nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La ocurrencia de un incendio forestal puede modificar los regímenes del fuego, basados en la frecuencia y la intensidad (De Santis y Chuvieco, 2009), ya que se alteran los procesos e interacciones de los ecosistemas forestales (González et al., 2008). Esto puede propiciar pérdida de recursos maderables (Rodríguez et al., 2012), generación de emisiones de diversos gases (Martínez et al., 2014; North y Hurteau, 2011), altas tasas de erosión y alteraciones en la respuesta hidrológica y de nutrientes del suelo (Neris et al., 2016; Wohlgemuth et al., 2006). Lo cual, a su vez, puede modificar el paisaje y favorecer climas extremos (por ej., sequias) más frecuentes (Cerano et al., 2015). Sin embargo, la intensidad con la que se presenta el fuego durante un incendio forestal puede ser variable, lo que genera que el daño en el ecosistema sea diferente, y por lo tanto, se presenten diferentes grados de severidad de daño en la vegetación (Botella y Fernández, 2017). De esta forma, el nivel de severidad condiciona la respuesta que tendrá el ecosistema ante los efectos del fuego (Jakubauskas et al., 1990). Más aún, existe una relación entre la severidad y la cantidad combustible que se consume, lo que, a su vez, puede definir la capacidad de recuperación del ecosistema (Montorio et al., 2014). Así mismo, una alta severidad está asociada a niveles bajos de recuperación de la vegetación y, por lo tanto, a factores de degradación y alteraciones del mismo (Neris et al., 2016). De acuerdo con esto, es importante estudiar el impacto del fuego sobre la vegetación en áreas quemadas para poder comprender la dinámica de las especies y, de esta forma, sustentar la aplicación de estrategias de restauración adecuada (Viana et al., 2017). Sin embargo, esto requiere de estudios complejos y una amplia gama de análisis, tanto de comportamiento del fuego como de la respuesta del ecosistema (Rodríguez et al., 2012), para lo cual es útil la generación de cartografía de la severidad de los incendios. Esta cartografía permite ubicar y dimensionar diferentes niveles de severidad para priorizar la implementación de estrategias de, por ejemplo, reducción de erosión del suelo y reforestación en áreas altamente afectadas (Montorio et al., 2014), o la recuperación natural de especies adaptadas al fuego, en áreas de severidad moderada (Rodríguez y Fulé, 2003).
De acuerdo con lo anterior, se puede evaluar la severidad del fuego desde la observación directa en campo, comparando la magnitud de cambio entre los componentes forestales impactados y no impactados, como, por ejemplo, la cantidad de combustible leñoso consumido, o la biomasa del dosel vivo que se quemó (Key y Benson, 2006; Kasischke et al., 2008). Sin embargo, frecuentemente las evaluaciones del consumo de material leñoso caído, las mediciones del porcentaje de copa quemada de los árboles o la altura de la llama marcada en el fuste de los árboles después de un incendio se realizan de forma puntual, en sitios específicos, lo que dificulta la evaluación de grandes áreas y limita la extrapolación de datos a escalas mayores o a áreas inaccesibles. Debido a esto, desde una perspectiva integral, se ha relacionado la información obtenida en campo con el uso de imágenes multiespectrales obtenidas de sensores remotos (van Wagtendonk et al., 2004), con los cuales se pretende determinar el nivel de severidad de un incendio forestal (Keeley, 2009). Esta alternativa se basa en poder detectar el cambio en la reflectancia de las áreas quemadas y las áreas sin quemar (Montorio et al., 2014), lo cual define firmas espectrales que permiten diferenciar, por ejemplo, el carbón resultante de la quema del material quemado (De Santis y Chuvieco, 2009). Específicamente, se destaca el análisis de la región del infrarrojo cercano e infrarrojo de onda corta, donde se puede identificar la actividad fotosintética, ubicando de esta manera áreas quemadas en donde esta actividad fotosintética es nula, o baja (Gitas et al., 2012). De esta forma, se pueden definir algoritmos, denominados comúnmente índices espectrales, los cuales son aplicados para el análisis de las imágenes derivadas de sensores remotos para ubicar áreas quemadas y evaluar la severidad del fuego (Chuvieco et al., 2005). Estos índices se han definido desde varias perspectivas, como, por ejemplo: a) detección de la vegetación sana y comprarla con la vegetación no sana, como el índice de vegetación de diferencia normalizada (NDVI) (Viana et al., 2017); b) basados en la humedad de la vegetación, como el índice de agua de diferencia normalizada (NDWI) (Edwards et al., 2013); c) índices especializados en la detección de la severidad del fuego, como el índice normalizado de la relación de quemado (NBR) (Key y Benson, 2006), y d) índices que comparan dos fechas como: la diferencia normalizada de la relación de quemado (dNBR) (McCarley et al., 2017), la forma relativizada del dNDR (RdNBR) (Cardil et al., 2019) y la relación de combustión relativizada (RBR) (Parks et al., 2014). Esta diversidad de opciones hace difícil seleccionar el índice que mejor convenga.
Objetivo
El objetivo de este trabajo fue hacer un análisis comparativo de una serie de índices espectrales utilizados para la evaluación de la severidad de los incendios forestales. Esta evaluación consideró diferentes niveles de severidad y se desarrolló con información de campo e imágenes de satélite de un ecosistema forestal templado del estado de Jalisco, México.
Materiales y métodos
Área de estudio
El estudio se llevó a cabo en la Sierra de Tapalpa (Figura 1), donde el clima es templado subhúmedo, con temperatura media anual de 15.9 °C y máxima y mínima promedio entre 26.6 oC y 4.8 oC, respectivamente. La precipitación media anual es de 872 mm. El suelo es principalmente regosol y la vegetación arbórea predominante está conformada por especies de pino y encino (INEGI, 2009). El área de estudio tiene un historial de ocurrencia de incendios frecuentes, en particular el incendio evaluado en este trabajo ocurrió durante el 8 y 9 de abril de 2018, siendo un incendio mixto y considerado por CONAFOR con una clasificación de primer orden de impacto moderado, con un tamaño reportado de entre 51 a 100 hectáreas (CONAFOR, 2019).
Evaluación de severidad en campo
La ubicación de las diferentes condiciones de severidad en la vegetación se determinó mediante la evaluación de nueve sitios de muestreo (tres condiciones), ubicados a través de recorridos en campo en el área quemada por el incendio forestal que ocurrió en abril de 2018 y fue evaluado después de la temporada de lluvias; estos muestreos se llevaron a cabo entre agosto y octubre del mismo año. En estos sitios se identificaron las condiciones de la vegetación y se definieron los siguientes niveles de severidad:
•Sin quemar (sq). Área donde no ha ocurrido un incendio forestal o donde han pasado más de cinco años desde último incendio, por lo que ya se reestableció la estructura del bosque (Figura 2A).
•Severidad media (m). Áreas donde se hizo el reconocimiento visual de las marcas o cicatrices de quemado en tronos y ramas, presentándose un escorchado (altura de la marca del fuego en el fuste) por debajo de la mitad de la altura total del árbol y donde la copa puede estar afectada parcialmente (Figura 2B).
•Severidad muy alta (ma). Áreas donde se llevó a cabo el reconocimiento visual de las marcas o cicatrices de quemado en tronos y ramas, presentándose un escorchado mayor que la mitad de la altura total del árbol y la copa se afectó parcial o totalmente (Figura 2C).
Figura 2 Condiciones de severidad de un incendio forestal, en un bosque de pino-encino: A= sin quemar; B= severidad media y C= severidad muy alta.
Los sitios de muestreos se realizaron en rodales de 400 m2 donde se evaluó el arbolado mayor a 3 m de altura tomando los siguientes datos: de género, nombre común, condición, vigor, diámetro normal, altura total, altura de fuste limpio, posición sociológica, grosor de corteza, profundidad de quemado en corteza, altura de escorchado, altura de quemado de copa, diámetro de copa de norte a sur y de este a oeste, porcentaje de copa quemada, daños, porcentaje de daño. A su vez, este sitio de muestreo se divide en subsitios, donde se evaluó la regeneración del arbolado por categoría de alturas en: tres áreas de 5 m2 -regeneración menor de 30 cm de altura, área de 100 m2; regeneración de 31cm a 1 m y área de 200 m2; regeneración de 1.1 a 3 m. De la regeneración encontrada se tomaron datos de: género, tipo de regeneración ya sea semilla o vástago, altura, vigor, daño y porcentaje de daño. Además, se obtuvieron datos de combustibles forestales muertos (ramas, ramillas hojarasca y fermentación) y combustibles forestales vivos (pastos, hierbas y arbustos).
Detección remota de severidad
Debido a que las imágenes Landsat son las usadas más comúnmente para diferentes propósitos de análisis de impacto por incendios forestales, para la evaluación remota de la severidad del incendio forestal, se utilizaron imágenes Landsat 8 (OLI), antes y después de la ocurrencia del incendio forestal, correspondientes a los meses de marzo-abril y cuando se tomaron los muestreo en campo que fue después de la temporada de lluvias agosto-octubre del año 2018. Todas estas imágenes fueron obtenidas mediante la plataforma de Google Earth Engine la cual ofrece imágenes corregidas atmosféricamente utilizando LaSRC con una máscara de nube, sombra, agua y nieve producida con CFMASK, así como una máscara de saturación por pixel. Posteriormente, estas imágenes fueron incorporadas al sistema de información geográfica Qgis para la aplicación de los índices.
Índices espectrales. Debido a que la firma espectral de la vegetación sana muestra una reflectancia alta en el NIR y una baja en el SWIR del espectro electromagnético, contrario a la firma espectral que tiene la vegetación quemada, se puede ubicar el área afectada por el fuego, así como los niveles de severidad mediante la aplicación de índices espectrales. Por ello, en este trabajo se probaron diferentes índices espectrales, los cuales se agruparon de acuerdo a las fechas de las imágenes empleadas: a) monotemporales (Tabla 1). Consideran una sola fecha de obtención de la imagen, obtenida después del incendio; b) bitemporales (Tabla 2). Para su estimación se usan dos fechas de imágenes, obtenidas antes y después de ocurrido el incendio, de tal forma que se obtiene un valor diferenciado al comparar las dos imágenes.
Tabla 1 Índices espectrales monotemporales (una sola fecha), usados para la determinación del nivel de severidad de un incendio forestal.
| Índice | Fórmula | Fuente |
| NIR | =longitud de onda 0.85 µm - 0.88µm | LANDSAT 8 |
| NDVI |
|
Tran et al. (2018) |
| NDWI |
|
Tran et al. (2019) |
| NBR |
|
Key y Benson (2006) |
| EVI |
|
Smith et al., (2007) |
| NBRT |
|
Tran et al. (2019) |
| BAI |
|
Fornacca et al. (2018) |
| OSAVI |
|
Rondeaux et al. (1996) |
| GCI |
|
Fernandes et al. (2020) |
| SIPI |
|
Fiodortsev et al. (2019) |
| GNDVI |
|
Chen et al. (2020) |
| GEMI |
|
Bastarrika et al. (2011) |
Tabla 2 Índices espectrales bitemporales (dos fechas), usados para la determinación del nivel de severidad de un incendio forestal.
| Índice | Formula | Fuente |
| RdNBR |
|
Miller y Thode (2007) |
| dNBR |
|
Key y Benson (2006) |
| RBR |
|
Parks et al. (2014) |
| RI |
|
Riaño et al. (2002) |
| NRI |
|
Riaño et al. (2002) |
| dNDVI |
|
Tanase et al. (2011) |
NIR= Banda 5 infrarrojo cercano; NDVI= Índice de vegetación de diferencia normalizada; NDWI= Índice de agua de diferencia normalizada; NBR= Relación de quemado normalizada; EVI= Índice de vegetación mejorado; NBRT= Relación de quemado normalizada con banda térmica BAI= Índice de área quemada; OSAVI= Índice de vegetación ajustado al suelo optimizado; GCI= Índice de clorofila verde; SIPI= Índice de pigmentación insensible a la estructura; GNDVI=, Índice de vegetación de diferencia normalizada verde; GRMI= Índice de monitoreo ambiental global; Red= Banda 4 roja (0.64 µm - 0.67 µm); BLUE= Banda 2 azul ( 0.45 µm - 0.51 µm); Green = Banda 3 verde ( 0.53 µm - 0.59 µm); SWIR= Banda 6 (1.57 µm - 1.65 µm); SWIR= Banda 7 (2.11 µm - 2.29 µm); TRIS = Banda 10 infrarrojo térmico (10.60 µm - 11.19 µm);; C1 y C2= Ajustes de la resistencia atmosférica (6 y 7.5); L= Constante para corregir el fondo del suelo del dosel (1.0); G= Factor de ganancia (2.5).
RdNBR= Diferencia relativa de relación de quemado normalizada; dNBR= Diferencia normalizada de relación de quemado; RBR= Relación de combustión relativa; RI= Índice de Regeneración; NRI= Índice de regeneración normalizado; dNDVI= Diferencia de índice de vegetación de diferencia normalizada; NBRpre= Valor NBR previo al incendio; NBR post= Valor NBR posterior al incendio; VI fuego= Vigor de NDVI después del incendio; VI control= Vigor de NDVI antes del incendio.
Categorización de severidad. La utilidad práctica de los índices espectrales es poder clasificar el nivel de severidad del fuego, en un sitio dado, de tal forma que se puedan ubicar y dimensionar las áreas prioritarias (mayor severidad). Para esto, primeramente, se recortó el área quemada de cada una de las imágenes creadas por la implementación de cada uno de los índices espectrales (Escuin et al., 2008), posteriormente, estas imágenes se dividieron en categorías de severidad, para lo cual se probaron dos métodos de clasificación en cada una de las imágenes: a) rupturas naturales de Jenks y b) intervalos iguales. Para definir cuál es el método de clasificación más adecuado se crearon matrices de confusión, con base a las cuales se definió la precisión y el índice kappa que arrojó cada método de clasificación.
Criterio de selección
Para seleccionar el índice espectral que mejores resultados definiera en relación a la clasificación de la severidad del incendio forestal, se estructuró una matriz de confusión, con base a la cual se comparan los valores de severidad definidos en campo con los valores de severidad especificados en las imágenes por cada uno de los índices. De esta forma, la selección del índice espectral se basó, primeramente, en la estimación de la precisión global, que se determina dividiendo el número total de sitios correctamente clasificados entre el número total de sitios de referencia, lo cual se expresa como porcentaje. Sin embargo, debido a que una distribución totalmente aleatoria de los sitios en las clases de severidad pueda conducir a resultados aparentemente correctos en la matriz de confusión, también se estimó el coeficiente kappa, el cual determina en qué porcentaje es mejor el resultado de la matriz, con lo que resultaría de aplicar un clasificador aleatorio que asignara al azar niveles de severidad a los sitios. La expresión para el cálculo del coeficiente kappa es la siguiente (Mas et al., 2003):
donde: r= número de filas en la matriz; xii = número de observaciones en el elemento de la fila i y la columna i; x i+= observaciones totales en la fila i; x +i = observaciones totales en la columna; N= número total de observaciones en la matriz.
Para sintetizar los valores de confiabilidad que se generaron en la matriz de confusión, se definió un índice (denominado índice PK) que resulta al dividir los valores del coeficiente kappa entre la precisión global, de esta forma el criterio de selección es aquel índice espectral que más se acercó al valor de 1.0. Para el cálculo de este índice se promediaron los coeficientes kappa y la precisión global derivados del análisis de la imagen después del incendio (marzo 2018) y de una imagen obtenida después de la temporada de lluvias (día de la toma de muestra en campo, periodo agosto a octubre). Una vez que se seleccionó el mejor índice espectral, se ubicó y delimitó la severidad del incendio forestal con base a las cinco clases de severidad definidas por el Programa de Protocolo de Inventario y Monitoreo de Efectos de Fuego (Lutes et al., 2006): a) sin quemar; b) baja severidad; c) severidad media; d) alta severidad, y e) muy alta severidad.
Resultados y discusión
Detección de áreas quemadas
Al aplicar cada uno de los índices espectrales a las imágenes Landsat después del incendio se pudo observar fácilmente el área quemada. En el caso de los índices monotemporales (Figura 3), la diferencia entre áreas quemadas y no quemadas se aprecia mejor en las imágenes generadas con los índices NIR, SIPI, GNDVI y GEMI.
Figura 3 Detección de áreas quemadas basadas en los índices espectrales monotemporales en imágenes después del incendio.
Por otra parte, cuando se aplican los índices diferenciados (bitemporales), que utilizan imágenes previas y posteriores al incendio, la cicatriz que dejo el fuego no es tan visible en todos los índices. Específicamente, los índices RI y NRI muestran una menor diferenciación de la marca dejada por el incendio forestal en la vegetación. Por el contrario, los índices RdNBR, dNBR, RBR y dNDVI presentan una cicatriz del incendio más marcada y detectable a simple vista (Figura 4).
Imágenes una temporada de lluvias después del incendio
El procedimiento antes mencionado se aplicó también a las imágenes obtenidas una temporada de lluvias después de la ocurrencia del incendio, en donde es menos evidente la cicatriz que ha dejado el impacto del fuego en la vegetación, generando imágenes con pixeles con valores más homogéneos, en los cuales no es posible distinguir a simple vista el área quemada (Figura 5). Sin embargo, al aplicar los índices diferenciados a las imágenes de antes del incendio y las imágenes después de una temporada de lluvias se puede observar unas ligeras áreas resaltadas más oscuras lo que representa menor recuperación en la vegetación para las imágenes con dNBR, RBR y dNDVI. Nuevamente los índices RI y NRI muestran menor visibilidad de los cambios en la vegetación.
Clasificación de severidad
La implementación de cada uno de los índices espectrales generó una escala de valores específica, cuya frecuencia definieron principalmente una distribución bimodal, tanto en los índices monotemporales (Figura 6) como en los índices bitemporales (Figura 7). No obstante, algunos índices definieron una distribución normal (NDWI, GCI y RdNBR). Por otra parte, en los índices diferenciados (bitemporales) las escalas de valores son muy variables entre cada índice, presentándose incluso valores negativos solo para los índices RdNBR, dNBR, RBR y dNDVI. De acuerdo a esto, visualmente no fue posible generalizar un umbral de separación de los valores de estos índices para clasificar los niveles de severidad, por lo que fue necesario usar los métodos de clasificación probados (rupturas naturales o intervalos iguales). El análisis mostró que el método de rupturas naturales presentó una mayor precisión global (66.0%) y mayor valor kappa (55.6) que los mapas generados mediante intervalos iguales, donde se obtuvo una precisión global de 43.3% y un valor kappa de 30.5. Con base en esto, la clasificación por medio del método de rupturas naturales permitió definir rangos de los valores para cada uno de los tres niveles de severidad: sin quemar (sq), severidad moderada (m) y severidad muy alta (ma).
Figura 6 Histogramas de frecuencia de los valores resultantes de los índices espectrales monotemporales después del incendio, donde se definen tres categorías (rupturas naturales).
Distribución espacial de severidad
Como resultado de la separación (tres clases) de los valores generados por cada uno de los índices, se generaron imágenes temáticas de severidad, donde se ubica la distribución espacial de los niveles de severidad establecidos (Figura 8). Primeramente, se observa que, en general, existe un patrón similar del área quemada por el incendio, en donde las áreas más afectadas se encuentran rodeadas por zonas de severidad moderada, donde, en la mayoría de las imágenes, la severidad muy alta presenta una mayor superficie. Por el contrario, los índices NDWI, BAI, NBRT y en menor medida el NBRT, muestran menor cantidad de terreno con severidad muy alta.
Figura 8 Niveles de severidad determinados por los índices espectrales monotemporales después del incendio.
Con las imágenes de severidad generadas con los índices diferenciados (bitemporales) también es visible la cicatriz del incendio (Figura 9). Sin embargo, a diferencia de los índices monotemporales, se presentan superficies menos abundantes de las áreas con severidad muy alta, donde es notorio que para los índices IR y NIR estas superficies son mucho menores. Esto puede deberse a que las imágenes creadas solo con las imágenes monotemporales (posteriores al incendio) ubican las áreas impactadas por el fuego, pero sin ningún punto de comparación; mientras que las imágenes definidas con los índices diferenciados (bitemporales) permiten apreciar las diferencias de la vegetación al comparar las condiciones anteriores y posteriores al incendio. De esta manera, si en alguna zona la vegetación se encontraba bajo el impacto de plagas, sequia, huracanes, incendios previos u otro factor de estrés, los valores de los índices no se pueden atribuir solo al impacto del fuego, sino precisamente a esta condición antes del incendio. Finalmente, esto propicia que la imagen resultante discrimina, como parte del daño por el incendio, las áreas con condición inicial afectada antes del incendio.
Figura 9 Niveles de severidad determinados por los índices espectrales bitemporales (antes y después del incendio).
A diferencia de los mapas temáticos realizados a las imágenes después de la ocurrencia del incendio, al aplicar los índices con los valores una temporada de lluvias después se puede observar menor superficie afectada por el incendio, lo que denota una recuperación en la reflectancia de la vegetación por el crecimiento de algunas plantas que emergen después de las lluvias. Aun así, los mapas generados por todos los índices monotemporales son similares entre sí, remarcando áreas donde el daño sigue siendo alto en la parte sureste del perímetro incendiado, siendo más notorio con la banda 5, EVI, GCI y GEMI. Por el contrario, con la aplicación de los índices bitemporales a las imágenes previas y una temporada de lluvias después del incendio, se nota una gran diferencia entre el mapa temático generado por el RdNBR, que muestra muy pocas áreas afectadas y donde el daño del incendio es casi imperceptible con respecto a los mapas generados por los otros índices donde la cicatriz del incendio es muy notoria y donde se muestra una gran área con severidad muy alta para todos los índices exceptuando el dNBR donde la mayor parte del polígono afectado se categoriza como severidad moderada (Figura 10).
Análisis comparativo
Con el propósito de seleccionar el índice espectral que mejores resultados define y, por lo tanto, la imagen que mejor describiera la distribución espacial de los niveles de severidad del incendio forestal, todas las imágenes temáticas, resultantes de la aplicación de los diferentes índices, se compararon tomando como base la información de severidad de los sitios muestreados en campo (Tabla 3). Posteriormente, con esta comparación se estructuró la matriz de confusión correspondiente, donde se presentaron los aciertos de clasificación, de las tres condiciones, por cada uno de los índices espectrales. Los resultados muestran que, en general, la precisión global fue del 82.1%, mientras que el valor del coeficiente kappa general fue de 73.1. En particular, las mejores imágenes temáticas de severidad resultaron de la implementación de los índices NBR, GNDVI, RdNBR, dNBR, RBR, RI y BAI, los cuales presentaron una precisión de 88.9% y un coeficiente kappa igual a 83.3. Estos valores implican que las estimaciones de severidad, a través de sensores remotos, son buenas. Finalmente, la integración de la precisión global y el coeficiente kappa (índice PK) dio como resultado que el mejor índice espectral para ubicar espacialmente la severidad del incendio forestal es el NBR (Tabla 4).
Tabla 3 Análisis comparativo de la clasificación de severidad por cada uno de los índices espectrales: sq= sin quemar; m= severidad media; ma= severidad muy alta.
| Severidad\Ïnidice | NIR | NDVI | NDWI | NBR | EVI | NBRT | BAI | OSAVI | GCI | SIPI | GNDVI | GEMI | RdNBR | dNBR | RBR | RI | NRI | dNDVI |
| sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq |
| sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq |
| sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq | sq |
| m | m | m | sq | sq | m | sq | m | m | m | m | m | m | m | m | m | sq | m | m |
| m | ma | ma | m | m | ma | m | si | ma | ma | ma | m | ma | m | m | m | m | ma | ma |
| m | ma | ma | m | m | ma | m | m | ma | ma | ma | ma | ma | ma | ma | ma | m | ma | ma |
| ma | ma | ma | m | ma | ma | m | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma |
| ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma |
| ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma | ma |
| Precisión | 77.8 | 77.8 | 77.8 | 88.9 | 77.8 | 77.8 | 88.8 | 77.8 | 77.8 | 77.8 | 88.9 | 77.8 | 88.9 | 88.9 | 88.9 | 88.9 | 77.8 | 77.8 |
| kappa | 66.7 | 66.7 | 66.7 | 83.3 | 66.7 | 66.7 | 83.3 | 66.7 | 66.7 | 66.7 | 83.3 | 66.7 | 83.3 | 83.3 | 83.3 | 83.3 | 66.7 | 66.7 |
Tabla 4 Valores del índice PK, definidos por cada uno de los índices espectrales usados para definir la distribución espacial de la severidad del incendio forestal.
| Después de incendio | Después de lluvias |
Promedio | |||||
| Índice | Precisión | Kappa | Precisión | Kappa | Precisión | Kappa | PK |
| NBR | 88.89 | 83.30 | 77.78 | 66.70 | 83.335 | 75.00 | 0.900 |
| GNDVI | 88.89 | 83.30 | 44.44 | 16.70 | 66.665 | 50.00 | 0.750 |
| RdNBR | 88.89 | 83.30 | 33.33 | 0.00 | 61.11 | 41.65 | 0.682 |
| dNBR | 88.89 | 83.30 | 55.56 | 33.30 | 72.225 | 58.30 | 0.807 |
| RBR | 88.89 | 83.30 | 33.33 | 0.00 | 61.11 | 41.65 | 0.682 |
| RI | 88.89 | 83.30 | 33.33 | 0.00 | 61.11 | 41.65 | 0.682 |
| BAI | 88.89 | 83.30 | 22.20 | 0.00 | 55.545 | 41.65 | 0.750 |
| OSAVI | 77.78 | 66.70 | 66.67 | 50.00 | 72.225 | 58.35 | 0.808 |
| NIR | 77.78 | 66.70 | 55.56 | 33.30 | 66.67 | 50.00 | 0.750 |
| NDVI | 77.78 | 66.70 | 77.78 | 66.70 | 77.78 | 66.70 | 0.858 |
| NDWI | 77.78 | 66.70 | 77.78 | 66.70 | 77.78 | 66.70 | 0.858 |
| EVI | 77.78 | 66.70 | 66.67 | 50.00 | 72.225 | 58.35 | 0.808 |
| NBRT | 77.78 | 66.70 | 77.78 | 66.70 | 77.78 | 66.70 | 0.858 |
| GCI | 77.78 | 66.70 | 66.67 | 50.00 | 72.225 | 58.35 | 0.808 |
| SIPI | 77.78 | 66.70 | 55.56 | 33.30 | 66.67 | 50.00 | 0.750 |
| GEMI | 77.78 | 66.70 | 55.56 | 33.30 | 66.67 | 50.00 | 0.750 |
| NRI | 77.78 | 66.70 | 33.33 | 0.00 | 55.555 | 33.35 | 0.600 |
| dNDVI | 77.78 | 66.70 | 33.33 | 0.00 | 55.555 | 33.35 | 0.600 |
Imagen temática final
Una vez que se seleccionó el índice espectral (NBR), para desglosar de manera más amplia la severidad del incendio, se generó la imagen temática sobre la distribución espacial de la severidad del incendio forestal, con base a las siguientes clases (Figura 11): a) sin quemar; b) baja severidad; c) severidad media; d) alta severidad; e) muy alta severidad. Estas clases se definieron mediante el método de rupturas naturales. Al igual que las imágenes derivadas con tres clases, la imagen con cinco clases permitió delimitar claramente el área quemada.
Discusión
El índice NBR presenta buenos resultados en la evaluación de incendios forestales en este trabajo, lo cual se puede deber a que reporta el estado de la vegetación como se encuentra en el área sin importar si el daño es causado específicamente por el fuego o por otros factores, es decir, simplemente reporta la condición de la vegetación en el momento, lo que coincide con lo evaluado en campo ya que cuando se evalúa un área después de un incendio se observa cómo está la vegetación después del paso del fugo pero no se evalúa como es que estaba esta vegetación previa al incendio, y puede ser que el daño de la vegetación, además de ser por el fuego, pueda deberse a que la vegetación ya se encontraba bajo algún tipo de factor de estrés, como plagas, sequias u otros factores. Sin embargo, es importante considerar que se ha informado que las áreas quemadas reportadas con el NBR se pueden confundir con cuerpos de agua o zonas de roca descubierta (Heredia et al., 2003).
Por otra parte, el índice NDWI dio como resultado valores altos de precisión, lo que coincide con estudios que han reportado que tanto NBR y NDWI se ubican entre los tres mejores índices para la detección de cicatrices de quemaduras identificadas un año después del incendio, pero no para la evaluación inmediata posterior al mismo, donde la metodología mediante el análisis de bandas Tasseled Cap Greenness reporta mejores resultados (Fornacca et al., 2018). Esto último tiene relación con lo encontrado en este trabajo, ya que el índice NDVI, con la banda verde (GNDVI), se presenta como uno de los mejores índices en la evaluación de imágenes posteriores al incendio (Fernández et al., 2016). Sin embargo, se ha reportado que los índices espectrales que combinan la reflectancia en bandas de onda del NIR y la región de infrarrojos y borde rojo de onda corta mostraron correlaciones fuertes con la severidad de incendios mediada en campo (Chuvieco et al., 2006).
Para la clasificación de las imágenes posteriores al incendio, el índice dNBR dio como resultado, en este trabajo, valores promedio de precisión. Sin embargo, ha mostrado buenos resultados para determinar la severidad del impacto del fuego en la vegetación de diferentes ecosistemas forestales, como bosque templado, bosques de pino y bosques boreales (De Carvalho et al., 2015), por lo que se aplicado con éxito en estudios en España, China y Grecia (Mallinis et al., 2017; Fornacca et al., 2018; Heredia et al., 2003). Por otra parte, la derivación relativa del índice dNBR (RdNBR), presentó resultados más bien bajos en este estudio. Sin embargo, se reportan buenas correlaciones para detectar vegetación con signos de daño por incendios forestales, como la altura media del escorchado y la pérdida de la cubierta vegetal (árboles y arbustos) (Cardil et al., 2019), llegando a presentar valores de precisión altos (83%) (Arellano et al., 2017). Debido a esto, se esperaba que este índice derivara en valores altos de precisión en la clasificación de la severidad. En cuanto al índice RBR, la literatura reporta que fue creado como una alternativa para generar mayor precisión con las mediciones de severidad reportadas en campo, en comparación a los índices dNBR y RdNBR (Parks et al., 2014). Sin embargo, en este trabajo, el índice RBR dio como resultado uno de los valores más bajos de precisión, incluso en comparación con los índices RdNBR y dNBR. Por su parte, el índice NDVI en este trabajo mostró buenos resultados en la clasificación de severidad para las imágenes de después del incendio, lo cual coincide con lo reportado por Alganci et al. (2010) y Van Leeuwen et al. (2010). No obstante, algunos autores señalan que el NDVI generó malos resultados, por lo que no debe seleccionarse para el mapeo de cicatrices quemadas (Chuvieco et al., 2005).
Un dato importante que se debe considerar para futuros trabajos es la extensión del área quemada a analizar, ya que la variación de precisión de los índices puede depender de la extensión del incendio. Específicamente, se ha detectado que cuando se utilizan bandas SWIR en ecosistemas de arbusto y bosques de hoja perene se puede generar un incremento del 5% en la precisión frente a trabajar con incendios mayores a 25 ha., mientras que esta precisión aumenta un 10% al detectar áreas menores de 25 ha. (Bastarrika et al., 2011). Además, en la detección de áreas quemadas, los errores de omisión que se han reportado son de 23% para áreas quemadas de más de 2 km2, mientras que los errores de comisión son solo del 8% para áreas de más de 0.5 km2 en bosques de matorrales (Diaz y Pons, 2001). Más aún, para la generación de algoritmos para la detección de área quemadas, se obtuvieron mayores probabilidades de detección cuando se excluyeron incendios pequeños de la evaluación en una gran cantidad de ecosistemas (bosques subtropicales de hoja ancha y coníferas, semi-sabanas, bosques de coníferas y praderas alpinas) (Fornacca et al., 2017).
Una alternativa que se podría aplicar para afinar esta precisión en este tipo de trabajos, es generar los cálculos de los umbrales de la clasificación de la severidad específicamente para el territorio forestal donde se esté trabajando, omitiendo las áreas no quemadas. También se debe definir el periodo de evaluación de la severidad lo más cercano a la fecha de ocurrencia del incendio forestal, ya que se obtienen valores de precisión en la evaluación de la severidad (Botella y Fernández, 2017; Tran et al., 2019). Sin embargo, algunos autores establecen los rangos de severidad de manera extendida, es decir, que realizan la evaluación después de un año del incendio (Key y Benson, 2006), lo que puede dar como resultad valores bajos de precisión, ya que después de una temporada de crecimiento, debido a las lluvias estacionales y la tasa rápida de crecimiento de arbustos y pastos, se dificulta la evaluación de la severidad (Fornacca et al., 2018). No obstante, esto último podría servir cuando se hacen estudios de resiliencia de los ecosistemas forestales.
Conclusiones
•El índice NBR resultó ser el mejor para definir la distribución espacial de niveles de severidad de un incendio forestal en el área de estudio. Sin embargo, esto no implica que suceda lo mismo para todos los casos, por lo que se debe seleccionar el índice que mejor convenga a cada condición en particular.
•Existe diferencia entre la precisión de los índices espectrales, lo que depende de la temporalidad en que se aplican, donde para las imágenes obtenidas después del incendio los mejores índices son: NBR, GNDVI, RdNBR, Dnbr, RBR, RI y BAI. Mientras que para las imágenes obtenidas después de lluvias los mejores índices son: NBR, NBRT, NDVI y NDWI.
•Debe delimitarse, lo mejor posible, la zona en la que se va a hacer la clasificación de la severidad de incendios forestales. De esta forma se elimina la variabilidad en el rango de los valores generados por los índices espectrales.
•El trabajo de campo es esencial para la evaluación de los diferentes índices, donde se recomienda evaluar el mayor número de sitios de referencia, así como asegurar una buena distribución de estos a lo largo del área de estudio. Así mismo, deberá definirse en campo el mayor número de clases de severidad.
•El proceso metodológico de este estudio podrá apoyar futuras investigaciones, no solo en zonas similares al área de estudio sino también para otras condiciones. Más aún, podrán hacerse evaluaciones de otros índices espectrales que se usan para la clasificación de la severidad del fuego.
