plus (NBR+). El
Sensores remotos2022,14, 1727 3 de 19

NBR+ se prueba en un área ubicada en la parte noreste de Sicilia (Italia) y afectada por incendios
durante el verano de 2019; sus prestaciones se evalúan mediante la evaluación de la precisión de
los resultados de la clasificación y se comparan con otros cinco métodos que ya existen en la
literatura y son aplicables a los datos geográficos multiespectrales de Sentinel-2, antes y después
de un incendio.

2. Área de estudio y conjunto de datos

Las imágenes de satélite Sentinel-2 son proporcionadas de forma gratuita por la ESA a través de una
constelación de dos satélites, parte del programa Copernicus, que se denominan Sentinel-2A y Sentinel-2B. Para
este trabajo se utilizan imágenes proporcionadas por el satélite Sentinel-2A. La característica de las bandas con
sus longitudes de onda centrales y resoluciones se informan en la Tabla1[31].

Tabla 1.Características de las imágenes Sentinel-2A.

Bandas Longitud de onda central (µmetro) Resolución (m)

B1—Aerosoles costeros 0.443 60
B2—Azul 0.490 10
B3—Verde 0.560 10
B4—Rojo 0.665 10
B5: borde rojo1 0.705 20
B6: borde rojo2 0.740 20
B7: borde rojo3 0.783 20
B8—NIR 0.842 10
B8A: NIR estrecho 0.865 20
B9—Vapor de agua 0.945 60
B10—SWIR cirro 1.375 60
B11—SWIR1 1.610 20
B12—SWIR2 2.190 20

El programa Copernicus, mediante el uso de satélites Sentinel, se ocupa del seguimiento

continuo de la Tierra: en el marco de los datos geográficos y su almacenamiento [32], las imágenes
Sentinel son el principal canal de adquisición de la geodatabase Copernicus del Risk and Recovery
Mapping [33].
Se utilizan dos conjuntos de datos Sentinel-2A para este estudio: el primer conjunto de datos se adquirió
el 24 de julio de 2019 y representa el escenario previo al incendio; el segundo fue adquirido el 23 de agosto de
2019 y representa el escenario posterior al incendio. Las imágenes cubren la parte noreste de Sicilia (Italia),
incluida la provincia de Messina (Italia), como se muestra en la Figura1.

Figura 1.Área de estudio en la proyección WGS 1984 Web Mercator Auxiliary Sphere (EPSG:3857).
Sensores remotos2022,14, 1727 4 de 19

Como se puede ver en la Figura2, la tierra está rodeada en su mayor parte por el mar, excepto en
la parte suroeste. Si, por un lado, las zonas costeras están densamente pobladas y urbanizadas, por otro
lado, las zonas del interior son predominantemente rurales, caracterizadas por la densa vegetación de
las montañas Peloritani [34]: como se informó en [35], la vegetación de esta zona es muy diversificada y
particularmente propensa a los incendios forestales.

Figura 2.Imagen satelital en proyección UTM de la escena en escenario pre y post incendio: representación en color
(bandas compuestas 4-3-2) pre incendio (a); representación de color falso (bandas compuestas 12-8A-4) antes del fuego
(b); representación del color (bandas compuestas 4-3-2) post-fuego (C); representación de color falso (bandas
compuestas 12-8A-4) post-fuego (d).

3. Métodos
Esta sección presenta el nuevo índice propuesto para identificar áreas quemadas usando
imágenes multiespectrales Sentinel-2 e ilustra el enfoque metodológico adoptado para establecer
el nivel de desempeño de este índice. En particular, se recuerdan primero algunos índices ya
presentes en la literatura y habitualmente aplicados para tal fin, reportando las fórmulas relativas y
especificando las bandas utilizadas, ya que los aplicamos en comparación con NBR+.
Sensores remotos2022,14, 1727 5 de 19

Luego, se explican las razones que determinaron la formulación del índice propuesto.
Posteriormente, recordamos los fundamentos de la clasificación supervisada aplicada a los mapas
obtenidos por los índices seleccionados. Finalmente, el procedimiento para verificar la precisión de
los resultados, basado en el uso de áreas de prueba y el enfoque canónico aplicado en
teledetección [36], se describe, incluida la matriz de confusión [37] e índices relacionados [38].
El flujo de trabajo de todo el enfoque metodológico se muestra en la Figura3.

Figura 3.El flujo de trabajo de todo el enfoque metodológico para probar el desempeño del índice
propuesto en comparación con otros cinco índices.

Todos los experimentos se llevan a cabo utilizando el software GIS denominado QGIS, versión 3.16: la
herramienta Raster Calculator permite implementar fórmulas de índice por medio de Map Algebra Operators.

3.1. Índices espectrales utilizados para la identificación de áreas quemadas

Las regiones espectrales de infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR) son relevantes para
detectar áreas quemadas: NIR resalta los cambios en la cubierta del dosel y el brillo de la hoja quemada [39],
mientras que SWIR detecta cambios en la sequedad del paisaje [40]. Después de un incendio, con la destrucción
de la vegetación, la reflectancia NIR disminuye fuertemente y, por otro lado, la reflectancia SWIR aumenta
debido a la eliminación de la vegetación retenedora de agua por parte del fuego [41]. Otras regiones
espectrales importantes para la detección de BA son Red y Red-Edge, porque están vinculadas a una fuerte
absorción del contenido de clorofila en las plantas.42,43].
Para mapear áreas quemadas, varios algoritmos usan una combinación de regiones espectrales
NIR y SWIR, aunque también se han desarrollado algunos índices espectrales que combinan solo
regiones espectrales SWIR o regiones espectrales Red/Red-edge y NIR.
Cifra4compara la firma del área quemada con la vegetación saludable, destacando cómo las áreas
devastadas por el fuego tienen una reflectancia muy alta en las longitudes de onda SWIR y una
reflectancia baja en el NIR.
Sensores remotos2022,14, 1727 6 de 19

Figura 4.Comparación de la respuesta espectral de vegetación saludable y áreas quemadas (Fuente: Servicio Forestal
del USDA).

Entre la amplia gama de índices espectrales existentes descritos en la literatura, en este

estudio se aplican y comparan cinco enfoques diferentes: índice de quemado normalizado (NBR),
índice de quemado normalizado-SWIR (NBRSWIR), índice infrarrojo de onda corta de diferencia
normalizada (NDSWIR), -Índice biespectral infrarrojo (MIRBI) e índice de área quemada para
Sentinel 2 (BAIS2). Las principales características de estos índices se resumen a continuación, y la
descripción del nuevo índice propuesto en este estudio se informa en la siguiente subsección.

3.1.1. Relación de quemado normalizada (NBR)

Un índice famoso ampliamente utilizado en la literatura para resaltar las áreas quemadas en grandes
zonas de incendios es el índice de quemado normalizado (NBR) [21], que se considera un estándar para las
evaluaciones de la severidad del fuego. La fórmula de índice de quemado normalizado combina el uso de
longitudes de onda NIR (B8A) y SWIR (B12), donde un valor alto de NBR generalmente indica vegetación
saludable y un valor bajo indica suelo desnudo y áreas quemadas recientemente.
La fórmula NBR es similar a la de NDVI. Se calcula como una relación entre los valores
NIR y SWIR y se puede definir como:

B12−B8A
NBR = (1)
B12 + B8A

Las áreas con valores cercanos a cero se consideran áreas no quemadas.

3.1.2. Relación de quemado normalizada-SWIR (NBRSWIR)

Un nuevo índice de incendios, desarrollado para la identificación de BA con datos OLI de

Landsat-8, es el índice de quemado normalizado-SWIR (NBRSWIR), diseñado por Liu et al. en 2020 [
27]. La fórmula es similar al índice NBR, pero se utilizan las bandas SWIR1 (B11) y SWIR2 (B12).
Además, en la ecuación, se consideran dos pequeñas constantes: en el numerador, se resta el valor
constante de 0,02 para establecer los cambios en el agua cercanos a cero o incluso negativos, y
Sensores remotos2022,14, 1727 7 de 19

en el denominador se suma 0.1 para evitar la amplificación positiva de algunos cambios anormales
de agua:
B12−B11−0,02
NBRSWIR = (2)
B12 + B11 + 0,1

3.1.3. Índice infrarrojo de onda corta de diferencia normalizada (NDSWIR)

Como se sabía que el SWIR era útil para la detección de cicatrices de incendios más antiguas, Gerard et al.
usó la banda de onda SWIR individual y NDSWIR para apoyar la detección de cicatrices de incendios forestales
en el Bosque Boreal [44]. En particular, demuestran que es posible detectar cicatrices de incendios de hasta diez
años utilizando datos de SPOT-VEGETATION de un solo año y que el uso de un índice de vegetación basado en la
reflectancia del infrarrojo de onda corta y cercana como NDSWIR es
crucial para este éxito:
B11−B8A
NDSWIR = (3)
B11 + B8A

3.1.4. Índice biespectral de infrarrojo medio (MIRBI)

El índice de quemaduras en el infrarrojo medio (MIRBI), desarrollado por Trigg y Flasse en 2001 [40], está
diseñado en el espacio discriminatorio de "infrarrojo medio de longitud de onda corta" e "infrarrojo medio de
longitud de onda larga" (respectivamente, en Sentinel-2 banda 11 y banda 12). Este índice es muy sensible a los
cambios espectrales causados por la quema y relativamente insensible al ruido:

MIRBI = 10×B12−9.8×B11 + 2 (4)

3.1.5. Índice de área quemada para Sentinel 2 (BAIS2)

Índice de área quemada para Sentinel 2, BAIS2 [5], adapta el BAI tradicional para las bandas de
Sentinel-2, aprovechando una combinación de bandas que han demostrado ser adecuadas para la
detección de áreas quemadas post-incendio (Visible (B4), Red-Edge (B6 y B7), NIR ( bandas B8A) y SWIR
(B12). El rango de valores para el BAIS2 es−1 a 1 para cicatrices de quemaduras y 1 a 6 para incendios
activos. Se puede obtener como se muestra en la siguiente fórmula:
(√ )( )
B6×B7×B8A B12−B8A
BAIS2 = 1− × √ +1 (5)
B4 B12 + B8A

3.2. Desarrollo de un nuevo índice espectral para la identificación de BA

Para utilizar correctamente los índices clásicos para la detección de BA, normalmente es necesario aplicar
una máscara para eliminar las masas de agua y las nubes [45]. De hecho, como se informa en numerosos
artículos [46–50], los cuerpos de agua pueden confundirse con BA por indicadores como NBR, ya que los BA
muestran valores de reflexión similares a los de las superficies de agua [24]. En general, se crea una máscara
para eliminar cuerpos de agua utilizando el Índice de agua de diferencia normalizada (NDWI, por sus siglas en
inglés), un índice que resalta el agua en relación con el suelo [51]. Como bien se sabe, el agua típicamente tiene
una fuerte reflectancia en longitudes de onda azul-verde [52]; por lo tanto, proponemos una versión mejorada
de NBR que tiene en cuenta la reflectancia del agua, a la que llamamos NBR+:

(B12−B8A−B3−B2) (B12
NBR+ = (6)
+ B8A + B3 + B2)

Por otro lado, esta fórmula proporciona valores negativos para las nubes ya que tienen la
reflectancia en la banda B12 significativamente menor que la suma de las otras tres bandas. En
consecuencia, dado que los valores de NBR+ pueden variar en un rango entre−1 y 1, los píxeles
relacionados con las nubes en la imagen NBR+ resultante presentan valores ciertamente bajos
(negativos) y por lo tanto no pueden confundirse con los relacionados con la BA, que presentan valores
altos y tienden al blanco. De hecho, los valores de NBR+ pueden variar en un rango entre−1 y 1, donde
los píxeles con valores más altos representan el BA.
Sensores remotos2022,14, 1727 8 de 19

3.3. Clasificación de máxima verosimilitud

Para este trabajo, optamos por utilizar la Clasificación de Máxima Verosimilitud (MLC) para
obtener dos clases distintas, es decir, áreas quemadas y áreas no quemadas. Este clasificador
entra en la categoría de métodos de clasificación supervisados, que implican el uso de sitios de
entrenamiento (TS) para tener un conocimiento a priori de las muestras de la imagen investigada [
53]. La imagen se clasifica partiendo de los valores de reflectancia de cada píxel y asignándolos a la
clase para la que existe mayor similitud [54]. Es de fundamental importancia que los TS se
seleccionen con la mayor precisión posible [55], y que cumplen con ciertas pautas [56], como ser
representativa de las clases investigadas, incluir un número significativo de píxeles para cada clase
y contener información suficiente para describir las clases en función del comportamiento de sus
firmas espectrales [57].
El MLC se basa en el Teorema de Bayes [58], y se considera uno de los métodos más precisos en la
literatura [59]. Generalmente, MLC se aplica en múltiples bandas, pero también se puede aplicar en una
sola banda [60], por ejemplo, una banda sintética como NBR. En particular, en este estudio, los TS que
relacionan las dos clases investigadas se identifican mediante un análisis visual de las composiciones de
color verdadero RGB y color falso RGB del conjunto de datos Sentinel 2-A.

3.4. Mapeo de áreas quemadas

Las áreas quemadas se identifican aplicando MLC a una banda falsa. En particular, en este trabajo
se utiliza un enfoque de fecha única y bitemporal para cada índice: se realiza una primera clasificación de
las imágenes posquemadas (enfoque de fecha única); la segunda clasificación se realiza comparando
imágenes pre y post quemadura (enfoque bitemporal), tal como se propone en varios trabajos [61–63].

Dado que el enfoque de fecha única consiste en clasificar solo las imágenes relacionadas con la
posquemadura, es más rápido de aplicar y no presenta los errores relacionados con el enfoque
bitemporal, como los causados por diferencias en la fenología [64], registro erróneo de píxeles de
imagen [sesenta y cinco], y diferencias en la calibración del sensor [66], geometría del sensor solar y
efectos atmosféricos [67]. Además, no siempre es fácil encontrar imágenes, útiles para la detección de
BA, en dos momentos diferentes en el tiempo que no están parcialmente cubiertos por nubes [68]: las
nubes y sus sombras pueden confundirse fácilmente con BA cuando se realiza la clasificación [69]. El
enfoque de fecha única evita todos estos problemas, pero la falta de una imagen de referencia previa a la
quema puede generar dificultades en el mapeo de áreas cuya firma espectral ha permanecido constante,
como el agua y la vegetación envejecida que pueden confundirse con áreas quemadas [70].
El análisis bitemporal se lleva a cabo calculando los índices enumerados anteriormente tanto en las imágenes
previas a la grabación como en las posteriores a la grabación y luego marcando la diferencia generando el índice delta:

∆Índice = Índice PostBurn−Índice de pregrabado (7)

3.5. Evaluación de precisión temática

Para evaluar la precisión temática de los resultados obtenidos, se utilizan sitios de prueba. Estos
son diferentes de los sitios de entrenamiento, pero al igual que estos últimos, son representativos de las
dos clases (BA/No BA) si se toma una muestra suficiente y significativa [71]. Consideramos dos grupos de
sitios de prueba: el grupo A que incluye cuerpos de agua y nubes, y el grupo B que los excluye. De esta
manera, probamos el rendimiento de cada método para la capacidad tanto de no atribuir a la clase de
áreas quemadas píxeles de agua y nubes (errores de comisión) como de distinguir los dos grupos (BA/
Non BA).
Los sitios de prueba se logran a partir del análisis visual de las imágenes multiespectrales; nos
permiten saber cuántos píxeles están clasificados correctamente y cuántos están mal clasificados. En
particular, aplicamos el enfoque ampliamente utilizado basado en la matriz de confusión, una
herramienta simple y poderosa que denota la precisión de la clasificación de imágenes de sensores
remotos. Una matriz de confusión es una tabla que muestra la correspondencia entre el resultado de la
clasificación y los datos reales sobre el terreno, derivados de la inspección visual de las mismas imágenes
de sensores remotos u otras capas de información (como mapas) o adquiridas in situ y registradas con
un GNSS ( Sistema Global de Navegación por Satélite) receptor [72]. En lugar de considerar
Sensores remotos2022,14, 1727 9 de 19

Al analizar las imágenes completas, las matrices de confusión generalmente se construyen a partir de los
valores tomados de los sitios de prueba, lo que permite evaluar la precisión temática del método de
clasificación adoptado [73]. En particular, en este estudio, se crean dos matrices de confusión para cada método
utilizado: una representativa de la imagen posterior al incendio únicamente y una representativa
de la imagen “delta” en el enfoque bitemporal. El análisis numérico de la precisión temática
de cada imagen clasificada se resume en los valores de los índices denominados Precisión
del productor (PA), Precisión del usuario (UA) y Precisión general (OA) [74].
PA indica la probabilidad de que una determinada cobertura terrestre de un área en el suelo se
clasifique como tal. Se calcula dividiendo el número de píxeles clasificados con precisión en cada
categoría por el número total de píxeles de referencia para esa categoría.
UA indica la probabilidad de que un área determinada clasificada en una categoría determinada
realmente represente esa categoría sobre el terreno. Se calcula dividiendo el número de píxeles
clasificados correctamente en cada categoría por el número total de píxeles que se clasificaron en esa
categoría.
OA representa la probabilidad de que todas las categorías estén correctamente clasificadas. Se
calcula dividiendo el número total de píxeles clasificados correctamente por el número total de píxeles de
referencia.

4. Resultados y discusión
Se puede realizar una primera evaluación de cada mapa BA resultante mediante una inspección
visual: la comparación de imágenes entre NBR+ y NBR se muestra en la Figura5y∆NBR+ y∆NBR en la
figura6.
Comparando las imágenes en la Figura5, es evidente que NBR presenta ruido alrededor de las
costas, o más generalmente, en las aguas poco profundas, que NBR+ no presenta en absoluto; las áreas
afectadas por este ruido se clasifican incorrectamente como BA, ya que tienen valores de radiancia muy
altos.
Un segundo elemento perturbador en este caso son las nubes y las sombras que generan: estas no
solo ocultan las áreas quemadas del sensor, sino que en el caso de NBR, pueden confundirse con BA. La
clasificación incorrecta de nubes y aguas poco profundas se ha resuelto en NBR+; de hecho, estas áreas
tienen valores de radiancia muy bajos en comparación con los valores de radiancia altos de BA.

Figura 5.Comparación entre NBR+ (izquierda) y NBR (bien) después de la quema.

Sensores remotos2022,14, 1727 10 de 19

Figura 6.Comparación entre∆NBR+ (izquierda) y∆NBR (bien).

Comparando las imágenes en la Figura6, en el caso de NBR, el ruido relativo a aguas someras
se ha reducido ligeramente (aunque sigue generando perturbaciones); sin embargo, el ruido
relativo a las nubes ha aumentado. De hecho, cuando se realiza el análisis bitemporal, si las dos
imágenes (antes y después del incendio) tienen nubes, estas se representarán en el∆imagen de
forma diferente: las nubes propias de la imagen preincendio se representan con valores bajos de
radiancia, mientras que las nubes de la imagen postincendio se representan con valores altos de
radiancia.
Por lo tanto, incluso en este caso, las nubes y las aguas poco profundas (en menor medida) pueden
clasificarse erróneamente como BA si se aplica NBR. En la imagen relacionada con NBR+, los BA llaman la
atención de inmediato debido a la alta radiancia en comparación con el resto de la imagen, incluso si hay
un ligero ruido en los bordes de las nubes, que, sin embargo, rara vez se identifica como BA por el MLC.

Los diferentes resultados proporcionados por cada índice en términos de detecciones BA/NON BA se
comparan y se muestran en la Figura7para análisis de una sola fecha y Figura8para el análisis bitemporal.
Además, Figura9muestra detalles para resaltar el impacto de las nubes en la clasificación, y la
Figura10muestra detalles para resaltar el impacto de los cuerpos de agua en la clasificación de las
imágenes.
El análisis cuantitativo del rendimiento de cada enfoque se basa en los sitios de prueba y el
enfoque de matriz de confusión. Los resultados obtenidos de las matrices de confusión se
muestran en las Tablas2y3para el análisis post-incendio y en Tablas4y5para el análisis bitemporal.
En particular, Mesas2y4se refieren a los sitios de prueba, incluidos los cuerpos de agua y las nubes
(Grupo A), y las Tablas3y5se refieren a sitios de prueba excluyendo cuerpos de agua y nubes
(Grupo B). Se consideran los siguientes índices:
Precisión del productor de las áreas quemadas (PA–LICENCIADO EN LETRAS); Precisión
del productor de las áreas no quemadas (PA–NO BA); Usuario Precisión de las Áreas
Quemadas (UA–LICENCIADO EN LETRAS);
Precisión del Usuario de las Áreas No Quemadas (UA–NO BA);
Precisión general (OA).
Traducido del inglés al español - www.onlinedoctranslator.com

Sensores remotos2022,14, 1727 11 de 19

Figura 7.Mapas de áreas quemadas producidos por los índices adoptados utilizando un enfoque de fecha única:
NBR+ (a), NBR (b), NDSWIR (C), NBRSWIR (d), BAIS2 (mi), MIRBI (F).
Sensores remotos2022,14, 1727 12 de 19

Figura 8.Mapas de áreas quemadas producidos por los índices adoptados usando enfoque bi-temporal: NBR+ (a
), NBR (b), NDSWIR (C), NBRSWIR (d), BAIS2 (mi), MIRBI (F).
Sensores remotos2022,14, 1727 13 de 19

Figura 9.El impacto de las nubes en las detecciones BA/NON BA suministradas por cada índice: composición de color
verdadero RGB (a), NBR+ (b), NDSWIR (C), BAIS2 (d), composición de colores falsos (mi), NBR (F), NBRSWIR (gramo),
MIRBI (h).

Figura 10.El impacto de los cuerpos de agua en las detecciones BA/NON BA suministradas por cada índice: composición
de color verdadero RGB (a), NBR+ (b), NDSWIR (C), BAIS2 (d), composición de colores falsos (mi), NBR (F), NBRSWIR (
gramo), MIRBI (h).
Sensores remotos2022,14, 1727 14 de 19

Tabla 2.Resultados de la evaluación de precisión temática de fecha única en sitios de prueba que incluyen también cuerpos de
agua y nubes (Grupo A).

Método PA-BA PA-NON BA UA-BA UA-NON BA OA

NBR 0.611 0.758 0.716 0.661 0.685
NBRSWIR 0.558 0.757 0.696 0.631 0.657
NDSWIR 0.607 0.751 0.709 0.657 0.679
MIRBI 0.566 0.651 0.618 0.600 0.608
BAIS2 0.630 0.967 0.950 0.723 0.798
NBR+ 0.858 0.958 0.953 0.871 0.908

Tabla 3.Resultados de la evaluación de precisión temática de fecha única en sitios de prueba, excluyendo cuerpos de agua y
nubes (Grupo B).

Método PA-BA PA-NON BA UA-BA UA-NON BA OA

NBR 0.611 1.000 1.000 0.720 0.805
NBRSWIR 0.558 0.993 0.987 0.692 0.776
NDSWIR 0.609 1.000 1.000 0.719 0.804
MIRBI 0.568 0.995 0.992 0.697 0.782
BAIS2 0.630 0.988 0.981 0.728 0.809
NBR+ 0.858 0.998 0.998 0.796 0.925

Tabla 4.Resultados de la evaluación de precisión temática bitemporal en sitios de prueba que incluyen masas de agua y
nubes (Grupo A).

Método PA-BA PA-NON BA U-BA UA-NON BA OA

NBR 0.984 0.833 0.855 0.981 0.909
NBRSWIR 0.914 0.914 0.914 0.914 0.914
NDSWIR 0.968 0.766 0.805 0.960 0.867
MIRBI 0.749 0.992 0.990 0.798 0.870
BAIS2 0.935 0.827 0.844 0.927 0.881
NBR+ 1.000 0.947 0.950 1.000 0.974

Tabla 5.Resultados de la evaluación de precisión temática bitemporal en sitios de prueba, excluyendo cuerpos de agua
y nubes (Grupo B).

Método PA-BA PA-NON BA UA-BA UA-NON BA OA

NBR 0.986 1.000 1.000 0.986 0.993
NBRSWIR 0.907 1.000 1.000 0.915 0.953
NDSWIR 0.967 1.000 1.000 0.968 0.983
MIRBI 0.749 0.998 0.997 0.799 0.874
BAIS2 0.933 0.947 0.947 0.934 0.940
NBR+ 1.000 0.995 0.995 1.000 0.998

Los resultados obtenidos son muy alentadores para el índice propuesto. De hecho, cuanto más próximos
a 1 sean los valores del índice de precisión, más satisfactorios serán los resultados, ya que significa que el
método propuesto es eficaz y es capaz de clasificar correctamente las zonas consideradas, distinguiendo entre
quemadas y no quemadas.
NBR+ es siempre el índice de mejor desempeño, alcanzando en cualquier caso el valor más alto de
OA. Los resultados obtenidos para los índices ya existentes en la literatura están en línea con los
resultados presentados por otros autores [75–77].
Los valores estadísticos obtenidos en las imágenes post-incendio tienden a ser inferiores a los
obtenidos en el análisis bitemporal, confirmando la mayor eficacia de este último método como ya se ha
señalado en la literatura [78].
Analizando los valores mostrados en la Tabla2, el MIRBI es siempre el índice con peor
desempeño; NBR, NBRSWIR y NDSWIR presentan resultados muy próximos entre sí;
Sensores remotos2022,14, 1727 15 de 19

BAIS2 es el único entre los índices “tradicionales” que presenta valores superiores a 0,9 (PA-
NON BA y UA-BA) y un valor de OA muy superior a los demás (0,798). El NBR+ tiene valores
muy altos en comparación con los demás índices, es el único que supera el valor de 0,9 en
términos de OA y el único que tiene todos los valores superiores a 0,8.
Mesa3confirma el alto rendimiento del índice propuesto en el caso de una evaluación de precisión
temática de una sola fecha en los sitios de prueba, excluyendo las masas de agua y las nubes. De hecho,
NBR+ proporciona el valor más alto de OA (0,925) y muy buenos resultados en términos de PA y UA.

Los valores reportados en la Tabla4son generalmente altos para todos los índices;
el OA siempre es superior a 0,85, lo que confirma la validez de cada método probado en
este trabajo. NDSWIR y MIRBI presentan valores de OA muy próximos entre sí (además
de ser los más bajos), y los valores de PA y UA son similares pero opuestos. De hecho,
NDSWIR tiene valores muy altos de PA-BA y UA-NON BA (0.968 y 0.960) y valores más
bajos de PA-NON BA y UA-BA (0.766 y 0.805); por el contrario, el MIRBI presenta valores
muy altos de PA-NON BA y UA-BA (0,992 y 0,990, respectivamente) y valores más bajos
de PA-BA y UA-NON BA (0,749 y 0,798). BAIS2 tiene un valor OA ligeramente más alto
(0,881) que NDSWIR y MIRBI. Se obtienen muy buenos resultados con la aplicación de
NBR y NBRSWIR, con valores de OA superiores a 0,9 para ambos. El índice de mejor
desempeño es NBR+; de hecho, siempre presenta excelentes resultados,

Mesa5testifica que NBR+ es también el índice de mejor desempeño en el caso de la evaluación de

precisión temática bitemporal en sitios de prueba que excluyen cuerpos de agua y nubes.

5. Conclusiones
Los resultados de esta investigación confirman la capacidad de mapear con precisión
áreas quemadas utilizando la ciencia de la teledetección: las imágenes multiespectrales
proporcionadas por sensores satelitales como Sentinel-2 son muy útiles para el alcance, pero
requieren una selección y combinación adecuadas de las bandas. De hecho, varios índices
están disponibles en la literatura y nos permiten obtener buenos resultados en muchos
casos. Sin embargo, la especificidad de la escena puede reducir el nivel de precisión del mapa
final: la presencia de cuerpos de agua o nubes induce errores de comisión para algunos
índices y produce falsas alarmas con un aumento injustificado del número de píxeles
clasificados como quemados. Si bien la perturbación de los cuerpos de agua y las nubes
puede eliminarse de la escena observada recurriendo a remedios específicos como, por
ejemplo, el uso de máscaras,
El nuevo índice propuesto en este trabajo para imágenes Sentinel-2 nos permite delinear
cicatrices de fuego con precisión, similar a otros índices, pero mejor que estos, garantiza un alto
rendimiento incluso en presencia de cuerpos de agua y nubes. En comparación con NBR,
NBRSWIR, NDSWIR, MIRBI y BIAS2, NBR+ es el índice de mayor rendimiento que alcanza valores
muy altos de PA, UA y OA. Las excelentes actuaciones de NBR+ son evidentes tanto en el caso del
enfoque unitemporal (post-fuego) como en el bitemporal (pre-fuego y post-fuego en comparación).
El resto de índices analizados muestran una precisión más limitada de los resultados en el caso de
aplicación sobre una sola imagen (post-fuego); por el contrario, NBR+ proporciona un excelente
rendimiento incluso en esta situación.
La génesis del índice es simple y eficaz, con el objetivo de mejorar el desempeño proporcionado
por la NBR. Usando solo las bandas B12 y B8A, los cuerpos de agua tienden a tener valores altos de brillo
de los píxeles, por lo que decidimos introducir también las bandas B2 y B3: al restar la cantidad de
energía, los píxeles que se reflejan en estas bandas (agua) tienden oscurecerse, por lo que finalmente
sólo las zonas quemadas se iluminan y son fácilmente identificables. Además, NBR+ proporciona valores
negativos para las nubes, por lo que no se puede confundir con los píxeles BA.
En cuanto a los futuros desarrollos de este trabajo, los estudios posteriores se centrarán en la
posibilidad de aplicar el NBR+ de forma eficiente a otro tipo de imágenes de satélite. Por supuesto, se
debe encontrar la presencia de bandas significativas para detectar áreas quemadas. En otras palabras,
necesitamos imágenes adquiridas en bandas específicas como Azul, Verde, NIR y
Sensores remotos2022,14, 1727 16 de 19

SWIR que nos permiten aplicar NBR+ de manera efectiva. Seguramente se realizarán pruebas sobre imágenes
Landsat 9, considerando también en este caso la disponibilidad de bandas similares a las de Sentinel-2
utilizadas en este estudio.

Contribuciones de autor:CP concibió el artículo y diseñó NBR+; DC diseñó los experimentos; FG y MP

realizaron la investigación bibliográfica y organizaron la recopilación de datos; EA realizó experimentos;
CP y DC supervisaron las aplicaciones; EA, FG y MP realizaron las pruebas de precisión; todos los autores
participaron en el análisis de los resultados y en la redacción del artículo. Todos los autores han leído y
aceptado la versión publicada del manuscrito.

Fondos:El APC fue financiado por el Politécnico de Bari y la Universidad Parthenope de Nápoles.

Declaración de la Junta de Revisión Institucional:No aplica.

Declaración de consentimiento informado:No aplica.

Declaración de disponibilidad de datos:No aplica.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias
1. Gargiulo, M.; Dell'Aglio, DAG; Yodice, A.; Riccio, D.; Ruello, G. Una técnica de súper resolución basada en CNN para la detección activa de incendios en los
datos de Sentinel-2. En Actas del Simposio de investigación de fotónica y electromagnética de primavera de 2019 (PIERS-Spring), Roma, Italia, del 17 al 20
de junio de 2019; págs. 418–426. [Referencia cruzada]
2. Kaplan, G.; Yigit Avdan, Z. Observación de la contaminación del aire en el espacio desde Sentinel-5P Tropomi: Relación entre contaminantes, datos
geográficos y demográficos.En t. J. Ing. Geosci.2020,5, 130–137. [Referencia cruzada]
3. Lasaponara, R.; Proto, AM; Aromando, A.; Cardettini, G.; Varela, V.; Danese, M. Sobre el mapeo de áreas quemadas y la gravedad de las quemaduras
utilizando mapas autoorganizados y datos centinela-2.IEEE Geosci. Sensor remoto Lett.2019,17, 854–858. [Referencia cruzada]
4. Seydi, ST; Akhoondzadeh, M.; Amani, M.; Mahdavi, S. Evaluación de daños por incendios forestales en Australia utilizando imágenes Sentinel-2 y el producto de cobertura
terrestre MODIS dentro de la plataforma de nube del motor de Google Earth.Sensores remotos2021,13, 220. [Referencia cruzada]
5. Filipponi, F. BAIS2: índice de área quemada para Sentinel-2.multidisciplinar Dígito. publ. Inst. proc.2018,2, 364. [Referencia cruzada]
6. Singh, D.; Kundu, N.; Ghosh, S. Mapeo de residuos de arroz quemados y contaminantes generados usando datos de Sentinel-2 sobre la parte norte de la India.Aplicación
de sensor remoto Soc. Reinar.2021,22, 100486. [Referencia cruzada]
7. Constantino, D.; Guastaferro, F.; Parente, C.; Pepe, M. Uso de imágenes generadas por sensor óptico satelital sentinel-2 para mapeo de áreas
quemadas. En Actas del Taller internacional sobre R3 en geomática: investigación, resultados y revisión, Nápoles, Italia, 10 y 11 de octubre de
2019; Springer: Cham, Suiza, 2019; págs. 350–362. [Referencia cruzada]
8. Vetrita, Y.; Cochrane, MA; Priyatna, M.; Sukowati, KA; Khomarudin, MR Evaluación de la precisión de cuatro productos de área quemada derivados de MODIS
para incendios en turberas tropicales y fuera de ellas.Reinar. Res. Letón.2021,dieciséis, 035015. [Referencia cruzada]
9. Amós, C.; Petropoulos, GP; Ferentinos, KP Determinación del uso de Sentinel-2A MSI para detección de severidad y quema de incendios forestales. En t. J.
Sensores Remotos.2019,40, 905–930. [Referencia cruzada]
10. Chuvieco, E.; Martín, parlamentario; Palacios, A. Evaluación de diferentes índices espectrales en el dominio espectral rojo-infrarrojo cercano para la discriminación de
terrenos quemados.En t. J. Sensores Remotos.2002,23, 5103–5110. [Referencia cruzada]
11. Bagwell, R.; Peters, B. Mapa avanzado del radiómetro de reflexión y emisión térmica transportado por el espacio (ASTER) del área del incendio de Thomas
en California. En Proceedings of the AGU Fall Meeting Abstracts, Washington, DC, EE. UU., 10–14 de diciembre de 2018; pag. ED43C-1251.
12. Zakšek, K.; Schroedter-Homscheidt, M. Parametrización de la temperatura del aire en alta resolución temporal y espacial a partir de una
combinación de los instrumentos seviri y modis.ISPRS J. Photogramm. Sensores remotos2009,64, 414–421. [Referencia cruzada]
13. Giglio, L.; Boschetti, L.; Roy, DP; Humber, ML; Justice, CO El algoritmo y producto de mapeo de áreas quemadas de la colección 6 MODIS.Sensores
Remotos Entorno.2018,217, 72–85. [Referencia cruzada]
14. Saidí, S.; Younes, AB; Anselme, B. Un enfoque de teledetección SIG para la evaluación del riesgo de incendios forestales: caso de la región de Bizerta, Túnez. aplicación
Geomat.2021,13, 587–603. [Referencia cruzada]
15. Ngadze, F.; Mpakairi, KS; Kavhu, B.; Ndaimani, H.; Maremba, MS Exploración de la utilidad de Sentinel-2 MSI y Landsat 8 OLI en el mapeo de áreas
quemadas para un paisaje heterogéneo de sabana.Más uno2020,15, e0232962. [Referencia cruzada] [PubMed]
16. Szantoi, Z.; Strobl, P.Copernicus Sentinel-2 Calibración y Validación; Taylor & Francis: Nueva York, NY, EE. UU., 2019. [Referencia cruzada]
17. Barboza Castillo, E.; Turpo Cayo, EY; de Almeida, CM; Salas Lopez, R.; Rojas Briceño, NB; Silva Lopez, JO; Espinoza-Villar, R. Monitoreo de incendios
forestales en el noreste de la amazonía peruana usando imágenes landsat-8 y sentinel-2 en la plataforma GEE.Internet de ISPRS J. Geo-Inf.2020,
9, 564. [Referencia cruzada]
18. Rouse, JW; Haas, RH; Schell, JA; Deering, DW Monitoreo de sistemas de vegetación en las Grandes Llanuras con ERTS.Especificaciones de la NASA. publ.1974,
351, 309.
19. Viana-Soto, A.; Aguado, I.; Mercadoinez, S. Evaluación de la recuperación de la vegetación post-incendio utilizando la severidad del fuego y datos
geográficos en la región mediterránea (España).Entornos2017,4, 90. [Referencia cruzada]
Sensores remotos2022,14, 1727 17 de 19

20. Meneses, BM Patrones de recuperación de vegetación en áreas quemadas evaluados con imágenes landsat 8 OLI y datos biofísicos ambientales.Fuego2021,
4, 76. [Referencia cruzada]
21. Garcia, MJL; Caselles, V. Mapeo de quemas y reforestación natural utilizando datos del mapeador temático.Geocarto Int.1991,6, 31–37. [Referencia cruzada]

22. Roy, DP; Zhang, Hong Kong; Ju, J.; Gómez-Dans, JL; Lewis, PE; Schaaf, CB; Kovalskyy, V. Un método general para normalizar los datos de reflectancia Landsat
a la reflectancia ajustada BRDF nadir.Sensores Remotos Entorno.2016,176, 255–271. [Referencia cruzada]
23. Pepe, M.; Parente, C. Reconocimiento de áreas quemadas mediante análisis de detección de cambios utilizando imágenes derivadas del satélite Sentinel-2: el estudio de caso de la
península de Sorrento, Italia.Aplicación J. Ing. ciencia2018,dieciséis, 225–232. [Referencia cruzada]
24. Dindaroglu, T.; Babur, E.; Yakupoglu, T.; Rodrigo-Comino, J.; cerdoa,A. Evaluación de las características geomorfométricas y las propiedades del suelo después de un incendio forestal
utilizando imágenes Sentinel-2 MSI para futuros bosques a prueba de incendios.Seguridad contra incendios. j2021,122, 103318. [Referencia cruzada]
25. Vanderhoof, MK; vendedor ambulante, TJ; Teske, C.; Ku, A.; Noble, J.; Picotte, J. Mapeo del área quemada de humedales de Sentinel-2 en el sureste de los
Estados Unidos y sus contribuciones en relación con Landsat-8 (2016–2019).Fuego2021,4, 52. [Referencia cruzada]
26. Szpakowski, DM; Jensen, JL Una revisión de las aplicaciones de la teledetección en la ecología del fuego.Sensores remotos2019,11, 2638. [Referencia cruzada]

27. Liu, S.; Zheng, Y.; Dalponte, M.; Tong, X. Un nuevo enfoque de detección de cambio de área quemada basado en el índice de incendios utilizando datos Landsat-8 OLI.
EUR. J. Sensores Remotos.2020,53, 104–112. [Referencia cruzada]
28. Nolde, M.; tablón, S.; Riedlinger, T. Un sistema adaptativo y extensible para el monitoreo de áreas quemadas a gran escala basado en satélites en tiempo
casi real.Sensores remotos2020,12, 2162. [Referencia cruzada]
29. Bastarrika, A.; Chuvieco, E.; Mercadoin, MP Mapeo de áreas quemadas a partir de datos Landsat TM/ETM+ con un algoritmo de dos fases: Balanceo de
errores de omisión y comisión.Sensores Remotos Entorno.2011,115, 1003–1012. [Referencia cruzada]
30. Oliveira, Urgencias; Disperati, L.; Alves, FL Un nuevo método (MINDED-BA) para la detección automática de áreas quemadas usando sensores remotos.
Sensores remotos2021,13, 5164. [Referencia cruzada]
31. Manual del usuario de Sentinel-2, ESA. 2015. Disponible en línea:https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_
User_Handbook(consultado el 6 de diciembre de 2021).
32. Falchi, U. Herramientas informáticas para la gestión de información geográfica multi-Representación.En t. J. Ing. Tecnología2017,7, 65–69. [Referencia
cruzada]
33. Servicio de Gestión de Emergencias de Copernicus. Dirección de Espacio, Seguridad y Migración, Centro Común de Investigación de la Comisión Europea
(EC JRC). Disponible en linea:https://emergencia.copernicus.eu(consultado el 6 de diciembre de 2021).
34. Pappalardo, G.; Imposa, S.; Barbano, MS; Grassi, S.; Mineo, S. Estudio de deslizamientos de tierra en el sitio arqueológico de la necrópolis de Abakainon (NE
de Sicilia) mediante investigaciones geomorfológicas y geofísicas.Derrumbes2018,15, 1279–1297. [Referencia cruzada]
35. Sciandrello, S.; D'Agostino, S.; Minissale, P. Análisis de la vegetación de la región de Taormina en Sicilia: un paisaje vegetal caracterizado por la
variabilidad geomorfológica y las influencias antropogénicas antiguas y recientes.Lázaroa2013,34, 151. [Referencia cruzada]
36. Congalton, RG Una revisión de la evaluación de la precisión de las clasificaciones de datos de detección remota.Sensores Remotos Entorno.1991,37, 35–46. [Referencia
cruzada]
37. Lewis, HG; Brown, M. Una matriz de confusión generalizada para evaluar estimaciones de área a partir de datos de detección remota.En t. J. Sensores Remotos.2001,22,
3223–3235. [Referencia cruzada]
38. Hasmadi, M.; Pakhriazad, HZ; Shahrin, MF Evaluación de técnicas supervisadas y no supervisadas para el mapeo de la cobertura terrestre usando datos de
teledetección.Geogr. malayos. J. Soc. Espacio2009,5, 1–10.
39. Silva, JMN; Pereira, JMC; Cabral, AI; Sa', LCA; Vasconcelos, MJP; Mota, B.; Gre'Goire, J.-M. Una estimación del área quemada en el sur de
África durante la estación seca de 2000 utilizando datos satelitales SPOT-VEGETATION.J. Geophys. Res.2003,108, 8498. [Referencia
cruzada]
40. Trigg, S.; Flasse, S. Una evaluación de diferentes espacios biespectrales para discriminar arbustos quemados-sabana.En t. J. Sensores Remotos. 2001,22,
2641–2647. [Referencia cruzada]
41. Schepers, L.; Haest, B.; Veraverbeke, S.; Spanhove, T.; Vanden Borré, J.; Goossens, R. Detección de áreas quemadas y evaluación de la gravedad de las quemaduras de un
incendio en un brezal en Bélgica mediante espectroscopia de imágenes aerotransportadas (APEX).Sensores remotos2014,6, 1803–1826. [Referencia cruzada]

42. Evangelides, C.; Nobajas, A. Índice de vegetación de diferencia normalizada de borde rojo (NDVI705) de imágenes Sentinel-2 para evaluar la regeneración posterior al
incendio.Aplicación de sensor remoto Soc. Reinar.2020,17, 100283. [Referencia cruzada]
43. Van Dijk, D.; Shoaie, S.; van Leeuwen, T.; Veraverbeke, S. Análisis de firma espectral de detección de área quemada de falso positivo de cosechas agrícolas
utilizando datos de Sentinel-2.En t. Aplicación J. Observación de la Tierra Geoinf.2021,97, 102296. [Referencia cruzada]
44. Gérard, F.; Plummer, S.; Wadsworth, R.; Sanfeliu, AF; Iliffe, L.; Balzter, H.; Wyatt, B. Detección de cicatrices de incendios forestales en el bosque boreal con
datos de vegetación puntual multitemporal.Trans. IEEE. Geosci. Sensores remotos2003,41, 2575–2585. [Referencia cruzada]
45. Wang, L.; Qu, JJ; Hao, X. Detección de incendios forestales utilizando el índice de sequía multibanda normalizado (NMDI) con mediciones satelitales.agricola
Para. Meteorol.2008,148, 1767–1776. [Referencia cruzada]
46. Huang, H.; Chen, Y.; Clinton, N.; Wang, J.; Wang, X.; Liu, C.; Zhu, Z. Mapeo de las principales dinámicas de cobertura terrestre en Beijing utilizando todas las imágenes
Landsat en Google Earth Engine.Sensores Remotos Entorno.2017,202, 166–176. [Referencia cruzada]
47. Suresh Babu, KV; Roy, A.; Aggarwal, R. Mapeo de la severidad quemada por incendios forestales utilizando los conjuntos de datos centinela.En t. Arco. Fotograma. Escupida de
sensores remotos. información ciencia2018,42, 5. [Referencia cruzada]
Sensores remotos2022,14, 1727 18 de 19

48. Kovacs, KD Evaluación de áreas quemadas con Sentinel-2 usando SNAP: El caso de Kineta y Mati, Grecia, julio de 2018.Geogr. tecnología 2019,14, 20–38. [
Referencia cruzada]
49. Pulvirenti, L.; Squicciarino, G.; Fiori, E.; Fiorucci, P.; Ferraris, L.; Negro, D.; Puca, S. Una cadena de procesamiento automático para el mapeo casi en tiempo
real de áreas forestales quemadas utilizando datos centinela-2.Sensores remotos2020,12, 674. [Referencia cruzada]
50. Lloréns, R.; Sobrino, JA; Helechoandez, C.; Helechoandez-Alonso, JM; Vega, JA Metodología para estimar áreas quemadas por incendios forestales y grados de severidad
de quemas utilizando datos de Sentinel-2. Aplicación a los incendios de octubre de 2017 en la Península Ibérica.En t. Aplicación J. Observación de la Tierra Geoinf.
2021,95, 102243. [Referencia cruzada]
51. McFeeters, SK El uso del índice de agua de diferencia normalizada (NDWI) en la delineación de características de agua abierta.En t. J. Sensores Remotos.1996
,17, 1425-1432. [Referencia cruzada]
52. Ip, F.; Dohm, JM; Panadero, VR; Dogget, T.; Davies, AG; Castaño, B.; Cichy, B. Desarrollo del clasificador de aguas de inundación ASE para imágenes de
hiperión EO-1.Planeta Lunar. ciencia2004,35, 1–2.
53. Sisodia, PS; Tiwari, V.; Kumar, A. Análisis de la clasificación de máxima verosimilitud supervisada para imágenes de teledetección. En Actas de la
Conferencia Internacional sobre Avances e Innovaciones Recientes en Ingeniería (ICRAIE-2014), Jaipur, India, 9 al 11 de mayo de 2014; págs. 1 a
4. [Referencia cruzada]
54. Schowengerdt, RATécnicas de Procesamiento de Imágenes y Clasificaciones en Teledetección; Prensa académica: Cambridge, MA, EE. UU., 2012.
55. Cingolani, AM; Renison, D.; Zak, MR; Cabido, MR Mapeo de la vegetación en una serranía heterogénea utilizando datos Landsat: Un método alternativo para
definir y clasificar las unidades de cobertura del suelo.Sensores Remotos Entorno.2004,92, 84–97. [Referencia cruzada]
56. Colwell, RNManual de Teledetección; Sociedad Estadounidense de Fotogrametría: Falls Church, VA, EE. UU., 1983.
57. Muñoz-Mari,j.; Bruzzone, L.; Camps-Valls, G. Un enfoque de descripción del dominio del vector de soporte para la clasificación supervisada de imágenes de
teledetección.Trans. IEEE. Geosci. Sensores remotos2007,45, 2683–2692. [Referencia cruzada]
58. Srivastava, PK; Mano.; Rico-Ramírez, MA; Bray, M.; Islam, T. Selección de técnicas de clasificación para la investigación de cambios en el uso del suelo/cobertura del
suelo.Adv. Resolución de espacio2012,50, 1250–1265. [Referencia cruzada]
59. Alcarás, E.; Amoroso, PP; Parente, C.; Prezioso, G. Clasificación rápida de imágenes de sensores remotos y producción de mapas temáticos inteligentes. En t. Arco.
Fotograma. Escupida de sensores remotos. información ciencia2021,46, 43–50. [Referencia cruzada]
60. Alcarás, E.; Errico, A.; Falchi, U.; Parente, C.; Vallario, A. Extracción de la costa a partir de imágenes satelitales ópticas y evaluación de la precisión.
En Actas del Taller internacional sobre R3 en geomática: investigación, resultados y revisión, Nápoles, Italia, 10 y 11 de octubre de 2019;
Springer: Cham, Suiza, 2019; págs. 336–349. [Referencia cruzada]
61. Arellano-Pmirez, S.; Ruiz-Gonzálezalez, AD;Alvarez-gonzalez, JG; Vega-Hidalgo, JA; Diaz-Varela, R.; Alonso-Rego, C. Mapeo de los niveles de severidad de
incendios de áreas quemadas en Galicia (NO de España) mediante imágenes Landsat y el índice dNBR: resultados preliminares sobre la influencia de
factores topográficos, meteorológicos y de combustible en el nivel más alto de severidad.Adv. Para. Fuego Res.2018,5, 1053. [Referencia cruzada]

62. Shimabukuro, YE; Dutra, AC; Arai, E.; Duarte, V.; Cassol, HLG; Pereira, G.; Cardozo, FDS Mapeo de áreas quemadas de la Amazonía brasileña del estado de
Mato Grosso utilizando conjuntos de datos multisensor.Sensores remotos2020,12, 3827. [Referencia cruzada]
63. Ponomarev, E.; Zabrodin, A.; Ponomareva, T. Clasificación de daños por incendios en los bosques boreales de Siberia en 2021 según el índice dNBR.Fuego
2022,5, 19. [Referencia cruzada]
64. Wang, WY; Colmillo, WH; Cai, GY; Nie, PJ; Liu, DX Detección de cambio de imagen y prueba estadística. Transacciones DEStech en informática e
ingeniería. En Actas de la Conferencia internacional de 2018 sobre estadísticas computacionales, de modelado, de simulación y matemáticas
(CMSMS 2018), Xi'an, China, 24 y 25 de junio de 2018; págs. 598–603. [Referencia cruzada]
65. Liu, T.; Yang, L.; Lunga, DD Hacia la detección de cambios tolerante al registro erróneo utilizando técnicas de aprendizaje profundo con análisis de imágenes
basado en objetos. En Actas de la 27.ª Conferencia Internacional ACM SIGSPATIAL sobre Avances en Sistemas de Información Geográfica, Chicago, IL, EE.
UU., 5 al 8 de noviembre de 2019; págs. 420–423. [Referencia cruzada]
66. Mallinis, G.; Gitas, IZ; Giannakopoulos, V.; Maris, F.; Tsakiri-Strati, M. Un enfoque basado en objetos para la delimitación de áreas de inundación en un área
transfronteriza utilizando datos ENVISAT ASAR y LANDSAT TM.En t. J. Dígito. Tierra2013,6, 124–136. [Referencia cruzada]
67. Veraverbeke, S.; Gancho, S.; Hulley, G. Un índice espectral alternativo para evaluaciones rápidas de la severidad del fuego.Sensores Remotos Entorno.2012, 123, 72–80. [
Referencia cruzada]
68. Tanasa, MA; Belenguer-Plomer, MA; Rotata, E.; Bastarrika, A.; Wheeler, J.; Helechoandez-carrillo,A.;Chuvieco, E. Detección y mapeo de áreas
quemadas: intercomparación de algoritmos basados en centinela-1 y centinela-2 en África tropical.Sensores remotos2020, 12, 334. [
Referencia cruzada]
69. Sánchez, AH; Picoli, MCA; Cámara, G.; Andrade, PR; Chaves, MED; Lechler, S.; Queiroz, GR Comparación de algoritmos de detección de
nubosidad en imágenes centinela-2 de la selva amazónica.Sensores remotos2020,12, 1284. [Referencia cruzada]
70. Epting, J.; Verbyla, D.; Sorbel, B. Evaluación de índices de detección remota para evaluar la gravedad de las quemaduras en el interior de Alaska usando
Landsat TM y ETM+.Sensores Remotos Entorno.2005,96, 328–339. [Referencia cruzada]
71. Nasr, M.; Zenati, H.; Dhieb, M.Uso de RS y GIS para cartografiar la cobertura terrestre de Cap Bon (Túnez). Teledetección Ambiental y SIG en
Túnez; Springer: Cham, Suiza, 2021; págs. 117–142. [Referencia cruzada]
72. Cuento, M.; Congalton, RG Evaluación de la precisión: la perspectiva de un usuario.Fotograma. Ing. Sensores remotos1986,52, 397–399.
73. Dibs, H.; Hasab, HA; Al-Rifaie, JK; Al-Ansari, N. Un enfoque óptimo para el mapeo del uso de la tierra/cobertura de la tierra mediante la integración y fusión de imágenes
multiespectrales landsat OLI: estudio de caso en Bagdad, Irak.Contaminación del suelo del aire del agua.2020,231, 488. [Referencia cruzada]
74. Liu, C.; Frazier, P.; Kumar, L. Evaluación comparativa de las medidas de precisión de la clasificación temática.Sensores Remotos Entorno. 2007,107, 606–616. [
Referencia cruzada]
Sensores remotos2022,14, 1727 19 de 19

75. Mpakairi, Kansas; Ndaimani, H.; Kavhu, B. Explorando la utilidad de los índices espectrales derivados de Sentinel-2 MSI en el mapeo de áreas quemadas en diferentes
tipos de cobertura terrestre.ciencia Afr.2020,10, e00565. [Referencia cruzada]
76. Abdikán, S.; Bayik, C.; Sekertekin, A.; Bektas Balcik, F.; Karimzadeh, S.; Matsuoka, M.; Balik Sanli, F. Detección de áreas quemadas utilizando datos
SAR, ópticos y térmicos multisensor en bosques de pino mediterráneo.Bosques2022,13, 347. [Referencia cruzada]
77. Dixon, DJ; Callow, JN; Duncan, JM; Setterfield, SA; Pauli, N. Mapeo de la gravedad del fuego a escala regional de los bosques de eucaliptos con el archivo
Landsat.Sensores Remotos Entorno.2022,270, 112863. [Referencia cruzada]
78. Estiba, D.; Petersen, A.; Rogan, J.; Franklin, J. Mapeo de la gravedad de las quemaduras de la vegetación de tipo mediterráneo utilizando datos multiespectrales satelitales.Sentidos
remotos de Giscience.2007,44, 1–23. [Referencia cruzada]