ANÁLISIS DE LAS POSIBLES VARIABLES

GEOGRÁFICAS QUE DETERMINARON LOS INCENDIOS

FORESTALES DEL CERRO ATACAZO EN EL PERÍODO
2010-2018 MEDIANTE USO DE IMÁGENES SATELITALES
Y DATOS METEOROLÓGICOS.

ANALYSIS OF POSSIBLE GEOGRAPHICAL VARIABLES WHICH

DETERMINED THE FOREST FIRES OF THE HILL ATTACK IN THE PERIOD
2010-2018 THROUGH THE USE OF SATELLITE IMAGES AND
METEOROLOGICAL DATA.
Jessenia Cruz1; Andrea Cruz2; Fernando Cervantes3; James Imbaquingo4; Daider León5
12345
Departamento de Ciencias de La Tierra y Construcción, Universidad De Las Fuerzas Armadas ESPE, Av.
Gral. Rumiñahui s/n y Ambato, Sangolquí, Ecuador. [email protected], [email protected],
[email protected], [email protected]; [email protected]

RESUMEN

Las variables que afectan la magnitud e intensidad de incendios forestales se pueden definir como
el nivel de severidad que condiciona la respuesta del ecosistema a los efectos del fuego, convirtiéndose
así en una variable predictiva de gran interés para la gestión de las áreas quemadas (Llovería, R.M, et
al., 2014). Para determinar los factores que influyeron en la magnitud e intensidad del incendio forestal
del Cerro Atacazo ocurrido en el año 2018, se descargaron imágenes satelitales Landsat 7 y 8 pre y post-
incendio respectivamente, con un nivel de adquisición L1T, ya corregidas geométricamente con respecto
a su verdadera posición sobre la Tierra. De la misma manera se usaron imágenes Sentinel nivel 2A,
donde las imágenes presentan una corrección radiométrica y atmosférica. Se realizó un tratamiento
digital de las imágenes Landsat 7 y 8, para dotar de significado físico a los datos medidos por estos
sensores, por lo que se realizaron las respectivas correcciones radiométrica y atmosférica. Con las
imágenes Landsat, mediante la combinación de bandas se identificó algunas formas de estrés de la
vegetación, como las áreas quemadas, objeto del presente estudio. Para el análisis de los factores
meteorológicos se obtuvieron datos anuales de precipitación (mm) de dos estaciones cercanas al cerro
Atacazo, las estaciones M0003 y M0113 que forman parte de la red meteorológica del INAHMI,
institución ecuatoriana que proporcionó los datos. A partir del análisis pluviométrico se determinó un
decrecimiento en la precipitación anual en la zona dentro del período de tiempo (2010-2016) de los datos
obtenidos. La influencia de esta variable es considerable en el contenido de humedad de la cobertura
vegetal, siendo su carencia una causa evidente en la ocurrencia de incendios forestales, comprobando el
área quemada del centro de estudio usando el modelo de detección de cambios de ENVI.

Palabras clave: Incendios Forestales; Landsat 7 y 8; Sentinel-2, espectro electromagnético; factores

meteorológicos; ENVI.

ABSTRACT

The variables that affect the magnitude and intensity of forest fires can be defined as the level of
severity that conditions the response of the ecosystem to the effects of fire, thus becoming a predictive
variable of great interest for the management of burned areas (Llovería, R.M, et al., 2014). To determine
the factors that influenced the magnitude and intensity of the Cerro Atacazo forest fire that occurred in
2018, Landsat 7 and 8 pre and post-fire satellite images were downloaded respectively, with an
acquisition level L1T, already geometrically corrected to the exact and true position on Earth. In the
same way, Sentinel level 2A images were used, where images present a radiometric and atmospheric
correction. A digital treatment of the Landsat 7 and 8 images was carried out, to give physical meaning
to the data measured by these sensors, for which the respective radiometric and atmospheric corrections
were made. With Landsat images, by combining bands, some forms of vegetation stress were identified,
such as burned areas, the object of this study. For the analysis of meteorological factors, annual
precipitation data (mm) were obtained from two stations near Cerro Atacazo, stations M0003 and
M0113 that are part of the INAHMI meteorological network, the Ecuadorian institution that provided
the data. From the pluviometric analysis, a decrease in annual precipitation in the area was determined
within the time period (2010-2016) of the data obtained. The influence of this variable is considerable
on the moisture content of the vegetation cover, it's lack being an obvious cause in the occurrence of the
forest fire, checking the burned area of the study using the ENVI change detection model.

Keywords: Live fuel moisture; multiple regression, Sentinel-2, forest parcels, Valencian Community.

1. INTRODUCCIÓN

Las variables que afectan la magnitud e intensidad de incendios forestales, se pueden

definir como el nivel de severidad que condiciona la respuesta del ecosistema a los efectos del
fuego, convirtiéndose así en una variable predictiva de gran interés para la gestión de las áreas
quemadas (Llovería, R.M, et al., 2014).Por su relación directa con la cantidad de biomasa
consumida está muy ligada a la recuperación vegetal y la dinámica hidrogeomorfológica post-
incendio, estableciéndose, de forma general, que la alta severidad está vinculada a tasas de
recuperación de la vegetación más bajas y tasas de erosión más elevadas que las áreas de baja
severidad (Doerr et al., 2006; Moody et al., 2013).
La característica principal de este tipo de variable es que con el avance tecnológico se lo
puede analizar con el uso de los SIG, en especial de la teledetección ya que la mayoría de
fenómenos geológicos, hidrológicos y atmosféricos son procesos recurrentes que dejan huellas
en la Tierra. Mediante la ubicación de eventos previos, los sensores remotos permiten
identificar áreas que puedan ser expuestas a eventos naturales, de manera que se pueden incluir
dentro del proceso de planificación las medidas necesarias para reducir el impacto social y
económico de los desastres (Ponvert-Delisles & Lau, 2018). La teledetección basada en el
espectro óptico es considerada una técnica adecuada para el estudio de la severidad del fuego
ya que el proceso de combustión supone cambios en la reflectividad superficial asociados a la
eliminación de la vegetación, la exposición del suelo, los cambios en el contenido de humedad
y la aparición de nuevas cubiertas.
El máximo exponente de estos cambios es el descenso en las regiones del visible (VIS) e
infrarrojo cercano (NIR) y el incremento en la reflectividad del infrarrojo medio de onda corta
(SWIR) (Key & Benson, 2006; White et al., 1996). Sin embargo, la inexistencia de una
metodología suficientemente detallada y exhaustiva acerca de las variables que incluyan la
localización espacial del área quemada, especies afectadas, intensidad del daño, entre otros
(Cases & Pombo, 2011); impide disponer de una valiosa información sobre el conjunto de
factores relacionados con el problema de los incendios y por consecuente que los gobiernos no
puedan desarrollar una planificación preventiva y de pronta respuesta ante la presencia de este
tipo de eventos (Toulkeridis, et al., 2016).
Una de las causas de estos problemas es que la viabilidad de los incendios se debe sobre
todo a la carga y características del combustible presente (humedad, componentes volátiles e
inflamables, etc.), a las condiciones meteorológicas en las que se desarrolla el incendio (con la
importante influencia de la velocidad del viento, la humedad relativa y la temperatura), y a la
variabilidad topográfica de la zona afectada (Whelan, 1995). Así, en la mayoría de incendios
forestales, sus efectos se revelan en un mosaico de niveles de daño causados a la vegetación y
al suelo en función de la virulencia con la que las llamas transcurrieron por cada zona. Además,
cuanto mayor es la superficie afectada, mayores las diferencias en los patrones de severidad
(Quintano, C. et al., 2006).
Los incendios forestales se han venido intensificando durante los últimos años en el
Ecuador, provocando grandes consecuencias y perjuicios de índole social, económicos y
ecológicos en diferentes provincias del país, en especial aquellas con mayor potencial e
incidencia” (Ministerio del Ambiente de Ecuador, 2010). De tal manera, la gestión de riesgos
para prevención y mitigación de incendios, sobre todo de naturaleza forestal, es muy limitada,
ya que no se cuenta con las debidas herramientas de decisión para la elaboración de una
planificación preventiva y de pronta respuesta ante la presencia de este tipo de eventos, por tal
motivo, la generación de un estudio sobre incendios forestales potenciales constituye un primer
paso hacia su comprensión y reducción de riesgos (Estacio & Narváez, 2012). Por consecuente,
el DMQ (Distrito Metropolitano de Quito) es afectado por incendios forestales al inicio de cada
época seca, siendo más del 90% de origen antrópico, principalmente por quemas agrícolas, los
mismos que se propagan de forma rápida y afectan vastas zonas del distrito por las
desfavorables condiciones climáticas y orográficas del lugar. (Toulkeridis, et al., 2016).
El objetivo de este estudio fue identificar las variables que hayan afectado a la presencia
de incendios forestales de gran magnitud e intensidad en el cerro Atacazo mediante el uso de
imágenes satelitales y datos meteorológicos provistos por el INHAMI, realizando el cálculo de
índices espectrales de NDVI, NBR y dNBR pre y post incendio para obtener resultados
cuantitativos de las áreas quemadas de la zona de estudio, y así analizar los resultados con
estadísticas meteorológicas del período de estudio para discriminar si aquellas variables están
relacionadas intrínsecamente o no con la presencia de los incendios forestales; para que esta
investigación sea de enriquecimiento para las autoridades competentes de cualquier zona del
país, y así sea de ayuda para sus futuros planes de prevención y mitigación con respecto a
fenómenos de incendios.

2. LOCALIZACIÓN DE LA ZONA DE ESTUDIO

El cerro Atacazo está ubicado en la Cordillera Occidental en la parroquia de Cutuglahua,

provincia de Pichincha, tiene una altura de 4450 msnm y posee una temperatura media anual
de 11.9 ºC, está ubicado en las coordenadas geográficas con datum WGS84, latitud 0° 21’ 26’’
S longitud 78° 37’ 09’’ W.

Figura 1. Zona de estudio

Fuente: (Autores, 2020)
 3. DATOS Y MÉTODOS

3.1. Datos Meteorológicos

Según (Freire Quintanilla, 2020), la fenología de las especies forestales depende del
estado meteorológico del ecosistema, obteniendo así el desarrollo de las plantas relacionado a
los parámetros ambientales. Por tal motivo se realiza la recopilación de datos de variables
meteorológicas (precipitación, temperatura, humedad relativa, viento, levante y punto del
rocío), con el fin de relacionarlos con la humedad de combustible vivo y los índices de
vegetación. Para ello se recolectaron datos de precipitación de los anuarios y boletines
meteorológicos del INAMHI desde el 2010, de las estaciones meteorológicas: Izobamba
(M0003), ubicada en la provincia de Pichincha, cantón Quito y Uyumbicho (M0113), ubicada
en la provincia de Pichincha, cantón Mejía, estaciones más cercanas a la zona de estudio; a
partir del año 2013 los datos fueron solicitados al INMAHI.

Tabla 1. Estaciones Meteorológicas cercanas al sitio de estudio

ESTACIÓN CÓDIGO LATITUD LONGITUD ALTITUD TIPO PROPIETARIO
(m)
Izobamba M0003 0° 22' 0'' S 78°33'0'' W 3058 meteorológico INAMHI
Uyumbicho M0113 0° 23' 18'' 78°31' 31''W 2740 meteorológico INAMHI
S
Fuente: (INAMHI, 2020)

Tabla 2. Precipitación total anual (mm) en las estaciones M0003 Y M0113

PRECIPITACIÓN
ANUAL (mm)
AÑO M0003 M0113
2010 1774,4 1595,3
2011 1487,8 1452,1
2012 1400,6 1074,6
2013 1160,7 1227,2
2014 1393 1363,4
2015 1091,6 895
2016 1394 nd
Fuente: (Autores, 2020)

Precipitación anual (mm) - Precipitación anual (mm) -M0113

M0003 2000
2000
1500
1500
1000
1000

500 500

0 0
2008 2010 2012 2014 2016 2018 2009 2010 2011 2012 2013 2014 2015 2016

Figura 2. Precipitación anual (mm) en la Figura 3. Precipitación anual (mm) en la

estación M0003 estación M0113
Fuente: (Autores, 2020) Fuente: (Autores, 2020)
 Tabla 4. Estadística descriptiva de la Tabla 3. Estadística descriptiva de la
estación M0003 de la precipitación total estación M0113 de la precipitación total
(mm) entre los años 2010-2016. (mm) entre los años 2010-2015

M0003
Media 1386,014286 M0113
Error Media 1267,933333
84,37097907
típico Error típico 104,6130064
Mediana 1394 Mediana 1295,3
Moda #N/D Moda #N/D
Desviación Desviación 256,2484862
223,2246285
estándar estándar
Varianza Varianza de la 65663,28667
49829,23476
de la muestra muestra
Curtosis 0,79322678 Curtosis -0,81751489
Coeficiente Coeficiente de -0,30240835
0,475886656
de asimetría asimetría
Rango 682,8 Rango 700,3
Mínimo 1091,6 Mínimo 895
Máximo 1774,4 Máximo 1595,3
Suma 9702,1 Suma 7607,6
Cuenta 7
Cuenta 6
Nivel de
Nivel de 268,9162941
confianza 206,4483486
confianza (95,0%)
(95,0%)
Fuente: (Autores, 2020) Fuente: (Autores, 2020)

M0003 vs M0113
2000

1500

1000

500

0
2009 2010 2011 2012 2013 2014 2015 2016

M0003 M0113
Lineal (M0003) Lineal (M0113)

Figura 4. Comparación M0003 vs. M0113 en precipitación anual (mm)

Fuente: (Autores, 2020)

En las siguientes figuras se observan los mapas de isoyetas de la República del Ecuador
de los años 2010, 2011, 2012, 2013 para visualizar de mejor manera la variable precipitación.
Figura 5. Mapa de Isoyetas del Ecuador año 2010
Fuente: (INAHMI, 2014)

Figura 6. Mapa de Isoyetas del Ecuador año 2011

Fuente: (INAHMI, 2014)
 Figura 7. Mapa de Isoyetas del Ecuador año 2012
Fuente: (INAHMI, 2015)

Figura 8. Mapa de Isoyetas del Ecuador año 2013

Fuente: (INAHMI, 2017)

3.2. Recopilación de Información y registro de Incendios Forestales

Las imágenes satelitales que se usaron para identificar los posibles factores geográficos
que influyeron en la magnitud e intensidad de los incendios forestales del Cerro Atacazo fueron
descargadas de la Plataforma Earth Explorer del Servicio Geológico de los Estados Unidos
(USGS).
Las imágenes descargadas antes del incendio (12 de octubre de 2017) y después del
incendio (30 de octubre de 2018) provienen de los satélites de baja resolución Landsat 8 y
Landsat 7 respectivamente, con una resolución espacial de 30 metros para las bandas
multiespectrales y de 15 metros para la banda pancromática. Ambos satélites con una resolución
temporal de 16 días y una resolución radiométrica de 8 y 12 bits respectivamente (NASA,
2020). También se utilizaron imágenes Sentinel-2 con un nivel de adquisición 2A; obtenidas de
la autoría del Ing. Eduardo Kirby, docente del departamento de Ciencias de la Tierra y
Construcción de la Universidad de las Fuerzas Armadas ESPE. Las fechas correspondientes de
las imágenes Sentinel-2 antes del incendio y después del incendio fueron del 29 de septiembre
de 2018 y del 24 de octubre de 2018 respectivamente.

Tabla 5. Características Generales de los satélites Landsat 7,8 y Sentinel-2

Resolución Resolución Resolución

Sensores N° Bandas
Espacial temporal Radiométrica
MS: 30 m
LANDSAT 7 8 16 días 8 bits
PAN: 15 m
MS: 30 m
10 y 11 (TIRS 1-
LANDSAT 8 TIR:100 m 16 días 12-16 bits
TIRS2)
PAN: 15 m
 MS: 10 m
MS: 4
SWIR, NIR,
SWIR. NIR,
VRED:20 m
SENTINEL-2 VRED:6 2-3 días 12 bits
Coastal,Cirrus,
Coastal,Cirrus,
Water Vapor: 60
Water Vapor:3
m
Fuente: (NASA, 2020)

3.3. Procedimiento para el Tratamiento de Imágenes Satelitales

Una vez obtenidas las imágenes de la zona de estudio se procede a realizar un tratamiento
digital de aquellas para dotar de significado físico a los datos medidos por los sensores de
Landsat 7 y 8, entonces se debe realizar con anterioridad las respectivas correcciones
geométrica, radiométrica y atmosférica. Para así contar con imágenes con los mismos
parámetros espaciales y radiométricos que permitan posteriormente el respectivo análisis
multitemporal y espectral del incendio (Chuvieco, 2002).

3.3.1. Corrección Geométrica

El nivel de adquisición de las imágenes Landsat utilizadas para el proyecto es de un nivel

1, con un subproducto específico Nivel 1 Terrain o L1T, este producto estándar entregado por
la USGS se encuentra en formato de niveles digitales enteros (ND) con una resolución
radiométrica de 16 bits. Ya no es necesario realizar las correcciones geométricas, ya que al tener
las imágenes con un nivel de procesamiento L1T se tienen productos con correcciones
geométricas sistemáticas aplicadas, utilizando para ello puntos de control terrestre (GCP) para
entregar una imagen registrada a una proyección cartográfica, referenciada a WGS84.
Adicionalmente a los datos de este nivel ya se les aplicó una corrección topográfica por el
desplazamiento del terreno debido al relieve (Instituto Geográfico Agustín Codazzi, 2013).

Tabla 6. Tabla de referencia de Bandas en una imagen L1T

Fuente: (NASA, 2020)

3.3.2. Corrección Radiométrica

Los datos que vienen almacenados en las imágenes obtenidas mediante los diferentes
sensores ópticos, son valores o niveles digitales (ND), y al no representar de manera directa
ninguna variable biofísica, se tiene que transformar el nivel digital a radiancia banda por banda,
esta etapa se conoce como corrección radiométrica (Chuvieco, 1995).
La corrección radiométrica es un paso fundamental para una adecuada interpretación de
las imágenes satelitales, ya que los contrastes en la iluminación y la geometría deben ser
minimizados en estudios multitemporales mediante el uso de valores constantes o coeficientes
de corrección de factores tales como la distancia entre la tierra y el sol (Alexakis et al., 2014;
Chander et al., 2009; Schroeder et al., 2006). Para las 6 bandas en el espectro óptico (visible e
infrarrojo cercano y medio) de las imágenes Landsat 7 y 8 se calculan las radiancias a partir de
los coeficientes de conversión proporcionados en los metadatos, empleando la siguiente
ecuación según S. Hantson et al. (2011):
𝑳𝝀 = (𝑮𝒂𝒊𝒏 ∗ 𝑵𝑫) + 𝑩𝒊𝒂𝒔 (1)
Donde:
𝑳𝝀 : Radiancia espectral de cada banda medida por el sensor al tope de la atmósfera en
unidades de 𝑊/(𝑚2 ∗ 𝑠𝑟 ∗ 𝑢𝑚).
𝑵𝑫: Son los niveles digitales de las bandas.
𝑩𝒊𝒂𝒔: Es el factor de reescalonamiento de offset o pérdida específica del sensor para cada
banda en unidades de 𝑊/(𝑚2 ∗ 𝑠𝑟 ∗ 𝑢𝑚).
𝑮𝒂𝒊𝒏:Es el factor de reescalonamiento de la ganancia específica del sensor para cada
banda en unidades de 𝑊/(𝑚2 ∗ 𝑠𝑟 ∗ 𝑢𝑚).
Los valores de Bias y Gain se obtienen de los metadatos de las imágenes satelitales
descargadas de la USGS.
Para realizar la corrección radiométrica de cada imagen se llevó a cabo de forma
automática con ayuda del módulo FLAASH del software ENVI. De esta manera, primero se
recortó el área de interés-cerro Atacazo- para las imágenes pre y post incendio, Landsat 8 y
Landsat 7 respectivamente, y se utilizó la herramienta Radiometric Calibration del software,
donde se transformaron los valores digitales (ND) a valores de radiancia. Lo que ahorra tiempo,
al no tener que realizar todas estas conversiones individualmente.

3.3.3. Corrección Atmosférica

Luego, con los valores digitales (ND) transformados a variables biofísicas de radiancia
se redujeron las perturbaciones producidas por la atmósfera cambiando los valores de radiancia
a reflectancia en el techo de la Atmósfera (TOA), con el proceso de corrección atmosférica,
logrando así una mejor calidad en las imágenes (Chuvieco, 1995).
Entonces, una vez obtenida la radiancia espectral recibida por el sensor, S. Hantson et al.
(2011) afirma que se puede calcular la reflectividad aparente (en el techo de la atmósfera, TOA)
con la siguiente fórmula:
𝝅 . 𝑳𝝀 . 𝒅𝟐
𝝆𝑻𝑶𝑨 = 𝑬 (2)
𝒐,𝝀 .𝐜𝐨𝐬 𝜽𝒔
Donde:
𝒅:Distancia Tierra-Sol en el momento de la toma de la imagen, expresada en unidades
astronómicas.
𝑳𝝀 : Radiancia espectral, calculada como en la fórmula (1).
𝑬𝒐,𝝀 ∶ Irradiancia espectral solar exoatmosférica
𝜽𝒔 : Ángulo cenital solar, que se encuentra en los metadatos de la propia imagen.
De esta forma, se hizo uso la herramienta FLAASH Atmospheric Correction de ENVI
para realizar la calibración atmosférica de manera automática con los parámetros
multiespectrales de los metadatos de las imágenes satelitales pre y post incendio, para calcular
los valores de reflectancia, con ayuda del insumo generado en el proceso de calibración
radiométrica.
3.3.4. Clasificación Supervisada

Una vez que se han corregido las imágenes satelitales y se han obtenido las unidades
físicas de cada una de ellas, con ayuda del software ENVI se aplica la técnica de clasificación
 supervisada que permite identificar y extraer de la mejor forma posible las áreas quemadas
(Chuvieco, 2002). Posteriormente se realizarán combinaciones de falso color para reconocer el
incendio forestal y clasificarlo.
Para proceder a hacer el análisis espectral de las imágenes de reflectancia (corregidas
atmosféricamente) de ambas imágenes satelitales, se ejecutó la clasificación supervisada por el
método de ‘Maximum Likelihood Classification (Máxima Probabilidad)’ el cual se caracteriza
que a partir del centro conocido de cada clase, el píxel se asigna a aquella clase con la que posee
mayor probabilidad de pertenencia, así mismo, evalúa la varianza y covarianza (correlación) de
cada vector característico desconocido para asignárselo a una categoría espectral (se considera
que la distribución de es normal) (Arozarena Villar, A. y Otero Pastor, I. , 2016). Cabe
mencionar que este clasificador es el más complejo y, por lo tanto, el que mayor volumen de
cálculo requiere, pero es el más robusto y fiable ya que se ajusta fielmente a la distribución
original de los datos (Gómez & Soto, s.f.). Para realizar este método de clasificación se deben
generar áreas/ regiones de entrenamiento o también denominados ROIs (Region of Interest)
para obtener los componentes espectrales a identificar. De la misma manera se pueden utilizar
las distintas combinaciones de color de las imágenes para una mejor identificación de las
regiones de interés, en este caso se utilizó la combinación RGB 432 (Infrarrojo).

3.3.5 Generación de índices de vegetación y severidad de incendios

Una vez tratada las imágenes satelitales de los sensores Landsat 7 y 8 (realizado las
correcciones geométricas radiométrica, y atmosférica); y en conjunto con las imágenes
Sentinel-2 (ya vienen con sus respectivas correcciones) se aplican distintas técnicas que
permiten identificar y extraer de la mejor forma posible las áreas quemadas (NBR) (Toulkeridis,
et al., 2016); así como las variaciones de verdor, mismas que pueden estar relacionadas
indirectamente con el contenido de agua de la hoja ya que las variaciones de humedad de la
vegetación afectan la actividad de la clorofila, la estructura interna de la hoja y el índice de área
foliar (LAI) de la vegetación (Freire Quintanilla, 2020).

Tabla 7. Tabla de índices espectrales y bandas espectrales usadas

Índices Fórmula Sentinel-2 Landsat 7 Landsat 8
Espectrales

Normalized 𝑁𝐼𝑅𝐼𝑅 − 𝑅𝐸𝐷 𝐵8 − 𝐵4 𝐵4 − 𝐵3 𝐵5 − 𝐵4

𝑁𝐷𝑉𝐼 = 𝑁𝐷𝑉𝐼 = 𝑁𝐷𝑉𝐼 = 𝑁𝐷𝑉𝐼 =
Difference 𝑁𝐼𝑅𝐼𝑅 + 𝑅𝐸𝐷 𝐵8 + 𝐵4 𝐵4 + 𝐵3 𝐵5 + 𝐵4
Vegetation
Index
Normalized 𝑁𝐼𝑅𝐼𝑅 − 𝑆𝑊𝐼𝑅 𝐵8𝑎 − 𝐵12 𝐵4 − 𝐵7 𝐵5 − 𝐵7
𝑁𝐵𝑅 = 𝑁𝐵𝑅 =
Burn Ratio 𝑁𝐵𝑅 = 𝑁𝐼𝑅𝐼𝑅 + 𝑆𝑊𝐼𝑅 𝐵8𝑎 + 𝐵12 𝐵4 + 𝐵7
𝑁𝐵𝑅 =
𝐵5 + 𝐵7
Fuente: (Andrija, 2019)

3.3.5.1 Severidad de Incendios

La diferencia entre el NBR antes (Prefire) y después al incendio (Postfire) obtenido de

las imágenes se usa para calcular el diferencial NBR (dNBR), que luego se puede usar para
estimar la severidad del incendio. Un valor más alto de dNBR indica un daño más severo,
mientras que las áreas con valores negativos de dNBR pueden indicar un nuevo crecimiento
después de un incendio (Keeley, J. E., 2009). La fórmula utilizada para calcular dNBR se ilustra
a continuación:
 𝒅𝑵𝑩𝑹 = 𝑁𝐵𝑅 𝑝𝑟𝑒 − 𝑁𝐵𝑅 𝑝𝑜𝑠𝑡 (3)

Según (Keeley, J. E., 2009). los valores de dNBR pueden variar de un caso a otro, por lo
que, si es posible, la interpretación en casos específicos también debe llevarse a cabo mediante
una evaluación de campo; para obtener los mejores resultados. Sin embargo, el Servicio
Geológico de los Estados Unidos (USGS) propuso una tabla de clasificación para interpretar la
gravedad de la quemadura, que se puede ver a continuación.
Tabla 8. Niveles de severidad en incendios obtenidos a partir del dNBR, propuesto por USGS.

Fuente: (Keeley, J. E., 2009).

En conjunto con la generación de la clasificación supervisada de las imágenes, se

procederá a tomar 10 puntos de muestra dentro de la clasificación del área quemada, para las
imágenes antes y después del incendio, y así obtener el rango de severidad del incendio con
respecto a la anterior tabla.

3.3.6 Detección de Cambios

Al momento de realizar un estudio de detección de cambios se responderán tres preguntas

importantes dónde, cuánto y cómo. Existen diversos métodos de detección de cambio, por
ejemplo: diferencia de imágenes, diferencia NDVI, análisis de componentes principales,
diferencia de clasificaciones, vector de cambios, etc. (Estornell, Ruiz, & del Rey, 2004).
El objetivo de utilizar el módulo de detección de cambio en el software ENVI fue
identificar el área de incendio entre el par de imágenes pre y post incendio Landsat 7 y 8 y otro
par de imágenes pre y post incendio Sentinel nivel 2A. Para ejecutar el módulo de detección de
cambio en ENVI es necesario tener imágenes registradas, es decir que calce la una sobre la otra,
en distintas fechas, además de tener ambas imágenes corregidas radiométricamente y
atmosféricamente. Dentro del estudio se utilizó el método diferencia entre imágenes ya que
detecta de mejor manera cambios producidos en coberturas vegetales.

3.3.6.1 Diferencia entre imágenes

El método describe una simple resta entre las imágenes de dos fechas, previamente
homogenizadas radiométrica y geométricamente, permite discriminar aquellas zonas que han
experimentado cambios entre esas fechas (Riaño, 2002). A través del método “Image
difference” de ENVI se hizo una diferencia entre imágenes aplicando como variable a restar el
“Burn Index” o índice de quemado.
 4. RESULTADOS

4.1. Análisis de los datos metereológicos

Los valores de precipitaciones registrados en la estación meteorológica M0003

(Izobamba) durante el periodo de tiempo 2010-2016, muestran un valor promedio de
precipitación anual de 1386,014 mm, con un valor máximo de 1774,4 mm en el año 2010 y un
valor mínimo de 1091,6 mm, en el año 2015; indicando un decrecimiento anual en la
precipitación de la zona, tal como se observa en la figura 3.

M0003 vs M0113
2000

1500

1000

500

0
2009 2010 2011 2012 2013 2014 2015 2016

M0003 M0113 Lineal (M0003) Lineal (M0113)

Figura 9. Comparación M0003 vs. M0113 en precipitación anual (mm)

Fuente: (Autores, 2020)

En cambio, los valores de precipitaciones registrados en la estación meteorológica M0113

(Uyumbicho) durante el periodo de tiempo 2010-2015, denotan un valor promedio de
precipitación anual de 1267,93 mm, con un valor máximo de 1595,3 mm en el año 2010 y un
valor mínimo de 895 mm en el año 2015; estos valores muestran una tendencia bajista durante
los años muestreados
Para las imágenes Landsat se aplica la combinación 4, 3, 2, del infrarrojo cercano, del
rojo y del verde respectivamente, que nos permite identificar algunas formas de estrés de la
vegetación (como áreas quemadas).

4.2 Tratamiento de las Imágenes Satelitales

En el proceso de corrección radiométrica se aplicó la configuración de FLAASH. Esto

creó una imagen radiante con las siguientes propiedades, que son necesarias para colocarlo en
las unidades correctas:
• BIL intercalado
• Tipo de datos de punto flotante
• Factor de escala de 0.1. Esto escala la salida a unidades de µW / (cm2 * sr * nm).
Esto ahorra tiempo al tener que realizar todas estas conversiones individualmente. Puede
importar la imagen calibrada directamente en FLAASH. Debido a que este proceso convierte
el tipo de datos en coma flotante y combina todas las bandas en un solo archivo, el tiempo para
crear un archivo de salida aumentará significativamente y la barra de progreso puede detenerse
al 25% (Exelis, 2020).
 Figura 10. Resultados del proceso de calibración radiométrica realizada en ENVI en el área pre-
incendio (izquierda) y post-incendio (derecha)/ Combinaciones de banda RGB 321 (Color Verdadero)
Fuente: (Autores, 2020)

En el proceso de corrección atmosférica se utilizó el factor de escala 1 ya que los datos

fueron modificados previamente para obtener sus unidades correctas en el proceso de
calibración radiométrica. Se escogen los tipos de sensores de las imágenes satelitales, en este
caso Landsat 7 y 8 y el programa definirá automáticamente algunos parámetros para el proceso.
Para poder analizar de mejor manera las firmas espectrales se procede a convertir los
valores de reflectancia (data value al momento de abrir la firma espectral) que se muestran en
una escala de hasta 10000, a una escala de 0 a 1, mediante la herramienta ‘Band Math’ de Envi,
en los archivos de reflectancia generados.

Figura 11. Resultados del proceso de corrección atmosférica realizada en ENVI en el área pre
incendio (izquierda) y post-incendio (derecha) / Combinaciones de banda RGB 321 (Color Verdadero)
Fuente: (Autores, 2020)

4.3 Análisis Espectral de las Imágenes Satelitales

Primero se generó la clasificación supervisada, escogiendo las regiones de entrenamiento

solamente desde la percepción de las imágenes satelitales, ya que no se pudo ir a hacer verdad
del terreno debido a la situación del COVID-19 por la que se está atravesando. Es así que el
tipo de vegetación en las laderas del cerro Atacazo se nombró como pajonal de acuerdo a las
descripciones de vegetación hechas por el Distrito Metropolitano de Quito en su Plan de
Prevención y Respuesta a Incendios Forestales en el año 2018 (CBDMQ, 2018).
 Para saber el nivel de confianza de la clasificación supervisada por el método de Máxima
Probabilidad se realizó una evaluación estadística denominada ‘Confusion Matrix Using
Ground Truth ROIs’, donde el Overall Accuracy muestra el valor de los píxeles bien
clasificados a través de la realización de nuevas regiones de interés (ROIs) de prueba, a parte
de las regiones de interés de entrenamiento (ROIs usados para la clasificación). Así se llegó que
un total de 1811/ 2084 píxeles estuvieron correctamente clasificados (86.90%).

(b)
(a)

Figura 12. Resultado de la clasificación supervisada en ENVI por el método de Máxima Probabilidad
en el área pre-incendio (a) y post-incendio (b) de las imágenes Landsat 8 y 7 respectivamente.
Fuente: (Autores, 2020)

Para poder realizar un análisis espectral de los diferentes componentes clasificados, se utilizó
el software Envi Classic para poder observar el comportamiento de las distintas áreas de interés
(clases) en el modelo de reflectancia con sus respectivas longitudes de ondas en micrómetros.

Figura 13. Comportamiento Espectral de las áreas de interés en el área pre incendio (izquierda) y post
incendio (derecha) de las imágenes Landsat 8 y 7 respectivamente.
Fuente: (Autores, 2020)

4.4 Índices Espectrales y Severidad de Incendios

Se obtuvieron las diferencias de los índices NDVI y NBR con respecto a las imágenes
Landsat 7 y 8; y las imágenes Sentinel-2; con respecto al pre y post incendio. Se calculó el
promedio de 10 muestras dentro del área quemada, el índice dNBR para poder clasificar la
severidad del incendio con respecto a la tabla propuesta por la USGS.

Figura 14. Diferencias de NDVI entre las imágenes Landsat 7 y 8; con respecto a Sentinel-2.
Fuente: (Autores, 2020)

Figura 15. Diferencias de NDBR entre las imágenes Landsat 7 y 8; con respecto a Sentinel-2 y
promedio de 10 muestras del índice obtenido en el área quemada (área blanca)
Fuente: (Autores, 2020)

4.5 Detección de Cambios

La detección de cambios entre el par de imágenes Landsat pre y post incendio (figura
16a), Landsat 8 y Landsat 7 respectivamente, no se realizó adecuadamente, pues, la detección
del área quemada se ve notablemente afectada por la presencia de los gases y del humo
proveniente del incendio presente en la escena. Por ello, el área finalmente detectada por el
software no corresponde exactamente a la superficie quemada. A diferencia de lo que ocurre
con las escenas pre y post incendio de Sentinel (figura 16b), pues estas imágenes de nivel de
procesamiento 2A ya corresponden a imágenes corregidas atmosféricamente por la ESA
(Agencia Espacial Europea), ofreciendo datos de reflectancia más próximos a la realidad, con
mayor nitidez, mayor brillo, contraste y no presentan la textura blanquecina del humo y los
gases producidos por el efecto de la combustión en el cerro Atacazo.
 (a) (b)

Figura 16. Empleo de la detección de cambios para identificar el área quemada entre las imágenes
Landsat 8 y 7 (a), y la identificación del área quemada entre las imágenes Sentinel-2 (b)
Fuente: (Autores, 2020)

5. CONCLUSIONES

Del año 2010 al 2016, en las estaciones metereológicas M0003 y M0113 existió un
decrecimiento del promedio anual de precipitación de 1774,4 mm a 1091,6 mm y de 1595,3
mm a 895 mm respectivamente, esto influyó directamente en el contenido de humedad de la
cobertura vegetal, de esta manera, fue uno de los factores ideales para que se produjeran los
incendios durante este periodo de sequía; un fenómeno natural que ocurre cuando las lluvias
han sido considerablemente inferiores a los niveles normales registrados, aumentando la
frecuencia e intensidad de los incendios, así como el aumento del riesgo de ignición debido a
causas naturales.
En la figura de las firmas espectrales se observa que las cubiertas vegetales (bosque,
pastizal, cultivos y páramo) presentan un comportamiento espectral típico, con valores de
reflectividad bajos en la porción visible del espectro electromagnético (bandas 3, 2 y 1) debido
al efecto absorbente de la clorofila presente en la vegetación; altos en la banda del infrarrojo
cercano (NIR) debido a la reflexión de la radiación solar que producen en esta región las
cavidades de aire internas de las hojas sanas y vigorosas; y medios en la porción infrarrojo
medio de onda corta (SWIR), relacionados con el contenido de agua en las plantas. Con esta
información espectral, el área quemada presenta los valores más bajos en todas las bandas
debido en parte al efecto absorbente de los residuos de la combustión (carbón y cenizas).
Visualmente se pueden identificar las zonas quemadas y con ausencia de vegetación al
momento de calcular la diferencia de los índices, sin embargo, al extraer la información, se
observa que el programa muestra zonas que no corresponden al área quemada, por lo cual se
consideraría digitalizar cada incendio, considerando el IAQ (índice de área quemada), la
diferencia de IAQ, y el uso de una clasificación no supervisada, para la respectiva
digitalización.
Otra de las razones de la mala clasificación de la información se debió a que no se pudo
realizar la validación del terreno al momento de realizar la clasificación supervisada para el
análisis espectral del área quemada. Se pudo comparar que las imágenes Sentinel-2 ofrecieron
mejores resultados al momento de calcular los índices NDVI, NBR y la detección de cambios
pre y post incendio para la adecuada identificación del área quemada, ya que la plataforma
proveedora de Sentinel-2 (Copernicus) ofrece una alta calidad de productos con datos más
próximos a la realidad por su alta resolución espacial y espectral a diferencia de las desventajas
que presentan las imágenes de baja resolución Landsat, esto se comprobó al utilizar el módulo
de detección de cambios tanto para las imágenes Landsat, como de Sentinel 2, obteniéndose
mejores resultados con el sensor MSI de Sentinel 2. De esta manera, el área quemada obtenida
por las imágenes de Copernicus a través del software ENVI fue de 1212.82 Ha, un valor cercano
al área reportada por las autoridades del cantón que fue de aproximadamente 921 Ha. En
cambio, con las imágenes Landsat se obtuvo un área de 36.72 Ha, lo cual no corresponde con
la superficie quemada reportada por los organismos oficiales del cantón. Por lo tanto, al tener
las imágenes Sentinel nivel 2A una adecuada corrección geométrica, radiométrica y
atmosférica, los cambios detectados en la superficie si son atribuibles a las verdaderas
modificaciones del paisaje causadas por el incendio.
En cuanto a la diferencia de NBR, se pudo clasificar el nivel de severidad del incendio en
el cerro Atacazo según la tabla de la USGS en el rango de Alta Severidad (High Severity) con
el uso de las imágenes Sentinel-2; mientras que en el rango de Severidad Moderada Alta
(Miderate High Severity) con el uso de las imágenes Landsat. Así se puede llegar a un consenso
de que el incendio ocurrido en el cerro Atacazo en el mes de septiembre del año 2018 ha sido
uno de los más grandes en las últimas décadas en la región del Ecuador, siendo este
directamente influenciado por la ausencia de precipitaciones y la baja humedad en el suelo del
área afectada.

6. REFERENCIAS

Alexakis, D. D.; Grillakis, M. G.; Koutroulis, A. G.; Agapiou, A.; Themistocleous, K.; Tsanis, I. K. et
al. (2014). GIS and remote sensing techniques for the assessment of land use change impact on flood
hydrology: the case study of Yialias basin in Cyprus. Natural Hazards and Earth System Science, v. 14,
n. 2, p. 413-426. http://dx.doi.org/10.5194/nhess-14-413-2014

Andrija, K. (junio de 2019). Analysis of Burned Vegetation Recovery By Means Of Vegetation Indices,
19th SGEM International Multidisciplinary Scientific GeoConference EXPO, 8(6). pp. 5-6. doi:
10.5593/sgem2019/2.2/S10.055

Arozarena Villar, A. y Otero Pastor, I. (2016). Sistemas de captura de la información: fotogrametría y

teledetección. Dextra Editorial. Obtenido de https://elibro.net/es/lc/espe/titulos/131471
CBDMQ. (2018). PLAN DE PREVENCIÓN Y RESPUESTA A INCENDIOS FORESTALES 2018.
Available at:
http://www7.quito.gob.ec/mdmq_ordenanzas/Comisiones%20del%20Concejo/Ambiente/2018/2018-
10
16/Presentaci%C3%B3n%20Cuerpo%20de%20Bomberos/181015%20PPTT%20Plan%20de%20Prev
enci%C3%B3n%20y%20Respuesta%20a%20Incendios%20Forestales%202018.pdf (Accessed: 14
July 2020)

Chander, G.; Markham, B. L.; Helder, D. L. (2009). Summary of current radiometric calibration
coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, v.
113, n. 5, p. 893-903. http://dx.doi.org/10.1016/j.rse.2009.01.007
Chuvieco, E. (1995). Fundamentos de Teledetección Espacial (Segunda ed.). Madrid, España: RIALP,
S.A.
Chuvieco, Emilio, (2002), “Teledetección Ambiental, La observación de la Tierra desde elespacio”,
primera edición, Ariel Ciencia, España.
Doerr, S. H., Shakesby, R. A., Blake, W. H., Cha- fer, C. J., Humphreys, G. S. & Wallbrink, P. J. (2006):
Effects of differing wildfire severities on soil wettability and implications for hydro- logical response.
Journal of Hydrology, 319: 295-311.

Estacio, J., & Narváez, N. (marzo de 2012). Incendios forestales en el Distrito Metropolitano de Quito
(DMQ): conocimiento e intervención pública del riesgo, Revista Letras Verdes Vol No. 11, pp. 27-52.
Obtenido de http://hdl.handle.net/10469/3814

Estornell, J., Ruiz, L. A. & del Rey, A., 2004. Análisis metodológico para la detección de cambios
urbanos en la ciudad de Valencia. Revista de Teledetección, pp. 55-66.

Exelis. (2020). Radiometric Calibration. Obtenido de Envi Help versión 5.3: Radiometric Calibration

Freire Quintanilla, K. (2020). Estimación De La Humedad Del Combustible Vivo Usando Imágenes
Sentinel-2 En Parcelas Forestales De La Comunidad Valenciana, Revista Geoespacial, 17 (1), pp. 6-8.
doi: http://dx.doi.org/10.24133/geoespacial.v17i1.1494

Hantson, S., Chuvieco, E., Pons, X., Domingo, C., Cea, C., Moré, G., & Tejeiro, J. A. (2011). Cadena
de pre-procesamiento estándar para las imágenes Landsat del Plan Nacional de Teledetección. Revista
de Teledetección, 36, 51-61.

Instituto Geográfico Agustín Codazzi. (2013). Descripción y Corrección de Productos Landsat 8 LDCM
(Landsat Data Continuity Mission).

Keeley, J. E. (2009). Fire intensity, fire severity and burn severity: A brief review and suggested usage.
International Journal of Wildland Fire, 18(1), 116–126.

Llovería, R.M., Cabello, F.P., Martín, A.G., Vlassova, L., & Fernández, J.R. (2014). La severidad del
fuego: revisión de conceptos, métodos y efectos ambientales, Environmental Science. Disponible en:
https://dialnet.unirioja.es/descarga/articulo/4854191.pdf

NASA. (2020). Landsat Science. Available at https://landsat.gsfc.nasa.gov/landsat-8/landsat-8-

overview/

Ponvert-Delisles, D. R., & Lau, A. (2018). Uso de la teledetección en la gestión de desastres "naturales"
en la agricultura. Apuntes y reflexiones. La Habana: Impresiones UNAH.

Quintano, C., Fernandez, A., Oscar, F., Edemir, Y., Valbuena, ML. (noviembre de 2006). Spectral
Mixture Analysis and Forest Fire Danger Indexes, International Journal of Remote Sensing Vol. 27, No.
4, pp. 45–662. Available at:
https://www.researchgate.net/publication/301601777_Spectral_Mixture_Analysis_and_For
est_Fire_Danger_Indexes

Schroeder, T. A.; Cohen, W. B.; Song, C.; Canty, M. J.; Yang, Z. (2006). Radiometric correction of
multi-temporal Landsat data for characterization of early successional forest patterns in western Oregon.
Remote Sensing of Environment,v. 103, n. 1, p. 16-26. http://dx.doi.org/10.1016/j.rse.2006.03.008

Toulkeridis, T., Padilla, O., Columba, M. J., Alezandra, W., Quiselema, R. (septiembre de 2016).
Identificación De Zonas De Recurrencia De Incendios Forestales Mediante Análisis Multitemporal Y
Aplicación De Indices Espectrales En El Distrito Metropolitano De Quito, Revista de Ciencias de
Seguridad y Defensa (Vol. 1, No. 3, 2016). Obtenido de:
https://repositorio.espe.edu.ec/bitstream/21000/7291/1/T-ESPE-047396.pdf [accessed July 10 2020].
USGS. (2020). United States Geological Survey USGS. Available at https://earthexplorer.usgs.gov/

Whelan J. (1995). The ecology of fire. Cambridge: University Press.

Riaño, O. M., 2002. Consideraciones y métodos para la detección de cambios empleando imágenes de
satélite en el Municipio de Paipa. Colombia Forestal, pp. 41-62.