Estimation of forest fuel loads using an integrated geospatial approach

Abstract

Los incendios forestales son un factor importante en el funcionamiento de los ecosistemas, tanto por su papel como elementos perturbadores como por ser modeladores naturales. La propagación del fuego depende de tres factores elementales: la topografía, las características meteorológicas y la disponibilidad de los combustibles forestales. Los combustibles forestales son considerados el elemento núcleo del manejo del fuego y el conocimiento de su distribución espacial es muy importante para reducir el riesgo de grandes incendios. Sin embargo, pese a los adelantos tecnológicos de las últimas décadas, estimar distribuciones espaciales precisas de los combustibles forestales, continúa siendo un gran reto. Tradicionalmente, la adquisición de datos precisos de los combustibles forestales involucra un intenso trabajo de campo que tiene un alto costo económico, así como la inversión de tiempo para su procesado, limitando de este modo las capacidades para obtener mapas precisos y actualizados. El objetivo general de esta tesis fue desarrollar un método geoespacial integrado que permitiera la estimación del complejo de cargas de combustibles forestales alcanzando una coherencia espacial, acorde a las características de la zona de estudio seleccionada en la investigación de la tesis, el Área Natural Protegida “Sierra de Quila”, Jalisco, México. La integración del método geoespacial consistió en dos fases: en la primera se desarrolló una metodología para estimar Áreas de Respuesta Homogénea (HRAs, acrónimo en ingles, usado en la tesis) que permitieran la caracterización de los combustibles forestales bajo un mismo contexto ecológico. Su proceso comprendió el uso de variables ambientales que incluyen altitud, precipitación media anual, índice de vegetación mejorado y altura del dosel forestal, a través de algoritmos de Inteligencia Artificial Machine Learning, alcanzando una precisión general superior al 95%. En la segunda fase se desarrolló una metodología para estimar cargas de combustibles del dosel arbóreo, utilizando datos de referencia de campo, sensores remotos de alta resolución montados en unidades aéreas no tripuladas (UAV), técnicas de análisis multiespectrales, nubes de puntos tridimensionales y algoritmos Machine Learning. Los análisis produjeron los siguientes resultados: R2 = 0.75, RMSE = 1.78 Mg y sesgo relativo de 18.62%. Finalmente, se desarrolló una metodología para la estimación de las cargas de combustibles de la capa orgánica del suelo y de superficie, específicamente para los componentes combustibles de fermentación y hojarasca, respectivamente. La metodología incluyó el uso de datos de campo y su procesado en el laboratorio para ser utilizados como datos de referencia. Se incluyó el uso de datos de sensores remotos de alta resolución UAV, análisis multiespectrales y algoritmos Machine Learning. Los análisis produjeron los siguientes resultados: R2 = 0.32, RMSE = 0.53 Mg/ha para la carga de combustible hojarasca y R2 = 0.38, RMSE = 13.14 Mg/ha para fermentación, p‐value = 0.018 y p‐value = 0.015 para las cargas de combustible hojarasca y para fermentación respectivamente. El RMSE relativo fue de 33.75% para la hojarasca y 27.71% para la fermentación, con sesgo relativo ≤ 5% para hojarasca y ≤ 20% para la fermentación. El método geoespacial integrado propuesto en esta tesis, ofrece una nueva metodología para la estimación del complejo de cargas de combustibles forestales, que permiten estimar su distribución espacial utilizando un número reducido de variables y con un reducido tiempo de proceso. La precisión y rapidez de la cartografía obtenida con el método propuesto, permite a los investigadores y gestores forestales, agilizar los procesos en la toma de decisiones para el manejo de los combustibles y el control de los incendios forestales.