Modelado predictivo de incendios forestales relacionados con sequías en Boyacá y Cundinamarca usando análisis de sensoramiento remoto y datos climáticos
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Se planteó desarrollar y evaluar un esquema para anticipar hotspots de incendios a escala diaria–semanal en Boyacá y Cundinamarca, caracterizar la sequía meteorológica y la aridez climática de base, y verificar si la combinación del índice SPEI con un índice compuesto de teledetección permite predicción a 500 m–1 km. La metodología integra SPEI multiescalar con CHIRPS y PET MODIS en una grilla aproximada de 0.05° para el período 2014–2024, junto con un índice compuesto diario (FDCI) basado en C. Chen et al. (2023), calibrado localmente con NDVI (500 m), LST con llenado de vacíos (1 km), TVDI y un componente estático de cobertura MCD12Q1 en Google Earth Engine; se usaron detecciones VIIRS FIRMS de 2014–2024 para calibración y validación, y el TVDI se derivó del espacio NDVI-LST mediante rectas húmeda y seca estimadas con series MODIS gap-filled de Zhang et al. (2022) del periodo 2003–2020.
En el diagnóstico climático, el análisis interanual mostró relación negativa SPEI–ENSO con desfase de tres meses, más consistente en k = 6 meses, y el análisis multianual confirmó condición húmeda regional según el Índice de Aridez v3 con IA > 0.65. Como parte de la caracterización de sequía, el NIFT compuesto (0–100) se concentró en 35–68 con máximo de 68.1 en TS-6 y medias entre 50–55 según escala, y con pesos alternativos el máximo descendió a 64.0, lo que refleja variación espacial limitada en el área de estudio. La correlación local SPEI–incendios (GWSS) fue heterogénea entre años y, en el agregado 2018–2024 a 0.05°, el 68.7 % de las celdas resultó significativo y con signo negativo, aunque con magnitudes débiles.
En desempeño predictivo, la calibración local del FDCI mejoró el ordenamiento frente a variantes no calibradas (ROC–AUC ≃ 0.70) y el modelo integrado alcanzó ROC–AUC = 0.771; no obstante, la precisión por evento fue baja en validación (PR-AUC = 0.036; F1 = 0.088) con elevada tasa de falsos positivos, por lo que se recomienda limitar el uso actual a diagnóstico regional y, de forma exploratoria, evaluar si la incorporación explícita de variables de ignición antrópica, cartografía de combustibles, viento, pendientes y humedad relativa mejora la precisión. (Texto tomado de la fuente)
Abstract
This study designed and evaluated a workflow to anticipate daily–weekly wildfire hotspots in Boyacá and Cundinamarca, to characterize meteorological drought and background aridity, and to test whether combining SPEI with a remote-sensing composite index enables prediction at the 500 m–1 km pixel scale. The method integrates multiscale SPEI from CHIRPS and MODIS PET on an ~ 0.05° grid for 2014–2024 with a daily composite index (FDCI) following C. Chen et al. (2023), locally calibrated with 500 m NDVI, 1 km gap-filled LST, TVDI, and MCD12Q1 land cover in Google Earth Engine; VIIRS FIRMS detections (2014–2024) were used for calibration and validation, and TVDI was derived from the NDVI-LST space using wet/dry edges estimated with MODIS gap-filled LST from Zhang et al. (2022) (2003–2020).
Interannual diagnostics showed a negative SPEI–ENSO relation with a three-month lead, most consistent at k = 6 months, and multiannual analysis confirmed humid conditions region-wide by Global Aridity Index v3 with AI > 0.65; as part of drought characterization, the composite NIFT (0–100) concentrated in 35–68 with a maximum of 68.1 at TS-6 and means between 50–55 depending on scale, while under alternative weights the maximum decreased to 64.0, indicating limited spatial variability over the study area. Geographically weighted local SPEI–fire correlations were heterogeneous across years, and in the 2018–2024 aggregate at 0.05° resolution, 68.7 % of cells were significant and negative, though magnitudes were weak overall.
In predictive performance, locally calibrated FDCI improved ranking over uncalibrated variants (ROC–AUC ≃ 0.70) and the integrated model reached ROC–AUC = 0.771; however, event-level precision was low in validation (PR-AUC = 0.036; F1 = 0.088) with a high false-positive rate, so current use is recommended for regional diagnosis while, on an exploratory basis, assessing whether adding anthropogenic ignition proxies, fuel mapping, wind, slope, and relative humidity can improve pixel-level precision.
Palabras clave propuestas
Teledetección; Remote sensing; Sequía meteorológica; Meteorological drought; Índice de sequedad temperatura-vegetación; Temperature-vegetation dryness index; Variabilidad climática; Climate variability; Íncendios forestales; Wildfires; Índice compuesto de peligro de incendio; Fire danger composite index
Descripción
ilustraciones a color, diagramas, mapas, tablas