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

  • Angel Cunill Camprubí Universitat de Lleida

Resumen

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

Publicado
2019-09-23
Cómo citar
Cunill Camprubí, A. (2019). 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. Cuadernos De La Sociedad Española De Ciencias Forestales, 45(2), 205-214. https://doi.org/10.31167/csecfv5i45.19872
Sección
Premios Universitarios de la SECF (Convocatoria 2018)