Skip to main content
This portal uses its own or third-party cookies for analytical purposes, as well as links to third-party portals in order to share content on social networks. You can get more information in the <a href="https://pro-assets-usc.azureedge.net/en/legal-notice">cookies policy</a>.

Remote sensing and GIS: forest fires

  • 2024/2025
  • ECTS credits
    ECTS credits: 3

    ECTS Hours Rules/Memories
    Student's work ECTS: 51
    Hours of tutorials: 3
    Expository Class: 9
    Interactive Classroom: 12
    Total: 75

    Use languages
    Spanish, Galician

    Type:
    Ordinary subject Master’s Degree RD 1393/2007 - 822/2021

    Departments:
    Agroforestry Engineering

    Areas:
    Cartographic Engineering, Geodesy and Photogrammetry

    Center
    Higher Polytechnic Engineering School

    Call:
    First Semester

    Teaching:
    With teaching

    Enrolment:
    Enrollable

    • Unit 1: Remote sensing fundamentals (2 h).

    • Unit 2: Correction levels (2 h).

    • Unit 3: Spectral indices (2 h).

    • Unit 4: Fire detection and subsequent regeneration (2 h).

    • Unit 5: Monitoring the degree of humidity of the vegetation (1 h).


    • And the following list of practical sessions using Google Earth Engine:

    • Session 1. Introduction to Google Earth Engine (2 h).

    • Session 2. Image collections in GEE (2 h).

    • Session 3. Spectral indices (2 h).

    • Session 4. Mapping of burned areas (2 h).

    • Session 5. Spatial analysis of burned areas (4 h).

  • Schowengerdt, R. A. (2007). Remote Sensing. Models and Methods for Image Processing (3rd ed.). Academic Press, Elsevier.

  • Chuvieco Salinero, E. (2008). Teledetección ambiental : la observación de la Tierra desde el espacio. Ariel.

  • Liu, J.G., Mason, P.J. (2016). Image Processing and GIS for Remote Sensing: Techniques and Applications, Second Edition. Wiley/Blackwell.

  • Cardille, J.A., Crowley, M.A., Saah, D., Clinton, N.E. (eds.) (2024). Cloud-Based Remote Sensing with Google Earth Engine. Fundamentals and Applications. Springer.


  • Complementary bibliography

  • Wegmann, M., Benjamin Leutner, Stefan Dech (eds.) (2016). Remote sensing and GIS for ecologists : using open source software. Pelagic Publishing.

  • Camara, G., Simoes, R., Souza, F., Sanchez, A., Santos, L., Andrade, P.R., Peletier, Ch., Carvalho, A., Ferreira, K., Queiroz, G., Maus, V. (2022). sits: Data Analysis and Machine Learning on Earth Observation Data Cubes with Satellite Image Time Series.

  • Simoes, R., Camara, G., Queiroz, G., Souza, F., Andrade, P.R., Santos, L., Carvalho, A., Ferreira, K. 2021. Satellite Image Time Series Analysis for Big Earth Observation Data. Remote Sensing 13, p. 2428.

  • Thenkabail, P.S, John G. Lyon, Alfredo Huete (eds.) (2019). Hyperspectral indices and image classifications for agriculture and vegetation. CRC Press.

  • Jensen, John R. (2014). Remote sensing of the environment : an Earth resource perspective. Pearson Education.

  • Richards, John A. (2013). Remote sensing digital image analysis : an introduction. Springer.

  • Chuvieco, E., Alfredo Huete (2010). Fundamentals of satellite remote sensing. Taylor & Francis.

  • CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

  • CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

  • CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

  • CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

  • CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

  • CG2 - Capacidad para diseñar, dirigir, elaborar, implementar e interpretar proyectos y planes de actuación integrales en el medio natural.

  • CG7 - Capacidad para el desarrollo de políticas forestales


  • Competencias transversales

  • CT1 - Capacidad de análisis y síntesis.

  • CT2 - Capacidad para el razonamiento y la argumentación

  • CT3 - Capacidad de trabajo individual, con actitud autocrítica

  • CT4 - Capacidad para trabajar en grupo y abarcar situaciones problemáticas de forma colectiva.

  • CT5 - Capacidad para obtener información adecuada, diversa y actualizada.

  • CT6 - Capacidad para elaborar y presentar un texto organizado y comprensible

  • CT7 - Capacidad para realizar una exposición en público de forma clara, concisa y coherente.

  • CT8 - Compromiso de veracidad de la información que ofrece a los demás.

  • CT9 - Habilidad en el manejo de tecnologías de la información y de la comunicación (TIC).

  • CT10 - Utilización de información bibliográfica y de Internet.

  • CT11 - Utilización de información en lengua extranjera.

  • CT12 - Capacidad para resolver problemas mediante la aplicación integrada de sus conocimientos.


  • Competencias específicas

  • CE39 – Conocer los fundamentos teóricos básicos del proceso de teledetección y de las técnicas de procesamiento, análisis e interpretación de imágenes de satélite.

  • CE40 – Capacidad para la realización de cartografía, obtención de información a partir de imágenes de satélite en aquellos aspectos relacionados con los incendios forestales.

  • CE41 – Conocimiento de las capas temáticas necesarias para la gestión en la restauración de áreas quemadas y los simuladores de incendios.

  • Theoretical lectures (competences CB6, CB9, CG2, CG7)

  • Practical sessions (competences CB7, CB8, CB1)


  • Theoretical and practical sessions will be complemented by:

  • Use of the virtual campus (Moodle).

  • Practical cases and projects.

  • Individualized and group tutoring.

  • Autonomous study.

  • Evaluation of competence.

  • Continuous assessment, based on practical assignments along the duration of the course. Will account for 70% of final grade.

  • Written test. Will account for 30% of final grade.


  • A minimum of 5 points out of 10 will be required for a passing grade. There will be no minimum required grade in each of the two components. The criteria and requirements will be the same in 1st and 2nd opportunities. Students enrolled for a second time in the course can ask for the grade of one of the elements to be kept.
    Students exempt of attendance to classes will follow the same assessment system.
    The USC Norm for Assessment of Academic Performance will be automatically applied if fraud or fabrication of assessment materials is detected.

  • 1º Semester - September 16th-22nd
    Tuesday
    09:00-11:00 Grupo /CLE_01 Galician Classroom 19 (Pav.II-PPS)
    Exams
    01.14.2025 10:00-14:00 Grupo /CLE_01 Seminar I (Pav.III)
    06.16.2025 16:00-20:00 Grupo /CLE_01 Seminar I (Pav.III)