impacto de las nuevas tecnologías sobre los sistemas de detección y gestión del ... ·...

ImpactoImpacto de de laslas nuevasnuevastecnologtecnologííasas sobresobre loslos

sistemassistemas de de deteccideteccióónn y y gestigestióónn del del riesgoriesgo de de incendioincendio

Emilio ChuviecoUniversidad de Alcalá

Esquema

Necesidad de información para la gestión de incendios.Componentes del régimen de incendios.Datos derivados de Teledetección:

Contenido de humedad.Carga de combustible.Factores humanos.

Interés de los Sistemas de Información Geográfica:Análisis espacial de variables de riesgo.Integración de variables.

Necesidad de información espacial

La información territorial es clave en la gestión de incendios:

Prevención: áreas de riesgo.Ocurrencia: gestión de recursos de extinción.Post-fuego: evaluación de daños, rehabilitación.

Características:Actualizada.Espacialmente referenciada.Integrada en sistemas de gestión.

Portugal 2005

MODIS 21-08-2005 Aster 25-08-2005

Galicia (2006)7 Agosto 8 Agosto

Grecia (2007)

MODIS Terra 260807

Información necesaria para la gestiónde incendios

Prevención: + índices meteorológicos.- estado y carga combustibles, factores humanos.

Ocurrencia:+ Detección visual.- Propagación en tiempo real.

Evaluación de daños:+ Partes de incendio.- Perímetros, intensidad, severidad, recurrencia.

Disponibilidad de estadísticas

FAO, 2000

Bases de datos: inconsistenciastemporales y espaciales

Variables para definir un régimen de incendios

Número / densidad (cantidad, cantidad km-2).Tamaño (área media, distribución por tamaños).Tipo (subterráneo, superficie, copas).Frecuencia – retorno (años).Causas (humanas / rayos).Comportamiento del fuego:

Intensidad (W m-2)velocidad (m min-1)

Variabilidad:Estacional (#meses, max – min).Inter-anual (desv. tipica - rango).

Variables que pueden obtenerse por teledetección

Número / densidad (cantidad, cantidad km-2).Tamaño (área media, distribución por tamaños).Tipo (subterráneo, superficie, copas).Frecuencia – retorno (años).Causas (humanas / rayos).Comportamiento del fuego:

Intensidad (W m-2)velocidad (m min-1)

Variabilidad:Estacional (#meses, max – min).Inter-anual (desv. tipica - rango).

FiableLimitadaNo disponible

Ocurrencia promedio (2000-2006)

Chuvieco et al., 2007

Estacionalidad (2005)

Longitud del periodo de incendios (2000-2006)


Variedad interanual: abril- mayo

http://rapidfire.sci.gsfc.nasa.gov/firemaps/

Variabilidad interanual (2000-2006)


0 2 4 6 8 10 12 14 16 18 20 22 24

Local Hour

0 2 4 6 8 10 12 14 16 18 20 22 24

Local Hour Giglio/Kendall/Justice Jan. 2001

MODLAND/Giglio et al

Variación diurna

Energía radiativa media (2000-2005)

Giglio et al., 2006, JGR

Riesgo de incendioPeligro:

Proximidad a zonas inflamables, con agentes naturales o humanos.Estado hídrico y abundancia del combustible.Facilidad de propagación.

Vulnerabilidad:Población y bienes potencialmente afectados.Resiliencia – resistencia de la vegetación.Valor económico y ecológico de lo quemable.Proximidad a medios de extinción.

Riesgo=peligro*vulnerabilidad.

Riesgo

Vulnerabilidad

PeligroPropagación

PeligroIgnición

Modelo Combustible

Estado hídricodel combustibleProbabilidad

Ocurrencia

Agente causal

Humano

Natural: rayo

Viento

Muerto

Vivo

Pendiente

Valor socio-económico

Erosión potencial

Valor ecológico Regeneración potencial

Valor paisajístico

Recursos de ocio

Propiedades

Productiv. Forestal

TeledetecciónTeledetección / SIGSIG

www.geogra.uah.es/firemap

Estado hídrico (FMC) y riesgo

Pinus pinaster

0

5

10

15

20

25

30

35

0 10 20 30 40 50

mf %

Tig

s a98

a96

Ignition Delay Viegas, 1999

Influencia sobre comportamientoViegas, 1999

Estado hídrico y ocurrencia

Métodos para estimar el FMC

Trabajo de campo:+ Preciso- Lento y costoso.Índices meteorológicos+ Fáciles de calcular.+ Miden otros factores de

sequía.- Calidad de la red.- Estimación indirecta.

Combustibles estándar:+Instantánea y simple.- Indirecta, extrapolación.Imagen de satélite:+ Estimación directa.+ Cubren todo el

territorio.- Calibración.- Resolución espacial y

temporal.

Variación promedio del CH entre especies (1996-2001)

0

50

100

150

200

250

300

6/4 30/4 24/5 17/6 11/7 4/8 28/8 21/9 Date

FMC

GrasslandQ.fagineaC.ladaniferRosmarinusEricaP.lentiscusHojarasca

Variación interanual del CH en pastizales

0

50

100

150

200

250

300

350

400

450

4-4

18-4 2-5

16-5

30-5

13-6

27-6

11-7

25-7 8-8

22-8 5-9

19-9

1996199719981999200020012002200320042005

0.00

20.00

40.00

60.00

80.00

100.00

120.00

140.00

160.00

180.00

200.001-

4

15-4

29-4

13-5

27-5

10-6

24-6 8-7

22-7 5-8

19-8 2-9

16-9

1996199719981999200020012002200320042005

Variación interanual del CH en C.ladanifer

Métodos en teledetección

Modelos de simulación.Radiómetría de campo y laboratorio.Ajustes empíricos:

Mediciones de campo (Cabañeros / otros)Datos de satélite: Landsat-NOAA AVHRR.

Ajustes empíricos Modelos de simulación

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

B3 B4 B1 B2 B5 B6 B7

NCabCwCm

DIRECTO

INVERSO

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

B3 B4 B1 B2 B5 B6 B7

1

2

60º, 30 minutos

Espectro-radiómetro GER-2100

Radiometría de laboratorio

Reflectividad y FMC para Q. robur

Vaughan, 2001

R IRC SWIR

Métodos a partir de imágenes de satélite

Índices de vegetación:NDVI (IRC / R): verdor, senescencia.NDII (IRC / SWIR): agua.

Dinamismo térmico: evapotranspiración.Combinación de índices de vegetación con datos térmicos: WSI.Datos radar.

Estudios realizados

Landsat-TM/ETM+:Buena precisión espacial y geométrica.Escasa frecuencia.

NOAA-AVHRR:Buena frecuencia temporal.Escasa consistencia radiométrica.

Terra-MODIS:Buena frecuencia y adecuada resolución paraescalas regionales.

5/05/98

23/09/97

Discriminaciónsobre datos NOAA-AVHRR (1996-1999)

Valores bajosValores intermediosValores altos

Modelo empírico

Pastizal:FMCg = -57.103 + 284.808 * NDVI - 0.089 * ST + 136.75 * FDg(r² ajustado = 0.737 (p<0.001)

Jara:FMCc = 70.195 + 53.520 * NDVI - 1.435 * ST + 122.087 * FDc(r² ajustado = 0.672 (p<0.001)

Pastizales Cabañeros (1996-1999)

-50

0

50

100

150

200

250

300

350

400

45013

-4 7-5

31-5

24-6

18-7

11-8 4-9

28-9

21-4

15-5 8-6

2-7

26-7

19-8

12-9

21-4

15-5 8-6

2-7

26-7

19-8

12-9 5-4

29-4

23-5

16-6

10-7 3-8

27-8

20-9

FMC

Observed Estimated

Calibración (96-99): pasto

1996 1997 1998 1999

Cistus ladanifer Cabañeros (1996-1999)

020

4060

80100120

140160

180200

13-4 7-5

31-5

24-6

18-7

11-8 4-9

28-9

21-4

15-5 8-6

2-7

26-7

19-8

12-9

21-4

15-5 8-6

2-7

26-7

19-8

12-9 5-4

29-4

23-5

16-6

10-7 3-8

27-8

20-9

FMC

Observed Estimated

Calibración (96-99): Jara

1996 1997 1998 1999

Madrid

Madrid

Sevilla

Barcelona

Valencia

BilbaoCoruña

1

2

Zaragoza

1 Cabañeros (700m)2 Atazar (900m)3 Alberche (800m)4 Segovia (1200m)5 Ibérica (900m)6 Pirineo (1000m)7 Cádiz (400m)

43

5

6

7

Pastizales

Matorrales

Ambos

Lugares (Elevación)

Parcelas de validación

Pastos2001-2002

Grasslands Ávila-Segoviay = 0.9525x - 3.8232

R2 = 0.9053

0

50

100

150

200

250

300

350

0 50 100 150 200 250 300 350

Obse rv e d

Est

imat

ed

Grasslands Alberche-Atazar y = 0.841x + 6.908

R2 = 0.8815

0

50

100

150

200

250

300

350

0 50 100 150 200 250 300 350

Observed

Est

imat

ed

Validación

Cistus (2001-2002)Cistus all sites y = 0.7376x + 29.912

R2 = 0.7241

020

4060

80100

120140

160180

0 20 40 60 80 100 120 140 160 180Observed

Estim

ated

Cabañeros Cádiz Alberche-Atazar

FMC_PASTO

0

50

100

150

200

250

300

350

400

450

1996

1996

1996

1996

1997

1997

1997

1997

1998

1998

1998

1999

1999

1999

1999

2000

2000

2000

2000

2001

2001

2002

2002

2003

2003

2004

2004

2005

2005

Problema con años secos (1996-2005): pasto

EstimadoObservado

Nuevo enfoque

Calibrar ecuaciones para años secos y húmedos.Modificar la ecuación del día juliano (efecto estacional).

FDJ_SECOS=POTENCIA((SENO(1,5*(PI())*+(DJ+DJ^(1/3))/365));6)*0,55FDJ_NOSECOS=POTENCIA((SENO(1,5*PI()*+(DJ+DJ^(1/2))/365));6)*1,5

0,00

50,00

100,00

150,00

200,00

250,00

300,00

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 230

0,2

0,4

0,6

0,8

1

1,2

1,4

1,6

FMCFMC_NOSECOFDJ_SECOFDJ_NOSECOFDJ_EMILIO

3.1*)))365/)(5.1(sin( 43/1JDJDFDg π

RESERVA HÍDRICA vs CWBI 1999

-7,00

-6,00

-5,00

-4,00

-3,00

-2,00

-1,00

0,00

1,00

2,00

SEP OCT NOV DIC ENE FEB MAR ABR

MESES

mm RESERVA HÍDRICA_1999

CWBI_1999


-3,00

-2,00

-1,00

0,00

1,00

2,00

3,00

4,00

5,00

6,00


MESES


CWBI_2000


-10,00

-5,00

0,00

5,00

10,00

15,00

20,00


MESES


CWBI_2001


-5,00

-4,00

-3,00

-2,00

-1,00

0,00

1,00

2,00

3,00

4,00

5,00


MESES


CWBI_2002


-4,00

-2,00

0,00

2,00

4,00

6,00

8,00


MESES


CWBI_2003


-6,00

-5,00

-4,00

-3,00

-2,00

-1,00

0,00SEP OCT NOV DIC

MESES


CWBI_2005

Clasificación años secos/húmedos

García 2007

FMC estimation for grasslands

y = 0,8438x + 11,779R2 = 0,85

-100

-50

0

50

100

150

200

250

300

350

400

0 100 200 300 400 500

OBSERVED

ESTI

MA

TED

Grassland Lineal (Grassland)

FMC Temporal Evolution

-100

-50

0

50

100

150

200

250

300

350

400

45019

96

1996

1996

1996

1997

1997

1997

1997

1998

1998

1998

1999

1999

1999

1999

2000

2000

2000

2000

2001

2001

2002

2002

2003

2003

2004

2004

2005

2005

Sample

FMC

Val

ues

FMC_ Estimated FMC_OBSERVADO

Grassland(Ávila, Segovia and Madrid)

y = 0,9814x + 38,297R2 = 0,9085

0

50

100

150

200

250

300

350

400

450

0 50 100 150 200 250 300 350 400

OBSERVED

ESTI

MA

TED

Grassland Lineal (Grassland)

García 2007

Resultados, pastizales

FMC estimation for Shurbland(C. Ladanifer)

y = 0,8162x + 18,38R2 = 0,7477

0

20

40

60

80

100

120

140

160

0 50 100 150 200

OBSERVED

ESTI

MA

TED

Shrubland Lineal (Shrubland )

FMC Temporal Evolution

20

40

60

80

100

120

140

160

180

1996

1996

1996

1996

1997

1997

1997

1997

1998

1998

1998

1999

1999

1999

2000

2000

2000

2000

2001

2001

2002

2003

2003

2004

2004

2004

2005

2005

SAMPLE

FMC

Val

ues

FMC_Estimated FMC Observed

Shrub (C. Ladanifer)(Cádiz and Madrid)

y = 0,792x + 24,717R2 = 0,8549

0

20

40

60

80

100

120

140

160

180

0 20 40 60 80 100 120 140 160 180

OBSERVED

ESTI

MA

TED

Shurb Lineal (Shurb)

García 2007

Resultados, matorral

García 2007

Cartografía de FMC vivo y Peligro de Incendio

Evolución Estado Hídrico 200715-06-2007 01-07-2007 15-07-2007

01-08-2007 15-08-2007 01-09-2007

Modelo empírico: FMC = -161.112 + 650.226 NDVIModelo simulación: FMC = -6.74 + 131.41 LAI + 296.75 NDIIPastizal

12

12

ρρρρ

+−

=NDVI62

626 ρρ

ρρ+−

=NDII

Matorral Modelo Empirico: FMC = 229.14+887.155 VARI - 300.75 GVMIModelo simulacion: FMC = 200.27 – 5322.81 x DM + 92.28 GVMI

230.89430.100.907SE (%)r2SE(%)r2

SIMULATEDEMPIRICAL

230.89430.100.907SE (%)r2SE(%)r2

SIMULATEDEMPIRICAL

12.60.84217.520.732SE (%)r2SE(%)r2

SIMULATEDEMPÍRICAL

12.60.84217.520.732SE (%)r2SE(%)r2

SIMULATEDEMPÍRICAL

314

14

ρρρρρ−+

−=iVARI

)02,0()1,0()02,0()1,0(

62

62

++++−+

=ρρρρ

GVMI

MODIS Modelos de simulación

Coeficientes de determinación y pendientes similares para los dos modelos (empirico y basado en datos simulados) Los dos podrían ser igualmente buenos para laestimación de FMC

RTMEMPIRICALGRASS

24,5728,39RMSE

y = 0.9312x + 12.688R2 = 0.914

y = 0.9202x + 0.1741R2 = 0.9268

0

50

100

150

200

250

300

0 50 100 150 200 250 300FMC (%) Observed

FMC

Est

imat

ed (%

)

Empirical model

Simulated model

Coeficientes de determinación y similares para los dos modelos (empirico y basado en datos simulados) pero perores pendientes

21.61

RTMEMPIRICALSHRUB

16.01RMSE

y = 0.9126x + 10.074R2 = 0.7226

y = 0.5608x + 25.183R2 = 0.7034

0

20

40

60

80

100

120

140

160

0 20 40 60 80 100 120 140 160FMC (%) Observed

FMC

Est

imat

ed (%

)

Empirical model

Simulated model

PASTO

MATORRAL

Yebra et al, 2007

Validación en otras regiones

##

#

###

#

#

#

##

#

#

#

## ##

#

###

##

##

#####

#

#

#

##

##

#

#

##

###

###

##

#

#

#

##

##

#

###

#

##

#

###

● Pasto● Matorral● Arbolado

N

TODOS

y = 0.8235x + 30.588R2 = 0.8401

-60

-30

0

30

60

90

120

150

180

210

240

270

300

330

360

0 30 60 90 120 150 180 210 240 270 300 330 360

FMC (%) Observado

FMC

(%) E

stim

ado

(Em

píric

o) -

TODOS

y = 0.804x + 7.3196R2 = 0.8239

-60

-30

0

30

60

90

120

150

180

210

240

270

300

330

0 30 60 90 120 150 180 210 240 270 300 330

FMC (%) ObservadoFM

C(%

) Est

imad

o (S

imul

ado)

EMPÍRICO SIMULADO

RMSE= 42.5 RMSE= 44.17

Comparación todas las parcelas: pasto

Yebra et al., 2007

Comparación todas las parcelas: matorral

Yebra et al., 2007

TODAS

y = 0.6711x + 197.81R2 = 0.2275

-60-30

0306090

120150180210240270300330360390

0 30 60 90 120 150 180 210 240 270 300 330FMC (%) Observado

FMC

(%) E

stim

ado

TODAS

y = 0.3683x + 31.889R2 = 0.3971

-60-30

0

306090

120150180210240270300330

0 30 60 90 120 150 180 210 240 270 300 330FMC (%) Observado

FMC

(%) E

stim

ado

RMSE= 168.7 RMSE=40.2

EMPÍRICO SIMULADO

Cartografía de combustibles

Tipo de combustible:Copas: hojas vivas y muertas; ramas, líquenes.Superficie: Matorral (vivos y muertos), herbáceos (idem), hojarasca, humus, ramas caídas (de distinto grosor).

Modelo de combustible:Valores promedio de parámetros críticos en la propagación para un determinado tipo de combustible (carga, superficie-volumen...)

Parametrización de los modelos

Combustible viejo10-15 Tm/ha0,6-1,2 m6. Matorral

Carga ligera hojarasca5-8 Tm/ha< 0,6 m5. Matorral

Mucho combustible muerto

25-35 Tm/ha2 m4. Matorral

Árboles < 60%5-10 Tm/ha< 30cm2. Pastizal

Árboles < 30%1-2 Tm/ha< 30cm1. Pastizal

Otros componentesBiomasaAlturaModelo

Métodos para cartografiar modelos combustibles

Reconocimiento de campo: cartografía en el terreno.Teledetección directa (objetivo primario): se busca discriminar los modelos combustibles.Teledetección indirecta (vegetación adaptada): se abordar una cartografía de la vegetación, luego convertible a modelos combustibles.Modelización biofísica: se estima la presencia de ciertos modelos a partir de sus requisitos ecológicos.

Muestreos para caracterizar combustibles

0m 90 m

180 m

30 m

3 random 100 m2 quadratssampled in each 900 m2

10 m

2 random 5 m2 quadratssampled in each 100 m2 quadrat

5m

3 random1 m2 quadratssampled in each 25 m2

quadrat

Vallejo et al., 2004

Modelización biofísica

Analizar los factores que explican el tipo y crecimiento del combustible:

Condiciones ecológicas: pendiente, clima, suelos, vegetación potencial.Régimen de incendios.

Aplicar modelos de gradientes.Pueden aplicarse a diversas escalas.Proporciona un contexto ecológico, que resulta útil para la gestión de efectos.

Métodos de teledetección

Interpretación de fotografías aéreas:Lento y laborioso en el campo.Difícil actualización.

Clasificación de imágenes ópticas:Mayor cobertura espacial.Rapidez y eficiencia económica.No puede extraerse la información altitudinal(indirectamente).

Lidar - Radar

Métodos con imágenes Landsat

Riaño et al., 2002

Resultados de la clasificación

Riaño et al., 2002

Verificación

M odelos de combustible 1 2 3 4 5 6 7 Sin comb. Total Ex u (%) E c (%)

1 133 0 0 3 9 0 0 0 145 91.7 8.32 2 36 19 2 0 0 0 0 59 61.0 39.03 0 1 181 48 0 3 2 0 235 77.0 23.04 0 4 20 80 3 3 1 0 111 72.1 27.95 0 4 2 6 98 13 1 1 125 78.4 21.66 0 0 10 13 25 125 2 0 175 71.4 28.67 0 0 1 1 0 0 48 0 50 96.0 4.0

Sin comb. 0 0 1 0 0 0 0 17 18 94.4 5.6Total 135 45 234 153 135 144 54 18 918

Ex p (%) 98.5 80.0 77.4 52.3 72.6 86.8 88.9 94.4

E o (%) 1.5 20.0 22.6 47.7 27.4 13.2 11.1 5.6

Dat

os d

e la

cla

sific

ació

n

Datos de referencia

Lídar bidimensional

(adaptado de www.toposys.com)

Aplicación a combustibles

Riaño et al., 2002

Resultados

Celda con sustrato matorral Celda sin sustrato

Riaño et al., 2002

Inventario forestal: área de estudio

1 Km0 0.5

Differential GPS Plots (radius =10 m)

Destructive

Quercus pyrenaica

Pinus sylvestris

Trabajo de campo

Superficie cubierta y LAI

Riaño et al., 2004

Cálculo de CBD

Riaño et al., 2003

Ajustes por regresión entre lídar y datos de campo (Canencia)

CBD=1.52*BF/VC-0.120.81BF/VCCBD

VC=1.11*(P99-P1)*CH%-1.710.92(P99-P1)*CH%Volumen de copas (VC)

BF=0.39*e(MLH*0.15)0.85Altura máxima de copa (CH)

Biomasa foliar (BF)

Equationsr2

(P<0.001)Estimador LidarVariable

estimada

Mapas de CBD para el área de Canencia (pixel 10x10 m)

Foto aérea en falso color

0 100 mN

Linea de vuelo

CBD (kg/m3)1.2

0Riaño et al., 2004

Estimación de la altura de los matorrales con lidar (1/2)

y = 1.3111x + 0.736R2 = 0.0186

0.00

0.20

0.40

0.60

0.80

1.00

1.20

1.40

0.00 0.05 0.10 0.15 0.20 0.25

Lidar height

Mea

sure

d sh

rub

heig

ht

Riaño et al., 2007

Mejora en la estimación eliminando puntos de vegetación para generar el DTM

DTMMáscara

&

Interpolación

DTM con 0 en los píxeles erróneos

DTM cor

Riaño et al., 2007

Estimación tras la corrección (2/2)

y = 1.0184x + 0.5148R2 = 0.5544

P=0.034

0.00

0.20

0.40

0.60

0.80

1.00

1.20

1.40

0 0.2 0.4 0.6 0.8 1

Lidar height

Mea

sure

d sh

rub

heig

htuncorcor

Isolines

Riaño et al., 2007

Teledetección y variables humanas

Actualizar información:Interfase urbano-forestal.Estado de los caminos: riesgo y planes de evacuación.

Variación de la estructura del territorio: tamaño, fragmentación, conectividad….

77

Imágenes de alta resolución

Interés de los Sistemas de Información Geográfica

Permiten generar información derivada a partir del cruce de variables:

Areas con n pendiente y m combustible.Facilitan el cálculo de variables espacialescomplejas:

Distancia a carreteras, interfasesProporcionan un marco idóneo para la integración espacial.

Localizacionesde los rayos

Asignación de la información

a los rayos

Partes de IncendioAnálisis Espacial

Análisis Temporal

Puntos de Ignición (0/1) Malla 3x3km2

Entrenamiento del Modelo

Regresión Logística60 % de cada conjunto

de datos

Modelo de Probabilidad de

Ocurrencia

Validación del Modelo40% restante

MDT

PendienteCurvaturaExposición

MFE14 clases

DatosMeteorológicos

ÍndicesMeteorológicos

MDTTipos de Vegetación

Datos meteoDatos de las descargas

Modelización de ocurrencia por rayos

Malla 3x3km2

ResultadosMadrid Teruel

Distancia media a carreteras

Firerisk: CSIC

Indices de estructura de paisaje. Número de manchas

Firerisk: CSIC

Firerisk: CSIC

PeligroPropagación

PeligroIgnición

ProbabilidadOcurrencia

Modelo Combustible

Estado hídricodel combustible

Agente causal

Humano

Natural: rayo

Viento

Muerto

Vivo

Pendiente

Integración

Encontrar escalas comunes de riesgo.Ponderar las variables

Métodos para convertir variables en indicadores de riesgo.

Modelos probabilísticos: regresion logística.Modelos físicos:

Behave, propagación.Humedad de extinción.

Conversión a riesgo del FMC

Datos meteo (pronóstico)

Interpolación Cálculo Código 10 h

Mapa de combustible Humedad de Extinción

Extracción deÁreas de estudio

FMC muertos

PIf muertos

Servidor cartográfico

Imágenes AVHRR

Georeferenciación Cálculo FMC Extracción de Áreas de estudio

FMC vivos PIf vivos

PIf% Vivo/muerto

Procesos

Variables de peligro

Variables de entrada

Peligro de propagación: modelización física: RoS y FL

Rate of Spread

0

10

20

30

40

50

60

0% 20% 40% 60% 80% 100%

slope

m/m

in

12345678910111213

Flame Length

0

1

2

3

4

5

6

7

8

9

0% 20% 40% 60% 80% 100%slope

m/m

in

12345678910111213

Fuel types

RoS estimada

Alta

Baja

93.5961 %vp_mmin = -5.60632 + 2.62822*vel_vto_km_h + 0.188463*pendiente

2

93.4984 %vp_mmin = -12.9743 + 5.93826*vel_vto_km_h + 0.457978*pendiente

1

R2 AjustadoModelo de Velocidad de PropagaciónTipo de Combustible

99.8361 %LLL_m = 0.150507 + 0.522523*sqrt(vp_mmin)2

99.7283 %LLL_m = 0.0965383 + 0.232589*sqrt(vp_mmin)1

R2 AjustadoModelo de Longitud de LlamaTipo de Combustible

Modelos de comportamiento(simulación con Behave)

Martin et al., 2007

Integración

Encontrar escalas comunes de riesgo.Ponderar las variables:

Criterios probabilísticos.Sobre preferencias de los gestores (jerarquías analíticas).Posición frente a situaciones idóneas (punto ideal, EMC).

Probabilidad inclusiva: agente causal

( ) ( ) ( ) ( )BAPBPAPBAP IU −+=

• P(A) es la probabilidad de ocurrencia de un incendio debido al agente humano

• P(B) es la probabilidad de ocurrencia de un incendio debido al agente natural

• Si suponemos que a largo plazo las probabilidades de ocurrencia de ambas causas son independientes:

( ) ( ) ( ) ( ) ( )BPAPBPAPBAP −+=U

Ponderación sobre preferencias

(http://walter.arizona.edu)

Ponderación sobre escenarios idóneos

Técnica Multicriterio: Distancia punto idealIgnición Propagación: mayor peso el índice dinámico

5opagaciónPrIgnición·4Peligro

22 +=

Evolución Probabilidad Ocurrencia15-06-2007 01-07-2007 15-07-2007

01-08-2007 15-08-2007 01-09-2007

http://www.geogra.uah.es:8080/firemap/index.php

Herramientas para la comunicación

Telefonía: FaxSMS.

Internet:E-mail verbal.E-mail con imágenes adjuntas.Servidor con imágenes estáticas.Servidor cartográfico.

Servidor cartográfico del Firemap

http://www.geogra.uah.es:8080/cartofire/index.php

Conclusiones

Interés de generar información a partir de teledetección y SIG.Es complejo encontrar métodos objetivospara integrar variables en índices sintéticosde riesgo.

Grupo de Teledetección Ambientalde la UAH

Javier Salas.Inmaculada Aguado.Angela de Santis. Marta Yebra.Patricia Oliva.Hector Nieto.Felipe Rodríguez.Mariano García.Sara Jurdao.

Sergio Opazo.Aitor Bastarrika.Agnes Romero.Isabel GonzálezJesús Anaya.Diego Padrón.Pilar Martín (CSIC)

Gracias!Gracias!

impacto de las nuevas tecnologías sobre los sistemas de detección y gestión del ... ·...

Documents