MONITOREO DE INCENDIOS FORESTALES EN EL

DEPARTAMENTO DEL TOLIMA, COLOMBIA PARA EL 2016

E. SOLANO SALAMANDO, S. RODAS ARIAS & P. PITTO COLLO

esteban.solano@correounivalle.edu.co, santiago.rodas@correounivalle.edu.co &

pitto.pablo@correounivalle.edu.co

RESUMEN

Los incendios forestales representan una gran pérdida ecológica, social y económica, por esta razón es
importante evaluar los daños generados sobre la vegetación, así como su recuperación a lo largo del
tiempo, puesto que permite tomar decisiones para mitigar el impacto del fenómeno sobre la zona de
estudio y comprender los regímenes de los mismos en el espacio-tiempo, sin embargo, las bases de
datos de entidades oficiales no registra información exacta sobre la localización de los índices, severidad
y tiempo de recuperación. En este documento se presenta una metodología para la evaluación de los
incendios forestales ocurridos en el departamento del Tolima para el 2016, la investigación fue enfocada
específicamente en la fase comprendida después de la conflagración (post-incendio), utilizando índices
derivados de las respuestas espectrales en diferentes bandas obtenidas de los productos suministrados
por el satélite Landsat 8.

Se realizó el cálculo de índices para relacionar la recuperación de la vegetación afectada con la gravedad
causada por la conflagración en las áreas como: la diferencia de la relación de quemadura (ΔNBR) con
el que obtuvimos los diferentes tipos de severidad del área quemada y regeneración de la vegetación,
este se determinó con la diferencia de NBR antes y después del incendio, adicionalmente se determinó
el índice de vegetación ajustada al suelo (SAVI) para conocer la evolución progresiva de la cantidad de
biomasa verde en la zona, finalmente se realizó un estudio espacio-temporal del grado de severidad del
incendio.

Finalmente, los resultados obtenidos se validaron con la base de datos de incendios forestales de la
UNGRD, presentado diferencias de áreas significativas desde un 38% con base a las hectáreas
registradas en las bases de datos, por otro lado, los diferenciales ΔNBR y ΔSAVI representaron la
regeneración de la cobertura vegetal en los incendios.

Palabras clave: Incendio forestal, severidad, vegetación, Landsat, ΔNBR, ΔSAVI,

1
 INTRODUCCIÓN

Según la Comisión Nacional Forestal de México, los incendios forestales consisten en la extensión del
fuego que se propaga de manera descontrolada afectando los bosques, las selvas o la vegetación, además
el 99% de estos son causados por eventos antropogénicos, es decir, se producen por actividades
agropecuarias y de urbanización, junto con las acciones intencionadas y los descuidos de personas con
fogatas, causan perturbaciones en los ecosistemas y generan costos ambientales, económicos y sociales.
En los países tropicales estos fenómenos han aumentado considerablemente en los últimos años, sin
lugar a dudas el efecto del calentamiento de la tierra ha ocasionado variaciones en las condiciones
climáticas incrementado la ocurrencia de estos eventos (SEMARNAT, 2001), una forma de
monitorearlos es por medio de la percepción remota puesto que es una herramienta fundamental en la
cartografía del área quemada, debido a que permite cubrir grandes extensiones con una alta frecuencia
temporal proporcionando adicionalmente información en regiones espectrales no visibles.

Por tal motivo, autores como Hassan et al., (2014), determinaron las limitaciones de los sistemas de
alerta de incendios forestales basados en datos meteorológicos y el aporte de las técnicas de sensores
remotos a estos, a pesar de que los sistemas tienen variables de entrada que permite generar nueva
información, esta es adquirida por medio de estaciones de fuente puntual, considerando también que
los diversos métodos de interpolación originan diferentes resultados aún si se utilizan las mismas
variables de entrada, desde otra perspectiva las técnicas de teledetección permiten estimar variables
sobre toda la región homogéneamente relacionadas con vegetación, variables meteorológicas,
condiciones de humedad superficial y en la vegetación , exceptuando las escenas que contienen nubes,
sin embargo algunas variables estimadas son de respuesta lenta y están influenciadas por otras variables,
la resolución espacial podría limitar la información, no obstante son muy útiles a la hora de monitorear
incidencias de incendios forestales puesto que representa las condiciones actuales de la zona de estudio.

Por otra parte, Nunes et al., (2019), evaluaron las potencialidades y limitaciones de las técnicas de
teledetección espacial para monitorear los incendios forestales y el estado de la vegetación afectada
mediante un análisis multitemporal con imágenes del sensor Landsat que contenían poco porcentaje de
nubes, aplicando índices tales como Índice de Vegetación de Diferencia Normalizada (NDVI) y
Relación de Quemadura Normalizada (NBR) antes y después del suceso. Para validar implementaron
una base de datos que contenía registros de incendios forestales. El sensor fue elegido gracias a sus
características puesto que permite la evaluación adecuada del fenómeno tanto en área como en
determinación de los efectos consecuentes.

Encontraron que solo la mitad de los eventos registrados se pudieron identificar debido a la presencia
de nubes en las escenas, asimismo, al estimar el área del incendio se encontró una discrepancia de
aproximadamente 54% ya que la base de datos sobrestimó el área total. Además, hallaron que los
valores para el NBR disminuyeron de aproximadamente 0.68 a 0.2, siendo significativa en áreas
cubiertas por pastizales contrario a lo sucedido con los bosques, asimismo los valores del NDVI
decayeron de aproximadamente 8.5 a 0.4 después del incendio. Finalmente hallaron que el NBR es el
más adecuado para estimar la gravedad del evento y que no todos los sucesos pudieron ser identificados
puesto que no estaban dentro del alcance del sensor debido a las limitaciones relacionadas con su
resolución espacial y radiométrica.

Arnett et al., (2015) clasifican en 4 categorías la gravedad de un incendio en la región sur de Okanagan
en la Columbia Británica, Canadá, a partir de índices espectrales como el Índice de Vegetación
Mejorada (EVI), el Índice de Vegetación Ajustado del Suelo (SAVI) y el Índice de Vegetación de

2
Diferencia Normalizada (NDVI) aplicables en imágenes de muy alta resolución como RapidEye y
Landsat 8, además del Índice De Quemadura Normalizado (NBR) solo aplicable en Landsat. Estos
índices fueron comparados con el índice de quema simple (SBI) estimado a partir de datos de campo.
Se le aplico a las imágenes una corrección por histograma mínimo y una normalización radiométrica
empleando el algoritmo de detección de alteración multivariable (MAD). También estiman la cantidad
de biomasa consumida por clase, obteniendo que el mejor índice para diferenciar las clases de quemas
es el SAVI.

Collins et al., (2018) emplean Random forest (RF) para la clasificación de la gravedad de los incendios
utilizando imágenes Landsat 5, 7, 8 para la recolección de las muestras de entrenamiento de 16 incendios
en el sudeste de Australia. Las áreas incineradas fueron clasificadas en 5 clases mediante interpretación
visual en fotografías aéreas, el numero total de muestras fue de 10,855. Las entradas del RF consisten
en el NBR, NDVI, NDWI, VARI, BAI obtenidos a partir del producto de reflectancia de Landsat que
además contienen una mascara de nubes, sombras y cuerpos de agua. Los RF y el NBI fueron
comparados y se obtuvo que RF tuvo una alta precisión del 91%, mejorando significativamente la
clasificación con respecto al NBI hasta un 21%.

Yi et al. (2012) realizaron un estudio de la variabilidad espacial de los incendios forestales en una región
de China, analizando este fenómeno de la mano de la recuperación de la vegetación afectada, debido a
que hay una relación directa con la gravedad del incendio, para esto utilizaron dos fuentes de datos:
MCD45 e imágenes satelitales Landsat 7. Con el producto del sensor MODIS conocido como MCD45
que contiene información sobre las áreas quemadas para un incendio ocurrido entre el 2000 y 2010, por
otro lado, con las imágenes satelitales Landsat establecieron el comportamiento de las áreas quemadas
para un incendio ocurrido en 1987, a través del índice de relación de quemado normalizado (NBR)
calculado antes y después de la conflagración, con la diferencia de estos obtuvieron (ΔNBR), con el que
los autores identificaron la gravedad de la quemadura por medio de la recuperación de la vegetación
establecida en un rango desde -2 hasta 2, representando espacialmente la extensión de este fenómeno a
lo largo de diferentes años después de ocurrido el incendio forestal.

Gómez & Martín (2011) estimaron áreas quemadas por incendios forestales en la Península Ibérica a
partir de una técnica de dos fases: primero una red neuronal artificial de propagación hacia atrás (ANN),
específicamente conocida como una red de perceptrones de múltiples capas (MLPN), esta red tuvo
como objetivo realizar un procesamiento ponderado con cada una de las variables de entrada, para
finalmente producir la salida de la clasificación de las áreas quemadas; la segunda fase consistió en
tomar los datos de los pixeles quemados por MLPN y utilizarlos para delimitar el área quemada. Los
datos de entrada de la red consistieron en los valores de reflectancia diaria de MODIS para las bandas
1,2,6 y 7, disponibles a través del producto MOD09 con una resolución espacial de 500m durante el
periodo de tiempo 2001-2006 y un producto de temperatura (MaxTS). Antes de obtener las áreas
quemadas los autores realizaron el respectivo entrenamiento de la red, que se realizó con la
identificación de pixeles incinerados con el Índice de Área Quemada (BAIM). Finalmente realizaron el
proceso de validación de las áreas quemadas obtenidas con una comparación con el producto
MCD45A1 observando que las diferencias entre estos dos no eran superiores al 20%.

En este estudio se hará uso de dos índices a partir de datos Landsat, el índice de vegetación ajustado al
suelo y el índice de cociente normalizado de quemaduras, con los que se representará por medio de un
mapa la severidad del área quemada y la regeneración de la vegetación en el departamento del Tolima
para el año 2016.

3
 MATERIALES Y MÉTODOS

Materiales

Zona de estudio

El departamento del Tolima se encuentra localizado en el centro-oeste de Colombia, en la región andina,

cuenta con aproximadamente 23.562 𝑘𝑚2 de extensión. Dentro de su territorio se encuentra el rio
Magdalena que lo recorre en sentido norte-sur y las cordilleras central y oriental, caracterizándolo en
dos tipos de regiones geográficas: plana y montañosa, por tal motivo cuenta con pisos térmicos que van
desde páramo y nival hasta cálido, siendo este el que predomina. Asimismo, cuenta con parques
naturales nacionales distinguidos como el parque “Los Nevados”, “Las Hermosas” y “Nevado del
Huila”. (Gobernación del Tolima, 2016)

Productos de nivel 1 del satélite Landsat 8

Estos productos se encuentran en formato de niveles digitales (ND) que contiene nueve bandas
espectrales que abarcan el espectro electromagnético de 0.433𝜇𝑚 hasta los 1.392 𝜇𝑚 con resolución
espacial de 30m y dos térmicas que abarcan desde 10.3 𝜇𝑚 hasta 15.5 𝜇𝑚 con una resolución de 100m,
para un total de 11 bandas. Incluye también un archivo de metadatos y otro con una evaluación de
calidad de la escena. Los sensores del satélite registran un mismo punto de la Tierra cada 16 días y cada
escena es de aproximadamente 170x183km.

Por otra parte, los datos se caracterizan por estar en formato GeoTIFF, una proyección cartográfica
Universal Transversal Mercator (UTM) asociado al Datum del Sistema Geodésico Mundial (WGS) 84
y valores de pixeles codificados en 16 bits. (Bravo, 2017). Es importante destacar que los productos
se descargaron cada 16 días, de acuerdo a la disponibilidad de la escena con menor porcentaje de nubes
desde la página: https://earthexplorer.usgs.gov/

Base de datos de incendios forestales 2016.

La base de datos se encuentra disponible en los datos abiertos del Gobierno Nacional por medio del
Ministerio de Tecnologías de la Información y Comunicaciones (MINTIC), contiene registros de
incendios forestales provocados tanto de manera natural como antrópica a nivel nacional para el año
2016, estas conflagraciones fueron reportadas a la Unidad Nacional para la Gestión del Riesgo de
Desastres (UNGRD), incluye datos significativos como la fecha en que ocurrió, el departamento, el
municipio y el número de hectáreas afectadas.

Esta se implementó con el propósito de tener un indicio de los eventos puesto que carece de coordenadas
geográficas que nos permita localizar adecuadamente cada incendio. Sin embargo, otra de sus funciones
consiste en la validación de la metodología implementada para cuantificar las hectáreas afectadas.

4
Métodos
La metodología seguida para realizar el estudio de áreas quemadas se basa en la obtención de valores
representativos mensuales para evaluar tanto la severidad del incendio como la regeneración de la
vegetación, por medio de los siguientes índices: el NBR se estudiará el grado de severidad del incendio,
debido a que este da la clasificación de severidad del área quemada como en Yi et al. (2012), Nunes et
al., (2019). El SAVI la regeneración de la vegetación en los meses posteriores, los índices de vegetación
están condicionados por cambios en el estado de las coberturas vegetales y sus variaciones pueden ser
utilizadas para estudios espacio-temporales del comportamiento de la vegetación como en Teodoro &
Amaral (2019). Los estudios centrados en la regeneración de la vegetación de áreas quemadas adquieren
interés debido a la necesidad de comprender la dinámica de las especies y aplicar una política de
restauración adecuada.

A continuación, se presenta el esquema metodológico utilizado en este artículo para obtener una
representación espacial del área quemada provocada por los incendios forestales utilizando dos
procedimientos distintos:

Figura 1. Esquema metodológico

5
Procesamiento de productos de Landsat 8
El satélite landsat 8 es un programa de observación de la Tierra administrado por NASA y el Servicio
Geológico de Estados Unidos (USGS). Esta plataforma cuenta con dos sensores para la captura de
información: Imagen Operacional de la Tierra (OLI) y Sensor térmico Infrarrojo (TIRS) , las imágenes
se componen de 11 bandas espectrales con una resolución espacial de 30 metros.

Descarga de imágenes (Pre y Post incendio)

Para realizar este estudio las imágenes fueron descargadas a través de la librería “Landsatxplore” de
Python mediante la interfaz de línea de comando que permitió la conexión con el portal de Earth
Explorer disponible en (https://earthexplorer.usgs.gov/). La descarga se dividió en dos pasos: búsqueda
y descarga, el primero se ejecuta proporcionando datos como usuario y contraseña del portal, además
del nombre del conjunto de datos, localización (latitud, longitud), porcentaje de nubes sobre la escena,
fecha inicial y fecha final de la captura de datos. Para el segundo se deben proporcionar nuevamente
los datos referidos al portal, más los nombres de los productos encontrados en el paso anterior.

Reflectancia TOA.

Los valores radiométricos de las bandas son reescalados a valores de reflectancia a tope de atmosfera,
usando los coeficientes radiométricos previstos en los metadatos de cada producto mediante la ecuación
suministrada por (IGAC, 2013).
𝜌𝜆′ = 𝑀𝜌 ∗ 𝑄𝐶𝐴𝐿 + 𝐴𝑃

Ecuación 1. Reflectancia TOA.

Donde 𝜌𝜆′ es el valor de reflectancia a tope de atmosfera sin corrección angular, 𝑀𝜌 es el factor
multiplicativo escalado para cada banda, 𝐴𝑃 es el factor aditivo escalado para cada banda y 𝑄𝐶𝐴𝐿 es la
banda.

Reflectancia de superficie corregida

Paso seguido, se aplicó la corrección angular teniendo en cuenta el ángulo de elevación solar, puesto
que el registro inicial de los ND está condicionado también por su ángulo de captura, utilizando la
siguiente ecuación:
𝜌𝜆′
𝜌𝜆 =
sin (𝜃𝑆𝐸 )

Ecuación 2. Reflectancia corregida por ángulo solar.

Donde 𝜌𝜆′ es el valor de reflectancia a tope de atmosfera corregida y 𝜃𝑆𝐸 es el ángulo de elevación solar
encontrado en el metadato.

Por último, se aplicó una corrección atmosférica debido a que esta produce distorsiones que se
introducen en los valores de radiancia que llegan al sensor, el método de corrección utilizado se conoce
como valor mínimo del histograma, que se encarga de buscar el valor más cercano a 0 para sustraerlo a
los valores de radiancia como se observa en la siguiente ecuación:
𝜌 = 𝜌𝜆 − 𝜌𝜆𝑚𝑖𝑛

Ecuación 3. Corrección atmosférica

6
Derivación de índices espectrales
Los índices espectrales son derivados de las imágenes satelitales una vez que se hayan aplicado las
correspondientes correcciones. Su función es destacar ciertas características de la imagen mediante la
operación entre bandas espectrales para identificar un fenómeno dentro de la zona de estudio,
permitiendo medir variables biofísicas sobre el terreno. Por tal motivo se han elegido índices de
vegetación como SAVI e índices de quemadura como el NBR para monitorear las áreas quemadas de
los incendios forestales, debido a los cambios espectrales que suceden sobre la vegetación, eliminando
el contenido de clorofila, dejando el suelo casi desnudo y modificando el contenido de humedad sobre
el suelo (Nunes et al., 2019).

Índice de Vegetación Ajustado al Suelo (SAVI)

Diseñado por Huete (1988), el índice emplea las mismas band as del Índice de Vegetación de
Diferencia Normalizada (NDVI) debido a que estas son sensibles a la cubierta vegetal, sin embargo,
este se basa en la distancia a la línea del suelo, porque pretende minimizar las influencias del brillo del
suelo mediante un factor de corrección llamado “Línea del suelo” que varía entre 0 y 1, dependiendo
de la cantidad de cubierta vegetal presente y por tal motivo es utilizado en regiones en donde la
vegetación es baja.

SAVI se conoce como un índice mejorado respecto al NDVI, puesto que se basa en un modelo de
transferencia radiativa para encontrar el valor de L, sin embargo, estudios realizados sobre este índice
determinaron que el valor de L=0.5 permitió mejorar el ajuste. El cálculo de SAVI se realizó mediante
la siguiente fórmula:
𝑁𝐼𝑅 − 𝑅𝑂𝐽𝑂
𝑆𝐴𝑉𝐼 =
(𝑁𝐼𝑅 + 𝑅𝑂𝐽𝑂 + 𝐿) ∗ (1 + 𝐿)

Ecuación 4. Índice de vegetación ajustado al suelo (SAVI).

Donde:
𝑁𝐼𝑅 = Reflectancia corregida para el infrarrojo cercano (Banda 5)
𝑅𝑂𝐽𝑂 = Reflectancia corregida para el rojo visible (Banda 4)
𝐿= Constante de línea del suelo

El modelo anterior corresponde a la mejora del NDVI clasificando los resultados obtenidos de
acuerdo a los rangos que se muestran a continuación:
Tabla 1. Clasificación SAVI.

CLASIFICACIÓN VALOR SAVI

Nubes y agua (NA) <0.01

Suelo sin vegetación (SV) 0.01-0.1

Vegetación ligera (VL) 0.1-0.2

Vegetación media (VM) 0.2-0.4

Vegetación alta (VA) >0.4

Fuente: USGS, 2017

7
Cociente Normalizado de Quemaduras (NBR)

Diseñado por Martin (1998), emplea las bandas del infrarrojo cercano (𝑁𝐼𝑅) y la del infrarrojo de onda
corta (𝑆𝑊𝐼𝑅) debido a la relación que tienen entre sí, ya que la vegetación afectada por un incendio
muestra valores elevados en el SWIR y valores muy bajos en el NIR, la función de este es realzar las
áreas calcinadas aplacando las diferencias de iluminación y los efectos producidos por la atmosfera,
permitiendo estimar el daño forestal y analizar la regeneración de la cubierta vegetal después del
incendio. Este tiene un rango de -1 a 1, los valores negativos indican zonas afectadas por el suceso por
el contrario los positivos indican cobertura vegetal sana o en regeneración. Además, la diferencia de
este índice en dos momentos (pre y post) permite estimar el grado de severidad después del incendio.

𝑁𝐼𝑅 − 𝑆𝑊𝐼𝑅
𝑁𝐵𝑅1 =
𝑁𝐼𝑅 + 𝑆𝑊𝐼𝑅

Ecuación 5. Índice de cociente normalizado de quemadura (NBR-1)

Sin embargo, otros estudios realizados consideran que los cambios en el área quemada se ven reflejados
en la banda que obtiene las longitudes de onda corta (SWIR), obteniendo así NBR2:

𝑆𝑊𝐼𝑅1 − 𝑆𝑊𝐼𝑅2
𝑁𝐵𝑅2 =
𝑆𝑊𝐼𝑅1 + 𝑆𝑊𝐼𝑅2
Ecuación 6. Índice de cociente normalizado de quemadura (NBR-2)

Con los valores de NBR antes y después del incendio se obtiene una medida cuantitativa del cambio
ambiental debido al incendio expresando así la severidad en diferentes clasificaciones, de acuerdo a la
siguiente ecuación:
𝛥𝑁𝐵𝑅 = 𝑁𝐵𝑅𝑝𝑟𝑒−𝑖𝑛𝑐𝑒𝑛𝑑𝑖𝑜 − 𝑁𝐵𝑅𝑝𝑜𝑠𝑡−𝑖𝑛𝑐𝑒𝑛𝑑𝑖𝑜

Ecuación 7. Diferencia de índice de cociente normalizado de quemadura (ΔNBR)

Debido a que los incendios forestales presentan un proceso de combustión, este origina cambios en la
reflectividad superficial de la superficie en las regiones del visible e infrarrojo cercano y el incremento
en la reflectividad del infrarrojo medio de onda corta

Tabla 2. Clasificación de la severidad de la quemadura.

ΔNBR INTENSIDAD DE QUEMADURA

<-0.250 Crecimiento mejorado, alto (post-incendio)

-0.250 < ΔNBR < -0.101 Crecimiento mejorado, bajo (post-incendio)

-0.100 < ΔNBR < 0.099 Sin quemar

0.100 < ΔNBR < 0.269 Severidad baja

0.270 < ΔNBR < 0.439 Moderada – Severidad baja

0.440 < ΔNBR < 0.659 Moderada – Severidad alta

ΔNBR >0.660 Severidad alta

Fuente: USGS, 2017

8
 RESULTADOS

Con la información de las imágenes satelitales localizada en los metadatos se realizó una
clasificación de la cantidad de cobertura de nubes en ellas, los resultados obtenidos de esta
clasificación arrojaron que sólo 4 de las 24 imágenes presentaron una cobertura menor al
50%, esto representa la principal limitación para el seguimiento mensual de los incendios
forestales, tal como se observa a continuación:

Figura 2. Cobertura nubosa para las imágenes del 2016.

De acuerdo a la base de datos suministrada por la UNGRD se obtuvieron las descripciones de los
incendios forestales en el departamento del Tolima para el año 2016, tales como la fecha en que ocurrió
la conflagración, el municipio y la cantidad del área quemada en hectáreas como se observa en la tabla
3:
Tabla 3. Base de datos de incendios forestales.

FECHA DEPARTAMENTO MUNICIPIO EVENTO HECTAREAS

26-sep-16 TOLIMA SAN LUIS INCENDIO FORESTAL 320
24-Aug-16 TOLIMA CUNDAY INCENDIO FORESTAL 200
18-feb-16 TOLIMA CUNDAY INCENDIO FORESTAL 80
23-Aug-16 TOLIMA CUNDAY INCENDIO FORESTAL 40
28-sep-16 TOLIMA CUNDAY INCENDIO FORESTAL 4
16-feb-16 TOLIMA SAN LUIS INCENDIO FORESTAL 4
13-sep-16 TOLIMA SAN LUIS INCENDIO FORESTAL 3

Distribución espacio-temporal de los incendios forestales.

Los incendios se lograron detectar especialmente en la zona plana y la parte baja de las cordilleras del
departamento en los meses de enero, febrero, marzo, julio, septiembre, noviembre y diciembre, puesto
que el porcentaje de nubes era relativamente bajo, sin embargo, se tuvo que recurrir a interpretación
visual contrarrestando la información con la encontrada en la base de datos, a pesar de esto no se logró
hacer un seguimiento continuo en algunos de los eventos debido a la gran nubosidad. Por otra parte, los
regímenes de incendio se presentaron en los meses de enero, febrero, agosto y septiembre, encontrando
los más grandes en los 2 últimos. Los incendios se presentaron generalmente en zona montañosa en la
región centro-norte del país, casi siempre cerca de una zona poblada o a un río, la información se
presenta en la tabla 1.

9
 Tabla 4. Incendios forestales.

ÁREA ÁREA DIF. COORDENADAS

SEVERIDAD SEVERIDAD
MUNICIPIO ÍNDICE EST. OFICIAL ÁREA
MAX. MIN.
(HA) (UNGRD) (HA) LATITUD LONGITUD

San Luis ΔNBR1 198.36 121.64 0.727 0.147

320 4.061144 -75.208635
ΔNBR2 21.33 298.67 0.204 0.1

Cunday ΔNBR1 253.8 -173.8 0.965 0.167

80 3.943671 -74.673492
ΔNBR2 131.04 -51.04 0.481 0.103

Evaluación de la severidad de la quemadura.

En el municipio de San Luis se estimó un incendio con una extensión aproximada de 198.36 ha según
el índice ΔNBR1 subestimando en un 61.9% el área registrada por la UNGRD. El índice estimo este
con valores máximos de hasta 0.727 correspondiente a severidad alta, permitiendo obtener un indicio
del lugar en el cual se inició la conflagración, no obstante, es importante recordar la relación que tienen
los tipos de cubierta vegetal con la severidad ya que estos funcionan como combustible para su
expansión según sus características. Por otra parte, se puede observar también que la clase
correspondiente a severidad baja es la que ocupa más área (61.65 ha), indicando un fuego en declive o
con poca cantidad de combustible.
Desde otro punto de vista, gracias a la capacidad que tiene el índice para percibir el proceso de
recuperación posterior al incendio, se puede observar que la zona se rehabilita progresivamente, debido
a que las clases de severidad más alta han disminuido a una más baja, viéndose reflejado en la extensión
del incendio ya que para el 08 de diciembre este mide 152.19 ha, con un área recuperada de
aproximadamente 46.17 ha.

Se encontró también que el ΔNBR1 es más sensible a las alteraciones causadas por el fuego sobre la
vegetación y por tal motivo discrimina mejor las clases de severidad que el ΔNBR2, logrando
comprobarlo visualmente en las figuras 3 y 4 e incluso mediante los valores máximos y mínimos
registrados en la tabla 1, puesto que el rango del segundo índice es muy corto, limitando así la
clasificación.

Figura 3.Severidad (ΔNBR-1) del incendio en el municipio de San Luis.

10
 Figura 4. Severidad (ΔNBR-2) del incendio en el municipio de San Luis.

Los resultados obtenidos para el incendio ubicado en el municipio de Cunday con ΔNBR-1 revelan una
tendencia similar a los encontrados en el incendio de San Luis, debido a que en el mes de marzo (mes
posterior al incendio) se presentaron varios tipos de severidad del área quemada, las zonas de color rojo
representan una severidad alta y a medida de que transcurrió el tiempo estos valores se ubican en los
rangos de severidad baja y algunas zonas en el rango de (-0.101 a -0.25) empiezan a clasificarse como
vegetación con crecimiento mejorado bajo.

Figura 5. Severidad del área quemada para el incendio en Cunday (ΔNBR1).

Para el ΔNBR-2 se encontró una menor clasificación y distinción del grado de afectación por el fuego
ya que los valores positivos asociados a quemaduras de alta gravedad (color rojo) se observan en una
poca cantidad como se observa en la figura 5.

11
 Figura 6. Severidad del área quemada para el incendio en Cunday (ΔNBR1).

Evaluación del proceso de regeneración de la vegetación

Desde el punto de vista de análisis de vegetación, el índice SAVI permitió detectar la recuperación de
la vegetación sobre la zona de estudio debido a que discrimina adecuadamente las zonas de baja
densidad o cobertura vegetal, su pico más bajo para el incendio de San Luis se presenta el 06 de
noviembre con un valor de 0.006, además este también evidencia una restauración progresiva tal como
lo muestra el ΔNBR1.

Figura 7. Regeneración de la vegetación para municipio de San Luis (ΔSAVI).

De la misma manera para el incendio ocurrido en Cunday se realizó un cálculo de los diferenciales de
vegetación presentados para el área determinada como quemada por los ΔNBR-1 y ΔNBR-2,
obteniendo que a través del diferencial pre y post incendio del SAVI arrojó una muy baja recuperación

12
de esta, dado que los pocos pixeles de tonalidad verde en la figura 7 lograron determinar un surgimiento
de cobertura vegetal.

Figura 8. Regeneración de la vegetación para municipio de Cunday (ΔSAVI).

El comportamiento para las 3 fechas del post-incendio se observa en la figura 8, la primera fecha
corresponde al color rojo, observamos que en todos los histogramas comprende los mayores valores
para cada diferencial, es decir que para el caso del ΔNBR representa diferentes grados de severidad del
incendio. En las siguientes fechas post-incendio los rangos se concentran en valores más bajos
indicando desde una baja severidad hasta la regeneración de la vegetación (verde y amarillo).

Figura 9. Histograma de comportamiento para los índices ΔNBR y ΔSAVI para Cunday (Izquierda) y
San Luis (Derecha).

13
 DISCUSIÓN

El estudio de las áreas quemadas causados por incendios forestales basándose en la clasificación de su
severidad permite enfocarse en que zona se presentó cierto grado de afectación sobre el terreno, sin
embargo, el monitoreo del fenómeno es un poco complejo ya que es influenciado por diversos factores
como la temperatura, el tipo de cobertura vegetal, la precipitación y el estrés hídrico, entre otros. En
este caso, se trató de simplificar el proceso tomando en cuenta la restauración de la zona con base al
comportamiento de la vegetación.

Inicialmente se seleccionó el satélite Landsat gracias a su resolución radiométrica y espacial de sus

productos que permitió la estimación de los índices y de las áreas, a pesar de esto se encontró una
discrepancia de 38 y 93% para ΔNBR-1, si bien son grandes valores son menores en comparación con
ΔNBR-2, dado que en este los valores sobrepasan el 100% de divergencia. Estos errores en cuanto a las
áreas detectadas se debe a la diferencia en el cálculo de medición, en este caso la base de datos pudo
haber sobrestimado las áreas ya que sus mediciones fueron in situ, por otra parte, si bien la resolución
de los productos es relativamente fina (30 m), aún no es suficientemente preciso para determinar un
área exacta, por lo que se tendría que implementar un producto con mejor resolución espacial para hacer
afirmaciones de este tipo (Arnett et al., 2014), además también se tendría que considerar la resolución
temporal ya que una más frecuente nos permitiría elegir productos en los cuales el porcentaje de nubes
sea mínimo (Cho et al., 2018).

El uso del NBR es una herramienta eficaz a para medir la severidad del área quemada calculando los
cambios registrados en la respuesta espectral de la superficie utilizando canales ópticos e infrarrojos, ya
que estos se relacionan con la condición de vegetación y humedad, para esto se identifica un periodo de
tiempo antes y después de ocurrir el incendio, esto con la intención de poder deducir el comportamiento
que tuvo la zona quemada. Este índice es considerado adecuado para evaluar el fenómeno dada su
facilidad de cálculo ya que sólo involucra dos bandas espectrales de las imágenes satelitales (Yi et al.,
2012).

El ΔNBR es una medida cuantitativa del cambio ambiental debido al incendio, en este caso la diferencia
obtenida por ΔNBR-1 resultó más sensible a las alteraciones causadas por los incendios sobre la
vegetación y por tal motivo discriminó mejor las clases de severidad que el ΔNBR-2, representando un
índice de la magnitud del cambio causado por los incendios forestales en términos de gravedad. El
método para interpretar las clasificaciones de las áreas quemadas fue como lo sugiere la USGS, de la
misma manera que lo implementó Teodoro & Amaral (2019)

Debido a que el ΔNBR puede presentar diferentes alteraciones producto de la presencia de nubes y
sombras, esto conlleva a diferentes obstáculos como que no permiten obtener una temporalidad exacta
y la saturación de los valores, es decir, en un determinado punto no es capaz de discriminar entre nubes
y terreno, de la misma manera tiende a presentar algunas áreas erosionadas como áreas quemadas, por
ejemplo, las minas, debido a que estas generalmente presentan el suelo desnudo sin ningún tipo de
cobertura vegetal. Por estas razones utilizamos una base datos auxiliar sobre la ocurrencia de los
incendios forestales como Nunes et al., (2019), con la que se obtuvo una aproximación a la localización
de los incendios, además esta base de datos cuenta con información cuantitativa de la cantidad de área
que se vio afectada, que es muy importante para el proceso de la validación de los resultados.

El proceso de recuperación de la vegetación en las áreas quemadas está relacionado con la gravedad de
la quemadura, en este caso se utilizó el índice de vegetación ajustado al suelo (SAVI) para obtener una

14
mejor estimación de la cantidad de biomasa verde en comparación con el Índice de vegetación de
diferencia normalizada (NDVI) utilizado por Collins et al., (2018), los resultados se obtienen
independientemente de las especies que conformen la comunidad. Desde otra perspectiva este fue
adecuado para evaluar la recuperación de la vegetación puesto que después del incendio la capa vegetal
es destruida casi por completo dejando el suelo casi desnudo, por tal motivo este nos permitió
discriminar apropiadamente el crecimiento de este variable casi desde cero, además el tipo de cobertura
favorece al índice ya que no se encontraba ningún bosque o dosel denso que impidiera la estimación
del estado de la vegetación (Arnett, 2015).

CONCLUSIONES

Inicialmente, los incendios fue posible detectarlos gracias a la base de datos de la UNGRD, sin esta la
localización de los fenómenos había sido casi imposible, dada la limitación de tiempo y los tamaños de
los incendios presentados en el año de estudio, por tal motivo se recomienda buscar siempre un historial
de los eventos a estudiar. Por otra parte, solo el 12% de los incendios registrados por la fuente oficial
pudieron ser detectados, sin embargo, se debió concentrar solo en el 6.66% dado que permitía hacer un
seguimiento relativamente continuo de la severidad y la regeneración a lo largo del tiempo con el
propósito de evaluar la precisión de la metodología empleada, obteniendo diferencias significativas en
lo referido a áreas dado los diferentes métodos de medición utilizados. Los eventos se presentaron
especialmente en la región centro norte del departamento, posiblemente debido a la cercanía que tienen
con los centros poblados, como indicador de esta afirmación consideramos la cercanía a ríos y zonas
urbanas.

Debido a que los incendios forestales presentan un proceso de combustión que ocasiona cambios en la
reflectividad de la superficie, a su vez está asociado a factores como la eliminación de la vegetación y
cambios en la humedad del suelo, por esto el objetivo principal de este estudio no era detectar incendios
forestales, por el contrario, fue evaluar la severidad según una clasificación y hacer un seguimiento de
la vegetación recuperada mientras fue posible, las áreas quemadas estimadas se derivaron de acuerdo a
la capacidad de los índices derivados de sensores remotos como ΔNBR para realizar un análisis del
proceso de la regeneración de la vegetación en las zonas afectas.

Los índices implementados tienen ciertas falencias ya que para evaluar por completo el fenómeno
necesitan de otros que considere variables tales como temperatura, precisión, estrés hídrico, entre otros.
A pesar de esto tener un área aproximada con su correspondiente severidad es importante para
comprender los regímenes de incendios en el espacio-tiempo con el propósito de tener un plan de
manejo adecuado y así comprender los efectos ecológicos que estos tienen, en conclusión, estos mapas
permiten reunir esfuerzos para tomar las decisiones oportunas.

En trabajo futuros, será necesario tener en cuenta el ruido que genera la presencia de nubes y sombras
en las imágenes satelitales de sensores pasivos, debido a esto se debe buscar un enfoque integrado de
observaciones satelitales tanto pasivas como activas. Las limitaciones de emplear este tipo de
metodologías en imágenes ópticas es la presencia de nubes que no permiten la observación de la
superficie terrestre, resolución temporal baja, detección de áreas quemadas solo a nivel general no es
posible solo con este tipo de datos estimar incendios. Cabe destacar también las potencialidades que
posee realizar estudios de esta índole como la capacidad de tener un monitoreo de las áreas afectadas y
cuantificar su regeneración a través del tiempo a partir de índices espectrales o metodologías robustas
que permitan discriminar diferentes clases.

15
 BIBLIOGRAFÍA

Arnett, J.T.T.R., Coops, N.C., Daniels, L.D., Falls, R.W., 2015. Detecting forest damage after a low-
severity fire using remote sensing at multiple scales. Int. J. Appl. Earth Obs. Geoinf. 35, 239–
246. https://doi.org/10.1016/j.jag.2014.09.013
Chowdhury, E.H., Hassan, Q.K., 2015. Operational perspective of remote sensing-based forest fire
danger forecasting systems. ISPRS J. Photogramm. Remote Sens. 104, 224–236.
https://doi.org/10.1016/j.isprsjprs.2014.03.011
Collins, L., Griffioen, P., Newell, G., Mellor, A., 2018. The utility of Random Forests for wildfire
severity mapping. Remote Sens. Environ. 216, 374–384.
https://doi.org/10.1016/j.rse.2018.07.005
Comisión Nacional Forestal, 2010. Incendios forestales: Guía práctica para comunicadores. Zapopan,
Jal.
dos Santos, J.F.C., Romeiro, J.M.N., de Assis, J.B., Torres, F.T.P., Gleriani, J.M., 2018. Potentials
and limitations of remote fire monitoring in protected areas. Sci. Total Environ. 616–617, 1347–
1355. https://doi.org/10.1016/j.scitotenv.2017.10.182
Gómez, I., Pilar Martín, M., 2011. Prototyping an artificial neural network for burned area mapping
on a regional scale in Mediterranean areas using MODIS images. Int. J. Appl. Earth Obs.
Geoinf. 13, 741–752. https://doi.org/10.1016/j.jag.2011.05.002
Teodoro, A., Amaral, A., 2019. A Statistical and Spatial Analysis of Portuguese Forest Fires in
Summer 2016 Considering Landsat 8 and Sentinel 2A Data. Environments 6, 36.
https://doi.org/10.3390/environments6030036
Yi, K., Tani, H., Wang, X., Guo, M., Zhong, G., 2012. Spatio-temporal distribution of forest fires and
vegetation recovery in the Northeast of China. Int. Geosci. Remote Sens. Symp. 6423–6426.
https://doi.org/10.1109/IGARSS.2012.6352730

16