Estimacin del contenido de agua del combustible mediante el uso de redes neuronales artificiales

Luis Usero(1)(2)
luis.usero@uah.es lusero@cstars.ucdavis.edu

David Riao(1)(3)
driano@ucdavis.edu

Pablo Zarco(4)
pzarco@ias.csic.es

Susan Ustin(1)
susan@cstars.ucdavis.edu

david.riano@uah.es

1 Center for Spatial Technologies and Remote Sensing, U. California. One Shields Ave. 95616-8617 Davis, CA. (USA). 2 Dpto. de Ciencias de la Computacin. Campus Universitario. E-28871 Alcal de Henares, Madrid. (Spain). 3 Dpto. de Geografa, U. de Alcal. Colegios 2. E-28801 Alcal de Henares, Madrid. (Spain) 4 Instituto de Agricultura Sostenible (IAS) Consejo Superior de Investigaciones Cientficas (CSIC) Crdoba Spain

Resumen
El contenido de agua del combustible es una de las componentes ms importantes para determinar el inicio y propagacin del incendio. En el presente trabajo, hemos usado redes neuronales artificiales (RNA) para estimar el contenido equivalente de agua (CEA) a nivel de hoja a partir de la reflectividad y transmisividad obtenida mediante un modelo de transferencia radiativa PROSPECT. Los datos fueron remuestreados para que coincidieran con las bandas del AVIRIS. En el proceso de aprendizaje se han utilizado el 7% de los datos (1000 espectros) y el resto para validacin (14000 espectros). Las estimaciones del CEA para la validacin habiendo entrenado solo con mil espectros fueron muy buenos, con un ndice de correlacin (r2=0.974), lo que nos confirma que la funcin de aproximacin con la red neuronal nos permitir utilizarla en pruebas de campo con muestras reales. Palabras clave Contenido equivalente de agua, peligro de incendio, redes de neuronas artificiales, PROSPECT, AVIRIS.

1. Introduccin
El contenido de agua de la vegetacin condiciona la probabilidad de incendio, ya que cuanto ms seca est la vegetacin aumenta la posibilidad de incendio y su propagacin [1]. El contenido de agua se suele medir directamente tomando muestras de campo. Esto requiere demasiado trabajo. El uso de sensores remotos

para medir las propiedades espectrales de las hojas nos ofrece indirectamente la posibilidad de estimar la distribucin espacial y temporal del contenido de agua. El estrs hdrico provoca cambios en la reflectividad y transmisividad espectral de las hojas [2]. Los modelos de transferencia radiativa nos muestran que medidas espectrales estn relacionadas con el contenido equivalente de agua (CEA), que es el contenido de agua por unidad de rea [3-5]. Para conocer las propiedades espectrales de esta variable bioqumica se han usado diferentes instrumentos con diferentes escalas de medida: Espectrofotmetro con el que se realiza la estimacin de constituyentes bioqumicos a nivel de hoja tras extraccin con disolventes (fig 1) [4, 6]. El Espectroradimetro de campo que mide las propiedades del dosel de vegetacin en un solo espectro haciendo un promedio de todo el campo visual (Fig. 2) [6]. Los sensores hiperespectrales ubicados en plataformas aerotransportadas que nos dan informacin acerca de las propiedades espectrales de la vegetacin (Fig. 3) [7, 8]. Las imgenes de satlite hiperespectrales y multiespectrales que nos proporcionan las propiedades espectrales de la vegetacin a varias escalas espaciales y temporales y pueden servir para determinar el riesgo de incendio no solo a nivel local, sino a escala regional o global (Fig. 4) [9-12].

Figura 1.

Ejemplo de espectrofotmetro. Perkin-Elmer Lambda-19, rango espectral 250 2500 nm con una ranura de 1.00 nm de ancho. (www.grc.nasa.gov/WWW/epbranch/OpticalProps/lambda.htm)

Figura 2.

Ejemplo de espectroradimetro de campo. ASD, FieldSpec ProFR con un rango espectral de 350 2500 nm y con una ranura de 3 y 10 nm de ancho. (www.asdi.com/products_specifications-FSP.asp)

Figura 3.

Ejemplo de sensor hiperespectral en avin. Espectrmetro de imagen visible infrarrojo avanzado rango espectral entre 380 2500 nm y una ranura de 10 nm de ancho y una resolucin espacial entre 4 y 20 metros dependiendo de la altitud de vuelo. (aviris.jpl.nasa.gov/)

Figura 4.

Ejemplo de imagen satlite hiperespectral. Espectrmetro de imagen de resolucin moderada (MODIS). 36 bandas, rango espectral entre 405 y 14385 nm con una ranura de 20 nm de ancho, dependiendo de las bandas. Resolucin espacial desde 250 hasta 1000 metros dependiendo de las bandas (www.latuv.uva.es/modisql/)

Reflectancia (210 neuronas) de entrada

Transmitancia (210 neuronas de salida)

Capa de entrada

Capa oculta (290 neuronas)

Capa de salida CEA / CMS

Figura 5.

Arquitectura del modelo neuronal con base radial.

Mediante el uso de medidas espectrales hemos trabajado con diferentes mtodos para extraer el contenido de agua. Un posible camino para estimar el contenido de agua es hacer pruebas empricas usando regresiones lineales basadas en ratios de banda [9, 10, 13-15]. Este mtodo nos ofrece un modelo de precisin conocida pero necesita ser recalibrado de nuevo para cada rea de estudio diferente. Los modelos de transferencia radiativa nos ofrecen un modelo fsico de estimacin de CEA [6, 12, 16, 17]. Esta tcnica esta basada en la informacin del espectro completo y no solo en algunas bandas. Podemos extrapolar el mtodo fsico a otras zonas de estudio, utilizando diferentes modelos si cambia el tipo de vegetacin. Por otro lado la inversin de estos modelos para obtener CEA requiere mucho tiempo de computacin, lo cual dificulta su uso para imgenes completas. El trabajo que aqu presentamos busca la estimacin de CEA usando Redes Neuronales Artificiales (RNA) partiendo de datos generados mediante el modelo de transferencia radiativa de hoja PROSPECT [3, 6]. Esta aproximacin ha sido satisfactoria para estimar el ndice de rea foliar [18] y tiene la ventaja que puede ser entrenada la red con un amplio rango de muestras de vegetacin, incluso valores reales, adems de poder ser aplicado a la imagen completa. Las RNA pueden ser utilizadas como

una funcin universal de aproximacin [19], donde se demuestra que bajo ciertas condiciones las RNA pueden aproximar cualquier funcin. Esto nos proporciona una sustancial ventaja frente a los modelos de prediccin estadsticos tradicionales, donde la relacin entre los datos de entrada y salida de la red es no lineal con significativas, y complejas, interacciones entre ambos.

2. Mtodos
En nuestro trabajo, hemos utilizado las bandas del sensor AVIRIS y diseado un modelo neuronal tomando datos del modelo fsico. Se dise un modelo neuronal con objeto de estimar los ndices CEA a partir de valores de reflectancia y transmitancia. Se generaron 15000 muestras con el modelo PROSPECT, eligindose aleatoriamente 1000 espectros para entrenar la red y 14000 espectros para validar los resultados, utilizando los siguientes rangos: Numero de capas (N). Inicial: 1 Salto: 0.6 Final: 4 Clorofila(cab): Inicial: 10 Salto: 20

Final: 90

Contenido de agua(cw): Inicial: 0.001 Salto: 0.001 Final: 0.05 Contenido de Materia Seca(CMS): Inicial: 0.001 Salto: 0.002 Final: 0.02

una de las neuronas implementa una funcin radial (normalmente gaussiana) sobre una porcin del espacio de entrada de la red. La capa de salida es una combinacin lineal de estas gaussianas y se demuestra que con ellas como base se puede reconstruir cualquier tipo de funcin. En nuestra experimentacin hemos utilizado la Neural Network Toolbox de Matlab para el desarrollo de las redes neuronales, as como para los programas especficos para la manipulacin de datos. El modelo neuronal diseado posee 290 neuronas en la capa oculta y una neurona de salida (figura 5). El error mnimo permitido durante la fase de aprendizaje ha sido 0.001 y el radio de las funciones radiales de la capa oculta de 0.35. Los datos se dividieron en dos conjuntos: aprendizaje y validacin. El 7% de los datos (1000 espectros) fueron usados para el proceso de aprendizaje de la red neuronal y el resto para validacin (14000 espectros).

Los datos de reflectividad y transmisividad obtenidos por medio del modelo de transferencia radiativa PROSPECT fueron remuestreados a 210 de las 224 bandas del sensor AVIRIS. Las otras 14 bandas no se utilizaron ya que normalmente contienen alto nivel de ruido por absorcin total de agua. Se utiliz este sensor para simular este tipo de estimaciones por su alta resolucin espectral y amplia utilizacin en teledeteccin. Se utilizaron 210 valores de reflectancia y 210 valores de transmitancia, teniendo un total de 420 variables de entrada, y 290 neuronas en la capa oculta. Entre la multitud de arquitecturas de RNA, hemos elegido una red neuronal con base radial (Radial basis function networks - RBFN). Las RBFN son una de las aportaciones ms recientes en la investigacin sobre redes neuronales. Fueron creadas por Moody y Darken [20], cuyo principal objetivo era reducir el tiempo de aprendizaje de las redes multicapa tradicionales. A diferencia de las multicapa tradicionales, slo tienen tres capas (entrada, oculta y salida). Igual que ellas son perfectas funciones de aproximacin. La gran diferencia se encuentra en su capa oculta. Cada

3. Resultados
Las estimaciones de CEA en entrenamiento tienen un error cuadrtico (r2=0.996) (figura 6). Las estimaciones de validacin habiendo entrenado solo con mil espectros son muy buenos con un (r2=0.974) (figura 7) lo que sugiere que la funcin de aproximacin con la red neuronal nos permitir utilizarla potencialmente en pruebas de campo con muestras reales.

Figura 6.

Estimaciones de CEA en entrenamiento

Figura 7.

Estimaciones de CEA en validacin.

Referencias

USDA Forest Service, Ogden, Utah GTR INT-167, 1984. [2] S. L. Ustin, S. Jacquemoud, P. J. Zarco-Tejada, and G. Asner, "Remote Sensing of Environmental Processes: State of the Science and New Directions," in Manual of Remote Sensing Vol. 4.

[1] R. E. Burgan and R. C. Rothermel, "BEHAVE: Fire Behavior Prediction and Fuel Modeling System. Fuel Subsystem,"

Remote Sensing for Natural Resource Management and Environmental Monitoring, S. L. Ustin, Ed. New York: ASPRS. John Wiley & Sons, Incorporated, 2004, pp. 679-730. [3] S. Jacquemoud and F. Baret, "Prospect - a Model of Leaf OpticalProperties Spectra," Remote Sensing of Environment, vol. 34, pp. 75-91, 1990. [4] P. Ceccato, N. Gobron, S. Flasse, B. Pinty, and S. Tarantola, "Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1 Theoretical approach," Remote Sensing of Environment, vol. 82, pp. 188-197, 2002. [5] F. M. Danson and P. Bowyer, "Estimating live fuel moisture content from remotely sensed reflectance," Remote Sensing of Enviroment, vol. 92, pp. 309-321, 2004. [6] D. Riao, P. Vaughan, E. Chuvieco, P. J. Zarco-Tejada, and S. L. Ustin, "Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content. Analysis at leaf and canopy level," IEEE Transactions on Geoscience and Remote Sensing, vol. 43, pp. 819-826, 2005. [7] S. L. Ustin, D. S. Roberts, J. Pinzn, S. Jacquemoud, M. Gardner, B. Scheer, C. M. Castaeda, and A. PalaciosOrueta, "Estimating canopy water content of chaparral shrubs using optical methods," Remote Sensing of Environment, vol. 65, pp. 280-291, 1998. [8] L. Serrano, S. L. Ustin, D. A. Roberts, J. A. Gamon, and J. Peuelas, "Deriving Water Content of Chaparral Vegetation from AVIRIS Data," Remote

Sensing of Environment, vol. 74, pp. 570581, 2000. [9] E. Chuvieco, D. Riao, I. Aguado, and D. Cocero, "Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment," International Journal of Remote Sensing, vol. 23, pp. 21452162, 2002. [10] E. Chuvieco, D. Cocero, D. Riao, P. Martin, J. Martnez-Vega, J. de la Riva, and F. Prez, "Combining NDVI and Surface Temperature for the estimation of live fuels moisture content in forest fire danger rating," Remote Sensing of Environment, vol. 92, pp. 322-331, 2004. [11] E. Chuvieco, I. Aguado, D. Cocero, and D. Riao, "Design of an Empirical Index to Estimate Fuel Moisture Content from NOAA-AVHRR Analysis In Forest Fire Danger Studies," International Journal of Remote Sensing, vol. 24, pp. 1621-1637, 2003. [12] P. J. Zarco-Tejada, C. A. Rueda, and S. L. Ustin, "Water content estimation in vegetation with MODIS reflectance data and model inversion methods," Remote Sensing of Environment, vol. 85, pp. 109-124, 2003. [13] G. W. Paltridge and J. Barber, "Monitoring grassland dryness and fire potential in Australia with NOAA/AVHRR data," Remote Sensing of Environment, vol. 25, pp. 381-394, 1988. [14] M. A. Chladil and M. Nunez, "Assessing grassland moisture and biomass in Tasmania. The application of remote sensing and empirical models for a cloudy environment," International

Journal of Wildland Fire, vol. 5, pp. 165171, 1995. [15] C. C. Hardy and R. E. Burgan, "Evaluation of NDVI for monitoring live moisture in three vegetation types of the Western U.S.," Photogrammetric Engineering and Remote Sensing, vol. 65, pp. 603-610, 1999. [16] S. Jacquemoud, S. L. Ustin, J. Verdebout, G. Schmuck, G. Andreoli, and B. Hosgood, "Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model," Remote Sensing of Environment, vol. 56, pp. 194-202, 1996. [17] T. Fourty and F. Baret, "Vegetation water and dry matter contents estimated from top-of-the atmosphere reflectance data: a simulation study," Remote Sensing of Environment, vol. 61, pp. 34-45, 1997. [18] F. M. Danson, C. S. Rowland, and F. Baret, "Training a neural network with a canopy reflectance model to estimate crop leaf area index," International Journal Of Remote Sensing, vol. 24, pp. 4891-4905, 2003. [19] T. Poggio and F. Girosi, "A theory of networks for approximation and learning," MIT, Cambridge, MA Technical Report AI 1140, 1989. [20] J. Moody and C. J. Darken, "Fast learning in networks of locally-tuned processing units," Neural Computation, vol. 1, pp. 281-294, 1989.