Obtención de mapas de humedad del combustible a partir de variables meteorológicas para la predicción del riesgo de incendios forestales a escala regional: nuevo enfoque a los actuales índices de peligro de incendio
DOI:
https://doi.org/10.31167/csecfv5i45.19872Resumen
Los incendios forestales constituyen una de las mayores perturbaciones forestales a nivel mundial y, en especial, en las regiones mediterráneas. Este trabajo propone la aplicación espacial de un método de predicción del contenido de humedad del combustible fino y muerto (FM), que muestra una relación contrastada con el área quemada acumulada tras un incendio. El modelo empleado para predecir FM requiere únicamente del déficit de presión de vapor, cuyo valor se obtiene de los datos en cuadrícula de temperatura y humedad relativa. Para convertir las mediciones puntuales adquiridas de la red de estaciones meteorológicas a superficies continuas, se probaron las siguientes técnicas de interpolación espacial: regresión lineal (RL), ponderación por el inverso de la distancia (IDW) y kriging ordinario (OK). Dentro de la RL se evaluaron dos funciones diferentes con la elevación, la latitud y la longitud como variables de entrada. El estudio se realizó en el territorio español de la Península Ibérica y las Islas Baleares durante junio y julio de 2018. Los mejores resultados se obtuvieron con la técnica de OK. El producto final es un aplicativo automatizado para la estimación del contenido de humedad de los combustibles finos muertos, que busca ser operativo entre los cuerpos de extinción de incendios forestales como alerta anticipada a la ocurrencia de grandes incendios.
Citas
AEMET. 2018. AEMET Open Data. Sistema para la difusión y reutilización de la información de la Agencia Estatal de Meteorología. https://opendata.aemet.es/centrodedescargas/inicio
Aguado, I., Chuvieco, E., Borén, R., & Nieto, H. 2007. Estimation of dead fuel moisture content from meteorological data in Mediterranean areas. Applications in fire danger assessment. Int. J. Wildland Fire, 16(4), 390-397. https://doi.org/10.1071/WF06136
Baddeley, A. & Turner, R. 2005. spatstat: An R Package for Analyzing Spatial Point Patterns. J. Stat. Softw., 12(6), 1-42. https://doi.org/10.18637/jss.v012.i06
Bivand R., Keitt T. & Rowlingson B. 2018. rgdal: Bindings for the 'Geospatial' Data Abstraction Library. R package version 1.3-3. https://CRAN.R-project.org/package=rgdal
Bivand, R., Pebesma, E., & Gómez-Rubio, V. 2013. Applied Spatial Data Analysis with R. Second Edition. Springer, New York. https://doi.org/10.1007/978-1-4614-7618-4
Boer, M. M., Nolan, R. H., Resco De Dios, V., Clarke, H., Price, O. F., & Bradstock, R. A. 2017. Changing Weather Extremes Call for Early Warning of Potential for Catastrophic Fire. Earth's Future, 5(12), 1196-1202. https://doi.org/10.1002/2017EF000657
Cabrero Ortega, Y., y García Pérez, A. 2015. Análisis estadístico de datos espaciales con QGIS y R. Universidad Nacional de Educación a Distancia UNED, Madrid.
Cáceres, M. De, Martin, N., Granda, V., & Cabon, A. 2018. Meteoland: Landscape Meteorology Tools. R package version 0.7.1.
Castellnou, M., Miralles, M., y Molina, D. 2005. Análisis de la disponibilidad de combustible: índices meteorológicos críticos para la ocurrencia de cada patrón de grandes incendios forestales en la zona de Tivissa. IV Congreso Forestal Español. Zaragoza, (septiembre 2017).
Chuvieso, E. 2003. Wildland fire danger. Estimation and mapping. The role of remote sensing data. World Scient, River Edge, N.J. https://doi.org/10.1142/9789812791177
Chuvieso, E., y Martín, M. del P. 2004. Nuevas tecnologías para la estimación del riesgo de incendios forestales. Consejo Superior de Investigaciones Científicas, Madrid.
Cressie, N. 1993. Statistics for Spatial Data (Revised Ed). Wiley-Interscience Publication, USA. https://doi.org/10.1002/9781119115151
Duursma, R. A. 2015. Plantecophys - An R Package for Analysing and Modelling Leaf Gas Exchange Data. PLoS ONE, 10(11), e0143346. https://doi.org/10.1371/journal.pone.0143346
Hengl, T. 2009. A Practical guide to Geostatistical Mapping of Environmental Variables. Sci. and Tech. Res. ser., EU.
IGN. 2018. Instituto Geográfico Nacional. Modelo Digital de Elevaciones de España. MDT200. http://centrodedescargas.cnig.es/CentroDescargas/catalogo.do?Serie=LIDAR#
Li, J., & Heap, A. D. 2011. A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors. Ecol. Informatics, 6(3-4), 228-241. https://doi.org/10.1016/j.ecoinf.2010.12.003
Li, J., & Heap, A. D. 2014. Spatial interpolation methods applied in the environmental sciences: A review. Environ. Model. and Softw., 53, 173-189. https://doi.org/10.1016/j.envsoft.2013.12.008
Lu, C.-T., Chen, D., & Kou, Y. 2003. Algorithms for spatial outlier detection. Third IEEE International Conf. on Data Mining, 0-3. https://doi.org/10.1109/ICDM.2003.1250986
Martin Soler, M., Bonet, J. A., Martínez De Aragón, J., Voltas, J., Coll, L., & Resco De Dios, V. 2017. Crown bulk density and fuelmoisture dynamics in Pinus pinaster stands are neither modified by thinning nor captured by the Forest FireWeather Index. Annals of For. Sci. https://doi.org/10.1007/s12192-010-0223-9
Nelson, R. M. 2001. Water Relations of Forest Fuels. In: Johnson, E. & Miyanishi, K (eds.), Forest Fires: Behavior and Ecological Effects. Elsevier, pp. 79-149. https://doi.org/10.1016/B978-012386660-8/50006-4
Nolan, R. H., Boer, M. M., Resco De Dios, V., Caccamo, G., & Bradstock, R. A. 2016a. Large-scale, dynamic transformations in fuel moisture drive wildfire activity across southeastern Australia. Geophys. Res. Lett., 43(9), 4229-4238. https://doi.org/10.1002/2016GL068614
Nolan, R. H., Resco de Dios, V., Boer, M. M., Caccamo, G., Goulden, M. L., & Bradstock, R. A. 2016b. Predicting dead fine fuel moisture at regional scales using vapour pressure deficit from MODIS and gridded weather data. Remote Sens. of Environ., 174, 100-108. https://doi.org/10.1016/j.rse.2015.12.010
Olaya, V. 2014. Sistemas de Información Geográfica. J. of Chem. Inform. and Model., 53(9), 1689-1699. https://doi.org/10.1017/CBO9781107415324.004
Olson, D. M., Dinerstein, E., Wikramanayake, E. D., Burgess, N. D., Powell, G. V. N., Underwood, E. C., … Kassem, K. R. 2001. Terrestrial Ecoregions of the World: A New Map of Life on Earth. BioScience, 51(11), 933. https://doi.org/10.1641/0006-3568(2001)051[0933:TEOTWA]2.0.CO;2
Pausas, J. G., y Fernández-Muñoz, S. 2012. Fire regime changes in the Western Mediterranean Basin: from fuel-limited to drought-driven fire regime. Clim. Change, 110(1-2), 215-226. https://doi.org/10.1007/s10584-011-0060-6
Pebesma, E.J. 2004. Multivariable geostatistics in S: the gstat package. Comput. & Geosci., 30: 683-691. https://doi.org/10.1016/j.cageo.2004.03.012
R Core Team. 2018. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Resco de Dios, V., Fellows, A. W., Nolan, R. H., Boer, M. M., Bradstock, R. A., Domingo, F., & Goulden, M. L. 2015. A semi-mechanistic model for predicting the moisture content of fine litter. Agric. and For Meteorol, 203, 64-73. https://doi.org/10.1016/j.agrformet.2015.01.002
Rothermel, R.C. 1983. How to predict the spread and intensity of forest and range fires. Gen. Tech. Rep. INT-143. Ogden, UT: U.S. https://doi.org/10.2737/INT-GTR-143
Sánchez-Palomares, O., Sánchez-Serrano, F., y Carretero, M. P. 1999. Modelos y Cartografía de estimaciones climáticas termopluviométricas para la España peninsular. Ministerio de Agricultura, Pesca y Alimentación. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria, Madrid.
Webster, R. & Oliver, M. A. 2007. Geostatistics for Environmental Scientists. Statistics in Practise. Second ed. John Wiley & Sons, Chichester. https://doi.org/10.1002/9780470517277
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Las obras que se publican en esta revista están sujetas a los siguientes términos:
- Las obras se publican en edición electrónica, en acceso abierto y bajo una licencia Creative Commons Attribution-Non Comercial License 3.0. Se permite a otros distribuir, copiar o adaptar las obras así como crear obras derivadas siempre que se cite la autoría del trabajo y su publicación inicial en esta revista. No se permite el uso de estas obras ni de sus derivadas con fines comerciales.
- Los autores conservan los derechos de autor, garantizan a la revista el derecho de ser la primera publicación del trabajo y están de acuerdo con la licencia de uso utilizada por la revista, con las condiciones de autoarchivo y con la política de acceso abierto.
- Se permite y anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) ya que puede dar lugar a intercambios productivos, así como a una mayor citación de los trabajos publicados.