2.1. Peligro Integrado
En lo que atañe a la probabilidad de ocurrencia se consideran factores humanos, por un lado, y factores físicos (estado hídrico de la vegetación, rayos, patrones de propagación), por otro. Se consideran distintos aspectos que intentan determinar en qué momento es más probable que se inicie un fuego y cómo será su propagación de acuerdo a unos valores de referencia (fig. 2) (Chuvieco et al., 2007).
Fig. 2. Componentes del Peligro Integrado
Emilio Chuvieco, Inmaculada Aguado, Marta Yebra, Héctor Nieto, M. Pilar Martín, Lara Vilar, Javier Martínez, Diego Padrón, Susana Martín y Javier Salas. 2007. Generación de un Modelo de Peligro de Incendios Forestales mediante Teledetección y SIG. XII Congreso de la Asociación Española de Teledetección. Mar de Plata, Argentina.
2.1.1. Peligro de ignición
--> Agente Causal Humano
Los factores vinculados a la actividad humana tienen especial relevancia en la cuantificación del riesgo de incendio forestal. Según las estadísticas oficiales el 96,1 % de los incendios que ocurren en España obedecen a causas humanas (DGCN y Ambiente, 2006). No obstante, existe una evidente dificultad en valorar y espacializar estos factores de cara a obtener modelos predictivos de la ocurrencia del fuego. A pesar de estas dificultades, creemos que la identificación de los distintos tipos de factores de riesgo vinculados a la actividad humana permite generar variables de riesgo relacionadas, por ejemplo, con los usos del territorio (vías de comunicación, vertederos, espacios naturales protegidos, etc.), o con aspectos socioeconómicos (población ocupada en la agricultura, nivel de renta, tasa de paro, entre otros), que permiten obtener modelos predictivos suficientemente fiables.
Para la modelización de la ocurrencia de incendios debida a causa humana se ha utilizado en la regresión logística, técnica que permite describir las relaciones entre una variable dependiente dicotómica y un conjunto de variables independientes continuas o categóricas.
El primer paso consistió en la identificación de factores de riesgo asociados a la actividad humana y las variables que podían permitir su cuantificación y cartografía. En general, se intentó considerar preferentemente aquellas variables de carácter estructural, relacionadas con elementos permanentes del territorio. Estas variables han sido generadas a partir de fuentes cartográficas y estadísticas espacializándose a resolución de 1 km2, mediante herramientas SIG.
Como variable independiente se utilizó la ocurrencia de incendios de causa humana en el período 1990-2004 obtenida a partir de los partes oficiales de Incendio, donde la localización espacial de los incendios se recoge a nivel de cuadrícula de 10*10 Km.
Los porcentajes de acierto en la clasificación obtenidos para las distintas zonas de estudio varían entre un 68,4 % (C. Valenciana) y un 84 % (Huelva). Según los resultados de los modelos empleados, las variables independientes más relacionadas con la ocurrencia en las distintas zonas de estudio responden bastante bien a lo señalado por los gestores de incendios de las respectivas Comunidades Autónomas. En Madrid, por ejemplo, la variable con más peso en el modelo es la interfaz urbano-forestal que se relaciona con el riesgo real asociado al uso residencial y recreativo en zonas forestales.
Vilar, L. 2006. Empleo de regresión logística para la obtención de modelos de riesgo humano de incendios forestales. p. CdRom XII Congreso Nacional de Tecnologías de la Información Geográfica, Granada.
--> Agente Causal Natural (rayos)
Aunque la ocurrencia de incendios forestales causados por rayo es pequeña (cerca del 4% en nuestro país), la superficie quemada afectada por los mismos tiende a ser mayor que en el resto, debido a que habitualmente se producen en zonas forestales más inaccesibles, donde la detección y el ataque al fuego conlleva más tiempo.
Se ha analizado la ocurrencia de incendios causados por rayo desde un punto de vista espacio-temporal, analizando las siguientes variables: localización de las descargas de rayo, Modelo Digital del Terreno, Mapa Forestal Nacional escala 1:50.000, información meteorológica diaria y los partes de Incendio Forestal.
Finalmente, se ha desarrollado un modelo de probabilidad de ocurrencia de un incendio forestal causado por rayo durante el periodo 2002-2004 para cada una de las cuatro zonas de estudio. Para ello se ha utilizado el método de regresión logística, tomando como variable dependiente la ocurrencia (o no) de al menos un incendio causado por rayo durante el periodo 2002-2004 dentro de cada una de las celdas de 3x3 km2.
Los análisis realizados han señalado una relación significativa entre la ocurrencia de incendios forestales causados por rayo y la altitud, la pendiente, la presencia de bosque arbolado, la precipitación de la tormenta y el estado hídrico del combustible muerto (Nieto et al., 2006). En los modelos logísticos desarrollados se ha obtenido una precisión en la clasificación de las celdas con incendio en torno al 70% para cada una de las regiones.
Nieto, H.; Aguado, I; Chuvieco, E. 2006. Estimation of Lightning-caused fires occurrence probability in Central Spain .V International Conference on Forest Fire Research. ADAI, Figueira da Foz, Portugal.
--> Estado hídrico del combustible muerto
Para este proyecto hemos aplicado un modelo empírico, basado en ajustes de regresión sobre medidas tomadas en el parque nacional de Cabañeros entre 1998 y 2003 sobre hojarasca y pasto senescente (Aguado et al. 2007). Estas medidas de humedad tomadas en campo, se correlacionaron con dos índices meteorológicos muy utilizados en la gestión de incendios forestales: FFMC (V Wagner, 1987) y 10h (Bradshaw et al., 1983) con el fin de verificar su aplicabilidad en un entorno mediterráneo. Ambos códigos de humedad ofrecieron resultados muy similares, siendo seleccionado para la estimación de la humedad del combustible muerto, el código 10h por su menor complejidad de cálculo. Teniendo en cuenta las dificultades para obtener observaciones meteorológicas puntuales que sirvan de entrada en el cálculo del índice empírico, se optó por la utilización de predicciones meteorológicas procedentes del European Center for Medium Range Weather Forecasting (0,5º x 0,5º). Las variables meteorológicas que requiere la estimación del índice empírico (temperatura y humedad relativa) fueron facilitadas por la empresa Meteológica S.A. que efectúa, a partir de estas predicciones, una interpolación espacial. Asimismo, el proceso de interpolación, incluye como variable auxiliar, la altitud. La salida del modelo de interpolación ofrece predicciones en una malla de 500 x 500 m. Finalmente, los valores de FMC en el combustible muerto fueron remuestreados a una resolución de 1000 m para poder ser integrado con el FMC del combustible vivo
Aguado, I.; Chuvieco, E.; Borén, R y Nieto, H. Estimation of dead fuel moisture content from meteorological data in Mediterranean areas. Applications in fire danger assessment. International Journal of Wildland Fires, 16, 390-397.
--> Estado hídrico del combustible vivo
El contenido de humedad del combustible (Fuel Moisture Content- FMC, proporción de agua frente al peso seco de la muestra) es una de las variables más críticas para estimar la probabilidad de ignición o propagación del fuego, ya que la cantidad de agua en las plantas está inversamente relacionada con su potencial de combustión.
En el proyecto se empleó la teledetección espacial, como fuente de información idónea para obtener el FMC vivo ya que facilita la resolución temporal y espacial necesaria para los requerimientos del sistema. Sobre nuestra experiencia previa con imágenes NOAA-AVHRR en anteriores proyectos (Firerisk, http://www.geogra.uah.es/firerisk/index.html), en este proyecto se investigó la posibilidad de utilizar imágenes del sensor Terra-MODIS: por un lado, debido a que las imágenes que este sensor proporciona son gratuitas y por otro, porque incluyen información en el infrarrojo de onda corta (SWIR), región del espectro en la que domina la absorción del agua.
Por tanto en este proyecto se exploraron y compararon diferentes enfoques que emplean imágenes satélite para calibrar modelos de estimación del FMC, para pastizales y otro para matorrales;
1. Ajustes empíricos entre los datos de FMC medidos en el parque Nacional de Cabañeros (1996-2005) e información derivada del sensor Terra-MODIS (2001-2005) y NOAA-AVHRR (1999-2005) para cada parcela y fecha (Yebra, 2007 y García, 2007).
2. Empleo de los modelos de simulación PROSPECT (Jacquemoud 1990), y el SAILH (Kuusk 1985; Verhoef 1984), las imágenes Terra-MODIS y técnicas de inversión basadas en relaciones estadísticas con datos simulados mediante el uso de índices de vegetación (RLM). Para obtener el conjunto de datos simulados necesario para llevar a cabo el RLM se generaron escenarios de simulación con el rango de valores de los parámetros de entrada observados en el Parque Nacional de Cabañeros (Yebra 2008)
La comparación de las estimaciones realizadas
con los modelos calibrados con MODIS y los
dos enfoques mostró que, para pastizales, sendos
realizan estimaciones bastante precisas, si
bien el modelo basado en los datos simulados
es menos operativo debido a que precisa como
variables de estimación dos productos diferentes
(MOD09 y
MOD15). Para matorrales, el modelo derivado
de los datos simulados estima FMC con menores
residuales en los años secos (más críticos
en lo que al riesgo de incendio se refiere). Sin
embargo, en los años normales produce alta
infra-estimación. Este modelo puede ser mejorado
mediante la simulación de la reflectividad
para un rango de valores más amplio (no restringido
a Cabañeros) y otras técnicas de inversión
basadas en minimizar la distancia entre
espectros simulados y observados.
Comparando MODIS y AVHRR, el primero estima FMC con mayor precisión tanto para pastizales como matorrales. No obstante, debido a que las imágenes MODIS, a día de hoy, no pueden ser obtenidas a tiempo real, las ecuaciones derivadas
de los datos empíricos y el satélite NOAA_AVHRR son las que se han puesto en marcha desde el verano 2007 (Garcia 2007)
García, M. 2007. Estimación y cartografía del contenido de humedad del combustible vivo a partir de imágenes NOAA/AVHRR. Proyecto Fin de Carrera. Departamento de Geografía, Alcalá de Henares.
Yebra, M., Chuvieco, E. and Riaño, D., In press. “Estimation of live Fuel Moisture Content from MODIS images for fire risk assessment”. Agricultural and Forest Meteorology
Yebra, M. et al., 2007. “Fuel moisture estimation for fire ignition mapping". 4th International Wildland Fire Conference. Seville. Spain.
2.1.2. Peligro de propagación
La mayor parte de los modelos de propagación del fuego están diseñados para simular condiciones locales, no regionales. En nuestro caso, se pretendía estimar de alguna forma la variación espacial de la capacidad de propagar el fuego en nuestras regiones de estudio. Esto suponía considerar unas condiciones determinadas de viento, factor muy variable y difícil de modelar espacialmente, que sirvieran para modelar en el conjunto del paisaje el potencial de cada unidad de observación (celda de 1 km2) para desarrollar el fuego, asumiendo que pudiera iniciarse en cualquier celda vecina.
La modelización se hizo considerando la peor situación para la propagación del fuego, es decir que el fuego se propagara en la dirección de máxima pendiente y la velocidad del viento fuese la media de las máximas para los meses de verano. A parte de estas dos variables, los factores que más influyen en la propagación son el tipo de combustible y la humedad relativa del combustible vivo y muerto.
Las variables de interés que se modelaron fueron la longitud de llama y la velocidad de propagación. Para poder relacionarlas con las variables del medio, se generó una muestra con el programa Behave (Andrews y Chase, 1990) para los 13 tipos de combustible disponibles en este programa, pendientes entre el 0% y el 90 %, velocidades del viento a ras del suelo entre los 4 km/h y los 20 km/h, y las siguientes humedades relativas del combustible (Vélez, 2000, Martín-Fernández et al, 2002, XX no tengo ésta).
El tamaño final de la muestra fue de 5.600 datos. Con la muestra generada se obtuvieron los modelos de regresión múltiple de la velocidad de propagación en función de la pendiente y de la velocidad de viento para cada tipo de combustible. Los valores del coeficiente de regresión múltiple, R2, variaron entre el 93% y 97.8%. La longitud de llama se modeló también en función de la velocidad de propagación, para cada tipo de combustible. Se seleccionó el modelo linealizable que mejor se ajustaba a las variables. En este caso el coeficiente de determinación ajustado varió entre el 92% para el tipo de combustible 8 y mayor del 99% para el resto de combustibles.
Andrews P. L. y C. H. Chase. 1990. The BEHAVE Fire Behavior Prediction System. The Compiler, Vol. 8:4-9.
Vélez, R. 2000. La defensa contra incendios forestales. Fundamentos y experiencias. McGraw-Hill. Interamericana de España S.A.U., Madrid Vélez, 2000
Martín Fernández, S., E. Martínez Falero y J. M. Pérez. 2002. Optimization of resources management of in wildfire combat. Environmental Management, Vol. 30:352-336.
VOLVER
