2. REVISIÓN DE LITERATURA

2.1 Marco Teórico

2.1.1 El fuego

El fuego es el resultado de una reacción química rápida, en este proceso actúa una sustancia combustible y una comburente; de esto se deprende calor, radiación luminosa y humo. Sin embargo ciertas reacciones de combustión no generan una llama (Prada, 2006).

Este concepto se simplifica en un gráfico denominado el triángulo del fuego, mostrado en la Figura 1; en el cual cada lado corresponde a uno de los elementos.

Figura 1 Triángulo del fuego

Nota: Representación gráfica de los tres elementos que son imprescindibles para que tenga lugar la combustión.

Por mucho tiempo se dio por sentado que el fuego se producía por la interacción de estos tres elementos, no obstante, a partir de los años 50 se comenzó a observar que ciertos fenómenos no se podían explicar completamente y se precisó que había un cuarto factor al cual se le denomina la reacción en cadena. De este modo, en la actualidad el fuego es representado con un tetraedro como se muestra en la Figura 2.

2.1.1.1 Componentes del fuego

Para que se produzca un fuego es necesaria la acción de cuatro elementos simultáneos y se los puede definir como:

• Combustible: es cualquier sustancia; en estado sólido, líquido o gaseosos; capaz de arder por medio de una reacción química con un comburente.

• Comburente: es aquel elemento que al combinarse con el combustible permite la activación de la combustión. El más común es el oxígeno el mismo que se encuentra en el aire en una proporción de 21% en volumen y suele ser el comburente más típico en los fuegos o incendios.

• Energía de activación: es la energía (calor) mínima que se requiera para iniciar la reacción química entre el combustible y el comburente. Esta energía se puede producir de varias maneras como: fricción, chispas, sobrecargas eléctricas, radiación, reacciones químicas, etc.

• Reacción en cadena: es el proceso que se da una vez que el combustible empieza a arder y de la reacción química se genera calor, parte de dicho calor interactúa con el oxígeno del aire resultando en varias reacciones en cadena (Anero Cárcamo, 2007).

2.1.1.2 Clasificación del fuego

Los fuegos se clasifican según el comportamiento de los materiales combustibles y se ha establecido las siguientes clases (National Fire Protection Association, 2009):

• Clase A: se los conoce como los fuegos “secos” y corresponden a los combustibles sólidos los cuales retienen oxígeno en el interior y forman brasa o ceniza, como, por ejemplo: madera, papel, textiles, carbón, etc

• Clase B: se los llama los fuegos “grasos” y pertenecen a los combustibles líquidos y gases e inflamables. Se caracterizan porque solo arden en la parte superficial que está en contacto con el oxígeno, por ejemplo: gasolina, aceite, pinturas, etc. y no dejan brasas o ceniza.

• Clase C: corresponden a los fuegos que involucran equipos eléctricos o cualquier otro combustible energizado

• Clase D: se presentan en algunos metales de fácil oxidación como magnesio, aluminio en polvo, sodio, potasio, litio, titanio, etc.

• Clase K: son los fuegos que tienen como material combustible aceites de tipo industrial o domestico

2.1.2 Los incendios forestales

Se denomina incendio forestal al fuego que se propaga sobre terrenos de aptitud forestal sin control y afecta a la vegetación que no estaba determinada a arder causando una transformación del medio (Comisión Nacional Forestal, 2010).

En este contexto, se debe precisar que no se considera incendios forestales a las quemas controladas que se aplican con propósitos agrícolas, ganaderos, forestales o ya bien sea para eliminar los desechos de estas actividades como tal. Las quemas controladas bien planificadas y gestionadas apropiadamente pueden dar resultados favorables, incluso dichas quemas se usan recurrentemente para prevenir incendios forestales no obstante este tipo de práctica en algunos casos pueden resultar devastadoras (World Wildlife Fund, 2019)

Los incendios forestales se “producen por la acción del ser humano o causado por la naturaleza; ocasionando serios daños ambientales, climáticos, económicos y sociales, en detrimento del patrimonio natural (ReglamentoalCódigoOrgánicodelAmbiente, 2019).

2.1.2.1 Tipos de incendios

Los incendios forestales tienen varios tipos de clasificaciones según el patrón de comportamiento, la morfología o el grado de intensidad. Sin embargo, la categorización comúnmente utilizada es en base a los estratos de que alcanza el fuego y como este avanza, en este sentido se tiene las siguientes tres clases (Comisión Nacional Forestal, 2010):

• Superficial: son aquellos en los que el fuego se extiende en forma horizontal sobre la superficie del terreno alcanzando alturas de metro y medio. Son los incendios más comunes y afectan al tapiz herbáceo y el matorral.

• Subterráneo: se propagan bajo el suelo y se consume la materia orgánica seca y las raíces. Se caracterizan porque generalmente no presentan llamas y emiten poco, por lo cual su detección resulta más compleja.

• De copas o aéreos: por lo general el fuego inicia en la superficie del bosque sin embargo las llamas se desplazan de forma vertical a través de la vegetación orientada hacia arriba consumiendo las copas de los árboles. Este tipo de incendios son los más peligrosos, ya que avanzan con mucha velocidad y gran parte de la vegetación se consume rápidamente, dificultando el control.

2.1.2.2 Causas de los incendios

Cuando se trata de definir cuáles son las causas de los incendios forestales, es posible encontrar un sinfín de información al respecto pues cada autor, artículo o referencia lo interpreta de diferente manera sin embargo todos concuerdan en algunos elementos en la clasificación. En este sentido a continuación se detallan algunas percepciones que son de relevancia para esta investigación (Flores, 2008):

• Causas antrópicas o Intencional o Por negligencia o Por descuido o Accidental

• Causas naturales o Radiación solar o Tormentas eléctricas o Erupciones volcánicas

• Causados por interacción de la naturaleza y los humanos o Rayos solares reflejados en vidrios

Asimismo, se considera que los incendios forestales se provocan por dos tipos de causa: inmediatas y estructurales. Las causas inmediatas son las que dan inicio al fuego por la acción de fenómenos naturales o ya bien sea por la negligencia de personas y comprende las clases: intencionadas, negligencias, naturales y otras causas. En tanto que los incendios por causas estructurales atañen a aquellos factores que no generan el fuego como tal, pero que condicionan de manera significativa sobre el comportamiento del fuego. Dentro de las principales casusas estructurales se tiene: condiciones climatológicas, características de la vegetación, condiciones orográficas del terreno, uso indebido del fuego, dispersión territorial, estacionalidad de los incendios forestales, entre otras (Navarrete et al., 2007)

Por muchos años en la Unión Europa se han unido esfuerzos de diversas organizaciones con el fin de consolidar la información sobre los incendios forestales, partiendo del pensamiento que dicha información es gran importancia para la apropiada gestión de políticas ambientales y de protección civil de este modo se facilita la prevención. Sin embargo la tarea no ha sido nada fácil, considerando que cada país, participante de la red de países del EuropeanForestFireInformationSystem (EFFIS); manejaba diferentes clases o subclases de las causas de los incendios (Camia et al., 2013) . En este sentido el centro de investigación JointResearchCenter – JCR de la Comisión Europea ha diseñado un esquema armonizado con las diferentes causas de incendios para que se pueda emplear términos unificados en todos los países. En este esquema se incluyen 3 niveles jerárquicos, que incluye 29 clases organizadas en 8 grupos que corresponden a 6 categorías, a continuación, en la Tabla 1 se muestra la clasificación (Camia et al., 2013):

Tabla 1 Clasificación armonizada de las causas de incendios forestales

CATEGORÍA GRUPO CLASE

Desconocida Desconocida

Natural Natural

Accidental Accidental

Desconocida

Caída de rayos

Erupciones Volcánicas

Emisión de gases

Energía eléctrica

Ferrocarriles

Vehículos

Trabajos

Armas

Auto ignición

Otros accidentes

Negligencia Uso del fuego

Manejo de la vegetación

Quemas agrícolas

Manejo de residuos

Recreación

Otras negligencias al usar fuego Uso de objetos brillantes

Fuegos artificiales, petardo, bengala de auxilio

Cigarrillos

Cenizas calientes

Otro uso de objetos brillantes

Intencional Responsable (incendio provocado)

Interés (beneficio)

Conflicto (venganza)

Vandalismo

Emoción (incendiario)

Ocultación de crimen

Extremismo

Irresponsable

Reavivación Reavivación

Problema mental

Niños

Reavivación

Nota: Adaptado de Classes, groups and categories of the harmonized fire causes classification scheme, por Camia et al., 2020, p. 10., ( https://publications.jrc.ec.europa.eu/repository/)

De esta clasificación se destaca las definiciones de las seis categorías principales:

• Desconocido: no se sabe cómo se inició el incendio

• Natural: son los incendios que se originan por causas naturales y no hay ningún de tipo de intervención humana

• Accidental: son aquellos incendios que se producen involuntariamente e indirectamente por humanos sin uso del fuego como tal

• Negligencia: se refiere a los incendios que se provocan involuntariamente por humanos usando fuego u objetos brillantes

• Intencional: resultan del uso intencional del fuego por humanos

• Reavivación: por reencendido de un incendio anterior, por calor latente o brasas

2.1.2.3 Comportamiento del fuego

La clave principal para controlar los incendios forestales es saber la forma como se desarrolla el fuego, así como también sus características. Para comprender el compartimiento del fuego se ha trazado el triángulo del comportamiento del fuego, similar al triángulo del fuego; en el cual cada lado representa los principales componentes que intervienen en el proceso: meteorológico, topográfico y de los combustibles (Soto y Salinas, 2010) Dentro de cada componente se incluyen diversas variables, las mismas que al reaccionar entre sí y con el mismo fuego, determinan el comportamiento del fuego.

Componente meteorológico

Dentro del comportamiento de los incendios, el componente meteorológico es el más importante debido a su condición de constantes cambios entre el día y la noche, así como a los efectos locales del lugar donde se registra el siniestro (Alvarez, 2018) . Estos cambios resultan de los múltiples fenómenos propios de la atmosfera y se consideran las siguientes variables (Idaho Firewise, s.f.):

• Temperatura: los combustibles absorben la radiación solar del entorno por lo que su temperatura está determinada por la temperatura del ambiente. En términos generales a mayor temperatura ambiental, los combustibles se encenderán con mayor facilidad.

• Humedad relativa: la humedad es la cantidad de vapor de agua presente en el aire, la cual afecta a la humedad del combustible. Mientras más baja sea la humedad relativa implica que los combustibles se secan con mayor rapidez y por ende pueden arder fácilmente. Si la humedad de los combustibles disminuye, entonces aumentará la velocidad de propagación y la intensidad del fuego, así como también existe mayor la probabilidad de comportamiento impredecible del fuego (U.S. National Park Service, 2017)

• Viento: es uno de los factores de mayor relevancia ya que puede transportar el aire y además aumenta la provisión de oxígeno lo cual implica que incendio crezca velozmente, además puede desplazar el fuego a otras fuentes de combustible (U.S. National Park Service, 2017).

• Precipitación: este factor tiene un efecto directo e inmediato sobre la humedad relativa y así como también la humedad del combustible. La cantidad y distribución de la precipitación durante el transcurso de un año, define las épocas de incendio y su severidad. Mientas más lluvias y alta humedad exista, esto permite que la superficie de los combustibles se humidifique rápidamente de tal modo que no se pueda encender un incendio (Idaho Firewise, s.f.).

Componente topográfico

La topografía hace referencia a la superficie terrestre, específicamente a las características físicas de un lugar. El componente topográfico es el más estático de los tres componentes del comportamiento de los incendios forestales, sin embrago las características topográficas como la elevación, la pendiente, el aspecto y el terreno son muy cambiantes a lo largo del paisaje (U.S. National Park Service, 2017) Las principales variables topográficas que influyen en el comportamiento del fuego son: altura, exposición, pendientes, relieve, barreras

Para fines de esta investigación, examinaremos las siguientes variables topográficas:

• Altura: no es un factor determinante en la propagación de los incendios, sin embargo, afecta a otros parámetros que influyen en los incendios forestales tales como la temperatura, humedad, viento y precipitación. Según la altura, varía la duración de la época de incendios así como el combustible, esto debido a la precipitación anual total, la nieve, las épocas de deshielo y las épocas de reverdecimiento de la vegetación (Gould, 2009).

• Exposición: es la dirección que tienen las laderas o pendientes a la que se enfrenta una pendiente. Este factor incide en el comportamiento del incendio según la radiación solar que reciben las laderas y por las variaciones del viento. En el hemisferio sur las exposiciones orientadas al norte son las que reciben mayor radiación solar mientras que las exposiciones que van hacia el sur reciben menor cantidad (Moscovich et al., 2014)

• Relieve: las diversas formaciones del terreno, tales como los cañones, barrancos, valles, crestas, barreras naturales o artificiales afectan el desarrollo del fuego, así como a las tareas de control. Su importancia se debe a la influencia en las condiciones del viento, que definen la velocidad y la dirección del incendio (Pyne, 1984).

• Pendiente: es la inclinación que tiene una superficie con respecto al plano horizontal y dicha inclinación es determinante sobre la intensidad que llega de radiación solar en el terreno. De este modo un incendio en una ladera, probablemente se propaga con mayor velocidad que en un terreno plano, pues las llamas del incendio precalientan los combustibles cuesta arriba (U.S. National Park Service, 2017).

Componente del combustible

El combustible es un elemento fundamental para la generación del fuego y a la vez es un factor de interviene en el comportamiento del fuego como tal (Comisión Nacional Forestal, 2010). En términos generales se puede considerar como combustible a cualquier cosa que pueda arder, sin embargo, en materia de los incendios forestales hace referencia a todo material de origen vegetal.

Existen varias características del combustible forestal que influyen en un incendio, aunque la mayoría de autores coincide en los que se enlistan a continuación (Aguirre Briones, 2001; Michel, 2012; Villers, 2006):

• Cantidad

• Tamaño y forma

• Continuidad horizontal y vertical

• Compactación

• Edad de la vegetación (densidad y especie)

• Contenido químico

• Humedad del combustible

2.1.3 Los focos de calor

Los focos de calor o puntos calientes (hotspots en inglés) es aquella expresión que generalmente se utiliza para definir las anomalías térmicas presentes en la superficie, las mismas que son detectadas a partir de imágenes satelitales. Los focos de calor habitualmente corresponden a un incendio potencial sin embargo también pueden provenir de quemas agrícolas, actividad volcánica, superficies calientes por el sol y otras causas (Di Bella et al., 2008).

2.1.3.1 Detección de focos de calor

La detección de focos de calor se da en el momento que un sensor remoto registra la energía emitida por la superficie específicamente en las longitudes de onda: infrarrojo medio y térmico. Es decir que un punto de calor se registrará en una imagen satelital siempre y cuando se detecte un punto de la superficie que presenta una temperatura elevada en comparación a los pixeles vecinos. Considerando que los incendios pueden alcanzar temperaturas entre los 800 °C y 1200 °C se han definido los umbrales típicos de incendios en las bandas de 4 µm - 11µm (Giglio et al., 2003)

En la imagen satelital, el foco de calor se registra como un punto al centro del pixel, el cual se activa cuando detecta altas temperaturas en la superficie. Dentro de un mismo pixel activo puede haber uno o más focos de calor, sin embargo, en el pixel solo aparece un registro único en el centro del pixel. En la Figura 3 se puede observar en la parte superior como se muestra el foco de calor en la superficie mientras que en la parte inferior es la visualización dentro de la imagen satelital:

Nota: Adaptado de What does a MODIS active fire detection mean on the ground?, por Earthdata – NASA, 2021, (https://www.earthdata.nasa.gov/faq/firms-faq)

2.1.3.2 Errores de Omisión y Comisión

Los focos de calor han sido de gran utilidad para tener mayor noción en la ocurrencia de incendios y con especial énfasis en aquellas zonas donde la información es escasa pues ofrecen la posibilidad de detectar incendios casi en tiempo real y con costos muy bajos, sin embargo, se debe mencionar que todos los datos registrados en la imagen satelital no siempre corresponden a un incendio como tal y se dan ciertos errores, los mismos que pueden ser de omisión y comisión (Oliva et al., 2008).

Los errores de comisión corresponden a aquellas falsas alarmas que se registra en la imagen satelital y que posteriormente no muestra una cicatriz de quema por lo que se puede presumir que el foco de calor se activó por otro motivo como el brillo solar, suelo caliente (por lo general en zonas agrícolas), volcanes activos y otras fuentes que generan altas temperaturas En tanto que los errores de omisión hacen referencia a aquellos incendios que no son detectados en la imagen satelital esto puede suceder por algunos motivos como: el incendio no alcanza más de los 30 m, la zona está cubierta de nubes al momento de la toma, los incendios duran poco tiempo (se da entre toma y toma), el evento se suscitó en una zona que no se cubrió en la imagen entre otros (Di Bella et al., 2008)

Con el fin de corregir estos errores que se tienen con los focos de calor, continuamente se hacen ajustes al algoritmo y en este contexto se ha logrado que actualmente las falsas alarmas se reduzcan casi a cero, pero en el caso de los errores de omisión aún se presentan porcentajes significativos en la toma de muestras.

2.1.4 Sensores para detección de focos de calor

Actualmente existe una gran cantidad de fuentes para obtener datos de focos calor de diversos satélites como NOAA, GOES, Terra, Aqua, Suomi – NPP, METEOSAT, ERS-2 entre otros. Sin embargo, los sensores que más se usan para esta labor son AVHRR(NOAA),ATSR (ERS-2),MODIS (a bordo de los satélites Terra y Aqua) y este último que está en transición con el sensor VIIRS (a bordo del Suomi-NPP y NOAA-20).

2.1.4.1 Sensor MODIS

MODIS por sus siglas en inglés “Moderate Resolution Imaging Spectroradiometer” es un sensor pasivo que se encuentra a bordo de los satélites Terra y Aqua de la National Aeronautics and Space Administration (NASA); lanzados en 1999 y 2002 respectivamente; y que transmite datos que van desde el espectro visible hasta el infrarrojo térmico. Ambos satélites adquieren permanentemente datos de la tierra, cada uno o dos días; por un lado, el satélite Terra cruza (nodo descendente) sobre el ecuador alrededor de las 10h30, mientras que el satélite Aqua lo hace (nodo ascendente) alrededor de las 13h30.

Las imágenes satelitales abarcan una franja de 2,330 km y registran datos en 36 bandas espectrales con longitudes de onda de 0 4 µm a 14 4 µm. La resolución espectral de MODIS se caracteriza por las bandas de: 250 m en el nadir (1 banda), de 500 m (5 bandas) y de 1 km (29 bandas) (FIRMS, 2021)

2.1.4.2 Sensor VIIRS

Como sucesor de los sensores AVHRR (NOAA) y MODIS (Terra y Aqua) aparece el sensor VIIRS denominado así por sus siglas en inglés “VisibleInfraredImagingRadiometerSuite” , el mismo que presenta mejoras y tiene como finalidad el monitoreo de la Tierra. Este sensor tiene una mejor resolución espacial con una franja más grande en comparación de los sensores antecesores y se encuentra a bordo de los satélites Suomi-NPP y NOAA-20 lanzados en 2012 y 2020 respectivamente.

La franja de VIIRS alcanza 3,040 km con lo que proporciona una cobertura global completa cada 12 horas. El sensor VIIRS a bordo del satélite Suomi NPP, cruza el ecuador aproximadamente a las 13h30 (nodo ascendente) y a la 1h30 (nodo descendente). Mientras que el sensor a bordo del satélite NOAA-20 cruza el ecuador aproximadamente a las 12:h40 (nodo ascendente) y a las 00h40 (nodo descendente).

VIIRS tiene 22 bandas que incluyen 5 canales de imágenes de alta resolución, 16 canales de resolución moderada, y una banda de día / noche, que abarcan el espectro entre 0 412 um y 11.5 um. Cuenta con resolución espacial de 370m y 70m (FIRMS, 2021).

2.1.4.3 FIRMS

Es el sistema de información de incendios para la gestión de recursos de la NASA, el cual fue creado con el fin específico de proveer información oportuna de los incendios para la gestión de los recursos naturales Este sistema fue desarrollado por la Universidad de Maryland, con fondos del Programa de Ciencias Aplicadas de la NASA y la Organización de las Naciones Unidas para la Agricultura y la Alimentación (Food and Agriculture Organization - FAO).

Este sistema ofrece datos de incendios en tiempo casi-real dentro de las 3 horas posteriores a la observación satelital desde los sensores MODIS y VIIRS. Al momento del paso de los satélites, ambos sensores detectan los focos de calor en pixeles de 1 km de la superficie que se esté quemando.

La detección de los incendios está basada en un algoritmo contextual, el cual compara las anomalías de temperatura de un pixel candidato con respecto a los pixeles vecinos, con valores umbrales típicos de incendios en las bandas de 4 μm y 4 -11 μm. En este sentido el algoritmo examina cada uno de los pixeles registrados y le asigna una de las siguientes clases: fuego, no fuego, nubes, agua, desconocido o datos faltantes. Durante el proceso se realizan diversas clasificaciones de los datos obtenidos, para lo cual inicialmente se descartan los pixeles que no poseen datos válidos y se los categoriza como datos perdidos. Seguidamente se aplica una máscara para distinguir aquellos pixeles que corresponden a nubes o agua y se les asigna la categoría respectivamente, de este modo se puede eliminar aquellos datos que definitivamente no corresponden a fuego. Para los pixeles restantes se efectúan una serie de estimaciones, así como una serie de pruebas de umbral de contexto, esto con el fin de obtener la firma característica del fuego activo. Durante la validación de datos es posible que se registren datos falsos como resultado del brillo del sol, los límites del desierto y los errores en la máscara de agua por esta razón es necesario ejecutar más pruebas y finalmente los pixeles sin valoración alguna se los categoriza como desconocido (Giglio et al., 2003).

La plataforma FIRMS permite visualizar los datos sobre incendios a nivel mundial, así como también la descarga de los datos en los formatos: shapefiles (.shp), archivos de texto separados por comas (.csv a archivos JSON (.json). La información descargable está disponible bajo la siguiente cobertura temporal:

• MODIS C6: noviembre de 2000 (para Terra) y desde julio de 2002 (para Aqua) hasta el presente.

• VIIRSS-NPP 375m: 20 de enero de 2012 - presente

• VIIRSNOAA-20 375m: 1 de enero de 2020 – presente

En el caso de puntual de los shapefiles tanto para los datos de MODIS como los datos de VIIRS, se incluyen los siguientes campos en la tabla de atributos (Ver Tabla 2):

Tabla 2 Atributos de los shapefiles de FIRMS

Atributo (inglés) Descripción corta

Latitude Latitud

Longitude Longitud

Brightness Temperatura de brillo 21 (Kelvin)

Scan A lo largo del tamaño de píxel de escaneo

Track A lo largo del tamaño de píxel del trayecto

Acq_Date Fecha de adquisición

Acq_Time Hora de adquisición

Satellite Satélite A = Aqua y T = Terra

Confidence Confianza (0-100%)

Version Versión (colección y fuente)

Bright_T31 Temperatura de brillo 31 (Kelvin)

FRP Potencia radiativa de fuego (MW - megavatios)

Tipo de punto caliente inferido

0 = presunto incendio de vegetación

Type*

1 = volcán activo

2 = otra fuente terrestre estática

3 = costa afuera

DayNight Día = D y Noche = N

Nota: Adaptado de Attribute fields for NRT VIIRS 375 m active fire data distributed by FIRMS, por Earthdata –NASA, 2021, (https://www.earthdata.nasa.gov/learn/find-data/near-real-time/firms/viirs-i-band-375-mactive-fire-data)

2.2 Marco Histórico

2.2.1 Sistemas de información geográfica para la gestión de incendios forestales

Con el paso de los años, el uso de los sistemas de información geográfica ha incrementado considerablemente en un sinfín de ámbitos facilitando la recopilación, almacenamiento, manipulación y análisis espacial de datos, para presentar la información de manera descriptiva en mapas. Y en el caso de los incendios forestales no ha sido la excepción pues se conoce que desde los años 1990 surgen los primeros estudios en los que se utiliza los SIG para el manejo del fuego en California, asimismo en esa misma década sobresalen los aportes en el tema de Chuvieco, quien expone “que la extinción resulta más eficaz al conocer las zonas con más riesgo y de este modo poder establecer la infraestructura defensiva (pistas, puntos de agua, bases)” (Chuvieco, 1996, como se citó en Álvarez Taboada et al., 2003, p. 2)

Como bien es sabido los SIG permiten completar procesos de manera más sencilla, rápida y económica en comparación de métodos tradicionales y cuando se trata de la gestión de riesgos relacionados a los incendios forestales, el uso de los SIG ha sido de carácter relevante pues esta herramienta permite la integración de datos topográficos, meteorológicos, combustibles (vegetación) y variables del ámbito antrópico facilitado establecer las zonas con mayor riesgo a los incendios y a su vez simplificar las tareas de prevención (Álvarez Rogel, 2000).

Durante las últimas décadas, la amenaza de los incendios forestales ha crecido abruptamente a nivel mundial, la misma que viene de la mano con el cambio climático y el cambio del uso del suelo, lo que trae consigo condiciones más adversas en el planeta como se concluye en el informe del Programa de las Naciones Unidas para el Medio Ambiente (UN Environment Programme, 2022). Esto ha merecido la preocupación de muchos investigadores, quienes han destinado su esfuerzo para implementar medidas de prevención y para ello han realizado un sinfín de estudios, apoyados en gran parte por las herramientas como los SIG y análisis geoestadísticos. Para la realización de esta investigación se han considerado varios estudios que han sido de gran aporte para precisar el comportamiento de los incendios forestales en la región.

En un trabajo reciente sobre la evolución y caracterización de los incendios forestales en España (Blas, 2018) se ha conseguido identificar patrones espaciales en la distribución del número de incendios forestales así como también de la superficie quemada, fusionando varias técnicas de análisis espacial y geoestadísticas entra las cuales resaltan: análisis de clúster y valores atípicos, clúster and Outlier Analysis (Anselin Local Moran′s I) y análisis de puntos calientes, Hot Spot Analysis (Getis-Ord Gi*). Entre los diferentes procesos realizados se logró obtener patrones, agrupamientos y modelado de las relaciones espaciales, de este modo se realza el potencial que ofrecen las técnicas geoestadísticas en relación a los incendios forestales.

A nivel de Latinoamérica, se ha encontrado que gran parte de las investigaciones sobre el comportamiento espacial de los incendios forestales, se concentran en los países de México y Brasil, es así que se ha considerado el trabajo hecho por Ávila-Flores et al. (2010) quienes han realizado un análisis espacial, siendo uno de los procesos más frecuentes de los SIG; de la ocurrencia de incendios para determinar si los incendios presentan un patrón no aleatorio en el estado de Durango, México. Para medir la asociación espacial de las superficies de los incendios, en este estudio han aplicado el índice de Moran y los resultados muestran que en este caso existe una elevada autocorrelación espacial entre los incendios analizados y asimismo la mayor concentración de incendios se encuentra en la zona boscosa del área de estudio.

En la investigación de Garzón y Campoverde (2020), focalizada en la provincia de Azuay, Ecuador desarrollaron un análisis de patrones de distribución espacial de los incendios forestales, para lo cual han partido de la hipótesis nula que los incendios forestales ocurren de manera aleatoria en el área de estudio. Han aplicado la técnica de Autocorrelación Espacial (índice I de Moran) así como también el Análisis de Punto Caliente (G de GetisOrd), tras los procesos realizados la hipótesis ha sido rechazada pues se ha encontrado que los incendios forestales presentan un patrón agrupado especialmente al noroeste de la provincia.

2.3 Marco Metodológico

2.3.1 Densidad Espacial

Toda variable puede ser representada como una serie de eventos georreferenciados; que ocurren en forma diferencial a lo largo de un área de estudio, los mismos que definen variaciones espaciales en su densidad. Mediante el uso de los SIG es posible representar la continuidad espacial de una variable según la densidad de los datos, es una forma no paramétrica de estimar la función de densidad de probabilidad de una variable aleatoria (Flores Garnica et al., 2019)

El software de ArcGIS cuenta con la herramienta “Densidad Kernel” (DensityKernel) la cual calcula la densidad de las entidades en la vecindad de esas entidades, puede aplicarse a entidades de tipo punto o línea (ESRI, s/f). Dicha herramienta genera una “Clase de entidad” de tipo ráster, en la que se muestra una superficie suavizada a cada entidad analizada, donde se evidencia la concentración de puntos del área en cuestión, como se puede ver en la Figura 4:

Nota: La herramienta de Densidad Kernel, genera un ráster de densidad suavizada a partir de un shapefile de puntos. Tomado de “Ilustración de Densidad Kernel” por ESRI, s.f., (https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/kernel-density.htm )

2.3.2 Geoestadística

La geoestadística es la rama de la estadística aplicada que se centra en el análisis y la modelización de variables que tienen un componente espacial, esto con el fin de identificar relaciones sistémicas de fenómenos dispersos en el espacio y tiempo. Las bases de la geoestadística surgen de dos nociones geográficas relevantes, como lo es la Primera ley de la geografía definida por Tobler como: “Todos los lugares están relacionados, pero los lugares cercanos están más relacionados que los lugares lejanos” (Tobler, 1970, como se citó en Blas, 2018, p. 117). Y por otro lado se tiene en cuenta la “Falacia Ecológica” que según Openshaw implica una interpretación errada de los datos estadísticos, pues se da por sentado que las características de un individuo pueden emplearse para el resto de la población del área en cuestión (Openshaw, 1983, como se citó en Blas, 2018, p. 117).

La geoestadística contribuye a encontrar soluciones prácticas de datos geográficos y así predecir la continuidad espacial (Gallardo, 2006), en este sentido ha sido aplicada en diversos campos tales como la minería, industria petrolera, medio ambiente, industria pesquera, ciencias forestales, ingeniería civil, salud pública entre otras y no es la excepción el ámbito de los incendios forestales ya que facilita a entender los patrones de distribución espacial de los incendios así como también la incidencia de las variables para que se den las quemas forestales (Devkota, 2021).

2.3.3 Herramientas de estadística espacial

La combinación de las técnicas de los SIG y de la geoestadística facilitan la representación más precisa de la distribución espacial de variables ya sea a pequeña o grande escala (Gallardo, 2006). En el caso puntual del software ArcGIS, este dispone de una extensión especifica de Estadística Espacial; la misma que contiene una gran variedad de herramientas para analizar distribución espacial, identificar clústeres espaciales, evaluar patrones de agrupamiento o dispersión, agrupar entidades con atributos similares, entre otros. Dentro de esta extensión se encuentran 5 conjuntos de herramientas principales: Análisis de Patrones, Asignación de Clúster, Medición de Distribución Geográfica, Modelado de Relaciones Espaciales y otras Utilidades. Para esta investigación se aplicará la herramienta de Autocorrelación Espacial que es parte del primer conjunto de datos mencionado previamente y por otro lado se usarán las técnicas de “Análisis de clúster (conglomerados) y valor atípico” , así como el “Análisis de Punto Caliente”, siendo parte del conjunto de herramientas Asignación de Clústeres (ESRI, s.f.)

2.3.3.1 Autocorrelación espacial

En los años setenta se formaliza el concepto de autocorrelación espacial acuñado por Andrew Cliff y Keith Ord, marcando un hito importante en la geografía y la manera de comprender el comportamiento de los fenómenos geográficos desde otra perspectiva (Siabato y Guzmán-Manrique, 2019) Desde entonces se han generado diferentes definiciones tales como:

Definida de manera simple, la autocorrelación espacial es la concentración o dispersión de los valores de una variable en un mapa. Dicho de otra manera, la autocorrelación espacial refleja el grado en que objetos o actividades en una unidad geográfica son similares a otros objetos o actividades en unidades geográficas próximas (Goodchild, 1986, como se citó en Siabato y Guzmán-Manrique, 2019, pg. 2)

Para abordar el concepto de autocorrelación espacial, Goodchild precisa que el análisis espacial incluye dos variedades de información, por un lado, se tiene los atributos de los fenómenos espaciales analizados y por otro lado la localización que tiene cada fenómeno espacial (Goodchild, 1986, como se citó en Siabato y Guzmán-Manrique, 2019, pg. 2).

Odland (1988) sugiere que “la autocorrelación espacial existe cuando una variable exhibe un patrón regular sobre el espacio en el que sus valores en un conjunto de ubicaciones dependen de los valores de la misma variable en otras ubicaciones” (López, 2021, pg. 51)

Mientras que Lloyd (2010), define a “la autocorrelación espacial como la correlación de una variable consigo misma, es decir los valores en lugares cercanos tienden a ser similares” (López, 2021, pg. 51). Simplificando los diferentes puntos de vista que han surgido, se podría decir que la autocorrelación espacial permite comprender la similitud que tienen objetos que se encuentran cercanos entre sí.

Al medir la correlación que puede tener una variable con las unidades espaciales contiguas, se puede dar tres posibles formas de agrupamiento (Siabato y Guzmán-Manrique, 2019):

1. Autocorrelación espacial positiva: es cuando el fenómeno analizado se agrupa en zonas uniformes y forma un patrón de clúster o conglomerados (véase Figura 5a)

2. Autocorrelación espacial negativa: cuando las unidades espaciales vecinas son disímiles, formando un patrón disperso (véase Figura 5b)

3. Ausencia autocorrelación espacial: no existe un agrupamiento definido y resulta en un patrón aleatorio (véase Figura 5c)

Dentro de la estadística espacial se utilizan dos tipos de medidas: globales y locales. Las medidas globales se plasman en un indicador de autocorrelación espacial o similitud general de regiones mientras que las medidas locales ofrecen información sobre las regiones determinadas, es decir no generaliza para toda el área analizada. En este contexto se puede medir la autocorrelación espacial mediante estadísticas globales como el I de Moran y C de Geary, y con índices locales como Moran´s II y Geary CI que forman parte del indicador de asociación espacial (LISA), así como también G Getis – Ord (Siabato y GuzmánManrique, 2019)

Para fines de esta investigación se enfatizará en el índice I de Moran global, el mismo que es uno de los indicadores más antiguos y conocidos, para evaluar la autocorrelación espacial, se define por (ESRI, s.f.; Siabato y Guzmán-Manrique, 2019):

Donde:

• es la desviación de un atributo / variable de una unidad espacial desde su media …………….., donde es el valor variable en una unidad espacial determinada y es el valor de la variable en otra localización, normalmente las vecinas a

• es la ponderación geográfica entre la unidad y la unidad

• es igual al número total de unidades espaciales

• es la suma de elementos de la matriz de pesos, una constante para todas las unidades espaciales

La autocorrelación espacial (I de Moran) es la herramienta que mide el grado de asociación de una variable basada en las ubicaciones y los valores de atributo mediante la estadística I de Moran global. Dicho estadístico puede variar entre -1 y +1 (Siabato y GuzmánManrique, 2019), en donde se pueden tener los siguientes resultados:

• +1: es una autocorrelación espacial positiva, la variable de interés está perfectamente agrupada

• -1: es una autocorrelación negativa, la variable de interés está perfectamente dispersa

• 0: la variable de interés se dispersa aleatoriamente

Este tipo de técnicas se basan en una “hipótesis nula” la cual define que el conjunto de datos presenta un patrón aleatorio y una vez que se corre el procesamiento arroja cinco resultados del análisis: el índice I de Moran, el índice esperado, la varianza, la puntuación z y el valor P. Los valores resultantes de la puntuación z y el valor p son los que permitirán rechazar o no la hipótesis nula (ESRI, s.f.). Una vez que se ha calculado el I de Moran, el software arrojará un reporte que contiene los resultados obtenidos, como se muestra en la Figura 6:

Nota: En el reporte se presentan todos los datos obtenidos del análisis de la variable de interés y para este caso en particular denota que los datos se encuentran agrupados, de tal manera que se da por rechazada la hipótesis nula Adaptado de reporte generado por software usando ArcGIS® software por Esri.

El valor p se refiere a una probabilidad y “cuando el valor p que devuelve esta herramienta es estadísticamente significativo, puede rechazar la hipótesis nula” (ESRI, s.f.). Cuando el valor p es inferior a 0,1, se rechaza la hipótesis nula, es decir que es poco probable que el patrón espacial de los datos se haya dado de manera aleatoria.

2.3.3.2 Análisis de Puntos Calientes

La herramienta de Análisis de Puntos Calientes (Hot Spot Analysis) emplea la estadística Gi* de Getis-Ord, la cual permite identificar donde se agrupan los valores altos y valores bajos (puntos calientes y fríos respectivamente) estadísticamente significativos de un conjunto de datos ponderados. Para ello la herramienta compara el valor de la variable dentro del contexto de sus entidades vecinas a modo de ejemplo un punto caliente se puede establecer cuando la variable analizada arroja un valor alto y asimismo las entidades vecinas tienen un valor alto (ESRI, s.f.) Justamente el hecho de que incluya a todas las unidades dentro del análisis es lo que diferencia del índice I de Moran, pues para dicho índice solo toma en cuenta los valores de las unidades vecinas más no incluye la unidad analizada como tal (Ma, 2021).

Cuando se ejecuta esta herramienta en el software de ArcGIS se crea una “Clase de entidad”, la misma que incluye puntuación z, valor p y un bin de nivel de confianza, como muestra la Figura 7 (ESRI, s.f.).

Nota: La herramienta de Análisis de punto caliente identifica los puntos calientes y puntos fríos estadísticamente significativos basado en la estadística Gi* de Getis-Ord y la hipótesis nula se rechaza en base a las puntuaciones de z y los valores p, como muestra la imagen.Tomadode“Análisis de punto”,porESRI, s.f., (https://desktop.arcgis.com/es/arcmap/10.5/tools/spatial-statistics-toolbox/hot-spot-analysis.htm)

En la Figura 8, a modo de ejemplo; se ha incluido la clase de entidad resultante de un análisis de puntos calientes para los incendios forestales en la selva amazónica a nivel de municipalidades, en el cual se observa la concentración de puntos calientes hacia el sur del área, mientras que la mayor concentración de punto fríos se da al este de la región. El mapa resultante muestra los resultados en intervalos de confianza con condiciones específicas respecto a los valores Z y p.

Nota: Tomado de “Hotspot analysis at municipality level”, por Ma, 2021, (https://digitalcommons.usf.edu/etd/9175/)

2.3.3.3 Análisis de clúster y valor atípico

Cómo se mencionó previamente, dentro del conjunto de Asignación de Clústeres, que ofrece el software de ArcGIS, se cuenta con la herramienta “Análisis de clúster y valor atípico”, la misma que se basa en los indicadores locales de asociación o conocidos también como LISA que viene de sus siglas en inglés Local Indicator of Spatial Association y que proporciona información acerca de la relevancia de valores similares alrededor de una zona determinada (Blas, 2018). En la Figura 7 se muestra una ilustración que simplifica los resultados que se puede obtener con esta herramienta:

Figura 9 Análisis de clúster y valor atípico

Nota: La herramienta de Análisis de clúster y valor atípico permite identificar puntos calientes, puntos fríos y valores atípicos espaciales estadísticamente significativos mediante la estadística de I Anselin local de Moran como se muestra en la ilustración. Tomado de “IlustracióndeAnálisisdeclústery valor atípico (I Anselin local de Moran)”, por ESRI, s.f., (https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statisticstoolbox/cluster-and-outlier-analysis-anselin-local-moran-s.htm )

Esta herramienta puede generar información de un conjunto de datos, similar a la de la herramienta de “Puntos Calientes”, pero adicionalmente incluye datos sobre valores atípicos espaciales estadísticamente significativos mediante la estadística de I Anselin local de Moran es decir valores altos-bajos y bajos-altos (ESRI, s/f). Según Blas (2018) la existencia de rasgos atípicos contradice la primera ley de la geografía, que establece que los rasgos cercanos son similares entre sí además que la distribución de esos rasgos no es aleatoria.

Al correr esta herramienta se genera una nueva “Clase de entidad de salida” y dentro de la tabla de atributos para cada entidad analizada se detalla: índice I de Moran local, puntuación z, pseudo valor P y tipo de clúster/valor atípico (COType). Las puntuaciones z y los valores p son medidas de significancia estadística que indican si se rechazará la hipótesis nula, entidad por entidad (ESRI, s/f). El resultado de puntuación de z diferencia dos circunstancias particulares para la entidad analizada;

- Puntuación z positiva alta: que las entidades contiguas tienen valores similares, sean estos altos o bajos

- Puntuación z negativa baja: para una entidad indica un valor atípico de datos espacial estadísticamente significativo

Para este análisis el software representa los resultados en un mapa según los resultados del campo “COType”, según los valores altos y bajos de agrupamiento y los valores atípicos de alto-bajo y bajo-alto. Esto se muestra en la Figura 10, en la misma que observa la distribución de los incendios forestales en la selva amazónica basada en una cuadrícula hexagonal.

Nota: Tomado de “Hotspot analysis at municipality level”, por Ma, 2021, (https://digitalcommons.usf.edu/etd/9175/)

3. METODOLOGÍA

En esta sección se presentan los aspectos metodológicos de la investigación que permitirá llevar a cabo el análisis comparativo de los incendios forestales y los focos de calor.

3.1 ÁREA DE ESTUDIO

La provincia de Imbabura se sitúa al norte de serranía ecuatoriana, entre las coordenadas geográficas 0°7'N y 0°52'N de latitud y los 77°48 y 79°01'W de longitud y alcanza una elevación máxima de 4,832 y un mínimo de 300 msnm. Limita con las siguientes provincias: al norte Carchi, al sur Pichincha, al este Sucumbíos y al oeste con Esmeraldas. Tiene una superficie de 4,791 32 km² y está conformada por 6 cantones, 13 parroquias urbanas y 36 rurales como se aprecia en la Figura 11 (Prefectura de Imbabura, 2021)

Nota: Elaboración propia. Fuente de datos: Información Base, Instituto Geográfico Militar (IGM), 2013

Según los datos del censo poblacional del año 2010, publicados por el Instituto Nacional de Estadísticas y Censos; la provincia tenía 398,244 habitantes y de los cuales el 51% corresponde a mujeres y el 49% restante a los hombres. Sin embargo, para el año 2020 las proyecciones indican que alcanzaría una población de 476,257 habitantes La densidad poblacional en la provincia es de 97 04 hab/km2, siendo el cantón Antonio Ante el de mayor densidad poblacional mientras que el cantón Urcuquí es el menor en densidad poblacional (INEC, 2011).

El área de estudio se presentan cuatro tipos de climas: Ecuatorial de alta montaña, Ecuatorial Meso térmico seco, Ecuatorial Mesotérmico semi húmedo y Tropical Megatérmico húmedo. La temperatura presenta valores desde 8°C y hasta 24°C. En la Tabla 3 se precisa mayor información al respecto:

Tabla 3 Datos climatológicos de la provincia de Imbabura

Nota: Tomado de Clima, por Prefectura de Imbabura, 2019, (https://www.imbabura.gob.ec/index.php/componente-territorial/instrumentos-de-planificacion/pdotprovincial)

Como se puede observar en la figura previa, en Imbabura las precipitaciones oscilan entre los 500 a 4,000 mm y según Pourrut (1995) esta región se caracteriza por tener un período seco (verano) de junio hasta noviembre y un período lluvioso (invierno) de diciembre hasta mayo.

Con respecto a la cobertura del suelo en la provincia de Imbabura, según los datos publicados por el Ministerio del Ambiente y Agua para el año 2018; la superficie se caracteriza por tener una gran superficie de Tierra Agropecuaria alcanzando al 44.10% de toda la provincia como se muestra en la Figura 12 y le sigue la categoría de Bosque con un 30.37% mientras que la Vegetación Arbustiva y Herbácea corresponde al 23.40%.

Nota: Elaboración propia. Fuente de datos: Cobertura de la tierra 2018, Ministerios del Ambiente y Agua

Es importante mencionar que en el área de estudio existen dos áreas protegidas que son parte del Sistema Nacional de Áreas Protegidas (SNAP). La primera es la Reserva Ecológica Cotacachi Cayapas, la cual tiene una superficie de 243,638 Ha que esta compartida entre las provincias de Esmeraldas e Imbabura, en esta última se encuentra la menor parte con 3,707.73 Ha y la segunda es el Parque Nacional Cayambe – Coca con una pequeña área de 6,976.58 ha en Imbabura de un total de 403,103 ha que constituye todo el parque y esta atraviesa varias provincias del país (Prefectura de Imbabura, 2021)

En el ámbito económico, la provincia de Imbabura se caracteriza por tener mayor producción dentro del sector económico terciario, esto se puede evidenciar en la Tabla 4 la cual muestra el Valor Agregado Bruto (VAB) por rama de actividad económica, siendo las principales actividades: Construcción, Comercio, Manufactura y la actividad de Transporte, información y comunicaciones pues incluyen más del 53% del VAB total de la provincia.

Tabla 4 VBA según rama de actividad económica de la provincia de Imbabura

Nota: Adaptado de Cuadro comparativo del VAB 2015-2019 por ramas de actividad económica, por Prefectura de Imbabura, 2019, (https://www.imbabura.gob.ec/index.php/componenteterritorial/instrumentos-de-planificacion/pdot-provincial)

3.2 FLUJOGRAMA DE LA METODOLOGÍA

En la Figura 13 se puede observar una síntesis de la metodología aplicada en esta tesis con la finalidad de comprender los patrones de distribución espacial de los incendios forestales en la provincia de Imbabura, dicha metodología está basada en la aplicación de herramientas de análisis espacial combinadas con herramientas de estadística espacial.