Generation of fuel type maps from Landsat TM images and ancillary data in Mediterranean ecosystems

Abstract

This paper presents methods to generate fuel type maps from remote sensing data at a spatial and temporal scale adequate for operational fire management applications. Fuel type maps account for structural characteristics of vegetation related to fire behaviour and fire propagation. A fuel type classification system adapted to the ecological characteristics of the European Mediterranean basin was adopted for this study. The Cabañeros National Park (in central Spain) area was selected for testing and validating the methods. Fuel type maps were derived from two Landsat TM satellite images and digital elevation data. Atmospheric and topographic corrections of the satellite images were performed to reduce spectral variability. A sensitivity analysis was carried out to determine the most appropriate bands for fuel type mapping. The final classification was checked by an intense field survey, the final classification accuracy being estimated at 83%. The main problem was discriminating among those fuel types that differ only in vegetation height or composition of the understory layer. The mean mapping accuracy was 15 m (0.6 pixels), and no areal discrepancy or boundary displacement with vegetation maps was apparent.Résumé : Cet article présente des méthodes pour générer des cartes de types de combustible à partir de données de té-lédétection à des échelles spatiale et temporelle adéquates pour être utilisées dans la gestion opérationnelle des feux. Les cartes de types de combustible tiennent compte des caractéristiques structurales de la végétation en lien avec le comportement et la propagation du feu. Un système de classification des types de combustible adapté aux caractéristi-ques écologiques du bassin de la Méditérannée européenne a été adopté pour cette étude. La région du parc national Cabañeros (dans le centre de l'Espagne) a été choisie pour tester et valider les méthodes. Les cartes de types de combustible ont été produites à partir de deux images satellitaires Landstat capteur TM et de données digitales d'altitude. Les images satellitaires ont été corrigées pour tenir compte des conditions atmosphériques et topographiques afin de ré-duire la variabilité spectrale. Une analyse de sensibilité a été effectuée pour déterminer quelles bandes sont les plus appropriées pour cartographier les types de combustible. La classification finale a été vérifiée par un inventaire intensif sur le terrain et sa précision a été estimée à 83 %. La principale difficulté consiste à distinguer les types de combustible qui diffèrent seulement par la hauteur ou la composition de la végétation de sous-étage. La précision moyenne de la cartographie est de 15 m (0,6 pixels) et aucune divergence dans la superficie ni modification des contours ne sont apparentes comparativement aux cartes de végétation.[Traduit par la Rédaction] Riaño et al. 1315

Fire models and methods to map fuel types: The role of remote sensing

“…Fuel types are therefore described according to the spatial distribution of these three major groups. Fire behaviour is then modelled by taking into account fuel height and density (Riano et al, 2002). This classification system comprises seven fuel types (Fig.…”

Characterizing and mapping forest fire fuels using ASTER imagery and gradient modeling

“…Fires burning in the crown fuel strata are often extremely intense and nearly impossible to control (Pyne et al, 1996). Since fuel stratum relationships are extremely complex, fire managers often describe fuels by grouping vegetation communities, based upon similar potential fire behavior, into fuel types (Riano et al, 2002) or fuel models (e.g. National Forest Fire Laboratory (NFFL 1-13) (Anderson, 1982).…”

“…Wilson et al (1994) applied maximum likelihood decision rules to a Landsat MSS image to directly classify fuel types across Wood Buffalo National Park, Canada. Riano et al (2002) improved a fuel type classification by incorporating two seasonal Landsat TM images, to account for phenological differences in vegetation, into a classification algorithm. Remotely sensed hyperspectral data have also been used to map fuel types and vegetation moisture content for a chaparral community in Southern California (Roberts et al, 1998;Roberts et al, 2003).…”

Generation of a global fuel data set using the Fuel Characteristic Classification System

“…Fuel types are frequently created to account for the vegetation characteristics of a particular region, such as the case of the fuels created for Southeast Asia (Dymond et al, 2004), or for the Mediterranean ecosystems (PROMETHEUS S.V. Project, 1999;Riaño et al, 2002). When fuel types are used as input to fire behavior models they are converted to fuel models, which include the specific parameters necessary to run fire simulation programs.…”