TECNOLOGÍA LIDAR COMO FUENTE DE DATOS PARA LA PREVENCIÓN DE LOS INCENDIOS EN LA INTERFAZ URBANO FORESTAL

A. Badia Perpinyà y M. Gisbert Traveria

Departamento de Geografía/Facultad de Filosofía y Letras/Universitat Autònoma de Barcelona. Fortuna s/n, 08193 Cerdanyola del Vallès. anna.badia@uab.cat , meritxell.gisbert@uab.cat

RESUMEN

La tecnología LiDAR se ha convertido en una herramienta de obtención de datos de alta resolución espacial muy eficaz en estudios planificación y gestión forestal. El presente trabajo tiene como objetivo aplicar la tecnología LiDAR (Light Detection and Ranging o Laser Imaging Detection and Ranging) para identificar la estructura forestal en la interfaz urbano forestal (IUF) a efectos de prevención de incendios forestales. Son las actuaciones proactivas, y no las reactivas, las que permiten avanzar en el campo de la prevención de incendios. La combinación de las distintas capas obtenidas, altitud de la cubierta, densidad de la copa, tamaño del combustible, continuidad y disposición vertical, y horizontal del combustible y la carga de combustible en el sotobosque, permite priorizar las áreas de intervención por parte de las administraciones y establecer los requerimientos apropiados a los propietarios. Para explorar como la tecnología LiDAR es un campo con enormes posibilidades en la planificación y la gestión de los incendios forestales, se ha escogido un municipio de la Región Metropolitana de Barcelona donde conjugan IUF y un espacio natural protegido altamente frecuentado. Los resultados demuestran que, en ocasiones, la clasificación de los puntos LiDAR no es del todo precisa por lo que es necesario complementar la interpretación con trabajo de campo.

Palabras clave: Modelos digitales del terreno, gestión forestal, incendios forestales.

ABSTRACT

LiDAR technology has become a tool that obtains high resolution spatial data, which is very effective in forest planning and management studies. The objective of the current project is to apply LiDAR technology (Light Detection and Ranging or Laser Imaging Detection and Ranging) in order to identify the structure of the forest in the wildland urban interface (WUI) to prevent forest fires. Actually, proactive actions, not reactive, help to improve the field of fire prevention. The combination of the different obtained layers, height of the forest, crown density, fuel size, continuity and vertical and horizontal layout of fuel and finally the underbrush fire load allow institutions to prioritize the areas of intervention and to establish the appropriate requirements for the owners. A municipality in the area around Barcelona was selected to explore how LiDAR technology has great possibilities regarding the planning and management of forest fires. In this municipality, both WUI and a protected natural space, which is a very frequented place, can be found. Results show that sometimes the classification of LiDAR points is not exactly precise and it is therefore necessary to complement the interpretation with field work.

Keywords: Digital Elevation Model, forest management, forest fires.

1. INTRODUCCIÓN

Los incendios en la interfaz urbano forestal (IUF) han despertado un gran interés, especialmente a partir de la década de los años 90 del siglo XX, debido a las graves consecuencias sociales, económicas y ambientales que ocasionan. El papel del fuego como regulador de los usos del suelo con el fin de reducir la masa forestal continua o para ganar tierras de cultivo es incuestionable (Vélez, 1986; Pausas et al. 2009). A pesar de ello, la

1

dispersión urbana hacia terrenos forestales lo ha convertido en un enemigo de primera magnitud que afecta una población que ha ido construyendo sus casas en terrenos forestales o muy próximos a ellos. Los incendios en la IUF presentan distintos desafíos y retos que han sido tratados desde distintas líneas de investigación: la definición de la IUF (Vince et al. 2005; Stewart et al. 2007), la identificación de tipologías de interfaz (Caballero et al. 2007; Galiana et al. 2011), el análisis de los cambios en los usos y cubiertas del suelo (Butsic et al. 2015; Badia et al. 2014), la percepción del riesgo (Champ et al. 2013; Badia y Valldeperas, 2015), las tecnologías de la información geográfica para la prevención y extinción (Chuvieco et al. 2004). Es precisamente esta última línea de investigación la que ha motivado el trabajo que se presenta a continuación.

Las tecnologías de la información geográfica han tenido un papel fundamental en el conocimiento del comportamiento de los incendios forestales a distintas escalas territoriales. Facilitan la captación de gran cantidad de datos y de distintos tipos, y el manejo a gran velocidad de los mismos. Es por ello que son una herramienta imprescindible para que la administración gestione de forma más eficaz la prevención de los incendios. Los enormes avances tecnológicos en la captación de gran cantidad y calidad de datos procedentes de teledetección han facilitado la producción de datos de gran precisión. El presente trabajo tiene como objetivo aplicar la tecnología LiDAR para obtener información precisa sobre la estructura del combustible. De esta forma es posible identificar y evaluar las características de la vegetación de una zona, prever el daño que puede ocasionar un incendio potencial en aquella zona y planificar programas de reducción del riesgo (Yebra, et al. 2015). La investigación que se presenta forma parte de un proyecto más ambicioso que pretende crear un mapa (o mapas) que clasifique un municipio de la Región Metropolitana de Barcelona (Matadepera) en función de la peligrosidad de las parcelas según la estructura forestal del territorio. En este caso se han seleccionado cuatro hojas LiDAR como prueba piloto, de las 14 que cubren la totalidad del municipio, para diseñar la metodología que permitirá elaborar el mapa o mapas finales, de las que se aportan unos primeros resultados generales. Además, se ha realizado un estudio más detallado en tres parcelas del municipio incluidas en una de las hojas.

2. TECNOLOGÍA LIDAR PARA LA IDENTIFICACIÓN DE LA ESTRUCTURA DEL COMBUSTIBLE

La tecnología LiDAR genera modelos tridimensionales (3D) de un objetivo a partir de la emisión de pulsos de luz. Se trata de “un sensor óptico activo que transmite rayos láser hacia un objetivo mientras se mueve a través de rutas de topografía específicas” (ArcMap, 2018). El reflejo del láser del objetivo lo detectan y analizan los receptores en el sensor LiDAR y producen mediciones exactas en X, Y y Z. Los datos que captan son la distancia des del sensor a cualquier objeto o superficie mediante láser. Esta distancia al objeto se determina midiendo el tiempo de retraso entre la emisión del pulso y su detección a través de la señal reflejada. Un pulso puede tener varias devoluciones en función de varios objetos que detecte hasta llegar al suelo. Además de esta información cada pulso se clasifica según el rebote sobre el objeto, asignando una de las clases definidas en el ASPRS (Accuracy Standards for Digital Geospatial Data): 0 (nunca clasificado), 1 (no asignado), 2 (suelo), 3 (vegetación baja), 4 (vegetación media), 5 (vegetación alta), 6 (edificio), 7 (punto bajo), 8 (reservado), 9 (agua), 10 (ferrocarril), 11 (carretera), 12 (reservado), 13 (protector de cable), 14 (conductor de cable), 15 (torre de transmisión), 16 (conector de la estructura de cables –aislante-), 17 (plataforma del puente), 18 (ruido alto), 19-63 (reservado) y 64-255 (definido por el usuario). Por lo tanto, cada punto de LiDAR contiene la siguiente información: intensidad, número de devoluciones, clasificación de puntos, borde de la línea de vuelo, RGB, tiempo del GPS, ángulo de escaneo y dirección de escaneo.

La tecnología LiDAR tiene distintas aplicaciones: como alternativa a la toma de datos para la generación de Modelos Digitales del Terreno (MDT) (Lee y Younan, 2003); para la agricultura

2

de precisión (Koenig, et al. 2015); para la cartografía de zonas inundables (Raji et al. 2011); la clasificación de los usos del suelo en paisajes rurales (Buján et al. (2013); etc. Pero una de las aplicaciones de la tecnología LiDAR más extendida trata de determinar la estructura de la vegetación, lo que permite una mejora en las actuaciones de gestión forestal (Zimblea et al. 2003; Hawbaker, T.J., 2009). En este sentido, la identificación de la densidad de combustible de la cubierta forestal es uno de los principales objetivos para medir el peligro de incendios (Price y Gordon, 2016; Peterson et al. 2015); En el campo de los incendios forestales, la tecnología LiDAR permite la detección de los mismos (Utkin, 2002); la identificación de zonas de seguridad de los equipos de extinción (Denninson, et al. 2014); la prevención de los incendios a partir de la mapificación del riesgo (González-Olabarria et al. 2012); la identificación de la IUF (McNamara, 2006); la identificación y caracterización de las masas forestales y la clasificación de las edificaciones de la IUF en función del riesgo (Robles, 2016; Rosa y Stow, 2014).

3. ÁREA DE ESTUDIO

Se ha seleccionado como área de estudio un municipio de la Región Metropolitana de Barcelona, Matadepera, con una superficie de 24 km2, una población de más de 9.000 habitantes en 2017 (IDESCAT) y 354,3 hab/km2, se encuentra a una distancia de aproximadamente 30 km de la ciudad de Barcelona y aproximadamente a unos 3-5 km de dos grandes ciudades como son Sabadell y Terrassa (con 200.000 habitantes cada una) (figura 1). Las características principales del municipio son, por un lado, su elevada superficie dentro del parque natural de Sant Llorenç del Munt i la Serra de l’Obac, uno de los primeros parques naturales que se declararon en Catalunya; por el otro, el crecimiento sostenido de la población durante las últimas cuatro décadas, crecimiento que se ha dado en base a la construcción de viviendas unifamiliares dando lugar a una estructura horizontal de la urbanización.

Figura 1: Localización del municipio de Matadepera

4. MATERIALES I MÉTODOS

4.1 Fuentes de datos

Los datos para llevar a cabo el presente estudio proceden de dos fuentes distintas:

a) Los datos LiDAR se han descargado a partir de la web del Institut Cartogràfic i Geològic de Catalunya (ICGC, www.icgc.cat). Las características principales de estos datos son: densidad mínima de puntos 0,5 puntos/m2, cubre toda Catalunya en distintas fechas (2008

3

y 2011), cada punto LiDAR lleva asociada la fecha del vuelo (dd/mm/aaaa) en que fue registrado y el tiempo GPS absoluto. Los datos se distribuyen por bloques de 2 x 2 km, en formato LAS comprimido (ICGC, 2018). Las cuatro hojas LiDAR con las que se ha trabajado para el presente estudio son: 416606, 416608, 418606 y 418608. Todas ellas, pertenecen a un vuelo realizado entre marzo-abril de 2010.

b) El parcelario procede de la cartografía catastral. La Dirección General del Catastro ofrece la posibilidad de descargar cartografía catastral de manera gratuita. Para ello es necesario acceder a la Sede electrónica del Catastro y disponer del Certificado electrónico o DNI electrónico.

4.2 Metodología

La identificación y la clasificación de la cubierta vegetal con datos LiDAR es de gran interés en los estudios de prevención y extinción de incendios forestales. Para realizar una investigación en este campo, es necesario disponer de: la altura de la vegetación y la cobertura horizontal y vertical de la masa forestal. La cobertura horizontal de la vegetación se define con la Fracción de Cabida Cubierta (FCC), es decir la proporción del suelo que está cubierto por la proyección vertical de las copas de los árboles (IGN, 2018).

La Figura 2 muestra el procedimiento seguido para la descarga, proceso y generación de datos a partir de LiDAR. Para conocer la altura de la vegetación a través de datos LiDAR, el primer paso a realizar es la generación de un MDT con la clase 2 (Ground) y de un MDS con las clases 3, 4 y 5 (low vegetation, medium vegetation y high vegetation). La aplicación de la diferencia entre estos dos rásters (MDS-MDT) da como resultado otro ráster con la altura de la vegetación (MDAD). Antes de realizar una reclasificación de los datos es importante eliminar aquellos píxeles que tengan un valor < 0,4 m al considerarse errores asociados a la elevación del suelo (Marino, et al. 2016). Con estos datos es posible realizar la reclasificación de valores siguiente: matorral (0,4 – 4 m) y arbolado (> 4 m) (Price y Gordon, 2016). Es importante destacar que, en otros estudios, la cobertura de combustible se ha cuantificado en tres estratos de propagación: 0,5-2m, 2-15m y >15m (IGN, 2018). Después de valorar ambas opciones, se ha considerado que los estratos de vegetación que más se adaptan al ámbito de estudio son: 0,4 a 4 metros para el matorral y de 4 a 20 metros para el arbolado.

La cobertura horizontal de la vegetación se obtiene mediante el cálculo del número de píxeles o el porcentaje de primeros retornos, de la clase vegetación, que quedan dentro de cada unidad territorial objeto de estudio, en nuestro caso parcelas. Mediante las herramientas de estadísticas zonales se ejecuta un conteo del número total de píxeles que se ha detectado en cada parcela. Así pues, aplicando la siguiente fórmula se puede determinar la FCC de cada parcela:

(pv∗r )∗100stp

donde, pv son los píxeles de vegetación, r es la resolución y stp es la superficie total de parcela.

Es importante destacar, que este mismo cálculo se puede realizar por las categorías establecidas anteriormente (matorral y arbolado).

Finalmente, para conocer la cobertura vertical o la Canopy Relief Ratio de la masa forestal se puede calcular según la varianza de las alturas (Zimble et al. 2003), según la desviación estándar o según el coeficiente de variación (Maier et al. 2008). El presente trabajo ha optado por el análisis del porcentaje de píxeles de cada intervalo de altura. De este modo, tal y como

4

expone el Informe Técnico del Instituto Geográfico Nacional, se puede definir la estructura vertical de la vegetación de la siguiente manera:

Único estrato de vegetación: si el porcentaje de píxeles de un intervalo de altura supera el 60% y ningún otro tiene un porcentaje superior al 20%.

Dos estratos de vegetación: si el porcentaje de píxeles de dos intervalos es superior al 30% o uno con el 50% y otro con el 20%.

Tres o más estratos de vegetación: si el porcentaje de píxeles de tres intervalos es superior al 20%.

Figura 2: Flujo de trabajo para identificar y clasificar la cubierta vegetal

5. ANÁLISIS Y DISCUSIÓN DE LOS RESULTADOS

A partir del análisis del MDAD se genera la FCC y el Canopy Relief Ratio, es decir la estructura horizontal y vertical de la vegetación. Conocer estos dos parámetros permite crear una clasificación de gran relevancia en la prevención de los incendios. De esta forma es posible detectar aquellas áreas con un potencial inflamable más elevado.

A partir del análisis del conjunto de las cuatro hojas objeto de estudio, se observa que la FCC es del 64,3%, siendo la de 0,4 a 4 metros un 20,2% y la de 4 a 20 metros un 44,1%. En cuanto a la composición vertical de la vegetación, se puede concluir que estaría definida por dos estratos de vegetación, ya que el 31,5% de los píxeles son de vegetación entre 0,4 y 4 metros y el 68,52% de 4 a 20 metros. En relación al análisis a escala de detalle de las tres parcelas, se pueden observar pequeñas diferencias en la FCC (tabla 1 y figura 3). La parcela con mayor FCC es la 8168601, concentrando el mayor número de pulsos la vegetación de 4 a 20 metros. A la vez, la parcela 8368401 es la que tiene mayor FCC en el estrato de vegetación de matorral. Esto nos determina una importante carga de combustible en el sotobosque en esta última parcela y, por tanto, un alto grado de peligrosidad para los incendios forestales.

Parcela FCC 0,4 a 4m FCC 4 a 20 m FCC total8168606 6,86 34,3 41,168168601 8,91 47,75 56,668368401 16,94 18,24 35,18Tabla 1: Composición horizontal de tres parcelas de la zona objeto de estudio en porcentaje

5

Figura 3: Composición horizontal y vertical de las tres parcelas de la zona objeto de estudioEl segundo parámetro de estudio permite comprender la estructura vertical de la vegetación, lo cual también es clave para entender el desarrollo de los incendios forestales. Este cálculo se ha realizado en las tres parcelas anteriormente mencionadas, con lo cual se puede determinar que, en todas ellas, predomina el estrato de vegetación de tipo arbolado. Aun así, el porcentaje de píxeles de cada intervalo de altura denota que en la parcela 8368401 existe otro estrato de vegetación, según los parámetros del Informe Técnico del Instituto Geográfico Nacional, el matorral (figura 4, tabla 2). Esta información obtenida reafirmaría la que se ha expuesto anteriormente en el estudio de la estructura horizontal de la vegetación, y es que la parcela 8368401 tendría que ser objeto de priorización ante la prevención de los incendios forestales, por la carga de combustible en el sotobosque y por la continuidad y disposición vertical de la vegetación.

Figura 4: Composición vertical de tres parcelas de la zona objeto de estudio

6

Parcela Matorral (0,4 - 4m)

Arbolado (4 – 20 m)

Tipo de estrato

8168606 16,66 83,33 Un estrato (Arbolado)

8168601 15,73 84,27 Un estrato (Arbolado)

8368401 48,14 51,86 Dos estratos (Arbolado y matorral)

Tabla 2: Composición vertical de tres parcelas de la zona objeto de estudio en porcentajeLas figuras 5, 6, y 7 corresponden al estado del sotobosque de las parcelas 8168606, 8168601 y 8368401 respectivamente.

Figura 5: 8168606 Figura 6:8168601 Figura 7: 8368401

6. CONCLUSIONES

La investigación realizada ha permitido testar una metodología para la identificación y clasificación de la cubierta forestal del municipio de Matadepera. A partir de esta base se extenderá la metodología utilizada para la explotación y análisis de estas cuatro hojas LiDAR al resto del municipio de Matadepera. Se prevé dos tipos de resultados en forma de mapas que tendrán utilidades distintas según el tipo de gestión; por un lado, los mapas continuos, a partir de los cuales, los gestores forestales podrán identificar las características de la estructura forestal e identificar posibles acciones, independientemente del propietario del territorio. Por el otro, mapas temáticos de la peligrosidad de las parcelas en función de la densidad de las copas de los árboles, presencia o no de sotobosque, estado de las parcelas vecinas, etc. que se convertirá en una herramienta de actuación por parte de la administración local para llevar a cabo posibles requerimientos.

Con la realización de la prueba piloto se han podido constatar dos necesidades que surgen al trabajar con la tecnología LiDAR: la reclasificación de las clases de los puntos y el trabajo de campo. El potencial, la precisión y la calidad de los datos LiDAR es una realidad, pero en ocasiones las clases que se atribuyen a los puntos son incorrectas. Por lo tanto, antes de empezar cualquier estudio con datos de esta tecnología, es importante llevar a cabo un control de calidad en esta línea y, si es necesario, una reclasificación de las clases de los puntos. Por otro lado, el manejo de los datos LiDAR nos permite reducir el trabajo de campo, pero, aun así, es indispensable llevar a cabo uno de minucioso para validar los resultados automáticos obtenidos. Aplicando dichas consideraciones, el rigor de los trabajos con datos LiDAR para la identificación y clasificación de la cubierta forestal aumenta considerablemente.

Si bien es cierto que actualmente se dispone de una gran cantidad de datos, la resolución temporal de los mismos no es siempre la deseable. En este trabajo se han utilizado datos LiDAR de marzo – abril de 2010. En este tiempo son numerosas las acciones que se han ejecutado en el territorio. De todas formas, la tecnología LiDAR permite obtener información

7

sobre el estado de cubierta vegetal de forma ágil y con un coste económico y humano menor, que lo que implicaba realizar estos estudios a partir de fotointerpretación y Modelos Digitales del Terreno.

7. AGRADECIMIENTOS

Esta investigación ha sido posible gracias a dos proyectos: Secretaría de Estado de Investigación, Desarrollo e Innovación, Ministerio de Industria, Economía y Competitividad (CSO2015-65257-R). Agència de Gestió d’Ajuts Universitaris i de Recerca (AGAUR-2014 SGR-1090).

8. BIBLIOGRAFÍA

Anderson, H.E. (1982): Aids to Determining Fuel Models For Estimating Dire Behavior. United States: Deartment of Agriculture

Arroyo, L.A., Pascual, C., Manzanera, J.A. (2008): Fire models and methods to map fuel types: The role of remote sensing. Forest Ecology and Management, 256, 1239-1252.

Badia, A., Pèlachs, A., Vera, A., Tulla, A.F. y Soriano, J.M. (2014): Cambios en los usos y cubiertas del suelo y los efectos en la vulnerabilidad en las comarcas de montaña de Cataluña. Del rol del fuego como herramienta de gestión a los incendios como amenaza. Pirineos, 169, e001. doi: http://dx.doi.org/10.3989/Pirineos.2014.169001

Badia, A., Valldeperas, N., (2015): El valor histórico y estético del paisaje: claves para entender la vulnerabilidad de la interfaz urbano-forestal frente a los incendios. Scripta Nova, XIX(521), <http://www.ub.es/geocrit/sn/sn-521.pdf>. ISSN: 1138-9788.

Buján, S., González, E., Barreiro, L., Santé, I., Corbelle, E. y Miranda, D. (2013): Clasification of rural landscapes from low-density LiDAR data: is it theoretically possible? International Journal of Remote Sensing, 34(16), 5666-5689. http://dx.doi.org/10.1080/01431161.2013.792230.

Butsic, V., Kelly, M. y Moritz, M.A. (2015): Land Use and Wildfire: A Review of Local Interactions and Teleconnections. Land, 4, 140-156. doi:10.3390/land4010140

Caballero, D., Beltrán, I. y Velasco, A. (2007): Forest fires and wildland urban interface in Spain: Types and risk distribution. Wildfire 2007. Sevilla.

Champ, P.A., Donovan, G.H., y Barth C.M. (2013): Living in a tinderbox: wildfire risk perceptions and mitigating behaviours, International Journal of Wildland Fire, 22, 832–840.

Chuvieco, E. y Martí, I. (2004): Nuevas tecnologías para la estimación del riesgo de incendios forestales, Consejo superior de investigaciones científicas, Instituto de Economía y Geografía. Madrid.

Dennison, P.E., Fryer, G.K., Cova, T.J (2014): Identification of firefighter safety zones using lidar, Environmental Modelling & Software. 59, 91-97.

Elia, M., Lafortezza, R., Lovreglio, R., Sanesi, G. (2014): Fuel models for mediterranean wildland-urban interfaces in Southern Italy. Proceedings of the second international congress of silviculture. Designing the future of the forest sector, 416-425. http://dx.doi.org/10.4129/2cis-me-fue

ESRI, ¿Qué son los datos LIDAR? https://desktop.arcgis.com/es/arcmap/10.4/manage-data/las-dataset/what-is-lidar-data-.htm 02/05/2018.

8

Galiana, L. (2012): Las interfaces urbano-forestales: un nuevo territorio de riesgo en España. Boletín de la Asociación de Geógrafos Españoles, 58, 205-226.

González-Olabarria. J.R., Rodríguez, F., Fernández-Landa, A. y Mola-Yudegoef, B. (2012): Mapping fire risk in the Model Forest of Urbión (Spain) based on airborne LiDAR measurements, Forest Ecology and Management, 282(15), 149-156.

Hawbaker, T.J., Keuler, N.S., Lesak, A.A., Gobakken, T., Contrucci, K. and. Radeloff V.C (2009): Improved estimates of forest vegetation structure and biomass with a LiDAR-optimized sampling design, Journal of Geophysical Research, 114, G00E04, doi:10.1029/2008JG000870.

ICGC (Institut Cartogràfic i Geològic de Catalunya) (2018): Dades LiDAR. http://www.icgc.cat/Administracio-i-empresa/Descarregues/Elevacions/Dades-lidar 02/05/2018

IDESCAT (Institut d’Estadística de Catalunya) https://www.idescat.cat/ 02/05/2018.

IGN (Instituto Geográfico Nacional). Obtención de variables forestales a partir de datos LIDAR. Documento técnico, Ministerio de Agricultura Alimentación y Medio Ambiente y Organismo Autónomo Parques Nacionales. http://www.mapama.gob.es/es/red-parques-nacionales/plan-seguimiento-evaluacion/seguimiento-ecologico/documento-tecnico-obtencion-variables-lidar_tcm7-337536. 02/05/2018.

IGN (Instituto Geográfico Nacional). Evaluación del uso de la tecnología LiDAR en la estimación del contenido de carbono forestal. Documento técnico, Compluting y Universidad de Alcalá. http://www.reddccadgiz.org/documentos/doc_1350723744.pdf 02/05/2018.

Koenig, K., Höfle, B., Hämmerle, M., Jarmer, T., Siegmann, B., Lilienthal, H. (2015): Comparative classification analysis of post-harvest growth detection from terrestrial LiDAR point clouds in precision agriculture, ISPRS Journal of Photogrammetry and Remote Sensing, 104, 112-125.

Lee, H.S., Younan N.H. (2003): DTM extraction of lidar returns via adaptive processing. IEEE Transactions on Geoscience and Remote Sensing, 41(9), 2063 – 2069. DOI10.1109/TGRS.2003.813849.

Maier, B., Tiede, D. y Dorren, L. (2008): Characterising Mountain Forest Structure using Landscape metrics on LiDAR-based Canopy Surface Models. Object-Based Image Analysis – Spatial concepts for knowledge-driven remote sensing applications. Berlin: Springer, 625-643.

Marino, E., Ranz, P., Tomé, J.L., Noriega, M.A., Esteban, J. Madrigal, J. (2016). Generation of high-resolution fuel model maps from discrete airborne laser scanner and Landsat-8 OLI: A low-cost and highly updated methodology for large areas. Remote Sensing of Environment, 187, 267-280.

McNamara, D. (2006): Extracting building footprints from LiDAR and aerial imagery in the wildland–urban interface. NW GIS Conference 2006, GIS: Visualizing Our Past, Present, and Future’, 13–15 Septiembre 2006, Spokane, WA. Available at http://gis.cdatribe-nsn.gov/projects/lidarbuilding.aspx 02/05/2018.

Mell, W.E., Manzello, S.L., Maranghides, A., Butry, D. y Rehm, R.G. (2010): The Wildland-Urban Interface fire problem - Current approaches and research needs. International Journal of Wildland Fire, 19(2), 238-51.

Price, O.F. y Gordon, C.E. (2016): The potential for LiDAR technology to map fire fuel hazard over large areas of Australian forest. Journal of Environmental Management, 181, 663-673. DOI: 10.1016/j.jenvman.2016.08.042.

Pausas, J.G. y Keeley, J.E. A. (2009): Burning story: The role of fire in the history of life. Bioscience, 59, 593–601.

9

Peterson, B., Nelson, K.J. Seielstad, C. Stoker, J. Jolly, W.M. Parsons, R. (2015): Automated integration of lidar into the LANDFIRE product suite, Remote Sens. Lett., 6 (2015), 247-256

Raji, O., Del Río, L., Gracia, F.J. y Benavente, J. (2011): The use of LIDAR data for mapping coastal flooding hazard related to storms in Cádiz Bay (SW Spain). Journal of Coastal Research, 64, 1881-1885.

Robles, A., Rodríguez, M.A., Alvarez-Taboada, F. (2016): Characterization of wildland-urban interfaces using LiDAR data to estimate the risk of wildfire damage, Revista de Teledetección, Spanish Association of Remote Sensing, 45, 57-69. http://dx.doi.org/10.4995/raet.2016.3967.

Rosa, M. y Stow, D.A. (2014): Mapping fuels at the wildland-urban interface using colour ortho-images and LiDAR data, Geocarto International, 29(5). 570-588, DOI: 10.1080/10106049.2013.819040.

Sede electrónica del Catastro (2018): Secretaría de Estado de Hacienda, Dirección General del Catastro. https://www.sedecatastro.gob.es/OVCFrames.aspx?TIPO=TIT&a=masiv. 02/05/2018.

Skowronski, N.S., Haag S., Trimble, J., Clark K. L., Gallagher, M.R. y Lathrop, R.G. (2015): Structure-level fuel load assessment in the wildland–urban interface: a fusion of airborne laser scanning and spectral remote-sensing methodologies. International Journal of Wildland Fire http://dx.doi.org/10.1071/WF14078.

Stewart, S.I., Radeloff V.C., Hamme R.R.B. y Hawbaker, T.J. (2007): Defining the Wildland–urban Interface. Journal of Forestry, 105, 201-207.

Utkin, A.B., Lavrov, A.V., Costa, L., Simões, F. y Vilar, R. (2002): Detection of small forest fires by lidar, Applied Physics B, 74(1), 77–83.

Vélez, R. (1986): Incendios forestales y su relación con el medio rural. Estudios Agro-Sociales, 136, 195-224.Yebra, M., Marselis, S., van Dijk, A., Cary, G. y Chen, Y. (2015): Using LiDAR for forest and fuel Structure mapping: options, Benefits, requirements and costs. Report No. 2015.064. Bushfire&HazardsCRC.

Vince, S.W., Duryea, M.L., Macie, E.A. Y Hermansen, A. (eds.) (2005): Forests at the wildland-Urban Interface: conservation and management. Boca Raton, CRC Press, 293 p

Zimble, D.A., Evans, D.L., Carlson, G.C., Parker, R.C., Grado, S.C. and Gerard, P.D. (2003): Characterizing vertical forest structure using small-footprint airborne LiDAR, Remote Sensing of Environment, 87(2–3), 171-182.

Zhang, K., Yan, J. y Chen S.C. (2006): Automatic Construction of Building Footprints From Airborne LIDAR Data. IEEE Transactions on Geoscience and Remote Sensing, 44(9), Septiembre 2006 http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=1677762. 02/05/2018.

10