Para comprender los efectos que ocasiona el cambio climático en los ecosistemas forestales, es relevante comprender la probabilidad e intensidad de los incendios en zonas de praderas, bosques, etc. Para esto y otros fines, las imágenes satelitales se han transformado en la información por excelencia para la toma de decisiones y desarrollo de algoritmos y modelos que puedan apuntar a representar la incidencia de este fenómeno.
Recientemente la #NASA ha desarrollado el modelo Global Fire Weather Database (#GFWED), que provee de información de los vientos, temperatura, precipitación, humedad y otros para ser usados en el análisis de sensores remotos para pronosticar el lugar en el que se podrían originar los puntos calientes en una zona geográfica específica.
De manera efectiva, el modelo otorga un tipo de puntaje de fuego que muestra las áreas donde es más probable la incidencia de los incendios. Es importante considerar que el viendo es, junto con las áreas secas, uno de los factores que conducen a propagar los incendios.
Otra técnica que ha sido usada últimamente para modelar este fenómeno, es el uso de machine learning, como lo es el famoso Random Forest y algoritmos genéricos que utilizan bases de datos de usos de suelo y vegetación para generar modelos junto con imágenes de resolución media de MODIS.
En este caso, la topografía y la cobertura vegetal son los factores más importantes y la evaluación de este método ha tenido hasta el 85% de precisión en la realización de pronósticos de incendios en China (https://doi.org/10.1016/j.scitotenv.2018.02.278).
Otros casos en los que variables como la tenencia de la tierra son de suma relevancia son las zonas de turismo de montaña y bosques urbanos o peri-urbanos (véase el caso del Bosque La Primavera).
En otros métodos de investigación, también se ha considerado la información #OpenSource de #Landsatpara construir modelos que se basan en el uso de datos de masivos, ya que Landsat cuenta con la ventaja de tener varias misiones y un temporal amplio para disponer de información de buena calidad.
De esta manera, se utilizan las imágenes para detectar los eventos de incendios y junto con variables como las pendientes, el famoso aspect (dirección de pendientes descendientes medidos por la tasa máxima de cambio hacia el valor vecino. Indica la dirección de la brújula hacia donde apunta dicha pendiente), y una combinación de algoritmos para realizar las predicciones.
De esta manera, el conjunto histórico de imágenes puede ayudar a crear, junto con las actuales imágenes de alta resolución y de buena calidad en su resolución espectral, pueden producir modelos de más profunda calidad en su capacidad de análisis de datasets, y por lo tanto, ser potencialmente mejor opción para predecir variaciones más sutiles en los puntos calientes que pueden diferir de los eventos actuales
Por último, cabe mencionar como brevemente se comentó con anterioridad, que hay métodos para investigar los incendios desde una perspectiva antropogénica, estos casos se observan en regiones donde la actividad humana como la agricultura y la subsecuente quema es una práctica común, principalmente en medios boscosos o de praderas.
Los estudios de este tipo no son nuevos, llevan realizándose desde los 60’s y una de las grandes diferencias es la frecuencia de la información, la velocidad de respuesta y la escala a la que esta se produce hoy en día.
Nuestro actual cambio climático ha demostrado con las nuevas técnicas, ser un riesgo real en torno a la producción de incendios y desertificación. Es pues, uno de los escalones del proceso de erosión de la tierra y por tanto del fin de las tierras fértiles y ricas en recursos.
Imagen animada (del 1° de Enero del 2015 al 31 de Diciembre del 2017) con información de mapa global calculado por #JoshuaStevens usando el GFWED del NASA Goddard Institute for Space Studies.
