impacto de las nuevas tecnologías sobre los sistemas de detección y gestión del ... ·...
TRANSCRIPT
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)
Chuvieco et al., 2007
Variedad interanual: abril- mayo
http://rapidfire.sci.gsfc.nasa.gov/firemaps/
Variabilidad interanual (2000-2006)
Chuvieco et al., 2007
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
RESERVA HÍDRICA vs CWBI 2000
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
5,00
6,00
SEP OCT NOV DIC ENE FEB MAR ABR
MESES
mm RESERVA HÍDRICA_2000
CWBI_2000
RESERVA HÍDRICA vs CWBI 2001
-10,00
-5,00
0,00
5,00
10,00
15,00
20,00
SEP OCT NOV DIC ENE FEB MAR ABR
MESES
mm RESERVA HÍDRICA_2001
CWBI_2001
RESERVA HÍDRICA vs CWBI 2002
-5,00
-4,00
-3,00
-2,00
-1,00
0,00
1,00
2,00
3,00
4,00
5,00
SEP OCT NOV DIC ENE FEB MAR ABR
MESES
mm RESERVA HÍDRICA_2002
CWBI_2002
RESERVA HÍDRICA vs CWBI 2003
-4,00
-2,00
0,00
2,00
4,00
6,00
8,00
SEP OCT NOV DIC ENE FEB MAR ABR
MESES
mm RESERVA HÍDRICA_2003
CWBI_2003
RESERVA HÍDRICA vs CWBI 2005
-6,00
-5,00
-4,00
-3,00
-2,00
-1,00
0,00SEP OCT NOV DIC
MESES
mm RESERVA HÍDRICA_2005
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!