[ACTUALIZADO septiembre 2021] En agosto de 2019 se producía en Gran Canaria unos de los mayores incendios de ese año en España, el análisis con imágenes Sentinel-2 nos permite conocer su impacto real.

Los regímenes de fuegos forestales están cambiando en Gran Canaria (España), de modo que los grandes incendios forestales (GIF) presentan mayor probabilidad de desarrollarse. Esto supone un cambio considerable en el régimen de perturbaciones y una gran amenaza a la biodiversidad de la isla.

Los GIFs –catalogados ya como uno de los impactos del cambio climático— son aquellos incendios que superan las 500 ha quemadas. La gran masa boscosa a la que afectan y las altas temperaturas que se alcanzan los hace prácticamente imparables.

Desde comienzos de siglo no ha habido ni un solo año de descanso, en lo que a fuego se refiere, en la isla de Gran Canaria. Así lo constata los datos del ISTAC (Instituto Canario de Estadística) ofrecido por la Viceconsejería de Medio Ambiente del Gobierno de Canarias y del MAPA (Ministerio de Agricultura, Pesca y Alimentación) del Gobierno de España. En el periodo 2000-2019 se declaran 870 incendios –incluyendo conatos e incendios—, ardiendo 50.563 ha, de las cuales más de 30.000 han sido parte de un GIF.

Para estudiar el comportamiento de los incendios forestales se utiliza la teledetección espacial. Según Emilio Chuvieco (2002), esta técnica se plantea como una alternativa muy a tener en cuenta para generar cartografías de áreas quemadas, puesto que nos permite observar sistemáticamente toda la superficie terrestre mediante las bandas cuyo espectro es más sensible a la discriminación de la señal que emite la zona afectada por las llamas. Para ello se utiliza el índice NBR (Normalized Burn Ratio).

Además, el uso de la teledetección también es vital para conocer el estado de salud de la vegetación. De esta manera, es factible conocer con qué rapidez se podría recuperar la vegetación afectada por un incendio. Para ello se utiliza el NDVI (Normalized Difference Vegetation Index) que sirve para estimar para la cantidad y calidad de la vegetación, siendo interesante contar con una serie de imágenes para estudios multitemporales y así conocer el desarrollo de la misma.

Área de estudio

El gran incendio forestal de la isla de Gran Canaria del 17 de agosto de 2019 afectó a 101 km2 (Figura 1) en el cuadrante noroeste de la isla de Gran Canaria, una zona de especial valor natural con diversos espacios protegidos, además del recién declarado Patrimonio Mundial de la UNESCO al Paisaje Cultural de Risco Caído y las Montañas Sagradas de Gran Canaria. Cabe destacar que en el área de estudio se producen dos incendios en poco margen de tiempo (tres días) y que estos se solapan en la zona reflejada.

 

Gran incendio forestal 2019 en Gran Canaria. Área de estudio
Figura 1. Gran incendio forestal 2019 en Gran Canaria noroeste. Área de estudio

Materiales y métodos

Imágenes de satélite Sentinel 2-A

Para el estudio se han utilizado una serie de imágenes de la misión Sentinel-2 de la ESA (European Space Agency) a través de Copernicus Open Access Hub. Las imágenes se utilizaron para dos análisis:

  • el primero para obtener la severidad del incendio
  • y el segundo para conocer la recuperación de la masa forestal afectada

Severidad del incendio. Índice espectral de área quemada

Para hallar este índice espectral se utilizan imágenes obtenidas por el satélite Sentinel 2 y se realiza el cociente normalizado del área quemada: NBR (Normalized Burn Ratio). Para ello utilizamos las bandas NIR (banda 8) y SWIR (banda 12) ya que son más sensibles a la presencia de carbón y ceniza en el suelo. Su expresión es la siguiente:

 NBR = NIR-SWIR / NIR+SWIR

Con este índice se pretende obtener el perímetro del área quemada y su posterior análisis. Primero debemos generar el índice NBR de ambas imágenes –pre y post incendio— y así conocer la severidad del incendio a través del uso del dNBR (Difference Normalized Burn Ratio) según la clasificación de Key & Benson (2006). La ecuación que se utiliza para hallar la severidad es la siguiente:

dNBR = (NBRpre - NBRpost)*1000

Recuperación de la vegetación. Índice espectral de salud de la vegetación

Para el obtener la recuperación de la vegetación en los meses posteriores al incendio se utiliza el NDVI (Normalized Difference Vegetation Index). Para ello, se extraen los valores que se obtienen a partir 200 puntos de muestreo aleatorios que se reparten homogéneamente dentro del perímetro.  Los resultados que se obtienen de este índice se encuentran entre -1 y 1. Para ello se utilizaron las bandas NIR (banda 8) y R (banda 4). La expresión para calcular dicha recuperación es la siguiente:

NDVI = NIR-R / NIR+R

Datos de cobertura forestal

Para conocer la cobertura forestal afectada se ha utilizado el Mapa Forestal de España a escala 1:50.000 (MFE50). Con estos datos podemos estimar la vegetación que ha sufrido un mayor grado de afección y como se recupera la misma combinándola con los valores NDVI de cada punto de muestreo. Las coberturas predominantes en el área afectada son: arbolado (pinar), matorral, herbazal y otros (vegetación escasa o nula y resto de áreas).

Detección de cambios. NDVI Multi-temporal

Para generar un NDVI multi-temporal necesitamos un NDVI para cara uno de los tres momentos temporales de estudio. En nuestro caso serán los meses de agosto de 2019, 2020 y 2021. Mediante QGIS construiremos un raster virtual para conseguir nuestro objetivo. Las capas deben ser subidas por orden ascendente para que las bandas RGB coincidan y así interpretar mejor los datos.

  • R = NDVI 2019
  • G = NDVI 2020
  • B = NDVI 2021

Resultados

Una vez se obtienen los índices NBR y dNBR se emplea la clasificación propuesta por Key y Benson (2006) repartidas en cinco intervalos y se presentan los resultados. En ella se puede observar el área afectada y el daño que el incendio provocó, como se muestra en la figura 2.

Grado de severidad del incendio
Figura 2. Grado de severidad del incendio

 

Pese a la magnitud del incendio, y como se observa en el gráfico 1, el grado de afección que predomina es la clase “severidad baja”. El área afectada presenta unas 10.000 hectáreas, repartidas de la siguiente manera: la clase “área no quemada” representa un 17% (1.677 ha), “severidad baja” un 51% (5.101 ha), “severidad media-baja” un 22% (2.231 ha), “severidad media-alta” un 8% (853 ha) y con “severidad alta” representa el 2% (234 ha) restante.

 

 

Por otro lado, los resultados del cruce de los mapas relativos a la cobertura forestal y el grado de severidad –previamente transformado a polígonos— se exponen en la siguiente tabla:


Según la severidad predominante, las coberturas que mayor número de hectáreas afectadas con una baja severidad son “Pinar” (1.827 ha) y “Matorral” (1.988 ha); seguido de la severidad “no quemado” con la cobertura “Matorral” (1.012 ha). Estos datos nos hacen entender de manera más detallada que la severidad del incendio de 2019 en la isla de Gran Canaria fue baja o media-baja dado que las coberturas del pinar y el matorral presentan unos valores relativamente altos –cuanto a hectáreas se refiere— en comparación con el resto grados de severidad y cobertura forestal como se aprecia en los datos del gráfico 2.

A continuación, se muestra una composición cartográfica multi-temporal del NDVI donde la primera imagen (09/08/19) es pre-incendio, la segunda (19/08/19) es durante el incendio y a partir de la tercera es post-incendio.

 

Composición cartográfica NDVI multi-temporal
Figura 3. Composición cartográfica NDVI multi-temporal

 

Como podemos observar en la figura 3, a medida que avanzamos en el tiempo (post-incendio), se aprecia como la vegetación se va recuperando paulatinamente con una orientación noreste-suroeste de la zona afectada. Sin embargo, en los datos de 05/02/20 la banda del rojo presenta una mayor reflectividad al sur, esto se debe a la situación geográfica y altitud de esa zona ya que se encuentra en medianías del sur. A esto le añadimos el episodio de calima extrema que sufrió el archipiélago canario, con altas temperaturas y escasas precipitaciones impropios del mes de febrero, por lo que esta situación afecta a los datos de los meses próximos.

Por ello se observa un decrecimiento de los valores NDVI de los meses posteriores hasta el final de la serie, reflejándolo así el gráfico 2.

Composición cartográfica NDVI multi-temporal (segundo año)
Figura 4. Composición cartográfica NDVI multi-temporal (segundo año)

 

Por otro lado, en la figura 4 se puede observar como sigue un patrón de recuperación similar. Después de un descenso de los valores del NDVI con la llegada del verano hasta las primeras lluvias de otoño, empieza a reflejarse una recuperación de la vegetación en esta segunda etapa.

A partir de agosto del 2020, como refleja el gráfico 2, se produce un aumento de los valores NDVI hasta marzo de 2021. A partir de aquí descienden los valores –como ocurre en el año anterior- con la llegada de las altas temperaturas y la escasez de lluvias.

Cabe destacar que la cobertura Herbazales presentó un ascenso explosivo desde octubre hasta diciembre de 2019. Esto se debe a la capacidad de recuperación que tienen las herbáceas después de un incendio con las primeras lluvias siendo positivamente sensibles a las precipitaciones y negativamente al estrés hídrico y altas temperaturas. En el siguiente año esto cambia, y son los Matorrales quienes presentan un mejor estado de salud en marzo de 2021. Por otro lado el Pinar, siendo la cobertura con mayor número de hectáreas afectadas, presenta una recuperación más tardía que las otras dos coberturas.

En líneas generales podemos observar en gráfico 2 que los valores medios del año 2021 ha sido mejor que en el 2020 desde enero hasta agosto, siempre teniendo en cuenta la ausencia de datos de marzo y abril por alta presencia de nubes en la zona de estudio.

Si queremos darle sentido a este estudio debemos fijarnos en el 9 de agosto de 2019 (pre-incendio) y en el 13 de agosto de 2021. Los valores pre-incendio (0,31) son sumamente superiores a los obtenidos en en agosto de 2021 (0,18). Por ende la vegetación actual no se ha recuperado totalmente al no haber alcanzado los valores que tenía en el momento previo al incendio.

Para entender mejor estos datos se han extraído los valores de agosto de los tres años y se muestran en un gráfico lineal. El estado de salud de la vegetación en 2019 está muy lejos de 2021 como bien refleja gráfico 3.

Gráfico 3. NDVI multi-temporal (datos agosto 2019, 2020 y 2021)
Gráfico 3. NDVI multi-temporal (datos agosto 2019, 2020 y 2021)

 

Para la detección de cambios mediante una composición multi-temporal a partir de datos NDVI, nos vamos a basar en la composición RGB (Figura 5) que nos muestra la combinación de momentos temporales de la zona a estudiar pudiendo identificar qué coberturas existían en un determinando momento y como fue desapareciendo a lo largo del tiempo.

Figura 5. Composición RGB
Figura 5. Composición RGB

 

Para entenderlo un poco mejor, podemos observar en la Figura 6 que la zona sur del área de estudio presenta una tonalidad morada muy oscura, prácticamente negra, esto significa que en las tres fechas NDVI existía una baja presencia de vegetación, casi nula en las dos últimas fechas. Por otro lado, si nos fijamos en la zona noreste encontramos tonalidades blancas, significando que existe presencia de vegetación en los tres momentos NDVI. Sin embargo, cuando nos encontramos con tonalidades rojizas, como al oeste de la zona afectada, se traduce a que hubo presencia significativa de vegetación frondosa en el primer momento (2019) y que en los dos siguientes no fue así (2020 y 2021).

El resto de combinaciones cromáticas identificarán todos los potenciales escenarios de presencia o ausencia de vegetación en cada uno de los tres años (Matellanes Ferreras, 2019).

Siempre hay que tener en cuenta que los valores NDVI son los que nos determinan el color final. Por lo tanto, a mayor sea el valor en una determinada fecha, mayor tonalidad tendrá ese color en las bandas RGB, y viceversa.

Figura 6. Composición NDVI multi-temporal de agosto de 2019, 2020 y 2021
Figura 6. Composición NDVI multi-temporal de agosto de 2019, 2020 y 2021

Conclusiones

Dada la resolución espacial de las imágenes obtenidas de Sentinel-2 (20 metros) en comparación con Landsat 8 (30 metros) nos proporciona una mejor calidad y detalle de análisis de datos. La resolución espacial es importante para que la digitalización del perímetro del incendio sea lo más preciso posible para abarcar toda el área con exactitud y para ajustar con finura los valores de los diferentes índices que se pretendan utilizar. Además, este satélite cuenta con una resolución temporal más corta (5 días) en comparación con Landsat 8 (16 días).

En función de los resultados obtenidos, la intensidad del incendio presenta una notable variabilidad en cuestión a su severidad. Las zonas clasificadas con una severidad “baja” y “media-baja” presentan el 73% del total de la superficie afectada. Sin embargo, las clasificadas como “alta” y “media-alta” presentan un 10% del área afectada, siendo incluso menor que la clasificada como “área no quemada” con un 17% del total. De esta manera, se puede decir que el incendio ha tenido una severidad completamente baja si sumamos las clasificaciones “área no quemada”, “baja” y “media-baja” (90%).

Por otro lado, el estudio de la vegetación post-incendio, mediante el índice NDVI, determina que la cobertura vegetal de la zona afectada presenta unos valores de recuperación mejores que los del año 2020. Aún está muy lejos de los valores de 2019 que en agosto presentaba un valor promedio NDVI de 0,31. Asimismo, en agosto 2020 presenta un valor de 0,16 y en agosto 2021 de 0,18. Dado diferentes factores climáticos que se presentan durante 2021, como periodos de calor extremo, hacen más lenta la recuperación de la vegetación afectada.

Finalmente, la composición NDVI multi-temporal nos muestra los cambios que se han producido en las coberturas del área afectada. Aunque esta composición es muy llamativa por los contrastes de colores, no es aconsejable fiarse solamente de nuestra percepción del color, ya que todos no vemos la misma tonalidad. Por lo que siempre es interesante ir comprobando los valores NDVI a la vez que observamos la cartografía (Figura 6) y la paleta de colores (Figura 5) en nuestro SIG.

Por lo tanto, podemos concluir que utilizar las técnicas de teledetección para estudios de incendios forestales y de recuperación de la vegetación son esenciales para obtener unos resultados que, junto a otros métodos de trabajo de campo, ayudarán a la buena gestión del medioambiente y los recursos naturales.

Bibliografía

Armas Hernández, N. (2018). Aproximación, mediante TIG, a la caracterización del incendio forestal de la cumbre de Gran Canaria de 2017. DOI: 10.13140/RG.2.2.25931.54566

Bastarrika, A., Chuvieco, E. & Martín, M.P. (2011): "Mapping burned area from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors", Remote Sensing of Environment, 115, 1003-1012.

Chuvieco, E. (2002). Teledetección ambiental: La observación de la Tierra desde el Espacio. Barcelona: Ariel.

Key, C. H., & Benson, N. C. (2006). Landscape Assessment (LA). FIREMON: Fire Effects monitoring and inventory system. General technical report RMRS-GTR-164-CD, LA-1. https://doi.org/10.2737/RMRS-GTR-164

López Gómez, J. (1979). El clima de Canarias según la clasificación de Köppen. Madrid: Estudios Geográficos.

Molina, D., Grillo, F., y García, D. (2006). Uso del fuego prescrito para la creación de rodales cortafuegos: estudio del caso de Las Mesas de Ana López, Vega de San Mateo, Gran Canaria (España). Investigación agraria. Sistemas y recursos forestales, 15(3), 271-276. http://hdl.handle.net/10459.1/44690

Naranjo Cigala, A. (1995). Evolución del paisaje vegetal en la Cumbre de Gran Canaria (1960-1992). Las Palmas de Gran Canaria: Cabildo Insular de Gran Canaria. http://hdl.handle.net/10553/61941

Matellanes Ferreras, Roberto (2019). Cálculo de índices NDVI multitemporales. GIS&Beers. http://www.gisandbeers.com/calculo-indices-ndvi-multitemporales/

Una primera versión de este artículo se publicó en octubre de 2020

 

Néstor Armas Hernández es geógrafo técnico/analista SIG