Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
1
DETECCIÓN DE EMISIONES GENERADAS POR INCENDIOS FORESTALES Y
QUEMA DE RESIDUOS AGRICOLAS A PARTIR DE LA ENERGIA Y LA
POTENCIA RADIATIVA DEL FUEGO
LUIS EDUARDO TABORDA RAMÍREZ
UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN
FACULTAD DE INGENIERIAS
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRAFICA
MEDELLÍN
2013
2
DETECCIÓN DE EMISIONES GENERADAS POR INCENDIOS FORESTALES Y
QUEMA DE RESIDUOS AGRICOLAS A PARTIR DE LA ENERGIA Y LA
POTENCIA RADIATIVA DEL FUEGO
LUIS EDUARDO TABORDA RAMÍREZ
Trabajo de grado presentado para optar al título de Especialista en Sistemas
de Información Geográfica.
Asesor
Ing. German Mauricio Valencia Hernández
UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN
FACULTAD DE INGENIERÍAS
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA
MEDELLÍN
2013
3
Nota de aceptación
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
4
__________________________
Firma del jurado
__________________________
Firma del jurado
Medellín, 12 de marzo de 2013
5
AGRADECIMIENTOS
A mi asesor el Ingeniero German Mauricio Valencia Hernández por su ayuda y
aportes en todo el proceso.
A mi familia por su apoyo y acompañamiento.
6
INTRODUCCIÓN
En la caracterización global de los modelos de la quema de biomasa utilizando
mediciones de energía radiativa del fuego, la teledetección es la forma más
práctica de medir la energía liberada por la quema de biomasa al aire libre. La
medición satelital de la energía radiativa del fuego (FRE) o la velocidad de
liberación de la potencia radiativa del fuego (FRP) permite distinguir entre
incendios con diferentes potencias.(Ichoku, Giglio, Wooster, & Remer, 2008). La
FRP puede ser definida como la parte de la energía química emitida en forma de
radiación dentro del proceso de combustión de la biomasa. La integración
temporal del FRP proporciona la FRE.
Es el componente radiativo instantáneo lo que se estima a partir de los sensores
satelitales de observación de la Tierra, referidos como FRP, y ofrece un enfoque
para cuantificar el flujo de biomasa consumida (Wooster et al., 2005) y con los
factores de emisión, la tasa de carga atmosférica de trazas de gases o aerosoles.
(McCarty, Ellicott, Romanenkov, Rukhovitch, & Koroleva, 2012). La Potencia
Radiativa del Fuego (FRP) es la tasa de energía del fuego liberada por unidad de
tiempo, medida en megawatts (Wooster y Zhang, 2004). La Energía Radiativa del
Fuego (FRE) es por lo tanto, la FRP integrada en el tiempo y en el espacio y se
describe en unidades de megajulios. El sensor MODIS a bordo de los satélites de
la NASA Terra y Aqua, con un algoritmo para la FRP se calcula como la relación
entre la temperatura brillosa de los píxeles de incendios y de fondo en el infrarrojo
medio. (Vadrevu et al., 2012).
En la década del 2000 se vio una larga lista de lanzamientos en satélites nuevos,
como Aqua, Aura, Envisat, Parasol, y CALIPSO, llevando una gran cantidad de
instrumentos sofisticados que proporcionan medidas de alta calidad de parámetros
relacionados con la quema de biomasa y otros fenómenos. Estos productos de
datos mejorados han permitido importantes avances en el estudio de la quema de
biomasa desde el espacio. Sin embargo, la incertidumbre sigue siendo
considerable en muchas de las medidas que aún deben ser abordadas.
7
Adicionalmente, el clima y otros modelos atmosféricos están representando
importantes ajustes para tomar ventaja de las mediciones satelitales cuantitativas
en el estudio de la actividad de quema de biomasa, las emisiones y los impactos.
Los nuevos enfoques de investigación deberían incluir no sólo mejoras en las
recuperaciones satelitales y precisiones, sino también una mayor sinergia entre
ellos, de manera que las mediciones por satélite puedan entrar directamente en
los modelos sin necesidad de interpretaciones. (Ichoku, Kahn, & Chin, 2012).
8
TABLA DE CONTENIDO
1. MARCO TEORICO. .............................................................................................................. 12
1.1 Estimación de las emisiones de humo en los Grandes Llanos al sur de los Estados Unidos utilizando la
potencia radiativa del fuego MODIS y las observaciones de aerosoles. ...................................................... 12
1.2 Los incendios forestales en la región del Himalaya, carga de aerosol, emisiones de carbono negro y
alturas pluma de humo. ............................................................................................................................. 13
1.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y de órbita polar en un
conjunto de datos de superficies incendiadas para el mejoramiento de los inventarios de biomasa
incendiada. ................................................................................................................................................ 14
1.4 Caracterización global de los modelos de la quema de biomasa utilizando mediciones de energía
radiativa del incendio................................................................................................................................. 15
1.5 Estimación de trazas de gas y emisiones de aerosol sobre Sur América: Relación entre la energía
radiativa liberada del fuego y las observaciones de profundidad óptica del aerosol. ................................ 17
1.6 Abordar el diseño de muestreo espacio temporal de MODIS para proporcionar estimaciones de la
energía radiante del fuego emitida de África. ............................................................................................ 18
1.7 Emisiones de carbono negro para varios años procedentes de la quema de tierras de cultivo en la
Federación Rusa. ........................................................................................................................................ 19
1.8 Características de incendios derivados de MODIS y variaciones ópticas profundas del aerosol
durante la temporada de quema de residuos agrícolas, al norte de India. ................................................. 20
1.9 Los patrones de la actividad sobre Incendios en Indonesia y Malasia a partir de observaciones de
satélites geoestacionarios. ......................................................................................................................... 21
1.10 Detección activa de incendios y caracterización con el Radiómetro de Reflexión y Emisión Termal
Espacial (ASTER). ........................................................................................................................................ 23
1.11 Nuevos algoritmos GOES de reproducción de imágenes para nubes, detección de fuegos activos y
evaluación de potencia radiativa en incendios en Norte, Centro y Sur América. ........................................ 23
1.12 Análisis espectral de multi resolución en emisiones de potasio para incendios forestales
utilizando laboratorios y teledetección aérea y espacial. ........................................................................... 25
1.13 Producto FRP de Detección de Fuegos Activos Sentinel-3 SLSTR: Desarrollo y Rendimiento del
Algoritmo de Prelanzamiento utilizando los conjuntos de datos MODIS Y ASTER. ..................................... 26
9
1.14 Análisis Satelital de las relaciones de monóxido de carbono a partir de los bosques y la quema de
residuos agrícolas (2003-2011). .................................................................................................................. 28
1.15 Distribución espacio temporal de la actividad del fuego en áreas protegidas de África
subsahariana derivada de los datos MODIS. .............................................................................................. 29
1.16 Contribuciones Satelitales para la caracterización cuantitativa en la quema de biomasa para
modelos climáticos. ................................................................................................................................... 30
1.17 Incendios del Sábado negro en Australia en comparación con técnicas para estimar las emisiones
provenientes de incendios en vegetación. ................................................................................................. 31
2. METODOLOGÍA. ................................................................................................................. 33
2.1 Estimación de las emisiones de humo en los grandes llanos al sur de los Estados Unidos utilizando la
potencia radiativa del fuego MODIS y las observaciones de aerosol. .......................................................... 33
Método indirecto de estimación de las emisiones de humo. .................................................................. 33
Método directo para estimar las emisiones de humo regionales de Estados Unidos. ............................ 35
2.2 Principales aspectos de la metodología utilizada en el estudio desarrollado por Krishna Prasad
Vadrevu y otros sobre los incendios forestales en la región del Himalaya, carga de aerosol, emisiones de
carbono negro y alturas de la pluma de humo. ........................................................................................... 38
Datos de cobertura de suelo. .............................................................................................................. 38
Los incendios activos, la potencia radiativa del fuego (FRP) y la energía radiativa del fuego (FRE). .. 39
Los tipos de vegetación y los datos de biomasa. ................................................................................ 41
Zonas quemadas y emisiones de carbono negro. ............................................................................... 42
Profundidad óptica de los aerosoles y el índice de aerosol (2005 a 2010). ........................................ 43
Alturas del humo y datos de la capa límite planetaria (CLP). ............................................................. 43
2.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y de órbita polar en un
conjunto de datos de superficies incendiadas para el mejoramiento de los inventarios de biomasa
incendiada. ................................................................................................................................................... 44
Método para la integración de FRP y el área quemada. ................................................................ 44
Ajuste temporal del día aproximado de quema de MCD45A1. ..................................................... 47
Caminos para el procesamiento de datos. ..................................................................................... 51
Caminos 2 y 3 definición de las medidas sobre consumo de combustible por unidad de área
(FCA). ............................................................................................................................................... 59
La extrapolación de las estimaciones del FCA para otras áreas quemadas (Camino 3). ................ 65
2.4 Caracterización global de los modelos de la quema de biomasa utilizando mediciones de energía
radiativa del fuego. ....................................................................................................................................... 66
Consideraciones geobotánicas. ................................................................................................. 66
Proceso de agregación de incendio regional. ............................................................................ 70
Esquema de clasificación de incendio basado en FRP. .............................................................. 71
2.5 Estimación del gas traza y las emisiones de aerosol en América del Sur: Relación entre la energía del
fuego radiativo liberada y las observaciones de profundidad óptica del aerosol. ....................................... 73
Profundidad Óptica de Aerosoles MODIS (AOD), anomalías térmicas (MOD14/MYD14) y
producto contra incendios WFABBA / GOES. ....................................................................... 74
10
Potencia Radiativa del Fuego FRP. ........................................................................................ 74
Coeficientes de emisión de humo en aerosol basados en la FRE a partir de WFABBA/GOES.
.............................................................................................................................................. 77
Descripción del modelo ........................................................................................................ 80
Parametrización de la fuente de emisión y evaluación con los datos observados............... 81
2.6 Abordando el diseño de muestreo espacio-temporal de MODIS para proporcionar estimaciones de
la energía radiativa del fuego emitida desde África. .................................................................................... 83
Recorte y clasificación de píxeles SEVIRI para incendios activos. .................................... 84
Coeficientes de SEVIRI de FRE a FRP. ............................................................................... 86
Coeficientes cuadricula de FRE a FRP. ............................................................................. 87
Predicciones cuadricula de MODIS FRE. .......................................................................... 89
2.7 Investigación sobre emisiones de carbono negro durante varios años procedentes de la quema de
tierras de cultivo en la Federación Rusa donde aplicaron la siguiente metodología. .................................. 90
2.8 Características de incendios derivados de MODIS y variaciones ópticas profundas de aerosoles
durante la temporada de quema de residuos agrícolas, al norte de India. ................................................. 96
2.9 Análisis satelital de las relaciones de monóxido de carbono a partir de los bosques y la quema de
residuos agrícolas (2003-2011). ................................................................................................................. 100
2.10 Distribución espacio temporal de la actividad de incendios en áreas protegidas de África
subsahariana a partir de los datos MODIS. ................................................................................................ 103
2.11 Contribuciones satelitales para la caracterización cuantitativa de la quema de biomasa por la
modelización del clima. .............................................................................................................................. 107
2.12 Incendios del Sábado negro en Australia y comparación de las técnicas para estimar las
emisiones procedentes de los incendios de vegetación. ........................................................................... 111
3. RESULTADOS. ................................................................................................................... 119
3.1 Estimación de las emisiones de humo en los grandes llanos al sur de los Estados Unidos
utilizando la potencia radiativa de fuego MODIS y las observaciones de aerosol. ............................... 119
3.2 Incendios forestales en la región del Himalaya, carga de aerosol, emisiones de carbono negro y
alturas pluma de humo. ......................................................................................................................... 125
3.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y de órbita polar en un
conjunto de datos de superficies incendiadas para el mejoramiento de los inventarios de biomasa
incendiada. ............................................................................................................................................ 134
3.4 Estimación del gas traza y las emisiones de aerosol en América del Sur: Relación entre la energía
del fuego radiativo liberada y las observaciones de profundidad óptica del aerosol. .......................... 143
3.5 Emisiones de carbono negro procedentes de la quema de tierras de cultivo en la Federación
Rusa. 153
3.6 Características de incendios derivados de MODIS y variaciones ópticas profundas del aerosol
durante la temporada de quema de residuos agrícolas, al norte de India. ........................................... 160
3.7 Análisis satelital de las relaciones de monóxido de carbono a partir de los bosques y la quema de
residuos agrícolas (2003-2011). ............................................................................................................. 173
3.8 Distribución espacio temporal de la actividad de incendios en áreas protegidas de África
subsahariana a partir de los datos MODIS............................................................................................. 176
11
4. DISCUSIÓN Y CONCLUSIONES ..................................................................................... 180
5. BIBLIOGRAFIA ................................................................................................................. 226
6. LISTA DE FIGURA ............................................................................................................ 228
7. LISTA DE ABREVIATURAS ............................................................................................ 238
12
1. MARCO TEORICO.
1.1 Estimación de las emisiones de humo en los Grandes Llanos al sur de los
Estados Unidos utilizando la potencia radiativa del fuego MODIS y las
observaciones de aerosoles. (Jordan, Ichoku, & Hoff, 2008)
En los grandes llanos al sur de los Estados Unidos estimaron las emisiones de
humo utilizando la potencia radiativa del fuego y las observaciones de
aerosoles por medio de un método desarrollado recientemente, que implica el
uso de mediciones por satélite de energía liberada por los incendios. Esta
región es escogida por su agricultura extensiva y por las quemas planeadas
que se dan anualmente. El sensor MODIS, la profundidad óptica de aerosoles
(AOD) y la energía radiativa del fuego (FRE) con tasas de liberación (RFRE),
adquiridos en 2004 de los satélites Aqua y Terra, fueron usados para derivar la
energía radiante del fuego basado en un coeficiente de emisión de humos (Ce
kgMJ-1), que multiplicado por RFRE (MJ s-1) se obtiene la tasa de emisión de
humos (kg s-1). La correlación entre las tasas de emisión de humos y la tasa de
liberación de la energía radiativa del fuego (RFRE) fue significativa para el
MODIS Terra (R2 = 0.645, n = 146, p < 0.0001) y Aqua MODIS (R2 = 0.752, n =
178, p < 0.0001). Por otra parte, los valores de Ce derivados
independientemente de Terra y Aqua fueron concordantes, y el promedio de
Ce para esta área es 0.049+/-0.024 kgMJ-1. El método probabilístico Monte
Carlo (MC) fue usado para aproximar incertidumbres de la emisión de humos y
la resultante de Ce. El presente estudio demuestra la viabilidad de usar RFRE
para la estimación de emisión de humos que tiene la región. Los incendios
alcanzaron su punto máximo durante la primavera y el otoño. Además, el
examen cualitativo de los patrones de emisión de humo lado a lado con la
calidad del aire local indicaron que el impacto de las mediciones del humo de
las actividades locales de la quema de biomasa fue significativa en la calidad
del aire regional (Nikisa, Charles y Raymond 2008).
13
1.2 Los incendios forestales en la región del Himalaya, carga de aerosol,
emisiones de carbono negro y alturas pluma de humo. (Vadrevu et al.,
2012)
En la región Himalaya del continente Asiático desarrollaron un estudio sobre
los incendios forestales analizando la carga de aerosol, emisiones de carbón
negro y alturas de la pluma de humo, así mismo, investigaron el potencial de
un conjunto de datos multisatélite para la cuantificación de la emisión de
biomasa incendiada. Una variedad de productos del satélite fueron usados en
la caracterización de incendios incluyendo conteos de incendios activos,
superficies incendiadas, variaciones de la profundidad óptica de aerosoles
(AOD), índice de aerosol y la altura de la pluma de humo. Los resultados desde
el sensor MODIS de los productos de incendios sugiere la estación entre
Marzo y Junio como la mayor estación de incendios con un pico durante el mes
de abril. Un promedio de 3908 conteos de incendios por año fueron registrados
con un 64% de ocurrencia de incendios en áreas de baja elevación de la región
del Himalaya. Estimaron el promedio de áreas quemadas de 1129 sq. km, con
emisiones de carbono negro de 431 mg por año. La media de la AOD (2005 –
2010) fue de 0.287 +/- 0.105 (un sigma) con valores picos en Mayo. El análisis
de correlación entre el conteo de incendios y la AOD genero un coeficiente de
0.553 en la correlación de Pearson; la correlación entre la FRP y la AOD es
relativamente más débil (r = 0.499). La altura de la capa del límite planetario
obtenida desde los productos de la Aplicación y la Investigación del Análisis
Retrospectivo de la Era Moderna (MERRA) sugiere alturas típicas PBL de 1000
– 1200 metros durante los picos de la estación de incendios de biomasa de
Abril y Mayo. Datos recuperados de la Polarización Ortogonal Lidar de la Nube
de Aerosol (CALIOP) muestra el alcance de la altura de la pluma de humo más
allá de la capa límite planetaria durante el pico de incendios de biomasa del
mes de Abril. Sin embargo, la comparación de los incendios en la región del
Himalaya con otras regiones y comparaciones con los datos del índice de
aerosol desde el Instrumento de Monitoreo de Ozono (OMI) sugieren columnas
14
de humo que alcanzan menos de 3 km. Los resultados en la relación entre la
altura de la pluma de humo y los incendios proporcionan información valiosa en
la dirección del transporte de aerosoles en la región (Krishna, Evan, Louis,
K.V.S, Eric, Chris y William 2012).
1.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y
de órbita polar en un conjunto de datos de superficies incendiadas para
el mejoramiento de los inventarios de biomasa incendiada. (Roberts,
Wooster, Freeborn, & Xu, 2011)
El estudio del Poder radiativo del fuego en la integración de satélites
geoestacionarios y de órbita polar en un conjunto de datos de superficies
incendiadas para el mejoramiento de los inventarios de biomasa incendiada,
indican que los sensores de observación de la tierra juegan un papel
importante en la cuantificación de la biomasa incendiada relacionada con el
consumo de combustible y las emisiones de carbono y la captura de su
dinámica espacial y temporal. Típicamente, los inventarios de emisiones de
biomasa incendiada, se desarrollan mediante la explotación de cualquier
superficie incendiada (BA) o incendios activos (AF) medidos por la energía
radiante del fuego (FRE). Estos enfoques tienen ventajas y limitaciones. Por
ejemplo, métodos basados, en superficies incendiadas requiere datos de
estimaciones que típicamente son difíciles de obtener de carga de combustible
y la integridad de la combustión y la precisión del algoritmo del área quemada
se puede deteriorar en incendios pequeños o aquellos en terreno densamente
boscoso. Por el contrario, métodos basados en la energía radiativa del fuego
(FRE) suele ser de bajo sesgo debido a la no detección de incendios de baja
intensidad y son también obstaculizados por las nubes. Aquí desarrollaron dos
metodologías integrando dos tipos de datos de observación de la tierra para
ofrecer una alta resolución temporal del inventario de emisiones, maximizando
los beneficios de cada tipo de datos sin requerir información adicional. Se
centraron en África en las áreas más afectadas por los incendios del continente
y combina diariamente observaciones de la energía radiante del fuego (FRE)
15
proporcionado por el satélite Meteosat con el sensor de rotación mejorada de
imágenes infrarrojas y visibles (SEVIRI) con superficies incendiadas medidas, y
entregadas por el espectroradiometro de imágenes de resolución moderada
(MODIS). Para incendios individuales detectados por ambos tipos de datos,
estimaron el consumo de combustible por unidad de área FCA: gm-2) a través
de la relación de la energía radiante del fuego derivada del consumo de
combustible total (FCT) para las superficies incendiadas. Estos valores son
extrapolados para incendios mapeados usando los datos de la superficie
incendiada pero no se detectaron los productos del incendio activo del SEVIRI,
corrigiendo así el sesgo espacial de resolución baja inherentes al conjunto de
datos geoestacionarios del incendio activo.
Calculado diariamente a escala continental el consumo de combustible total
para África varía entre 0.3 y 20 Tg para el periodo de febrero de 2004 a Enero
de 2005. Estimaron que el consumo total de combustible anual continental es
de 1418 Tg, mucho más cerca de 2272 Tg proporcionado por la base de datos
ampliamente usada en las emisiones globales de incendios (versión 3;
GFEDv3) que se obtienen cuando se usa por si solo datos en bruto de la
energía radiante del fuego. Este enfoque sinérgico tiene sustancialmente
reducida la brecha entre GFEDv3 y la energía radiante del fuego (FRE)
derivada del inventario de emisiones, mientras que las observaciones
geoestacionarias de la potencia radiativa del fuego (FRP) ofrece la ventaja que
las estimaciones de emisiones diarias pueden ser distribuidas con más
precisión sobre el ciclo de incendio diurno si es necesario para vincular a los
modelos de transporte atmosférico (Roberts, Wooster, Freeborn y Xu 2011).
1.4 Caracterización global de los modelos de la quema de biomasa utilizando
mediciones de energía radiativa del incendio. (Ichoku et al., 2008)
En la caracterización global de los modelos de la quema de biomasa utilizando
mediciones de energía radiativa del fuego, la teledetección es la forma más
práctica de medir la energía liberada por la quema de biomasa al aire libre. La
16
medición satelital de la energía radiativa del fuego (FRE) o la velocidad de
liberación del poder radiativo del fuego (FRP) permite distinguir entre incendios
con diferentes potencias. Basados en un conjunto de datos de incendios con
resolución de 1 km adquiridos a nivel mundial por el sensor Espectro
Radiómetro de Imágenes de Resolución Moderada (MODIS) a bordo del
satélite Terra y Aqua desde el 2000 hasta el 2006, los valores instantáneos del
FRP oscilo entre 0.02 MW y 1866 MW, con una media diaria global que oscila
entre 20 y 40 MW. Regionalmente, el sensor Aqua MODIS con paso elevado
en las tardes, presenta valores medios del FRP para Alaska, Occidente de US,
Occidente de Australia, Quebec y el resto de Canadá que son
significativamente mayores que la media mundial, siendo Quebec la que tiene
el valor más alto con 85 MW. El análisis regional de la media del FRP por
unidad de superficie de la tierra (flujo de FRP) muestra el pico de la temporada
de incendios en determinadas regiones, donde los incendios pueden ser
responsables de hasta 0.2 W/m2 en horas pico del día. Zambia tiene la mayor
media mensual regional del flujo del FRP con valores de 0.045 W/m2 en horas
pico del día y de temporada. Mientras que el Oriente Medio tiene el valor más
bajo con un valor de 0.0005 W/m2. Un esquema simple basado en FRP se ha
ideado para clasificar los incendios en cinco categorías para facilitar la
clasificación del incendio por su potencia, similar a los terremotos y huracanes.
El esquema usa mediciones del FRP con una resolución de 1 km como sigue:
categoría 1 (<100MW), categoría 2 (de 100 a < 500 MW), categoría 3 (de 500 a
< 1000 MW), categoría 4 (de 1000 a < 1500 MW), categoría 5 (≥1500 MW). En
las regiones más recónditas del mundo, más del 90% de los incendios están en
categoría 1, mientras que menos del 1% caen en las categorías del 3 al 5,
aunque esas proporciones podrían diferir significativamente por el día a día y
por la temporada. La frecuencia de ocurrencia de los grandes incendios en una
región específica no podría ser explicada solo por el tipo de ecosistema. El
análisis de las series de tiempo de las proporciones de la mayoría de las
categorías del incendio basado en mediciones del sensor MODIS FRP desde
17
el 2002 hasta el 2006 no muestra ninguna tendencia apreciable debido al corto
periodo de tiempo (Charles, Louis, Martin y Lorraine 2008).
1.5 Estimación de trazas de gas y emisiones de aerosol sobre Sur América:
Relación entre la energía radiativa liberada del fuego y las observaciones
de profundidad óptica del aerosol. (Pereira et al., 2009)
En la estimación de trazas de gas y emisiones de aerosol sobre Sur América
se investigó la relación entre la energía radiativa liberada del fuego y las
observaciones de profundidad óptica del aerosol donde indican que las
actividades humanas actuales como la deforestación tropical, los claros en
bosques para la agricultura, el control de plagas y la administración de
pastizales llevan a incendiar la biomasa, conduciendo a cambios en la
cobertura de la tierra. Sin embargo, las emisiones de la biomasa incendiada no
están correctamente medidas y los métodos para calcular estas emisiones
forman parte de la actual área de investigación. Los métodos tradicionales para
la estimación de aerosoles y trazas de gases liberados en la atmosfera
generalmente usan factores de emisión asociados con combustibles y
características de humedad y otros parámetros que son difíciles de estimar en
aplicaciones próximas al tiempo real. En este sentido, los productos de la
potencia radiativa del fuego fueron extraídos del Espectroradiometro de
Imágenes de Resolución Moderada (MODIS) y de los Satélites Ambientales de
Operación Geoestacionaria (GOES) productos del fuego y un nuevo bioma
genérico basado en la Energía Radiativa del Fuego (FRE), los coeficientes de
emisiones de humos de aerosol se derivaron y aplicaron en el 2002 en la
estación de fuego de Sur América. El inventario estimado por el sensor MODIS
y satélites GOES de las medidas del Poder Radiativo del Fuego FRP fueron
incluidos y Acoplados al Modelo de Transporte de Trazas de Aerosol
acoplados en los desarrollos Brasileros en el Sistema de Modelamiento
Atmosférico Regional (CATT – BRAMS) y evaluados con terrenos verdaderos
en una larga escala de la biosfera y la atmosfera con humo, aerosoles, nubes,
precipitaciones, clima (SMOCC) y Radiación, Nubes, e Interacciones
18
Climáticas (RaCCI). Aunque la regresión lineal mostro que la Potencia
Radiativa del Fuego FRP en satélites GOES sobrestima observaciones del
sensor MODIS, el uso de un parámetro externo común como el
Espectroradiometro de Imágenes de Resolución Moderada y el producto de
profundidad óptica de aerosol podrían minimizar la diferencia entre sensores.
La relación entre el modelo de PM2.5µm y el CO mostro buena coincidencia con
datos SMOCC/RaCCI en el patrón general de la evolución temporal. Los
resultados mostraron altas correlaciones, con los valores entre 0.80 y 0.95 para
las simulaciones con PM2.5µm y CO de CATT – BRAMS (Gabriel, Saulo,
Elisabete, Nelson y otros 2009).
1.6 Abordar el diseño de muestreo espacio temporal de MODIS para
proporcionar estimaciones de la energía radiante del fuego emitida de
África. (Freeborn, Wooster, & Roberts, 2011)
La investigación desarrollada en África donde abordan el diseño de muestreo
espacio temporal de MODIS para proporcionar estimaciones de la energía
radiativa del fuego emitida, indica que las estimaciones satelitales de la
Potencia Radiativa del Fuego (FRP) y de energía (FRE), emitidas por la
quema de biomasas abiertas, se ven afectados por la resolución espacio
temporal de los sensores en órbita polar y geoestacionaria. Los efectos del
diseño de muestra del MODIS sobre las estimaciones de la FRE, se
caracterizan por la superposición de los tiempos y las extensiones de Terra y
Aqua sobre el producto del fuego activo SEVIRI. Resultados para diferentes
tipos de cubierta terrestre a través de África, indican que la FRE medida por
SEVIRI durante ocho días está linealmente relacionada con la suma de la FRP
medida por SEVIRI dentro de los gránulos MODIS. Estas relaciones son
menos variables durante el apogeo de la temporada de incendios cuando los
ciclos diurnos de la FRP medidos por SEVIRI son más consistentes. Las
relaciones entre la FRE y la suma de la FRP desarrollada utilizando el SEVIRI
producto de fuego activo se aplican directamente a la suma de la FRP
recuperada de productos del fuego del MODIS Terra y Aqua de la Cuadrícula
19
de Modelado del Clima (CMG). Las estimaciones de la FRE MODIS se ajustan
dentro del 5% de los valores obtenidos a partir de los métodos publicados
anteriormente, pero siguen siendo un factor de 0.72 veces los obtenidos
mediante el ajuste de las mediciones de SEVIRI FRE para dar cuenta de baja
resolución espacial de detección de sesgos. Un examen del MODIS en la
exploración geometría sugiere que la subestimación de esta última se atribuye
al acoplamiento entre un artefacto de imágenes MODIS referido como el efecto
"bow - tie" y el cálculo típico se utiliza para recuperar la suma de la FRP a partir
de los productos de fuego MODIS CMG. Dependiendo de la disponibilidad de
información del ángulo de exploración MODIS, brindan cálculos rigurosos y
simplificados para explicar el efecto "bow - tie". Aplicando el ajuste simplificado
para los productos de incendios MODIS GMC se producen estimaciones
nacionales de la FRE mensual que son 1.44 veces mayor de lo previsto
inicialmente (Patrick, Martin y Gareth 2011).
1.7 Emisiones de carbono negro para varios años procedentes de la quema
de tierras de cultivo en la Federación Rusa. (McCarty et al., 2012)
En la Federación Rusa desarrollaron la investigación sobre emisiones de
carbono negro para varios años procedentes de la quema de tierras de cultivo
encontrando que los incendios de cosechas de la tierra son una importante
fuente de emisión de carbono negro (BC). Investigaciones anteriores indican
que las quemas en tierras de cultivo en la primavera del oriente de Europa,
específicamente en Rusia, son la mayor contribución de carbono negro en la
atmosfera Ártica, actuando como un clima de vida corta forzado por la fuerte
influencia de la nieve y el hielo en el albedo y la transmisión de la radiación.
Las emisiones de carbono negro desde las tierras de cultivo quemadas fueron
estimadas por la Federación Rusa para los años 2003 hasta 2009 usando tres
satélites con productos de incendios, con productos MODIS de incendios
activos a 1 km, productos con un grid de 0.5° de la potencia radiativa del fuego
modelando el clima mensualmente, y de 500 m de superficies incendiadas, y
20
unas estadísticas agrícolas basadas en el desarrollo de un método modificado
y publicado por el Instituto Ruso de Turba y Fertilizantes Orgánicos, estimado
en granjas y a nivel regional en cuanto a la de carga de residuos de paja que
queda sobrante después de la cosecha de cereales que representa la gestión
agrícola y de los insumos agro meteorológicos. En los cálculos de las
emisiones basados en satélites utilizaron varios esquemas de clasificación de
las coberturas de la tierra para la definición de las tierras de cultivo en Rusia,
tanto para 1 km en MODIS de productos de cobertura de la tierra, y un
conjunto de datos a 300 m de MERIS GlobCover v2.2. En general los picos de
emisiones de carbono negro de las tierras de cultivo quemadas ocurrieron
durante la primavera (Abril – Mayo), verano (Julio – Agosto) y el otoño
(Octubre). 2008 tuvo la mayor emisión anual de carbono negro. El rango del
promedio anual de emisiones de carbono negro de las tierras de cultivo
quemadas calculados desde diferentes satélites producto de incendio fue de
2.49 Gg – 22.2 Gg, con estadísticas agrícolas cercanas al promedio anual igual
a 8.90 Gg. La Base de Datos de Emisiones de Incendios Global (GFED)
versión 3 reporto un promedio anual de 11.9 Gg de Carbono Negro proveniente
de quemas agrícolas. Los resultados de este análisis mostraron que la mayoría
de emisiones de Carbono Negro se originaron en la Rusia Europea, seguido
por una pequeña contribución proveniente de macro regiones del occidente de
Siberia, lejano oriente Ruso y el oriente de Siberia. Una evaluación de la
incertidumbre de datos usados para calcular la emisión de Carbono Negro
encontró incertidumbres moderadas en algunos de los datos de entrada
utilizados en este primer intento de producir espacial y temporalmente
emisiones de Carbono Negro estimado a partir de la quema de tierras cultivas
en la Federación de Rusia (Patrick, Martin y Gareth 2011).
1.8 Características de incendios derivados de MODIS y variaciones ópticas profundas del aerosol durante la temporada de quema de residuos agrícolas, al norte de India. (Vadrevu, Ellicott, Badarinath, & Vermote, 2011)
21
Al norte de India investigaron sobre las características de incendios derivados
de MODIS y variaciones ópticas profundas del aerosol durante la temporada de
quema de residuos agrícolas donde la quema de estos residuos son una de las
mayores causas de la emisión de gases de efecto invernadero y aerosoles en
la región IndoGanges. En este estudio, caracterizaron la intensidad del
incendio, la estacionalidad y variabilidad de la Energía Radiativa del Fuego
(FRE) y las variaciones de la Profundidad Óptica de Aerosoles (AOD) durante
la estación de quema de residuos de agricultura, usando datos MODIS. Los
conteos de incendios presentaron una actividad bimodal, con ocurrencia de
picos durante Abril, Mayo, Octubre y Noviembre correspondiente a los
episodios de quema de residuos del trigo y del arroz. Las variaciones en la
FRE coincidieron con la cantidad de residuos quemados. La media de la
profundidad óptica del aerosol (2003 – 2008) fue de 0.60 con 0.87 (+1 σ) y 0.32
(-1 σ). El incremento de AOD durante el invierno coincide bien con los conteos
de incendios durante la estación de quema de residuos de arroz. En contraste,
la señal del fuego de la AOD fue débil durante el verano en la quema de
residuos de trigo y atribuidos a el polvo y a la quema de combustibles fósiles.
Los resultados ponen de manifiesto la necesidad de una contabilidad completa
de gases de efecto invernadero y aerosoles para abordar la calidad del aire en
el área de estudio (Krishna, Evan, K.V.S, y Eric 2011).
1.9 Los patrones de la actividad sobre Incendios en Indonesia y Malasia a partir de observaciones de satélites geoestacionarios. (Hyer et al., 2013)
En Indonesia y Malasia desarrollaron una investigación acerca de los patrones
de la actividad sobre incendios a partir de observaciones de satélites
geoestacionarios donde indican que los patrones para la quema de biomasa
sobre el continente marítimo del sudeste de Asia se examinan utilizando un
nuevo producto activo de detección de incendios basado en la aplicación del
Algoritmo Automatizado para Quema de Biomasa en Incendios Forestales
WF_ABBA, para los datos de los generadores de imágenes de los satélites
22
geoestacionarios MTSAT operados por la agencia espacial japonesa JAXA.
Los datos de MTSAT-1R y MTSAT-2 que abarcan 34 meses a partir de
Septiembre 2008 a Julio 2011 se examinan para una región de estudio en
Indonesia, Malasia y alrededores cercanos.
La distribución espacial y temporal de los incendios detectados en el producto
MTSAT WF_ABBA se describe y se compara con las observaciones activas de
incendio a partir de los datos de MODIS MOD14. Las distribuciones de la
cobertura terrestre para los dos instrumentos son examinados utilizando un
nuevo producto de 250 m para cobertura terrestre de la Universidad Nacional
de Singapur.
Los dos productos muestran por lo general patrones similares de actividad
sobre incendios, distribución de incendios en la cobertura terrestre, y la FRP.
Sin embargo, los datos MTSAT WF_ABBA se diferencian con los MOD14
significativamente. En relación con MODIS, el producto MTSAT WF_ABBA
tiene una menor eficiencia de detección, pero más incendios detectados debido
a las miradas más frecuentes, una relativa fracción mayor de incendios en los
bosques y una fracción menor en relación con incendios en áreas abiertas, y
significativamente una mayor recuperación de la FRP de un pixel. En las
diferencias en la distribución de la cobertura terrestre y la FRP entre los
productos MTSAT y MODIS se demuestra que son cualitativamente
consistentes con las expectativas basadas en el tamaño de pixel y muestreo
diurno. Los datos de MTSAT WF_ABBA se utilizan para calcular la cobertura
corregida de ciclos diurnos de incendios en diferentes regiones dentro del área
de estudio. Estos ciclos diurnos son preliminares, pero demuestran que la
fracción de actividad incendiaria diurna muestreada por los dos sensores
MODIS varía significativamente según la región y el tipo de vegetación.
Basándose en los resultados de la comparación de los dos productos para
incendios, una serie de pasos se describen para dar cuenta de algunos de los
sesgos sistemáticos en cada uno de estos productos satelitales, con el fin de
producir un producto fusionado para detección de incendios exitosa.
23
1.10 Detección activa de incendios y caracterización con el Radiómetro de Reflexión y Emisión Termal Espacial (ASTER). (Giglio et al., 2008) Louis Giglio y otros en la investigación presentan un algoritmo de detección de
incendios automatizado para el Radiómetro de Reflexión y Emisión Termal
Espacial (ASTER) sensor capaz de mapear los incendios activos a 30 m de
resolución espacial. Para las escenas de día, el enfoque utiliza imágenes de
reflectancia infrarrojas de onda corta y cercana. Para escenas nocturnas se
aplica un simple umbral de luminosidad infrarroja de onda corta. Con base en
un análisis estadístico de 100 escenas con ASTER, se establecieron tasas de
error en omisión y comisión para nueve regiones diferentes. En la mayoría de
las regiones la probabilidad de detección estuvo entre 0.8 y 0.9. Las
probabilidades de falsa alarma variaron entre 9 x 10-8 (India) y 2 x 10-5 (EE.UU.
/ Canadá). En la mayoría de los casos, la mayoría de los píxeles de incendios
falsos estaban ligados a grupos de pixeles de incendios verdaderos, lo que
sugiere que los píxeles de fuego más falsos se producen a lo largo de límites
contra incendios ambiguos.
1.11 Nuevos algoritmos GOES de reproducción de imágenes para nubes, detección de fuegos activos y evaluación de potencia radiativa en incendios en Norte, Centro y Sur América. (Xu, Wooster, Roberts, & Freeborn, 2010)
En la investigación desarrollada en Norte, Centro y Sur América indican que los
incendios forestales son un factor clave de perturbación terrestre y una fuente
importante de gases residuales atmosféricos y aerosoles. Por lo tanto, muchas
aplicaciones de monitoreo operacionales y ciencias requieren de acceso a la
información repetitiva, frecuente y bien caracterizada en los puntos fuertes de
las emisiones de incendios.
Las cámaras geoestacionarias ofrecen importantes ventajas temporales en el
estudio de los fenómenos que cambian rápidamente, tal como los incendios de
24
vegetación. En el estudio presentan un nuevo algoritmo para la detección y
caracterización de los incendios activos dentro de la cobertura del reproductor
de imágenes de los satélites geoestacionarios operacionales del medio
ambiente (GOES), incluyendo la consideración de cobertura de nubes y el
cálculo de la Potencia Radiativa del Fuego (FRP), una medida que se ha
demostrado estar fuertemente relacionada al consumo de combustible y las
tasas de emisión de humos.
Los resultados de las dos cámaras GOES son comparados, y son verificados
independientemente contra la buena reputación de la máscara de nubes
MODIS y productos de incendios activos. Encontraron que la detección de
nubes y los incendios activos en GOES coincide con MODIS muy bien para los
píxeles de incendios que tienen FRP > 30 MW, cuando el error de omisión
GOES cae a menos del 10%. La FRP de grupos de incendios detectados casi
simultáneamente por ambos GOES y MODIS tiene un sesgo de sólo 22 MW, y
una tendencia similar se observa al comparar casi simultáneamente
observaciones FRP GOES al Este y al Oeste. Sin embargo, muchos píxeles de
incendios que tienen FRP < 30 MW no se detectan por el GOES, ya que tienen
una resolución espacial mucho más gruesa que el MODIS. En el ajuste donde
utilizan los datos de los puntos de vista menos frecuentes pero más precisos,
obtenidos a partir de generadores de imágenes de alta resolución espacial de
órbita polar, se podría utilizar los totales de la polarización correcta regional de
la FRP.
La integración temporal de los registros GOES FRP indican que durante los
meses de verano, la quema de biomasa consume miles de millones de
toneladas de combustible al día a través de las Américas. La comparación de
estos resultados con los de la Base de Datos de Emisiones de Incendios
Global (GFEDv2) indican una fuerte relación lineal (r2 > 0.9), lo que sugiere que
los datos oportunos FRP disponibles a partir de un dato en tiempo real GOES
probablemente serán una fuente adecuada de emisiones de fuego para su
25
inclusión en los planes encaminados a predecir las concentraciones de
componentes atmosféricos afectados por quema de biomasa.
1.12 Análisis espectral de multi resolución en emisiones de potasio para incendios forestales utilizando laboratorios y teledetección aérea y espacial. (Amici, Wooster, & Piscini, 2011)
Stefania Amici y otros manifiestan que estudios de teledetección térmica para
incendios forestales activos normalmente se basan en la detección de
emisiones de energía de Planck en regiones espectrales del MIR (3-5 µm),
LWIR (8-14 µm) y/o SWIR (1.0-2.5 µm). De todos modos, la vegetación
también contiene una serie de oligoelementos que presentan únicas líneas de
emisión espectral de banda estrecha en el rango de longitud de onda visible e
infrarrojo cercano cuando la biomasa se calienta a altas temperaturas durante
el proceso de combustión en llamas. Estas líneas espectrales pueden ser
discriminadas por los sistemas de detección, que son menos costosos que las
longitudes de ondas más largas, instrumentos de refrigerado de forma activa
más típicamente utilizados en estudios basados en fuegos activos. El elemento
traza principal que resulta en la aparición de líneas de emisión espectral es el
potasio (K), con características de 766.5 nm y 769.9 nm. Aquí se estudia la
firma espectral lineal de emisión K a escala de incendios en laboratorio
utilizando un espectrómetro de campo, en series de bosques con tamaño
moderado e incendios de matorral con imágenes aéreas de un nuevo
reproductor de imágenes compacto (HYPER-SIM.GA) que opera en un
intervalo relativo de muestreo espectral (1.2 nm), y en grandes incendios
abiertos utilizando el sensor satélite EO-1 Hyperion.
Se deriva una métrica basada en la diferenciación de la señal de banda
espectral tanto cerca y fuera de la región de la línea K con el fin de cuantificar
la magnitud de la firma de emisión K, y se puede ver que las variaciones en
esta métrica parecen ir bastante bien con la medidas comúnmente usadas de
26
temperatura radiométrica del fuego y la Potencia Radiativa del Fuego (FRP).
Entonces encontramos que la actividad sustancial de llamas se requiere para
generar una firma de emisión de potasio, pero que una vez presente puede
detectarse utilizando la teledetección aérea, incluso a través de una capa de
humo sustancial que aparentemente opaca el fuego a través del resto del
rango espectral VIS. Siendo específicos en la combustión con llama, la
detección de la firma lineal de emisión K podría ser útil en el refinamiento de
las estimaciones de los gases liberados en incendios forestales abiertos, ya
que los factores de emisión de gases de traza pueden variar sustancialmente
entre etapas de llamas y humeantes. Por último, demostraron la primera
identificación de la firma lineal de emisión K desde el espacio, utilizando el
instrumento EO-1 Hyperion, pero resultó detectable sólo en ciertos casos.
Llegan a la conclusión de que una mejor resolución espectral y espacial que la
que ofrece Hyperion es necesaria para una mejor detección. Aun así, nuestros
resultados apuntan a la posible eficacia de la firma de detección K, emisión
aérea y espacial, como un complemento a los planteamientos sobre sensores
remotos térmicos para la detección y análisis de incendios forestales. Sensores
dirigidos a esta aplicación deben considerar la importancia de una colocación
cuidadosa de las longitudes de onda de medición alrededor de la ubicación de
las longitudes de onda de la línea K, en parte para minimizar influencias
cercanas de las características en la banda A de oxígeno.
1.13 Producto FRP de Detección de Fuegos Activos Sentinel-3 SLSTR: Desarrollo y Rendimiento del Algoritmo de Prelanzamiento utilizando los conjuntos de datos MODIS Y ASTER. (Wooster, Xu, & Nightingale, 2012)
En esta investigación indican que el radiómetro de temperatura por tierra y mar
Sentinel-3 (SLSTR) es un instrumento de observación terrestre en doble vista
que se basa en la herencia del Radiómetro de Escaneo a lo largo de la Pista
(ATSR). El lanzamiento del SLSTR está planeado para el año 2013 sobre el
Sentinel-3, con dos satélites operativos al mismo tiempo destinados para una
27
cobertura global diaria. Aquí revisamos los aspectos del diseño del instrumento
SLSTR específicamente dirigidos a los eventos de quema de biomasa,
incluyendo el funcionamiento de los canales SWIR en la noche y la inclusión de
canales IR térmicos e infrarrojos medios de baja ganancia, que reduzcan al
mínimo la saturación aún sobre fuegos intensos. Detallan la detección de
incendios activos y el conjunto de datos sobre la potencia radiativa del fuego
que proceden de las observaciones SLSTR, que formarán parte de la serie de
productos terrestres SLSTR destinados a apoyar tanto la vigilancia mundial del
medio ambiente y las aplicaciones científicas y servicios operativos de
seguridad GMES.
Se describe en detalle el prelanzamiento del algoritmo para productos contra
incendios, que utiliza datos de la exploración SLSTR. El algoritmo detecta
píxeles que contienen los incendios activamente ardientes, y utiliza el método
de luminosidad MIR para estimar su Potencia Radiativa del Fuego (FRP).
Probaron el algoritmo utilizando una serie de escenas EOS MODIS cubriendo
una amplia gama de bosque afectado por el fuego y los ambientes de sabana,
comparando el rendimiento con el de los productos para anomalías térmicas y
de fuego MODIS MOD14.
A través de 385 escenas cubriendo África, América del Sur y Australia,
encontraron que el algoritmo SLSTR aplicado a los datos MODIS detecta en
total 20% más pixeles de fuego que el algoritmo MOD14 aplicados a los
mismos datos. Algunas escenas muestran diferencias muy grandes, mientras
que otros no mostraron diferencia alguna, y algunas de las detecciones
adicionales hechas por SLSTR mostraron falsas alarmas. Para una mejor
evaluación, utilizaron las detecciones simultáneas de alta resolución espacial
de incendios activos hechas a partir del ASTER para proporcionar una
evaluación precisa e independiente. A través de 45 regiones separadas
geográficamente y cubiertas simultáneamente por ASTER y MODIS,
28
encontraron que el algoritmo SLSTR detecta un 13% más correctamente los
cúmulos de pixeles de fuego activo que el algoritmo MOD14, y que estos
contienen 36% más píxeles de fuego activo. En particular, el algoritmo SLSTR
muestra el aumento de la probabilidad de detección de pixeles de incendios
FRP pequeños/bajos, principalmente debido a las características más liberales
de su potencial etapa de detección en pixeles de fuego. Este incremento en el
rendimiento viene a expensas de un pequeño aumento (< 2%) en error de
comisión (por ejemplo, la tasa de falsa alarma) cuando se compara con
MOD14. La capacidad de los algoritmos SLSTR para detectar mejor los fuegos
bajos del FRP puede ser importante, ya que son generalmente el componente
más común del régimen de incendios de una región.
1.14 Análisis Satelital de las relaciones de monóxido de carbono a partir de los bosques y la quema de residuos agrícolas (2003-2011). (Vadrevu, Giglio, & Justice, 2013)
En el análisis satelital de las relaciones de monóxido de carbono a partir de los
bosques y la quema de residuos agrícolas (2003-2011), manifiestan que el
monóxido de carbono (CO) es un importante gas de efecto invernadero que se
emite durante la combustión incompleta de la quema de biomasa. En este
estudio, evaluaron las Mediciones de la Polución en la Troposfera (MOPITT), y
recuperaciones de CO desde dos diferentes regiones de quema de biomasa,
los incendios en los bosques de hoja perenne del nororiente de la India y los
incendios agrícolas de residuos, en Punjab, India. Así mismo, analizaron
tendencias a largo plazo (2003 a 2011) en recuperaciones de CO y relaciones
de CO con el fuego incluyendo perfiles de CO en nueve niveles atmosféricos
diferentes. Durante un período de diez años, el promedio mensual de CO para
el nororiente de la India fue de 140.86 ppmv (-1σ) a 348.85 ppbv (+1σ) con una
media de CO del 244.85 ppbv. Se observó un claro incremento en las señales
de CO de Febrero a Marzo seguido por una disminución en Mayo, coincidiendo
29
con la señal de incendio. En Punjab, el promedio mensual de CO fue de 158.21
ppbv (-1σ) a 286.40 ppbv (+1σ) con una media de CO de 222.30 ppbv.
La comparación de la media de CO durante los meses con fuego pico
sugirieron CO relativamente alto (439.06 ppbv) durante Marzo (quema de
bosques de hoja perenne) respecto a Octubre (194.83 ppbv) quema de
residuos agrícolas. Encontraron Potencia Radiante del Fuego MODIS (FRP)
como un fuerte predictor de la señal CO en la superficie respecto a conteos de
incendios forestales de hoja perenne. El modelo de regresión segmentada
equipado con nueve años de datos FRP-CO fue útil en la búsqueda del
impacto umbral de la FRP sobre las concentraciones de CO en los bosques de
hoja perenne.
Para explicar la baja correlación entre los incendios y la señal MOPITT CO a
partir de las quemas de residuos agrícolas, utilizaron los datos de CALIPSO
para inferir la altura de la pluma de humo. Los resultados sugirieron un
promedio de altura de la pluma de humo de 2.2 km durante el mes de la quema
de biomasa máxima a partir de quemas agrícolas, frente a 4.61 km de
incendios forestales de hoja perenne. En general, los datos de MODIS FRP y
CALIPSO fueron útiles en la comprensión de la sensibilidad a los incendios de
MOPITT CO.
1.15 Distribución espacio temporal de la actividad del fuego en áreas protegidas de África subsahariana derivada de los datos MODIS. (Palumbo, Grégoire, Simonetti, & Punga, 2011)
En la zona Subsahariana de África investigaron sobre la distribución espacio
temporal de la actividad del fuego en áreas protegidas derivada de los datos
MODIS indicando que el fuego es un componente clave de las sabanas
africanas. Debido a su papel ecológico en el control de los patrones de
vegetación, los administradores del parque utilizan el fuego para promover la
diversidad de hábitats. En la investigación analizaron la distribución espacio
30
temporal para mirar la ocurrencia de incendios y la intensidad. Se consideraron
las casi 750 áreas africanas protegidas (PAs) y sus 25 km de amortiguación.
Basaron el análisis en el producto MODIS de incendios activos mediante la
Potencia Radiativa de Fuego (FRP) para estudiar la intensidad del incendio.
Los resultados mostraron densidades similares de incendios en las PAs y sus
zonas de reserva, y una mayor intensidad del fuego en el interior de las áreas
protegidas. Los incendios de temporada media y tardía se impusieron con
mayor FRP que los incendios iniciales. La FRP promedio en las PAs osciló
entre 10MW y 400MW durante toda la estación seca, con un promedio de 50
MW a través de todas las PAs. Las cubiertas terrestres de Matorral y Praderas
registraron los valores más altos de FRP.
1.16 Contribuciones Satelitales para la caracterización cuantitativa en la quema de biomasa para modelos climáticos. (Ichoku et al., 2012)
Charles Ichoku y otros, desarrollaron una investigación donde indican que la
caracterización de la quema de biomasa desde el espacio ha sido objeto de
mucha literatura publicada en la última década. Dada la importancia de este
tema, revisaron cómo las observaciones por satélite contribuyen a mejorar la
representación de la quema de biomasa cuantitativamente en la modelización y
evaluación del clima y la calidad del aire. Las observaciones por satélite
relacionadas con la quema de biomasa se pueden clasificar en cinco grandes
categorías: (i) la ubicación del fuego activo y la liberación de energía, (ii) las
zonas quemadas y la gravedad de la quema, (iii) la disposición física de la
columna de humo, (iv) la distribución de aerosoles y las propiedades de las
partículas, y (v) las concentraciones traza de gas. Cada una de estas
categorías incluye varios parámetros utilizados para caracterizar los aspectos
específicos del fenómeno de combustión de biomasa. Algunos de los
parámetros son meramente cualitativos, mientras que otros son cuantitativos,
aunque todos son fundamentales para mejorar la comprensión científica de la
distribución general (espacial y temporal) y los efectos de la quema de
31
biomasa. Algunos de los conjuntos de datos satelitales cualitativos, tales como
lugares del fuego, el índice de aerosol, y las estimaciones de gas tienen
registros a largo plazo. Su origen se remonta hasta la década de 1970, tras el
lanzamiento de la DMSP, Landsat, NOAA, y la serie Nimbus de satélites de
observación terrestre. Aunque satélites adicionales fueron lanzados en los
años 1980 y 1990, basados en la recuperación desde el espacio de productos
con datos sobre quema de biomasa que comenzó tras el lanzamiento de Terra
en diciembre de 1999. A partir del 2000, la potencia de la radiación del fuego,
espesor óptico de aerosoles y las propiedades de las partículas de la tierra, la
altura de las columnas de humo, y las concentraciones de gases traza
esenciales en la mejora de resoluciones estuvieron disponibles.
1.17 Incendios del Sábado negro en Australia en comparación con técnicas para estimar las emisiones provenientes de incendios en vegetación. (Paton-Walsh, Emmons, & Wiedinmyer, 2012)
En el estudio desarrollado en Australia evidenciaron que la mayoría de los
incendios empezaron el sábado 7 de febrero de 2009 (una fecha que ahora se
conoce como Sábado negro) y luego se extendió rápidamente, avivados por
fuertes vientos, creando tormentas de fuego y matando 173 personas. El fuego
continuó hasta principios de Marzo, cuando las condiciones de lluvia y el frío
permitieron que los incendios se extinguieran. En este estudio, se comparan
dos técnicas nuevas (y un método más establecido) para estimar las emisiones
totales de una serie de gases traza atmosféricos a partir de estos incendios.
Una de las nuevas técnicas es el "bottom-up" (de abajo hacia arriba) que
combina los inventarios existentes de carga de combustible, la eficiencia de la
combustión y los factores de emisión con una estimación del área quemada
derivados de los conteos diarios de fuego del MODIS. El otro nuevo método es
el enfoque "top-down" (de arriba hacia abajo), que utiliza la profundidad óptica
32
de aerosol MODIS como sustituto de la cantidad total de gases residuales
emitidos por los incendios.
Existen diferencias significativas entre las estimaciones sobre emisiones de
estos incendios utilizando los diferentes métodos, destacando las
incertidumbres asociadas con las estimaciones de emisión de incendios. Estas
diferencias se discuten junto con sus posibles causas y se utilizan como un
vehículo para explorar las ventajas de los diferentes métodos, y además para
limitar las emisiones de incendios en el futuro.
Figura 1. Imagen visible MODIS y anomalías térmicas (pixeles rojos) muestra donde los fuegos arden el siete
de Febrero de 2009 (figura superior), nueve de febrero de 2009 (figura inferior izquierda) y 16 de febrero de 2009 (figura inferior derecha).
33
2. METODOLOGÍA.
2.1 Estimación de las emisiones de humo en los grandes llanos al sur de los
Estados Unidos utilizando la potencia radiativa del fuego MODIS y las
observaciones de aerosol. (Jordan et al., 2008)
Método indirecto de estimación de las emisiones de humo.
El proceso de usar datos satelitales para las áreas quemadas (parámetro A en la
figura 3) es difícil determinar en campo, al utilizar el enfoque tradicional del factor
de emisión para la estimación de emisiones de humo (Seiler y Crutzen, 1980). La
determinación de la superficie quemada es también un desafío cuando se utilizan
datos de teledetección. Es importante señalar que los productos para áreas
quemadas difieren entre los sensores, dando lugar a diferentes estimaciones de
emisión de humo (Boschetti et al, 2004; Korontzi et al, 2004). No obstante, los
productos para áreas quemadas derivados de satélites y los recuentos de pixeles
de fuego han sido utilizados para estimar indirectamente las emisiones de humo
basados en las Figuras (2) y (3) (Hely et al, 2003; 2004 Soja et al,; Simon et al,
2004; Ito y Penner, 2004; Hoelzeman et al, 2004; Van der Werf et al, 2006 ; Li et
al, 2004;.. Korontzi et al, 2004; Giglio et al, 2006).
MX = EFX Mbiomasa
Figura 2. Ecuación método indirecto de estimación de las emisiones de humo.
En la actualidad, MODIS está mostrando un gran potencial para proporcionar
mejores productos para las áreas quemadas, debido a las recientes mejoras en
los algoritmos (Giglio et al., 2003, 2006). A pesar de que el producto
probablemente mejora las estimaciones de áreas quemadas, la mejora en la
estimación de los tres parámetros restantes de la Figura 3 es muy difícil (a través
de un espacio dado, in situ, o técnicas de modelado) debido a la complejidad de
34
las características para ser cuantificados (es decir, la variabilidad en la humedad
del combustible, la carga y tipo) (Seiler y Crutzen, 1980; Andreae y Merlet, 2001;
Hely et al, 2003; Ichoku y Kaufman, 2005, Roberts et al, 2005;. Wooster et al,
2005). Por lo tanto, una cuestión importante es que varios de esos parámetros
(figura 3) se calculan a menudo con grandes incertidumbres, lo que resulta en
estimaciones inexactas de emisión de humos (Wooster et al, 2003, 2005, Korontzi
et al, 2004; Roberts et al, 2005; Ichoku y Kaufman, 2005).
Mbiomasa = ABαβ
Figura 3. Ecuación método indirecto de estimación de las emisiones de humo.
Andreae y Merlet (2001) realizaron un análisis crítico de los datos de emisiones
disponibles en la actualidad y presentan un conjunto de factores de emisión para
una variedad de especies emitidas por la quema de la vegetación. También
utilizaron técnicas de extrapolación para estimar los valores para las regiones
donde los datos no estaban disponibles y concluyeron que se han realizado
progresos considerables en cuanto a las estimaciones sobre emisiones de quema
de biomasa, aunque se necesita más trabajo (Andreae y Merlet, 2001).
El problema es que las estimaciones de la cantidad de combustible seco
consumido (Mbiomasa) contiene errores importantes, que no han sido
cuantificados estadísticamente, mientras que las especies EFx incluso bastante
conocidas como el CO y CH4 todavía tienen un 20-30% de incertidumbre (Andreae
y Merlet, 2001; French et al, 2004). Andreae y Merlet (2001) generalizaron la
incertidumbre en un +/- 50% o más. Además, las estimaciones correctas de las
variaciones regionales e interanuales sobre las emisiones de humo son
necesarias, antes de realizar evaluaciones concluyentes sobre los efectos sobre el
clima y el medio ambiente (Scholes y Andreae, 2000; Duncan et al, 2003; Wooster
et al, 2003; Ichoku y Kaufman, 2005).
35
Método directo para estimar las emisiones de humo regionales de Estados
Unidos.
La combustión de biomasa libera radiación de energía, que se puede detectar
remotamente (Kaufman et al, 1998a, b; Wooster, 2002). La potencia radiativa del
fuego (FRP) es su tasa de liberación de energía radiante por unidad de tiempo (o
RFRE), que cuando se integra durante la vida útil de un incendio se obtiene el total
de FRE (Wooster et al., 2005). MODIS es un instrumento a bordo de dos satélites
de la NASA, es decir, Terra y Aqua, puestos en órbita el 19 de diciembre de 1999
y el 4 de mayo de 2002, respectivamente. El potencial de la medición de RFRE
utilizando el instrumento MODIS fue demostrado primero por Kaufman et al.
(1998a, b), con base en mediciones experimentales con el simulador a bordo
MODIS (MAS), que vuela en un avión de gran altitud (Kaufman et al, 1998a, b,
2003; Justice et al, 2002). Manifiestan que alentadores resultados referentes a la
relación de la energía radiante con la liberación de partículas de humo fueron
informados. Además, las relaciones entre RFRE y las propiedades espectrales de
los incendios en el infrarrojo medio y de onda larga (IR) documentado por el MAS,
fueron explotadas para desarrollar un algoritmo adecuado para el sensor
aerotransportado del Sistema de Observación de la Tierra MODIS (EOS) (Giglio et
al., 2003). La energía radiada por un incendio es directamente proporcional a la
cantidad de biomasa quemada (Mbiomasa) (Roberts et al, 2005; Wooster et al,
2005). Wooster (2002) mostró por primera vez, en un estudio de campo a pequeña
escala, la relación lineal (R2 = 0.78) entre FRE y Mbiomasa. La FRE se derivó
usando observaciones hiperespectrales dentro de la región de longitud de onda de
0.4-2.5 µm (Wooster, 2002).
El resultado de este estudio no era plenamente aplicable a los datos de satélites
de teledetección teniendo en cuenta que la derivación de FRE era diferente al
enfoque basado en el infrarrojo medio (MIR) utilizado para misiones de
observación terrestre (Wooster et al., 2003). La investigación reciente de Wooster
36
et al. (2005) era más pertinente a los sensores EOS como MODIS, porque RFRE
fue derivada a través de algoritmos hiperespectrales y de banda única (Radiancia
MIR) utilizando un espectroradiometro basado en el terrero y una cámara térmica
MIR. La relación entre la tasa de combustión de biomasa (kg s-1) y RFRE (MW o MJ
s-1) fue lineal y altamente significativa (R2 = 0.90). Además, la relación entre la
biomasa quemada (kg) y FRE (MJ) fue estadísticamente significativa (R2 = 0.98)
(Wooster et al., 2005). Por lo tanto, FRE y RFRE son proporcionales a la
combustión de la vegetación.
La linealidad de la energía radiante y la biomasa consumida tiene sentido físico.
Para una eficiencia de combustión fija, una masa dada de biomasa lanzará un
gasto calórico proporcional con la combustión. FRE y RFRE es una medida del
calor liberado (aunque con el componente radiante). Ichoku y Kaufman (2005)
presentaron un método para determinar las emisiones de humo en la quema de
biomasa utilizando las mediciones MODIS RFRE y AOD. Sugirieron que, dada la
relación entre la tasa de liberación de energía radiativa y la biomasa quemada, la
Figura (2) puede ser reescrita así:
QX = CeRFRE
Figura 4. Ecuación método directo de estimación de las emisiones de humo.
donde Qx (kg s-1) es la tasa de emisiones de humo derivada del satélite para un
número determinado de especies x, Ce (kg MJ-1) es su coeficiente de emisión
basado en RFRE, y RFRE (MJ s-1) es la tasa de liberación de FRE. El trabajo
presentado en este artículo sigue de cerca el método descrito por Ichoku y
Kaufman (2005) para la estimación de las emisiones de humo. Una sinopsis de
este enfoque se da aquí. La idea era poner a prueba un algoritmo existente, en el
área de estudio, para la estimación de las emisiones de humo RFRE para
determinar mejor las fortalezas y debilidades asociadas. El método se basa en la
determinación de Ce sobre la base de AOD y datos RFRE, teniendo en cuenta que
37
AOD se puede utilizar para estimar la densidad de la masa de humo (SMD)
emitida. Sin embargo, tuvieron que haber sido capaces de prestar más atención a
la garantía de calidad de los pixeles de aerosol contenidos en el fuego dentro de
esta evaluación, ya que el área de estudio es más pequeña y tal vez más
homogénea que la mayoría de las regiones estudiadas en el trabajo previo. En ese
estudio, Ichoku y Kaufman (2005) presentaron los resultados del análisis regional
para diferentes partes del mundo, que no incluyen el área de interés en este
estudio: el SGP de EE.UU.
La zona está delimitada por las coordenadas 32.0°N, 40.0°N, 102.0°W, 90.0°W
(delineada con el cuadro negro en la figura 5) y fue elegida debido a la frecuente
aparición de quema de biomasa anual (Reid et al., 2004). El tipo de combustible
de esta región consiste principalmente en pastizales, tierras de cultivo y árboles
caducifolios de hoja ancha (figura 5), los incendios se deben principalmente a las
actividades de quema agrícola establecidas (quema planificada), que se producen
sobre todo en la temporada de primavera (a finales de Febrero - Mayo). Estos
eventos son importantes contribuyentes para formar neblina de humo dominante
(Reid et al., 2004) en la región, y también pueden ser transportados a sotavento
de los acontecimientos.
38
Figura 5. Mapa de cobertura del suelo en regiones contiguas de los Estados Unidos generado por la
Universidad de Boston y la NASA basado en datos MODIS (Noviembre 2000 – Octubre 2001).
2.2 Principales aspectos de la metodología utilizada en el estudio
desarrollado por Krishna Prasad Vadrevu y otros sobre los incendios
forestales en la región del Himalaya, carga de aerosol, emisiones de
carbono negro y alturas de la pluma de humo. (Vadrevu et al., 2012)
Datos de cobertura de suelo.
Se utilizaron los datos MERIS para cobertura de suelo con una resolución de
300m para la caracterización de los tipos de vegetación (figura 6). El producto de
la cobertura de suelo se obtiene a partir de la clasificación de una serie de tiempo
de mosaicos MERIS, desde diciembre de 2004 a Junio de 2006. Sus 22 clases
globales de cobertura terrestre son definidas por el Sistema de las Naciones
Unidas para la clasificación de coberturas terrestres (Bicheron et al., 2008). Se
utilizó este producto debido a su alta resolución espacial (300 m) en comparación
con los otros. Concretamente, los incendios activos, así como los productos para
zonas quemadas MODIS se superponen sobre el mapa de vegetación MERIS
39
para analizar los regímenes de fuego (frecuencia, amplitud, la estacionalidad, total
de biomasa quemada).
Figura 6. Mapa de la vegetación derivada de MERIS en la región de estudio.
Los incendios activos, la potencia radiativa del fuego (FRP) y la energía
radiativa del fuego (FRE).
Para la caracterización de los incendios activos, la FRP y FRE de los incendios de
vegetación (2005 a 2010), se utilizó el espectroradiometro para imágenes de
resolución moderada (MODIS) de productos procesados a través del Sistema
MODIS de Procesamiento Adaptativo (MODAPS) y proporcionado por el Sistema
de Gestión de Recursos para la Información sobre Incendios (FIRMS) (Davies et
al., 2009). Los datos recogidos por el sensor son procesados utilizando el
algoritmo mejorado contextual de detección de incendios (Giglio et al., 2003) en el
40
producto para incendios activos de la Colección 5, se utilizaron los conjuntos de
datos de Terra y Aqua.
Los datos de incendios están a 1 km de resolución espacial, sin embargo, bajo
condiciones ideales de fuego pequeños de 50 m2 pueden ser detectados. La
potencia radiativa del fuego (FRP) es la tasa de energía de fuego liberada por
unidad de tiempo, medida en megawatts (Wooster y Zhang, 2004). La energía
radiativa del fuego (FRE) es la FRP integrada en el tiempo y en el espacio y se
describe en unidades de mega julios. La FRP MODIS se calcula usando una
relación entre la temperatura de brillo del fuego y los píxeles de fondo en el
infrarrojo medio (centro de la banda alrededor de 4 µm) (Kaufman et al., 1998). Se
presenta como,
Figura 7. Ecuación FRP MODIS.
Donde Tf4µm y Tb4µm son las temperaturas de brillo MODIS del pixel de fuego y el
fondo sin fuego, respectivamente, en Kelvin (K), Asampl es el área real del pixel
(km2) y la FRP es la potencia radiativa del fuego en megavatios (MW). El MODIS
FRE se ha calculado así (Freeborn et al., 2011),
Figura 8. Ecuación FRE MODIS
Donde FRE es la energía radiante del fuego (MJ sec-1), FRP es la potencia de
radiación del fuego (en MW) y Δt es el intervalo de muestreo entre las
exploraciones sucesivas MODIS. A partir de los datos de FRP, FRE se calcula a
través de la aproximación de la integral o el área bajo la curva usando la regla
trapezoidal para cada año (2005 a 2010). Además de los productos MODIS para
incendios activos, que también se utilizó el radiómetro de escaneo (ATSR) (ESA,
41
2011) para detectar la actividad del fuego durante la noche con una resolución de
1 km. En especial se utilizó el producto de algoritmo-2 que detecta incendios si el
canal de 3.7 µm es superior a 308 K (ESA, 2011).
Los tipos de vegetación y los datos de biomasa.
El mapa de vegetación del Himalaya se publicó en 1957 (Schweinfurth, 1984).
Amplios detalles sobre la vegetación del Himalaya, con énfasis en fitogeografía, la
estructura y la función se dan en Singh y Singh (1987). Cuatro principales tipos de
vegetación son reconocidos en esta región: a) la vegetación alpina situada por
encima de la línea del bosque (> 4000 m), b) bosques de coníferas que se
producen en altitudes mayores de 3000 y 4500 m; c) selva sub-tropical ( 2000 a
3000 m de altitud) con gran cantidad de especies de hoja perenne y, d) los
bosques caducifolios de hoja ancha (600 a 2000 m) a lo largo de la cordillera del
Himalaya.
La clasificación detallada de los bosques del Himalaya son identificadas por
Champion y Seth (1968) junto con sus variaciones de altitud, incluyendo la
composición de las especies dominantes, biomasa y otros datos se presenta en la
Figura 9. Estos datos se obtienen a través de la síntesis de la literatura anterior
específica para la región del Himalaya.
Figura 9. Tipo de vegetación en la región Himalaya.
42
Zonas quemadas y emisiones de carbono negro.
Las emisiones de carbono negro se estimaron siguiendo a Seiler y Crutzen (1980)
así:
E = A x B x β x EF
Figura 10. Ecuación estimación de emisiones de carbono negro.
Donde E son las emisiones (en gramos), A es la superficie total quemada
anualmente (m2 yr-1), B es el promedio de carga de biomasa/combustible (kg de
materia seca m-2), ᵦ es la eficiencia de combustión de la biomasa por encima del
suelo; EF es el factor de emisión (masa de especies por masa de materia seca
quemada en g kg-1). Para derivar las áreas quemadas de 2005 hasta el 2010 se
utilizó el producto MODIS MCD45A1, que es un producto de Nivel 3 cuadriculado
de 500 m mensual que contiene información sobre calidad y quema sobre una
base por pixel.
El MCD45A1 se deriva del algoritmo de detección de cambio con base a una
función de distribución de reflectancia bidireccional, y utiliza las entradas de
reflectancia en superficie diaria de Terra y Aqua MODIS (Roy et al., 2008). Los
datos de biomasa se han derivado de una amplia variedad de fuentes a través de
un enfoque de contabilidad. Para los diferentes tipos de vegetación derivados de
MERIS, utilizaron los valores de biomasa de 3.64, 4.0, 4.76, 3.52, 2.94 y 2.7 kg de
materia seca m-2 para bosque cerrado perecedero de hoja plana y demás clases
de bosques. Estos valores se obtuvieron a partir de la media de los valores de
materia seca para diferentes tipos de bosque reportados en la Figura9. Además,
para las tierras de cultivo se utilizó un valor de 0.003 kg m-2 representativo de los
cultivos de arroz y trigo en el Himalaya inferior, recuperados del censo agrícola de
la India (2010). Se utilizó la eficiencia de combustión del cincuenta por ciento de
los incendios agrícolas y veinte por ciento de los incendios forestales, ya que estos
valores parecen ser estimaciones conservadoras (Prasad et al, 2000; Vadrevu et
43
al, 2011). Los factores de emisión de carbono negro se derivan de Andreae y
Merlet (2001) y Akagi et al. (2011) y están en el rango de 0.35 a 0.65 (g kg-1).
Profundidad óptica de los aerosoles y el índice de aerosol (2005 a 2010).
Se utilizó la Colección MODIS 5.1 (MYD08_M3.051) AOD a 550 nm (Remer et al,
2005; Levy et al, 2007) para la caracterización de las variaciones de aerosol. Para
este estudio, utilizaron específicamente el producto de promedio mensual nivel 3 a
partir del satélite Aqua en un período de seis años (2005 a 2010) para evaluar las
variaciones Fuego - FRP - AOD. Estudios recientes sugieren una fuerte
correspondencia entre las medidas de AOD basadas en tierra de Aeronet y
MODIS AOD (Praveen et al., 2011).
El AI (índice de Aerosol) es una medida de la radiación ultravioleta retro
dispersada de una atmósfera que contiene aerosoles que difieren de una
atmósfera pura molecular (Torres et al, 2007; Guan et al, 2010). El AI es sensible
a la presencia de aerosoles absorbentes UV tales como humo, polvo mineral, y
ceniza volcánica.
Alturas del humo y datos de la capa límite planetaria (CLP).
Para cuantificar la altura del humo durante la temporada intensa de quema de
biomasa, se utilizaron los datos de observación satelital infrarroja (CALIPSO).
Específicamente se utilizó el producto de aerosol CALIPSO Lidar de Nivel 2.5
kilómetros (Omar et al, 2009; Winker et al, 2009; Young y Vaughan, 2009). Las
altitudes de la capa superior de humo a partir de CALIPSO están disponibles en
una resolución horizontal (y vertical variante) de 5 km (Tosca et al., 2011).
También utilizaron el producto de la Aplicación y la Investigación del Análisis
Retrospectivo de la Era Moderna (MERRA) (Bosilovich et al., 2008) para evaluar la
altura típica de la capa límite planetaria (CLP) durante la temporada intensa de
quema de biomasa. Los datos MERRA fueron derivados del producto para el
nuevo análisis de Sistema de Observación Terrestre Goddard (GEOS-5) con una
resolución espacial de 0.5° x 0.66° y una resolución temporal de 1h. Para este
44
estudio, han utilizado los datos de incendios pico del mes abril (2008) para evaluar
las relaciones en la altura de los incendios.
2.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y
de órbita polar en un conjunto de datos de superficies incendiadas para
el mejoramiento de los inventarios de biomasa incendiada. (Roberts et al.,
2011)
Método para la integración de FRP y el área quemada.
Base de la integración. La detección de fuegos activos (AF) sólo puede ocurrir
cuando el sensor observa directamente la radiación térmica emitida por un
incendio, mientras se está quemando. Por el contrario, las áreas quemadas
pueden mapearse desde ópticas de detección remota muchos días después del
evento de fuego, suponiendo que la ceniza residual no se ha eliminado y/o que el
rebrote de vegetación después del incendio no ha ocurrido.
Los enfoques del área quemada (BA) pueden potencialmente detectar las
cicatrices del fuego que quedan aún por incendios cortos que se hayan producido
entre las observaciones térmicas utilizadas para detectar los fuegos activamente
en llamas, por los incendios que fueron cubiertos por nubes en el momento de las
observaciones térmicas, o las cicatrices de fuego que se dejan en el paisaje por
los incendios que son demasiado pequeños o demasiado débiles en radiación
para activar el algoritmo de detección AF.
Mientras que los datos BA podrían ser menos afectados por el tipo de sesgo de
baja resolución espacial (es decir, errores de omisión) que pueden afectar las
estimaciones geoestacionarias de la FRP, a la inversa la detección de un BA no
proporciona datos sobre la cantidad real de combustible quemado en el incendio,
algo que es proporcionado por las observaciones de la FRP basadas
térmicamente (Roberts et al, 2009; Roy & Boschetti, 2009). Es por esta razón que
la integración de BA y los datos de la FRP parecen deseables. El enfoque
45
adoptado se basa en una reproyección espacial de los datos BA de 500 m de
resolución espacial en la red nativa de observación utilizada por SEVIRI, creando
así mapas BA diarios a escala continental que coinciden con el nivel de píxeles.
Figura 11. La detección de terminación (en días) entre el momento de la detección SEVIRI AF (Roberts &
Wooster, 2008) y la detección de la zona quemada resultante en la misma ubicación, es expresada por el MCD45A1 MODIS área quemada “aproximando el día del incendio” (Roy et al., 2005a). Un desplazamiento positivo indica que la detección de BA se produjo después de la detección de la AF.
Información de SEVIRI FRP. El BA diario total que se produce dentro de cada
pixel SEVIRI es la base de los cálculos de flujo descendente. Sin embargo, antes
de la integración puede tener lugar la sincronización de los dos conjuntos de datos
que deben ser alineados (es decir, una FA detectada en un día, debe ser
compatible con el BA que resulta de este en el mismo día). Por desgracia,
mientras que las observaciones SEVIRI AF tienen una precisión de tiempo de 15
minutos, el día aproximado de quema previsto en el producto MCD45A1 es un
cálculo que tiene una considerable incertidumbre (quizás ± 8 días según Roy et
al., 2008).
En un estudio sobre los productos de incendios MODIS, Boschetti et al. (2010)
indica que la diferencia mediana temporal entre la causal MODIS FA detectada y
46
el píxel resultante BA MCD45A1 es de 1 día (con el BA detectado después de la
AF), con un 75% de los píxeles BA MCD45A1 que ocurren dentro de 4 días. Este
comportamiento parece sensato, con emisiones térmicas de fuego ardiente
activamente detectadas antes del cambio de reflectancia espectral causado por la
deposición significativa de carbón y cenizas y/o eliminación de la vegetación. En la
integración de las bases de datos de FRP y BA obliga a asignar correctamente el
BA resultante para el AF causal (cuyo FRE es evaluado por nosotros), entonces
los errores de sincronización entre los dos productos deben ser eliminados. El
operar en un clúster de base, en lugar de una base de píxeles, evita errores de
encuentro entre los productos BA y AF causados por la función de punto de
dispersión SEVERI (PSF) y las incertidumbres de productos sobre geolocalización
(Calle et al., 2009).
Figura 12. La comparación de los perfiles temporales del número de grupos coincidentes de incendios MODIS
y SEVIRI derivados de los datos MODIS MCD45A1 con y sin ajuste al parámetro de día aproximado de quema. La distribución estadística de la diferencia en tiempo entre el 'día aproximado de quema' de MCD45A1 y la detección SEVIRI AF se ilustra en la figura 11.
47
La escala espacial en la cual se produce la integración es la de clúster o grupo de
incendio, que se define aquí como un conjunto espacialmente continuo de píxeles
BA y AF en la parrilla de observación SEVIRI.
Ajuste temporal del día aproximado de quema de MCD45A1.
Se utilizaron los tiempos de las detecciones SEVIRI AF para ajustar los datos del
día aproximado de quema de MCD45A1. Para cada día del año, se realizó una
evaluación de todos los píxeles de BA para los cuales no había detección AF de
forma idéntica. Para cada píxel BA, la evaluación se llevó a cabo a través de una
ventana de ± 8 días alrededor del día aproximado de quema, y la fecha de la
detección de BA fue ajustada a la de la detección cercana SEVIRI AF lo cual no es
del todo coincidente temporalmente con otra observación de pixel BA. Los pixeles
de área quemada que no podían ser ajustados temporalmente, debido a las
detecciones AF restantes que están ya asociadas con otros pixeles BA dentro de
la ventana de ± 8 días se mantuvieron sin cambios.
48
Figura 13. Porcentaje de área coincidente (a) y quemada solamente (b) grupos diarios de incendios como una
función del tamaño de la zona quemada (en MODIS con pixeles de 500 m).
La figura 11 ilustra la magnitud de los ajustes temporales realizados a los pixeles
MCD45A1 BA que componen el conjunto de datos de un año de duración.
Alrededor del 45% de los pixeles MCD45A1 BA no requirieron ningún ajuste,
siendo ya detectados en el mismo día de la observación SEVIRI AF. El 55%
49
restante requirió un ajuste temporal, con lo cual se desviaron en la dirección
positiva y confirmando de este modo que los píxeles BA se detectan después de la
observación de AF (Boschetti et al., 2010). El conjunto de datos de BA
temporalmente ajustados es en lo sucesivo referido a MCD45ADJ.
La figura 12 ilustra que el ajuste temporal ha incrementado el número de grupos
de incendios diarios que tienen tanto una medida de BA y de FRP, en un promedio
del 43%. Sin embargo, sigue siendo el caso que, incluso después del ajuste
temporal, el número de grupos de incendios que tienen ambos tipos de datos es
menor que la que tiene ya sea BA o FRP solo.
Una gran proporción de estos grupos de tipo de datos únicos representan píxeles
individuales AF sin una detección de área quemada, que SEVIRI logra detectar en
cantidades particularmente grandes en el oeste y el centro de África del Norte. Del
mismo modo los grupos con los datos de BA son particularmente comunes en el
sudeste de África, lo que refleja el aumento en el área de píxeles SEVIRI a
distancia del SSP, que resulta en mayores errores de omisión de AF (Freeborn et
al., 2009).
El análisis del porcentaje de los grupos de incendios detectados por ambos
conjuntos de datos AF y BA los que tienen únicamente datos BA como una
función del tamaño del área quemada (expresado en pixeles MODIS de 500 m) se
presenta en la figura 13a y b, respectivamente. Los grupos de incendios
detectados por ambos conjuntos de datos (es decir, los que se observan en (a)
muestran una mayor tendencia a tener mayores áreas quemadas que los grupos
de incendios detectados por los datos BA solos (es decir, los que se muestran en
(b)).
En el primer caso, el clúster de fuego más comúnmente detectado consiste en dos
pixeles de área quemada MODIS de 500 m, y el 70% de la superficie quemada se
produce en grupos de incendios ≤ 10 pixeles MODIS de 500 m. Para los grupos de
incendios detectados sólo por el conjunto de datos de área quemada, los
50
incendios de pixel BA MODIS de 500 m son más comúnmente detectados en el
91% de los grupos de fuego que son ≤ 10 pixeles MODIS de 500 m en tamaño
(78% son ≤ 5 pixeles MODIS de 500 m de tamaño ). El porcentaje mayor de un
solo píxel de áreas quemadas sugiere que estos incendios son demasiado
pequeños y/o de intensidad demasiado baja para ser detectados por el producto
SEVIRI AF. Aunque el área de sub pixel realmente quemado dentro del único pixel
MODIS de 500 m es desconocida, ésta detección de pixel en parte corrobora los
hallazgos citados por Eva y Lambin (1998) de que el tamaño promedio de
incendios en África es pequeño (4.5 ha). Un análisis más detallado de las
diferencias entre los conjuntos de datos SEVIRI AF y MODIS BA se presenta a
través de la comparación con el producto MODIS AF (MOD14; Giglio et al, 2003).
Un año de datos MOD14 ha sido asignado a la resolución espacial de SEVIRI
sobre una base diaria, y su tasa de detección calculada para los grupos de
incendios detectados por los conjuntos de datos SEVIRI AF y MODIS BA. Los
resultados indican que el 25% de los grupos de fuego coincidentes tienen una o
más detecciones de fuego activo MOD14, el 14% de los grupos de incendios
detectados sólo por SEVIRI tienen una detección MOD14 AF, y el 3% de los
grupos de incendios detectados sólo por los datos de MODIS BA tienen una
detección MOD14.
Una serie de factores pueden contribuir a estas distintas tasas de detección. El
mayor porcentaje de detecciones MOD14 en grupos de incendios que tienen datos
de SEVIRI AF y de MODIS BA, puede indicar que estos incendios son típicamente
más intensos o pueden quemar durante más tiempo, dado el muestreo temporal
del instrumento MODIS (sólo 4 pasos superiores por día). La tasa de detección
inferior para los grupos de incendios detectados por un conjunto de datos u otro
(MODIS BA o SEVIRI AF) podría resultar de los incendios que a menudo, son de
duración más corta, pero detectados por las más frecuentes observaciones
SEVIRI AF o el producto MODIS, que pueden detectar incendios muchos días
después de haber terminado la quema.
51
Figura 14. Vista general de la metodología desarrollada para integrar datos del área quemada en órbita
(producto MODIS MCD45A1) y los datos geoestacionarios FRP. β representa el factor de combustión radiativa FRP (MJ kg
-1, Wooster et al., 2005), t es el tiempo (segundos), BA es el área quemada (m
2), FCT es el
consumo total de combustible (kg-1
), FCA es el consumo de combustible por unidad de superficie (g m-2
), FCT_BA es el consumo total de combustible (kg
-1) derivado a través de la integración de la zona quemada y la
estimación FCA y el FCT_FRE es el consumo total de combustible derivado de FRE (kg-1
). Tres vías disponibles para estimar el FCT de un grupo de incendios: Camino 1: utilizando sólo los datos de FRP (FCT_FRE), Camino 2: derivar la FCA a partir de los pixeles coincidentes espaciales FRP y BA y usar esto para calcular la FCT para el BA que representa el total del grupo de incendios (FCT_BA) y Camino 3: extrapolar las estimaciones de FCA a partir del Camino 2 para grupos de incendios cercanos sin datos SEVIRI AF (o aquellos datos AF que se consideran comprometidos).
Caminos para el procesamiento de datos.
La metodología para estimar el consumo total de combustible por incendio (FCT)
se basa en la integración de las observaciones FRP y las estimaciones BA en una
base de grupos por incendio. Sin embargo, como ya se ha indicado, la mayoría de
grupos tienen sólo un tipo de datos, y por lo tanto un conjunto de enfoques deben
ser utilizados para procesar cada uno, dependiendo de los datos disponibles. La
52
figura 14 presenta un diagrama de flujo que ilustra los tres caminos para el
procesamiento de datos utilizados.
Camino 1. El camino 1 representa lo que se utilizó con los grupos de incendios
que poseen sólo las observaciones de AF, y donde FCT se estima directamente a
través de la integración temporal de FRP a FRE (figura 15) y se refiere como
FCT_FRE.
FCT_FRE = FRE x β
Figura 15. Ecuación de integración temporal de FRP a FRE.
Camino 2. El Camino 2 representa los grupos de incendios que tienen las
observaciones BA y FRP que son procesadas. La primera etapa en el cálculo del
consumo de combustible del grupo de incendios por unidad de área (FCA: g m-2), a
través de este camino es la estimación de FRE integrando temporalmente las
mediciones de FRP realizadas en los pixeles detectados AF dentro del grupo. En
la explotación de la relación entre la FRE y la quema del combustible propuesta
por Wooster et al. (2005), la FRE se utiliza entonces para estimar la cantidad total
de combustible quemado (FCT_FRE) por medio de la figura 15. Sin embargo, los
grupos de incendios a menudo contienen uno o más píxeles que tienen sólo una
observación AF o BA, pero no ambas. Dentro de un grupo de incendios, los
pixeles BA que están sin la correspondiente observación AF se supone que
representan una subestimación de la actividad del fuego por SEVIRI (es decir, la
no detección de un pixel AF). Para compensar esto, la estimación FCT_FRE
derivada en la FRE derivada de los píxeles detectados AF está dividida por la
estimación de la superficie quemada coincidente (es decir, el total BA de los
píxeles espacialmente coincidentes con los pixeles AF detectados). Esta medida
se toma entonces como el consumo de combustible por unidad de área (FCA).
Esta estimación FCA se multiplica entonces por la superficie total quemada del
grupo de incendios completo (es decir, incluyendo pixeles BA sin tener
53
coincidencias de detección de píxeles AF) a fin de calcular el consumo total final
de combustible (FCT_BA). Como la mayoría de errores en las detecciones SEVIRI
AF y MODIS BA son errores de omisión (Roberts & Wooster, 2008; Roy et al,
2008), junto con un supuesto de inscripción espacial adecuada entre los conjuntos
de datos AF y BA, se supone que la presencia de pixeles BA que no son
coincidentes con un pixel AF surge de un error de omisión, en lugar de un error de
comisión MODIS BA. Una ilustración del proceso de estimación de FCT_BA para un
grupo de incendios individual a través del Camino 2 se muestra en la figura 16. La
estimación FRE de 1 × 108 MJ es equivalente a un FCT_FRE de 39.000 toneladas
según la figura 15. Este combustible fue consumido en un área quemada de 106
km2, resultando en un consumo estimado de combustible promedio por unidad de
área (FCA) de 365gm-2.
54
Figura 16.Ejemplo de cálculo del consumo de combustible para un grupo individual de incendios observado
en una región de la sabana de Zambia (13.01°S, 21.5°N) en DOY 216, procesado utilizando el Camino 2 (figura 14). Los datos MODISADJ BA registran un área quemada de 106 km ², y los datos SEVIRI FRP un valor FRE de 1.05 × 10
6 MJ. Esto equivale a una estimación FCT_BA de 40 kilo toneladas, y un FCA de 365 g m
-2. (a)
Mapa de datos del grupo de incendios, con la ubicación de los píxeles DOY 216 SEVIRI AF que aparecen con un marco rojo y los píxeles MODISADJ BA reasignados a la red de observación SEVIRI con marco azul. Los pixeles originales MCD45A1 BA de resolución espacial de 500m para DOY 216 se muestran en gris, y los otros para otros días se muestran en negro. (b) el perfil temporal de FRP para el grupo de fuego mapeado en (a), fue derivado de las observaciones SEVIRI AF de resolución temporal de 15 minutos.
55
Figura 17. Comparación de las estimaciones de consumo de combustible por unidad de área (FCA: g m-2
). (a)
La Distribución de frecuencias de estimaciones FCA derivadas de los grupos de incendios con un número promedio de observaciones por pixel (Tobs: figura 22) estando entre 1 y ≥ 10 y (b) la distribución de frecuencias de las estimaciones FCA para los grupos de incendios con Tobs ≥ 2.25 para NHA, SHA y todo el África, con líneas de puntos que representan la ubicación de los percentiles 25 y 75 (todo África), respectivamente. El gráfico interior ilustra las estimaciones de FCA derivadas de GFEDv3 durante el mismo tiempo y la misma región.
56
Figura 18. La mediana del consumo anual de combustible por unidad de área (FCA), presentada en una
resolución por celda de cuadrícula de 0.5° en todo África calculada utilizando (a) el enfoque FRE-BA desarrollado aquí, y (b) GFEDv3 (van der Werf et al., 2010). (c) muestra la diferencia agrupada en incrementos de 150 g m
-2.
Camino 3. El Camino 3 se refiere a los grupos de incendios, donde sólo las
estimaciones de BA están disponibles. Esta falta de detección de AF puede
resultar de la cubierta de nubes persistente, o del AF siendo demasiado pequeño
y/o de quema débil para que SEVIRI pueda detectarlo (ilustrado por la figura 13b).
El método para calcular el consumo de combustible (denominado FCT_BA) para
estos incendios muestra que los incendios que están espacialmente cercanos, en
el porcentaje de cobertura de un mismo árbol (Hansen et al., 2003) de clase, y que
se queman durante el mismo período de tiempo tendrán un consumo de
combustible similar por unidad de área (FCA) medida. El FCT_BA para estos
incendios se deriva de tomar las estimaciones FCA realizadas a través del Camino
2 para grupos de incendios situados cerca en el espacio y el tiempo al grupo de
incendio del relevante Camino 3, y multiplicando esas medidas FCA por la última
medida de BA. La siguiente sección proporciona más detalles sobre los Caminos 2
y 3.
57
Figura 19. Las distribuciones de frecuencia de consumo de combustible por unidad de área (FCA: g m-2
)
derivados de la metodología FRE-BA presentada aquí utilizando tanto los datos de ajuste temporal MODIS MCD45A1 sobre día aproximado de quema, y los datos no ajustados (el ajuste se describe en la sección 2.3.2, y la diferencia estadística entre la fecha del día aproximado de quema original y la aparente detección SEVIRI AF que coincide se ilustra en la figura 11). La similitud entre las dos distribuciones de frecuencia sugiere que el impacto del ajuste temporal de las estimaciones FCA es mínimo, aunque sí aumenta el número de grupos de incendios que tienen datos coincidentes BA y FRP en un 60%.
58
Figura 20. Perfiles mensuales de (a) área quemada (BA) a través de África, tomados del producto
temporalmente ajustado MODIS MCD45A1 producto BA (MODISADJ) y del producto GFEDv3 BA (Giglio et al, 2010; Van der Werf et al, 2010), y (b) la mediana FCA derivada utilizando las rejillas de 0.5° para emisiones de carbono proporcionadas por GFEDv3 y los dos productos de BA se muestran en (a).
59
Figura 21. La mediana del consumo de combustible por unidad de área (FCA), derivada haciendo juego con el
área quemada MODIS y los datos SEVIRI FRP (Camino 2, Figura 14) para (a) África en el hemisferio norte, y (b) Hemisferio Sur de África. Los resultados se muestran estratificados en diferentes rangos de porcentaje (Hansen et al., 2003). Los puntos rojos muestran los valores de FCA y las líneas negras el promedio de 5 sesiones. El número de grupos de incendios utilizados para calcular la estimación FCA se muestra en gris.
Caminos 2 y 3 definición de las medidas sobre consumo de combustible por
unidad de área (FCA).
La figura 16 ilustra un caso en el que un conjunto de detecciones AF de buen
muestreo resulta en un registro FRP de variación suave. Sin embargo, un gran
número de incendios en todo el disco SEVIRI no está tan bien observado, debido
a la nubosidad u otros problemas con la detección AF. Sólo los incendios que se
cree que son bien observados por SEVIRI se incluyen en el proceso de calcular
las medidas sobre el consumo de combustible por unidad de área (FCA). Estos
incendios se identifican mediante la siguiente métrica de Tobs, lo que representa el
número promedio de observaciones AF por píxel en un grupo:
Figura 22. Ecuación que representa la media de observaciones AF.
Donde, Obstot es el número total de observaciones AF en un grupo, y Obscluster es
el tamaño del grupo (en píxeles). La figura 22 elimina los posibles sesgos que
podrían ser introducidos por los incendios de muestreo basados en el tamaño del
grupo de incendios o solo el número de detecciones temporales. Sólo los grupos
que tienen Tobs que superen un umbral establecido (es decir, los que se
consideran bien observados) se utilizan para calcular las medidas de FCA. Para
evaluar la sensibilidad del consumo de combustible por unidad de área para el
valor seleccionado Tobs, las estimaciones FCA (g m-2) se presentan en la figura 17,
basadas en los valores Tobs incrementándose por intervalos de 0.25 observaciones
por píxel. A medida que Tobs aumenta también lo hace el FCA modal, mientras que
60
el número de grupos de incendios con un número medio de observaciones mayor
o igual a las disminuciones de Tobs. Los incendios que tienen Tobs < 2 contienen un
bajo FCA modal (<125 g m-2), mientras que aquellos con Tobs ≥ 2.25 tienen un FCA
modal entre 175 y 300 g m-2. La mediana FCA aumenta de 190 a 665 g m-2 como
el umbral Tobs aumenta de 1 a ≥ 10. En el umbral más bajo de Tobs ≥ 1, el 49% de
los grupos tienen FCA<200 g m-2, el 39% de 200 a 1000 g m-2, y el 12% >1000 g
m-2.
Definición del umbral Tobs.
La selección del umbral apropiado para Tobs está sujeta a cierta sensibilidad en
magnitudes bajas (Tobs ≤ 2) debido a una fuerte relación logarítmica entre la
mediana FCA y Tobs (r2 = 0.98). La estimación modal FCA aumenta por 50 g m-2
entre los valores Tobs de 2 - 2.25 con un aumento correspondiente en la mediana
de FCA de 55 g m-2. Sin embargo, el número de grupos de incendios que tienen
valores Tobs entre 2 y ≥ 2.25 disminuye en un 10% y sigue disminuyendo
exponencialmente con el incremento de Tobs. La mayoría de los incendios
detectados en África por SEVIRI existen dentro de un pixel por menos de 1 h
(Amraoui et al., 2010), y para garantizar un número suficiente de observaciones,
supone una limitación en el límite superior de Tobs.
Comparación de FCA con las medidas independientes.
Las medidas sobre consumo de combustible por unidad de área (FCA) derivadas
aquí son relativamente similares a las proporcionadas por las observaciones de
campo, aunque estas últimas son en su mayoría dominadas por los de las
praderas de sabana. Los inventarios de quema de biomasa como el GFEDv3,
desarrollados utilizando modelos biológicos y geoquímicos sobre crecimiento del
combustible, parecen proporcionar típicamente medidas más altas de FCA que las
encontradas aquí (por ejemplo, 280 - 3000 g m-2; Ito y Penner, 2004; 636 - 828 g
m- 2, Lehsten et al, 2008, 400 - 800 g m-2, van der Werf et al, 2006). La gráfica
interior de la figura 17b ilustra las estimaciones FCA derivadas a partir de 0.5°
61
GFEDv3 BA y las estimaciones sobre el consumo de combustible seco
proporcionadas en GFEDv3 (van der Werf et al., 2010). Tanto para los hemisferios
del Norte (NHA) y del Sur (SHA) de África, las distribuciones de frecuencia
GFEDv3 FCA se desplazan hacia la derecha y tienen un pico más ancho que las
distribuciones que obtenemos aquí usando el enfoque FRE-BA. Las estimaciones
FCA promedio de GFEDv3 son sustancialmente más altas (360 g m-2) que las
estimaciones (GFEDv3: 770 g m-2 (toda África), 900 g m-2 (SHA) y 615 g m-2
(NHA); metodología actual: 406 g m-2 (todo África), 412 g m-2 (SHA) y 396 g m-2
(NHA)). Las estimaciones algo superiores derivadas de SHA en comparación con
NHA se atribuyen a la mayor proporción de los incendios en bosques, que
normalmente tienen mayores cargas de combustible (van der Werf et al., 2006).
Van der Werf et al. (2010) sugiere que las magnitudes superiores FCA de GFEDv3
pueden resultar de diferencias en el intervalo de retorno de fuego utilizado en el
inventario (que se basa en el conjunto de datos GFEDv3 BA) y que deriva de las
observaciones de campo. Sin embargo, Hely et al. (2003b) utilizó un modelo NNP
alternativo para estimar que la mayoría de cargas de combustible en el sur de
África se encuentran en el rango 200 - 700 g m-2, con un pico alrededor de 350 -
400 g m-2. Estos valores tienden hacia el extremo inferior de los de GFEDv3, pero
son todavía un poco mayores que la mayoría de los derivados aquí usando el
enfoque FRE-BA.
La figura 18 compara la distribución espacial del FCA de mediana anual calculada
utilizando el enfoque actual y el GFEDv3. Sólo las celdas de la rejilla que tienen
valores de FCA disponibles tanto de GFEDv3 y el método FRE-BA son mostradas.
Un grado de correspondencia espacial existe entre los dos conjuntos de datos,
que es más evidente en el norte y centro de África. Las estimaciones superiores
de FCA ocurren típicamente en áreas con cobertura abundante de árboles, como
África central y occidental. Sin embargo, las diferencias sustanciales también son
evidentes, y muy especialmente en el hemisferio sur y los bosques tropicales de
62
África central. El GFEDv3 proporciona estimaciones más altas de FCA en 67% de
las celdas de la cuadrícula.
Impacto de la regulación temporal y la fuente de los datos sobre áreas
quemadas.
Las estimaciones FCA derivadas aquí a través del enfoque FRE-BA y de los datos
contenidos en GFEDv3 son altamente dependientes de la medida BA empleada.
Los datos MCD45A1 BA sobre el día aproximado de quema se ajustaron
temporalmente (discutido en la Sección 2.3.2) para coincidir con el día de
detección AF. Para evaluar el impacto de este ajuste, se compararon 30 días de
estimaciones FCA a partir de grupos de incendios que requerían el ajuste temporal
con aquellos en los que no era necesario (es decir, aquellos cuyos datos AF y BA
coincidieron en sus tiempos). Las distribuciones de frecuencias de FCA (figura 19)
son similares a las magnitudes de FCA >100 g m-2 lo que sugiere que el ajuste
temporal no ha tenido un efecto muy significativo en la magnitud de las
estimaciones FCA. La ventaja del ajuste temporal es que proporciona un aumento
del 60% (30.000 grupos de incendios) en el número de grupos de incendios que
tienen datos coincidentes BA y AF, y proporciona una muestra mucho mayor y un
aumento de probabilidad.
En cuanto a los datos sobre áreas quemadas utilizados, Giglio et al. (2010) reporta
alguna variación espacial significativa entre el conjunto de datos MCD45A1 BA
que empleamos y el conjunto de datos GFEDv3 BA utilizado en GFEDv3, a pesar
de que los BA totales anuales concuerdan bien. Aquí se examina el posible
impacto de estas diferencias, para determinar el impacto potencial en nuestras
estimaciones FCA. La figura 20 ilustra el área quemada mensualmente de los
conjuntos de datos GFEDv3 y MCD45ADJ BA, junto con las estimaciones FCA
obtenidas utilizando la medida de consumo de combustible total tomada del
conjunto de datos GFEDv3 (el consumo de combustible se calcula utilizando los
datos GFEDv3 sobre emisiones de carbono y un factor de conversión de 0.45), y
63
también los datos de GFEDv3 BA o los datos de MCD45ADJ BA. Diferencias
significativas en BA son evidentes entre Mayo y Octubre, que dan lugar a
diferentes estimaciones de FCA (figura 20b). La mayoría, en particular el producto
MCD45ADJ BA detecta una mayor cantidad de BA a principios de temporada seca
en el Hemisferio Sur, mientras que el producto GFEDv3 BA detecta más al final de
la estación seca.
Dinámicas temporales del FCA.
Las dinámicas temporales de la mediana FCA diaria para las regiones que tienen
diferentes cubiertas de árboles porcentuales se muestra en la figura 21. En NHA
(figura 21a), el FCA estima que en todo menos en la clase de cubierta de árboles
porcentual más alta parecen similares, y después del día del año (DOY) 300,
cuando la actividad de incendios se encuentra en su nivel más alto los perfiles de
FCA muestran una variabilidad temporal relativamente pequeña. Por el contrario,
entre DOY 1 y 100, cuando el número de incendios es mucho menor, el FCA para
todas las categorías de cobertura de árboles aumenta de manera constante a una
tasa de 1 kg m-2. Durante este período, la mayoría de los incendios consumen
más de 750 g m-2, con una gran disminución en el número de incendios FCA bajos
(es decir <250 g m-2). En SHA (figura 21b), la mediana FCA parece menos variable
que en NHA, y muestran grandes diferencias de magnitud entre las clases
diferentes de cubiertas de árboles porcentuales. Curiosamente, la mediana de FCA
estima aumentos a medida que progresa la estación seca (DOY 120 a DOY 290),
con la tasa de aumento limitado en la estación seca, pero cada vez más
pronunciada con la cobertura en aumento de árboles porcentuales DOY 210 y
260.
Suponiendo una tasa de detección BA coherente en el tiempo, este
comportamiento puede resultar de un aumento gradual en la eficiencia de
combustión a medida que la humedad del combustible se reduce en la temporada
y permite cada vez más clases de combustible mayores (por ejemplo, biomasa
64
leñosa) para quemar. Esto coincide con los hallazgos de Govender et al. (2006),
quien encontró la humedad de combustible más baja y el más alto porcentaje de la
intensidad de incendios que se produjeron hacia el final de la estación seca de
SHA (260 DOY), y las de Hoffa et al. (1999) quien encontró que la integridad de la
combustión se incrementó entre Junio y Agosto en bosques y áreas dambo
(pastizales) de Miombo. Entre DOY 210 y 260 la proporción de incendios con un
moderado (1250 - 2000 g m-2) y un alto (>2000 g m-2) FCA aumentado, donde
estos incendios ocurren predominantemente en las regiones boscosas de sabanas
de Angola, Zambia y el sur de República Democrática del Congo (DRC).
Una representación de la relación entre el FCA y la cobertura de la tierra se
proporciona en la figura 23, que muestra la mediana de FCA para ser
generalmente mayor en selvas que en los tipos de coberturas herbáceas. La
mayoría de los valores FCA derivados para praderas están dentro del intervalo
encontrado en la literatura para dambos (típicamente 140 - 400 g m-2; Hely et al,
2003b; Hoffa et al, 1999) y sabana abierta (típicamente 160 -580 g m-2; Shea et al,
1996; Ward et al, 1996). Sin embargo, los pastizales abiertos tienen una mediana
superior y un mayor rango de FCA que los otros tipos de coberturas herbáceas,
aunque el número de incendios en este tipo de cobertura es pequeño (100).
Problemas con la clasificación de la cobertura terrestre de esta clase también
pueden contribuir potencialmente a esta variación.
65
Figura 23. El consumo de combustible por unidad de área (FCA) derivado usando el área quemada de MODIS
y los datos SEVIRI FRP por medio del Camino 2 (figura 14). Los resultados se muestran estratificados por los diferentes tipos de cobertura de la tierra de la base de datos GLC2000 de África (Mayaux et al., 2004). Las medidas estadísticas tales como la mediana (barra), la moda (cruz) y los percentiles 25 y 75 (cuadros) son mostrados. Los incendios que se producen en píxeles marcados como agua en la resolución espacial nativa de SEVIRI (<0.5% del total del número de incendios coincidentes) han sido emitidos. Estos incendios son los que ocurren en píxeles SEVIRI que contienen una mezcla de tierra y agua en la base de datos GLC2000 de la cubierta terrestre de África.
La extrapolación de las estimaciones del FCA para otras áreas quemadas
(Camino 3).
Las medidas FCA derivadas utilizando el Camino 2 (y descritas en la Sección
2.3.3) proporcionan la base para estimar el consumo total de combustible en
incendios en los que los datos BA están disponibles, pero que no tienen datos
66
SEVIRI AF que coincidan, o cuyos datos AF se consideran comprometidos (Tobs
<2.25). La extrapolación de las estimaciones de FCA para estas áreas quemadas
se lleva a cabo a través del Camino 3 (figura 14). La medidas FCA utilizadas son
las derivadas del Camino 2 y las producidas en el mismo día, en la misma celda
de cuadrícula de 2.5°, en el mismo rango de cobertura de árbol porcentual
(basado en contenedores del 25% de la cobertura de árboles) y en el espacio
cercano al pertinente Camino 3 de incendios. Si no hay candidatos adecuados
para cumplir estos criterios, la ventana temporal se expande hasta un máximo de
± 4 días. La extrapolación del valor FCA para el Camino 3 de incendios donde las
observaciones de la FRP existen pero donde Tobs ≤ 2.25 se lleva a cabo sólo si el
nuevo candidato FCA supera lo calculado usando los grupos de incendios propios
del valor de la FRE.
2.4 Caracterización global de los modelos de la quema de biomasa utilizando
mediciones de energía radiativa del fuego. (Ichoku et al., 2008)
Consideraciones geobotánicas.
Para posibilitar un estudio detallado de los modelos de actividad de incendio en
diferentes partes del mundo, tanto independientemente y comparativamente, 36
regiones en las cuales los incendios ocurren generalmente han sido identificadas
en un mapa mundial del ecosistema derivado de MODIS. Sin embargo, es
imposible restringir cada región a un solo tipo de ecosistema únicamente, el
esfuerzo se ha realizado para asegurar de que al menos cada región se base
únicamente a conveniencia, y no se conforma a las fronteras políticas.
67
Figura 24. Series de tiempo global diaria de parcelas en MODIS. (a) Media por pixel del poder radiativo del
fuego (FRP), y (b) número total de pixeles en fuego (NFP o conteo de fuego) sin considerar el efecto de la nubosidad.
Las 36 regiones de incendios están enlistadas en la figura 26, con sus números de
casilla correspondiente, coordenadas limitantes en la esquina de la casilla, y
nombres abreviados para ser usados en el remanente de este papel. Las regiones
de incendio han sido agrupadas en seis grupos basados en proximidad geográfica,
mientras se intenta la mejor extensión posible para ecualizar el número de
regiones en cada grupo para así facilitar el análisis. El área limitada de superficie
terrestre por cada una de las casillas en la figura 25a fueron calculadas utilizando
una tabla de áreas de cuadricula de 1° x 1° en la superficie de la tierra
suministrada por Robinson & Sale (1969, Tabla D.3) y sustrayendo las áreas
etiquetadas como agua en el mapa del ecosistema.
68
El área total encerrada por las casillas y las áreas únicas terrestres
correspondientes están enlistadas en la figura 26. Proporciones de agrupaciones
de siete ecosistemas anchos en estas regiones de incendio son mostradas en la
figura 25b, las cuales, en un esfuerzo de evitar un desorden excesivo, fueron
derivadas combinando algunas de las 16 clases únicamente de cubierta terrestre
(mostradas en figura 25a) que son colocadas geográficamente o tienen las
mismas características en relación a los incendios, tales como regiones infértiles y
cubiertas con hielo, las cuales no se pueden quemar. Por lo tanto, los siete grupos
de ecosistemas (con sus constituyentes en paréntesis) consisten de: bosque
tropical (bosque siempre verde de hoja ancha), bosque boreal (bosque siempre
verde de hoja aguda, bosque caduco de hoja aguda), otro bosque (bosque caduco
de hoja ancha, bosque mixto), Sabana (sabana leñosa, sabana, pradera), agrícola
(tierra de cultivo, mosaico de cultivos), matorral (matorral cerrado y abierto), y con
escasa vegetación (infértil/desierto, urbano y edificado, nieve y hielo, humedales
permanentes).
69
Figura 25. (a) Mapa de ecosistemas globales derivados de MODIS basado en el programa internacional
Geosfera/Biosfera del esquema de clasificación. Numeradas las cajas blancas que delinean diferentes regiones identificadas por el análisis independiente y comparativo en este estudio, con los nombres correspondientes a los números indicados. Tenga en cuenta que los nombres se utilizan sólo con fines de identificación generales pero no para conferir las fronteras políticas, (b) las proporciones de diferentes tipos de ecosistemas (agrupados en 7 clases amplias) respecto a la superficie total de la tierra (en oposición al agua) en el área seleccionada para cada región.
70
Figura 26. Regiones de incendios seleccionadas por este estudio.
Proceso de agregación de incendio regional.
Todos los datos FRP conseguidos por MODIS en tierra y agua desde mediados de
2002 hasta finales del 2006 (4.5 años) fueron agregados de una forma que
simplificara el análisis comparativo. El total de NFP y el medio de FRP fueron
calculados por cada una de las regiones en cada tiempo de sobrevuelo local
MODIS, el cual varía entre regiones incluso en un tiempo de cruce ecuatorial. El
tiempo local fue calculado utilizando una tabla de información de huso horario
dependiente de longitud, por lo cual el tiempo local para áreas adyacentes dentro
71
del rango de longitud de 15° centrado en el meridiano cero (ejemplo de -7.5° a
7.5°) son asumidos como el mismo del tiempo universal (UT), más allá del cual por
cada rango de longitud de 15° hacia el este u oeste, 1 hora es agregada o restada
respectivamente. La mediana de la longitud de cada región fue usada para
calcular sus horarios locales medios de sobrevuelo, los cuales deberían
únicamente ser considerados como aproximado, especialmente para regiones que
tienen un lapso longitudinal bastante amplio. Aunque la media regional FRP puede
actuar como un medio indicador de intensidad de incendio sub pixel y/o tamaño
para el tiempo de sobrevuelo pertinente, este no indica la combustión total, la cual
puede ser mejor representada por la FRP total. Sin embargo, el NFP total o la FRP
total no se pueden comparar entre regiones debido a las grandes diferencias en el
área terrestre regional y en la concentración general de los pixeles del incendio.
Para hacer estas cantidades comparables entre regiones, están divididas aquí por
sus respectivas áreas regionales y superficiales (en km2), como en la lista de la
figura 26. Para la FRP total, el resultado está en unidades de flujo radiante, el cual
puede ser usado para evaluar el impacto de incendio regional.
Esquema de clasificación de incendio basado en FRP.
El hecho de que los valores individuales de pixeles FRP puedan abarcar tres
órdenes de magnitud en alcance, incluso dentro de la misma localidad demuestra
el amplio alcance de posibles intensidades de incendios. Por consiguiente, en el
caso de desastres por incendios, los valores FRP en si serian demasiado
detallados como un medio de comunicar el estado del incendio. La intensidad de
diferentes desastres naturales tales como huracanes y terremotos son expresados
en términos de índices simples numéricos sin dimensión, tales como categoría del
huracán o magnitud del terremoto, lo cual permite a los creadores de políticas,
encargados de desastres, y al público general tener un sentido de impactos
potenciales de tales eventos. Desastres grandes de incendios, potencialmente
tienen un carácter destructivo similar a huracanes y terremotos. Por lo tanto, sería
72
útil idear una escala similar de medición para describir la intensidad del incendio.
Ya que MODIS es el único sensor capaz de medir la intensidad de los incendios
globalmente, varias veces al día, a 1km con una resolución adecuada espacial
para caracterizar una gran proporción de casos de incendios. Es razonable
establecer la escala de incendios basada en las medidas FRP MODIS, las cuales
serán muy informativas hasta que un mejor sistema pueda ser desarrollado para
tal categorización.
Figura 27. Frecuencia de distribuciones relativas regional del poder radiativo del fuego (FRP) agrupadas en
contenedores de 50 MW (0 a < 50, 50 a < 100, 100 a <150, …).
73
Figura 28. Ejemplos pertenecientes a incendios en categorías de 2 a 5 (superior a las filas inferiores), con
atributos de incendio (columna izquierda), color verdadero de imágenes MODIS de escenas de incendios (columna del medio), y distribución espacial de pixeles en diferentes categorías (columna derecha).
2.5 Estimación del gas traza y las emisiones de aerosol en América del Sur:
Relación entre la energía del fuego radiativo liberada y las observaciones
de profundidad óptica del aerosol. (Pereira et al., 2009)
74
Profundidad Óptica de Aerosoles MODIS (AOD), anomalías térmicas
(MOD14/MYD14) y producto contra incendios WFABBA / GOES.
El sensor MODIS a bordo del EOS Terra y las plataformas Aqua mide la
profundidad óptica de los aerosoles (AOD), que muestra la pérdida de la radiación
solar a través de aerosoles por medio de procesos de absorción y dispersión a lo
largo de la columna vertical de la atmósfera. Los productos MODIS Nivel 2 AOD a
partir de Terra (MOD04) y Aqua (MYDO4) tienen una resolución espacial de 10 km
en el nadir y cubren una franja de 2330 km (Kaufman y Tanre, 1998). Así mismo,
las plataformas EOS realizan la detección de fuego (MOD14 y MYD14) usando las
temperaturas de brillo asociadas a canales de 4 µm y 11 µm (radiación infrarroja
media) usando un algoritmo contextual, recuperando el píxel de fuego con una
resolución espacial nominal de 1x1 km (Giglio et al., 2003). El WFABBA es un
producto para la detección de incendios y anomalías térmicas que se basa en los
datos GOES, que está disponible con una alta frecuencia de observaciones y con
una resolución espacial nominal de 4x4 km en el nadir. El algoritmo de WFABBA,
así como algoritmo MODIS, utiliza dos bandas, situadas en canales de 3.9 µm y
10.7 µm, para la detección de píxeles de incendios (Prins et al., 1998).
Potencia Radiativa del Fuego FRP.
La FRP puede ser definida como la parte de la energía química emitida en forma
de radiación dentro del proceso de combustión de la biomasa. La integración
temporal de la FRP proporciona la FRE. La FRP, que puede ser estimada por un
radiómetro infrarrojo aerotransportado (Riggan et al., 2004) y también a través de
bandas infrarrojas en datos sobre incendios de los satélites ambientales tales
como GOES y MODIS.
75
El sensor MODIS estima la FRP mediante el primer método desarrollado por
Kaufman et al. (1996, 1998a, b) y caracteriza la relación entre la temperatura de
brillo del incendio y los píxeles de fondo en el infrarrojo medio (centro de la banda
cerca de 4 µm) y está dada por:
Figura 29. Ecuación de la estimación de la FRP mediante el primer método desarrollado por Kaufman et al.
(1996, 1998a, b).
Donde Tf4µm y Tb4µm son, respectivamente, las temperaturas de brillo MODIS del
píxel de incendios y el fondo sin incendios en grados Kelvin (K), Asampl es el área
real del pixel (km2) y la FRP es la potencia radiativa del fuego en Megavatios (MW
o MJ s-1).
Los productos WFABBA / GOES no están incluidos para el cálculo de la FRP. Sin
embargo, la figura 30 podría ser utilizada para calcular esta propiedad física.
Figura 30. Ecuación que puede ser utilizada para el cálculo de la FRP.
Donde Af representa la fracción de fuego en el pixel (m), σ es la constante de
Stefan-Boltzmann (5.67 x 10-8 W m-2 K-4) y Tf es la temperatura del fuego. El área
y la temperatura del fuego son obtenidas por el método descrito por Dozier (1981).
Aunque las mediciones por satélite de la FRP podrían ser una mejora para
cuantificar las emisiones en la combustión de biomasa, hay algunos errores y
limitaciones de detección inherentes a este método. Los productos MODIS y
GOES requieren validaciones complejas que todavía no se han realizado.
Algunas incertidumbres son inherentes a los productos de tele observación
derivados y factores como la saturación del canal del sensor por temperaturas
altas de incendios, incendios no detectados o perdidos, cobertura de nubes,
efectos de fuego sin llamas en los incendios dentro de la estimación de la FRP, las
76
características regionales en la quema de biomasa y tamaño del fuego instantáneo
y la temperatura. La FRP calculada utilizando los productos contra incendios
WFABBA / GOES se evaluó a través de datos FRP casi simultáneos derivados de
las observaciones contra incendios MODIS. Aunque la FRP puede ser estimado
por varios métodos que implican una variedad de errores en estos procesos, la
técnica descrita en la figura 30 fue elegida para extraer la FRP de GOES debido a
la falta de información de fondo en los productos WFABBA / GOES. Sin embargo,
aproximadamente el 10% de los 2002 incendios detectados por WFABBA / GOES
presentaron una saturación temprana en el canal de 3.9 µm, impidiendo la
estimación de FRP por la figura 30.
En lugar de eliminar todas las observaciones de la FRP saturadas de WFABBA /
GOES e ignorando importantes episodios de quema de biomasa, una alternativa
es adoptada para asimilar las emisiones de aerosoles de humo basado en el
inventario para el modelo CATT-BRAMS. Por consiguiente, para asignar un valor
de la FRP a los píxeles saturados, el método de radiación de infrarrojo medio
(MIR) propuesto por Wooster et al. (2003) se aplica en datos WFABBA, con una
temperatura de fondo constante de 300 K. El método de radiación MIR para la
estimación de la FRP se basa en la hipótesis de que la radiación espectral emitida
en la banda de ondas de 3.9 µm es linealmente proporcional a la FRP. El
planteamiento del método de radiación MIR se expresa a través de:
Figura 31. Ecuación del planteamiento del método de radiación MIR.
77
Donde Ag es área por pixel de GOES (16 km2), a es una constante basada en el
canal espectral de GOES MIR (3.07; 3.06 o 3.08x10-9 W m-2 sr-1 µm-1 K-4, al
GOES-8, GOES-9/10 y GOES 12 reproductor de imágenes, respectivamente)
adquirido de Wooster et al. (2005), B (λ, T) es la ley de radiación de Planck, c1 y c2
son constantes (3.74 x 108 W m-2 y 1.44 x 104 µm K, respectivamente), λ es la
longitud de onda (µm) T es la temperatura (K) y Lb es la radiación espectral
emitida por los antecedentes (110MW).
Coeficientes de emisión de humo en aerosol basados en la FRE a partir de
WFABBA/GOES.
En este estudio, los coeficientes de emisión de humo en aerosol basados en FRE
para datos de incendios WFABBA / GOES se crean utilizando el método
propuesto por Ichoku y Kaufman (2005). Este método estima la suma de la tasa de
emisiones de aerosoles de humo (RSA, en kg M J-1) en un área dada y hace una
regresión con la FRE para la misma área. El Rsa puede ser calculado por la figura
32.
Figura 32. Ecuación cálculo del Rsa.
Donde AODf 550 nm y AODb 550 nm representan la profundidad óptica de
aerosoles a 550 nm en el píxel de aerosol de humo y en el fondo (8 pixeles
envolventes), respectivamente. Para los valores de βa (eficiencia de absorción de
masa -0.6 m2 g-1) y βs (eficiencia de dispersión de masa - 4,0 m2 g-1) las
78
propuestas por Ichoku y Kaufman (2005), que representan el valor medio para la
emisión de humo en aerosol con un tiempo de vida entre 5 min y 1 h, se utilizan en
la figura 32 donde Ap representa el área de píxeles MODIS AOD; u y v son las
componentes zonales y meridionales del viento a una altura de 1.6 km obtenidos a
partir de la integración del modelo atmosférico BRAMS.
Finalmente, para cada grupo de píxel fuego de 10 km, la FRP derivada de
WFABBA / GOES (en MW o MJ s-1) y Rsa derivado a partir del MOD04 / MYD04
AOD (en kg s-1), con un retardo máximo de 20 minutos entre la recuperación AOD
y la observación de la FRP/GOES, son extraídos. Los datos están separados para
las tres regiones de biomas en Sur América (figura 34), como se describe en
Ichoku y Kaufman (2005).
Esta técnica permite la estimación de las emisiones de gases de aerosoles y de
rastreo a través de la ecuación:
Figura 33. Ecuación para la estimación de las emisiones de gases de aerosoles y de rastreo.
Donde M[e] representa el flujo de masa de humo (kg s-1), Ce (kg M J-1) es el
coeficiente de emisión de aerosol de humo y la FRP es la energía liberada en el
proceso de combustión de biomasa (MW). Sin embargo, no está claro si estos
nuevos algoritmos se pueden utilizar para generar las estimaciones de emisiones
regionales que están de acuerdo con las observaciones de campo.
79
Figura 34. Área de estudio divida en tres grandes ecosistemas: a. Bosque Tropical Lluvioso del Amazonas; b.
Bioma Catinga Brasileño; c. Bosque Atlántico bosque húmedo (tropical y subtropical, bosque seco tropical, sabanas tropicales, manglares) y los biomas de pastizales.
La figura 33 muestra el área de estudio dividida en tres grandes regiones:
Bosque Tropical Lluvioso del Amazonas y el Cerrado brasileño en (a); bioma
Catinga brasileño (en el noreste de América del Sur) en (b), y el Bosque Atlántico
(bosque húmedo tropical y subtropical, bosque seco tropical, sabanas tropicales,
manglares) y los biomas de pastizales en (c). Bosque Tropical Lluvioso del
Amazonas es un bosque latifoliado húmedo con siete millones de kilómetros
cuadrados de extensión donde aproximadamente cinco millones y medio están
cubiertos por la selva tropical (Laurance et al., 1999). Cerrado o sabana brasileña
se caracteriza por extensas formaciones de sabana, con bosques de galería,
incluyendo varios tipos de vegetación. La formación sabana incluye campos
húmedos, prados alpinos y bosques densos en suelos fértiles, creando una
80
diferencia significativa entre la cantidad de especies leñosas y herbáceas en la
zona. El Bioma Catinga se caracteriza por ser un matorral xerófilo y de bosque
espinoso que pierde sus hojas en cada temporada. Los tipos de vegetación están
representados por cactus, plantas de tallo grueso, arbustos espinosos, pastos
tropicales adaptados, árboles de hoja ancha y arbustiva. El Bosque Atlántico
representa un bioma que cubre el bosque húmedo tropical y subtropical, bosque
seco tropical, sabana tropical y áreas de manglares. Este bioma se encuentra en
la costa atlántica de Brasil y Argentina y en la zona continental como el Paraguay.
Descripción del modelo
El CATT, un modelo de transporte Euleano completamente acoplado a BRAMS,
es un modelo numérico que simula las emisiones de la quema de biomasa,
depósito y transporte. En este modelo, el gas de traza y las emisiones de aerosol,
la deposición y la estimación de transporte se obtienen simultáneamente con la
evolución de la condición atmosférica, utilizando las parametrizaciones dinámicas
y físicas de la integración del modelo atmosférico.
La ecuación de continuidad de masa de CO y PM2.5µm en la forma de una ecuación
de tendencia se expresa según Freitas et al. (2009) como:
Figura 35. Ecuación de continuidad de masa de CO y PM2.5µm en la forma de una ecuación de tendencia
expresada según Freitas et al. (2009).
Donde s es la celda de la malla que significa la proporción de la mezcla del
trazador, término (I) representa el término de transporte 3-d (advección por el
viento medio) término (II) es la difusión a escala inferior a la malla en el PBL, los
términos (III) y (IV) son el transporte inferior a la malla por convección profunda y
superficial, respectivamente. El término (V) se aplica a CO que se trata como un
trazador pasivo con una vida útil de 30 días (Seinfeld y Pandis, 1998), el término
81
(VI) es la extracción de humedad aplicada a PM2.5, el término (VII) se refiere a la
deposición seca aplicada a los gases y partículas de aerosoles y, finalmente, el
término (VIII) es el término fuente que incluye el mecanismo de elevación asociado
con los incendios de vegetación.
Las simulaciones del modelo para el período comprendido entre el 15 Julio y el 15
Noviembre que representa la estación seca en América del Sur del 2002, se
realizan con una red de resolución horizontal de 50 kilómetros. La resolución
vertical varió telescópicamente con mayor resolución en la superficie (150 m) con
una relación de 1.07 hacia una resolución máxima de 850 m, con la altitud tope de
20 km en 38 niveles verticales. CO y campos de PM2.5 µm se inicializan utilizando
perfiles horizontales homogéneos asociadas a una situación de fondo y el modelo
se corrió durante un período de 15 días con fuentes de la rotación.
La condición de contorno lateral se define como tener flujo de entrada constante y
variable de flujo de salida de radiación. Las emisiones de CO de las actividades
urbano industriales y fuentes biogénicas industrial vehiculares no están incluidas
en este estudio, ya que en las áreas en las que se centró la discusión del modelo y
evaluación, la quema de biomasa es la fuente más importante.
Parametrización de la fuente de emisión y evaluación con los datos
observados.
A través de los coeficientes basados en la FRE de Suramérica MODIS y GOES
para tres biomas genéricos, es estimado el inventario PM de emisión de aerosol
de humo en la temporada seca de 2002 en América del Sur. Una relación entre el
material particulado con un diámetro inferior a 10 µm (PM10 µm) y CO, y factores de
emisión de PM2.5 µm se adoptan para estimar las fuentes de entrada en emisiones
de quema de biomasa CATT-BRAMS. Esos factores de emisión (figura 36)
tomados de Wiedinmyer et al. (2006), se basan en la literatura publicada de:
Andreae y Merlet (2001), Hoelzemann et al. (2004), Liu (2004). Por lo tanto, una
relación entre los factores de emisión se crea y se utiliza para convertir los valores
82
de flujo de humo de Ichoku y Kaufman (2005) enfocado en el inventario de
emisiones del año 2002 en Suramérica de CO y PM2.5 µm.
Las simulaciones del modelo CATT-BRAMS de CO y PM2.5 µm se comparan con
los datos de campo a partir de la campaña LBA SMOCC / RaCCI, recogidos cerca
de 62.37oW y 10.75oS en la cuenca amazónica. Las mediciones cerca de la
superficie de PM2.5 µm y CO se realizaron en Ouro Preto do Oeste sitio de pastos,
de Septiembre a Noviembre de 2002. La concentración de partículas de masa
PM2.5 µm se mide con un TEOM que significa Balance de Masa para la Oscilación
de Elemento Cónico, con una resolución temporal de 30 min desde el 10 de
Septiembre hasta el 4 de Noviembre de 2002. Por lo tanto, una comparación de
los resultados del modelo PM2.5 µm y CO a las 12:00 UTC con el promedio diario
centrado a las 12:00 UTC se hizo para evaluar estas simulaciones.
En campañas SMOCC/RaCCI, la variabilidad en el régimen de lluvias se observa
en la temporada de transición de clima seco a húmedo. Mientras que las primeras
semanas se caracterizaron por tasas de bajas precipitaciones con un alto número
de ocurrencia de incendios de vegetación, no sólo en el área de campaña, sino
también en toda la cuenca del Amazonas y el Brasil Central, esta característica se
refleja claramente en las mediciones de CO y aerosoles de partículas a nivel de
superficie, mostrando valores de hasta 4000 ppb y 210 µg m-3, respectivamente,
con una fuerte variabilidad. Esta variabilidad es influenciada por la evolución
diurna de la condición de la capa límite e indica que los incendios estuvieron
bastante cerca del sitio de mediciones con plumas de fuego sin estar
significativamente dispersas. En Octubre, la tasa de precipitación comienza a
aumentar y, en consecuencia, disminuyó el número de incendios de vegetación.
En Noviembre, las lluvias provocan una reducción notable de los incendios, pero
unos cuantos puntos calientes fueron observados.
83
Figura 36. Factores de emisión promedio (g kg-1
) para CO, PM10µm y PM2.5µm asignados a la FRE basados en
coeficientes de emisión de humo de aerosol.
Ecosistema PM 10µm PM 2.5µm CO PM 2.5µm % CO %
Bosque Tropical
Lluvioso
Amazónico y el
Cerrado Brasileño
12.5 9.9 117 0.79 9.4
Bioma Catinga
Brasileño
6.9 5.6 84 0.81 12.2
Bosque Atlántico y
Bioma de
Pastizales
6.9 5.6 84 0.81 12.2
Figura 37. Datos de incendios WFABBBA / GOES en el sur y el norte de América con el número total de
incendios detectados (gris oscuro) y los píxeles de fuego saturados y sus porcentajes (gris claro y línea negra, respectivamente).
2.6 Abordando el diseño de muestreo espacio-temporal de MODIS para
proporcionar estimaciones de la energía radiativa del fuego emitida desde
África. (Freeborn et al., 2011)
Se describe el proceso mediante el cual relacionaron la FRP para la FRE. En la
sección 2.6.1 se introduce un nuevo procedimiento mediante el cual las pistas de
84
tierra de MODIS se utilizan para cortar un subconjunto de píxeles activos de
incendios SEVIRI. En la sección 2.6.2, desarrollan relaciones específicas de la
cubierta terrestre entre la suma de la FRP medido por SEVIRI en los gránulos
MODIS y el total de la FRE medido por SEVIRI durante un período de composición
de ocho días.
En la sección 2.6.3, crean un grid estático de 0.5° que representa la relación entre
la FRE y la suma de la FRP medido por SEVIRI, y en la sección 2.6.4 aplican
directamente este grid a los productos contra incendios MODIS CMG para
predecir la FRE que MODIS podría haber medido durante ocho días de
observación continua.
Recorte y clasificación de píxeles SEVIRI para incendios activos.
Los límites de los gránulos MODIS de 5 min interceptados en África fueron
delineados por construcción geodésica (es decir, grandes círculos sobre el
elipsoide de la Tierra) entre los cuatro vértices de gránulos almacenados en los
archivos GeoMeta. Esto dio como resultado un conjunto de polígonos
sincronizados a los tiempos de inicio granulares de Terra y Aqua. El tiempo y la
extensión de los gránulos de MODIS se utilizaron entonces para recortar el
producto nativo SEVIRI FRP y generar un subconjunto de píxeles de incendios
que se refiere al producto SEVIRI FRP gránulo cortado (figura 38).
85
Figura 38. Ilustración de la metodología utilizada en píxeles subconjunto de fuego SEVIRI basados en el
tiempo y la extensión de las pistas de tierra MODIS.
Este procedimiento de recorte esencialmente superpone el diseño espacio
temporal de muestreo en MODIS sobre los pixeles nativos de incendios activos
SEVIRI. Todos menos el 2% de los píxeles de incendios contenidos en el producto
de gránulo cortado SEVIRI FRP fueron detectados dentro de ± 8 min de un paso
superior de Aqua o Terra.
Los píxeles de fuego en los productos SEVIRI FRP nativos y de gránulo cortado
entre Febrero de 2004 y Enero de 2005, inclusive, fueron clasificados en una de
las 27 diferentes clases de cubierta terrestre de acuerdo con la base de datos
espacial GLC2000 (Mayaux et al., 2004). Organizar los pixeles de fuego por medio
de la clasificación de la cubierta terrestre fue pensado para acumular píxeles
SEVIRI de incendios en regímenes de incendios similares. Una vez ordenados
espacialmente, los pixeles de fuego SEVIRI nativos y de gránulo cortado fueron
luego ordenados temporalmente en períodos de composición de ocho días.
86
El agregar temporalmente píxeles de fuego de esta manera sirvió para tres
propósitos: (i) proporcionar un tamaño de muestra adecuado de pixeles de fuego
dentro de un período de composición dado permitiendo al mismo tiempo un
examen de las tendencias de temporada, (ii) para mitigar las diferencias de
detección entre los tiempos locales y universales, (iii) permitir que el análisis
SEVIRI sea sincronizado con los productos contra incendios CMG MODIS de ocho
días. Este procedimiento de selección espacio temporal organizó básicamente los
pixeles SEVIRI de fuego nativos y de gránulo cortado en un marco similar al
producto CMG MODIS de ocho días. La diferencia, es que los píxeles SEVIRI de
fuego fueron ordenados espacialmente en clases de GLC2000 en lugar de celdas
de cuadrícula de 0.5 °.
Coeficientes de SEVIRI de FRE a FRP.
Para cada clase de GLC2000, y dentro de cada período de composición, el perfil
nativo SEVIRI temporal de la FRP (MW) fue numéricamente integrado para
producir la FRE (MJ), medido durante ocho días, como por ejemplo:
Figura 39. Ecuación para el cálculo FRESEVIRI medido durante ocho días.
Donde, el subíndice identifica el sensor que realiza la medida, y Δt es el intervalo
de muestreo entre escaneos sucesivos SEVIRI (Δt = 900 s). También para cada
clase de GLC2000, y dentro de cada período de composición de ocho días, la FRP
asociado con los pixeles de fuego de gránulo cortado SEVIRI se sumaron para
lograr el total de la FRP medido en los tiempos y en las extensiones de los
gránulos MODIS de Terra y Aqua, ΣFRPT + ASEVIRI como por ejemplo:
87
Figura 40. Ecuación para el cálculo de ΣFRPT + A
SEVIRI.
Donde, ΣFRPTSEVIRI es la suma de ocho días de la FRP medida por SEVIRI en los
gránulos Terra ascendentes y descendentes (MW), y ΣFRPASEVIRI es la suma de
ocho días de la FRP medida por SEVIRI en los gránulos de Aqua ascendentes y
descendentes (MW). Una regresión lineal simple se realizó para cada clase de
GLC2000 con el fin de relacionar la suma de la FRP medida por SEVIRI dentro de
los gránulos de Terra y Aqua para la FRE medida por SEVIRI durante un período
de composición de ocho días.
Las regresiones lineales se realizaron utilizando un máximo de 46 períodos de
composición entre Febrero de 2004 y Enero de 2005, inclusive (por ejemplo,
tamaño máximo de la muestra n = 46 para cada regresión lineal). La pendiente de
cada clase GLC2000 define el coeficiente entre FRESEVIRI y ΣFRPT + ASEVIRI, o
ωSEVIRIGLC2000. Las unidades de ωSEVIRI
GLC2000 son MJ MW-1, o segundos, que
representa la duración que ΣFRPT + ASEVIRI tendría que persistir dentro de una
determinada clase de cobertura de tierra para producir una cantidad equivalente
de FRESEVIRI medido, en un período de composición de ocho días dentro de una
resolución temporal de 15 min.
Los valores de ωSEVIRIGLC2000 se derivaron de los datos de 2004/05 que fueron
evaluados para cada clase de cobertura de tierra mediante la predicción del
FRESEVIRI, realmente medido en 43 períodos de composición de ocho días entre
Mayo de 2008 y Abril de 2009 usando solamente el ΣFRPT + ASEVIRI medido en
2008/09.
Coeficientes cuadricula de FRE a FRP.
Aquí relacionan la FRE medida por SEVIRI en el transcurso de ocho días en una
celda de cuadrícula de 0.5°, FRE0.5°SEVIRI, a la suma de la FRP medida por SEVIRI
capturada por el MODIS y en la misma celda la cuadrícula, ΣFRP0.5°SEVIRI. Un
88
ejemplo de la FRP y la FRE medidas por SEVIRI en esta resolución espacio
temporal se presenta en la figura 41.
Figura 41. Perfil temporal de FRP medido por SEVIRI más de ocho días en una celda de la cuadrícula de
0.5°.
Directamente desarrollando ésta cuadrícula con los productos nativos y de gránulo
cortado SEVIRI FRP dio como resultado discontinuidades en los lugares donde
SEVIRI no detectó un píxel de fuego en el momento de un paso elevado Aqua o
Terra. Para evitar vacíos en la cobertura, vuelven a las pendientes desarrolladas
para las clases de GLC2000. Dado que no es razonable suponer una sola clase
de cobertura de tierra para una celda de la cuadrícula de 0.5° (es decir, 55.6 km ×
55.6 km en el Ecuador), una proporción acumulada de FRE0.5°SEVIRI a
ΣFRP0.5°SEVIRI fue calculada por los valores individuales de ponderación de
89
ωSEVIRIGLC2000 por el área fraccional de una celda de cuadrícula ocupada por cada
clase GLC2000.
Esto dio lugar a un mapa de 0.5° identificado por la siguiente notación: ω0.5°SEVIRI.
La capacidad de predicción de ω0.5°SEVIRI se derivó a partir del conjunto de datos
de 2004/05 que se evaluó usando el conjunto independiente de productos nativos
y de gránulo cortado SEVIRI FRP. Todos los píxeles de fuego SEVIRI detectados
entre Mayo de 2008 y Abril de 2009 fueron convertidos a una resolución espacial
de 0.5° y ordenados en 43 períodos de composición de ocho días. Esto resultó en
43 mapas de ΣFRP0.5°SEVIRI que se multiplicaron por ω0.5°
SEVIRI con el fin de
predecir FRE0.5°SEVIRI. Ocho días de mediciones y predicciones de FRE0.5°
SEVIRI se
agregaron finalmente en los distintos países (ilustrado en la figura 38) para
proporcionar 54 comparaciones a nivel de país por período de composición.
Predicciones cuadricula de MODIS FRE.
Si la forma del ciclo diurno de la FRP medido por SEVIRI es idéntica a la que se
habría medido por MODIS, entonces, la siguiente relación se puede suponer:
Figura 42. Ecuación para predicciones cuadricula de MODIS FRE.
Donde, ΣFRP0.5°MODIS es la suma del FRP (MW) medido por MODIS de Terra y
Aqua en una celda de cuadrícula de 0.5° durante un período de composición, y
FRE0.5°MODIS es el FRE (MJ) que MODIS habría medido en una celda de cuadrícula
de 0.5°, si suficientemente pudo resolver el ciclo diurno de la actividad del fuego.
Reordenando la figura 42 permite que FRE0.5°MODIS se pueda predecir utilizando el
mapa de ω0.5°SEVIRI y la suma de FRP medido por MODIS Terra y Aqua.
90
Aquí ΣFRP0.5°MODIS se calculó utilizando los productos contra incendios CMG
MODIS de Terra Aqua, multiplicando los recuentos de píxeles de fuego bruto,
Nfuego, en cada celda de cuadrícula de 0.5° por la media de la FRP. Las
predicciones de la FRE a partir de MODIS utilizando la figura 42 se compararon
con (i) las predicciones de la FRE a partir de MODIS obtenidas mediante la
aplicación de la metodología de Vermote et al. (2009) para el conteo de píxeles de
fuego bruto y la media de la FRP almacenada en el producto MODIS CMG, y (ii)
las estimaciones de la FRE contenida en el producto de fuego virtual de Freeborn
et al. (2009).
2.7 Investigación sobre emisiones de carbono negro durante varios años
procedentes de la quema de tierras de cultivo en la Federación Rusa
donde aplicaron la siguiente metodología. (McCarty et al., 2012)
Observaciones de la quema a partir de los datos satelitales.
Datos de los incendios.
Incendios activos MODIS (MOD14/MYD14).
Los sensores MODIS, a bordo de los satélites Terra y Aqua de sincronización
solar, adquieren cuatro observaciones globales a diario de 1030 y 2230 (Terra) y
0130 y 1330 (Aqua), hora local ecuatorial. El primer sensor MODIS fue lanzado a
bordo del satélite Terra en 1999, y el segundo fue lanzado en 2002 a bordo del
Aqua. El producto para incendios MODIS de Nivel 2 se recoge diariamente a una
resolución de 1 km e incluye la latitud, longitud, FRP, y la confianza de la
detección de incendios. Para esta investigación, cada punto de incendio activo y
discreto fue considerado para representar un área quemada de 1 km2, una
suposición común de que la zona quemada es proporcional al simple recuento de
píxeles de incendios (Giglio et al., 2006). Sin embargo, está suposición con base
al área quemada de 1 km2 se evaluó mediante una máscara contemporánea para
91
el cultivo de campo GIS, a una escala de 1:25.000 desarrollada por el Instituto de
Suelos Dokuchaev para Rostovskaya, Moskovskaya, y Kostromskaya oblasts
(Rusia europea). Si un incendio activo ha sido detectado dentro de los límites de
un campo, entonces todo el campo se considera quemado completamente. Si hay
varios puntos de incendio dentro de un campo durante un período de tiempo corto,
el incendio es considerado como un evento de quema simple y el área quemada
es la misma que el área del incendio simple. Si la distancia de punto del incendio
es menos de 500 m desde un campo, se considera un solo campo quemado.
MODIS FRP CMG.
El componente radiante de la combustión se emite en forma de ondas
electromagnéticas que viajan a la velocidad de la luz en todas las direcciones y es
proporcional a la temperatura absoluta del fuego (se supone que es un cuerpo
negro) elevado a la cuarta potencia, también conocida como la ley de Stefane
Boltzmann. Es el componente radiativo instantáneo lo que se estima a partir de los
sensores satelitales de observación de la Tierra, referidos como FRP, y ofrece un
enfoque para cuantificar el flujo de biomasa consumida (Wooster et al., 2005) y,
con los factores de emisión, la tasa de carga atmosférica de trazas de gases o
aerosoles. Sobre la base de los incendios simulados, Kaufman et al. (1998)
demostró que una relación semiempírica existe entre la FRP y la temperatura de
brillo de los píxeles medidos por el canal de infrarrojo medio MODIS (4 µm). Esta
relación constituye el algoritmo actual MODIS de FRP. El producto MODIS de FRP
CMG proporciona promedios mensuales de FRP, así como los productos que
describen la fracción de nubes y los conteos corregidos de píxeles, a una
resolución espacial de 0.5° (Giglio, 2010). La media mensual de FRP se multiplicó
por el conteo de pixeles de incendio corregidos, produciendo un total de FRP
liberada en una celda determinada para cada período de tiempo. Además, como
se describe más adelante, los datos mensuales de CMG tanto de Terra como de
Aqua se utilizaron para ofrecer una caracterización a largo plazo de la variabilidad
temporal entre las dos observaciones satelitales. Esta variabilidad se utilizó
92
entonces para parametrizar el ciclo diurno de FRP y finalmente estimar la integral,
también conocida como la energía radiante del fuego (FRE).
Datos MODIS (MCD45A1) sobre áreas quemadas.
El producto MODIS para áreas quemadas es un producto diario de 500 m derivado
de las detecciones Terra y Aqua (Roy et al., 2008). El algoritmo MODIS de áreas
quemadas utiliza cambios en las características estructurales espectrales,
temporales y vegetación para identificar y cartografiar áreas quemadas (Roy et al.,
2008). Los píxeles quemados son identificados a través de gotas y rápidos
cambios en los datos MODIS de reflectancia de superficie de 500 m. Los días
estimados para la quema son determinados gracias a la identificación de la
primera fecha de una disminución detectada en la reflectancia de la superficie.
Adicionalmente, restricciones estadísticas temporales se emplean en este
algoritmo para identificar las áreas quemadas persistentes y omitir detecciones
falsas de áreas quemadas causadas por nubes, sombra, suelos oscuros y agua
(Roy et al., 2005). Este producto para áreas quemadas fue utilizado debido a su
resolución temporal y espacial. Como un producto diario, las estimaciones de
emisión se pueden producir a intervalos de tiempo diferentes. La resolución
espacial del producto MODIS para áreas quemadas de 500 m, equivalente a 25
hectáreas, es suficiente para la quema agrícola de 500 m, y se ha encontrado que
puede ser una resolución espacial adecuada para mapear tierras de cultivo
quemadas (McCarty et al., 2008). Este producto es un producto estándar MODIS,
por lo que es una fuente libremente disponible y bien documentada de áreas
quemadas a partir de 2001 hasta la actualidad.
Cálculos de emisiones.
Este análisis empleó dos métodos de cálculo de emisiones: el enfoque de abajo
hacia arriba utilizado por el fuego activo, área quemada, y los análisis de las
estadísticas agrícolas y la conversión de la potencia radiante del fuego para
disparar energía radiante. La figura 43 proporciona una visión general de los tres
93
enfoques de abajo hacia arriba para las estimaciones de BC y el enfoque de
energía radiante del fuego para las estimaciones de emisión de BC (carbono
negro).
Figura 43. Flujo de trabajo básico de los cuatro cálculos de emisión BC utilizados en este análisis.
Potencia radiativa del fuego a energía radiativa del fuego.
La energía radiativa del fuego (FRE), medida en unidades de mega julios (MJ), es
la integración de FRP en el tiempo y el espacio proporcionando una métrica para
estimar el total de combustible consumido y las emisiones liberadas. En efecto,
una evaluación de los métodos tradicionales para estimar las emisiones revela que
teniendo estimaciones precisas de FRE se puede sustituir las variables A, B, y CE
en la figura 44 (es decir, la masa de combustible consumida) con la cantidad de
energía emitida durante un evento de incendio.
94
Figura 44. Ecuación para el enfoque de abajo hacia arriba.
Sin embargo, una limitación actual en la recuperación de FRE desde los satélites
es la resolución (espacio y tiempo) y la naturaleza dinámica de los incendios.
Ellicott et al. (2009) desarrolló un enfoque único para parametrizar la trayectoria
temporal de FRP y calcular la integral (FRE), utilizando el producto MODIS CMG
(Giglio, 2010). La parametrización se basa en la relación de largo plazo entre
Terra y Aqua MODIS FRP y las mediciones diurnas de FRP hechas por satélites
con una mayor resolución temporal. Esto incluye el sensor geoestacionario y
reproductor de imágenes infrarrojas (SEVIRI) y el escáner infrarrojo (VIRS) a
bordo de la Misión de Medición de Lluvias Tropicales (TRMM). La órbita de baja
inclinación de VIRS (35°) proporciona la observación de tiempos que se procesan
a 24 h, hora local, cada 23 a 46 días, en función de la latitud, captando así la
tendencia general de la actividad diurna del fuego. Además, las observaciones
diarias de latitud alta (y por lo tanto la frecuencia a desnivel de altura) fueron
incluidas. Una descripción completa del método se pueden encontrar en Ellicott et
al. (2009) y Vermote et al. (2009).
Los factores de emisión.
El factor de emisión s se define como la cantidad (en gramos) de gas o partículas
de materia emitida por unidad de combustible quemado (en kilogramos). Sin
embargo, tal como se presenta por Ichoku y Kaufman (2005), aunque FRE puede
servir como un indicador de la masa de combustible consumida a partir de la
quema de biomasa, cualquier relación con las emisiones liberadas debe
distinguirse de los métodos tradicionales (por ejemplo, en la figura 44), así, el
coeficiente de plazo de emisión (EC) se utiliza para definir la masa de las
emisiones por unidad de energía, o g MJ-1. A fin de establecer el EC para el
95
carbón negro, se utilizó un producto de emisiones de aerosol de carbón negro y
orgánico, desarrollado a partir de la inversión de modelado que representa los
procesos atmosféricos (transporte, deposición, etc) y se deriva de las emisiones
de aerosoles usando las observaciones por satélite. Específicamente, la
información de la fuente de aerosol recuperada por el algoritmo de Dubovik et al.
(2008) a partir de las medidas AOT de aerosol MODIS, se utilizó para estimar la
combustión de biomasa de carbono orgánico y negro. El coeficiente de emisión
(ECocbc) fue establecido luego de relacionar las estimaciones del producto de
inversión OCBC con FRE para tres tipos específicos de cobertura del suelo. Los
tipos de cobertura del suelo (bosque tropical, bosque extratropical, y no forestales)
se tomaron de la Base de Datos de Emisiones De Incendios Globales, versión 2
(GFEDv2, van der Werf et al, 2006) y se eligieron para ofrecer la continuidad y la
comparación con la FEDv2; sin duda la base de datos de emisiones de quema de
biomasa más citada en la actualidad. La figura 45 muestra la extensión espacial
de las clases de cobertura del suelo utilizadas.
Figura 45. Tipos de cobertura global de la tierra tomado de la base de datos de emisiones de fuego global
versión 2 (GFEDv2; van der Werf et al., 2006).
96
Los coeficientes de emisión para no forestales (que incluye tierras agrícolas),
bosque tropical, y bosques extra tropicales fueron 2.47, 7.54, y 11.45 g MJ-1,
respectivamente, y son para el carbono orgánico y el negro combinados. La
relación de OC a BC de 71% a 29% de Novakov et al. (2005) se aplicó para aislar
las emisiones de BC sólo de los cálculos de emisión de FRE. Por lo tanto, los
coeficientes de emisión para BC se pueden traducir a 0.74, 2.24, y 3.44 g MJ-1
para no forestales, bosque tropical y bosque extra tropical, respectivamente.
2.8 Características de incendios derivados de MODIS y variaciones ópticas
profundas de aerosoles durante la temporada de quema de residuos
agrícolas, al norte de India. (Vadrevu et al., 2011)
Análisis de la cubertura para uso de suelos utilizando datos MERIS.
Para la caracterización de los eventos de incendios en el paisaje, utilizan los datos
de MERIS. Lanzado en el 2002, a bordo del satélite ENVISAT. MERIS es un
espectrómetro de imágenes con un amplio campo de visión que mide la radiación
solar reflejada por la Tierra en 15 bandas espectrales de aproximadamente 412.5
nm hasta 900 nm (Rast et al., 1999) y 3 días repetitivos. El producto de la cubierta
terrestre se obtiene de la clasificación de una serie de tiempo con mosaicos
MERIS de resolución completa desde Diciembre de 2004 a Junio de 2006. Sus 22
clases globales de cubierta terrestre se definen con el Sistema de las Naciones
Unidas de clasificación de coberturas (LCCS) (Bicheron et al., 2008). Han utilizado
este producto debido a su alta resolución espacial (300 m). Específicamente, los
datos para conteo de incendios MODIS están en promedio de (2003 - 2008) y se
basaron en los datos de MERIS y se analizaron para variaciones espaciales.
Conjuntos de datos MODIS de incendios activos.
Se utilizó el producto MODIS para incendios activos procesados a través de
MODAPS (Sistema de Procesamiento Adaptativo MODIS) y proporcionado por
97
FIRMS (Información de Incendios para el Sistema de Gestión de Recursos) para
evaluar las características del incendio. El sensor MODIS está a bordo de los
satélites del Sistema de Observación de la Tierra de la NASA (EOS), Terra (EOS
AM-1) y Aqua (EOS PM-1). El sincrónico sol, y los satélites de órbita polar pasan
sobre el ecuador aproximadamente a las 10:30 am/pm (Terra) y 1:30 pm/am
(Aqua) y un tiempo de revisita de 1 a 2 días. Los datos recogidos por el sensor son
procesados por MODAPS utilizando el algoritmo mejorado contextual de detección
de incendios (Giglio et al., 2003) en la colección 5 del producto de fuego activo.
Para este estudio, han utilizado este producto abarcando de 2003 a 2008. Los
datos de incendios están a una resolución espacial de 1 km pero en condiciones
ideales, el menor tamaño de llama de fuego que se puede detectar es 50 m2.
Potencia Radiativa del Fuego (FRP) y Energía Radiativa del Fuego (FRE).
La Potencia Radiativa del Fuego (FRP) es la tasa de energía del fuego liberada
por unidad de tiempo, medida en megawatts (Wooster y Zhang, 2004). La Energía
Radiativa del Fuego (FRE) es por lo tanto, la FRP integrada en el tiempo y en el
espacio y se describe en unidades de megajulios. El sensor MODIS a bordo de los
satélites de la NASA Terra y Aqua, con un algoritmo para la FRP se calcula como
la relación entre la temperatura brillosa de los píxeles de incendios y de fondo en
el infrarrojo medio (centro de la banda alrededor de 4 µm) (Kaufman et al., 1998).
Se da como,
Figura 46. Ecuación con algoritmo para el cálculo de la FRP tomado como la relación entre la temperatura
brillosa de los píxeles de incendios y de fondo en el infrarrojo medio (centro de la banda alrededor de 4 µm) (Kaufman et al., 1998).
donde Tf4µm y Tb4µm son las temperaturas de brillo del píxel de incendios MODIS y
el fondo sin fuego, respectivamente, en grados Kelvin (K) y Asampl es el área real
98
del pixel (km2) y la FRP es la potencia radiativa del fuego en megavatios (MW)
(Pereira et al., 2009). Mediciones de la FRP han sido previamente relacionadas
con la cantidad de biomasa quemada (Wooster et al, 2003.), la fuerza de los
incendios (Mottram et al, 2005; Ichoku et al, 2008) y las emisiones de aerosol
(Pereira et al, 2009). Los coeficientes de emisión basados en la FRE para
cuantificar las emisiones de aerosoles y gas por quema de biomasa se han
desarrollado por Wooster et al. (2003) a partir de experimentos de campo y por
Freeborn et al. (2008) a partir de mediciones de laboratorio. Además, Vermote et
al. (2009) demostró la utilidad de un enfoque basado en la FRE para cuantificar las
emisiones globales en quema de biomasa de aerosoles de carbono orgánico y
negro. Teniendo en cuenta el potencial de la FRP y la FRE, en este estudio, han
utilizado estos productos (Vermote et al, 2009; Ellicott et al, 2009), para la
cuantificación de la cantidad de biomasa quemada a partir de residuos agrícolas.
El MODIS FRE se ha calculado siguiendo Vermote et al. (2009). El pico de la FRP
se da como:
Figura 47. Ecuación pico de FRP.
Donde CMG FRP es el total (media por número de pixeles corregidos por nube) el
valor de la FRP del producto Red de Modelado Climático AQUA (Giglio, 2005), h
es la hora pico del ciclo de incendios diurno derivada como una función de la
relación FRP Terra / Aqua, sigma es la anchura del ciclo de incendios diurno, y b
es una unidad de menos valor que representa el nivel de fondo de la FRP en el
ciclo de incendios diurnos. Las relaciones T/A se basaron en los valores
mensuales CMG FRP para 2003 a 2008. La energía radiativa del fuego (FRE) se
calcula como sigue:
99
Figura 48. Ecuación FRE.
Quema de residuos agrícolas.
El área total cultivada de Punjab es 7.111.640 ha, de las cuales el arroz ocupa
2.642.000 ha (37.15%) y el trigo 3.468.000 (48.76%), juntos constituyen 85.91%
de los cultivos. Los otros cultivos como el maíz, algodón, etc., constituyen sólo el
14% de la superficie total cultivada. En esta región, el arroz crece normalmente en
la temporada de lluvias de verano (siembra Julio, Agosto y cosecha Octubre,
Noviembre) y el trigo en la temporada seca de invierno (siembra Noviembre,
Diciembre para la Cosecha en Abril, Mayo). La temporada de verano para la
quema de residuos del trigo es durante Abril y Mayo, la temporada invernal para la
quema de residuos de arroz es durante Octubre y Noviembre.
Estas prácticas pueden ser diferentes en otras regiones del mundo. Las razones
para la quema de residuos agrícolas se pueden resumir así: a). Cosecha manual y
trilla de arroz/trigo que implican altos costos laborales, b). El uso de cosechadoras
permite una preparación rápida sobre el terreno para la próxima cosecha, sin
embargo, deja gran cantidad de residuos en el campo, c). El uso de residuos de
arroz como alimento para el ganado no es tan común, aunque los residuos de trigo
si, antes de que las cosechadoras llegaran a la práctica; d). No hay ingresos
significativos que generen el uso alternativo de los residuos de arroz, e). Quemar
residuos es la manera más rápida de limpiar los campos para la próxima cosecha
(Sidhu et al, 1998;. Gupta et al, 2004;.. Mittal et al, 2009). Utilizando los datos de
producción de los cultivos de arroz y trigo (División de Informática en la Agricultura
del Gobierno de la India), y el grano para los índices de producción de residuos
(Singh y Rangnekar, 1986), se evaluó la cantidad de residuos generados por el
100
área de estudio. Como una estimación conservadora, consideramos el 20% de
arroz y el 15% de los residuos de trigo como quemados en los campos (Sidhu et
al, 1998; Mittal et al, 2009).
Variaciones MODIS de profundidad óptica de aerosol (AOD)
Se utilizó la Colección MODIS 5.1 (MYD08_M3.051) AOD a 550 nm (Remer et al,
2005; Levy et al, 2007) para la caracterización de las variaciones. Las propiedades
de los aerosoles se derivan de la inversión de la reflectancia del MODIS
observado utilizando tablas de consulta para transferencia radiativa computada
previamente, basadas en modelos de aerosoles (Remer et al, 2005; Levy et al,
2007). Para este estudio, se utiliza específicamente el producto de nivel 3
promedio mensual del satélite Aqua durante un período de seis años (2003 a
2008) para entender las variaciones espaciales y temporales en relación con los
incendios.
2.9 Análisis satelital de las relaciones de monóxido de carbono a partir de los
bosques y la quema de residuos agrícolas (2003-2011). (Vadrevu et al.,
2013)
Los incendios activos y potencia radiativa de fuego (FRP).
Agregaron los incendios activos mensuales y los datos de FRP para las áreas de
estudio a partir de MODIS Aqua y Terra. Los dos MODIS solares sincronizados,
satélites de órbita polar pasan por encima de la línea del Ecuador
aproximadamente a las 10:30 am/pm (Terra) y 1:30 p.m/a.m (Aqua), con un
tiempo de revisita de 1 a 2 días. El Sistema de Procesamiento Avanzado de
MODIS (MODAPS) procesa los datos obtenidos utilizando el algoritmo contextual
mejorado de detección de incendios (Giglio et al., 2003) combinado en el producto
para fuegos activos de la Colección 5.
101
Para este estudio, se analizaron los datos de 2003 a 2011. Los datos de incendios
están a una resolución espacial de 1 km en el nadir, sin embargo, bajo
condiciones ideales pueden detectar fuegos llameantes pequeños de 50 m2. La
FRP es la tasa de energía de fuego liberada por unidad de tiempo, medida en
megavatios (Kaufman et al., 1998). El algoritmo MODIS para FRP se calcula como
la relación entre la temperatura de brillo del fuego y los píxeles de fondo en el
infrarrojo medio (centro de la banda cerca de 4 µm). Se da como (Kaufman et al.,
1998),
Figura 49. Ecuación para el cálculo de FRP como la relación entre la temperatura de brillo del fuego y los
píxeles de fondo en el infrarrojo medio (Kaufman et al., 1998).
Donde la FRP es la tasa de energía radiante emitida por píxel, 4.34 x 10-19 (MW
km-2 K8) es la constante derivada de las simulaciones, TMIR (Kelvin) es la
temperatura de brillo radiante del componente de fuego, TbgMIR (Kelvin) es el
componente vecino de fondo sin fuego, y el MIR se refiere a la longitud de onda
media infrarroja de 3.96 µm. En este estudio, han utilizado el conjunto de datos del
modelo climático mensual de Terra y Aqua a partir de la colección 5
(MOD14CMH/MYD14CMH) que representa las nubes y el paso superior corregido
de los datos sobre pixeles de fuego junto con los datos promedio de FRP.
La media mensual de CO (ppbv), correspondiente a los números de incendios
activos, y los valores de FRP (MW) fue extraída de las bases de datos MODIS y
MOPITT desde el 2003 a 2011 para las áreas de estudio. Las variaciones
interanuales y estacionales de invierno (Enero a Marzo), verano o pre-monzón
(Abril a Junio), la estación de lluvias (Julio a Septiembre), temporada post monzón
(Octubre a Diciembre) de CO fueron analizadas. Se calculó un coeficiente anual
102
de variación (CV) en CO para determinar la variabilidad y la amplitud basada en
los datos temporales (2003 a 2011).
Para el año 2010, exploraron variaciones columnarias de CO en diez niveles
diferentes de presión. Trazaron datos con series cronológicas de números de
incendios activos, FRP y el nivel de superficie del CO (ppbv) para evaluar el fuego,
variaciones de la señal FRP y CO. Calcularon los coeficientes de correlación de
Pearson utilizando los fuegos temporales activos, la FRP y los datos de nivel de
superficie CO y la pendiente, intersección y r2 ajustados que fueron reportados. Se
utilizaron gráficos de dispersión para evaluar la linealidad de las relaciones. Al
analizar las correlaciones de CO y el fuego, utilizaron el número de incendios
activos Aqua y Terra, los conjuntos de datos de FRP por separado, así como en
combinación para evaluar la fuerza de correlación.
Para determinar cómo los umbrales de FRP impactan las concentraciones de CO,
equiparon modelos segmentados de regresión. Los modelos de regresión
segmentados, también llamados modelos de regresión por tramos, identifican los
umbrales separados por las líneas de regresión y el punto de inflexión (Toms y
Lesperance, 2003). En el modelo, el punto de inflexión es el punto de cruce donde
los coeficientes de correlación de las líneas anteriores y posteriores se maximizan.
El modelo en este caso convergió después de 18 iteraciones. Del diagrama de
regresión, el umbral de la FRP impactando las emisiones de CO estuvo
determinado. Más específicamente, se ajustó un modelo de regresión de dos
segmentos así,
Figura 50. Modelo de regresión de dos segmentos ajustados.
103
Donde yi es el valor de la observación ith de la variable dependiente (FRP), xi es el
valor correspondiente para la variable independiente CO (ppbv), α es el punto de
interrupción o nudo, y ei se toma como independientes y tienen errores aditivos
con una media de cero y varianza constante. Las pendientes del segmento lineal
son β1 y β1 + β2, con β2 que representa la diferencia en las pendientes. Se
evaluó el ajuste del modelo, ajustando el coeficiente de determinación (r2
ajustado). Un intervalo de confianza del 95% para el punto de corte se calculó
como punto de corte +/- tα(2)SE. Un valor de r2 para el modelo fue generado y se
comparó el correspondiente modelo simple de regresión lineal r2 para determinar
si el modelo proporcionó alguna información adicional. Al evaluar el modelo de
regresión segmentada siguen la norma de que el modelo segmentado debería
representar más variabilidad que el modelo lineal.
2.10 Distribución espacio temporal de la actividad de incendios en áreas
protegidas de África subsahariana a partir de los datos MODIS. (Palumbo
et al., 2011)
Productos satelitales.
Los incendios activos MODIS se utilizaron para identificar el momento y los
patrones estacionales de la quema. El conjunto de datos MODAPS fue
proporcionado por el Sistema de Información de Incendios para el Manejo de
Recursos (FIRMS). El conjunto de datos se basa en cuatro adquisiciones diarias,
la FRP se reporta para cada evento de fuego activo. La FRP corresponde a la
cantidad de energía radiante liberada durante el proceso de quema y se expresa
en MW. Utilizaron esta información de base física para evaluar cuantitativamente
la intensidad del fuego. Los datos fueron procesados para obtener información
sobre la actividad de fuego en los períodos de la estación seca, los PAs, los
buffers y otros tipos de vegetación.
Períodos de estudio.
104
Una temporada seca típica en África dura alrededor de seis meses. En términos
generales, la temporada seca del hemisferio norte va desde Octubre hasta Marzo,
mientras que en la parte sur se encuentra desde Mayo hasta Octubre. Se definió
la estación seca utilizando los datos de lluvia suministrados por la Red de
Sistemas de Alarma Temprana, FEWS NET. El conjunto de datos tiene un tiempo
de 10 días sobre una celda con resolución de 8 km.
Para cada área protegida, el inicio y final específico de la estación seca se
determinó con el fin de permitir la comparación entre las estaciones secas de
áreas en diferentes lugares. La estación seca se estableció para comenzar cuando
al menos cinco décadas consecutivas mostraron un valor de precipitación media
inferior a la media de precipitación por década en el año. Cuando esta condición
no es cumplida la temporada seca termina. Para el análisis, adicionalmente se
dividieron las estaciones secas en tres períodos, cada uno correspondiente a un
tercio de la duración de la estación seca.
Los sitios de estudio: Áreas Protegidas.
Se consideraron 744 áreas protegidas (PAs) y la zona de amortiguamiento de 25
km alrededor de cada una de estas. Están distribuidas en el África subsahariana y
tienen latitud por debajo de 20N. Se comparó la dinámica de los incendios entre
las PAs y sus zonas de amortiguamiento de 25 kilómetros para identificar sus
diferencias o semejanzas. Las áreas protegidas (PA) consideradas en este estudio
tienen niveles de protección entre la clase I y IV de las categorías IUCN.
Las dos primeras clases (I y II) se refieren a las áreas donde los objetivos de
conservación están destinados a preservar los hábitats en sus condiciones
originales. Las clases de protección III y IV adoptan planes de conservación que
implican intervenciones activas para el mantenimiento de los hábitats y promover
la conservación de la naturaleza. Las Áreas protegidas PA y sus zonas de
amortiguamiento se muestran en la figura 51, junto con las ecoregiones a las que
pertenecen. Este análisis considera las ecoregiones, ya que representan una
105
variedad de ecosistemas con diferente vegetación y clima. Una descripción de las
ecoregiones es proporcionada por White.
Figura 51. Áreas protegidas (amarillo) y 25 Km zonas buffer (rojo). Eco regiones blancas son mostradas en el
fondo.
Clases de cubierta terrestre
Se estudió la ocurrencia de incendios y su intensidad en diferentes tipos de
vegetación con el fin de entender cómo los incendios fueron distribuidos en las
principales clases de vegetación, y si la intensidad del incendio cambia en función
del tipo de vegetación. Utilizaron la Cubierta Terrestre Global 2000 (GLC2000)
como un mapa de referencia. Las 27 clases originales se han reclasificado en
cuatro categorías principales: bosques, matorrales, pastizales y agricultura; una
clase sin quema se creó también para los tipos de cobertura de la tierra como las
ciudades, los desiertos y los cuerpos de agua. Las nuevas categorías de cobertura
terrestre se definen así:
106
Bosque: Bosque cerrado de hoja perenne de tierras bajas, bosque de hoja
perenne degradado de tierras bajas, bosque submontano (900 - 1500 m), bosque
montano (> 1500 m), Pantano de los bosques, manglares, selva mosaico/tierras
de cultivo, bosques Mosaico/Savanna, cerrado bosque de hoja caduca; Matorral:
bosques caducifolios, matorral caducifolio con árboles dispersos, matorral abierto
caducifolio, Agricultura: Las tierras de cultivo (> 50%), Tierras de cultivo abiertas
con vegetación leñosa, las tierras de cultivo de regadío, cultivos arbóreos,
Pastizales: praderas cerradas, pastizales abiertos con arbustos dispersos,
pastizales abiertos, pastizales escasos, matorrales y pastizales del pantano.
Consideran la temporada de incendios de 2007 - 2008. Los Datos MODIS de
incendios activos fueron tomados desde Septiembre de 2007 a Septiembre de
2008 para incluir una temporada de incendios completa, tanto para los hemisferios
norte y sur de África. Este análisis de los datos consistió en una caracterización
temporal y espacial de la actividad del fuego, en las áreas protegidas y sus zonas
de amortiguamiento, los cuatro principales tipos de vegetación, durante los tres
períodos de la temporada seca (temprana, media, tardía). Los conteos de
incendios fueron normalizados por la superficie de las PA, o el buffer, donde se
permitieron comparaciones entre las áreas de estudio. Se expresaron los conteos
de incendios como una densidad del fuego que indica el número de píxeles de
fuego por 1000 ha.
Para la comparación entre las áreas protegidas y de amortiguamiento derivaron un
índice de densidad del fuego (es decir, la densidad del fuego en las PA / densidad
de fuego en el buffer o zona de amortiguamiento). Los valores FRP se obtuvieron
como promedios por el tipo de cobertura del suelo, el período o la ecoregión para
mostrar la tendencia general de las PA y los buffers. Los promedios de la FRP se
determinaron dividiendo el total de FRP, sobre una PA (o buffer), por los recuentos
de incendios correspondientes. En cuanto a la densidad del incendio, expresaron
el promedio de FRP como una relación entre los valores del PA y la zona de
amortiguamiento para hacer una comparación.
107
2.11 Contribuciones satelitales para la caracterización cuantitativa de la
quema de biomasa por la modelización del clima. (Ichoku et al., 2012)
La potencia radiactiva del fuego y otras medidas cuantitativas.
Las altas temperaturas asociadas con los incendios activos resultan en un fuerte
incremento de la radiación emitida en el infrarrojo medio (MIR) en comparación
con el fondo. Esto le permite a los sensores espaciales con canales MIR en la
ventana atmosférica cerca de la longitud de onda de 4 µm detectar incendios que
ocupan sólo una pequeña fracción de sus áreas nominales de píxeles, pero
también pueden causar que estos canales se saturen. Por lo tanto, la mayoría de
los sensores satelitales simplemente identificaron los lugares con incendios sin
proporcionar ninguna información cuantitativa, generando más análisis basados y
estudios científicos de modelización en la quema de biomasa, para confiar en
conteos de píxeles de fuego o las estimaciones de área, ninguno de los cuales
tiene información directa y cuantitativa relacionada con liberación de calor, el
consumo de biomasa, o emisión de humo.
MODIS fue el primer sensor satelital capaz de medir la FRP, que es la tasa de
liberación de energía radiativa del fuego (FRE) (por ejemplo, Kaufman et al, 1996,
1998a; Justice et al, 2002; Giglio et al, 2003a; Ichoku et al., 2008a, ver figura 52).
Posteriormente, la FRP se deriva de algunos otros sensores satelitales, como el
Meteosat-SEVIRI y el GOES (por ejemplo, Wooster et al, 2003; Roberts et al,
2005; Xu et al, 2010; Tabla 4a). Debido a la naturaleza discreta de la adquisición
de datos por teledetección, sólo la potencia instantánea (FRP) puede medirse
directamente desde el satélite, y si es medida sobre el mismo incendio a una
frecuencia temporal adecuada, la energía radiativa del fuego (FRE) puede
derivarse mediante la integración de sucesivas mediciones de FRP durante un
período de tiempo dado.
108
Figura 52. Detección de incendios desde Aqua MODIS para Julio de 2011 superpuesto sobre un mapa de
reflectancia de la superficie compuesta (solo desde MODIS) mostrando rangos de valores de la potencia radiativa del fuego (FRP) para pixeles de fuego individual.
Aunque el satélite FRP nunca ha sido validado ni directamente relacionado con
factores físicos típicamente usados para evaluar cuantitativamente el
comportamiento del fuego, como la carga de combustible y la estructura del
combustible, el área de incendio por sub pixel actual, las fases de flama, flujos de
calor sensibles y latentes, se utilizan cada vez más para estimar la biomasa
quemada y las emisiones de humo, así como para la investigación científica
relacionada (por ejemplo, Wooster, 2002; Ichoku y Kaufman, 2005; Roberts et al,
2005; Wooster et al, 2005; Freeborn et al, 2008; Jordan et al, 2008; Pereira et al,
2009; Vermote et al, 2009). Por ejemplo, utilizando mediciones de satélites de
FRP y aerosoles, junto con los campos de viento meteorológicos, Ichoku y
Kaufman (2005) demostraron una relación lineal directa entre la FRP y aerosoles
de humo o tasas de emisión de partículas en suspensión (PM) para distintas
regiones del mundo. Sin embargo, hay una serie de cuestiones pendientes de
resolución en la interpretación de la FRP, tales como la tendencia de emisión del
fuego desconocida, el grado de opacidad atmosférica a 4 µm, y los efectos de los
píxeles parcialmente llenos y el ángulo de observación en exploración.
109
Otras medidas cuantitativas de incendios activos, actualmente derivables de las
mediciones por satélite y aplicables en tiempo casi real, son el área de incendio
por sub pixel instantáneo y la temperatura (por ejemplo, Prins y Menzel, 1992;
Giglio y Kendall, 2001), que por cierto pueden ser utilizadas juntas para derivar la
FRP (por ejemplo Wooster et al., 2003). El área de fuego por sub pixel y la
temperatura son típica y conjuntamente derivados, basándose en la diferencia de
respuesta de un infrarrojo medio (MIR, generalmente alrededor de 4 µm) y un
infrarrojo térmico (TIR, típicamente alrededor de 11 µm) para radiancia espectral
infrarroja emitida de incendios, mediante el método biespectral desarrollado por
Dozier (1981). Este método supone que un píxel de incendios está compuesto por
dos componentes térmicos (fuego y fondo sin fuego), y mediante la resolución de
dos ecuaciones simultáneas con dos incógnitas del área de fuego por sub pixel y
la temperatura podría ser estimado. Aunque estas medidas proporcionan más
información cuantitativa sobre la actividad del fuego por sub pixel que los simples
conteos de píxeles de incendios, también hay incertidumbres asociadas a ellos. En
primer lugar, cuando los incendios son detectados como se ha descrito
anteriormente, el error inherente de omisión introduce incertidumbre, y la
capacidad de obtener medidas cuantitativas de los incendios no es consecuente.
Incluso, cuando los fuegos se detectan, muchos de los canales en los
instrumentos para la detección de incendios se saturan fácilmente cuando la
temperatura de brillo del píxel de fuego supera la tolerancia de intensidad en el
detector midiéndolo. Esta saturación invariablemente resulta en una incertidumbre
significativa en los valores derivados de la zona de incendio por sub píxel, la
temperatura, o la FRP. Además, las escenas de incendios de vegetación
típicamente constan de múltiples componentes térmicos con una amplia gama de
temperaturas, desde caliente llameante a las frías humeantes, haciendo la
suposición de una temperatura de fuego única poco realista.
De hecho, Giglio y Kendall (2001) analizaron el método de Dozier (1981) en
detalle comprobando que éste tiene una notable incertidumbre intrínseca, que se
110
resumen así: Los resultados de un análisis de sensibilidad indican que en
condiciones realistas de errores aleatorios en la temperatura del fuego y área
recuperada, utilizando el método de Dozier son ± 100 K y ± 50% en una
desviación estándar, respectivamente, para los incendios que ocupan una fracción
de píxel mayor que 0.005 (esto corresponde a un incendio de 5000 m2 dentro de
un pixel de 1 km). También señaló que para los pequeños incendios activos,
mayores errores aleatorios y errores sistemáticos ocurrirían probablemente (Giglio
y Kendall, 2001, p. 34). Una de las fuentes más probables de incertidumbre en el
método biespectral podría ser el pixel entre canales con fallos de registro o
diferencias en la función de dispersión de punto (PSF) entre los dos canales
espectrales usados (Wooster et al., 2005). Zhukov et al. (2006) sugirió el
procesamiento de grupos de píxeles, en lugar de píxeles individuales, lejos de
mitigar estas fuentes de incertidumbre.
Las Incertidumbres de FRP también se han investigado específicamente por
varios autores (por ejemplo, Wooster et al, 2003, 2005; Roberts et al, 2005;
Schroeder et al, 2010; Xu et al, 2010). El análisis de los incendios observados en
la Amazonia Brasileña muestran el límite más bajo de detección en 11 y 9 MW
para MODIS con los satélites Terra (por la mañana) y Aqua (por la tarde),
respectivamente, mientras que los límites de detección equivalentes de las
consultas por parte del algoritmo WF-ABBA son 27 y 19 MW para las
observaciones de GOES coincidentes con Terra y los tiempos de Aqua,
respectivamente (Schroeder et al., 2010). Un análisis similar de los datos del
GOES en las Américas (Norte, Centro y Sur), revela que el límite mínimo de
detección, tanto para el GOES Este y el Oeste es de aproximadamente 30 MW
(Xu et al., 2010). En general, debido a la omisión de los incendios más pequeños,
se ha estimado que los sensores Geoestacionario Meteosat, SEVIRI y GOES (a
una resolución espacial nominal de 3 - 4 km) subestiman a MODIS (a una
resolución espacial nominal de 1 km) en el total de FRP regional un 40-50 % (por
ejemplo, Roberts and Wooster, 2008;. Xu et al, 2010). A su vez, se encontró que
111
MODIS subestima la FRP hasta en un 46% en comparación con el Sistema BIRD
y el sensor HSRS (a una resolución espacial nominal de 0.37 km), basado en unos
pocos casos relativamente examinados (Wooster et al., 2003).
Por lo tanto, aunque las medidas cuantitativas de los incendios activos basadas en
el espacio, tales como la FRP, permiten la categorización de los tamaños
relativos/intensidades de los incendios (por ejemplo Ichoku et al., 2008a), que
tienen el potencial de mejorar la exactitud de la actividad del fuego y las emisiones
de caracterización, estas medidas cuantitativas todavía parecen sufrir de
incertidumbre, con algo de certeza en la dirección de la subestimación. Esto es
debido a la omisión masiva (tanto en el espacio y el tiempo) de los incendios que
son: (i) demasiado pequeños en relación a la huella del sensor - satélite, (ii) son
activos solo entre el paso del satélite o las mediciones, o (iii) obstrucción de la
vista satelital por nubes, humo espeso, grandes árboles, las montañas, u otras
características de gran tamaño. En esencia, la incertidumbre primordial con la
observación de incendios desde el espacio es la subestimación.
2.12 Incendios del Sábado negro en Australia y comparación de las
técnicas para estimar las emisiones procedentes de los incendios de
vegetación. (Paton-Walsh et al., 2012)
Descripción de dos nuevos métodos para estimar las emisiones.
Método “Bottom-up” usando mediciones satelitales de anomalías térmicas.
El Inventario de Incendios del NCAR versión 1 (FINNv1) proporciona estimaciones
de las emisiones diarias de la quema abierta de biomasa (incendios forestales,
incendios manejados y quemas agrícolas), con resolución de 1 km y una cobertura
global (Wiedinmyer et al., 2011). FINNv1 ha sido desarrollado para satisfacer las
necesidades del transporte de químicos atmosféricos y la predicción del clima y
las estimaciones de las emisiones que están disponibles en tiempo casi real.
112
La figura 53 en la parte de abajo es utilizada por FINNv1 para el ejemplar del
monóxido de carbono del gas traza (CO):
Figura 53. Ecuación utilizada por FINNv1 para el ejemplar del monóxido de carbono del gas traza (CO).
Donde:
ECO es la masa de especies ejemplares de CO emitida.
A (x, t) es el área quemada en el tiempo t y la ubicación x
B (x) la carga de biomasa en la ubicación x
FB es la fracción de esa biomasa que se quema en el incendio, y
efCO es el factor de emisión de especies ejemplares de CO (la masa de CO
emitido por kilogramo de biomasa seca y quemada).
Mientras FINNv1 puede utilizar cualquier dato de detección de incendios, los
análisis descritos aquí utilizan observaciones de los instrumentos a bordo de los
satélites Terra y Aqua de la NASA. En este caso específico, el sistema MODAPS
de la Colección 5, versión 5.1 (Davies et al, 2009; Giglio et al, 2003) se utilizó para
determinar las ubicaciones de incendios en el momento de los pasos superiores
de los satélites.
El tipo de vegetación y la carga de biomasa son tomados de la colección 5 de
MODIS (Tipo de cobertura terrestre) para el 2005 (Friedl et al, 2010.) Y se utiliza
para determinar los factores de emisión pertinentes y las cargas de combustible
(Akagi et al, 2011; Andreae y Merlet, 2001; Hoelzemann et al., 2004), así como la
asignación de la proporción de 1 km x 1 km para el área que se quema
(Wiedinmyer et al., 2011) y la fracción de combustible que se supone está
destinada a ser quemada (Wiedinmyer et al., 2006). Detalles explícitos de FINNv1
se pueden encontrar en Wiedinmyer et al. (2011). La figura 54 muestra las
113
emisiones FINNv1 diarias resultantes de CO, reticuladas a una resolución
espacial de 0.5° para días de ejemplo (7, 8, 9 y 16 de febrero de 2009).
Figura 54. Emisiones de CO (en Gg CO dia-1
) muestra un grig de 0.5° x 0.5° para cada día desde Febrero 7
hasta Febrero 9 de 2009 y también Febrero 16. Las emisiones están codificadas por color según la intensidad con las mayores emisiones en rojo. El color blanco muestra cero emisiones.
Método “Top-down” que utiliza mediciones satelitales de la profundidad
óptica en aerosoles.
La Estimación de Emisiones Fuego Vía Profundidad Óptica de Aerosoles (FEEV -
AOD) es un método de arriba hacia abajo que utiliza las correlaciones fuertes
entre la profundidad óptica de los aerosoles (AOD) y las cantidades de columna de
gases traza en humo, entre unas pocas horas hasta uno o dos días (Paton -Walsh
et al, 2010b; Paton-Walsh et al, 2004). Los instrumentos MODIS a bordo de los
Satélites Aqua y Terra de la NASA se utilizan para medir el AOD a 550 nm, y los
valores se promedian sobre 1° por 1° caja de malla (Kaufman et al, 1997; Remer
et al, 2005; Tanre et al, 1997).
114
Al excluir a todos los cuadros de la rejilla con los valores de AOD sin sobrepasar la
máxima medida antes de los incendios para las fuentes de aerosoles que no sean
de los incendios es muy probable que sean investigadas. La elección de un
periodo de tiempo adecuado a partir del cual se pueda calcular el fondo y los
valores umbral de AOD es un compromiso entre la ampliación del tiempo, de
manera que es importante la elección de un período de tiempo corto (por ejemplo,
un solo día) cuando la región está libre de incendios y también razonablemente
desafectada por las cubiertas de nubes.
Para los incendios del Sábado negro un buen ejemplo de este último caso se
encontró el 2 de Enero de 2009. Sólo las celdas de cuadrículas de 1° por 1° con
más de 10 puntos fueron considerados debido a la posibilidad de conseguir
algunos puntos falsamente elevados adyacentes a los puntos que son rechazados
por el algoritmo MODIS debido a la interferencia de nubes. El valor máximo AOD
para una celda de cuadrículas de 1° por 1° el 2 de Enero, antes de los incendios
que comenzaron fue de 0.2, y por tanto éste se tomó como un valor umbral para
identificar el humo fresco. Mediante la exclusión de todos los valores por debajo
de este umbral se puede evitar la asignación errónea de una emisión por quema
de biomasa a una mejora en AOD, que es causada por cantidades normales de
polvo levantado, aerosoles de sal marina o humo envejecido. El valor medio AOD
para una celda de cuadrículas de 1° por 1° el 2 de Enero antes del incendio
iniciado fue de 0.1 y se utilizó como un valor de fondo. Alternativamente, los
valores para el umbral y el fondo de 0.24 y 0.15, respectivamente, se encontraron
utilizando la totalidad de Enero de 2009 como período de referencia. Estos valores
son los mayores valores razonablemente justificables porque son propensos a
estar sesgados en gran proporción por la presencia de algunos eventos locales de
incendios.
Todas las celdas de cuadrículas en la región de los incendios activos con los
valores AOD superiores al valor del umbral de 0.2 se incluyen en el cálculo. La
cantidad de AOD promedio normal del fondo (0.1 en este caso) se resta de cada
115
uno de las celdas de cuadrículas de 1° por 1° para producir el exceso de AOD
producido por los incendios. Los valores de AOD en exceso son posteriormente
traducidos en cantidades de exceso equivalentes de gases traza en el humo.
Las cantidades correspondientes de columnas de CO, cianuro de hidrógeno
(HCN), formaldehido (CH2O), amoníaco (NH3), acetileno (C2H2), etileno (C2H4),
etano (C2H6), ácido fórmico (HCOOH) y metanol (CH3OH) en la región están
determinadas por las relaciones que se establecen entre las cantidades de
columna de estos gases y la AOD mediante mediciones coincidentes a través de
columnas de humo de los incendios forestales en el sureste de Australia a partir
de la instrumentación de tele observación en Wollongong (34 S, 151 E) (Paton
Walsh, et al. , 2008; Paton-Walsh et al, 2005;. Rinsland et al, 2005). Las
cantidades totales de columna se convierten a continuación en la masa total de los
gases emitidos en la multiplicación por zona y el peso molecular y dividiendo por el
número de Avogadro. La conversión del monóxido de carbono de gas traza (CO)
está dada por la figura 55.
Figura 55. Conversión del monóxido de carbono de gas traza (CO).
Donde
MCO: masa mejorada de CO en la región como resultado de los incendios.
AODexcess es 0.1 menor que el 1° por 1° promedio de MODIS AOD en cada
cuadrícula que tenía un valor superior a 0.2.
GCO:AOD es 1.5 x 1018 moléculas cm-2 (el gradiente de columna CO a AOD
determinado por Paton-Walsh et al (2005))
Agrid es 1.02 x 1014 es la zona de celdas de cuadriculas en cm2 utilizando
factores de conversión de 111.12 km para 1° de latitud y 92.12 km para 1°
de longitud
116
NA es el número de Avogadro = 6.02 x 1023 mol-1, y
MWCO es el peso molecular de CO (28 g mol-1)
Sumando la masa de CO incrementada en todas las celdas de cuadrícula
contribuyentes, da como resultado la masa total mejorada atmosférica de CO en el
área cada día. La figura 56 muestra el grid de 1° por 1° promedio de AOD medido
por los instrumentos MODIS el 7 de febrero de 2009 (Sábado negro) y al día
siguiente, 8 de Febrero de 2009. Los píxeles blancos representan áreas en las que
los datos han sido rechazados por el algoritmo MODIS debido a la interferencia de
nubes, el destello de mar u otra razón (Remer et al., 2002). Los cálculos para
estos dos días arrojaron estimaciones idénticas para la masa emitida de CO de
0.46 Tg el 7 de febrero y 0.46 Tg el 8 de Febrero.
117
Figura 56. Grid de 1° por 1° promedio de AOD medido por el sensor MODIS el siete de Febrero de 2009
(Sabado negro) y los días siguientes, ocho de Febrero de 2009.
118
Claramente, las partes se pierden en las áreas de los píxeles blancos. Además, no
es obvio qué parte de las mejoras observadas el 8 de febrero resulten de las
emisiones del 07 de Febrero que no han sido dispersadas desde la región. El
modelo de transporte químico MOZART-4 (Emmons et al., 2010) se utiliza para
modelar las emisiones de las quemas y la dispersión de las columnas o plumas, lo
que proporciona una estimación de los efectos de la doble contabilidad y de los
datos perdidos.
La simulación de MOZART-4 de los incendios del Sábado Negro se ha ejecutado
a una resolución horizontal de 2.8° x 2.8°, y para cada día de incendios una masa
de emisiones CO (definida por el exceso detectado de AOD de la figura 55) se
libera en el modelo de una celda de cuadrícula de 2.8° x 2.8° centrada en
(38.57S, 146.25E). El CO emitido por los incendios es etiquetado por separado
para cada día y se trata como un trazador (sin química), pero con un tiempo de
vida atmosférica de 3.8 días para imitar la AOD (Edwards et al., 2006).
El modelo genera campos independientes de concentración de las emisiones de
cada día, y así el doble conteo se calcula mediante la suma de todas las
emisiones anteriores que aún quedan en cada celda de cuadrícula de 1° por 1°
incluido en el cálculo de las emisiones (aquellos con una AOD > 0.2).
El resultado del modelo también se puede usar para estimar la posible magnitud
de la subestimación causada por los datos perdidos. Zhang et al. (2005) informó
sobre un método similar utilizando modelización inversa del índice de Aerosol
limitado por las mediciones realizadas por el espectrómetro cartográfico del ozono
total, sin embargo, la AOD tiene la ventaja de ser independiente de la altura de la
columna. Una descripción más detallada del método de FEEV-AOD es
proporcionada por Paton-Walsh et al. (2010a).
119
3. RESULTADOS.
A continuación se describen los principales resultados generados de las
investigaciones analizadas sobre la FRE y FRP.
3.1 Estimación de las emisiones de humo en los grandes llanos al sur de los
Estados Unidos utilizando la potencia radiativa de fuego MODIS y las
observaciones de aerosol. (Jordan et al., 2008)
Flujo de la masa de humo y coeficientes (Ce) de emisión de humo basados
en RFRE.
Las mediciones de RFRE y AOD tanto de Aqua y Terra MODIS, se utilizaron para
determinar los humos emitidos en el SGP de EE.UU. Las estimaciones de emisión
se establecieron para el año de 2004. La figura 57a (Terra) y 57b (Aqua), ilustran
el coeficiente regional de emisión PM de humo basado en RFRE (Ce). Estos
gráficos representan el conjunto de datos después de las medidas QC y
corresponden a las velocidades del viento a 850 mb (1.5 km) de presión
atmosférica. Las barras de error verticales que se muestran en la figura 57a y b
corresponden con el error estándar de emisión de humo (desviación estándar /√n).
120
Figura 57. (a) Terra y (b) Aqua MODIS después de mediciones de control de calidad. Muestran una
comparación regional de los índices diarios de la FRE (MW o MJ s-1
) y emisiones de humo (kg s-1
) con 850mb (1.5 km). La pendiente de la regresión lineal representa la FRE basado en el coeficiente de emisión de humo (Ce). Las barras de error vertical representan el error estándar de la emisión de humo.
Antes del QC, el conjunto de datos Terra contenía 196 observaciones diarias (n =
196) de fuego y humo. Después de QC este número se redujo a 146 (n = 146).
Por lo tanto, la reducción debido al QC es de 25%. Aqua MODIS tenía más
121
observaciones diarias de fuego y humo. Más específicamente, n = 230 antes de
QC y disminuyó a n = 178 después de QC. Para este conjunto de datos, la
reducción diaria promedio de tamaño de la muestra debido a la QC es 22%. Las
correlaciones entre QPM y RFRE fueron significativas (0.46<R2<0.75, p<0.0001) en
los tres niveles del viento considerados (700, 850, y 925 mb, equivalente a 3, 1.5,
y 0.75 kilómetros de altura, respectivamente). La variabilidad en ambos conjuntos
de datos (Terra y Aqua) disminuyó después de las medidas QC (figura 58). La
pendiente del ajuste de regresión lineal representa el Ce determinado a partir de
cada conjunto de datos. Era evidente que lo de Ce fuera similar con velocidades
de viento a 850 y 925 mb a niveles de presión (figura 58).
Figura 58. Calculo de Terra y Aqua MODIS RFRE basado en coeficientes de emisión de humos (Ce) y
correspondiente a R2 para velocidades de viento tomadas a diferentes niveles de presión (alturas).
Los incendios observados en esta zona no son probables de inyectar humo alto en
la atmósfera (esperan que esto esté dentro de la capa límite planetaria (PBL)), ya
que sus tamaños están limitados por la práctica de la quema. Por lo tanto, el Ce es
derivado con velocidades de viento de 850 mb, y se supone que son apropiadas
122
para calcular la emisión de humo en la región de estudio. Cabe señalar que si bien
los valores de Ce fueron calculados independientemente de Terra y Aqua,
muestran una concordancia muy fuerte. El Ce promedio general (en 850 mb) para
la región estudiada, con base en los datos colección 4 de 2004 Terra y Aqua
MODIS utilizados en este trabajo, es 0.049 +/- 0.024 kgMJ-1.
Ichoku y Kaufman (2005) describieron por primera vez el método empleado en
este estudio para la estimación de emisiones de humo en diferentes regiones del
mundo, y señalaron que el coeficiente de emisión de humos (Ce) basado en RFRE
difiere de región a región. La causa principal de esta variación se debe al
ecosistema dominante (es decir, tipos de cobertura terrestre) asociado con cada
región. Como se ha explicado anteriormente, los principales tipos de vegetación
de la región analizada (SGP de los EE.UU.) consiste en pastizales, tierras de
cultivo y árboles caducifolios de hoja ancha. Ichoku y Kaufman reportaron un
rango de Ce (0.048<Ce<0.076) valores para la sabana y las regiones de
pastizales. El Ce promedio (0.049 +/- 0.024 kgMJ-1) derivado en este estudio fue
dentro de la estimación realizada por Ichoku y Kaufman (2005).
Figura 59. Ecuación series de tiempo RFRE.
Figura 60. Ecuación series de tiempo QPM.
123
Los gráficos de series de tiempo de QPM figura 60 y RFRE figura 59 para los dos
conjuntos de datos (Terra y Aqua) muestran un patrón estacional prominente, con
picos de quemado durante las estaciones de primavera y otoño (figura 61), que
coincidieron con otros estudios de análisis de incendios para esta región (Reid et
al., 2004). Las actividades de quemas agrícolas planificadas son los principales
impulsores de este patrón. Más precisamente, la quema prescrita se lleva a cabo
durante la primavera y el otoño debido a las favorables condiciones biológicas y
climáticas, mientras que la quema agrícola se produce antes de la siembra de
semillas en la primavera y después de la cosecha de otoño (Reid et al., 2004).
Figura 61. Comparación regional del 2004 de fuego y emisión de humo desde Terra y Aqua MODIS. La
graficas de la serie de tiempo en la izquierda muestra las tasas instantáneas diarias de liberación de FRE (MW o MJ s
-1) y las gráficas de la derecha muestra las tasas promedio instantánea diarias de emisión de
humo QPM (kg s-1
). Aqua observo dos veces más fuego y emisión de humo que Terra.
En general, el Aqua MODIS observó más incendios y humos que el Terra MODIS
(figura 61), lo que implica que hay más actividad de quema en la tarde que por la
mañana. Terra primero considera el SGP de EE.UU. por la mañana (17:00 UTC o
11:00 am CST), mientras que Aqua sigue con un paso elevado en la tarde (19:00
124
UTC o 1:00 pm CST). La figura 62 muestra todos los píxeles de aerosol de 2004
que contienen fuego (s) tanto para Terra y Aqua MODIS, demostrando que los
incendios son más frecuentes en la mitad este de Kansas y Oklahoma. La quema
extensiva es también evidente en Arkansas. Los incendios, debido a la quema de
pastizales privados, son más frecuentes en Oklahoma y Kansas. La quema
prescrita de pastizales y bosques de gestión pública fueron probablemente las
causas principales de los incendios en California (Reid et al., 2004).
Figura 62. Muestra todos los píxeles de aerosol de 2004 que contienen fuego (s) tanto para Terra y Aqua
MODIS.
125
La incertidumbre del modelo.
Las incertidumbres asociadas con las estimaciones de las emisiones de humo
(figura 60) fueron, en promedio, el 47%. El error relacionado con la estimación de
tLIMPIO (tiempo para un píxel de ser limpiado por el humo) y la columna SMD es lo
más significativo. El coeficiente de variación (desviación estándar / media x 100)
fue, en promedio, de 30% para cada uno de estos parámetros. Por lo tanto, los
errores SMD dominaron la incertidumbre relacionada con el flujo de masa de
humo calculado. La propagación de errores relacionados con QPM (47%) y RFRE
arrojaron la incertidumbre de Ce.
La ambigüedad asociada a las observaciones de MODIS RFRE no ha sido
críticamente cuantificada para el SGP de los EE.UU. Sin embargo, se han utilizado
simulaciones para demostrar la sensibilidad de los algoritmos de incendios MODIS
a RFRE (Kaufman y Justicia, 1998). El error promedio de MODIS RFRE es de 16%,
lo que indica que el Ce de humo promedio basado en RFRE es 0.049 +/- 0.024 o
49%. Por lo tanto, el error relacionado con la predicción de QPM (figura 4) a partir
del modelo, utilizando el Ce derivado, varía de 49% a 62%. Este rango de
incertidumbre está directamente relacionado con el tamaño del incendio.
3.2 Incendios forestales en la región del Himalaya, carga de aerosol,
emisiones de carbono negro y alturas pluma de humo. (Vadrevu et al.,
2012)
Conteo de incendios, FRP, FRE y gradientes de altitud.
Los conteos anuales de incendios agregados de MODIS de 2005 a 2010 se
muestran en la figura 63 (a) y las variaciones estacionales en la figura 63 (b). De
los diferentes años, 2009 registró el mayor número de incendios seguido de 2008,
2010, etc. Un promedio de 3908 conteos de incendios por año se registran en la
126
región del Himalaya. La temporada de incendios se ubica desde Marzo a Junio, y
esta el 86.3% del total de incendios se registran con el pico en Abril con un 43.6%
de los incendios, seguido de Marzo (16.31%), Mayo (15.63%), y así
sucesivamente (figura 63b). Además, MODIS Aqua capturó 62.25% de los
incendios en relación con MODIS Terra con 37.75%, lo que sugiere que la mayoría
de los incendios ocurren durante la tarde.
Figura 63. (a) Conteos de fuego MODIS por año; (b) Estacionalidad de fuego con pico en Abril: (c) Potencia
radiativa del fuego para diferentes años; (d) Energía radiativa del fuego para diferentes años; (e) ATSR derivado del conteo de incendios en la región Himalaya (2005 – 2010).
127
La temporada pico de incendios de Abril también fue capturada por los datos de
incendios nocturnos ATSR (figura 63e) para todos los años, excepto para el año
2007. En promedio de los seis años, Abril tuvo la mayor FRP (39.873 MW),
seguido de Marzo (19.062 MW) y Mayo (15.505 MW), con la menor FRP durante
Agosto (207 MW) (figura 63c). La FRE calculada a partir del FRP usando la regla
trapezoidal sugirió el año 2009 obteniendo la más alta FRE (1.88Ex1010 MJ s-1),
debido al mayor número de incendios en ese año (figura 63d). Se infiere que los
valores de FRE derivados en este estudio utilizando el enfoque trapezoidal
podrían ser insuficientemente representados, en contraste con el uso de datos
geoestacionarios, tales como SEVIRI con muestreo frecuente. Sin embargo, tales
datos para una región de la India son deficientes. La distribución espacial de los
eventos de incendio para el año típico de 2008 junto con los recuentos de fuego
agregados por los gradientes de elevación GTOPO-30 (USGS, 2010) se muestran
en la figura 64 (a y b). Los conteos de incendios se tomaron en cuenta con base a
los cuatro diferentes gradientes altitudinales, es decir, bajos (hasta 2600 m),
medios (2601 a 4000 m), altos (4001 a 5000), muy altos (> 5000 m). De los
recuentos totales de incendios, el 64% se produjo en las zonas de baja elevación
seguida de las medias (24% de los conteos de incendio), altas (10.08%) y
elevación muy alta (0.78%). Los fuegos altitudinales bajos también mostraron la
mayor suma de FRP con respecto a los incendios producidos en las altitudes
medias y altas (figura 64b) sugiriendo que los incendios en la primera categoría se
queman más intensamente que los últimos.
128
Figura 64. (a) Región Himalaya con conteos de fuego MODIS en diferentes elevaciones; (b) Sumatoria de
variaciones de FRP basado en contornos de elevación.
Zonas quemadas y las características de la vegetación.
Los resultados de MCD45A1 sugieren un promedio de superficie quemada de
1129 kilómetros cuadrados por año con el más alto durante 2009 (7219 kilómetros
cuadrados) (figura 65). De los diferentes tipos de vegetación, las zonas quemadas
predominan en la categoría de tierras de cultivo con 32.76%, seguidas de las
tierras de cultivo de regadío (13.26%), mosaicos de vegetación (12.22%), matorral
(10.84%), bosque caducifolio de hoja ancha (10.34%), y otra clase con un (6.53%),
(figura 66). Es interesante observar que los fuegos agrícolas en general han
contribuido en un 46.02% en comparación con el 38.54% de las áreas quemadas
en la categoría de bosque (que también incluye la de matorrales cerrados y
abiertos).
129
Figura 65. Áreas quemadas derivadas de MCD45A1 en la región Himalaya.
Figura 66. Áreas quemadas en diferentes categorías de vegetación.
Emisiones de Carbono negro (BC) y Biomasa quemada.
Con el uso del producto MCD45A1 y siguiendo el enfoque de Seiler y Crutzen
(1980), estimaron las emisiones totales del BC en 431 mg por año para la región
del Himalaya (figura 67). Las emisiones de la categoría de matorral cerrado a
130
abierto dominaron (105.12 Mg) seguido de bosque cerrado caducifolios de hoja
ancha (100.42 Mg), bosque cerrado latifoliado siempre verde abierto (82.93 Mg), la
vegetación mosaico (62.93 Mg), etc (figura 67). Aunque los incendios agrícolas
contribuyeron a 46.02% del total de incendios y tuvieron una eficacia relativamente
mayor de combustión en los bosques, las emisiones de carbono negro
procedentes de la agricultura fueron considerablemente menores debido a la baja
carga de combustible y también al factor de emisión.
Figura 67. Emisiones de carbón negro en diferentes categorías de vegetación.
Conteos de incendios, variaciones FRP a AOD.
Las variaciones en los datos sobre conteo de incendios mensuales así como los
resultados de FRP y AOD se presentan en la figura 68 (a, b). Los resultados de los
datos de AOD (2005 a 2010) sugirieron valores más altos durante Mayo (0.50),
seguido de Junio (0.48), Abril (0.435), Julio (0.389), Marzo (0.385), etc, con el
menor AOD durante Noviembre (0.17). En unos pocos casos, AOD alcanzó su
punto máximo superior a 0.7 (Abril), sugiriendo contaminación intensa (figura 69a).
131
Figura 68. (a) Variación temporal en conteos de fuego y AOD (2005 – 2010); (b) Variación temporal en FRP y
AOD (2005 – 2010).
Relativamente, altos niveles de AOD se observaron en el Himalaya oriental (sobre
todo a través de Nepal), seguido del centro y el occidente del Himalaya. La media
AOD (2005 a 2010) fue de 0.287 +/- 0.105 (un sigma) figura 69 (b). El análisis de
correlación entre los recuentos de fuego frente a AOD sugiere el coeficiente de
correlación Pearson (r) de 0.553 (dos pruebas de significación en el nivel 0.05),
relativamente, la correlación entre el FRP y AOD fue ligeramente más débil (0.499)
durante un período de seis años.
132
Figura 69. (a) Patrones espaciales en AOD en la región Himalaya durante Abril de 2008; (b) Variación
temporal en AOD (2005 – 2010).
PBL y alturas del humo.
Los datos MERRA indicaron una altura de PBL de 1000 a 1200 m de Abril a Mayo
(figura 70a). Los datos CALIPSO de recuperaciones para los Himalayas, en su
mayoría se referían a la noche en vez del día. Así, además de los recuentos de
incendios MODIS, también se utilizaron los datos ATSR. Los resultados a partir de
ATSR confirmaron incendios nocturnos (figura 70b) para el mes de Abril de 2008.
La media del humo en altitudes superiores para diferentes fechas con CALIPSO
sugiere un rango de 2500 a 9300m con una altura promedio de humo de 5350 m
(figura 70d).
133
Además, han seguido un enfoque similar al de Guan et al. (2010) para distinguir
humo denso desde la nube mediante la búsqueda de un aumento de la relación de
color con una profundidad de penetración de la capa acoplado con una relación de
despolarización baja dominada por un valor menor que 0.2. Un caso típico de las
alturas de humo y los valores de retrodispersión atenuada durante el 23 de Abril
de 2008, se muestra en la figura 70 (e) para la región central del Himalaya que
abarca los distritos de Nainital y Garhwal del estado de Uttaranchal.
Los resultados sugieren valores totales de retrodispersión atenuada del 4.5x 10-4
km-1 sr-1 con las altitudes de humo alcanzando 4000 a 5000 m, lo que está más
allá de la altura típica de PBL 1000 a 1200 m (figura 70a) observada durante la
temporada de quema a partir de los datos MERRA. En la figura 70 (d) el humo
CALIPSO sub tipo representa los aerosoles de la quema de biomasa, mientras
que el polvo contaminado representa una mezcla de polvo y humo (Omar et al,
2009.), Por lo tanto el humo y el polvo contaminado llegaron más allá del PBL,
sugiriendo polución por quema de biomasa intensa, además de la contaminación
de polvo durante el mes de Abril.
134
Figura 70. (a) Altura PBL en metros recuperada de MERRA durante abril y Mayo de 2008; (b) ATSR incendios
nocturnos durante abril de 2008; (c) Índice de Aerosoles recuperado del Intrumento de Mapeo de Ozono (OMI); (d) Información CALIPSO sub tipo aerosol recuperada (2008/04/23); (e) CALIPSO recuperación total de valores de retro dispersión atenuada de 532 nm durante el 23 de abril de 2008.
3.3 Poder radiativo del fuego en la integración de satélites geoestacionarios y
de órbita polar en un conjunto de datos de superficies incendiadas para
el mejoramiento de los inventarios de biomasa incendiada. (Roberts et al.,
2011)
El consumo anual total de combustible (FCT) que se estima para África derivada a
través de la metodología integrada BA-FRE descrita en la Sección 2.3.1 (y
resumida en la figura 14) asciende a 1.418 Tg. La figura 71 detalla la contribución
de los tres caminos diferentes (que se muestran en la figura 14) para este total
anual, lo que indica que la mayor contribución (54%) surge del Camino 2
135
(incendios con BA coincidente y datos AF bien observados). Los incendios que
tienen tan solo observaciones AF (Camino 1) sólo representan el 6% del FCT total
anual, mientras que los incendios que tienen datos BA pero observaciones de la
FRP insuficientes, o nada (Camino 3) representan el 28% del FCT.
Figura 71. Consumo de combustible total anual estimado en para África (Febrero 2004 – Enero 2005).
Las estimaciones del consumo diario total de combustible (FCT) para África
derivadas a través de la metodología integrada BA-FRE descrita en la sección
2.3.1 (se resume en la figura 14) y tan solo por el método de la FRE se presentan
en la figura 72. Es evidente que los aumentos sustanciales en FCT (típicamente del
orden de 50-250%) son entregados por el enfoque FRE-BA en comparación con el
método de la FRE solamente (por ejemplo como se describe por Roberts et al.,
2009).
Las diferencias surgen esencialmente como resultado de la reducción de los
sesgos de baja resolución espacial inherentes a los datos de la FRP, todo esto a
través de la incorporación de información sobre incendios que permanecen sin ser
detectados (o de otro modo en peligro) utilizando el método AF, pero que son
detectados por el enfoque BA. En general, la estimación anual FCT (1418 Tg) para
África derivada utilizando el enfoque integrado FRE-BA desarrollado, es 200%
136
más grande que la estimación derivada usando tan solo las observaciones de la
FRE. Los picos de consumo de combustible de 20 y 8 Tg x día-1 se observan,
respectivamente, en el hemisferio norte (NH) (Enero) y hemisferio sur (NS)
(Agosto) temporadas de incendios, y aunque las tendencias estacionales son
obviamente dominantes, el FCT es muy variable de un día a otro, algo que no
podría ser capturado por los inventarios de resolución temporales comunes
utilizados (por ejemplo, semanal o mensual).
Figura 72. Dinámica temporal diaria del consumo total de combustible (FCT) medido alrededor de África para
los datos procesados en un año. Los valores calculados usando la FRE-BA basados en el enfoque desarrollado (ejemplo que resume la figura 14) se muestran en negro, y los calculaos usando solo los datos FRE y la figura 15 se muestran en gris.
En los momentos de actividad baja de incendios (por ejemplo DOYS 92 y 275) el
enfoque de la FRE estándar subestima más significativamente, un hallazgo
reflejado durante la construcción del producto contra incendios virtual por Freeborn
et al. (2009). Esto es causado por el hecho de que en este momento los incendios
activos se producen en lugares lejos de la Meteosat SSP, o en las zonas (por
ejemplo, regiones agrícolas a escala pequeña o bosques densos) donde la
actividad del fuego es más fragmentada dentro del paisaje y por lo tanto más difícil
137
de detectar (Roy et al., 2005b). Una estimación total del consumo de combustible
en África de 1418 Tg, es todavía un poco más baja que lo previsto por los
inventarios (por ejemplo 1600 Tg promedio durante 2001-2006, Lehsten et al,
2008; 2272 Tg (Febrero 2004 - Enero 2005), van der Werf et al., 2010 y 1835-2705
Tg (2000), Ito y Penner, 2004), pero la diferencia entre las estimaciones basadas
en datos de incendios activos (es decir, los enfoques basados en FRE) y los de
GFEDv3 se ha reducido considerablemente (Figura 73).
Figura 73. Consumo de combustible mensual total (FCT) derivado del hemisferio sur (SHA) y hemisferio norte
(NHA) de África usando la metodología integrada FRE-BA desarrollada en este estudio (ejemplo que se muestra en la figura 14), junto a los derivados de los datos FRE (Roberts et al., 2009) y los de GFEDv3 (van der Werf et al., 2010).
La diferencia restante de 37% en el consumo total de combustible estimado por el
enfoque de BA-FRE y por GFEDv3 (figura 73) refleja la diferencia similar entre la
mediana del consumo de combustible por unidad de área (FCA) y las
estimaciones de los dos métodos (figura 20b). Una causa de la discrepancia se
refiere tanto a la diferencia mensual de BA (figura 20a) y su distribución espacial.
En el hemisferio sur, las FRE-BA derivados de estimaciones FCT son, en
promedio, 50% más bajas que las de GFEDv3. La mayor discrepancia se produce
en Agosto (140 Tg), aunque la diferencia es pequeña en BA (2.5 Mha). El GFEDv3
BA detecta más BA en las regiones de mayor GFEDv3 NPP, como el noroeste de
138
Zambia, Angola central y las regiones costeras de Mozambique. La estimación
FCA resultante de GFEDv3 modal es de 700 g m-2, mientras que las estimaciones
FCA FRE-BA derivados son de 300 g m-2. Además de las diferencias en la
distribución espacial de BA en este momento, un acuerdo algo más débil se
encuentra entre los datos SEVIRI y MODIS FRP, en la temporada seca del
Hemisferio Sur (r2 = 0.74 - 0.78; ver sección 2.3.2). Aunque la estimación FRE-BA
FCT para Agosto es un 60% mayor que la estimación FCT derivada utilizando los
datos FRE únicamente, este ajuste parece insuficiente en comparación con la
estimación GFEDv3 FCT.
Figura 74. Comparación de las estimaciones mensuales de FCT obtenidas a través del enfoque FRE-BA y de
las observaciones FRE.
La figura 74 compara las estimaciones mensuales de FCT obtenidas a través del
enfoque FRE-BA y de las observaciones FRE en sí, ajustadas para tener en
cuenta la subestimación de FRP debido al muestreo discreto de ciclo de incendios
diurno (MODIS) o a la falta de intensidad de incendios pequeños y/o bajos
(SEVIRI). Las medidas del consumo total de combustible derivadas de MODIS
FRE (Ellicott et al, 2009; Freeborn et al, 2011. Vermote et al, 2009) y del producto
139
contra incendios virtual SEVIRI (Freeborn et al, 2009), típicamente son similares o
mayores que las medidas derivadas a través del enfoque FRE-BA en meses que
quedan fuera de las principales estaciones de quema de biomasa en África. Esto
es más evidente en Abril y Mayo (NH) y Diciembre Febrero (SH), donde el FCT
derivado a través de los métodos FRE es 2 Tg mayor que los derivados por el
enfoque FRE-BA. Esto sugiere que (i) las correcciones efectuadas por los
métodos FRE durante estos periodos están sobreestimadas o (ii) que el MODISADJ
BA y/o el SEVIRI FRP esta subestimado en estos momentos. Con respecto a los
métodos FRE, la reducida actividad del fuego durante estos meses puede
aumentar la incertidumbre de los ajustes realizados al FRP observado. Esto se
refiere a la reducción del número de observaciones disponibles para el
emparejamiento estadístico utilizado en el desarrollo del producto contra incendios
virtual (Freeborn et al., 2009) o el ciclo diurno de incendios más variable (por los
métodos MODIS FRE). Con respecto a (ii), Roy et al. (2008) se encontraron
detecciones MOD14 AF para cubrir en grado espacial mayor que las estimaciones
MCD45A1 BA en las regiones de alta cobertura porcentual de árboles. Durante los
meses de la estación húmeda, estas condiciones son más probables de ser
encontradas y esto puede dar lugar a una subestimación de BA. Sin embargo, se
sabe que SEVIRI subestima la actividad del fuego en estos tiempos (Freeborn et
al., 2009). La comparación entre los grupos de incendios FRP MODIS y SEVIRI
también indica que los sesgos de correspondencia más pobre y los de mayor
fueron encontrados en Abril. Por lo tanto, el FCA derivado en la FRE y las
estimaciones FCT_BA a partir de BA y grupos de incendios FRP son propensos a
ser subestimados en este momento. Los beneficios de la integración de los
conjuntos de datos de FRE y de zonas quemadas son los más obvios durante los
períodos de mayor actividad incendiaria. En estos momentos, las estimaciones del
consumo total de combustible (FCT) derivadas utilizando la metodología FRE-BA,
son significativamente mayores que aquellas a partir de las medidas de incendios
activos únicamente, hasta en un 240% (figura 74). Las mayores estimaciones FCT
se lograron utilizando la metodología FRE-BA resultando directamente a partir del
140
uso de datos sobre áreas quemadas, además de las observaciones de fuegos
activos. Cuando se utilizan los datos de los incendios activos únicamente para
estimar el consumo de combustible a través de FRE, la subestimación puede
ocurrir en breve, por nubes ocultas o incendios de baja intensidad, debido a los
errores de omisión de incendios activos. La inclusión de los datos del área
quemada contrarresta este efecto, pero esto solo funciona si los datos de BA son
eficaces.
Este parece ser el caso, dentro de la temporada de incendios, cuando la gran
mayoría (>95%) de combustible es quemada y donde los resultados de la
metodología FRE-BA aparecen en un acuerdo bastante estrecho con las
estimaciones independientes GFEDv3 FCT (figura 73). Fuera de los hemisferios
relevantes de la temporada de incendios, la metodología FRE-BA a menudo
produce estimaciones FCT algo inferiores a las obtenidas a través de los métodos
contra incendios activos de Freeborn et al. (2009), Vermote et al. (2009) y
Freeborn et al. (2011), aunque esto no es aparente en la figura 74, desde que la
magnitud de la actividad del fuego sea tan débil en este momento. Es probable
que esto sea en parte debido a las quemas generalmente pequeñas e irregulares
que se producen fuera de las temporadas de incendios, y que no están bien
identificadas por el producto para áreas quemadas MODIS, por lo que la
combinación de los datos BA con las observaciones de incendios activos SEVIRI
no proporciona una eficaz corrección para los errores de omisión de SEVIRI.
El uso adicional o único de los datos MODIS para incendios activos como en
Freeborn et al. (2009), Vermote et al. (2009) y Freeborn et al. (2011), parece una
mejor solución en tales momentos. La figura 75 indica que las medidas totales del
consumo de combustibles derivados a través del enfoque FRE-BA para SHA son
generalmente más bajas que las de GFEDv3, sobre todo en Mozambique, Zambia
y Madagascar, lo que refleja el resultado de la FCA (figura 18). En NHA, las FRE-
BA derivadas de estimaciones FCT también son generalmente más bajas que las
de GFEDv3, con excepción del sur de Sudán. Sin embargo, el enfoque FRE-BA
141
detecta niveles bajos de quema de biomasa en un mayor número de celdas donde
GFEDv3 no lo hace, como en partes del sur de África, África Central y Occidental
y el África occidental. La figura 76 ilustra la distribución de frecuencias de la
diferencia FCT (GFEDv3-FRE-BA), agrupada en incrementos de 0.05 Tg. La
mayoría (55%) de las celdas de la cuadrícula tienen una diferencia centrada en
cero (± 0.025 Tg) y 90% tienen una diferencia de ± 0.5 Tg. Sin embargo, la
desigual distribución destaca las celdas mayores con el consumo de combustible a
partir de GFEDv3.
Figura 75. Distribución espacial del consumo total anual de combustible (FCT: Tg) a lo largo de África para
Febrero 2004 - Enero 2005, que se muestra con una resolución en celda de 0.5 °. Los resultados que se muestran son calculados a partir de (a) el enfoque integrado FRE-BA desarrollado en esta investigación, y (b) GFEDv3 (van der Werf et al., 2010). La diferencia se muestra en (c), e indica que en la mayoría de las celdas de la cuadrícula, GFEDv3 muestra mayores consumos de combustible, que coinciden con los resultados de los datos de consumo mensual de combustible mostrados en la figura 73.
142
Figura 76. Distribución de frecuencia de la diferencia en el total de la celda de la cuadricula del consumo de
combustible total (FCT:Tg).
La figura 77 resume las estimaciones de los principales gases traza
pirogénicamente emitidos, que se calculan utilizando las medidas de consumo de
combustible derivadas a través del enfoque FRE-BA, el mapa de cobertura del
suelo IGBP (Belward, 1996; condensada para bosque, sabana y agricultura) y los
factores de emisiones relevantes utilizados en GFEDv3 (van der Werf et al., 2010)
y tomados de Andreae y Merlet (2001) y actualizaciones. La comparación de los
valores de la literatura también se muestra, y en la mayoría de los casos las
estimaciones de las emisiones son inferiores en 10 - 50%. La diferencia
aproximada de 35% entre las estimaciones de las emisiones y las de GFEDv3
refleja una vez más la diferencia similar que se encuentra en el consumo de
combustible por unidad de área, FCA (figura 18).
143
Figura 77. Emisiones totales anuales de las principales especies pirogénicas calculadas alrededor de África
(Febrero 2004 – Enero 2005).
3.4 Estimación del gas traza y las emisiones de aerosol en América del Sur:
Relación entre la energía del fuego radiativo liberada y las observaciones
de profundidad óptica del aerosol. (Pereira et al., 2009)
Evaluación de la exactitud en los coeficientes de emisión de humo en
aerosol basados en FRE y WFABBA / GOES FRP con datos de MODIS FRP.
La figura 37 muestra los datos de incendios WFABBBA / GOES en el sur y el norte
de América para el período 2000-2008 con el número total de incendios
detectados (gris oscuro) y los píxeles de fuego saturados y sus porcentajes (gris
144
claro y línea negra, respectivamente). Durante nueve años de observación, la
eliminación de los píxeles de nubes contaminadas y el píxel de probabilidad de
fuego medio/bajo, los productos para incendios GOES detectaron
aproximadamente 9.38x106 puntos de acceso, en los que sólo el 6.6% o 6.16x105
son pixeles saturados. Estos valores pueden cambiar debido a las variaciones en
actividades con quema de biomasa y características estacionales del clima, tales
como fuertes períodos de lluvia o sequía atípica.
Para evaluar la capacidad del GOES para recuperar la FRP a escala regional, los
datos del sur y el norte de América en el período 2000-2008, son tomados y
convertidos en valores de la FRP por las figuras (30) y (31). Así, el retardo entre
ambas observaciones de incendios se calcula y si la diferencia entre ellas fue
menor de 15 minutos los datos se incluyen en la regresión. En los casos cuando
hay más de una observación de incendios MODIS, el valor calculado es la suma
de los píxeles de incendios MODIS en el área simultánea de GOES. Para las
detecciones de incendios GOES y MODIS de sur y norte América en el período
2000-2008, aproximadamente 28.000 observaciones de incendios cumplieron con
la condición del análisis.
En consecuencia, las observaciones simultáneas de la FRP se agrupan en sus
respectivos meses. La regresión lineal con barras de error estándar entre
WFABBBA / se recupera la FRP (eje x) y MOD14/MYD14 FRP (eje y), a través del
período 2000-2008 y son agrupados en 93 meses, se muestra en la figura 78.
Además, aunque actualmente MODIS representa el sensor estándar para extraer
la FRP global gracias a sus canales con diferentes ajustes de ganancia y
temperaturas de saturación, la recuperación del GOES FRP no ha sido totalmente
explotada. La regresión GOES y MODIS, que se muestra en la figura 78,
demuestra una correlación mayor al 96% (significativo al nivel de 0.5 por prueba t
de estudiantes) entre mediciones mensuales de la FRP derivadas de estos dos
sensores, con una relación de 0.34 entre MODIS y GOES FRP.
145
Esta diferencia podría explicarse por características de los instrumentos tales
como resoluciones espaciales, radiométricas y espectrales, el ruido del sensor y la
transmisión atmosférica. Además, el método de derivación de la FRP y los
supuestos en este proceso, podrían aumentar la fuente de error como se describe
en Giglio y Kendall (2001), Wooster et al. (2003, 2005), Roberts et al. (2005),
Roberts and Wooster (2008) y Jordan et al. (2008). Algunos ejemplos de fuentes
de error son la temperatura del fuego y el área estimada por el método Dozier
(1981), el uso del método MIR de radiancia para pixeles saturados de GOES y
diferencias de algoritmos.
Figura 78. Regresión lineal con error estándar entre 2000 y 2008 en Sur y Norte América para WFABBBA /
GOES y MODIS FRP.
Coeficientes de emisión de humo en aerosol basados en la FRE.
La figura 79 muestra los coeficientes de emisión de humo de aerosol basados en
la FRP WFABBA / GOES para tres regiones de América del Sur. Estos
coeficientes se separan de acuerdo al tipo de vegetación, como se describe por
Ichoku y Kaufman (2005) y se muestra en la figura 34. En la gráfica, el eje X
146
representa la energía radiativa liberada por el fuego, en MJ s-1, y el eje Y muestra
la tasa de emisión de humo en aerosol, en kg s-1 cada punto de datos se refiere a
la suma de la FRP y emisiones de humo en aerosoles diurnas sobre el área de
estudio y presenta las barras de error estándar que también se presentan.
En las simulaciones CATT-BRAMS sobre quema de biomasa de Sudamérica en el
período 2002 de la Selva Amazónica y el Cerrado, el valor de 0.03 (kg M J-1) es
asumido por el coeficiente de emisión de humos de aerosol, obtenidos por la
regresión de 4561 muestras de observaciones WFABBA / GOES y
MOD04/MYD04 AOD, agrupadas a partir de 112 momentos del día, como se
muestra en la figura 79a. Para el bioma brasileño Catinga, el valor de 0.006 (kg M
J-1), se adoptó, correspondiendo a la regresión de 772 muestras agrupadas de 54
momentos del día, como se muestra en la figura 79b. Por debajo de América del
Sur 20°S, la regresión de 294 muestras, agrupadas a partir de 17 días proporcionó
un valor de 0.02 (kg MJ-1).
147
Figura 79. Correlación entre coeficiente de emisión de la FRE (MW) y emisión de humo de aerosol kg s-1
de
WFABBA / GOES y MOD04/MYD04 AOD observaciones para a. Bosque del Amazonas y del Cerrado; b. Bioma Catinga Brasileño; c. Bosque Atlántico y Biomas de Pastizales. Cada punto de datos se refiere a la suma de la FRP y emisiones de humo en aerosoles diurnas sobre el área de estudio y presenta las barras de error estándar que también se presentan.
La figura 80, muestra la correlación y las distribuciones inclinadas entre la emisión
de humo en aerosol y las tasas de liberación de la FRE, utilizando la técnica de
arranque desarrollada por Efron (1982). En este método, una población de 1.0 x
104 reconstruye la curva original y proporciona los parámetros para crear el
intervalo de confianza para la estimación del modelo. Como se muestra en la
figura 80a-c las frecuencias más altas de correlaciones están entre 0.70-0.75,
0.90-0.95 y 0.95-0.99 (significativo al nivel de 0.5 por el test t de estudiante) para
la Selva Amazónica y el Cerrado, el bioma Brasileño Catinga, Bosque Atlántico y
los biomas de pastizal, respectivamente.
Estos valores indican un buen acuerdo de regresión entre la emisión de humo en
aerosoles y tasas de liberación de la FRE. Por otra parte, las pistas (Figura 80d-f)
se centran en el 0.03, 0.006 y 0.022, lo que indica, como era de esperar, que las
emisiones en la selva amazónica y los biomas de Cerrado, son mayores que para
Catinga, Bosque Atlántico.
Los coeficientes de emisiones de humo en aerosol basados en la FRE de MODIS
y GOES muestran que la mayoría del calor no es detectada por los satélites
medioambientales. Las mediciones de laboratorio indican que las emisiones
PM2.5µm para quema de biomasa están alrededor de 10 g kg-1 (Yokelson et al.,
2008). Sin embargo, si toda la tasa de liberación de la FRP pudiera ser detectada
desde el espacio, la relación entre PM2.5µm (kg) / FRE (MJ) variaría 0.000625-0.01,
lo que indica que la mayor parte de la energía se pierde en la columna de
convección (Wooster et al., 2005; Freeborn et al, 2008;. Yokelson et al, 2008).
Para minimizar las diferencias en las mediciones MODIS y GOES FRP, una
variable externa podría ser introducida en los dos satélites con el fin de adaptar
148
esta variable a una propiedad común introduciendo un factor de corrección. El uso
de productos MODIS AOD (MOD04/MYD04) para generar coeficientes de emisión
de humo en aerosoles basados en la FRE para MODIS y datos del GOES, pueden
normalizar estas diferencias. También, mediante la comparación de los
coeficientes creados para MODIS FRP por Ichoku y Kaufman (2005) con los
creados para el GOES este factor de corrección es necesario.
El coeficiente MODIS de emisión de humo en aerosol encontrado por Ichoku y
Kaufman (2005) para la Selva Amazónica y el Cerrado es 0.063 kg M J-1, mientras
que el valor encontrado a partir del coeficiente GOES basado en la FRE en la
misma región es de 0.03 kg M J-1 (52% menos). Además, el valor del coeficiente
de MODIS para el bosque Atlántico y los biomas de pastizales es 0.061 kg M J-1
tres veces mayor que el coeficiente generado por el GOES (0.02 kg M J-1).
Así mismo, la diferencia más significativa entre los coeficientes de emisión de
humo en aerosol de MODIS y GOES se encuentra en el bioma Catinga, donde el
valor se redujo aproximadamente en un 87%, de 0.048 a 0.006 kg M J-1. Aunque
la figura 78, representa una comparación entre los valores promedio de la FRP de
MODIS y GOES del Sur y América del Norte, las diferencias encontradas en los
coeficientes de emisiones de humo en aerosol basados en la FRE podrían reflejar
las diferencias en las mediciones de la FRP para ambos satélites.
149
Figura 80. Correlación y distribución de la pendiente usando la técnica de arranque desarrollada por Efron
(1982) para las tres WFABBA / GOES coeficientes de emisión de humos de aerosol, mostrados en la correlación (a), (b) y (c) y en (d), (e) y (f) los histogramas de distribución de la pendiente para los bosques del Amazonas y el Cerrado, el bioma Catinga Brasileño, y el bosque Atlántico y biomas de pastizales, respectivamente.
Modelo de simulación y evaluación CATT-BRAMS, utilizando emisiones de
fuego en Sudamérica para el período de 2002.
Utilizando los datos de emisiones de fuego MODIS y GOES en América del Sur
del año 2002, la emisión de humo en aerosol total en cada píxel fuego se estimó y
se insertó en el modelo. Las figuras 81 y 82 muestran (a) total de PM2.5µm y
150
emisiones de CO, (b) la regresión lineal entre los datos modelados y los datos
observados, y (c) la serie de tiempo con la superficie cercana de PM2.5µm (µg m-3) y
CO (ppb) datos recogidos en las campañas LBA SMOCC / RaCCI y estimados por
el coeficiente de emisión de humos en aerosol y modelado en el CATT-BRAMS.
La relación entre los resultados del modelo PM2.5µm y CO a las 12 UTC con las
mediciones basadas en tierra revela un buen acuerdo en cuanto a la tendencia
general de la evolución temporal. Como se muestra en la serie de tiempo, el
método puede estimar los aerosoles y gases emitidos en el proceso de
combustión de biomasa, sin embargo, cuando la intensidad de la combustión de la
biomasa es demasiado alta, los valores modelados por el coeficiente de emisión
de humo en aerosol basado en la FRE son subestimados, probablemente debido a
la influencia de humo en las mediciones de la FRP. Además, este método muestra
un típico aumento de las emisiones en regiones por debajo 20°S, como Bolivia,
Paraguay y Argentina, en comparación con las metodologías tradicionales.
151
Figura 81. (a) Mapa con el total de PM2.5µm liberado por incendios de biomasa entre el 15 de julio y el 15 de
noviembre de 2002. (b) regresión lineal entre los datos modelados y los datos observados; (c) Series de tiempo con superficies cercanas PM2.5µm (µg m
-3) observados y estimados por los coeficientes de emisión de
humos de aerosol.
Figura 82. (a) Mapa con el total de CO liberado en incendios de biomasa entre julio 15 y noviembre 15 de
2002; (b) Regresión lineal entre los datos modelados y los datos observados; (c) Series de tiempo con superficies cercanas CO (ppb) observado y estimado por coeficientes de emisión de humos de aerosol.
Las correlaciones y la pendiente entre los datos de CO y PM2.5µm recogidos en
campañas LBA SMOCC / RaCII y en el modelo de simulación CATT-BRAMS se
presentan en la figura 83. Las frecuencias del histograma de estos parámetros
estadísticos se realizaron utilizando la técnica de arranque (Efron, 1982), con una
población de 1.0 x 104. Como se muestra en los gráficos, los datos modelados por
el coeficiente de emisión de humo en aerosol basado en la FRE indican un buen
acuerdo con los datos verdaderos del suelo. Las frecuencias de correlación más
altas de CO se encuentran entre 0.80 y 0.90 como se muestra en (a). Por otra
parte, para la simulación con PM2.5µm los valores de mayor frecuencia se
encontraron entre 0.85 y 0.90 observadas en (b).
152
La figura 83 c y d, muestra la simulación de la frecuencia de distribución de la
pendiente para el CO y PM2.5µm. La mayor frecuencia de pendiente en la
simulación de las emisiones esta entre 0.80 – 0.90 y 1.20 – 1.40 para CO y
PM2.5µm respectivamente. Por otra parte, estos valores indican que el método para
la estimación del PM2.5µm basado en los coeficientes de emisión de humo de
aerosol a través de las mediciones de satélite de la FRP sobreestimando este
aerosol en un 20%. También, la simulación de la emisión de CO se hace aplicando
al PM2.5µm basado en un factor de emisión para cada tipo de vegetación (Andreae
y Merlet, 2001; Longo et al., 2007). En este método indirecto, los valores de CO
son subestimados en un 10%. Sin embargo, estas sobreestimaciones y
subestimaciones son comparables con la incertidumbre en los métodos de emisión
tradicional. Además, este método basado en las mediciones satelitales de FRP es
muy prometedor para mejorar la precisión de aplicar la relación de CO/PM.
Yokelson et al. (2008).
153
Figura 83. Técnica de arranque para CO y PM2.5µm mostrando la relación entre datos de suelo LBA
SMOCC/RaCCI y la simulación del modelo CCATT – BRAMS. En (a) y (b) la correlación para CO y PM2.5µm respectivamente. En (c) y (d) son mostradas la frecuencia de distribución de la pendiente.
3.5 Emisiones de carbono negro procedentes de la quema de tierras de
cultivo en la Federación Rusa. (McCarty et al., 2012)
Las emisiones a partir del análisis de Incendios activos.
Las emisiones anuales e interanuales.
En general, las mayores emisiones anuales de BC calculadas a partir del análisis
de incendios activos se produjeron en 2008 y 2009, mientras que las emisiones
más bajas de BC se produjeron en 2003, durante el periodo de estudio de 7 años.
154
Para los años de 2003 a 2009, el esquema de tierras de cultivo-LCCS representó
el 36%, 37% y 39% de las emisiones anuales promedio de BC a partir del IGBP
Agricultura, IGBP tierras de cultivo, y las definiciones LCCS de Agricultura.
Excluyendo el esquema LCCS de tierras de cultivo, las emisiones anuales y en
promedio de BC estuvieron entre menos del +/-1.3 Gg.
Emisiones mensuales y estacionales.
La Variabilidad mensual de los conteos de incendios activos para Rostovskaya
oblast (Rusia europea) y Omskaya oblast (Siberia occidental), utilizando el
esquema IGBP de Tierras de cultivo ilustra los dos patrones distintos de las
emisiones típicas de quema de tierras de cultivo, para las partes europeas y
asiáticas del país, respectivamente (figura 84). La mayor parte de las emisiones de
BC en tierras de cultivo quemado en la provincia de Rostovskaya se produjo en
Agosto y Julio, durante o inmediatamente después de la cosecha de cereales,
excepto para el año 2003, que mostró mayor combustión en Abril.
155
Figura 84. Variabilidad mensual de emisiones BC detectada por productos de fuego activo MODIS para los
años 2003 – 2009; variabilidad de emisiones reportadas para el esquema de tierra de cultivo; IGBP cultivos = clase de cultivos IGBP del conjunto de datos de tierra de cultivo MODIS a 1 km; (a) variabilidad mensual para Rostovskaya oblast, Rusia Europea; (b) variabilidad mensual para Omskaya oblast, Siberia occidental.
Esto es correspondiente con las series de tiempo mensual MODIS de incendios
agrícolas del sur de Rusia Europea para los años de 2001 a 2003 señalados por
Korontzi et al. (2006), incluyendo las quemas bajas en Agosto de 2003. Un patrón
156
típico de la quema de tierras de cultivo en el oeste de Siberia se ilustra con
Omskaya Oblast. El pico en la quema de tierras de cultivo se produjo entre Abril y
Mayo, con los valores más altos en 2006, 2008 y 2009. El segundo pico en
Octubre fue mucho menor, con las mayores contribuciones desde 2003 a 2007. La
distribución estacional de la quema de tierras de cultivo para Rostovskaya y
Omskaya oblasts también varió.
A lo largo de este análisis, el invierno es definido desde Enero a Marzo, la
primavera es de Abril a Junio, el verano es de Julio a Septiembre, y el otoño de
Octubre a Diciembre, respectivamente. El pico en la quema de otoño en Rostov se
produjo en 2005 y 2006 con la menor cantidad de quemas de otoño en el 2003. La
Quema de primavera fue un factor de 4 a 9 veces menos que la quema de otoño,
con pequeños picos observados en 2005, 2007 y 2009. Para Omskaya, la quema
de primavera fue lo más frecuente, con sólo una pequeña contribución de la
quema de otoño, concretamente en los años 2003 y 2007. La figura 85 muestra
las emisiones de BC por temporada para la Federación de Rusia a partir de las
tierras de cultivo quemadas utilizando las cuatro definiciones de tierras de cultivo.
En promedio, la quema observada en la mayor área de cultivo, el IGBP
Agricultura, tuvo una contribución menor de invierno de las emisiones totales
anuales de BC (menos de 0.5%), una contribución de primavera del 55%, una
contribución de verano del 25%, y una contribución de otoño de 19%. Las
variaciones interanuales de las emisiones de BC en primavera, verano y otoño
eran de 33 a 70%, 9 a 38%, y 11 a 33%, respectivamente. El Promedio desde
2003 a 2009 de la distribución de emisiones de BC por temporada, a partir de las
tierras de cultivo IGBP y los esquemas de agricultura LCCS fueron similares, con
una contribución de verano ligeramente superior (2 a 3%), a expensas de menores
emisiones de BC en primavera.
157
Figura 85. Promedio estacional de emisiones BC en la Federación Rusa desde las tierras de cultivo
quemadas y calculadas del análisis del fuego activo.
La contribución total de las emisiones por quemas en otoño calculadas desde el
IGBP Agricultura, IGBP de tierras de cultivo y los esquemas de Agricultura LCCS
fueron muy similares. La más pequeña definición de tierras de cultivo, tierras de
cultivo LCCS, produjo comparativamente estimaciones de emisiones de BC
mayores en verano, e inferiores en la primavera (38% y 39%, respectivamente),
con un 21% de las emisiones anuales de BC sustraídas a partir de la quema de
158
otoño, que es similar a la distribución de las emisiones de BC para la misma
cobertura del suelo del análisis por zona quemada.
Las emisiones de FRE.
Las emisiones anuales e interanuales.
Los totales anuales en las emisiones de BC a partir de la quema de tierras para
cultivos se clasificaron y calcularon desde las estimaciones de FRE para dos
esquemas de clasificación de cobertura terrestre, y se presentan en la figura 86.
En general, el esquema de tierras de cultivo IGBP produjo mayores emisiones de
FRE que el esquema de tierras de cultivo UMd. Ambas estimaciones de las
emisiones de FRE BC alcanzaron su punto máximo en los años 2005 y 2008. Las
emisiones BC de las tierras de cultivo IGBP para el año 2005 (27.9 Gg) fueron
1.26 veces más grandes y las emisiones BC de tierras de cultivo IGBP para el año
2008 (27.1 Gg) fueron 1.22 veces más grandes que las emisiones promedio de BC
para todos los años (22.2 Gg). Del mismo modo, las emisiones BC de tierras de
cultivo UMD para el año 2005 (23.7 Gg) fueron 1.32 veces más grandes, y las
emisiones BC de tierras de cultivo UMd para el 2008 (22.9 Gg) fueron 1.27 veces
más grandes que las emisiones promedio de BC para todos los años (18.0 Gg)
(figura 86). Una distribución de series de tiempo de la energía radiativa del fuego
se expresa en la figura 87, que muestra la extensión e intensidad de los incendios
anuales para Rusia, independientemente del tipo de cobertura del suelo. Es
evidente que el 2003 y el 2008 son los años que contienen muchos incendios
energéticos. Los mapas de FRE muestran que el sureste de Rusia es el área que
generalmente posee los incendios más intensos.
159
Figura 86. Totales anuales en las emisiones de BC a partir de la quema de tierras para cultivos en la
Federación Rusa.
Figura 87. Series de tiempo de la intensidad (FRE) y de extensiones de vegetación de biomasa quemada
para todos los tipos de cobertura de suelo en la Federación de Rusia para los años 2003 – 2009. La FRE fue estimada en MJ x 0.5° de pixel usando productos estándar MODIS FRP Grid de Modelado Climático (CMG).
160
3.6 Características de incendios derivados de MODIS y variaciones ópticas
profundas del aerosol durante la temporada de quema de residuos
agrícolas, al norte de India. (Vadrevu et al., 2011)
Conteo de incendios y cobertura para uso de la tierra.
La cobertura de la tierra derivada de MERIS para el área de estudio se muestra en
la figura 88. El análisis de las estadísticas de cobertura terrestre sugiere un 91.9%
como área de regadío para tierras de cultivo, seguido de un mosaico de tierras de
cultivo/categoría de vegetación (2.2%), mosaico de vegetación tierras de cultivo
(1.7%), entre otros (figura 89). Además, de los diferentes cultivos, el arroz y el trigo
ocupan casi el 85.91% del total de la superficie cultivada (Estadísticas Agrícolas
de un Vistazo, 2010).
Figura 88. Mapa de cobertura y uso del suelo derivado desde 300 m del sensor MERIS a bordo del satélite
ENVISAT. Las tierras de cultivo de regadío predominan en el área.
161
La agregación de los recuentos de incendios MODIS basados en el uso de tipos
de cobertura para suelo en el año 2008 sugiere más del 80% de los incendios que
se producen en las tierras de cultivo de regadío (figura 90). Las tendencias
temporales (2003 a 2008) en el recuento de incendios MODIS (Aqua y Terra) se
presentan en la figura 91 y las tendencias estacionales en la figura 95. El análisis
indicó, un promedio de recuentos de 11.529 incendios al año, con un claro patrón
bimodal. Los meses de temporada alta de incendios Abril a Mayo y Octubre a
Noviembre, correspondieron bien con las prácticas de quema de residuos
agrícolas (figura 93). Adicionalmente, el 75% de todos los incendios ocurren
durante la tarde (Aqua-MODIS), en comparación con Terra-MODIS (25%) en la
mañana.
162
Figura 89. Estadísticas de la cobertura y uso del suelo del área de estudio desde 300 m del sensor MERIS a
bordo del satélite ENVISAT. Las tierras de cultivo de regadío ocupan noventa y dos por ciento de la zona de estudio.
Figura 90. MODIS fuego, conteo acumulado basado en los tipos de uso y cobertura del suelo (2003 – 2008).
Más del 80% de los incendios ocurrieron en cultivos de regadío principalmente debido a los residuos agrícolas quemados.
Figura 91. Conteo de incendios Aqua y Terra MODIS (2003 – 2008).
En general, MODIS-Aqua tuvo relativamente más alta FRP durante la temporada
de quema de residuos de arroz que el trigo. Sin embargo, la media de la FRP de
MODIS-Aqua fue considerablemente mayor durante la temporada de quema de
residuos de trigo (promedio durante los meses de Abril y Mayo de 30.02 MW) que
163
la temporada de quema de residuos de arroz (Octubre y Noviembre promedio
29.07 MW). El total de la FRP fue mayor durante la temporada de quema de
residuos de arroz, debido al mayor número de recuentos de incendios (figura 92).
Figura 92. Tendencias temporales en los recuentos de incendios MODIS AQUA. Los picos corresponden a
estaciones de quema de residuos agrícolas.
Figura 93. Tendencia bimodal en la actividad de fuego correspondiente a sistemas cultivados de trigo y arroz
y residuos quemados.
164
Vermote et al. (2008) teorizó que el paso elevado de Aqua en las tardes (13:30
hora local) debe corresponder a la hora de la energía del fuego pico, ya que en la
tarde, la humedad disminuye y los combustibles se secan con un aumento de la
temperatura ambiente y el precalentamiento de combustibles vecinos en aumento
(Whelan, 1995). En contraste, el paso elevado de Terra en la mañana
probablemente corresponderá con la actividad del fuego menor en comparación
con la de Aqua. El 75% de los recuentos de incendios captados por MODIS Aqua
en este caso parece que corroboran esta hipótesis. Los datos de la conversión en
la producción agrícola para los residuos de las cosechas quemadas en promedio a
través de 6 años, sugirieron casi 4.88 Tg de residuos agrícolas quemados de esta
región a través de un promedio de seis años. Aunque los cálculos están en el
rango de las estimaciones anteriores, están en el extremo inferior del rango
(Gupta et al., 2004), ya que han utilizado una estimación conservadora de 20% de
arroz y 15% de residuos de trigo quemados en los campos. Las variaciones en la
FRE calculada utilizando la figura 47 para diferentes meses se muestran en la
figura 94. Similar a la suma de la FRP, la FRE fue mayor durante los meses de
Octubre y Noviembre. Estas variaciones claramente correspondían al número de
eventos de incendios y la cantidad de biomasa quemada. Por ejemplo, a partir de
las mediciones basadas en laboratorio de la biomasa quemada y las medidas de
la FRE, Freeborn et al. (2008) se estimaron casi 0.453 kg de biomasa quemada
por MJ de FRE liberada (con un intervalo de confianza del 95% de +/- 0.068
kg/MJ). Durante las mediciones, también se observó un punto alto de
apalancamiento de 2.51 kg/MJ. En los cálculos basados en la FRE, encontraron
casi 0.66 kg/MJ durante la temporada de quema de residuos de arroz y 2.21 kg/MJ
durante la temporada de quema de residuos de trigo.
165
Figura 94. La FRE fue mayor durante los meses de Octubre a Noviembre que correspondió a la quema de
residuos de arroz comparado con Marzo – Abril estación de quema de residuos de trigo.
Por lo tanto, las estimaciones están más cerca de los cálculos anteriores, con las
estimaciones del arroz más precisas que las del trigo. Las diferencias se
atribuyeron a la calidad y la cantidad de residuos en arroz y trigo quemados. Por
ejemplo, los residuos de trigo tienen tallos más gruesos que el arroz. Así, los
residuos de trigo cuando son quemados liberan mayor energía (por lo tanto más
FRP) que los residuos finos de arroz. Sin embargo, debido a un mayor número de
recuentos de incendios registrados durante la temporada de quema de residuos
de arroz, la FRE fue más alta. Además, las diferencias estacionales en la quema
podrían haber contribuido a estas diferencias (el trigo durante el verano cuando los
suelos están secos en comparación a la quema de arroz durante el invierno
cuando el suelo está mojado).
166
Relaciones de Terra / Aqua y la Potencia Radiativa del Fuego (FRP).
También se calcularon las relaciones de la FRP mensuales de Terra MODIS /
Aqua (T/A) de 2003 a 2008, para la temporada alta de quema de residuos
agrícolas. Previamente, Vermote et al. (2009) evaluó las relaciones de T/A en
regiones diversas espacialmente de todo el mundo utilizando el producto mensual
contra incendios CMG (Giglio et al., 2005) y relacionó las variaciones para el ciclo
diurno de la energía del fuego. Los valores picos de la FRP (figura 48) se
obtuvieron usando el producto CMG (Giglio, 2005), que es una suma de
recuperaciones diarias MODIS que constituyen detecciones de incendios durante
el día y la noche. Los valores de los parámetros en la figura 48 se obtuvieron
mediante el uso de relaciones de T/A y de regresión con los patrones de la
actividad diurna de incendios VIRS, SEVIRI, y MODIS (es decir, curvas
gaussianas) para derivar las variables de función de Gauss representativas que
podrían usarse mundialmente Vermote et al . (2009). Concretamente, para la
región de Punjab, India, los valores fueron (b = 0.03; h = 14.2; sigma= 1.9) para la
temporada de quema de arroz y (b = 0.4; h = 13.5; sigma = 4.5) para el trigo.
Vermote et al. (2009) Infiere que existe una diferencia grande entre Terra y Aqua
(por ejemplo, la proporción de 0.20 T/A) indica un rápido aumento de la energía
radiativa del fuego y menor duración de la actividad del fuego, como en los
incendios de mantenimiento de las pasturas, despeje agrícola u otras quemas, ya
que normalmente se establecen durante principios y mediados de día y se
queman por la noche. Similares a los resultados anteriores, en nuestro caso,
utilizando los valores de la FRP promedio a través de seis años (2003 a 2008)
sugirió que las proporciones o relaciones de T/A de 0.20 y 0.10 o menores para
Octubre y Noviembre, respectivamente, durante los meses de quema de residuos
de arroz (figura 95).
167
Figura 95. Variación temporal en T/A relación de la FRP durante la estación de que de residuos agrícolas.
El menor valor sigma para la quema de arroz sugiere que la duración de la
actividad del fuego pico es considerablemente menor para el arroz que para el
trigo. Esto se justifica por los tallos de trigo, que en comparación con los tallos de
arroz son relativamente gruesos y tardan más tiempo en quemarse. La hora pico
del ciclo diurno de incendios para el arroz fue de 14.2 h frente a 13.5 h del trigo.
Puesto que el arroz se quema más durante la temporada de invierno, el tiempo
parece justificado ya que el residuo de biomasa queda para el secado de hasta
14.2 h. Relativamente, como el trigo se quema durante el verano, la quema se
inicia un poco antes que el arroz. Vermote et al. (2009), señaló que una proporción
de T/A que se aproxima a 1.0 representaría un plano, y suave ciclo de energía
radiativa de fuego donde el fuego es más activo durante todo el día, como en los
incendios forestales no manejados, con la energía radiativa del fuego consistente
a lo largo del ciclo diurno con algo de energía enfriada, a menudo húmeda, en
horas tempranas de la mañana (Whelan, 1995). Hemos observado que las
proporciones de T/A de 0.85 y 1.0, respectivamente, durante Abril y Mayo
corresponden con los meses de quema de residuos de trigo, lo que sugiere una
liberación relativamente constante de energía radiativa del fuego.
Los estudios de campo y las discusiones con la gente sugieren que los eventos de
quema de residuos de trigo pueden extenderse en la noche, especialmente en los
168
pueblos del interior de Hoshiarpur y Tanda, distritos de Punjab que indican ciclos
relativamente largos de incendios durante el verano. Las variaciones en el ciclo
diurno de incendios también se pueden atribuir a las condiciones climáticas locales
y de estacionalidad, que afectan a las condiciones del incendio, como por ejemplo,
la quema de residuos de trigo durante el verano, donde la mayor parte del suelo
es seco con temperatura del aire relativamente alta. Teniendo en cuenta las
proporciones de T/A encontradas para los incendios de residuos agrícolas de trigo
similares a los incendios no administrados (Vermote et al., 2009), se deduce que
se necesitan más estudios para comprender el comportamiento de las relaciones
de T/A y utilizar el ciclo de incendios diurno en diversos ecosistemas. Además, el
uso de los valores de la FRP para caracterizar el ciclo de incendios puede verse
limitado debido a diversas razones, tales como pluma de humo, la geometría de
observación MODIS (Ichoku et al., 2008), el muestreo de la FRP (Boschetti y Roy,
2009), etc. Las variaciones menores en relación con la FRE a la biomasa
quemada también pueden resultar debido a la eficiencia de la combustión junto
con el importe real de la biomasa consumida durante el incendio, que no estaba
disponible en este caso. Sin embargo, los cálculos de la FRE a partir de los
episodios de quema de residuos de trigo y arroz produjeron resultados
significativos.
Variaciones de profundidad óptica de aerosoles.
Las tendencias temporales en AOD de 2003 a 2008 se muestran en la figura 96.
Siguiendo la regla de tres (sigma), una desviación estándar de la media en
cualquier dirección (la línea roja) se traza para evaluar las variaciones de AOD.
Durante un período de seis años, la media de AOD fue de 0.60 con 0.87 (+1σ) y
0.32 (-1σ). El análisis de las variaciones espaciales en AOD sugirió los meses de
Junio, Julio y Octubre con mayores cargas de AOD (media = 0.6) (figura 97). De
los años diferentes, en el 2008 se registraron los más altos valores de AOD y el
análisis de tendencias sugirió un ligero aumento de AOD (y) durante un periodo de
años (t) con la relación (y = 0.0001t + 0.565) y R2 0.0053. Anteriormente, varios
169
investigadores informaron altos valores de AOD (0.3 a 0.4) en zonas con intensa
actividad antrópica, incluyendo la región industrial del valle del Po, en el norte de
Italia, la megaciudad de El Cairo, varias ciudades de China y la India (Papadimas
et al., 2008; Sharma et al, 2009; Li et al, 2009), y un valor global de AOD550
medio de 0.12 +/- 0.04 (Ramanathan et al, 2005).
Figura 96. Variación estacional en AQUA MODIS AOD (550NM) en Punjab.
En comparación con estos valores, la media de AOD en la región de estudio es
bastante alto (figura 97) con una variabilidad temporal significativa (2003 a 2008)
tal como se refleja en la desviación estándar (0.277). Los valores más altos de
AOD también fueron encontrados en una base de temporada. Observamos
valores elevados AOD durante los meses de quema del residuo de trigo y arroz.
Por ejemplo, durante la temporada alta de quema de residuos de trigo (Abril y
Mayo), la media de AOD fue de 0.598 (abril = 0.49; mayo = 0.70) y durante la
170
temporada de quema de residuos de arroz (Octubre y Noviembre), la media de
AOD fue de 0.58 (octubre = 0.63; Noviembre = 0.532). Además, en comparación
con los valores máximos reportados de AOD para los incendios forestales
boreales de 0.70 y 0.98 durante la temporada alta de quema de biomasa (Eck et
al., 2009), la media de AOD de 0.63 (Octubre) y 0.70 (Mayo) que se registró para
la temporada de quema de residuos agrícolas en este caso parece baja.
Figura 97. Estacionalidad en 2008 Aqua MODIS para la profundidad óptica de aerosoles. Una alta AOD
durante Octubre y Noviembre puede ser bien explicada por incendios de residuos agrícolas así como por conteo de incendios. En contraste una señal alta de AOD durante los otros meses es atribuido a la quema de biomasa, polvo, así como la combustión de combustibles fósiles.
Con respecto a la estacionalidad, el aumento de los valores de AOD observados
desde Abril (0.49) a Mayo (0.70) también fueron confirmados por Mittal et al.
171
(2009) a partir del material particulado en suspensión (SPM), mediciones que
utilizan un alto volumen de muestras en una de las regiones de alta intensidad en
quema de residuos de la Agricultura (Patiala) del área de estudio. Ellos reportaron
aumentos en los valores SPM de 217 µg/m3 en Marzo a 371 µg/m3 en Abril y un
aumento casi similar (35%), de Marzo a Mayo, sin embargo, con una mayor
concentración (371 µg/m3) en abril, en comparación con Mayo (346 µg/m3) (Mittal
et al., 2009). Del mismo modo, durante la temporada de quema de residuos de
arroz en Octubre y Noviembre, Mittal et al. (2009) reportó valores de 442 µg/m3 y
430 µg/m3, respectivamente, niveles mucho más altos que en Septiembre (136
µg/m3) y Diciembre (218 µg/m3). De Septiembre a Octubre, un aumento del 70%
ha sido reportado con caída de los niveles en un 50% de los valores en
Noviembre. Estos patrones en PM medidos utilizando muestreadores de alto
volumen confirman los patrones recuperados satelitales, obtenidos del aumento en
AOD durante los episodios de quema de residuos agrícolas, aunque con algunas
discrepancias durante Abril y Mayo.
Por lo tanto, la resolución de las discrepancias en Abril en comparación con las
concentraciones en Mayo de SPM y en relación con la AOD y las recuperaciones
satelitales de los incendios necesita más mediciones basadas en tierra en la
región. Los Recuentos de incendios de datos MODIS claramente coinciden con el
aumento de las cargas de AOD durante la temporada de quema de arroz (en su
mayoría Octubre) que con la época de quema de trigo (Abril a Mayo) durante el
cual se mezcló la señal relativamente. Por el contrario, los valores de AOD altos
observados durante Junio y Julio en Punjab, y las zonas adyacentes del oeste y
sudoeste parte (27.4N, 78.5E) (figura 97), no precisamente corresponden a las
actividades de quema de residuos agrícolas (figura 92) y recuentos de incendios
(figura 98). La alta carga de AOD durante Junio y Julio se puede atribuir a otras
fuentes de aerosoles, en lugar de la quema de residuos agrícolas. Anteriormente,
los investigadores han atribuido la AOD encima de la zona Indo-Ganges a la gran
afluencia de polvo del desierto desde el árido desierto occidental y las regiones de
172
Arabia, África y Thar (Rajastán figura 1) durante la temporada pre-monzón (Abril a
Junio) ( Dey et al, 2004;. El-Askary et al, 2004; Prasad y Singh, 2007; Gautam et
al, 2009).
Figura 98. El incremento de la AOD durante Octubre (picos azules) coincide bien con los conteos de incendio
(círculos con picos rojos) correspondiente a episodios de incendios de residuos de arroz. En contraste la señal durante los meses de quema de residuos de trigo fue relativamente débil (Abril y Mayo).
Una revisión de la literatura también sugiere que los valores de AOD llegan a 0.5
en las zonas dominadas por los aerosoles provenientes del desierto y hasta 0.4 en
las zonas con fuerte actividad antropogenica (Papadimas et al., 2008), como se
observa en este caso. Dado que, IGP es también el hogar de alrededor de 1 billón
de personas, además de la quema de residuos agrícolas y las tormentas de polvo,
las emisiones procedentes de los combustibles fósiles también podrían contribuir a
las mayores cargas de aerosol en esta región. Por ejemplo, utilizando los datos de
la central de control de la contaminación a bordo (CPCB) en India, Prasad y Singh
173
(2007) han mostrado mayores niveles de SPM en las principales ciudades de IGP
y se atribuyó al aumento del consumo de combustibles fósiles (carbón y petróleo)
en plantas de energía térmica, transporte, fundiciones e industria. El aumento de
la concentración de partículas de aerosol observadas en los datos de la red CPCB
también se correlaciona bien con MODIS y AOD MISR por los mismos autores.
Estudios recientes han demostrado que las nubes atmosféricas marrones (ABC)
causadas por la contaminación del aire pueden dar lugar al carbón atmosférico
negro inducido por la calefacción solar (Ramanathan et al., 2005). La región Indo-
Ganges ya es reconocida como uno de los puntos ABC (Ramanathan et al. (2005)
que afecta a la contaminación transfronteriza. En este contexto, el desafío para el
futuro consiste en la minimización de los impactos de la contaminación a través de
distintas direcciones y opciones de mitigación con estrategias de costo-beneficio
en esta región. Del mismo modo, políticas ambientales estrictas serán necesarias
por la consulta y participación de los actores locales.
3.7 Análisis satelital de las relaciones de monóxido de carbono a partir de los
bosques y la quema de residuos agrícolas (2003-2011). (Vadrevu et al.,
2013)
Los incendios y el FRP.
La Frecuencia de incendios se refiere a la cantidad de incendios en un período de
tiempo dado. Los conteos agregados de incendios MODIS mensuales y anuales
para las zonas de estudio desde el 2003 hasta 2011 se muestran en la figura. 98
(b y d). Como se describió anteriormente, los incendios en el noreste de la India
están relacionados con la vegetación de los bosques de hoja perenne, mientras
que los incendios en Punjab están relacionados con los incendios de residuos
agrícolas. Así, los resultados fueron descritos basándose en la vegetación donde
sea apropiado. Un total de 21.417 y 17.538 conteos de incendios por año fueron
174
registrados por MODIS desde el nororiente de la India y Punjab, respectivamente.
El año 2009 registró el mayor número de conteos de incendios para el nororiente y
en el 2007 para Punjab.
Figura 99. a. Mapa de ubicación del área de estudio mostrando estados del nororiente de India y Punjab; b.
Conteo de incendios para diferentes meses y años en Punjab; c. MOPITT CO (ppbv) para el pico del mes de Octubre (2010) en Punjab; d. Conteo de incendios para diferentes meses y años en el nororiente de India; e. MOPITT CO (ppbv) para el pico del mes de Marzo (2010) en el nororiente de India.
175
Figura 100. Nueve años de datos se han promediado para llegar a conteos de incendios mensuales y FRP
(MW). a. Aqua y Terra conteo de incendios para el nororiente de la India; b. Media de la FRP para el nororiente de India; c. Aqua y Terra conteo de incendios en Punjab; d. Media de FRP para Punjab.
En el nororiente, Marzo tuvo el más alto número de incendios, con el 63% de
todos los incendios que ocurren durante ese mes seguido de abril (21%) y febrero
(9.15%). Incendios agrícolas en Punjab exhibieron un claro patrón bimodal (figura
99b). La temporada alta de incendios fue durante Octubre (25.8% de todos los
incendios), seguida de noviembre (13.20%) (post-monzón), Mayo (7.8%) y Abril
(2.2%) (verano). Los conteos mensuales de incendios y la media de FRP (MW) en
promedio desde 2003 hasta 2011 para el área de estudio se muestran en la figura
100 (a-d).
176
Los resultados indicaron que el 85.7% y el 73.5% de los incendios en el noreste de
la India y Punjab ocurrieron durante la tarde (Aqua-MODIS), en comparación con
el 14.2% y el 26.4% de los incendios capturados por Terra MODIS en la mañana.
Para los incendios forestales de hoja perenne, el promedio de FRP para Terra fue
de 12.5 a 108.7 MW, mientras que Aqua fue de 12.6 a 104.8 MW, con el pico
durante Marzo (91.02 MW en promedio para Aqua y Terra) (figura 100b). En
comparación con los incendios forestales de hoja perenne, el promedio de FRP
para los incendios agrícolas de Terra fue de 5.1 a 23.1 MW, mientras que Aqua
fue de 15.1 a 33.8 MW con un pico en Abril (29.25 MW en promedio combinado de
Aqua y Terra) (figura 100d). Es interesante observar que para Punjab aunque
hubo más recuentos de incendio durante el post-monzón que en verano (figura
99b), la media FRP fue considerablemente más baja durante el post-monzón
(figura 100d).
El trabajo anterior sugiere una cantidad relativamente baja de residuos de biomasa
agrícola por unidad de área para los residuos de arroz que para los de trigo
(Vadrevu et al., 2011), que podría haber reducido la FRP. Además, los bosques de
hoja perenne tuvieron un mayor promedio de FRP que los incendios de residuos
agrícolas (figura 100b), lo que sugiere que los bosques de hoja perenne se
queman con mayor intensidad (energía más caliente) que los incendios agrícolas.
Más mediciones basadas en tierra son necesarias para confirmar estos resultados.
Las variaciones en los incendios activos y la FRP pueden afectar la fuerza de las
emisiones GHG y los aerosoles (Kaufman et al, 1998; Ichoku y Kaufman, 2005;
Kaiser et al, 2012).
3.8 Distribución espacio temporal de la actividad de incendios en áreas
protegidas de África subsahariana a partir de los datos MODIS. (Palumbo
et al., 2011)
177
Ocurrencia de los incendios en los sitios de estudio.
La distribución de los incendios en las PAs fue considerada durante una
temporada de incendios completa (2007 - 08). El análisis de la densidad del fuego
en 16 ecoregiones mostraron una distribución equilibrada de los eventos de
incendios entre las PAs y los amortiguadores (figura 101 a y b). Las áreas
protegidas tienen menor densidad de fuego en las ecoregiones: Guineo-
Congolian, Guineo-Congolian-Zambezia, Guineo-Congolian-Sudania, Zambezian,
Karoo-Namib, este and oeste de Malagasi.
Figura 101. a. Índice de densidad de Incendios de áreas protegidas (PAs) y su buffer en las eco regiones
durante la estación seca total b. y en los tres períodos de la estación seca.
Las ecoregiones Zambezianas y Sudanesas se sabe que contribuyen
significativamente a la actividad de incendios en el África subsahariana. En este
estudio mostraron un comportamiento opuesto, con densidad de fuego mayor en
las PAs (que en los buffers) de la ecoregión Sudanesa y menor densidad de fuego
en las PAs (que en los buffers) de la ecoregión Zambiana. Grégoire y Simonetti
observaron resultados similares para las áreas protegidas de África Occidental y
Central.
Intensidad del fuego.
Los valores de FRP se utilizaron para evaluar la intensidad del fuego. Se observó
un promedio de FRP de 50 MW durante toda la temporada de incendios, lo que
178
indica una intensidad de quema baja. Los conteos de incendios fueron ubicados
en las clases de FRP que van de 50 a 1000 MW. Entre el 55 y el 70% del total de
eventos de incendios, en cada tipo de cobertura terrestre, cayó en la categoría de
50 MW. Alrededor del 20% de los incendios de todos los tipos de vegetación
mostraron valores de FRP hasta 100 MW, a excepción de la clase Bosque.
Matorral y las cubiertas Pastizales fueron los únicos con el 10% o más de sus
eventos de fuego en la clase FRP de 200 MW. Esto demuestra el importante papel
de la capa de hierba para desarrollar los incendios de alta intensidad, como
típicamente la hierba alta es muy inflamable y es más abundante en estos dos
tipos de cobertura terrestre.
Figura 102. Valores de la media de FRP para todas las PAs en las cuatro clases de vegetación, durante los
tres periodos de la estación seca (1, 2, 3).
Cuando consideran la intensidad del fuego durante la estación seca utilizan el
promedio de FRP de todas las áreas protegidas en cada período de la estación
seca (1, 2, 3). Se observó un aumento en los valores de FRP de la primera a la
última etapa en todas las clases de vegetación (figura 102). Esto mostró que
mientras más tarde se produzca el incendio en la estación seca, mayor es la
intensidad del incendio. Los valores más altos se alcanzaron en la cubierta
179
terrestre de Matorral con un promedio de FRP de hasta 35 MW durante el tercer
período de la estación seca.
En general, los valores de FRP fueron mayores en el interior de las PAs que en
sus zonas de amortiguamiento de 25 km, para la mayoría de las ecoregiones. La
FRP se muestra en la figura 103 y se obtuvo como el cociente o índice de la FRP
promedio en las PAs y los buffers. Esta tendencia indica, como era de esperar,
que cantidades mayores de combustible estuvieran disponibles para quemar el
interior de las áreas protegidas que en el exterior, lo que resulta en más incendios
intensos. La menor disponibilidad de combustible en las zonas de
amortiguamiento podría ser debido a la fragmentación del paisaje más alto, lo que
reduce la posibilidad de propagación del fuego, y la presencia de actividades
humanas, como la recolección de leña, la agricultura y la ganadería, que limitan
fuertemente la carga de combustible y por lo tanto la intensidad del fuego.
Figura 103. Índice del promedio FRP en las PAs y buffers distribuidas por ecoregiones en los tres periodos de
la estación seca (periodo 1: temprano, periodo 2: medio, periodo 3: estación seca tardía).
180
4. DISCUSIÓN Y CONCLUSIONES
Nikisa S. Jordan y otros en la Estimación de las emisiones de humo en los
Grandes Llanos al sur de Los Estados Unidos utilizando la potencia radiativa
de fuego MODIS y las observaciones de aerosoles, concluyen que por primera
vez, la estimación de la emisión de humos por la vía de FRE MODIS y la tasa
de liberación (RFRE) ha sido presentada para los grandes llanos al sur de los
Estados Unidos. La metodología sigue el método presentado por Ichoku y
Kaufman (2005) para la estimación de emisión de humos. El resultado en esta
investigación mostró que la quema alcanzó su punto máximo durante las
estaciones de primavera y otoño, estando de acuerdo con otros estudios de
incendios para esta región (Reid et al., 2004). El promedio Ce derivado (0.049
+/- 0.024 kgMJ-1) fue comparable con los resultados publicados por Ichoku y
Kaufman (2005) para tipos de combustibles similares. Los resultados indicaron
que los incendios fueron más frecuentes en Kansas y Arkansas. Varias
lecciones se aprendieron después del análisis regional de incendios. Primero,
este es el mejor estudio para áreas pequeñas con mínima variabilidad de tipos
de combustible en lugar de grandes regiones basada en la conveniencia
geográfica. En su estudio global, Ichoku y Kaufman (2005) observaron que
basados en coeficientes de emisión de RFRE no podría ser adecuadamente
derivado para todo los Estados Unidos. Esto es de esperar ya que el tipo de
combustible y el terreno (figura 5) varía significativamente alrededor de los
Estados Unidos. Además, la exactitud de MODIS AOD (Colección 4) usada en
el estudio varia alrededor del país; siendo particularmente pobre en superficies
brillantes. Del mismo modo, la exactitud de detección de incendios y de
medición por MODIS difiere entre regiones. (Giglio et al., 2003, 2006; Giglio,
2005). La estimación de las emisiones de humo a través del acceso directo es
prometedora, aunque se necesita más trabajo para minimizar el error. El
método probabilístico Monte Carlo (MC) fue usado para aproximar
incertidumbres. Por otra parte, el error relacionado con la predicción QPM
181
(figura 4) del modelo, usando la derivación Ce, rangos desde 49% hasta 62%,
que es similar a la incertidumbre de emisión de humo (+/- 50%) postulado por
Adreae an Merlet (2001) por la técnica indirecta. Encontraron que el error
relativo a la estimación de tlimpiar (tiempo para un píxel ser limpiados de humo)
y la columna SMD ser la más significativa. Minimizar los errores en la velocidad
de transporte del viento y la mejora de la AOD recuperada será más eficaz en
la mejora de la confiabilidad de las aproximaciones de flujo de masa de humo.
Para futuros estudios, planean extender el método que se presenta en todos
los EE.UU con el fin de estimar los valores de Ce, que será beneficioso para
las aplicaciones de calidad del aire por lo menos alrededor de los estados
contiguos de EE.UU. Además, puesto que los satélites geoestacionarios tienen
una frecuencia temporal mucho más alta que los orbitadores polares tales
como MODIS, puede ser beneficioso para integrar mediciones de
observaciones MODIS RFRE con Satélites Ambientales de Operación
Geoestacionaria (GOES), para el área estudiada. Esto probablemente permitirá
una estimación del total de emisiones para cualquier período de tiempo dado y
forma parte de futuros planes para este trabajo. (Jordan et al., 2008)
Krishna Prasad Vadrevu y otros en el estudio sobre Los incendios forestales en
la región del Himalaya, carga de aerosol, emisiones de carbono negro y alturas
pluma de humo del cual concluyeron que para la caracterización de los
impactos de la biomasa incendiada en el clima local, es necesario información
precisa de las fuentes y la fuerza de las emisiones. Los productos MODIS de
los incendios activos y la superficie quemada proporciono información útil en la
caracterización del régimen de incendios en la región del Himalaya. Los datos
MODIS revelaron claramente la estación de incendios entre Marzo a Mayo con
incendios dominantes durante la tarde con un ciclo diurno claro. Los resultados
también sugieren que los incendios que se producen en las zonas de poca
elevación están dominados por bosques latifoliados montanos y bosques
aciculados con un total más alto de FRP (figura 64d). Además, de los incendios
182
forestales, los resultados sugieren que los incendios agrícolas también son
frecuentes, representando alrededor del 32.76% del total de la superficie
quemada en la región. Los incendios de biomasa de esta categoría (bosque y
agricultura) contribuyen en 431 Mg de emisiones BC por año. En relación con
las variaciones de la AOD, valores de 0.2 o menos representan pequeñas
cantidades de aerosoles (de alta visibilidad). La región Vast de Asia (80%) y el
Medio Oriente tienen valores de AOD superiores a 0.3 (Carimichael et al.,
2009). Además, valores de AOD en el rango de 0.3 – 0.4 fueron reportados en
áreas con intensa actividad antropogenica, incluida la región industrial de Po
Valley al norte de Italia, la mega ciudad del Cairo, varias ciudades de China e
India (Holben et al., 2001; Papadimas et al., 2008; Sharma et al., 2009; Li et al.,
2009) y una media global de AOD de 550 valores de 0.12 +/- 0.04
(Ramanathan et al., 2005). Balis et al. (2003) reporto altos valores de AOD
superiores a 1 sobre Thessaloniki, Grecia durante un episodio de incendio de
biomasa usando mediciones solares fotométricas. En el Nororiente de China y
Korea, kim et al. (2005) reporto valores superiores a 2.0 recuperados de
MODIS AOD, durante la intensa estación de incendios de biomasa. Pelon et al.
(2008) reporto un fuerte pico en la AOD cerca de 2.0 durante la estación seca
de Djougou (Benín, África) principalmente debido a los incendios agrícolas. Eck
et al. (2009) reporto valores de AOD de 0.70 – 0.98 durante el pico de la
temporada de incendios de biomasa de los incendios forestales boreales. Al
comparar estos estudios, los datos de la media de la AOD desde el 2005 al
2010 en el área de estudio proporciona alta AOD durante el mes de Mayo
(0.50), seguido por Junio (0.48), Abril (0.435), etc (figura 69b). Aunque los
conteos de incendios derivados de MODIS así como las áreas quemadas
fueron más altos durante abril, la media de la AOD fue solo considerablemente
alto durante este mes, sólo ligeramente inferior a los valores registrados en
Mayo y Junio. También se intentó correlacionar el MODIS derivando la AOD
con el nivel dos de AERONET AOD. Sin embargo, para la región del Himalaya,
largos plazos mensuales de datos de AERONET (2005 – 2010) no estuvieron
183
disponibles. La comparación de AERONET derivada de la AOD para uno de
los sitios (Hetauda, Nepal, 2009) durante Abril (promedio AOD = 0.54)
corresponde con el MODIS derivado de la AOD (0.58) para los meses y años
similares. (Vadrevu et al., 2012).
Han derivado un nuevo método para proporcionar una observación de la tierra
(EO) basado en el inventario de emisiones de biomasa incendiada, usando una
combinación de observaciones del poder radiativo del fuego FRP de incendios
activos (AF) geoestacionarios, y estimaciones de superficies incendiadas con
órbita polar. El enfoque es basado en la estimación del consumo de
combustible por unidad de área (FCA) para incendios que son considerados
que están bien observados por ambos datos de superficie incendiada (BA) e
incendio activo (AF), y la extrapolación de esos valores del incendio donde solo
los datos de la superficie incendiada (BA) están disponibles o cuando la
geoestacionariedad de los datos del poder radiativo del fuego son
considerados comprometidos (con pocas detecciones de incendios activos por
pixel). En este enfoque de estimación por incendio el consumo de combustible
elimina la necesidad de estimaciones a priori de combustible completo y
combustión exhaustiva, que son difícil de obtener sobre grandes superficies y
que son la principal fuente de incertidumbre en los actuales inventarios de
emisiones ascendentes.
Usaron el enfoque para ofrecer un nuevo consumo total de combustible (FCT)
diario estimado mapeando a través de África con la combinación de datos
geoestacionarios SEVIRI FRP y productos del área incendiada del MODIS
MCD45A1. Esta estimación es, en promedio, alrededor del doble de la que se
deriva previamente de la geoestacionariedad de los datos del FRP por sí solos
(ccdd) y un total de 1418 Tg para un año estudiado (feb 2004 – ene 2005).
Esto está mucho más cerca de las estimaciones proporcionadas por el
inventario de emisiones estándar ascendente de GFEDv3 de Van der Werf et
184
al. (2010) que es obtenido de los datos FRE. Sin embargo, a pesar de que
hemos logrado cerrar la brecha entre la estimación de consumo de combustible
basado en FRE y las proporcionadas por los tipos de modelo basados en el
método usado en GFEDv3, nuestro FCT estimado es todavía más bajo
alrededor de un tercio que el de GFEDv3. Con el fin de que coincidan los datos
de la superficie incendiada (BA) e incendio activo (AF) de un grupo de
incendios, nuestro enfoque depende de la detección precisa de las zonas
quemadas y hasta cierto punto de la correcta regulación temporal de los datos
MCD45A1 del día aproximado del incendio. Además, el requisito para un ajuste
temporal teóricamente podría eliminarse si un inventario mensual fuera
suficiente, ya que la incertidumbre en la aproximación del día de incendio es
por lo general unos pocos días. Sin embargo, debido a la densidad espacial
muy alta de la actividad del fuego en muchas áreas de África durante un
período de más de un día se hace imposible distinguir entre agrupaciones
individuales de incendios en los datos de incendios activos (AF) SEVIRI.
Operando en una cuadricula de resolución gruesa es poco práctico, ya que
elimina la capacidad de dar cuenta de las áreas quemadas de un grupo de
incendios que no hacen juego con los datos de incendios activos SEVIRI. Es
difícil validar directamente el consumo de combustible por unidad de área
derivada de las estimaciones, ya que las medidas de campo de este parámetro
son solo típicamente disponibles en incendios que son demasiado pequeños
para ser detectados por SEVIRI. La frecuencia de distribución de la superficie
incendiada FRE derivada de estimaciones que indican sobre el consumo de
combustible por unidad de área, que son más bajos que los encontrados en
GFEDv3. Por el contrario, la mediana estimada del consumo de combustible
por unidad de área está relativamente cerca de las que se encuentran en la
literatura y muestra un comportamiento temporal que sugiere vínculos con la
fenología de la vegetación (figura 21). Además, el uso de observaciones
geoestacionarias de FRP ofrece la ventaja potencial de que las emisiones
diarias estimadas pueden ser distribuidas con más precisión durante el ciclo
185
diurno, si es necesario para ligarse a modelos de transporte atmosférico. Los
futuros trabajos deberán incluir además la validación del método, incluida la
confirmación del factor de conversión de energía radiante (β) usado en la
ecuación (2), que hasta ahora sólo ha sido realmente validado en los pequeños
incendios (Wooster et al., 2005). (Roberts et al., 2011).
El estudio de caracterización global de los modelos de la quema de biomasa
utilizando mediciones de energía radiativa del incendio ha proporcionado una
evaluación a nivel mundial y regional de patrones de la actividad de incendios y
su potencia de una manera cuantitativa usando satélites con mediciones del
poder radiativo del fuego (FRP), adquirido por el sensor MODIS a bordo de los
satélites Terra y Aqua. Se ha demostrado que los incendios se producen en las
zonas con más vegetación del mundo afectando los diferentes tipos de
ecosistemas terrestres en varios grados. Aunque los valores del poder radiativo
del fuego de pixeles individuales de incendios medidos por el sensor MODIS
en el nadir con una resolución espacial de 1 km han sido encontrados en
rangos menores a 1 MW y a más de 1800 MW, la media mundial del FRP en
cada paso del satélite se encuentra principalmente entre 20 y 40 MW por km2,
quedando fuera de este rango en casos limitados, pero casi nunca superior a
80 MW. No hay diferencias significativas en la media mundial del FRP en las
cuatro diferentes horas locales del día en que pasa en sensor MODIS
(aproximadamente 1:30 am, 10:30 am, 1:30 pm en el Ecuador). Sin embargo,
parece que hay un ciclo estacional leve en la media mundial del FRP, con una
mínima ocurrencia alrededor de marzo y abril, aunque la máxima siempre se
encuentra en el mes de julio. Por otra parte, el número total mundial de pixeles
con incendios son significativamente diferentes entre las cuatro horas del día,
con un reconteo mínimo en las observaciones de la 1:30 am. Aunque el
máximo reconteo corresponde a las observaciones de la 1:30 pm.
186
Figura 104. Ciclo anual multiaño de la media mensual del flujo de FRP (en W/m2) basado en mediciones
Aqua - MODIS del sobrepaso durante el día, que se da cerca de la 1:30 pm alrededor del Ecuador, y corresponde aproximadamente al tiempo del pico de biomasa incendiada al día en muchas regiones. Note que la larga escala es usada en el eje vertical para acomodar.
Una evaluación de la media de la FRP para regiones incendiadas, con
diferencias en los tipos de ecosistemas dominantes, revela diferencias
significativas en los ciclos regionales diurnos. En la mayor parte de África, los
valores medios del FRP en los cuatro sobrepasos en cualquier incendio de la
región no difieren mucho, aunque ellos difieren significativamente entre
incendios de las regiones. La variación diurna no solo es sutil en la superficie
187
de Moscú Rusia, el Medio Oriente y Escandinava por incendios regionales, en
varias partes de Asia, así como Argentina, México, y zonas orientales y
centrales de US. Hay parámetros diurnos significativos con picos
predominantes en los sobrepasos de la tarde (1:30 pm) muestra que los
incendios exhiben ciclos estacionales en prácticamente todas las partes del
mundo, aunque los picos de incendios mensual varían de una región a otra.
Por ejemplo, el mes pico de incendios en el norte de África y en el Ecuador es
alrededor de Diciembre, mientras que en varias secciones de Sur África es de
Julio a Octubre. Entre todos los incendios regionales el mayor pico mensual
medio del flujo FRP está por el orden de 0,05 W/m2, que usualmente ocurre
en el incendio pico mensual de todo el año, aunque en los meses de baja
temporada de incendios, decrece como por 3 órdenes de magnitud,
dependiendo de los incendios en la región. Los incendios en las regiones de
Indochina y África, especialmente, Zambia, El Congo, el centro y oriente de
África, retrata los más altos picos, así como las mayores oscilaciones para la
temporada alta a los periodos fuera de temporada. Mientras que otras
regiones tienen picos que van desde menos del 50% hasta menos del 1% de
los valores pico de una de las regiones arriba mencionadas. En este sentido,
dado que la FRP es directamente proporcional a la tasa de consumo de
biomasa (Wooster et al., 2005), estos valores de flujo FRP reflejan el grado de
impacto estacional de la biomasa incendiada en los ecosistemas de varias
regiones, basados en los regímenes de ocurrencia de incendios.
La categorización de los incendios con base a sus valores de FRP registrado
por el sensor MODIS ha permitido el establecimiento de un régimen para un
grado del fuego simplificado en una escala del 1 al 5, similar a las
convenciones utilizadas para otro tipo de desastres. En efecto, la teledetección
es el único medio practico para medir un amplio rango de incendios fuertes al
aire libre en incendios de biomasa a nivel mundial, y representa una
herramienta indispensable para controlar los incendios de manera segura y
188
para proporcionar información ocasional y la categoría en tiempo casi real, de
fácil comprensión universal de la fuerza del fuego, con un potencial para
facilitar el despliegue de los equipos de extinción de incendios y la gestión
global de los incendios y de las poblaciones afectadas o amenazadas. La
categorización del fuego realizado en este estudio revela que, con muy pocas
excepciones, más del 90% de todos los incendios detectados en la mayoría de
las regiones se dividen en las categorías 1, menos del 21% en la categoría 2,
menos del 1% en 3, y menos del 0.5% en cada uno de las categorías 4 y 5. El
tipo de ecosistema por sí solo no es suficiente para explicar la frecuencia de
ocurrencia de los incendios más grandes, que parece ser específico de la
región de tal manera que la actividad del pico del fuego del día (1:30 pm)
categorías 3 al 5 los incendios son cada uno un orden de magnitud menos
frecuente en la sabana del África occidental que equivale a categorías en la
sabana Brasileña. Cuya frecuencia de aparición no está demasiado por debajo
de las del ecosistema forestal brasileño. No existe una ocurrencia notable en
la frecuencia de ocurrencia de grandes incendios en el record de mediciones
del 2002 al 2006 hasta el momento por el sensor MODIS. (Ichoku et al., 2008)
En la estimación del gas traza y las emisiones de aerosol en América del Sur,
la relación entre la energía del fuego radiativo liberada y las observaciones de
profundidad óptica del aerosol en 2000-2008 los productos de fuegos de GOES
y MODIS muestran una notable relación con las mediciones mensuales de
FRP. Aunque el GOES FRP sobrestima al MODIS FRP por tres veces, los
coeficientes de emisión del nuevo GOES FRE aerosoles a base de humo
podría reducir las diferencias de medición del sensor de la FRP, mediante la
introducción de una variable externa como un factor de corrección para la
estimación de las emisiones procedentes de los satélites. El MODIS y GOES
FRE basados en coeficientes de emisión de humo en aerosol, derivada de la
relación entre la tasa de emisión de humos de aerosol y la tasa de la FRE
liberada, muestra una buena correlación con los datos de campo de las
campañas LBA SMOCC / RaCCI con un PM2.5µm donde sobrestima CO y
subestima aproximadamente 20% y 10% respectivamente, pero todavía
comparable con las incertidumbres en los métodos tradicionales de emisiones.
La presente técnica es una mejora sustancial para la estimación de las
189
emisiones de gas de traza y de aerosol, principalmente para aplicaciones en
tiempo real desde la biomasa aérea, área de quema, las condiciones de
humedad, el factor de combustión y la eficiencia de la quema, necesarios para
los métodos tradicionales, son imposibles de obtener en tiempo casi real de las
aplicaciones. Sin embargo, la FRE basada en coeficientes de emisión de humo
en aerosol es prometedora para el desarrollo de la precisión y nuevos
coeficientes para las áreas pequeñas se podrían derivar para América del Sur,
minimizando, por consiguiente, la variabilidad de los coeficientes regionales
que cubren distintos biomas. (Pereira et al., 2009)
Al Abordar el diseño de muestreo espacio temporal de MODIS para
proporcionar estimaciones de la energía de fuego radiante emitida desde África
el trabajo se centró en los derivados de la FRE del MODIS. Aquí introdujeron
un nuevo método por el cual se superpone el diseño de muestreo espacio
temporal de un satélite de órbita polar sobre una serie temporal de imágenes
geoestacionarias. Aunque la cobertura de esta metodología puede ser
ampliada para incluir los incendios activos detectados a través de Norte,
Centro y Sur América por el Satélite Geoestacionario Operacional Ambiental
(GOES), los intervalos de 3 horas entre el GOES escaneos completos de
disco no puede capturar eventos de fuego que tienen vidas más cortas que
esta resolución temporal. Por otra parte, el programa de escaneo de disco
completo del GOES Este (1445, 1745, y 2045 UTC) y GOES Oeste (1500,
1800 y 2100 UTC), puede no sincronizar bien con el horario del sobrepaso del
MODIS y por lo tanto limitar la oportunidad de recoger las observaciones
simultáneas. Por lo tanto, las relaciones entre la FRE y la FRP medida por el
GOES pueden ser menos fiables y no siempre se traduce bien a las
observaciones del MODIS. En su lugar, sería más apropiado para superponer
el patrón franja MODIS en los distintos sectores de exploración GOES en una
mejor resolución temporal (por ejemplo, 30 minutos para los EE.UU.
continental, los EE.UU. Pacífico, y los hemisferios norte y sur).
Un mapa estático que abarca África a 0.5° de resolución de celda de la
cuadrícula identificado como ω0.5°SEVIRI se construyó para relacionar la FRE
190
medida por SEVIRI a la máxima resolución temporal a la suma de la FRP
medida por SEVIRI sólo en los momentos de sobrepasos del MODIS. Una
aplicación directa de este mapa con el producto de fuego MODIS CMG,
asume que el perfil normalizado diurno medido por MODIS sería idéntico al
medido por SEVIRI.
La metodología de Vermote et al. (2009) asume que MODIS y SEVIRI mediría
la misma función normalizada de densidad de probabilidad de la FRP. Durante
el desarrollo virtual del producto de un fuego activo, sin embargo, Freeborn et
al. (2009) confirman la conclusión del Giglio (2007) y demuestra que SEVIRI
mediría un ciclo diurno más estrecho ya que es menos sensible que el MODIS
en incendios más pequeños y fríos que existen predominantemente temprano
en la mañana y tarde en la noche. No obstante, sin la posibilidad de comparar
directamente los ciclos diurnos de la FRP medidos por cada sensor, asumen la
ecuación que se muestra en la figura 42 para ser validada.
Multiplicando ω0.5°SEVIRI por la suma del MODIS Terra y de Aqua FRP en los
productos contra incendios CMG proporciona predicciones de la FRE a través
de África a 0.5° de resolución de celda de la cuadrícula y ocho días resolución
temporal. Como el desarrollo de ω0.5°SEVIRI está fuertemente influenciado por
las medidas tomadas durante el apogeo de la temporada de incendios, este
mapa es el más adecuado para predecir la FRE en el hemisferio norte entre
Noviembre y febrero y para predecir la FRE en el hemisferio sur entre los
meses de Junio y Septiembre. La confianza en la predicción de la FRE usando
este mapa disminuirá a medida que disminuye la actividad del fuego. Como
ω0.5°SEVIRI se basa en el mapa de clases GLC2000, el promedio entre la FRE y
la suma de la FRP en una celda de cuadrícula seguirá siendo válida a menos
que haya un cambio significativo en el tipo de cobertura del suelo y sólo si
existe una diferencia significativa entre ωGLC2000SEVIRI para las viejas y nuevas
clases de cubierta terrestre. Ocho días de estimaciones de la FRE de MODIS
agregados a nivel nacional acordado dentro del 5% de las estimaciones
191
obtenidas mediante la aplicación de la metodología de Vermote et al. (2009).
Permite confirmar el acercamiento de Vermote et al. (2009) en esta escala
espacio-temporal sobre África. Si el aproximamiento se aplica a las imágenes
del GOES, entonces la metodología de Vermote et al. (2009) podrían ser
evaluadas en el hemisferio occidental.
Las estimaciones mensuales de la FRE MODIS en la escala continental, se
mantuvo 30% menos que las estimaciones obtenidas mediante el ajuste de las
medidas de SEVIRI de la FRE para tener en cuenta bajo sesgos de resolución
espacial de detección. La examinación del escaneo de la geometría del
MODIS sugiere que esta subestimación se atribuye al acoplamiento entre el
efecto de “bow – tie” y el cálculo típico utilizado para recuperar la suma de la
FRP a partir de los productos de fuego MODIS CMG. Esta subestimación se
contabilizo por el desarrollo de un par riguroso y una simplificación de factores
de ajuste del “bow tie”. El factor de ajuste riguroso requiere un conocimiento
específico del ángulo de exploración en el que se detecta un píxel con fuego y
funciona bien para las colecciones de píxeles de fuego a 0.5° de resolución
espacial y resolución temporal mensual. Si las estimaciones del MODIS FRE
se desean en esta resolución espacio temporal, entonces el grillado del MODIS
Global Mensual del Producto de Ubicación de fuego (MCD14ML), es tal vez la
solución más apropiada ya que la muestra en la que se detecta un píxel con
fuego se conserva. Cuando la información relativa al ángulo de exploración
está ausente, como es el caso de los productos de fuego MODIS Colección 5
CMG, un factor de ajuste simplificado todavía puede confiadamente aplicarse
sobre colecciones de píxeles de fuego reticulares si la suma de la FRP en 0.5°
de la cuadrícula de celdas se agrega en diferentes países.
El tratamiento combinado del efecto “bow tie” del MODIS, y el proceso de los
productos de fuego MODIS CMG entregan una estimación de la FRE del
MODIS que es 44% más alta que la predicha. Así, las estimaciones de FRE
derivados de MODIS en este trabajo corroboran las estimaciones de la FRE en
192
el producto de fuego virtual de Freeborn et al. (2009). Sin embargo, incluso un
aumento del 44% en la estimación de la FRE del MODIS no explica
completamente la discrepancia entre las estimaciones del consumo de
combustible basado en la caracterización de fuegos activos de MODIS y el
enfoque de la Base de Datos Mundial de Emisiones de Incendios, GFED (van
der Werf et al., 2006), como se describe por Ellicott et al. (2009). Para cerrar la
brecha entre las estimaciones del consumo de combustible, sugieren que se
concentren los trabajos futuros sobre la escalabilidad de la relación empírica
entre la FRE y el consumo de combustible (por ejemplo, Wooster et al, 2005;
Freeborn et al, 2008), así como la energía emitida por los más pequeños y/o
menos intensos incendios que sin duda no son detectados por MODIS.
(Freeborn et al., 2011)
Jessica L. McCarty y otros, en la investigación sobre emisiones de carbono
negro para varios años procedentes de la quema de tierras de cultivo en la
Federación Rusa concluyen que; Los resultados de este análisis mostraron que
el promedio anual de las emisiones de Carbono Negro (BC) pueden variar
desde 2.49 Gg hasta 22.2 Gg con una mediana anual estimada de 8.90 Gg. En
general, la mayor emisión de Carbono Negro de las quemas de tierras
cultivadas fue detectada durante la primavera en la Rusia Europea y el
occidente de Siberia, cuando el Carbono Negro se sabe que contribuye al
Haze Ártico (fenómeno atmosférico de visibilidad color marrón rojizo). (McCarty
et al., 2012)
Del estudio de características de incendios derivados de MODIS y variaciones
ópticas profundas del aerosol durante la temporada de quema de residuos
agrícolas, al norte de India concluyen que incendios MODIS, así como
conjuntos de datos de aerosol fueron muy útiles en la caracterización de los
residuos agrícolas, los incendios y la AOD. Los resultados soportan el uso de
MODIS basado en la FRE, método para cuantificar la fuerza de incendios y en
193
relación a la misma fecha de residuos quemados del sistema agrícola arroz
trigo. En la región Indo Ganges, aunque las variaciones de AOD coincidió con
la temporada de quema de residuos de arroz durante el invierno, la señal de
AOD durante el verano en la estación de quemas de trigo fue mezclado y no
puede ser enteramente atribuido a los incendios. Hacemos un llamado para
una evaluación integrada de las emisiones de gases de efecto invernadero y
aerosoles para entender completamente el comportamiento de los
contaminantes en la región. (Vadrevu et al., 2011)
Edward J. Hyer y otros, concluyen de la investigación sobre patrones de la
actividad sobre incendios en Indonesia y Malasia a partir de observaciones de
satélites geoestacionarios que los datos de WF_ABBA v6.5 a partir del MTSAT
son un producto nuevo para incendios que cubre Asia Oriental y Australia. Una
comparación de estos datos con los datos de MODIS MOD14 para el
continente marítimo alrededor de Indonesia muestra que los datos sobre
incendios MTSAT WF_ABBA tienen patrones espaciales a gran escala y
temporales similares a los del MODIS MOD14. Cuando se agregan a las
resoluciones espaciales de 5º y/o resolución temporal de 16 días, los patrones
espacio temporales de la actividad de los incendios de diferentes sensores
muestran una correlación fuerte, pero las correlaciones son bajas en
resoluciones espaciales y temporales necesarios para; aplicaciones para
previsión de la calidad del aire. La sensibilidad del producto MTSAT de 4 km
(en el punto sub satélite) es menor que el producto MODIS de 1 km (en el
nadir), pero el producto MTSAT tiene más detecciones en general, debido a
que incluye un máximo de 56 exploraciones cada 24 h.
Los datos de incendios activos MTSAT WF_ABBA muestran diferencias
consistentes de incendios activos MODIS. Las diferencias más importantes
son: 1) MTSAT tiene una menor eficiencia en la detección en general, 2) los
incendios MTSAT están más concentrados en las zonas clasificadas como
194
bosque en el mapa CRISP, y 3) los incendios MTSAT tienen pixeles
consistentemente más altos valores recuperados de FRP. Todas estas
diferencias resultaron ser consistentes con las expectativas basadas en la
resolución espacial de los sensores. Pixeles MODIS varían en tamaño a través
de la franja de 1 km2 en el nadir a más de 9 km2 en el extremo; los pixeles
MTSAT varían en tamaño desde aproximadamente 16 km2 cerca del punto sub
satelital a más del doble de esa cantidad en el borde occidental del área de
estudio.
Varios factores podrían ser la causa de que MTSAT tenga una mayor fracción
relativa de detecciones en las zonas boscosas; el error en la ubicación de
incendios en cobertura del suelo heterogéneo, menos sensibilidad a los
incendios menos intensos característica de combustibles no forestales, y más
paisajes fríos en las zonas boscosas podrían hacer toda la detección de sesgo
en favor de las zonas boscosas. Estos factores no pueden ser separados
individualmente y probados con los datos disponibles para este estudio.
Los valores recuperados FRP por pixel de MTSAT mostraron patrones
espaciales cualitativamente similares a los de MODIS, pero los valores MTSAT
FRP fueron sistemáticamente mayores en todos los lugares. Esto
probablemente esté relacionado con la sensibilidad en detección de incendios,
como el mínimo recuperado de pixel FRP que se eleva directamente con el
tamaño de pixel, como se demostró tanto con MODIS y con los datos MTSAT.
La mediana de pixel FRP, así como el percentil 90, fueron vistos también que
aumentan de forma lineal suave con el tamaño de píxel. Esto no se puede
explicar fácilmente como un efecto de sensibilidad, pero puede ser una
propiedad de las características en las escalas de las líneas de fuego activo y
grupos presentes en la región, o puede reflejar simplemente una distribución
de tamaños de incendios fuertemente concentrados en (y por debajo) del límite
de detección de los sensores. Las estimaciones preliminares de ciclos diurnos
195
calculados a partir de WF_ABBA muestran que MODIS capturará una fracción
variable de actividad incendiaria dependiendo de la región y el tipo de
cobertura terrestre.
Por ejemplo, el MTSAT detecta pérdida de fuego que se espera en Malasia
Sarawak y es asociado con la conversión del uso del suelo para la plantación
(Miettinen et al., 2011a), pero no es identificado en los datos MOD14 (Reid et
al., 2011). Una fracción importante de esta quema se produce en la tarde,
después del paso elevado Aqua, y es además subestimado por MODIS. Estos
sesgos en la detección MODIS podrían ser tenidos en cuenta y corregidos,
pero deben hacerse mejoras a los ciclos diurnos mostrados aquí para lograr
esto. El MTSAT WF_ABBA muestra un número de características que exigen
investigación adicional. Los más importantes de estos son:
Concentración en detecciones de incendios activos por MTSAT-2, cerca de
la costa de Sulawesi.
Quema continua en incendios de día y de noche en la montaña abierta,
categoría del mapa CRISP (observada en datos WF_ABBA y MOD14), lo
que puede reflejar anomalías termales volcánicas sin filtrar el lugar de
incendios; disminución de detección de incendios cerca del mediodía LST.
Estos son observados en toda la región, y también se observan en el ciclo
diurno para el sur de Borneo estimado a partir de las detecciones de
incendios TRMM por Giglio (2007), pero puede reflejar detección restrictiva
de condiciones por WF_ABBA que no se marcan en el producto actual.
El producto MTSAT WF_ABBA contra incendios se muestra prometedor para
aplicaciones que requieren estimaciones en tiempo real de la actividad de
fuego en el Sudeste de Asia. Se necesitan más investigaciones para describir
196
mejor las propiedades de detección de este sensor en comparación con las
observaciones de alta resolución (30 metros o más).
Un mayor desarrollo del producto MTSAT WF_ABBA se ve obstaculizado por
el pre procesamiento aplicado a los datos MTSAT, que tienen efectos
potencialmente significativos y no caracterizados en los resplandores
utilizados como entrada para WF_ABBA. Sin más información acerca de los
datos de pre procesamiento, los desarrolladores WF_ABBA enfrentan un reto
más: la identificación y solución de problemas con la recuperación de fuego.
La creación de un producto multisensor verdaderamente cuantitativo para
detección de incendios utilizando datos geoestacionarios y datos satelitales
de órbita polar requiere dilucidar las influencias rivales del tamaño de píxel,
ciclo diurno de incendios, y el error de ubicación. Este reto debe ser dirigido a
obtener las estimaciones más exactas posibles de los patrones espaciales,
temporales y de cobertura terrestre en la quema de biomasa en el sudeste de
Asia. (Hyer et al., 2013)
Louis Giglio y otros en la investigación sobre detección activa de incendios y
caracterización con el Radiómetro de Reflexión y Emisión Termal Espacial
(ASTER) concluyen que el algoritmo de detección de incendios automático
para el sensor ASTER, capaz de mapear incendios activos a 30 m de
resolución espacial. Para las escenas de día, donde el enfoque utiliza la banda
de 8 (2.33 μm) y la banda 3N (0.82 μm) en imágenes de reflectancia. Lo
anterior es sensible a la radiación del cuerpo negro emitida por los incendios,
mientras que el último no es sensible a tal radiación, sino que ofrece una
reflexión altamente correlacionada por encima de lo normal (sin fuego)
componentes de escenas terrestres. Para escenas nocturnas es aplicado un
umbral radiativo de 2.33 micras. es aplicado.
197
Con base en un análisis estadístico de 100 escenas ASTER, se estableció
tasas de error en omisión y comisión para nueve regiones diferentes. En la
mayoría de las regiones, la probabilidad de detección varió entre 0.8 y 0.9, con
una probabilidad algo menor en México (Pd = 0.71). Una inusual probabilidad
de baja detección (Pd = 0.45) se encontró en la India, probablemente debido a
que los incendios en las escenas indias eran demasiado pequeñas para una
detección fiable, resultado que concuerda con el hecho de que los incendios
pequeños de residuos agrícolas son abundantes en esta región. Las
probabilidades de falsa alarma variaron entre 9 x 10-8 (India) y 2 x 10-5 (EE.UU.
/ Canadá). En la mayoría de las regiones, la mayoría de los píxeles contra
incendios falsos estaban ligados a grupos de pixeles de incendios verdaderos,
lo que sugiere que los píxeles de fuego más falsos se producen a lo largo de
los límites de incendios ambiguos.
Con respecto a la caracterización de incendios, se formuló un método empírico
para estimar la potencia radiativa de fuego usando tres canales ASTER
infrarrojos térmicos. Una evaluación preliminar de este enfoque se hizo
utilizando cuatro incendios prescritos demostrando que los valores obtenidos
tuvieron una precisión de 20%, con la excepción de un incendio parcialmente
oscurecido por el hollín pesado.
A pesar de dificultades en la demarcación de límites precisos de frentes de
fuego de gran tamaño debido a la saturación inducida por pixel floración,
mapas de incendios derivados de ASTER son una herramienta importante para
la validación de los productos de Terra MODIS de incendios activos. El uso de
máscaras de incendios ASTER para la validación de otros sensores de
vigilancia de incendios también es posible siempre que el sensor reside en un
satélite que tiene al menos un paso superior ocasional coincidente (o casi
coincidente) con el satélite Terra. Los sensores que cumplen con este criterio
son la Misión de Medición de Lluvias Tropicales (TRMM) VIRS, el GOES, y el
Meteosat SEVIRI a bordo 8 y 9. La validación es quizás la aplicación más
198
importante de ASTER en el contexto de la vigilancia de incendios de la
cobertura espacial del sensor y la revisión de frecuencia limitan su utilidad en la
rutina de monitoreo de incendios. Otras aplicaciones incluyen estudios de la
estructura fina de los frentes de fuego, y la estructura espacial de las zonas
quemadas y la integridad de combustión asociada. (Giglio et al., 2008)
W. Xu y otros en la investigación sobre nuevos algoritmos GOES de
reproducción de imágenes para nubes, detección de fuegos activos y
evaluación de potencia radiativa del fuego en Norte, Centro y Sur América,
concluyen que; la evaluación basada en EO de la potencia radiativa del fuego a
partir de los incendios forestales es un método alternativo para la estimación
de emisiones (Freeborn et al, 2008; Wooster et al, 2005), como complemento
de los métodos tradicionales basados en área quemada, cuyos requisitos para
los datos sobre la integración del combustible pueden resultar problemáticos,
particularmente en los biomas forestales (Van der Werf et al., 2003, 2006).
La detección de incendios geoestacionaria y el algoritmo de caracterización de
fuego elaborado por Roberts y Wooster (2008) es utilizado actualmente para
generar el producto Meteosat operativo SEVIRI FRP en las instalaciones de
aplicaciones para análisis satelitales de la superficie terrestre EUMETSAT
(http://landsaf.meteo.pt/).
El producto SEVIRI abarca Europa, África y una pequeña parte de América del
Sur, y un equivalente de productos FRP que cubren el continente americano se
han desarrollado aquí con el fin de proporcionar una cobertura compatible del
resto del hemisferio occidental desde el GOES de occidente y el GOES de
oriente. El algoritmo utiliza un enfoque contextual con las mismas limitaciones
espaciales y espectrales como para el algoritmo de Meteosat, con una
restricción adicional temporal introducida para optimizar las condiciones de
observación que se encuentran en el continente americano y para hacer el
mejor uso de las características particulares del reproductor de imágenes
199
GOES. Es importante no descartar píxeles de incendios que ocurren sólo una
vez en un período de 12 horas, ya que esto podría representar un importante
número de píxeles de incendio verdaderos pero de corta duración e
indetectables (Schroeder et al., 2008b).
Un nuevo procedimiento de enmascaramiento de nubes para GOES, es decir:
Satélite de Operación Geoestacionaria del ambiente, optimizado y validado
para la aplicación de fuego activo, también se ha desarrollado y probado como
parte de la cadena algorítmica. Puesto que parece poco probable que los
incendios queman con más frecuencia o con algo de fuerza, bajo las nubes
que en cielos bajos y despejados (desde la entrada de radiación solar y por lo
tanto los controladores meteorológicos de fuego se esperaría que fueran más
óptimos en condiciones de cielo despejado) las medidas ajustadas en la nube
de FRP proporcionan una estimación razonable de los potenciales máximos de
FRP (por ejemplo, los incendios son igualmente probables bajo las nubes
como bajo cielo despejado), mientras que la FRP observada proporciona el
mínimo (ejemplo, suponiendo que no hay fuegos ardiendo bajo la nubes).
El rendimiento de la nube y el esquema de detección de incendios desarrollado
aquí se ha evaluado frente a la bien caracterizada nube MODIS y productos
contra incendios (Ackerman et al, 1998; Giglio et al, 2003; Platnick et al, 2003.).
Con respecto a las nubes, un error de comisión de casi cero refleja la rareza de
falsas detecciones de nube GOES, mientras que el error de omisión de 28%
refleja el hecho de que un número de píxeles nube MODIS espacialmente
contiguos a menudo necesitan estar presentes antes de la mucho más gruesa
resolución espacial GOES. Los datos de forma fiable pueden confirmar el área
como las nubes afectadas.
El rendimiento en la detección de incendios del GOES también parece
bastante robusto en comparación con MODIS, con un error de comisión de
alrededor del 6%. Por supuesto, MODIS no es una medida perfecta de la
200
actividad incendiaria, pero Schroeder et al. (2008b) indica que en la mayor
parte de nuestra área de estudio, cuando sólo el 10% de un píxel MODIS es
cubierto por 30 m de pixeles detectados, y al mismo tiempo que contengan el
fuego por ASTER, la probabilidad de MODIS de un error de omisión en cuanto
a la detección de incendios se redujo a menos de 10%. Así MODIS parece
ofrecer un desempeño relativamente fuerte con respecto a la detección de
incendios, y el error de comisión relativamente pequeño, que se encuentra
entre el GOES y MODIS indica que el incumplimiento, la falla del GOES para
detectar poco más de una cuarta parte de los aparentemente pixeles de nube
contaminados, que afortunadamente no se traducen en un gran número de
incendios falsa alarma (principalmente porque las nubes no detectadas son
típicamente de poco tamaño y baja reflectividad, y por lo tanto es relativamente
poco probable que se confundan con incendios).
Como se esperaba del modelado radiométrico simple, el GOES falla en
detectar la mayoría de los incendios que tienen un FRP menor que 30 MW.
Para los píxeles de fuego que tienen FRP > 30 MW, el error de GOES en
omisión con respecto a MODIS es menos del 10%, indicando de nuevo
rendimiento de algoritmo fuerte. Una pregunta que surge es qué la proporción
del verdadero FRP MODIS realmente se detecta. En la actualidad no hay una
respuesta clara, ya que no tenemos mayor resolución espacial, sensores
aerotransportados de optimización para fuego capaces de ofrecer algo
parecido a una verdadera no sesgada medida de FRP para un área, como era
temporalmente el caso en el satélite operado con Detección Infrarroja
Biespectral (BIRD) (Zhukov et al., 2006). Sin embargo, los datos anteriores de
BIRD indican que la inmensa mayoría (98%) del total de la FRP medido por el
sensor que se produjo a partir de mayores incendios FRP capaces de ser
detectados por MODIS, aunque BIRD tendía a ser oportunamente dirigido a
eventos de fuego más prolongados. Cuando un incendio (compuesto de uno o
más píxeles de fuego) se detecta con éxito por GOES y MODIS, el sesgo
201
observado en FRP producido a partir de los algoritmos presentados aquí es
más bien pequeño en un promedio de 13 a 16%. El algoritmo de quema de
biomasa avanzada (ABBA) producto contraincendios de Prins et al. (1998) ha
sido durante mucho tiempo disponible a partir del GOES, y el algoritmo
utilizado para obtener ese producto está actualmente en fase de refinamiento,
ajuste y verificación (Schmidt y Prins, com pers.). Esperamos que en el futuro
podamos incluir una comparación directa entre este algoritmo GOES ABBA
mejorado y el enfoque que aquí se presenta.
Los resultados a partir de GOES confirman la presencia de fuertes fuegos
diurnos en el Norte y particularmente Sudamérica, con la actividad de fuego
pico cerca del mediodía solar. Las medidas de FRE obtenidas a través de la
integración temporal del GOES derivados de observaciones de FRP confirman
que millones de cientos de toneladas de biomasa se quemaron en América, en
Julio y Agosto de 2007, la mayoría en América del Sur. Una correlación lineal
fuerte se encontró entre estas estimaciones derivadas de FRP, y las de la base
de datos de las emisiones de fuego GFEDv2 (van derWerf et al., 2006), lo que
confirma que los datos del GOES FRP pueden ser adecuados para uso como
un término en la fuente de emisiones en planes de previsión y monitoreo
atmosférico regional.
Reproductores de imágenes que volaron a bordo de la tercera generación de
satélites geoestacionarios de formación de imágenes tendrán un área térmica
mejorada por píxel de canal de 4 km2 en el SSP, que indica que el pixel FRP
mínimo requerido para la detección exitosa será alrededor de la mitad de lo
que se encuentra aquí. Adicionalmente, con el reproductor de imágenes
GOES-R ABI, las capacidades del algoritmo de detección de incendios GOES
probablemente se puedan mejorar aún más mediante el uso de los datos del
número mucho mayor de bandas espectrales (Schmit et al., 2005). De la
combinación de estos dos factores se puede esperar un incremento
significativo en el rendimiento del producto contra incendios con el lanzamiento
202
de misiones futuras. Por ahora, harán todo lo posible para hacer las
estimaciones de FRP de los algoritmos GOES presentados, disponibles en
tiempo real en los enlaces http://wildfire.geog.kcl.ac.uk/. (Xu et al., 2010)
Stefania Amici y otros en el análisis espectral de multiresolución en emisiones
de potasio para incendios forestales utilizando laboratorios y teledetección
aérea y espacial concluyen que, han estudiado la firma de emisión térmica a
partir de incendios en vegetación desde el VIS hasta el rango espectral SWIR,
en particular centrándose en las líneas de emisión que presentan
características espectrales únicas cuando los oligoelementos dentro de la
quema de combustible son ionizados durante el proceso de combustión.
Debido a su baja energía de ionización y el relativo alto porcentaje en peso,
potasio (K) presenta la firma espectral de elementos traza más fácil de
detectar, aunque una débil firma de emisión de sodio (Na) también es
detectable (figura 105).
203
Figura 105. Imágenes de incendios 3 HYPER-SIM.GA. (a) Composición color verdadero (R = 621 nm, G =
569 nm, B = 511 nm). Destacando la localización de llama de fuego y la producción de humo abundante y (b) Perfil espectral de ubicación A (fuego flameante; relativamente libre de humo) y B (fuego cubierto de humo). Son indicadas la posición de longitud de onda de las características de emisión de potasio, sodio y la absorción de oxígeno.
Cuando se hacen mediciones de estas características, encuentran que la
finura de las medidas espectrales y su ubicación en términos de posición de
longitud de onda con respecto a las características espectrales de la línea K y
las líneas de absorción de la banda de oxígeno cercano A es crítica. Utilizando
el campo de espectrometría a escala de incendios en laboratorio, hemos
confirmado la ocurrencia de un doblete de emisión K (766.5 nm y 769.9 nm)
204
que emanan sólo desde las áreas de vegetación en llamas. Los datos del
reproductor de imágenes hiperespectrales de los incendios forestales a escala
de paisaje recopilados por un nuevo sistema de suspensión en el aire
(HYPER-SIM.GA) indican que esta firma es evidente incluso con presencia de
humo espeso que al parecer opaca por completo el fuego desde la vista en el
resto de la región del espectro visible. Sin embargo, no han sido capaces de
resolver por completo las líneas individuales K, incluso en el intervalo relativo
de muestreo espectral de 1.2 – 1.5 nm de los instrumentos utilizados, y sigue
existiendo un cierto impacto en la magnitud de la señal medida en la emisión k
de la cercana característica de absorción O2. Los resultados de los incendios a
escala de laboratorio llevan a coincidir con Vodacek et al. (2002), que la
emisión K parece ser una característica única de la combustión con llama,
permitiendo potencialmente la discriminación separada de estas áreas de
aquellos en los que sólo la actividad de combustión lenta que está ocurriendo,
tanto de día como de noche y con un alcance limitado para falsas alarmas
debido a la naturaleza única de la banda estrecha en la firma lineal de
emisión. La teledetección línea K, puede ser una herramienta útil para la
detección de incendios activos que utilizan sensores VNIR, y cuando se
intenta cuantificar gas pirogénico y emisiones de aerosol, ya que los factores
de emisión varían sustancialmente entre las llamas y las humeantes etapas de
combustión (Andreae y Merlet, 2001).
Utilizaron un método de diferenciación en banda para cuantificar la magnitud
de la firma de emisión K por encima de la señal de radiación emisión de fuego
de Planck, y utilizando esta métrica AKBD demostraron que las primeras
relaciones cuantitativas entre fuerza de firma línea K y las medidas actuales
de teledetección de incendios y potencia en radiación del fuego, como
comúnmente se obtienen a partir de SWIR, MIR y/o observaciones de longitud
de onda LWIR. Llegan a la conclusión que en los desarrollos futuros y
potenciales de detección de incendios en el aire y los sensores de mapeo
205
deben investigar las posibilidades de funcionamiento en la región espectral
VIS-NIR en torno a la ubicación de las longitudes de onda de emisión de la
línea K, que en muchos casos sería una solución más barata en comparación
con los sensores de onda larga SWIR, MIR o las regiones espectrales LWIR a
partir de tecnología en detectores de silicio que ofrecen una buena
sensibilidad sin el requisito de enfriamiento complejo y caro. Además, mientras
existan generadores de imágenes espaciales hiperespectrales que funcionan
a resoluciones espaciales relativamente altas (es decir, EO-1 de Hyperion y
CHRIS Proba) que ofrecen una cobertura espacial bastante limitada por
escena, y una resolución temporal bastante limitada debido a sus estrechas
franjas de imágenes, matrices CCD de silicio enfocadas en ubicaciones de
longitud de onda alrededor de la región de la línea K sólo pueden permitir que
un sistema de centrado en observaciones de incendios activos proporcionen
una cobertura de área amplia y una resolución temporal relativamente buena
(Green et al, 2003;. Guanter et al, 2005; Vodacek et al, 2002), probablemente
sea importante debido a la naturaleza rápidamente cambiante y algo
impredecible del fuego (Giglio, 2007).
Estas mediciones de emisiones de K serían complementarias a cualquier
observación de onda larga SWIR, MIR o LWIR, ya que potencialmente
permitiría una fácil discriminación de las llamas en la zona de combustión
lenta, algo que en la actualidad se desea, pero no se ha logrado con la
teledetección de fuego activo (Zhukov et al., 2005). Sin embargo, nuestros
simulacros indican que la detección de firmas de emisión de línea K utilizando
generadores de imágenes hiperespectrales espaciales sigue siendo un reto,
con las resoluciones espaciales y espectrales, y la ubicación por banda de
ondas, aún no es idónea para la tarea. Aún así, con el uso del EO-1 Hyperion
para imágenes hiperespectrales (10.5 a 11.5 nm resolución espectral)
presentaron la primera identificación conocida aerotransportada de una firma
de emisión línea K de un incendio forestal activo, pero es detectable sólo en
206
ciertos casos en que los píxeles son altamente radiantes en el SWIR (es decir,
en las zonas más energéticas del fuego). Sin embargo, los resultados
proporcionan la primera prueba de detección en emisiones K desde el
espacio, y apuntan a la posible utilidad de esta firma como un complemento a
los métodos existentes para la detección remota y el análisis de la quema de
biomasa. (Amici et al., 2011)
M. J. Wooster, en la investigación del producto FRP de Detección de Fuegos
Activos Sentinel-3 SLSTR: desarrollo y rendimiento del algoritmo de
prelanzamiento utilizando los conjuntos de datos MODIS Y ASTER concluyen
que en la Evolución potencial del algoritmo el trabajo ha descrito las
capacidades relacionadas con incendios del Radiómetro de Temperatura en
Superficies de Mar y Tierra (SLSTR), un nuevo instrumento EO de doble vista
para ser operado desde el satélite Sentinel-3 a partir del 2013/14. El SLSTR se
basa en la herencia de la serie de instrumentos (A) ATSR (Coppo et al., 2010),
y ofrece una serie de características destinadas a observaciones cuantitativas
de incendios activos, incluyendo los canales de baja ganancia térmica para
evitar la saturación al máximo.
207
Figura 106. Escenas diurnas ΔT MIR – TIR de Sur América cubriendo Brasil, Perú y Bolivia tomadas por Terra
MODIS a las 14:55 UTC el 29 de Agosto de 2003. Superpuestos y confirmados al final los pixeles de fuego activo identificados usando el MOD14 (círculos verdes) y el SLSTR (en rojo) en la detección de fuego activo aplicando el algoritmo con los datos MODIS.
Figura 107. Escenas diurnas de MODIS y ASTER de Brasil tomadas a las 14:55 UTC del 29 de agosto de
2003, junto con las detecciones de incendios activos correspondientes. El área de la escena completa MODIS y la ubicación de la escena ASTER dentro de ella se muestra en la figura. 12. (a) muestra la sub escena MODIS ΔTMIR-TIR que coincide con el área de 75 km x 75 km de la banda 8 ASTER (2.33 um) escena que se muestra en (c). Esta área contiene muchos incendios activos, además del MODIS (a) y las imágenes ASTER (c), los píxeles de incendios activos aparecen con una señal alta (brillante). Las áreas comunes de incendios activos pueden ser claramente identificadas en los conjuntos de datos. (b) y (d) muestran las mismas imágenes de MODIS y ASTER, pero con las ubicaciones del ASTER, MOD14 y los algoritmos de detección de fuegos activos SLSTR superpuestos (sólo la detección central para un grupo determinado de pixeles de incendios activos se muestra para mayor claridad). Es evidente que, en general, en esta zona la mayor parte de las detecciones de incendios ASTER (cuadrados azules) están acompañados por una detección de incendios MODIS, pero más comúnmente con el algoritmo SLSTR (en rojo) que con el algoritmo MOD14 (círculos verdes).
208
Por la falta de imágenes reales SLSTR, el nuevo algoritmo SLSTR se ha
desarrollado y probado usando imágenes EOS MODIS. Han hecho una
primera evaluación del desempeño de los algoritmos en comparación con los
productos existentes para anomalías térmicas y de incendios MOD14 MODIS
(Giglio et al., 2003), y se utilizaron detecciones de fuegos a alta resolución
espacial a partir de ASTER, para proporcionar una evaluación independiente y
precisa. A través de nuestras áreas de estudio en África y América del Sur,
nos encontramos con que el algoritmo SLSTR aplicado a MODIS puede
detectar 36% más de píxeles verdaderos de fuego que lo que puede hacer el
algoritmo MOD14, aparentemente con sólo un pequeño aumento (< 2%).
Por supuesto, estas estadísticas sólo son válidas en la parte central de la
franja MODIS donde hemos sido capaces de utilizar ASTER para confirmar
incendios, y también son sólo para el tiempo de paso a desnivel de Terra
MODIS (aunque esto es de hecho bastante similar a la del SLSTR). El
aumento en la sensibilidad para los incendios verdaderos ofrecidos por el
algoritmo SLSTR en comparación con el algoritmo MOD14 está directamente
relacionado con los umbrales de detección por pixel de fuego. Una evaluación
de la ejecución del algoritmo, cuando se aplica a los datos reales SLSTR, se
debe esperar hasta el lanzamiento del Sentinel 3, cuando los umbrales
particulares y las pruebas, puedan ser ajustadas basándose en la experiencia
de imágenes reales SLSTR.
Una serie de desarrollos futuros para el algoritmo de fuego activo SLSTR se
están considerando activamente, incluyendo la discriminación de la actividad
térmica en los volcanes y puntos de acceso relacionados con los incendios
activos y para fuegos FRP mayores, la capacidad de proporcionar información
sobre el área de incendios activos por sub pixel utilizando una implementación
de la técnica biespectral (previamente aprobada en los productos BIRD contra
incendios activos (Dozier, 1981;.. Zhukov et al, 2006). Tal información se
considera útil, por ejemplo, en la parametrización de los modelos de elevación
209
de la pluma de humo en la quema de biomasa (Freitas et al., 2007). Además,
debido al creciente interés en el inventario, control y reducción de las
emisiones contaminantes a la atmósfera, una zona adicional de desarrollo
potencial se refiere a la identificación de los sitios de quema de gas natural de
petróleo y de las zonas de exploración de gas (Haus et al., 1998). El pequeño
tamaño y la alta temperatura de las erupciones los hace susceptibles de
detección usando procedimientos similares a los adoptados en la detección de
incendios activos, aunque en muchas erupciones son encontradas en alta
mar y su detección se basa en estas áreas quedando descubiertas por
cualquier procedimiento por tierra o agua. Esto pone unos requisitos más
estrictos para las pruebas de detección de reflejo solar, pero los intentos de
detección de gas de las erupciones probablemente serán posibles en la gran
mayoría de las escenas SLSTR.
Han experimentado con los datos de MODIS en zonas de gas quemado, y han
encontrado que una serie de pruebas tomadas a partir del algoritmo de
detección de incendios SLSTR, y suplido sobre el agua (que tiene una
reflectancia IR muy baja) con pruebas adicionales basadas en los canales de
SLSTR SWIR (S5 y S6) que son capaces de detectar con éxito muchos de los
objetos en cuestión. La figura 108 muestra un ejemplo de tal detección, y
consideraciones futuras serán dadas para ver si estas funcionalidades
adicionales deben ser incluidas en futuras versiones del algoritmo SLSTR, que
serán desarrolladas después del lanzamiento. Así mismo, esperan continuar
con el desarrollo de algoritmos y pruebas, y esperan con interés la posibilidad
de ampliar la decada mas el historial de MODIS sobre incendios activos con el
nuevo radiómetro para proyección de imágenes.
210
Figura 108. Sub escena diurna MODIS del golfo de México tomada por Aqua MODIS a las 18:55 UTC el dos
de Abril de 2005. Datos de MODIS ΔT MIR – TIR, banda 2 y banda 1 son asignadas a RGB respectivamente, en pixeles que contienen baja temperatura pero de alta quema de gas que aparecen con color marrón debido a sus alta MIR y la diferencia de la temperatura de brillo TIR. La tierra aparece verde y el agua azul-púrpura en esta versión. Estos lugares son visualmente identificables sólo ligeramente en la imagen original, pero son detectables mediante el experimental gas quemado SLSTR pruebas cuyas detecciones se superponen con cruces rojas (desplazamiento de un píxel en x u y) a la derecha. (Wooster et al., 2012)
De la investigación de Krishna Prasad Vadrevu y otros en el análisis satelital de
las relaciones de monóxido de carbono a partir de los bosques y la quema de
residuos agrícolas (2003-2011), se concluye que; una comprensión clara de las
fuentes de emisiones de CO es fundamental para hacer frente a las
incertidumbres en el presupuesto de CO y sus impactos atmosféricos.
Concentraciones de CO en general muestran mínimos durante la temporada
de lluvias y máximos durante temporadas secas. En las regiones oceánicas
remotas, los valores de CO que van desde 40 hasta 50 ppbv fueron reportados
(Edwards et al., 2006). En este caso, una señal clara y mejorada de CO fue
fuertemente correlacionada con los fuegos de 218 ppbv, para invierno /
temporada de verano (354 ppbv) en los incendios forestales de hoja perenne
del noreste de la India. Con el avance de la temporada de lluvias, las
concentraciones de CO disminuyeron considerablemente a 132 ppbv.
Este estudio confirma que la quema de biomasa es un factor principal dentro
de la mejora de las concentraciones de CO en las regiones propensas a
211
incendios según lo informado por investigadores anteriores. Por ejemplo,
Wotowa y Trainer (2000) y McKeen y col. (2002) reportaron que los grandes
incendios forestales durante el verano (1995) en el norte de Canadá
provocaron un 52 a 74% de la varianza en el nivel del suelo dentro de las
mediciones de monóxido de carbono (CO). Concentraciones de CO en la
superficie que alcanzaron unos 400 ppbv durante el mes pico de Marzo para
los bosques de hoja perenne del nororiente de la India, que están más cerca
de los incendios del Cerrado brasileño y los incendios forestales en el
nororiente de Estados Unidos, que los incendios forestales boreales (Forster et
al, 2001; Boian y Kirchhoff, 2004 ; DeBell et al, 2004; Liu et al, 2005; Tanimoto
et al, 2008).
Figura 109. a. Mensualidad y estacionalidad; b. Variaciones de la media superficial, concentración de CO
(ppbv) para diferentes meses y estaciones. Datos para nueve años han sido promediados y graficados para diferentes meses. Estacionalidad promedio para invierno incluido Enero, Febrero y Marzo; verano; Abril, Mayo, Junio; estación de lluvia; Julio, Agosto, Septiembre; Post monzón; Octubre, Noviembre y Diciembre.
212
Figura 110. Gráfico de serie de tiempo de MODIS conteo de incendios y MOPITT CO (ppbv) variaciones de
residuos de incendios (2003 – 2011) en la agricultura en Punjab.
La disminución de CO durante la temporada de lluvias se atribuye a los
radicales OH que limpian la atmósfera. Para los incendios agrícolas en
Punjab, a pesar de la concentración media alcanzada de CO de 194.83 ppbv
en Octubre es comparable y superior a la concentración de CO de 130 ppbv
reportada para de Agosto a Noviembre en América del Sur, África del Sur,
Indonesia, Malasia y Australia noroccidental (Edwards et al., 2006), la
correlación entre los recuentos de incendios y de CO fue muy débil en nuestro
caso. Sahai et al. (2010) a partir de mediciones basadas en tierra de CO,
reportaron los niveles ambientales de CO que alcanzaron 1350 a 1900 ppbv
durante la temporada de quema de residuos como el arroz (Octubre a
Noviembre) en el Punjab y también se notó que estas concentraciones fueron
213
mucho mayores que 410 a 610 ppbv, registradas durante la temporada de
quema de residuos de trigo (Marzo, Abril).
Las concentraciones de CO registradas en Sahai et al. (2010) parecen
demasiado altas en comparación con las recuperaciones de superficie
MOPITT CO. Adicionalmente, las concentraciones MOPITT CO para la misma
área de estudio fueron relativamente altas durante la temporada de quema de
residuos de trigo comparadas con la de la temporada de quema de arroz
(figuras 109 y 110). Se infiere que para resolver estas discrepancias se
necesitan más mediciones basadas en tierra y la comparación de promedios
zonales de MOPITT con las mediciones basadas en tierra en sitios limitados
que no pueden revelar el fenómeno sinóptico de la contaminación atmosférica.
Las emisiones de CO también pueden verse afectadas por la sensibilidad del
FRP y MOPITT debido al CO en la capa límite planetaria. Las altas
concentraciones de CO durante Diciembre se atribuyen a la persistencia del
CO después de que las mimas emisiones en sí han cesado a partir de los
incendios agrícolas (u otras fuentes) durante Octubre y Noviembre. Parecido
al nororiente de la India, los niveles de CO disminuyeron durante la estación
lluviosa. En relación con los conteos de fuego, la FRP parece ser un mejor
indicador de la señal de CO como se observa a partir de la intensidad de
correlación en los bosques de hoja perenne (figura 111b y d).
214
Figura 111. Los gráficos de dispersión muestran correlación CO de incendios en bosques al nororiente de
India. a. Conteos de incendios Terra contra CO (ppbv); b. Terra FRP (MW) contra CO (ppbv); c. Conteo de incendios Aqua contra CO (ppbv); d. Aqua FRP (MW) contra CO (ppbv).
Adicionalmente, las correlaciones más fuertes entre los conteos de incendios
MODIS, FRP a partir de Terra, y MOPITT CO en comparación con el Aqua
fueron los esperados así como MOPITT está en la misma plataforma Terra.
Sin embargo, encontraron fuertes correlaciones con Aqua que con Terra y de
Aqua y Terra combinados. Una causa probable de la fuerte correlación de
MOPITT CO con MODIS FRP a partir de Aqua podría ser debido a la hora de
sobrevuelo Aqua que está más cerca del ciclo máximo de fuego diurno. Esta
inferencia necesita una prueba a fondo. Además, la fuerte correlación también
puede ser debido al tiempo de residencia del CO que puede persistir en la
215
atmósfera desde dos semanas hasta dos meses. A partir de los incendios
forestales de América del Norte, Liu et al. (2005) señaló que MOPITT puede
detectar con certeza la pluma de CO cuando hay 30 conteos de incendio
AVHRR en una celda de cuadrícula 0.258 x 0.258. A pesar de todo, no se
pudo realizar el análisis en una celda de la cuadrícula base por red celular, la
mejora significativa en la señal de CO se observó incluso durante 20 o más
conteos de fuegos MODIS en los bosques de hoja perenne. Sin embargo, esta
mejora no se observó en el caso de los incendios agrícolas. También se
atribuyen las concentraciones de CO para ser impactadas por las intensidades
de incendios (FRP).
Por ejemplo, la media de FRP (MW) para los incendios agrícolas fue
considerablemente menor durante los meses de incendios pico (Octubre Terra
FRP = 17.89; Aqua FRP = 19.66; Noviembre Terra FRP = 17.97; Aqua FRP =
20.36; Abril Terra FRP = 24.63; Aqua FRP = 33.8; Mayo Terra FRP = 26.73;
Aqua FRP = 26.74) comparado con el FRP (MW) en los incendios forestales
perennes durante los meses pico de fuego (Marzo Terra FRP = 77.16; Aqua
FRP = 104.89; Abril Terra FRP = 50.18; Aqua FRP = 76.54 MW). Además, el
promedio anual de la media de FRP (combinado para Aqua y Terra) para los
incendios agrícolas también fue menor (22.32 MW) que el de los incendios
forestales de hoja perenne (47.35 MW).
La regresión segmentada que fue equipada con nueve años de datos FRP y
CO fue útil en la búsqueda del umbral de FRP impactando las concentraciones
de CO en los bosques de hoja perenne. El umbral de FRP identificado puede
ser un indicador importante de las diferentes fases de la combustión de
biomasa. Sin embargo, sin las mediciones basadas en tierra, es difícil atribuir
el umbral de FRP a tal fenómeno. También, el muestreo MODIS impactando la
FRP en diferentes regiones requiere una evaluación minuciosa (Freeborn et
al., 2011). En general, nuestros resultados sugieren la FRP como un mejor
indicador de señal CO que los conteos de fuego. Adicionalmente, la cantidad
216
de material combustible dispuesto para la combustión podría influenciar la
FRP y por lo tanto la fuerza de la señal CO. Por ejemplo, nuestra estimación
anterior de la conversión de los datos de producción agrícola para los residuos
de los cultivos en Punjab, sugirió cerca de 0,50 kg de materia seca m-2
disponible para la quema (Vadrevu et al., 2011).
Estos valores son muy bajos en comparación con el material combustible en
los bosques perennes del nororiente de la India, que van desde 3.64 hasta
4.76 kg de materia seca m-2 (Haripriya, 2003). Liu et al. (2005) infiere que las
detecciones bajas de MOPITT pueden ocurrir si las concentraciones de CO
permanecen en la capa límite planetaria (PBL) como en el caso de incendios
pequeños. Como los incendios agrícolas en Punjab eran pequeños debido al
tamaño pequeño del campo (<2 ha) (Vadrevu et al., 2011), hemos probado el
potencial de los datos CALIPSO para gobernar alturas de pluma de humo. En
particular, los datos de máscara vertical CALIPSO (VFM) incluyen capas de
aerosoles clasificados por tipos como el polvo del desierto, el humo de la
quema de biomasa, el polvo contaminado (polvo del desierto externamente
mixto y el humo de la quema de biomasa), aerosol continental contaminado
(polución urbana), aerosol continental limpio (aerosol de fondo), y aerosoles
marinos (sal marina) (Liu et al., 2005).
217
Figura 112. Información del aerosol subtipo y los datos VFM para algunos casos de muestra en el nororiente
de la India y el Punjab se muestran en la figura 112 a-d y en la figura 113. La imagen VFM en la figura 112 a y c muestra elevadas capas de aerosol (naranja) durante los períodos pico de la quema de biomasa (Marzo en el nororiente y Octubre en Punjab). La información del aerosol CALIPSO subtipo sugirió humo de la quema de biomasa dominando los aerosoles en el noreste (figura 112b), frente a Punjab (figura 112d). Los datos de CALIPSO también revelaron humo a partir de la quema de biomasa que alcanzó 5 kilómetros el 22 de Marzo de 2010, desde los incendios forestales perennes del nororiente de la India, frente a los incendios de residuos agrícolas en Punjab que estaban por debajo de 2 kilómetros el 4 de Octubre de 2010.
218
Figura 112 c-d.
Análisis de los datos de CALIPSO para fechas adicionales sugirieron una
tendencia similar (figura 113) con columnas de humo llegando a los 4.61
kilómetros en el nororiente comparadas con 2.2 km en Punjab. La captura de
contaminantes en altitudes bajas (por debajo de 1.5 km) a partir de los datos de
CALIPSO para la región Indo-Ganges es también reportada por Mishra y
Shibata (2012). Estos resultados sugieren claramente que las columnas de
humo de la quema de residuos agrícolas se sitúan debajo del PBL en
219
comparación con las columnas o pluma de humo de los incendios forestales de
hoja perenne.
Figura 113. Media de altitud de humo identificado por datos CALIPSO durante el pico de la estación de
incendios, Octubre incendios de residuos de arroz (Punjab) y Marzo, incendios en bosque (nororiente de India).
La baja señal MOPITT CO de los incendios agrícolas se puede atribuir a la
misma razón. Durante los incendios forestales de hoja perenne, las
concentraciones de CO fueron mayores a 3.0 km o por encima del PBL
durante la temporada pico de incendios. Los datos de CALIPSO aportaron
pruebas en éste sentido. En general, los conjuntos de datos de sensores
remotos satelitales son útiles para describir los contaminantes en la quema de
biomasa y sus características en la región de estudio. En comparación con la
atribución a la fuente CO en relación a la señal de incendios de CO, la
resolución de las incertidumbres asociadas a los mecanismos de sumideros
de CO, serán mucho más difíciles. (Vadrevu et al., 2013)
I Palumbo, y otros concluyen en el estudio de distribución espacio temporal de
la actividad del fuego en áreas protegidas de África subsahariana derivada de
los datos MODIS lo siguiente. Han considerado la actividad del fuego y su
intensidad utilizando el producto MODIS de incendios activos (colección
220
MODAPS 5). Derivaron la densidad de fuego dentro y fuera de las áreas
protegidas sobre el continente africano. Las estadísticas se derivan por
ecoregiones con el fin de comparar la actividad de los incendios en diferentes
condiciones de vegetación y el clima. La estación seca se dividió en tres
períodos de igual duración para evaluar los incendios a lo largo de un gradiente
de condiciones climáticas, que por lo general se tornan más secos y más
calientes al final de la estación seca.
La caracterización temporal mostró densidades similares de incendios entre las
áreas PAs y las zonas de reserva. Se observaron diferencias claras en cuanto
a la intensidad del fuego. Los valores de FRP fueron más altos dentro de las
áreas protegidas que afuera, en la mayoría de las regiones ecológicas. Esto
puede estar relacionado con la carga de combustible mayor dentro de la PAs,
como consecuencia de la limitada actividad humana, y también de la
fragmentación inferior en la cubierta vegetal, que admite la propagación del
fuego.
Los resultados muestran que el cambio climático y la gestión de la tierra son
factores clave en la actividad del fuego y la intensidad en África. Este estudio
también enfatiza la importancia de utilizar la FRP para caracterizar el fuego, ya
que las diferencias entre las áreas protegidas y su buffer externo solo son
evidentes con el análisis de la intensidad del fuego. Investigación adicional
puede hacerse con información sobre la zona quemada que se puede informar
sobre los efectos del fuego en la vegetación. Mejorar la comprensión de los
factores que controlan la intensidad del fuego será crucial para el manejo
adecuado de los ecosistemas, y el plan efectivo de quemas prescritas.
(Palumbo et al., 2011)
De la investigación de Charles Ichoku y otros sobre contribuciones satelitales
para la caracterización cuantitativa en la quema de biomasa para modelos
climáticos se concluye que; la teledetección por satélite de los incendios y las
características relacionadas con el fuego, incluidas las tasas de liberación de
energía, áreas quemadas, y la distribución espacial y las características ópticas
221
y físicas de las partículas de humo y componentes gaseosos, han permitido un
gran avance en el estado del conocimiento sobre esta temática en las últimas
décadas.
En primer lugar, se ha proporcionado una visión general de la ocurrencia de
incendios en todo el mundo, facilitando así el desarrollo de inventarios
mundiales y regionales claros de la actividad del fuego, así como mapas de los
principales lugares de emisión, las concentraciones relativas, alturas de
inyección y transporte de humo alrededor del mundo, en comparación con
otras fuentes de aerosoles y gases traza. Esto ha hecho que el modelo de
parametrización en emisiones de humo sea más realista, lo que resulta en una
mejor trayectoria del humo y las predicciones atmosféricas tiempo de
residencia, y una mejor representación de las interacciones de humo con las
nubes y la radiación.
A pesar de los avances en la teledetección contra incendios y vía satélite y la
caracterización del humo en particular, sigue habiendo grandes incertidumbres
en la caracterización de la actividad del fuego, como también en las emisiones
e impactos. Muchos aspectos de los incendios todavía no se han cuantificado
adecuadamente o ni siquiera para satisfacer los requisitos del modelo para la
calidad del aire. En primer lugar, cada satélite en órbita con la capacidad de
detección de incendios puede observar incendios en un lugar determinado no
más de una o dos veces por día. Dicho esto, sólo los incendios activos durante
las horas del paso del satélite se pueden observar, mientras que aquellos que
comienzan y terminan entre pasos superiores al satélite no pueden tenerse en
cuenta.
Los incendios de corta duración suelen ser rapidísimos en pastizales y áreas
agrícolas donde es practicada la quema y la tala. Aunque los satélites
geoestacionarios permiten la observación a frecuencia mucho más alta (sub-
hora), a causa de su registro por pixel, en relación con la de los orbitadores
222
polares, se pierde de tamaño pequeño a mediano la intensidad de los
incendios incluso cuando se activa la quema durante el tiempo de observación
(por ejemplo, Wooster et al, 2005; Roberts et al, 2005; Freeborn et al, 2009).
Incluso cuando se observan los incendios, puede haber incertidumbre
significativa en la medición cuantitativa de sus valores de FRP, por ejemplo, a
causa de las incertidumbres de medición intrínsecas, y también por la
dispersión atmosférica y la absorción de la radiación térmica, que tienden a
reducir la señal de la parte superior de la atmósfera. El resultado es una
tendencia a subestimar la ocurrencia de incendios y su actividad. El uso de
métodos de interpolación o extrapolación ayuda a salvar las diferencias
espaciales y temporales en las observaciones de fuego, pero también se suma
a estas incertidumbres.
Métodos de quemado por área pueden ayudar a cerrar las brechas en la
actividad del fuego, como áreas quemadas implícitamente que incluyen áreas
consumidas durante el período previo a la observación. Sin embargo, el satélite
de mapeo para áreas quemadas tiene sus incertidumbres intrínsecas. En
primer lugar, para muchos sensores satelitales las áreas quemadas son en su
mayoría más pequeñas que los píxeles dentro de los cuales se producen, y la
posterior agregación de múltiples sub pixeles de áreas quemadas puede
resultar en gran sobreestimación de las actuales áreas quemadas. Además, la
gravedad de la quema puede ser muy heterogénea en una zona quemada
determinada, y la estimación de biomasa quemada está basada en asumir
grados uniformes de quema que también puede presentar grandes
incertidumbres.
Además, los inventarios de áreas quemadas por lo general carecen de la
información necesaria para estimar las tasas de emisión en las fechas y horas
exactas de la quema, sin lo cual es imposible determinar la historia de las
emisiones en los constituyentes de humo, su dispersión y las trayectorias de
223
transporte, y sus tiempos de residencia en la atmósfera (por ejemplo, Fleming
et al., 2012). Tanto la información espacial y temporal son tan importantes
como la información física y radiativa sobre la quema de biomasa y sus
emisiones asociadas para cuantificar con precisión cómo afectan la calidad del
aire, el clima y el balance radiativo que contribuye finalmente al cambio
climático.
El satélite de observación para los componentes del humo también carga con
la incertidumbre. En primer lugar, en el proceso de medición satelital, existe
una dificultad intrínseca en distinguir radiancia procedentes de partículas
atmosféricas o especies gaseosas de interés con los que emanan del fondo de
la superficie y otras características atmosféricas. Aunque hay formas de
compensar dichos efectos, estos métodos implican muchas suposiciones.
Incluso si una partícula atmosférica específica o especies gaseosas se miden
con precisión a partir del satélite, en los casos en que existe la mezcla de
especies similares de diferentes fuentes, tales como el humo y los aerosoles
de emisiones vehiculares o CO, a menudo es difícil llevar a cabo la distribución
por fuentes con el fin de determinar sus impactos relativos. Además, muchos
constituyentes de humo, incluyendo partículas y algunas trazas de gases que
normalmente son detectadas por ultravioletas solares reflejadas y/o luz visible,
no se puede medir por la noche. Aunque no podría ser una brecha importante
para los estudios climáticos, si lo es para la calidad del aire.
Los recientes avances en la capacidad de medición y la cobertura no deben
ser minimizados, sin embargo, un mayor avance con la tecnología del satélite
de teledetección puede resolver muchas de las limitaciones señaladas
anteriormente. Otros vacíos pueden llenarse utilizando métodos alternativos,
como las mediciones terrestres y aéreas. El desarrollo de las observaciones
geoestacionarias que tienen relativamente alta resolución espacial (sub
kilómetro) representaría un avance significativo en la detección remota del
fuego, permitiendo que los incendios activos se midan en resoluciones
224
espaciales y temporales adecuadas, para capturar los tamaños de incendios
más importantes y sus intensidades durante todo el ciclo diurno.
Mejoras en otra instrumentación de teledetección y los algoritmos podrían
reducir las actuales incertidumbres en la estimación del área quemada,
perfiles y caracterización del constituyente humo. Por otra parte, se necesita
esfuerzo para hacer recuperaciones satelitales y los requisitos de entrada del
modelo más compatible, por: (1) el desarrollo de nuevas mediciones satelitales
que cumplan con los requisitos del modelo de entrada con menos hipótesis, y
(2) la creación de nuevos modelos o la adaptación de los existentes para
utilizar los datos satelitales más directamente. (Ichoku et al., 2012)
De la investigación de Clare Paton Walsh sobre incendios del Sábado negro en
Australia en comparación con técnicas para estimar las emisiones provenientes
de incendios en vegetación, se concluye lo siguiente; los incendios forestales
del Sábado negro del 2009 en Australia se han utilizado como un caso de
estudio para comparar las estimaciones de emisiones a partir de dos métodos
nuevos (FINNv1 y FEEV AOD) con estimaciones de GFED v3.1. El método
"top down" utiliza mediciones de MODIS AOD (FEEV AOD) de acuerdo el
GFED v3.1 dentro de las incertidumbres esperadas para la mayoría de los
gases que son estimados por ambos métodos, excepto C2H6. Llegan a la
conclusión de que el uso de AOD elevado como un medio de inferir las
emisiones totales de los incendios es prometedor, con su relativamente corto
tiempo de vida por lo que es un marcador fiable de humo fresco. Sin embargo,
actualmente la utilidad de esta técnica es limitada, ya que no se ha
desarrollado suficientemente para producir estimaciones de las emisiones
globales en el funcionamiento. Las estimaciones de las emisiones de los
incendios en el Sábado Negro de FINNv1 son significativamente más bajas
que los de GFED v3.1.
225
La confianza en los puntos térmicos por sí sola hace que FINNv1 sea
susceptible a la subestimación de los incendios en la presencia de nubes y la
utilización de un evento extremo como los incendios del Sábado Negro que
podrían acentuar estos problemas. Las incertidumbres en las estimaciones de
las emisiones son grandes y el acuerdo es mucho mejor cuando se hacen
comparaciones espaciales y temporales a gran escala (Wiedinmyer et al.,
2011). FINNv1 proporciona un inventario de emisiones temporales y espaciales
que está disponible en tiempo real y se puede utilizar para el pronóstico
químico del tiempo.
La comparación descrita, también enfatiza la dificultad de modelar cargas
correctas de combustible, especialmente en las zonas boscosas donde la
acumulación de combustible seco puede estar oculta a la vista de los satélites
de la cubierta forestal. Puede haber un límite fundamental en la exactitud de
tales modelos sin requisitos significativos adicionales para la entrada de los
datos recogidos a nivel del suelo. (Paton-Walsh et al., 2012)
226
5. BIBLIOGRAFIA
Amici, S., Wooster, M. J., & Piscini, A. (2011). Multi-resolution spectral analysis of wildfire potassium emission signatures using laboratory, airborne and spaceborne remote sensing. Remote Sensing of Environment, 115(8), 1811–1823. doi:10.1016/j.rse.2011.02.022
Freeborn, P. H., Wooster, M. J., & Roberts, G. (2011). Addressing the spatiotemporal sampling design of MODIS to provide estimates of the fire radiative energy emitted from Africa. Remote Sensing of Environment, 115(2), 475–489. doi:10.1016/j.rse.2010.09.017
Giglio, L., Csiszar, I., Restás, Á., Morisette, J. T., Schroeder, W., Morton, D., & Justice, C. O. (2008). Active fire detection and characterization with the advanced spaceborne thermal emission and reflection radiometer (ASTER). Remote Sensing of Environment, 112(6), 3055–3063. doi:10.1016/j.rse.2008.03.003
Hyer, E. J., Reid, J. S., Prins, E. M., Hoffman, J. P., Schmidt, C. C., Miettinen, J. I., & Giglio, L. (2013). Patterns of fire activity over Indonesia and Malaysia from polar and geostationary satellite observations. Atmospheric Research, 122, 504–519. doi:10.1016/j.atmosres.2012.06.011
Ichoku, C., Giglio, L., Wooster, M. J., & Remer, L. a. (2008). Global characterization of biomass-burning patterns using satellite measurements of fire radiative energy. Remote Sensing of Environment, 112(6), 2950–2962. doi:10.1016/j.rse.2008.02.009
Ichoku, C., Kahn, R., & Chin, M. (2012). Satellite contributions to the quantitative characterization of biomass burning for climate modeling. Atmospheric Research, 111, 1–28. doi:10.1016/j.atmosres.2012.03.007
Jordan, N. S., Ichoku, C., & Hoff, R. M. (2008). Estimating smoke emissions over the US Southern Great Plains using MODIS fire radiative power and aerosol observations. Atmospheric Environment, 42(9), 2007–2022. doi:10.1016/j.atmosenv.2007.12.023
McCarty, J. L., Ellicott, E. a., Romanenkov, V., Rukhovitch, D., & Koroleva, P. (2012). Multi-year black carbon emissions from cropland burning in the Russian Federation. Atmospheric Environment, 63, 223–238. doi:10.1016/j.atmosenv.2012.08.053
Palumbo, I., Grégoire, J.-M., Simonetti, D., & Punga, M. (2011). Spatio-temporal distribution of fire activity in protected areas of Sub-Saharan Africa derived
227
from MODIS data. Procedia Environmental Sciences, 7, 26–31. doi:10.1016/j.proenv.2011.07.006
Paton-Walsh, C., Emmons, L. K., & Wiedinmyer, C. (2012). Australia’s Black Saturday fires – Comparison of techniques for estimating emissions from vegetation fires. Atmospheric Environment, 60, 262–270. doi:10.1016/j.atmosenv.2012.06.066
Pereira, G., Freitas, S. R., Moraes, E. C., Ferreira, N. J., Shimabukuro, Y. E., Rao, V. B., & Longo, K. M. (2009). Estimating trace gas and aerosol emissions over South America: Relationship between fire radiative energy released and aerosol optical depth observations. Atmospheric Environment, 43(40), 6388–6397. doi:10.1016/j.atmosenv.2009.09.013
Roberts, G., Wooster, M. J., Freeborn, P. H., & Xu, W. (2011). Integration of geostationary FRP and polar-orbiter burned area datasets for an enhanced biomass burning inventory. Remote Sensing of Environment, 115(8), 2047–2061. doi:10.1016/j.rse.2011.04.006
Vadrevu, K. P., Ellicott, E., Badarinath, K. V. S., & Vermote, E. (2011). MODIS derived fire characteristics and aerosol optical depth variations during the agricultural residue burning season, north India. Environmental pollution (Barking, Essex : 1987), 159(6), 1560–9. doi:10.1016/j.envpol.2011.03.001
Vadrevu, K. P., Ellicott, E., Giglio, L., Badarinath, K. V. S., Vermote, E., Justice, C., & Lau, W. K. M. (2012). Vegetation fires in the himalayan region – Aerosol load, black carbon emissions and smoke plume heights. Atmospheric Environment, 47, 241–251. doi:10.1016/j.atmosenv.2011.11.009
Vadrevu, K. P., Giglio, L., & Justice, C. (2013). Satellite based analysis of fire–carbon monoxide relationships from forest and agricultural residue burning (2003–2011). Atmospheric Environment, 64, 179–191. doi:10.1016/j.atmosenv.2012.09.055
Wooster, M. J., Xu, W., & Nightingale, T. (2012). Sentinel-3 SLSTR active fire detection and FRP product: Pre-launch algorithm development and performance evaluation using MODIS and ASTER datasets. Remote Sensing of Environment, 120(2012), 236–254. doi:10.1016/j.rse.2011.09.033
Xu, W., Wooster, M. J., Roberts, G., & Freeborn, P. (2010). New GOES imager algorithms for cloud and active fire detection and fire radiative power assessment across North, South and Central America. Remote Sensing of Environment, 114(9), 1876–1895. doi:10.1016/j.rse.2010.03.012
228
6. LISTA DE FIGURA
FIGURA 1. IMAGEN VISIBLE MODIS Y ANOMALÍAS TÉRMICAS (PIXELES ROJOS) MUESTRA
DONDE LOS FUEGOS ARDEN EL SIETE DE FEBRERO DE 2009 (FIGURA SUPERIOR),
NUEVE DE FEBRERO DE 2009 (FIGURA INFERIOR IZQUIERDA) Y 16 DE FEBRERO DE
2009 (FIGURA INFERIOR DERECHA).................................................................................... 32 FIGURA 2. ECUACIÓN MÉTODO INDIRECTO DE ESTIMACIÓN DE LAS EMISIONES DE HUMO.
.................................................................................................................................................. 33 FIGURA 3. ECUACIÓN MÉTODO INDIRECTO DE ESTIMACIÓN DE LAS EMISIONES DE HUMO.
.................................................................................................................................................. 34 FIGURA 4. ECUACIÓN MÉTODO DIRECTO DE ESTIMACIÓN DE LAS EMISIONES DE HUMO. 36 FIGURA 5. MAPA DE COBERTURA DEL SUELO EN REGIONES CONTIGUAS DE LOS
ESTADOS UNIDOS GENERADO POR LA UNIVERSIDAD DE BOSTON Y LA NASA
BASADO EN DATOS MODIS (NOVIEMBRE 2000 – OCTUBRE 2001). ................................ 38 FIGURA 6. MAPA DE LA VEGETACIÓN DERIVADA DE MERIS EN LA REGIÓN DE ESTUDIO. 39 FIGURA 7. ECUACIÓN FRP MODIS. .............................................................................................. 40 FIGURA 8. ECUACIÓN FRE MODIS ............................................................................................... 40 FIGURA 9. TIPO DE VEGETACIÓN EN LA REGIÓN HIMALAYA. ................................................. 41 FIGURA 10. ECUACIÓN ESTIMACIÓN DE EMISIONES DE CARBONO NEGRO. ....................... 42 FIGURA 11. LA DETECCIÓN DE TERMINACIÓN (EN DÍAS) ENTRE EL MOMENTO DE LA
DETECCIÓN SEVIRI AF (ROBERTS & WOOSTER, 2008) Y LA DETECCIÓN DE LA ZONA
QUEMADA RESULTANTE EN LA MISMA UBICACIÓN, ES EXPRESADA POR EL MCD45A1
MODIS ÁREA QUEMADA “APROXIMANDO EL DÍA DEL INCENDIO” (ROY ET AL., 2005A).
UN DESPLAZAMIENTO POSITIVO INDICA QUE LA DETECCIÓN DE BA SE PRODUJO
DESPUÉS DE LA DETECCIÓN DE LA AF. ............................................................................ 45 FIGURA 12. LA COMPARACIÓN DE LOS PERFILES TEMPORALES DEL NÚMERO DE GRUPOS
COINCIDENTES DE INCENDIOS MODIS Y SEVIRI DERIVADOS DE LOS DATOS MODIS
MCD45A1 CON Y SIN AJUSTE AL PARÁMETRO DE DÍA APROXIMADO DE QUEMA. LA
DISTRIBUCIÓN ESTADÍSTICA DE LA DIFERENCIA EN TIEMPO ENTRE EL 'DÍA
APROXIMADO DE QUEMA' DE MCD45A1 Y LA DETECCIÓN SEVIRI AF SE ILUSTRA EN
LA FIGURA 11. ......................................................................................................................... 46 FIGURA 13. PORCENTAJE DE ÁREA COINCIDENTE (A) Y QUEMADA SOLAMENTE (B)
GRUPOS DIARIOS DE INCENDIOS COMO UNA FUNCIÓN DEL TAMAÑO DE LA ZONA
QUEMADA (EN MODIS CON PIXELES DE 500 M). ............................................................... 48 FIGURA 14. VISTA GENERAL DE LA METODOLOGÍA DESARROLLADA PARA INTEGRAR
DATOS DEL ÁREA QUEMADA EN ÓRBITA (PRODUCTO MODIS MCD45A1) Y LOS
DATOS GEOESTACIONARIOS FRP. Β REPRESENTA EL FACTOR DE COMBUSTIÓN
RADIATIVA FRP (MJ KG-1
, WOOSTER ET AL., 2005), T ES EL TIEMPO (SEGUNDOS), BA
ES EL ÁREA QUEMADA (M2), FCT ES EL CONSUMO TOTAL DE COMBUSTIBLE (KG
-1),
FCA ES EL CONSUMO DE COMBUSTIBLE POR UNIDAD DE SUPERFICIE (G M-2
), FCT_BA
ES EL CONSUMO TOTAL DE COMBUSTIBLE (KG-1
) DERIVADO A TRAVÉS DE LA
INTEGRACIÓN DE LA ZONA QUEMADA Y LA ESTIMACIÓN FCA Y EL FCT_FRE ES EL
229
CONSUMO TOTAL DE COMBUSTIBLE DERIVADO DE FRE (KG-1
). TRES VÍAS
DISPONIBLES PARA ESTIMAR EL FCT DE UN GRUPO DE INCENDIOS: CAMINO 1:
UTILIZANDO SÓLO LOS DATOS DE FRP (FCT_FRE), CAMINO 2: DERIVAR LA FCA A
PARTIR DE LOS PIXELES COINCIDENTES ESPACIALES FRP Y BA Y USAR ESTO PARA
CALCULAR LA FCT PARA EL BA QUE REPRESENTA EL TOTAL DEL GRUPO DE
INCENDIOS (FCT_BA) Y CAMINO 3: EXTRAPOLAR LAS ESTIMACIONES DE FCA A PARTIR
DEL CAMINO 2 PARA GRUPOS DE INCENDIOS CERCANOS SIN DATOS SEVIRI AF (O
AQUELLOS DATOS AF QUE SE CONSIDERAN COMPROMETIDOS). ............................... 51 FIGURA 15. ECUACIÓN DE INTEGRACIÓN TEMPORAL DE FRP A FRE. .................................. 52 FIGURA 16.EJEMPLO DE CÁLCULO DEL CONSUMO DE COMBUSTIBLE PARA UN GRUPO
INDIVIDUAL DE INCENDIOS OBSERVADO EN UNA REGIÓN DE LA SABANA DE ZAMBIA
(13.01°S, 21.5°N) EN DOY 216, PROCESADO UTILIZANDO EL CAMINO 2 (FIGURA 14).
LOS DATOS MODISADJ BA REGISTRAN UN ÁREA QUEMADA DE 106 KM ², Y LOS DATOS
SEVIRI FRP UN VALOR FRE DE 1.05 × 106 MJ. ESTO EQUIVALE A UNA ESTIMACIÓN
FCT_BA DE 40 KILO TONELADAS, Y UN FCA DE 365 G M-2
. (A) MAPA DE DATOS DEL
GRUPO DE INCENDIOS, CON LA UBICACIÓN DE LOS PÍXELES DOY 216 SEVIRI AF QUE
APARECEN CON UN MARCO ROJO Y LOS PÍXELES MODISADJ BA REASIGNADOS A LA
RED DE OBSERVACIÓN SEVIRI CON MARCO AZUL. LOS PIXELES ORIGINALES
MCD45A1 BA DE RESOLUCIÓN ESPACIAL DE 500M PARA DOY 216 SE MUESTRAN EN
GRIS, Y LOS OTROS PARA OTROS DÍAS SE MUESTRAN EN NEGRO. (B) EL PERFIL
TEMPORAL DE FRP PARA EL GRUPO DE FUEGO MAPEADO EN (A), FUE DERIVADO DE
LAS OBSERVACIONES SEVIRI AF DE RESOLUCIÓN TEMPORAL DE 15 MINUTOS. ...... 54 FIGURA 17. COMPARACIÓN DE LAS ESTIMACIONES DE CONSUMO DE COMBUSTIBLE POR
UNIDAD DE ÁREA (FCA: G M-2
). (A) LA DISTRIBUCIÓN DE FRECUENCIAS DE
ESTIMACIONES FCA DERIVADAS DE LOS GRUPOS DE INCENDIOS CON UN NÚMERO
PROMEDIO DE OBSERVACIONES POR PIXEL (TOBS: FIGURA 22) ESTANDO ENTRE 1 Y ≥
10 Y (B) LA DISTRIBUCIÓN DE FRECUENCIAS DE LAS ESTIMACIONES FCA PARA LOS
GRUPOS DE INCENDIOS CON TOBS ≥ 2.25 PARA NHA, SHA Y TODO EL ÁFRICA, CON
LÍNEAS DE PUNTOS QUE REPRESENTAN LA UBICACIÓN DE LOS PERCENTILES 25 Y
75 (TODO ÁFRICA), RESPECTIVAMENTE. EL GRÁFICO INTERIOR ILUSTRA LAS
ESTIMACIONES DE FCA DERIVADAS DE GFEDV3 DURANTE EL MISMO TIEMPO Y LA
MISMA REGIÓN. ...................................................................................................................... 55 FIGURA 18. LA MEDIANA DEL CONSUMO ANUAL DE COMBUSTIBLE POR UNIDAD DE ÁREA
(FCA), PRESENTADA EN UNA RESOLUCIÓN POR CELDA DE CUADRÍCULA DE 0.5° EN
TODO ÁFRICA CALCULADA UTILIZANDO (A) EL ENFOQUE FRE-BA DESARROLLADO
AQUÍ, Y (B) GFEDV3 (VAN DER WERF ET AL., 2010). (C) MUESTRA LA DIFERENCIA
AGRUPADA EN INCREMENTOS DE 150 G M-2
..................................................................... 56 FIGURA 19. LAS DISTRIBUCIONES DE FRECUENCIA DE CONSUMO DE COMBUSTIBLE POR
UNIDAD DE ÁREA (FCA: G M-2
) DERIVADOS DE LA METODOLOGÍA FRE-BA
PRESENTADA AQUÍ UTILIZANDO TANTO LOS DATOS DE AJUSTE TEMPORAL MODIS
MCD45A1 SOBRE DÍA APROXIMADO DE QUEMA, Y LOS DATOS NO AJUSTADOS (EL
AJUSTE SE DESCRIBE EN LA SECCIÓN 2.3.2, Y LA DIFERENCIA ESTADÍSTICA ENTRE
LA FECHA DEL DÍA APROXIMADO DE QUEMA ORIGINAL Y LA APARENTE DETECCIÓN
SEVIRI AF QUE COINCIDE SE ILUSTRA EN LA FIGURA 11). LA SIMILITUD ENTRE LAS
DOS DISTRIBUCIONES DE FRECUENCIA SUGIERE QUE EL IMPACTO DEL AJUSTE
TEMPORAL DE LAS ESTIMACIONES FCA ES MÍNIMO, AUNQUE SÍ AUMENTA EL
230
NÚMERO DE GRUPOS DE INCENDIOS QUE TIENEN DATOS COINCIDENTES BA Y FRP
EN UN 60%. ............................................................................................................................. 57 FIGURA 20. PERFILES MENSUALES DE (A) ÁREA QUEMADA (BA) A TRAVÉS DE ÁFRICA,
TOMADOS DEL PRODUCTO TEMPORALMENTE AJUSTADO MODIS MCD45A1
PRODUCTO BA (MODISADJ) Y DEL PRODUCTO GFEDV3 BA (GIGLIO ET AL, 2010; VAN
DER WERF ET AL, 2010), Y (B) LA MEDIANA FCA DERIVADA UTILIZANDO LAS REJILLAS
DE 0.5° PARA EMISIONES DE CARBONO PROPORCIONADAS POR GFEDV3 Y LOS DOS
PRODUCTOS DE BA SE MUESTRAN EN (A). ....................................................................... 58 FIGURA 21. LA MEDIANA DEL CONSUMO DE COMBUSTIBLE POR UNIDAD DE ÁREA (FCA),
DERIVADA HACIENDO JUEGO CON EL ÁREA QUEMADA MODIS Y LOS DATOS SEVIRI
FRP (CAMINO 2, FIGURA 14) PARA (A) ÁFRICA EN EL HEMISFERIO NORTE, Y (B)
HEMISFERIO SUR DE ÁFRICA. LOS RESULTADOS SE MUESTRAN ESTRATIFICADOS
EN DIFERENTES RANGOS DE PORCENTAJE (HANSEN ET AL., 2003). LOS PUNTOS
ROJOS MUESTRAN LOS VALORES DE FCA Y LAS LÍNEAS NEGRAS EL PROMEDIO DE 5
SESIONES. EL NÚMERO DE GRUPOS DE INCENDIOS UTILIZADOS PARA CALCULAR LA
ESTIMACIÓN FCA SE MUESTRA EN GRIS. .......................................................................... 59 FIGURA 22. ECUACIÓN QUE REPRESENTA LA MEDIA DE OBSERVACIONES AF. ................. 59 FIGURA 23. EL CONSUMO DE COMBUSTIBLE POR UNIDAD DE ÁREA (FCA) DERIVADO
USANDO EL ÁREA QUEMADA DE MODIS Y LOS DATOS SEVIRI FRP POR MEDIO DEL
CAMINO 2 (FIGURA 14). LOS RESULTADOS SE MUESTRAN ESTRATIFICADOS POR LOS
DIFERENTES TIPOS DE COBERTURA DE LA TIERRA DE LA BASE DE DATOS GLC2000
DE ÁFRICA (MAYAUX ET AL., 2004). LAS MEDIDAS ESTADÍSTICAS TALES COMO LA
MEDIANA (BARRA), LA MODA (CRUZ) Y LOS PERCENTILES 25 Y 75 (CUADROS) SON
MOSTRADOS. LOS INCENDIOS QUE SE PRODUCEN EN PÍXELES MARCADOS COMO
AGUA EN LA RESOLUCIÓN ESPACIAL NATIVA DE SEVIRI (<0.5% DEL TOTAL DEL
NÚMERO DE INCENDIOS COINCIDENTES) HAN SIDO EMITIDOS. ESTOS INCENDIOS
SON LOS QUE OCURREN EN PÍXELES SEVIRI QUE CONTIENEN UNA MEZCLA DE
TIERRA Y AGUA EN LA BASE DE DATOS GLC2000 DE LA CUBIERTA TERRESTRE DE
ÁFRICA. ................................................................................................................................... 65 FIGURA 24. SERIES DE TIEMPO GLOBAL DIARIA DE PARCELAS EN MODIS. (A) MEDIA POR
PIXEL DEL PODER RADIATIVO DEL FUEGO (FRP), Y (B) NÚMERO TOTAL DE PIXELES
EN FUEGO (NFP O CONTEO DE FUEGO) SIN CONSIDERAR EL EFECTO DE LA
NUBOSIDAD. ........................................................................................................................... 67 FIGURA 25. (A) MAPA DE ECOSISTEMAS GLOBALES DERIVADOS DE MODIS BASADO EN EL
PROGRAMA INTERNACIONAL GEOSFERA/BIOSFERA DEL ESQUEMA DE
CLASIFICACIÓN. NUMERADAS LAS CAJAS BLANCAS QUE DELINEAN DIFERENTES
REGIONES IDENTIFICADAS POR EL ANÁLISIS INDEPENDIENTE Y COMPARATIVO EN
ESTE ESTUDIO, CON LOS NOMBRES CORRESPONDIENTES A LOS NÚMEROS
INDICADOS. TENGA EN CUENTA QUE LOS NOMBRES SE UTILIZAN SÓLO CON FINES
DE IDENTIFICACIÓN GENERALES PERO NO PARA CONFERIR LAS FRONTERAS
POLÍTICAS, (B) LAS PROPORCIONES DE DIFERENTES TIPOS DE ECOSISTEMAS
(AGRUPADOS EN 7 CLASES AMPLIAS) RESPECTO A LA SUPERFICIE TOTAL DE LA
TIERRA (EN OPOSICIÓN AL AGUA) EN EL ÁREA SELECCIONADA PARA CADA REGIÓN.
.................................................................................................................................................. 69 FIGURA 26. REGIONES DE INCENDIOS SELECCIONADAS POR ESTE ESTUDIO. .................. 70
231
FIGURA 27. FRECUENCIA DE DISTRIBUCIONES RELATIVAS REGIONAL DEL PODER
RADIATIVO DEL FUEGO (FRP) AGRUPADAS EN CONTENEDORES DE 50 MW (0 A < 50,
50 A < 100, 100 A <150, …). .................................................................................................... 72 FIGURA 28. EJEMPLOS PERTENECIENTES A INCENDIOS EN CATEGORÍAS DE 2 A 5
(SUPERIOR A LAS FILAS INFERIORES), CON ATRIBUTOS DE INCENDIO (COLUMNA
IZQUIERDA), COLOR VERDADERO DE IMÁGENES MODIS DE ESCENAS DE INCENDIOS
(COLUMNA DEL MEDIO), Y DISTRIBUCIÓN ESPACIAL DE PIXELES EN DIFERENTES
CATEGORÍAS (COLUMNA DERECHA). ................................................................................. 73 FIGURA 29. ECUACIÓN DE LA ESTIMACIÓN DE LA FRP MEDIANTE EL PRIMER MÉTODO
DESARROLLADO POR KAUFMAN ET AL. (1996, 1998A, B). ............................................... 75 FIGURA 30. ECUACIÓN QUE PUEDE SER UTILIZADA PARA EL CÁLCULO DE LA FRP. ......... 75 FIGURA 31. ECUACIÓN DEL PLANTEAMIENTO DEL MÉTODO DE RADIACIÓN MIR. .............. 76 FIGURA 32. ECUACIÓN CÁLCULO DEL RSA. ................................................................................. 77 FIGURA 33. ECUACIÓN PARA LA ESTIMACIÓN DE LAS EMISIONES DE GASES DE
AEROSOLES Y DE RASTREO. .............................................................................................. 78 FIGURA 34. ÁREA DE ESTUDIO DIVIDA EN TRES GRANDES ECOSISTEMAS: A. BOSQUE
TROPICAL LLUVIOSO DEL AMAZONAS; B. BIOMA CATINGA BRASILEÑO; C. BOSQUE
ATLÁNTICO BOSQUE HÚMEDO (TROPICAL Y SUBTROPICAL, BOSQUE SECO
TROPICAL, SABANAS TROPICALES, MANGLARES) Y LOS BIOMAS DE PASTIZALES. .. 79 FIGURA 35. ECUACIÓN DE CONTINUIDAD DE MASA DE CO Y PM2.5µM EN LA FORMA DE UNA
ECUACIÓN DE TENDENCIA EXPRESADA SEGÚN FREITAS ET AL. (2009). ..................... 80 FIGURA 36. FACTORES DE EMISIÓN PROMEDIO (G KG
-1) PARA CO, PM10µM Y PM2.5µM
ASIGNADOS A LA FRE BASADOS EN COEFICIENTES DE EMISIÓN DE HUMO DE
AEROSOL. ............................................................................................................................... 83 FIGURA 37. DATOS DE INCENDIOS WFABBBA / GOES EN EL SUR Y EL NORTE DE AMÉRICA
CON EL NÚMERO TOTAL DE INCENDIOS DETECTADOS (GRIS OSCURO) Y LOS
PÍXELES DE FUEGO SATURADOS Y SUS PORCENTAJES (GRIS CLARO Y LÍNEA
NEGRA, RESPECTIVAMENTE). ............................................................................................. 83 FIGURA 38. ILUSTRACIÓN DE LA METODOLOGÍA UTILIZADA EN PÍXELES SUBCONJUNTO
DE FUEGO SEVIRI BASADOS EN EL TIEMPO Y LA EXTENSIÓN DE LAS PISTAS DE
TIERRA MODIS. ....................................................................................................................... 85 FIGURA 39. ECUACIÓN PARA EL CÁLCULO FRESEVIRI MEDIDO DURANTE OCHO DÍAS. ........ 86 FIGURA 40. ECUACIÓN PARA EL CÁLCULO DE ΣFRP
T + ASEVIRI................................................... 87
FIGURA 41. PERFIL TEMPORAL DE FRP MEDIDO POR SEVIRI MÁS DE OCHO DÍAS EN UNA
CELDA DE LA CUADRÍCULA DE 0.5°. ................................................................................... 88 FIGURA 42. ECUACIÓN PARA PREDICCIONES CUADRICULA DE MODIS FRE. ...................... 89 FIGURA 43. FLUJO DE TRABAJO BÁSICO DE LOS CUATRO CÁLCULOS DE EMISIÓN BC
UTILIZADOS EN ESTE ANÁLISIS........................................................................................... 93 FIGURA 44. ECUACIÓN PARA EL ENFOQUE DE ABAJO HACIA ARRIBA. ................................. 94 FIGURA 45. TIPOS DE COBERTURA GLOBAL DE LA TIERRA TOMADO DE LA BASE DE
DATOS DE EMISIONES DE FUEGO GLOBAL VERSIÓN 2 (GFEDV2; VAN DER WERF ET
AL., 2006). ................................................................................................................................ 95 FIGURA 46. ECUACIÓN CON ALGORITMO PARA EL CÁLCULO DE LA FRP TOMADO COMO
LA RELACIÓN ENTRE LA TEMPERATURA BRILLOSA DE LOS PÍXELES DE INCENDIOS Y
DE FONDO EN EL INFRARROJO MEDIO (CENTRO DE LA BANDA ALREDEDOR DE 4 µM)
(KAUFMAN ET AL., 1998). ...................................................................................................... 97 FIGURA 47. ECUACIÓN PICO DE FRP. ......................................................................................... 98
232
FIGURA 48. ECUACIÓN FRE. ......................................................................................................... 99 FIGURA 49. ECUACIÓN PARA EL CÁLCULO DE FRP COMO LA RELACIÓN ENTRE LA
TEMPERATURA DE BRILLO DEL FUEGO Y LOS PÍXELES DE FONDO EN EL
INFRARROJO MEDIO (KAUFMAN ET AL., 1998). ............................................................... 101 FIGURA 50. MODELO DE REGRESIÓN DE DOS SEGMENTOS AJUSTADOS. ........................ 102 FIGURA 51. ÁREAS PROTEGIDAS (AMARILLO) Y 25 KM ZONAS BUFFER (ROJO). ECO
REGIONES BLANCAS SON MOSTRADAS EN EL FONDO. ............................................... 105 FIGURA 52. DETECCIÓN DE INCENDIOS DESDE AQUA MODIS PARA JULIO DE 2011
SUPERPUESTO SOBRE UN MAPA DE REFLECTANCIA DE LA SUPERFICIE COMPUESTA
(SOLO DESDE MODIS) MOSTRANDO RANGOS DE VALORES DE LA POTENCIA
RADIATIVA DEL FUEGO (FRP) PARA PIXELES DE FUEGO INDIVIDUAL. ....................... 108 FIGURA 53. ECUACIÓN UTILIZADA POR FINNV1 PARA EL EJEMPLAR DEL MONÓXIDO DE
CARBONO DEL GAS TRAZA (CO). ...................................................................................... 112 FIGURA 54. EMISIONES DE CO (EN GG CO DIA
-1) MUESTRA UN GRIG DE 0.5° X 0.5° PARA
CADA DÍA DESDE FEBRERO 7 HASTA FEBRERO 9 DE 2009 Y TAMBIÉN FEBRERO 16.
LAS EMISIONES ESTÁN CODIFICADAS POR COLOR SEGÚN LA INTENSIDAD CON LAS
MAYORES EMISIONES EN ROJO. EL COLOR BLANCO MUESTRA CERO EMISIONES. 113 FIGURA 55. CONVERSIÓN DEL MONÓXIDO DE CARBONO DE GAS TRAZA (CO). ............... 115 FIGURA 56. GRID DE 1° POR 1° PROMEDIO DE AOD MEDIDO POR EL SENSOR MODIS EL
SIETE DE FEBRERO DE 2009 (SABADO NEGRO) Y LOS DÍAS SIGUIENTES, OCHO DE
FEBRERO DE 2009. .............................................................................................................. 117 FIGURA 57. (A) TERRA Y (B) AQUA MODIS DESPUÉS DE MEDICIONES DE CONTROL DE
CALIDAD. MUESTRAN UNA COMPARACIÓN REGIONAL DE LOS ÍNDICES DIARIOS DE
LA FRE (MW O MJ S-1
) Y EMISIONES DE HUMO (KG S-1
) CON 850MB (1.5 KM). LA
PENDIENTE DE LA REGRESIÓN LINEAL REPRESENTA LA FRE BASADO EN EL
COEFICIENTE DE EMISIÓN DE HUMO (CE). LAS BARRAS DE ERROR VERTICAL
REPRESENTAN EL ERROR ESTÁNDAR DE LA EMISIÓN DE HUMO. ............................. 120 FIGURA 58. CALCULO DE TERRA Y AQUA MODIS RFRE BASADO EN COEFICIENTES DE
EMISIÓN DE HUMOS (CE) Y CORRESPONDIENTE A R2 PARA VELOCIDADES DE
VIENTO TOMADAS A DIFERENTES NIVELES DE PRESIÓN (ALTURAS). ....................... 121 FIGURA 59. ECUACIÓN SERIES DE TIEMPO RFRE. .................................................................... 122 FIGURA 60. ECUACIÓN SERIES DE TIEMPO QPM. ..................................................................... 122 FIGURA 61. COMPARACIÓN REGIONAL DEL 2004 DE FUEGO Y EMISIÓN DE HUMO DESDE
TERRA Y AQUA MODIS. LA GRAFICAS DE LA SERIE DE TIEMPO EN LA IZQUIERDA
MUESTRA LAS TASAS INSTANTÁNEAS DIARIAS DE LIBERACIÓN DE FRE (MW O MJ S-1
)
Y LAS GRÁFICAS DE LA DERECHA MUESTRA LAS TASAS PROMEDIO INSTANTÁNEA
DIARIAS DE EMISIÓN DE HUMO QPM (KG S-1
). AQUA OBSERVO DOS VECES MÁS
FUEGO Y EMISIÓN DE HUMO QUE TERRA. ...................................................................... 123 FIGURA 62. MUESTRA TODOS LOS PÍXELES DE AEROSOL DE 2004 QUE CONTIENEN
FUEGO (S) TANTO PARA TERRA Y AQUA MODIS. ........................................................... 124 FIGURA 63. (A) CONTEOS DE FUEGO MODIS POR AÑO; (B) ESTACIONALIDAD DE FUEGO
CON PICO EN ABRIL: (C) POTENCIA RADIATIVA DEL FUEGO PARA DIFERENTES AÑOS;
(D) ENERGÍA RADIATIVA DEL FUEGO PARA DIFERENTES AÑOS; (E) ATSR DERIVADO
DEL CONTEO DE INCENDIOS EN LA REGIÓN HIMALAYA (2005 – 2010). ...................... 126 FIGURA 64. (A) REGIÓN HIMALAYA CON CONTEOS DE FUEGO MODIS EN DIFERENTES
ELEVACIONES; (B) SUMATORIA DE VARIACIONES DE FRP BASADO EN CONTORNOS
DE ELEVACIÓN. .................................................................................................................... 128
233
FIGURA 65. ÁREAS QUEMADAS DERIVADAS DE MCD45A1 EN LA REGIÓN HIMALAYA. ..... 129 FIGURA 66. ÁREAS QUEMADAS EN DIFERENTES CATEGORÍAS DE VEGETACIÓN. ........... 129 FIGURA 67. EMISIONES DE CARBÓN NEGRO EN DIFERENTES CATEGORÍAS DE
VEGETACIÓN. ....................................................................................................................... 130 FIGURA 68. (A) VARIACIÓN TEMPORAL EN CONTEOS DE FUEGO Y AOD (2005 – 2010); (B)
VARIACIÓN TEMPORAL EN FRP Y AOD (2005 – 2010). .................................................... 131 FIGURA 69. (A) PATRONES ESPACIALES EN AOD EN LA REGIÓN HIMALAYA DURANTE
ABRIL DE 2008; (B) VARIACIÓN TEMPORAL EN AOD (2005 – 2010). .............................. 132 FIGURA 70. (A) ALTURA PBL EN METROS RECUPERADA DE MERRA DURANTE ABRIL Y
MAYO DE 2008; (B) ATSR INCENDIOS NOCTURNOS DURANTE ABRIL DE 2008; (C)
ÍNDICE DE AEROSOLES RECUPERADO DEL INTRUMENTO DE MAPEO DE OZONO
(OMI); (D) INFORMACIÓN CALIPSO SUB TIPO AEROSOL RECUPERADA (2008/04/23); (E)
CALIPSO RECUPERACIÓN TOTAL DE VALORES DE RETRO DISPERSIÓN ATENUADA
DE 532 NM DURANTE EL 23 DE ABRIL DE 2008. .............................................................. 134 FIGURA 71. CONSUMO DE COMBUSTIBLE TOTAL ANUAL ESTIMADO EN PARA ÁFRICA
(FEBRERO 2004 – ENERO 2005). ........................................................................................ 135 FIGURA 72. DINÁMICA TEMPORAL DIARIA DEL CONSUMO TOTAL DE COMBUSTIBLE (FCT)
MEDIDO ALREDEDOR DE ÁFRICA PARA LOS DATOS PROCESADOS EN UN AÑO. LOS
VALORES CALCULADOS USANDO LA FRE-BA BASADOS EN EL ENFOQUE
DESARROLLADO (EJEMPLO QUE RESUME LA FIGURA 14) SE MUESTRAN EN NEGRO,
Y LOS CALCULAOS USANDO SOLO LOS DATOS FRE Y LA FIGURA 15 SE MUESTRAN
EN GRIS. ................................................................................................................................ 136 FIGURA 73. CONSUMO DE COMBUSTIBLE MENSUAL TOTAL (FCT) DERIVADO DEL
HEMISFERIO SUR (SHA) Y HEMISFERIO NORTE (NHA) DE ÁFRICA USANDO LA
METODOLOGÍA INTEGRADA FRE-BA DESARROLLADA EN ESTE ESTUDIO (EJEMPLO
QUE SE MUESTRA EN LA FIGURA 14), JUNTO A LOS DERIVADOS DE LOS DATOS FRE
(ROBERTS ET AL., 2009) Y LOS DE GFEDV3 (VAN DER WERF ET AL., 2010). .............. 137 FIGURA 74. COMPARACIÓN DE LAS ESTIMACIONES MENSUALES DE FCT OBTENIDAS A
TRAVÉS DEL ENFOQUE FRE-BA Y DE LAS OBSERVACIONES FRE. ............................. 138 FIGURA 75. DISTRIBUCIÓN ESPACIAL DEL CONSUMO TOTAL ANUAL DE COMBUSTIBLE
(FCT: TG) A LO LARGO DE ÁFRICA PARA FEBRERO 2004 - ENERO 2005, QUE SE
MUESTRA CON UNA RESOLUCIÓN EN CELDA DE 0.5 °. LOS RESULTADOS QUE SE
MUESTRAN SON CALCULADOS A PARTIR DE (A) EL ENFOQUE INTEGRADO FRE-BA
DESARROLLADO EN ESTA INVESTIGACIÓN, Y (B) GFEDV3 (VAN DER WERF ET AL.,
2010). LA DIFERENCIA SE MUESTRA EN (C), E INDICA QUE EN LA MAYORÍA DE LAS
CELDAS DE LA CUADRÍCULA, GFEDV3 MUESTRA MAYORES CONSUMOS DE
COMBUSTIBLE, QUE COINCIDEN CON LOS RESULTADOS DE LOS DATOS DE
CONSUMO MENSUAL DE COMBUSTIBLE MOSTRADOS EN LA FIGURA 73. ................. 141 FIGURA 76. DISTRIBUCIÓN DE FRECUENCIA DE LA DIFERENCIA EN EL TOTAL DE LA
CELDA DE LA CUADRICULA DEL CONSUMO DE COMBUSTIBLE TOTAL (FCT:TG). ..... 142 FIGURA 77. EMISIONES TOTALES ANUALES DE LAS PRINCIPALES ESPECIES
PIROGÉNICAS CALCULADAS ALREDEDOR DE ÁFRICA (FEBRERO 2004 – ENERO 2005).
................................................................................................................................................ 143 FIGURA 78. REGRESIÓN LINEAL CON ERROR ESTÁNDAR ENTRE 2000 Y 2008 EN SUR Y
NORTE AMÉRICA PARA WFABBBA / GOES Y MODIS FRP. ............................................. 145 FIGURA 79. CORRELACIÓN ENTRE COEFICIENTE DE EMISIÓN DE LA FRE (MW) Y EMISIÓN
DE HUMO DE AEROSOL KG S-1
DE WFABBA / GOES Y MOD04/MYD04 AOD
234
OBSERVACIONES PARA A. BOSQUE DEL AMAZONAS Y DEL CERRADO; B. BIOMA
CATINGA BRASILEÑO; C. BOSQUE ATLÁNTICO Y BIOMAS DE PASTIZALES. CADA
PUNTO DE DATOS SE REFIERE A LA SUMA DE LA FRP Y EMISIONES DE HUMO EN
AEROSOLES DIURNAS SOBRE EL ÁREA DE ESTUDIO Y PRESENTA LAS BARRAS DE
ERROR ESTÁNDAR QUE TAMBIÉN SE PRESENTAN. ...................................................... 147 FIGURA 80. CORRELACIÓN Y DISTRIBUCIÓN DE LA PENDIENTE USANDO LA TÉCNICA DE
ARRANQUE DESARROLLADA POR EFRON (1982) PARA LAS TRES WFABBA / GOES
COEFICIENTES DE EMISIÓN DE HUMOS DE AEROSOL, MOSTRADOS EN LA
CORRELACIÓN (A), (B) Y (C) Y EN (D), (E) Y (F) LOS HISTOGRAMAS DE DISTRIBUCIÓN
DE LA PENDIENTE PARA LOS BOSQUES DEL AMAZONAS Y EL CERRADO, EL BIOMA
CATINGA BRASILEÑO, Y EL BOSQUE ATLÁNTICO Y BIOMAS DE PASTIZALES,
RESPECTIVAMENTE. ........................................................................................................... 149 FIGURA 81. (A) MAPA CON EL TOTAL DE PM2.5µM LIBERADO POR INCENDIOS DE BIOMASA
ENTRE EL 15 DE JULIO Y EL 15 DE NOVIEMBRE DE 2002. (B) REGRESIÓN LINEAL
ENTRE LOS DATOS MODELADOS Y LOS DATOS OBSERVADOS; (C) SERIES DE
TIEMPO CON SUPERFICIES CERCANAS PM2.5µM (µG M-3
) OBSERVADOS Y ESTIMADOS
POR LOS COEFICIENTES DE EMISIÓN DE HUMOS DE AEROSOL. ............................... 151 FIGURA 82. (A) MAPA CON EL TOTAL DE CO LIBERADO EN INCENDIOS DE BIOMASA ENTRE
JULIO 15 Y NOVIEMBRE 15 DE 2002; (B) REGRESIÓN LINEAL ENTRE LOS DATOS
MODELADOS Y LOS DATOS OBSERVADOS; (C) SERIES DE TIEMPO CON SUPERFICIES
CERCANAS CO (PPB) OBSERVADO Y ESTIMADO POR COEFICIENTES DE EMISIÓN DE
HUMOS DE AEROSOL. ......................................................................................................... 151 FIGURA 83. TÉCNICA DE ARRANQUE PARA CO Y PM2.5µM MOSTRANDO LA RELACIÓN
ENTRE DATOS DE SUELO LBA SMOCC/RACCI Y LA SIMULACIÓN DEL MODELO CCATT
– BRAMS. EN (A) Y (B) LA CORRELACIÓN PARA CO Y PM2.5µM RESPECTIVAMENTE. EN
(C) Y (D) SON MOSTRADAS LA FRECUENCIA DE DISTRIBUCIÓN DE LA PENDIENTE. 153 FIGURA 84. VARIABILIDAD MENSUAL DE EMISIONES BC DETECTADA POR PRODUCTOS DE
FUEGO ACTIVO MODIS PARA LOS AÑOS 2003 – 2009; VARIABILIDAD DE EMISIONES
REPORTADAS PARA EL ESQUEMA DE TIERRA DE CULTIVO; IGBP CULTIVOS = CLASE
DE CULTIVOS IGBP DEL CONJUNTO DE DATOS DE TIERRA DE CULTIVO MODIS A 1
KM; (A) VARIABILIDAD MENSUAL PARA ROSTOVSKAYA OBLAST, RUSIA EUROPEA; (B)
VARIABILIDAD MENSUAL PARA OMSKAYA OBLAST, SIBERIA OCCIDENTAL. ............. 155 FIGURA 85. PROMEDIO ESTACIONAL DE EMISIONES BC EN LA FEDERACIÓN RUSA DESDE
LAS TIERRAS DE CULTIVO QUEMADAS Y CALCULADAS DEL ANÁLISIS DEL FUEGO
ACTIVO. ................................................................................................................................. 157 FIGURA 86. TOTALES ANUALES EN LAS EMISIONES DE BC A PARTIR DE LA QUEMA DE
TIERRAS PARA CULTIVOS EN LA FEDERACIÓN RUSA. .................................................. 159 FIGURA 87. SERIES DE TIEMPO DE LA INTENSIDAD (FRE) Y DE EXTENSIONES DE
VEGETACIÓN DE BIOMASA QUEMADA PARA TODOS LOS TIPOS DE COBERTURA DE
SUELO EN LA FEDERACIÓN DE RUSIA PARA LOS AÑOS 2003 – 2009. LA FRE FUE
ESTIMADA EN MJ X 0.5° DE PIXEL USANDO PRODUCTOS ESTÁNDAR MODIS FRP GRID
DE MODELADO CLIMÁTICO (CMG). ................................................................................... 159 FIGURA 88. MAPA DE COBERTURA Y USO DEL SUELO DERIVADO DESDE 300 M DEL
SENSOR MERIS A BORDO DEL SATÉLITE ENVISAT. LAS TIERRAS DE CULTIVO DE
REGADÍO PREDOMINAN EN EL ÁREA. .............................................................................. 160 FIGURA 89. ESTADÍSTICAS DE LA COBERTURA Y USO DEL SUELO DEL ÁREA DE ESTUDIO
DESDE 300 M DEL SENSOR MERIS A BORDO DEL SATÉLITE ENVISAT. LAS TIERRAS
235
DE CULTIVO DE REGADÍO OCUPAN NOVENTA Y DOS POR CIENTO DE LA ZONA DE
ESTUDIO. ............................................................................................................................... 162 FIGURA 90. MODIS FUEGO, CONTEO ACUMULADO BASADO EN LOS TIPOS DE USO Y
COBERTURA DEL SUELO (2003 – 2008). MÁS DEL 80% DE LOS INCENDIOS
OCURRIERON EN CULTIVOS DE REGADÍO PRINCIPALMENTE DEBIDO A LOS
RESIDUOS AGRÍCOLAS QUEMADOS................................................................................. 162 FIGURA 91. CONTEO DE INCENDIOS AQUA Y TERRA MODIS (2003 – 2008). ........................ 162 FIGURA 92. TENDENCIAS TEMPORALES EN LOS RECUENTOS DE INCENDIOS MODIS
AQUA. LOS PICOS CORRESPONDEN A ESTACIONES DE QUEMA DE RESIDUOS
AGRÍCOLAS. .......................................................................................................................... 163 FIGURA 93. TENDENCIA BIMODAL EN LA ACTIVIDAD DE FUEGO CORRESPONDIENTE A
SISTEMAS CULTIVADOS DE TRIGO Y ARROZ Y RESIDUOS QUEMADOS. ................... 163 FIGURA 94. LA FRE FUE MAYOR DURANTE LOS MESES DE OCTUBRE A NOVIEMBRE QUE
CORRESPONDIÓ A LA QUEMA DE RESIDUOS DE ARROZ COMPARADO CON MARZO –
ABRIL ESTACIÓN DE QUEMA DE RESIDUOS DE TRIGO. ................................................ 165 FIGURA 95. VARIACIÓN TEMPORAL EN T/A RELACIÓN DE LA FRP DURANTE LA ESTACIÓN
DE QUE DE RESIDUOS AGRÍCOLAS. ................................................................................. 167 FIGURA 96. VARIACIÓN ESTACIONAL EN AQUA MODIS AOD (550NM) EN PUNJAB. ........... 169 FIGURA 97. ESTACIONALIDAD EN 2008 AQUA MODIS PARA LA PROFUNDIDAD ÓPTICA DE
AEROSOLES. UNA ALTA AOD DURANTE OCTUBRE Y NOVIEMBRE PUEDE SER BIEN
EXPLICADA POR INCENDIOS DE RESIDUOS AGRÍCOLAS ASÍ COMO POR CONTEO DE
INCENDIOS. EN CONTRASTE UNA SEÑAL ALTA DE AOD DURANTE LOS OTROS MESES
ES ATRIBUIDO A LA QUEMA DE BIOMASA, POLVO, ASÍ COMO LA COMBUSTIÓN DE
COMBUSTIBLES FÓSILES. .................................................................................................. 170 FIGURA 98. EL INCREMENTO DE LA AOD DURANTE OCTUBRE (PICOS AZULES) COINCIDE
BIEN CON LOS CONTEOS DE INCENDIO (CÍRCULOS CON PICOS ROJOS)
CORRESPONDIENTE A EPISODIOS DE INCENDIOS DE RESIDUOS DE ARROZ. EN
CONTRASTE LA SEÑAL DURANTE LOS MESES DE QUEMA DE RESIDUOS DE TRIGO
FUE RELATIVAMENTE DÉBIL (ABRIL Y MAYO). ................................................................ 172 FIGURA 99. A. MAPA DE UBICACIÓN DEL ÁREA DE ESTUDIO MOSTRANDO ESTADOS DEL
NORORIENTE DE INDIA Y PUNJAB; B. CONTEO DE INCENDIOS PARA DIFERENTES
MESES Y AÑOS EN PUNJAB; C. MOPITT CO (PPBV) PARA EL PICO DEL MES DE
OCTUBRE (2010) EN PUNJAB; D. CONTEO DE INCENDIOS PARA DIFERENTES MESES
Y AÑOS EN EL NORORIENTE DE INDIA; E. MOPITT CO (PPBV) PARA EL PICO DEL MES
DE MARZO (2010) EN EL NORORIENTE DE INDIA. ........................................................... 174 FIGURA 100. NUEVE AÑOS DE DATOS SE HAN PROMEDIADO PARA LLEGAR A CONTEOS
DE INCENDIOS MENSUALES Y FRP (MW). A. AQUA Y TERRA CONTEO DE INCENDIOS
PARA EL NORORIENTE DE LA INDIA; B. MEDIA DE LA FRP PARA EL NORORIENTE DE
INDIA; C. AQUA Y TERRA CONTEO DE INCENDIOS EN PUNJAB; D. MEDIA DE FRP
PARA PUNJAB. ...................................................................................................................... 175 FIGURA 101. A. ÍNDICE DE DENSIDAD DE INCENDIOS DE ÁREAS PROTEGIDAS (PAS) Y SU
BUFFER EN LAS ECO REGIONES DURANTE LA ESTACIÓN SECA TOTAL B. Y EN LOS
TRES PERÍODOS DE LA ESTACIÓN SECA. ....................................................................... 177 FIGURA 102. VALORES DE LA MEDIA DE FRP PARA TODAS LAS PAS EN LAS CUATRO
CLASES DE VEGETACIÓN, DURANTE LOS TRES PERIODOS DE LA ESTACIÓN SECA (1,
2, 3). ....................................................................................................................................... 178
236
FIGURA 103. ÍNDICE DEL PROMEDIO FRP EN LAS PAS Y BUFFERS DISTRIBUIDAS POR
ECOREGIONES EN LOS TRES PERIODOS DE LA ESTACIÓN SECA (PERIODO 1:
TEMPRANO, PERIODO 2: MEDIO, PERIODO 3: ESTACIÓN SECA TARDÍA). .................. 179 FIGURA 104. CICLO ANUAL MULTIAÑO DE LA MEDIA MENSUAL DEL FLUJO DE FRP (EN
W/M2) BASADO EN MEDICIONES AQUA - MODIS DEL SOBREPASO DURANTE EL DÍA,
QUE SE DA CERCA DE LA 1:30 PM ALREDEDOR DEL ECUADOR, Y CORRESPONDE
APROXIMADAMENTE AL TIEMPO DEL PICO DE BIOMASA INCENDIADA AL DÍA EN
MUCHAS REGIONES. NOTE QUE LA LARGA ESCALA ES USADA EN EL EJE VERTICAL
PARA ACOMODAR................................................................................................................ 186 FIGURA 105. IMÁGENES DE INCENDIOS 3 HYPER-SIM.GA. (A) COMPOSICIÓN COLOR
VERDADERO (R = 621 NM, G = 569 NM, B = 511 NM). DESTACANDO LA LOCALIZACIÓN
DE LLAMA DE FUEGO Y LA PRODUCCIÓN DE HUMO ABUNDANTE Y (B) PERFIL
ESPECTRAL DE UBICACIÓN A (FUEGO FLAMEANTE; RELATIVAMENTE LIBRE DE
HUMO) Y B (FUEGO CUBIERTO DE HUMO). SON INDICADAS LA POSICIÓN DE
LONGITUD DE ONDA DE LAS CARACTERÍSTICAS DE EMISIÓN DE POTASIO, SODIO Y
LA ABSORCIÓN DE OXÍGENO. ............................................................................................ 203 FIGURA 106. ESCENAS DIURNAS ΔT MIR – TIR DE SUR AMÉRICA CUBRIENDO BRASIL, PERÚ Y
BOLIVIA TOMADAS POR TERRA MODIS A LAS 14:55 UTC EL 29 DE AGOSTO DE 2003.
SUPERPUESTOS Y CONFIRMADOS AL FINAL LOS PIXELES DE FUEGO ACTIVO
IDENTIFICADOS USANDO EL MOD14 (CÍRCULOS VERDES) Y EL SLSTR (EN ROJO) EN
LA DETECCIÓN DE FUEGO ACTIVO APLICANDO EL ALGORITMO CON LOS DATOS
MODIS. ................................................................................................................................... 207 FIGURA 107. ESCENAS DIURNAS DE MODIS Y ASTER DE BRASIL TOMADAS A LAS 14:55
UTC DEL 29 DE AGOSTO DE 2003, JUNTO CON LAS DETECCIONES DE INCENDIOS
ACTIVOS CORRESPONDIENTES. EL ÁREA DE LA ESCENA COMPLETA MODIS Y LA
UBICACIÓN DE LA ESCENA ASTER DENTRO DE ELLA SE MUESTRA EN LA FIGURA. 12.
(A) MUESTRA LA SUB ESCENA MODIS ΔTMIR-TIR QUE COINCIDE CON EL ÁREA DE 75 KM
X 75 KM DE LA BANDA 8 ASTER (2.33 UM) ESCENA QUE SE MUESTRA EN (C). ESTA
ÁREA CONTIENE MUCHOS INCENDIOS ACTIVOS, ADEMÁS DEL MODIS (A) Y LAS
IMÁGENES ASTER (C), LOS PÍXELES DE INCENDIOS ACTIVOS APARECEN CON UNA
SEÑAL ALTA (BRILLANTE). LAS ÁREAS COMUNES DE INCENDIOS ACTIVOS PUEDEN
SER CLARAMENTE IDENTIFICADAS EN LOS CONJUNTOS DE DATOS. (B) Y (D)
MUESTRAN LAS MISMAS IMÁGENES DE MODIS Y ASTER, PERO CON LAS
UBICACIONES DEL ASTER, MOD14 Y LOS ALGORITMOS DE DETECCIÓN DE FUEGOS
ACTIVOS SLSTR SUPERPUESTOS (SÓLO LA DETECCIÓN CENTRAL PARA UN GRUPO
DETERMINADO DE PIXELES DE INCENDIOS ACTIVOS SE MUESTRA PARA MAYOR
CLARIDAD). ES EVIDENTE QUE, EN GENERAL, EN ESTA ZONA LA MAYOR PARTE DE
LAS DETECCIONES DE INCENDIOS ASTER (CUADRADOS AZULES) ESTÁN
ACOMPAÑADOS POR UNA DETECCIÓN DE INCENDIOS MODIS, PERO MÁS
COMÚNMENTE CON EL ALGORITMO SLSTR (EN ROJO) QUE CON EL ALGORITMO
MOD14 (CÍRCULOS VERDES). ............................................................................................ 207 FIGURA 108. SUB ESCENA DIURNA MODIS DEL GOLFO DE MÉXICO TOMADA POR AQUA
MODIS A LAS 18:55 UTC EL DOS DE ABRIL DE 2005. DATOS DE MODIS ΔT MIR – TIR,
BANDA 2 Y BANDA 1 SON ASIGNADAS A RGB RESPECTIVAMENTE, EN PIXELES QUE
CONTIENEN BAJA TEMPERATURA PERO DE ALTA QUEMA DE GAS QUE APARECEN
CON COLOR MARRÓN DEBIDO A SUS ALTA MIR Y LA DIFERENCIA DE LA
TEMPERATURA DE BRILLO TIR. LA TIERRA APARECE VERDE Y EL AGUA AZUL-
237
PÚRPURA EN ESTA VERSIÓN. ESTOS LUGARES SON VISUALMENTE IDENTIFICABLES
SÓLO LIGERAMENTE EN LA IMAGEN ORIGINAL, PERO SON DETECTABLES MEDIANTE
EL EXPERIMENTAL GAS QUEMADO SLSTR PRUEBAS CUYAS DETECCIONES SE
SUPERPONEN CON CRUCES ROJAS (DESPLAZAMIENTO DE UN PÍXEL EN X U Y) A LA
DERECHA. (WOOSTER ET AL., 2012) ................................................................................. 210 FIGURA 109. A. MENSUALIDAD Y ESTACIONALIDAD; B. VARIACIONES DE LA MEDIA
SUPERFICIAL, CONCENTRACIÓN DE CO (PPBV) PARA DIFERENTES MESES Y
ESTACIONES. DATOS PARA NUEVE AÑOS HAN SIDO PROMEDIADOS Y GRAFICADOS
PARA DIFERENTES MESES. ESTACIONALIDAD PROMEDIO PARA INVIERNO INCLUIDO
ENERO, FEBRERO Y MARZO; VERANO; ABRIL, MAYO, JUNIO; ESTACIÓN DE LLUVIA;
JULIO, AGOSTO, SEPTIEMBRE; POST MONZÓN; OCTUBRE, NOVIEMBRE Y DICIEMBRE.
................................................................................................................................................ 211 FIGURA 110. GRÁFICO DE SERIE DE TIEMPO DE MODIS CONTEO DE INCENDIOS Y MOPITT
CO (PPBV) VARIACIONES DE RESIDUOS DE INCENDIOS (2003 – 2011) EN LA
AGRICULTURA EN PUNJAB. ............................................................................................... 212 FIGURA 111. LOS GRÁFICOS DE DISPERSIÓN MUESTRAN CORRELACIÓN CO DE
INCENDIOS EN BOSQUES AL NORORIENTE DE INDIA. A. CONTEOS DE INCENDIOS
TERRA CONTRA CO (PPBV); B. TERRA FRP (MW) CONTRA CO (PPBV); C. CONTEO DE
INCENDIOS AQUA CONTRA CO (PPBV); D. AQUA FRP (MW) CONTRA CO (PPBV). ..... 214 FIGURA 112. INFORMACIÓN DEL AEROSOL SUBTIPO Y LOS DATOS VFM PARA ALGUNOS
CASOS DE MUESTRA EN EL NORORIENTE DE LA INDIA Y EL PUNJAB SE MUESTRAN
EN LA FIGURA 112 A-D Y EN LA FIGURA 113. LA IMAGEN VFM EN LA FIGURA 112 A Y C
MUESTRA ELEVADAS CAPAS DE AEROSOL (NARANJA) DURANTE LOS PERÍODOS
PICO DE LA QUEMA DE BIOMASA (MARZO EN EL NORORIENTE Y OCTUBRE EN
PUNJAB). LA INFORMACIÓN DEL AEROSOL CALIPSO SUBTIPO SUGIRIÓ HUMO DE LA
QUEMA DE BIOMASA DOMINANDO LOS AEROSOLES EN EL NORESTE (FIGURA 112B),
FRENTE A PUNJAB (FIGURA 112D). LOS DATOS DE CALIPSO TAMBIÉN REVELARON
HUMO A PARTIR DE LA QUEMA DE BIOMASA QUE ALCANZÓ 5 KILÓMETROS EL 22 DE
MARZO DE 2010, DESDE LOS INCENDIOS FORESTALES PERENNES DEL NORORIENTE
DE LA INDIA, FRENTE A LOS INCENDIOS DE RESIDUOS AGRÍCOLAS EN PUNJAB QUE
ESTABAN POR DEBAJO DE 2 KILÓMETROS EL 4 DE OCTUBRE DE 2010. ................... 217 FIGURA 113. MEDIA DE ALTITUD DE HUMO IDENTIFICADO POR DATOS CALIPSO DURANTE
EL PICO DE LA ESTACIÓN DE INCENDIOS, OCTUBRE INCENDIOS DE RESIDUOS DE
ARROZ (PUNJAB) Y MARZO, INCENDIOS EN BOSQUE (NORORIENTE DE INDIA). ...... 219
238
7. LISTA DE ABREVIATURAS
FRP: Potencia Radiativa del Fuego
FRE: Energía Radiativa del Fuego
AF: Incendios Activos
BA: Superficie Incendiada
SEVIRI: Sensor de Rotación Mejorada de Imágenes Infrarrojas y Visibles
MODIS: Espectroradiometro de Imágenes de Resolución Moderada
CMG: Cuadrícula de Modelado del Clima
GLC 2000: Conjunto de datos espaciales
GFED: Base de Datos Mundial de Emisiones de Incendios
FC: Consumo de Combustible
AOD: Profundidad Óptica de Aerosoles.
MAS: MODIS Simulador a Bordo
SMD: Densidad de la Masa de Humo
AI: Índice de Aerosol