5CFE01-430

2/13

Modelos de combustible forestales UCO40. Herramientas de nueva generación en

defensa contra incendios forestales

MOLINA-MARTÍNEZ, J.R.1, RODRIGUEZ Y SILVA, F.1

1
Departamento de Ingeniería Forestal. Universidad de Córdoba

Resumen
Los software de simulación del comportamiento del fuego requieren de una mejora con objeto
de adquirir un resultado más acorde con la propagación potencial mediterránea. La
disponibilidad de una cartografía digital de modelos de combustible, en los que se recojan el
conjunto variables que identifican de forma diferenciada la progresión y emisión energética
del fuego, representa una necesidad de carácter fundamental para poder establecer las
estrategias de defensa de los sistemas forestales.
El profundo trabajo de campo realizado apoyado en técnicas geoestadísticas constituye una
herramienta de precisión para la simulación del comportamiento potencial de las llamas. La
elaboración del mapa de modelos de combustibles a partir de las agrupaciones vegetales
requiere un análisis de las diferentes características de los combustibles. Los inventarios de
campo desarrollados para el conocimiento de los parámetros morfológicos y fisiológicos de
las diferentes asociaciones vegetales contribuyeron a la demostración de la insuficiencia de
los actuales modelos de Rothermel bajo condiciones mediterráneas. Los parámetros de
entrada para la simulación (carga, altura, humedad, …) difieren ostensiblemente de los
americanos. El trabajo de campo efectuado por todo Andalucía establece unas características
medias para cada uno de los modelos de combustible fruto del análisis estadístico de las
muestras recogidas. Los parámetros estudiados por su influencia en la propagación del fuego
han sido: la estructura horizontal y vertical, la cantidad de combustible, la altura o
profundidad del combustible, la humedad, la inflamabilidad, la combustibilidad, el tiempo de
retardo y la relación superficie/volumen.
Los cambios socioeconómicos y la experiencia desarrollada en incendios reales y quemas
prescritas, indicaron claramente la necesidad de una revisión de las herramientas utilizadas
para la elaboración del Plan de Ataque. Los programas españoles de simulación de incendios
forestales (Visual BEHAVE, Visual CARDIN, Visual Peligro Meteorológico y Visual SLPP)
han sido adaptados para las condiciones mediterráneas mediante la identificación y definición
de los nuevos modelos de combustibles, constituyendo una herramienta muy útil para la
gestión preventiva y la extinción de incendios forestales. La adaptación mediterránea supone
la programación por completo de los nuevos parámetros en C++ o Visual Basic,
constituyendo una herramienta sencilla plenamente acorde a la realidad de los ecosistemas
mediterráneos. La validación de estas nuevas herramientas para la defensa contra los
incendios forestales ha sido testada en los Grandes Incendios Forestales acontecidos en
Andalucía en los últimos años.

Palabras clave
Modelos de combustible; comportamiento del fuego; simulación de incendios
 3/13

1. Introducción

El fuego constituye un proceso químico fruto de la combinación de tres componentes

fundamentales: calor, oxígeno y combustible. La evolución progresiva de un incendio
conduce a un estado de desorden energético provocando una agitación intermolecular cada
vez más intensa hasta producir un cambio de estado. La mayor o menor aceleración del
proceso vendrá definida por las características topográficas, los combustibles forestales y la
influencia meteorológica (Rothermel, 1972, 1983). La velocidad del viento, la desecación
ambiental procedente de las altas temperaturas, las bajas humedades relativas y la presencia
de masas extensas continuas de matorral entremezcladas con estructuras arbóreas condicionan
a la aparición de una evolución mucho más agresiva. En función de la mayor intensidad con
que los tres factores implicados mayoritariamente, condiciones meteorológicas, fisiografía y
combustible, incidan en los procesos iniciales de la combustión, se podrá alcanzar una mayor
o menor severidad y velocidad de las llamas.

Los cambios socioeconómicos han derivado en un progresivo abandono de las áreas

rurales provocando un aumento de la biomasa arbustiva, y en consecuencia, el incremento de
la virulencia de los incendios forestales (González Bernaldez, 1991). Si bien, el
comportamiento potencial del fuego de superficie constituye un fenómeno complejo,
resultado conjunto, no sólo del combustible, sino también de las condiciones climatológicas y
fisiográficas (Chuvieco y Salas, 1996; Burgan et al., 1998; Lasapanora et al., 1999; López et
al., 2002; Chuvieco et al., 2004; Viegas et al., 2004; Taylor y Alexander, 2006). A semejanza
de estos criterios, otros aspectos tales como la accesibilidad y la movilidad, se establecen
como verdaderos condicionantes en la extinción de las llamas (Vélez, 2000).

Los antecedentes en la elaboración de cartografía de modelos de combustible varían en

gran medida en función de los instrumentos y la escala utilizada. La modelización de
combustibles a partir de Sistemas de Información Geográfico (SIG) e imágenes de satélite es
ampliamente utilizada (Burgan et al., 1998; Keane et al., 2002; Riano et al., 2002; Rollings,
2002; Chuvieco, 2003; San Miguel Ayanz et al., 2003; Rodríguez y Silva y Molina-Martínez,
2007). Las imágenes multiespectrales e hiperespectrales han establecido una modelización
más precisa, en base a la densidad y la altura de la masa (Kötz, et al., 2004; Lasapanora et al.,
2006). Por último, una escala de trabajo pequeña nos permitirá utilizar tecnología laser e
incluso implicar de modo preciso la composición vertical de la masa para la definición del
modelo (Andersen et al., 2005).

En los últimos años, los simuladores de la propagación de los incendios forestales se

han afincado como un instrumento más para la toma de decisiones de los gestores forestales
(Finney, 2003). A lo largo de la década de los años noventa se desarrollan sistemas de
predicción del comportamiento del fuego, tanto en América (FlamMAP©, FARSITE©;
BehavePlus©) como en Canadá (PROMETHEUS©) o en España (Visual BEHAVE©, Visual
CARDIN©, PIROMACOS©). FARSITE© (Finney, 1998) es el software más ampliamente
utilizado para estudiar la propagación de las llamas. La simulación de la propagación de los
incendios forestales mediante los programas informáticos se fundamenta en la modelización
de combustibles mediante la predicción BEHAVE y en las fórmulas semi-empíricas
desarrolladas por Rothermel (Rothermel, 1972; Anderson, 1982; Rothermel, 1983; Burgan y
Rothermel, 1984, Andrews, 1986; Andrews y Chase, 1989; Andrews et al., 2003). La
propagación responde a un criterio de propagación elíptica fundamentada en el principio de
Huygens (Richards, 1990; Finney, 1998).
 4/13

La ordenación del territorio y la asignación económica de presupuestos para la defensa

contra incendios forestales de un territorio requiere de una óptima distribución espacial y
temporal del comportamiento potencial de las llamas. Si bien las condiciones climatológicas
son intrínsecas e invariables de cada área, el combustible puede manejarse técnicamente
disminuyendo la severidad de las llamas. Los modelos de combustibles usualmente utilizados
se corresponden con una adaptación de los modelos de Rothermel (Molina, 2000). La
propuesta de modelización de combustibles UCO40 es asociada a un Sistema de Información
Geográfico (SIG) para el desarrollo de aplicaciones preventivas: determinación de índices de
riesgo o peligro, estimación de lugares óptimos paras quemas prescritas o dimensionamiento
y localización de tratamientos selvícolas. Así mismo, la nueva modelización de combustibles
es incorporada a los simuladores de comportamiento de fuego españoles (Visual BEHAVE©
y Visual CARDIN©), constituyendo una buena herramienta de apoyo para los gestores
forestales ante grandes incendios forestales (Rodríguez y Silva, 2003, 2004b).

2. Objetivos

El objetivo de este trabajo radica en la mejora de la resolución de la modelización de la

combustibilidad forestal, mediante la incorporación de las características del combustible
mediterráneo en los instrumentos de apoyo a la gestión forestal, en materia de prevención,
extinción, dirección técnica, restauración, valoración de daños y perjuicios,…

3. Metodología

3.1. Área de estudio

2
El estudio está siendo desarrollado para toda Andalucía, extendiéndose por 87.268 km ,
abarcando gran cantidad de ecosistemas forestales. La escala de trabajo utilizada obedece a
criterios de gestión territorial e incluso de extrapolación a escala nacional. La resolución
espacial de la cartografía oscila en base al peligro potencial de cada área, aumentando la
precisión de la misma en zonas con alto riesgo humano o histórico.

3.2. Definición de los modelos de combustible UCO40

La modelización de la combustibilidad asociada a los ecosistemas forestales tiene su

punto de partida en la nueva modelización americana (Scott y Burgan, 2005). Los actuales
modelos de combustible están clasificados en cuatro grandes grupos: pastos, matorral,
hojarasca bajo arbolado y restos de corta de labores selvícolas. La nueva definición aporta dos
grupos muy importantes desde el punto de vista del comportamiento del fuego: el grupo
pastizal-matorral y el grupo hojarasca, pastizal y matorral. Estos dos grupos se hallan muy
bien representados en el contexto del monte mediterráneo y no necesariamente deben estar
todos representados en una misma comarca o provincia.

La modelización de la combustibilidad forestal exige un trabajo estructurado en cinco

fases:

- Identificación de las diferentes estructuras horizontales y verticales de la vegetación.

- Premuestreo en campo a través de diferentes unidades de vegetación obtenidas en el
paso previo.
- Asignación de modelos de combustible a cada unidad de vegetación a partir de los dos
pasos anteriores.
 5/13

- Realización de un muestreo estadístico en campo a partir del mapa previo de modelos

realizado en el paso anterior.
- Recopilación de información y ajuste de los parámetros para cada modelo de
combustible.

Identificación de las diferentes unidades de vegetación

El proceso mediante Sistemas de Información Geográfico (SIG) dependerá de la

información disponible (Rodríguez y Silva y Molina-Martínez, 2007). La identificación de las
unidades de vegetación atenderá tanto a la presencia de matorral como a la presencia de
arbolado. La vegetación matorralizada se clasificará en base a las agrupaciones vegetacionales
presentes. Es decir, en las especies dominantes de la cubierta. En Andalucía, se conoce como
“BASE” a cada uno de los tipos de cubierta considerados: Mancha densa, Mancha
degradada,…La composición del dosel se representa como “VUELO” e identifica a la especie
fundamental del dosel: Pinus sylvestris, Quercus ilex,… La fracción de cabida cubierta
arbórea puede constituir un factor muy importante para la asignación del grado de cobertura
de matorral en el sotobosque. La identificación de la estructura de la unidad de vegetación
(altura, densidad, continuidad, elementos gruesos, …) constituye el tercer componente para la
identificación de los modelos de combustible (“SOBRECARGA”).

Premuestreo en campo

El objeto de esta fase es la identificación del modelo de combustible potencial para cada
unidad de vegetación obtenida mediante GIS (BASE, VUELO, SOBRECARGA). Todos los
puntos dispondrán de sus coordenadas UTM, de modo que puedan georeferenciarse de
acuerdo a la unidad de vegetación presente en cada caso.En este sentido, la recolección de
material fotográfico resulta fundamental para la posterior identificación de los modelos. El
premuestreo debe diseñarse en gabinete, intentando recorrer las máximas unidades de
vegetación posibles.

Asignación de modelos de combustible

A partir de la identificación de las unidades de vegetación y posterior premuestreo de

las mismas, se procede a la asignación de modelo de combustible para cada unidad de
vegetación fruto de la confluencia entre la estructura horizontal y vertical de la misma (Tabla
1) (Rodríguez y Silva y Molina-Martínez, 2007). La identificación de 40 modelos puede
resultar laboriosa en un primer momento, aunque la existencia de este número no implica la
presencia de todos ellos en la misma área (es el caso de los pastizales, donde se pueden
diferenciar los pastizales mediterráneos de los atlánticos o de alta montaña).

Tabla 1. Asignación de modelos de combustibles a partir de algunas unidades de vegetación

Estructura Modelo
Estructura arbórea Estructura
arbustiva potencial
Arbustedo o matorral
Jarales
Pinus pinea arbustivo. Talla entre 3 y 7 M9
(Cistus spp.)
metros
Arbustedo o matorral
Jarales
Pinus pinea arbustivo. Talla entre 3 y 7 M7
(Cistus spp.)
metros
 6/13

Arbustedo o matorral
Q. coccifera,
Pinus pinea arbustivo. Talla entre 3 y 7 M5
P. lentiscus
metros
Jarales Matorral bajo. Talla entre
Pinus pinea HPM2
(Cistus spp.) 5 y 50 cm.
Matorral denso bajo pero
Repoblaciones Jarales
arbolado en contacto suelo M5
(< 3 m) (Cistus spp.)
(matorralizado)
Pastizal estacional
Pastizales
Quercus ilex, Quercus siuber agostado < 60 cm Talla P4
Estacionales
entre 5 y 50 cm.
Labiadas o
Matorral bajo. Talla entre
Eucalyptus globulus matorral HR2
5 y 50 cm.
halófito
Matorral y Matorral bajo con
Desarbolado pastizal herbáceas vivaces. Talla PM1
halófito entre 5 y 50 cm.

Realización de un muestreo estadístico

El muestreo de campo puede plantearse de modo sistemático o aleatorio, siendo

recomendable abarcar el mayor número de unidades de vegetación y disponer de al menos 2
repeticiones de cada una de ellas en diferentes posiciones geográficas o manchas. Mediante
las opciones de análisis superficial del GIS y las coberturas o fotointerpretación de carreteras
y caminos se realiza el diseño del inventario del campo, intentando abarca la mayor cantidad
posible del área de estudio.

Las parcelas de corte (harvest method) en cada mancha requerirán de un análisis de las
características de la vegetación presente en cada unidad de vegetación. Se identificará el
punto con GPS y se procederá a la identificación de la vegetación circundante de acuerdo a:
BASE, VUELO y SOBRECARGA. El material recolectado se clasificará en material vivo o
muerto y dentro del muerto en tres clases en base al tiempo de retardo del material: menores
de 5 milímetros (1 hora de tiempo de retardo), entre 5 y 25 milímetros (10 horas de tiempo de
retardo) y mayores de 25 milímetros (100 horas de tiempo de retardo). El estadillo de
muestreo debe recoger el peso de cada una de las clases del material muerto y el peso del
material vivo, diferenciado en leñosos y herbáceo. Por último, se selecciona una pequeña
muestra de cada parcela para secado y cálculo de la cantidad de materia seca.

Ajuste de los parámetros

Una vez obtenidos los pesos secos para los distintos tipos y tamaños de material vegetal
para cada parcela de muestreo, se procede a un análisis estadístico para cada modelo de
combustible. De este modo, se obtienen las cargas de combustibles por modelos, junto con
sus humedades, para cada uno de los tamaños considerados. Una vez calculadas las
características medias de cada uno de los modelos de combustible: carga viva, carga muerta
1h, carga muerta 10h, carga muerta 100h, altura media, FCC, humedad,…, se dispone de toda
la información necesaria para la simulación óptima mediante software específicos de
incendios forestales a tenor de las condiciones locales de cada área.
 7/13

4. Resultados

Los premuestreos y muestreos de campo para la identificación de las diferentes

unidades de vegetación y la asignación de los modelos de combustible permiten el diseño de
material técnico para la identificación de los modelos de combustible UCO40. La elaboración
de un manual de campo de los modelos de combustible permite una fácil identificación de los
mismos para la guardería forestal. El manual de campo incluye una revisión fotográfica, una
explicación de los diferentes modelos de combustible y una clave práctica de identificación
por comarcas.

Figura 1. Manual de campo

Dicho manual de cálculo también incorporó tablas de cálculo rápido para la

identificación del comportamiento potencial del fuego para cada modelo UCO40: velocidad
de propagación y longitud de llama en base a la humedad del combustible muerto (Figura 2).
 8/13

Figura 2. Tabla de cálculo rápido para el modelo PM1 y rango de pendiente alrededor del 15%

Los trabajos de campo han permitido la elaboración regresiones para el cálculo de la

carga de combustible en seco sin necesidad de estudios de laboratorio, para especies con
distribución regular, a partir de variables de fácil identificación visual. A modo de ejemplo, se
incluye la obtenida para las especies del género Cistus a partir de la altura:

y = 16,425 x2 – 21,024 x +21,338 R2 = 0,8202 (1)

siendo “y” la carga de combustible en seco (Tn/ha) y “x” la altura del matorral (m)

El diseño de simuladores en formato C++ (Visual CARDIN© y Visual BEHAVE ©)

permite una fácil programación de los parámetros de cada uno de los modelos de combustible
UCO40 (Tabla 2).

Tabla 2. Parámetros incluidos en la caracterización de los modelos UCO40

A: carga de combustibles de 1h en libras /pie2

B: carga de combustibles de 10h en libras / pie2
C: carga de combustibles de 100h en libras / pie2
D: carga de combustibles de herbáceas vivas en libras / pie2
E: carga de combustibles de leñosas vivas en libras / pie2
F: Sigma de combustibles de 1h, 1/pie
G: Sigma herbáceas 1/pie
H: Sigma leñosas 1/pie
I: altura en pies
J: calor de combustión BTU/libra
K: Humedad de extinción en tanto por uno
L: fracción de cabida cubierta en %
M: protección frente al viento en grados (4 muy protegido)
N: tiempo de residencia de llama
Ñ: tiempo de residencia de brasas
O: tiempo de extinction
P: velocidad de viento crítica para transición a incendios de copa
(pendiente de confirmar)
Q: factor A del modelo de focos secundarios (Albini)
 9/13

R: factor B del modelo de focos secundarios (Albini)

S: tipo de modelo de combustible

A modo de ejemplo se incluye los valores medios asignados a cada modelo UCO40
para uno de sus parámetros: la sigma o relación área-volumen (Tabla 3):

Tabla 3. Sigma asignada a cada modelo de combustible UCO40

Modelo Sigma (1/m)

P1, P2, P3, P4, P5, P6, P7, P8, P9 191,85
PM1 129,38
PM2, PM3 132,97
PM4 125,47
M1 70,9
M2 69,06
M3, M4, M8 75,69
M5, M7, M9 67,38
M6 71,53
HPM1 128,81
HPM2 118,98
HPM3 95,68
HPM4 100,92
HPM5 95,76
HR1 63,33
HR2, HR4 57,59
HR3, HR5 41,59
HR6 45,63
HR7 35,55
HR8 26,72
HR9 32,79
R1, R2 22,08
R3 11,08
R4 10,05

Los parámetros descritos con anterioridad fueron incorporados a la programación

interna de los programas utilizados en la gestión forestal ante los incendios forestales: Visual
BEHAVE, Visual CARDIN, Visual SLPD y Visual Peligro Meteorológico (Figura 3).
 10/13

Figura 3. Programación del Visual SLPD y el Visual Behave a los modelos UCO40

5. Discusión

Los grandes avances informáticos, la disponibilidad cartográfica y la experiencia de los

grandes incendios acontecidos en Andalucía en los últimos años han determinado la necesidad
de una profundización en la modelización de la combustibilidad asociada a los ecosistemas
forestales (Rodríguez y Silva y Molina-Martínez, 2007; Molina-Martínez, 2008).

La adaptación de los nuevos modelos de combustibles americanos (Scott and Burgan,

2005) requiere el estudio de todos los parámetros implicados en el comportamiento del fuego.
Las características dispares del material leñoso mediterráneo en comparación con el
americano presuponen una mala simulación de la propagación de los incendios forestales (De
Luis et al., 2004; Morvan y Dupuy, 2004; Weise y Regelbruge, 2005; Zhou et al., 2005; Sun
et al., 2006).

La presencia de una mayor carga de material leñoso vivo bajo arbolado, la presencia de
situaciones mixtas de material, la mayor predisposición del material a la ignición (menor
humedad) y la mayor inflamabilidad del matorral mediterráneo (Elvira, 1989) deben
incorporarse a los patrones de simulación del comportamiento del fuego de superficie.

La elaboración de un manual de campo de acuerdo a los patrones tradicionales de

identificación de modelos de combustibles y el diseño de claves de identificación in situ para
las diferentes áreas de estudio suponen un elemento formativo de indudable interés para los
técnicos de otras Comunidades o países mediterráneos para la adaptación de sus unidades de
vegetación a nuevos modelos de combustibles más acordes con la realidad mediterránea.

La programación de los softwares de simulación del comportamiento del fuego en

función de las características propias del matorral mediterráneo, y la disponibilidad de nueva
cartografía automática, facilita la obtención de pronósticos de comportamiento del fuego en la
elaboración de los planes de ataque para la extinción de grandes incendios forestales.

6. Conclusiones

La conservación de los bosques mediterráneos requiere de prácticas para la reducción

de la susceptibilidad del fuego. El avance de la nueva definición de modelos de combustibles
 11/13

forestales en ecosistemas mediterráneos proporciona una serie de ventajas aplicadas a la

gestión: facilita la planificación de defensa, la distribución potencial del peligro, informa
sobre los niveles de organización requeridos para la extinción y determina las prioridades en
la ordenación de los combustibles, minimizando la vulnerabilidad socioeconómica del medio
forestal ante los incendios forestales.

7. Agradecimientos

Los autores quieren expresar su agradecimiento al proyecto FIREMAP del Ministerio

de Educación y Ciencia (CGL2004-06049-C04-03/CLI).

8. Bibliografía

ANDERSEN, H.E.; MCGAUGHCY, R.J.; REUTEBUCH, S.E.; 2005. Estimating forest

canopy fuel parameters using LIDAR data. Remote Sensing of Environment 94, 441-449.

ANDERSON, H.E.; 1982. Aids to determining fuel models for estimating fire behavior.
General Technical Report. INT-122. U.S. Department of Agriculture - Forest Service,
Intermountain Research Station. Ogden.

ANDREWS, P.L.; 1986. BEHAVE: fire behaviour prediction and fuel modelling system-
BURN subsystem, Part I. USDA. For. Serv. Gen. Tech. Rep. INT-194.

ANDREWS, P.L.; CHASE, C.P.; 1989. BEHAVE: fire behaviour prediction and fuel
modelling system-BURN subsystem, Part II. USDA. For. Serv. Gen. Tech. Rep. INT-260.

ANDREWS, P.L.; BEVINS, C.D.; SELI R.C.; 2003. BehavePlus fire modelling system,
version 2.0: User´s Guide. RMRS-GTR-106WWW, USDA Forest Service.

BURGAN, R.E.; ROTHERMEL, R.C.; 1984. BEHAVE: fire behavior prediction and fuel
modelling system-fuel subsystem. USDA, Forest Service. Gen. Tech. Rep. INT-167.

BURGAN, R.E.; KLAVER, R.W.; KLAVER, J.M.; 1998. Fuel models and fire potential
from satellite and surface observations. International Journal of Wildland Fire 8, 159-170.
CHUVIECO, E.; SALAS, J.; 1996. Mapping the spatial distribution of forest fire danger
using GIS. International Journal of Geographical Information Science 10(3), 333-345.

CHUVIECO, E.; RIANO, D.; VAN WAGTENDOCK, J.V.; MORSDOF, F.; 2003. Fuel loads
and fuel type mapping. In: Chuvieco E. (Ed.) Wildland fire danger estimation and mapping:
The role of remote sensing data (pp. 119 – 142). World Scientific, 4. Singapore.

CHUVIECO, E.; COCERO, D.; RIANO, D.; MARTIN, P.; MARTINEZ VEGA, J.; DE LA
RIVA, J.; PÉREZ, F.; 2004. Combining NDVI and surface temperature for the estimation of
live fuel moisture content in forest fire danger rating. Remote Sensing of Environmental 92,
322-331.

DE LUIS, M.; BAEZA, M.J.; RAVENTÓS, J.; GONZÁLEZ-HIGALDO, J.C.; 2004. Fuel
characteristics and FIRE behaviour in mature Mediterranean gorse shrublands. International
Journal of Wildland Fire 13, 79-87.
 12/13

ELVIRA, L.M.; HERNANDO, C.; 1989. Inflamabilidad y energía de las especies del
sotobosque (estudio piloto con aplicación a los incendios forestales). Monografías INIA 68,
Ministerio de Agricultura, Pesca y Alimentación, Madrid.

FINNEY, M.A.; 1998. FARSITE: Fire Area Simulator-model development and evaluation.
RP-RMRS4. USDA Forest Service, Odgen, UT.

FINNEY, M.A.; 2003. Spatial Tools for Wildland Management Planning. USDA, Forest
Service. Fire Sciences Laboratory. Missoula MT, USA.

GONZÁLEZ BERNÁLDEZ, F.; 1991. Ecological consequences of the abandonment of

traditional land use systems in Central Spain. Options Mediterranéss 15, 23-29.

KEANE, R.E.; CUOMO, V.; TRAMUTOLI, V.; PERGOLA, N.; PIETRAPERTOSA, C.;
SIMONIELLO, T.; 2002. Mapping vegetation and fuels for fire management on the Gila
National Forest Complex, New Mexico. General Technical Report. RMRSGTR- 46- CD. pp.
1-126. Department of Agriculture, Forest Service, Rocky Mountain Research Station. Ogden,
UT: U.S.

KÖTZ, B.; SCAHAEPMAN, M.; MORSDOF, F.; BOWYER, P.; ITTEN, K.; ALLGOVER,
B.; 2004. Radiative transfer modelling within a heterogeneous canopy for estimating of forest
fire fuel properties. Remote Sensing of Environment 92, 332-344.

LASAPANORA, R.; CUOMO, V.; TRAMUTOLI, V.; PERGOLA, N.; PIETRAPERTOSA,

C.; SIMONIELLO, T.; 1999. Forest fire danger estimation based on the integration of satellite
AVHRR data and topographic factors. Remote Sensing for Earth, Ocean and Sea Ice
Applications 3868, 241-252.

LASAPANORA, R.; LANORTE, A.; PIGNATTI; 2006. Multiscale fuel type mapping in
fragmented ecosystems: preliminary results from hyperspectal MIVIS and multispectral
Landsat TM data. International Journal of Remote Sensing 27: 587-593.

LÓPEZ, A. S.; SAN MIGUEL AYANZ, J.; BURGAN, R.E.; 2002. Integration of satellite
sensor data, fuel types maps and meteorological observations for evaluation of forest fire risk
at the pan-European scale. International Journal of Remote Sensing 23, 2713-2719.

MOLINA, D.; 2000. Asignación de modelos de combustible para la planificación. In: Vélez
R. (Ed.). la defensa contra incendios forestales. Fundamentos y experiencias. Mc-Graw Hill,
Madrid.

MOLINA, D.; MARTÍNEZ-LÓPEZ, E.R.; GARCÍA-MARCO, D.; 2006. Farsite simulations

for cost-efficient wildland fire planning. Case studies in Spain. Proceedings of V International
Conference on Forest Fire Research, Coimbra (Portugal).

MORVAN, D.; DUPUY, J.L.; 2001. Modelling of fire spread though a forest fuel bed using a
multiphase formulation. Combustion and Flame 127, 1981-1994.
 13/13

RIANO, D.; CHUVIECO, E.; SALAS, J.; PALACIOS-MUETA, A.; BASTARRIKA, A.;
2002. Generation of fuel type maps from Landsat TM images and ancillary data in
Mediterranean ecosystems. Canadian Journal of Forest Resources 32, 1301-1315.

RICHARDS, G.D.; 1990. An elliptical growth model of forest fire fronts and its numerical
solution. International Journal of Numerical Methods in Engineering 30, 1163-1179.

RODRIGUEZ Y SILVA, F.; 2003. Aplicaciones de la predicción y simulación del

comportamiento del fuego en la extinción de los incendios forestales. Revista Incendios
Forestales 8. Editorial Forres. ISNN: 1575-572x.

RODRIGUEZ Y SILVA, F.; 2004. A Forest Fire Simulation Tool for Economic Planning in
Fire Supresión Management Models: An Application of the Arc-Cardin Strategic Model.
Proceedings of the Symposium on Fire Economy Planning and Policy. Córdoba (España).

RODRIGUEZ Y SILVA, F.; MOLINA-MARTÍNEZ, J.R.; 2007. Cartografía de modelos de

combustible para la defensa contra incendios forestales. 4th International Wildland Fire
Conference. Sevilla (España).

ROLLINS, M.G.; 2002. Mapping fuels and fire regimes using remote sensing, ecosystem
simulating and gradient modelling. Ecological Applications 14, 75-95.

ROTHERMEL, R.C.; 1972. A mathematical model for fire spread predictions in wildland
fires. Res. Pap. INT-115. 40 pp. USDA Forest Service.

SAN MIGUEL-AYANZ, J.; CARLSON, J.D.; ALEXANDER, M.E.; TOLHURST, K.;

MORGAN, G.; SNEEUWJAGT, R.; DUDLEY, M.; 2003. Current Methods to Assess Fire
Danger Potential. In: Wildland Fire Danger Estimation and Mapping. The Role of Remote
Sensing Data (E. Chuvieco, Ed.) World Scientific Publishing, Singapore, pp. 21-61.

SCOTT, J.H.; BURGAN, R.E.; 2005. Standard Fire Behaviour Fuel Model: A
Comprehensive Set for use with Rothermel´s Surface Fire Spread Model. Department of
Agriculture, Forest Service, Rocky Mountain Research Station. Gen. Tech. Rep.RMRS-GTR-
153.

TAYLOR, S. W.; ALEXANDER, M.E.; 2006. Science, technology and human factor in fire
danger rating: the Canadian experience. International Journal of Wildland 15, 121-135.

VÉLEZ, R. (Coord.); 2000. La Defensa contra incendios forestales. Fundamentos y

experiencias. McGraw-Hill, Madrid.

VIEGAS, D.X.; 2004. Slope and wind effects on fire propagation. International Journal of
Wildland Fire 13, 143-156.

WEISE, D.R.; REGELBRUGE, J.; 2005. Fire spread in chaparral-go or no go?. International
Journal of Wildland Fire 14, 99-106.

ZHOU, X.; MAHALINGAM, S.; WEISE, D.; 2005. Modeling of marginal burning state of
fire spread in live chaparral shrub fuel bed. Combustion and Flame 143, 183-198.