Analizando la relación entre la intensidad de los puntos de calor MODIS y VIIRS y la severidad de incendios

medida con Sentinel

Mesias Edwin Dominguez-Amaya1, Diana Aime Tinoco-Orozco1, Daniel José Vega-Nieva1, Carlos Briones-Herrera1, Pablito Marcelo López-Serrano2, José Javier Corral-Rivas1, Ernesto Alvarado-Celestino3.

1 Universidad Juárez del Estado de Durango, Facultad de Ciencias Forestales, Durango, México. 2 Instituto de Silvicultura e Industria de la Madera, Universidad Juárez del Estado de Durango, Durango, México. 3 School of Environmental and Forest Sciences, University of Washington, WA, USA.

Carac-

terizan

do la

inten-

INTRODUCCIÓN

Desde hace millones de años, la especie humana y las especies de flora y fauna terrestres viven inmersas en el gran triángulo planetario del fuego –atmósfera (oxigeno), combustibles (tipos de vegetación) y fuentes de ignición (agente causal) (Rodríguez-Trejo, 2015). Las relaciones del fuego con un ecosistema se definen en lo que se llama régimen del fuego; que tiene que ver con la severidad, la intensidad, la escala espacial, la estacionalidad y la fuente predominante de ignición, es decir, la presencia del fuego en un ecosistema posee un “patrón” específico y atributos (Cerano-Paredes et al., 2016).

Dentro de este contexto, los términos de intensidad y severidad son puntos prominentes dentro de los estudios que analizan los efectos de los incendios forestales. La intensidad se refiere a la cantidad y velocidad de liberación de ener-gía en el incendio (intensidad lineal y calorífica, velocidad de propagación) (Neary et al.,1999); la severidad es definida por Grupo Coordinador Nacional de Incendios Forestales (por sus siglas en ingles NWCG, National Wildfire Coordina-ting Group) “como el grado de alteración que sufre un lugar por incendios forestales”, es decir, una medida que cuantifica la magnitud del efecto que provocan los incendios en el ambiente y en sus componentes eco-sistemáticos (Van et al., 2004; Lutes et al., 2006).

En la actualidad, la teledetección ha representado una herramienta muy útil para estimar áreas afectadas por incendios forestales, determinar y cuantificar áreas quemadas (AQ) y grados de severidad (dNBR) a través de sensores remo-tos (Navarro et al., 2017). La intensidad radiativa de los puntos de calor (FRP), ha sido asimismo ligada con el consumo de biomasa y frecuentemente empleada en los últimos años para el mapeado directo de consumo y emisiones (Mota y Wooster, 2018). Si bien algunos artículos han encontrado relaciones entre el FRP con la biomasa consumida (Wooster et al. 2005; Roberts et al., 2005; Zhang et al. 2012), son áun muy escasos los estudios que han analizado la relación en-tre las métricas satelitales de intensidad calórica tales como el FRP, disponibles diariamente en tiempo casi real, con índices satelitales de severidad ampliamente empleados para caracterizar los impactos de los incendios tales como el dNBR (Heward et al., 2013; Colak y Sunar, 2019; Henry et al., 2019). Poder encontrar una relación entre estas dos variables proporcionaría nuevas formas de predecir áreas con efectos potencialmente negativos a largo plazo (Heward et al., 2013), incluyendo incrementos en mortalidad de árboles, erosión del suelo, entre otras variables obtenidas mediante análisis post al incendio (e.g. Lentile et al., 2006; Heward et al., 2013).

El presente estudio tuvo como objetivo analizar la relación entre el FRP y el dNBR en incendios de gran magnitud en el noroeste de México para los años de 2016-2020. La hipótesis del estudio fue encontrar una relación significativa entre el FRP (intensidad calórica) y dNBR (severidad). Esta relación permitiría identificar los incendios en los que se espera un mayor impacto (severidad) a partir de los datos de intensidad calórica de los puntos de calor (FRP) en tiempo real, permitiendo apoyar las tomas de decisiones de manejo del fue-go, incluyendo la priorización de las acciones de prevención, supresión y monitoreo del impacto de incendios forestales.

MATERIALES Y MÉTODOS

Área de estudio

Se analizaron un total de 31 incendios de más de 2000 has de la región Noroeste de la República Mexicana según la regionalización de Monjarás-Vega et al. (2020) en el periodo 2016-2020. En esta región están presentes combustibles vegetales tales como Pino, Encino, Pino-Encino y Encino-Pino, Matorral-Pastizal-Árido, Pastizal Natural y en algunas áreas selectivas Bosque Tropical (INEGI, 2013).

Metodología

- Descarga y procesamiento de los puntos de calor MODIS y VIIRS

A objeto de minimizar los efectos del tamaño de pixel en los valores de FRP de los puntos de calor (e.g. Li et al., 2018; Fu et al., 2020), se normalizó la variable dividiendo entre el área de pixel, estimada a partir de los datos de Scan y Track de los sensores MODIS y VIIRS (e.g. Fu et al., 2020), según la ecuación:

Dónde: FRPN = FRP normalizado (MW/km2); FRP= Fire Radioative Power (MW); AP= Área del Pixel (km2), calculada según:

Dónde: S= Scan; T= Track (Fu et al., 2020).

Para cada conglomerado de puntos de calor, se calculó la densidad de kernel de FRPN (KFRPN) a un radio de búsqueda de 5 km, median-te la herramienta kernel density de ArcGis, usando como campo a interpolar el FRPN. Se calculó la densidad de kernel de FRPN separada-mente para los puntos de calor MODIS y VIIRS.

- Descarga y procesamiento de las imágenes Sentinel 2

Se descargaron las imágenes Sentinel 2A de los 31 incendios seleccionados a través de la herramienta en línea Google Earth Engine uti-lizando el código de Parks et al. (2018), modificado por Briones-Herrera et al. (2020) para Sentinel. Se empleó una ventana de 1 mes an-tes del primer punto de calor y 1 mes posterior al último punto de calor para la descarga de las imágenes previa y posterior al incendio, respectivamente. Se descargó el índice dNBRc calculado según la expresión:

Dónde: corr es el dNBR promedio del área no quemada (Parks et al. (2018), estimada como un buffer de 2 km desde el perímetro de área quemada, según la metodología de Briones et al. (2020).

Dónde: NBR

Dónde: Banda 8 es la reflectancia del infrarrojo cercano (Near-Infrared, NIR, 0.77-0.90 μm) y Banda 12 corresponde al infrarrojo de onda corta (Short Wave Infrared, SWIR, 2.0-2.3 μm). Se resamplearon las imágenes de dNBRc de Sentinel (20 m) mediante la herramienta Aggregate en Arcgis, empleando ventanas (cell factor) de 19 y 50 pixeles, para obtener los valores más altos observados de severidad en un tamaño de celda comparable con los pun-tos de calor MODIS y VIIRS (1000m y 375m, respectivamente).

- Procesamiento de la base de datos

Se extrajeron los valores de KFRPN de MODIS y VIIRS a los puntos de los puntos de calor respectivamente por sensor, así como los valo-res de dNBRc resampleados y el ID_incendio (identificador de cada conglomerado de puntos de calor) a ambas bases, mediante la he-rramienta Extract multi values to points en ArcGis. Se calcularon para incendio analizado, los percentiles 99 y 90 de KFRPN, de MODIS, VIIRS, y del dNBRc, mediante RStudio. Las relaciones entre los percentiles de intensidad calórica (KFRPN) y severidad (dNBRc) se analiza-ron mediante modelos lineales y no lineales para ambos sensores MODIS y VIIRS. Los modelos se evaluaron en base al coeficiente de determinación (R2) y error cuadrático medio (RMSE).

RESULTADOS Y DISCUSIÓN

- Mapeado de intensidad calórica y severidad de los incendios

Se muestra la intensidad calórica observada para el sensor MODIS (Fig. 1a) y VIIRS (Fig. 1b), de los 31 incendios analizados en la región de estudio.

Se muestra una ventana de detalle para las variables analizadas de dNBRc (Fig. 2a) y KFRPN de MODIS (Fig. 2b) Y VIIRS (Fig. 2c).

b

Figura 1.- Densidad de kernel del FRPN (MW/km2) de los puntos de calor MODIS (a) y VIIRS (b) para los 31 incendios analizados. El cuadrado negro muestra la ubicación de área de detalle (Fig. 2).

Figura 2.- dNBRc (a), KFRPN de MODIS (b) y VIIRS (c) para ventana de detalle en los estados de Chihuahua y Sonora. Donde CPC: Conglomerados de Puntos de Calor.

RESULTADOS Y DISCUSIÓN CONT.

- Análisis estadístico

Se obtuvieron los mejores resultados para predecir la severidad (dNBRc) a partir de la intensidad (KFRPN) para el percentil 90, em-pleando el resampleado a 380 m de las imágenes Sentinel, tanto para MODIS como para VIIRS. El uso del percentil 90, también empleado por Heward et al. (2013) en su análisis de relaciones de FRP y RdNBR en el oeste de los Estados Unidos, posiblemente capturó valores representativamente altos, evitando datos extremos observados en el percentil 99. Los mejores resultados fueron observados para los modelos no lineales del tipo potencial, con un R2 de 0.56 para MODIS y de 0.61 para VIIRS (Tabla 1).

Se muestran los modelos potenciales frente a los datos observados en las figuras 3 y 4.

Sensor a (+/-SD) b (+/-SD) R2 RMSE bias

MODIS 294 (+/-28.77 ) 0.16 (+/-0.027) 0.5546 62.55 0.135

VIIRS 177 (+/-30.01) 0.18 (+/-0.028) 0.6142 58.69 2.831

Tabla 1.- Coeficientes y bondad de ajuste de los modelos potenciales para predecir el percentil 90 de dNBRc a partir del percen-til 90 de KFRPN.

Donde a y b: coeficientes del modelo potencial (dNBRc= a·KFRPNb), SD: desviación estándar de los coeficientes del modelo; R2:

coeficiente de determinación, RMSE: error cuadrático medio; bias: sesgo.

Figura 3. Relación entre la intensidad calórica de los puntos de calor MODIS y la severidad medi-da con Sentinel. Dónde: MODIS P90 KFRPN: percentil 90 de la densidad de kernel de la intensidad calórica (FRP) de los puntos de calor VIIRS (MW/km2); Sentinel P90 dNBRc: percentil 90 del índi-ce de severidad dNBR medido con Sentinel 2.

Figura 4. Relación entre la intensidad calórica de los puntos de calor VIIRS y la severidad medida con Sentinel. Dónde: VIIRS P90 KFRPN: percentil 90 de la densidad de kernel de la intensidad ca-lórica (FRP) de los puntos de calor VIIRS (MW/km2); Sentinel P90 dNBRc: percentil 90 del índice de severidad dNBR medido con Sentinel 2.

RESULTADOS Y DISCUSIÓN CONT.

La relación positiva observada en el presente estudio entre FRP y dNBR (i.e. mayor severidad observada en incendios más intensos), corrobora las observaciones de los estudio de Heward et al. (2013), Henry et al. (2019) o Colak y Sunar (2019), para una región de amplia variación en tipos de vegetación, características dasométricas y condiciones climáticas (oscilando de clima semi-árido a templado-humedo) en el Noroeste de México. En trabajos futuros se deberá analizar las relaciones de FRP y dNBR en otros tipos de ecosistemas y regiones climáticas. Si bien las métricas analizadas en el presente estudio (percentiles de FRP y dNBR) son útiles para categorizar el comportamiento e impacto, respectivamente, a nivel de evento (incendio), tal y como se analizó en el estudio de Heward et al. (2013), futuros estudios podrían centrarse en el aná-lisis a nivel de pixel, tal y como se ha realizado en los estudios de Henry et al. (2019) o Colak y Sunar (2019).

La bondad de ajuste (R2 0.5-0.6) observada para los 31 incendios analizados es similar a lo reportado por Heward et al. (2013) para el percentil 90 de FRP MODIS y el índice RdNBR de Landsat en 16 incendios en el Oeste de estados Unidos, y presenta una menor dispersión que los datos presentados en el análisis de Henry et al. (2019) a nivel de pixel del FRP de MODIS frente al dNBR de Landsat. Es posible que la escala de análisis (incendio frente a pixel) del presente estudio, así co-mo el centrar el estudio en grandes incendios (> 2000 has), limite la dispersión de los datos, particularmente para los in-cendios de baja intensidad, observada por Henry et al. (2019) y, en cierta medida, también sugerida por los datos de He-ward et al. (2013). En futuros estudios se analizarán las relaciones de FRP y dNBR, incluyendo también incendios de peque-ña superficie.

Las relaciones observadas entre el FRP de MODIS y VIIRS presentaron una forma asintótica, sugiriendo una saturación del índice de severidad dNBR para capturar la variación registrada en intensidades calóricas más elevadas, también observado en el análisis a nivel de incendio de Heward et al. (2013), así como en el estudio a nivel de pixel de Henry et al. (2019); esto a diferencia de los resultados de Colak y Sunar (2019) para una localización de Turquía donde se observó una relación de ti-po lineal, para un número limitado de observaciones (n=8). Esta tendencia asintótica podría estar ligada a la posible satura-ción de los índices satelitales de reflectancia en capturar los niveles más altos de daño en el arbolado, tal y como ha sido observado frecuentemente en los estudios que analizan las relaciones de índices como el dNBR o RBR y variables de cam-po de severidad en el arbolado (e.g. Soverel et al., 2010; Arellano et al., 2018; Parks et al. 2014, 2018).

a b

CONCLUSIONES

Los resultados obtenidos en este estudio demuestran el potencial de correlación entre el FRP y el dNBR, to-mando en cuenta que una variable se toma en tiempo casi-real y la otra cada cinco días en el caso de México respectivamente, representan un producto bastante prometedor al momento de poder hacer una reclasifica-ción del dNBR y ser capaces de adquirir la severidad del incendio en tiempo casi-real. Como trabajo futuro, se considera necesario analizar incendios más pequeños, de menor FRP y dNBR, así como analizar las relaciones entre estas variables en otras regiones con tipos de combustibles diferentes a los analizados.

AGRADECIMIENTOS: El financiamiento para este trabajo fue proporcionado por el Proyecto CONAFOR-CONACYT-2018-C02-B-S-131553 “Reforzamiento al sistema nacional de predicción de peligro de incendios forestales de Méxi-co para el pronóstico de conglomerados y área quemada“, financiado por el Fondo Sectorial para la Investigación, el Desarrollo y la Innovación Tecnológica y Forestal CONAFOR-CONACYT

REFERENCIAS Arellano, S.; Vega, J.A.; Rodríguez y Silva, F.; Fernández, C.; Vega-Nieva, D.; Álvarez-González, J.G.; Ruiz-González, A.D. Validación de los índices de teledetección dNBR y RdNBR para determinar la severidad del fuego en el incendio forestal de Oia-O Rosal (Pontevedra) en 2013. Rev. Teledetección 2017, 49, 49–61. Briones-Herrera, C.I; Vega-Nieva, D.J; Monjarás-Vega, N.A; Briseño-Reyes, J; López-Serrano, P.M; Corral-Rivas, J.J; Alvarado-Celestino, E; Arellano-Pérez, S; Álvarez-González, J.G; Ruiz-González, A.D; Jolly, W.M; Parks, S.A. 2020. Near Real-Time Automated Early Mapping of the Perimeter of Large Forest Fires from the Aggregation of VIIRS and MO-DIS Active Fires in Mexico. Remote Sens. 12, 2061. https://doi.org/10.3390/rs12122061. En línea. Disponible en: https://www.mdpi.com/2072-4292/12/12/2061 Cerano-Paredes, Julián; Villanueva-Díaz, José; Vázquez-Selem, Lorenzo; Cervantes-Martínez, Rosalinda. 2016. Régimen histórico de incendios y su relación con el clima en un bosque de Pinus hartwegii al norte del estado de Puebla, México. En línea. Consultado 03/03/2021. Disponible en: http://dx.doi.org/10.4067/S0717-92002016000200017 Colak, Emre and Sunar, Filiz. 2019. Spatial pattern analysis of post-fire damages in the Menderes District of Turkey. Frontiers of Earth Science volume 14, pages446–461. Doi: https://doi.org/10.1007/s11707-019-0786-4 Fu, Y; Li, R; Wang, X; Bergeron, Y; Valeria, O; Chavardès, R.D; Wang, Y; Hu, J. 2020. Fire Detection and Fire Radiative Power in Forests and Low-Biomass Lands in Northeast Asia: MODIS versus VIIRS Fire Products. Remote Sens. 12, 2870. https://doi.org/10.3390/rs12182870. En línea. Disponible en: https://www.mdpi.com/2072-4292/12/18/2870 Henry, M.C; Maingi, J.K; McCarty, J. 2019. Fire on the Water Towers: Mapping Burn Scars on Mount Kenya Using Satellite Data to Reconstruct Recent Fire History. Remote Sens. 2019, 11(2), 104; https://doi.org/10.3390/rs11020104. En línea. Disponible en: https://www.mdpi.com/2072-4292/11/2/104/htm Heward, H; Smith, A.M; Roy, D.P; Tinkham, W.T; Hoffman, C.M; Morgan, P and Lannom, K.O. 2013. Is burn severity related to fire intensity? Observations from landscape sca-le remote sensing. International Journal of Wildland Fire, 22, 910–918. Doi: http://dx.doi.org/10.1071/WF12087. En Línea. Disponible en: https://www.firescience.gov/projects/07-2-1-60/project/07-2- 60_2013_Heward_et_al.pdf INEGI. 2013. Conjunto Nacional de Información de Uso del Suelo y Vegetación escala 1:250,000, Serie V. INEGI. Aguascalientes, México. Keeley, Jon. E. 2009. Fire intensity, fire severity and burn severity: a brief review and suggested usage. International Journal of Wildland Fire. 18, 116–126. En línea. Disponi-ble en: https://webpages.uidaho.edu/firegis/secure/downloads/Keeley_2009_BSreview_IJWF.pdf Kumar, S.S; Roy, D.P; Boschetti, L; Kremens, R. 2011. Exploiting the power law distribution properties of satellite fire radiative power retrievals: A method to estimate fire ra-diative energy and biomass burned from sparse satellite observations. Advancing Earth and Space Science. Doi: https://doi.org/10.1029/2011JD015676. En línea. Disponible en: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2011JD015676 Lentile, L.B; Holden, Z. A; Smith A. M.S; Falkowski, M.J; Hudak, A.T; Morgan P, L.S.A; Gessler, P.E; Benson, N.C. 2006. Remote sensing techniques to assess active fire characte-ristics and post-fire effects. International Journal of Wildland Fire 15, 319-345. En línea. Disponible en: https://www.publish.csiro.au/wf/WF05097 Li, F.; Zhang, X.; Kondragunta, S.; Roy, D.P. Investigation of the fire radiative energy biomass combustion coefficient: A comparison of polar and geostationary satellite re-trievals over the Conterminous United States. J. Geophys. Res. Biogeosci. 2018, 123, 722–739. Doi: https://doi.org/10.1002/2017JG004279. En línea. Disponible en: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1002/2017JG004279 Lutes, DC; Keane, RE; Caratti, JF; Key, CH; Benson, NC; Sutherland, S; Gangi, LJ. 2006. FIREMON: Fire effects monitoring and inventory system. Gen. Tech. Rep. RMRS-GTR-164. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. En línea. Disponible en: https://www.fs.usda.gov/treesearch/pubs/24042 Monjarás-Vega, N; Briones-Herrera, C; Vega-Nieva, D; Calleros-Flores, E; Corral-Rivas, J. J; López S, P; Pompa-García, M; Rodrıguez-Trejo, D; Carrillo-Parra, A; González-Cabán, A; Alvarado, E and Jolly, W. 2020. Predicting forest fire kernel density at multiple scales with geographically weighted regression in Mexico. Science of The Total Environment. 718. 137313. 10.1016/j.scitotenv.2020.137313. En línea. Disponible en; https://www.sciencedirect.com/science/article/abs/pii/S0048969720308238 Mota, B; and Wooster, MJ. 2018. A new top-down approach for directly estimating biomass burning emissions and fuel consumption rates and totals from geostationary sa-tellite fire radiative power (FRP). Remote Sens. Environ. 206, 45–62. https://doi.org/10. 1016/j.rse.2017.12.016 Navarro, G; Caballero, I; Silva, G; Parra, PC; Vázquez, Á; Caldeira, R. (2017). Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery. International journal of applied earth observation and geoinformation, 58, 97-106. doi: https://doi.org/10.1016/j.jag.2017.02.003 Neary, D.G; Klopatek, C.C; DeBano, L.F; Folliott, P.F. 1999. Fire effects on belowground sustainability: A review and synthesis For. Ecol. Manage., 122, pp. 51-71. En línea. Dis-ponible en: https://www.fs.usda.gov/treesearch/pubs/33598 Parks, SA; Holsinger, LM; Voss, MA; Loehman RA; Robinson, NP. 2018. Mean Composite Fire Severity Metrics Computed with Google Earth Engine Offer Improved Accuracy and Expanded Mapping Potential. Remote Sensing 10(6). Doi: 10.3390/rs10060879. En línea. Disponible en: https://www.researchgate.net/publication/325576918_Mean_Composite_Fire_Severity_Metrics_Computed_with_Google_Earth_Engine_Offer_Improved_Accuracy_and_Expanded_Mapping_Potential Parks, S.A; Dillon, G.K; Miller, C. 2014. A New Metric for Quantifying Burn Severity: The Relativized Burn Ratio. Remote Sensing 6(3). Doi: 10.3390/rs6031827. En línea. Dispo-nible en: https://www.researchgate.net/publication/262984625_A_New_Metric_for_Quantifying_Burn_Severity_The_Relativized_Burn_Ratio Soverel, N.O; Perrakis, D.B and Coops, N.C. 2010. Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada. ELSEVIER. Remote Sensing of Envi-ronment. Volume 114, Issue 9, 15 September 2010, Pages 1896-1909. Doi: https://doi.org/10.1016/j.rse.2010.03.013 Wooster, MJ and Zhang, YH. 2004. Boreal forest fires burn less intensely in Russia than in North America, Geophys. Res. Lett., 31, L20505, doi:10.1029/2004GL020805.Zhang, X.; Kondragunta, S.; Ram, J.; Schmidt, C.; Hung, H.-C. Near-real-time global biomass burning emissions product from geostationary satellite constellation. J. Geophys. Res. At-mos. 2012, 117. Roberts, M; Wooster, J; Perry, G.L; Drake, L; Dipotso, R.F.2005. Retrieval of biomass combustion rates and totals from fire radiative power observations: Application to sout-hern Africa using geostationary SEVIRI imagery. Advancing Earth and Space Science. Doi: https://doi.org/10.1029/2005JD006018. En línea. Disponible en: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2005JD006018 Rodríguez-Trejo Dante Arturo. 2015. Incendios De Vegetacion. Su Ecologia Manejo E Historia. Vol. 2. Van-Wagtendonk, J.W; Root, R.R; Key, C.H. 2004. Comparison of AVIRIS and Landsat ETM+ detection capabilities for burn severity. Remote Sensing of Environment, 92(3), 397-408. doi: https://doi.org/10.1016/j.rse.2003.12.015 Zhang, X; Kondragunta, S; Ram, J; Schmidt C;Huang, H.C.2012. Near-real-time global biomass burning emissions product from geostationary satellite constellation. Advan-

a

a

c b