Fire severity analysis in Sierra de La Culebra wildfire from hyperspectral satellite data

Abstract

La evaluación de las perturbaciones post-incendio en los ecosistemas mediterráneos es esencial para cuantificar el impacto ecológico y guiar la restauración. Este estudio estima la severidad del incendio en la Sierra de la Culebra usando índices de vegetación (VIs) derivados de imágenes de satélite hiperespectrales (PRISMA) y multiespectrales (Sentinel-2). Se calculó una serie de índices de vegetación: índices de banda ancha adaptados a PRISMA, índices específicos de banda estrecha e índices multiespectrales estándar para Sentinel-2. Se identificaron los VIs de mejor desempeño analizando su eficacia en diferentes tipos de ecosistemas (bosque de coníferas, bosque de frondosas y matorral) y tipos del Índice Compuesto de Quemado (CBI; vegetación, suelo y lugar). La elaboración de los mapas se realizó según el tipo de sensor, ecosistema y CBI. Los datos hiperespectrales proporcionaron una caracterización detallada y continua de las propiedades espectrales relacionadas con las clases de severidad de incendio en todos los tipos de ecosistemas en comparación con los datos multiespectrales, mostrando correlaciones más fuertes con los valores de CBI. El CBI de la vegetación mostró mejores correlaciones con los VIs que el CBI del suelo, probablemente debido al diseño enfocado en la vegetación de la mayoría de los VIs. Los ecosistemas de bosque latifoliado y matorral mostraron valores de correlación más altos que los de bosque de coníferas, probablemente debido a las diferencias en la densidad del bosque y la estructura de los fustes, así como a la biomasa remanente y las condiciones del suelo tras un incendio. Entre los índices con mejores desempeños, los basados en las bandas borde rojo, NIR y SWIR fueron los que obtuvieron mejores resultados. En cuanto a los datos hiperespectrales, el índice de vegetación diferencial de borde rojo (DVIRED), el índice de vegetación mejorado (EVI) y el índice de absorción de celulosa (CAI) mostraron su utilidad para evaluar la salud de la vegetación. En cuanto a los datos multiespectrales, la diferencia normalizada del borde rojo (NDRE), el índice de clorofila del borde rojo (CIREDGE), el índice de vegetación de diferencia normalizada mejorada (ENDVI) y el índice de vegetación de diferencia normalizada verde (GNDVI) mostraron un gran rendimiento. En particular, el CAI fue el índice hiperespectral más eficaz, alcanzando la correlación más alta en este estudio (R2 = 0,808). Esta investigación demuestra el importante potencial de las imágenes hiperespectrales para la evaluación detallada post-incendio en los ecosistemas mediterráneos

Assessing the post-fire disturbance in Mediterranean ecosystems is essential for quantifying ecological impact and guiding restoration. This study estimates the fire severity in the Sierra de la Culebra wildfire using vegetation indices (VIs) derived from hyperspectral (PRISMA) and multispectral (Sentinel-2) satellite imagery. A range of VIs was computed: broadband-based indices adapted for PRISMA, narrowband-specific indices, and standard multispectral indices for Sentinel-2. The best-performing VIs were identified by analyzing their efficacy across different ecosystem types (coniferous forest, broadleaf forest, and shrubland) and Composite Burn Index (CBI) types (vegetation, soil, and site). Mapping was conducted by sensor, ecosystem, and CBI type. Hyperspectral data provided a detailed and continuous characterization of the spectral properties related to fire severity classes across ecosystem types compared to multispectral data, showing stronger correlations with CBI values. Vegetation CBI exhibited better correlations with VIs than soil CBI, likely due to the vegetation-focused design of most VIs. Broadleaf forest and shrubland ecosystems showed higher correlation values than coniferous forest probably owing to differences in forest density and stem structure, and the subsequent remaining biomass and soil conditions after a fire. Among the best-performing indices, those based on red edge, NIR, and SWIR bands performed best. For hyperspectral data, the red edge difference vegetation index (DVIRED), the enhanced vegetation index (EVI), and the cellulose absorption index (CAI) exhibited their usefulness for assessing vegetation health. For multispectral data, the normalized difference red edge (NDRE), the red edge chlorophyll index (CIREDGE), the enhanced normalized difference vegetation index (ENDVI), and the green normalized difference vegetation index (GNDVI) showed strong performance. Notably, CAI was the most effective hyperspectral index, achieving the highest correlation in this study (R2 = 0.808). This research demonstrates the significant potential of hyperspectral imagery for detailed post-fire assessment across Mediterranean ecosystems.