actividad 2 desarrollo de algoritmos para la sesiÓn extraordinari…actividad 2 desarrollo de...

Laboratorio Nacional de Observación de la Tierra, Instituto de Geografía, UNAM.

Lilia de Lourdes Manzo Delgado, Víctor Manuel Jiménez Escudero, Jorge Prado Molina y Colvert Gómez Rubio.

Actividad 2

Desarrollo de algoritmos para la

Detección de Puntos de Calor (DPC)

para México.

2.4. Elaboración de Reporte de DPC

CENTRO NACIONAL DE PREVENCIÓN DE DESASTRES, MÉXICO

Número de convenio 52769-1829-7-VI-18 Marzo de 2019

2.4. Elaboración del Reporte.

P á g i n a 2 | 53

Índice

1. RECOPILACIÓN DE INFORMACIÓN BIBLIOGRÁFICA. ............................................................................. 5

1.1 RESUMEN DEL CAPÍTULO………………………………………………………………………….5

1.2. INTRODUCCIÓN. ...................................................................................................................... 5

1.3. OBJETIVO del CAPÍTULO. ....................................................................................................... 6

1.4. ASPECTOS GENERALES DE LOS INCENDIOS FORESTALES. ........................................... 6 1.4.1. ¿Qué es el fuego? ........................................................................................................................... 6 1.4.2. ¿Qué es un incendio forestal? ........................................................................................................ 7 1.4.3. Tipos de incendios forestales. ......................................................................................................... 7

1.5. ESTADO DE LA CUESTIÓN (ANTECEDENTES). .................................................................. 10

1.6. BASES FÍSICAS DE LA PERCEPCIÓN REMOTA PARA LA DETECCIÓN DE INCENDIOS. 18

1.7. EL PROGRAMA DE SATÉLITES GOES. ................................................................................. 21

2. IMPLEMENTACIÓN DE ALGORITMOS EN EL SISTEMA. ........................................................................ 25

2.2. INTRODUCCIÓN ...................................................................................................................... 25

2.3. OBJETIVO DEL CAPÍTULO ..................................................................................................... 25 2.3.1. Objetivos particulares: ................................................................................................................... 26

2.4. ALGORITMO DE DETECCIÓN DE INCENDIOS GOES-16/ABI.............................................. 26 2.4.1. Etapa I. Preparación de materiales. .............................................................................................. 26 2.4.2. Etapa II. Máscara de nubes. .......................................................................................................... 28 2.4.3. Etapa III. Máscara de Tierra/agua/desierto/ciudades. ................................................................... 28 2.4.4. Etapa IV. Definición de umbrales. ................................................................................................. 28 2.4.5. Etapa V. Selección de pixeles potenciales. ................................................................................... 29 2.4.6. Etapa VI. Eliminación del Sun glint. ............................................................................................... 32 2.4.7. Etapa VII Caracterización de fondo y pruebas contextuales. ........................................................ 33 2.4.8. Etapa VIII Detección y caracterización de incendios. .................................................................... 34 2.4.9. Visualización de los resultados del algoritmo de incendios GOES-16/ABI .................................... 34

3. EVALUACIÓN DE LA CALIDAD DE LOS RESULTADOS. ........................................................................ 35

3.2. INTRODUCCIÓN ...................................................................................................................... 35

3.3. OBJETIVO DEL CAPÍTULO ..................................................................................................... 36 3.3.1. Objetivos particulares: ................................................................................................................... 36

3.4. EVALUACIÓN DE LA CALIDAD ............................................................................................... 36 3.4.1. Pruebas para horarios diurnos. ..................................................................................................... 39 3.4.2. Pruebas para horarios nocturnos. ................................................................................................. 42

3.5. RESULTADOS. ......................................................................................................................... 44 3.5.1. Incendios detectados por el algoritmo GOES-16/ABI. ................................................................... 45 3.5.2. Falsos incendios detectados por el algoritmo GOES-16/ABI. ....................................................... 46

4. CONCLUSIONES. ....................................................................................................................... 48

5. REFERENCIAS BIBLIOGRÁFICAS ............................................................................................................ 49

GLOSARIO ...................................................................................................................................................... 53


P á g i n a 3 | 53

Índice de tablas

Tabla 1.1. Sensores y satélites para el monitoreo de incendios y áreas quemadas. ....................................... 15 Tabla 1.2. Bandas espectrales de los sensores MODIS y VIIRS. .................................................................... 16 Tabla 1.3. Bandas espectrales del sensor ABI montado en el satélite GOES-16. ........................................... 17 Tabla 1.4. Historia y estado actual de los satélites geoestacionarios GOES (NOAA y NASA, 2018). ............. 21 Tabla 2.1. Canales de GOES-16 utilizados en el algoritmo de detección de incendios. .................................. 33 Tabla 3.1. Sentinel-2 longitud de banda central y ancho de banda. ................................................................ 37 Tabla 3.2. Divisiones por horario utilizadas en el algoritmo de detección de incendios GOES-16/ABI. ........... 39 Tabla 3.3. Pruebas diurnas 17 de mayo de 2018............................................................................................. 39 Tabla 3.4. Pruebas diurnas 20 de mayo de 2018............................................................................................. 40 Tabla 3.5. Pruebas diurnas 22 de mayo de 2018............................................................................................. 40 Tabla 3.6. Pruebas diurnas 28 de mayo de 2018............................................................................................. 41 Tabla 3.7. Pruebas nocturnas 17 de mayo de 2018......................................................................................... 42 Tabla 3.8. Pruebas nocturnas 20 de mayo de 2018......................................................................................... 42 Tabla 3.9. Pruebas nocturnas 22 de mayo de 2018......................................................................................... 43 Tabla 3.10. Pruebas nocturnas 28 de mayo de 2018. ...................................................................................... 43

Índice de figuras

Figura 1.1 Triángulo del fuego que sintetiza los elementos de un incendio forestal (Flores, 2009). .................. 7 Figura 1.2. Formas de transmisión del calor (Rodríguez, 1996). ....................................................................... 8 Figura 1.3. Representación gráfica de un incendio subterráneo (Flores, 2009). ................................................ 9 Figura 1.4. a) Representación gráfica de un incendio de pastizal. b) Representación gráfica de un incendio de

sotobosque (Flores, 2009). ........................................................................................................................ 9 Figura 1.5. Representación gráfica de un incendio de copas pasivo (Flores, 2009). ....................................... 10 Figura 1.6. Representación gráfica de un incendio de copas activo (Flores, 2009). ........................................ 10 Figura 1.7. Espectro electromagnético. Se muestra una ampliación de una porción de los espectros visible e

IR. ............................................................................................................................................................ 19 Figura 1.8. Espectros de radiación solar y terrestre. (Sellers, 1965)................................................................ 19 Figura 1.9. Comparación de las radiancias de Planck entre el canal infrarrojo de onda corta (3.9 µm) y el

infrarrojo de onda larga (11 µm). La gráfica ilustra la respuesta más rápida de las longitudes de onda más cortas para detectar el calor (Weaver et al., 2003). ......................................................................... 21

Figura 1.10. Satélite GOES 16 y sus diferentes sensores abordo. (https://www.goes-r.gov/) ......................... 22 Figura 1.11. Imágenes espectrales de las 16 bandas de CONUS (Continental US) obtenidas con el sensor

ABI del satélite GOES-16. ....................................................................................................................... 24

Figura 2.1. Diagrama de flujo de las etapas consideradas en el desarrollo del algoritmo de incendios

utilizando imágenes del satélite geoestacionario GOES-16. ................................................................... 26 Figura 2.2. Imagen de GOES 16, banda 1, a la que se han añadido los incendios captados con los sensores

MODIS y VIIRS. ...................................................................................................................................... 27 Figura 2.3. Máscara de Tierra/agua, desierto y ciudades. Es utilizada para evitar falsas alarmas. ................ 28 Figura 2.4. Secuencia para establecer los umbrales asociados a incendios, tomando como base los puntos

de calor del sensor MODIS. Sobreposición de incendios en un compuesto visible de GOES-16 (imagen izquierda). Visualización de la columna de humo de los incendios en banda 1 (Ch 1); los pixeles potenciales en la banda 7 (Ch7) son de color más brillante; sustracción de bandas 7 – 14 (Ch7 – Ch 14) donde los pixeles con diferencias mayores de 10°K resaltan del fondo; pixeles potenciales de incendios (en color rojo) y puntos de calor MODIS (en color amarillo) sobrepuestos en la banda 1 (Imagen de abajo a la derecha). ................................................................................................................................. 29

Figura 2.5. Los pixeles potenciales diurnos (13:00 – 23:00 hrs GMT) detectados cada media hora el 28 de mayo de 2018, se comparan con los puntos de calor obtenidos del sistema FIRMS. ............................. 30

Figura 2.6. Imagen de GOES_16 compuesta por los canales 1,2 y 3 obtenida el 29 de Mayo de 2018. 05:30 GMT. Los puntos amarillos corresponden a los incendios detectados con el sensor MODIS. ................ 31

Figura 2.7. Condiciones que deben cumplirse para considerar que existe un incendio nocturno. Se utilizan los canales 7 y 14 del sensor ABI, se lleva a cabo la resta (Ch7-Ch14) y se obtienen los pixeles potenciales (Abajo a la derecha). Mismos que se validan con datos obtenidos con el sensor MODIS. ..................... 31

Figura 2.8. Se muestra la coincidencia que existe entre los pixeles detectados con GOES-16 (pixeles con diferente color en función del tiempo en que se detectaron) y los que el sistema FIRMS publicó en el mismo día (https://earthdata.nasa.gov/firms). ........................................................................................ 32

Figura 2.9. Pruebas para determinar los horarios de existencia del reflejo del Sol o Sun glint. Este proceso es indispensable para eliminar falsas alarmas en la aplicación del algoritmo de detección de incendios. .. 33


P á g i n a 4 | 53

Figura 3.1. Plataforma SENTINEL Hub Playground online (https://sentinel-hub.com/explore); en esta pantalla se presentan las imágenes y compuestos disponibles en mayo de 2018. .............................................. 37

Figura 3.2. Análisis comparativo visual con la imagen GOES 16/ABI del 28 de mayo de 2018 de las 20:30 hrs GMT. A) incendios detectados con el algoritmo desarrollado (color rojo) sobrepuestos en la banda 1; B) en compuesto RGB (1/2/3) y C) incendios comparados con los detectados por el sensor MODIS (color amarillo). Las imágenes A y B confirman la presencia del incendio por las columnas de humo, la imagen C corrobora que los incendios detectados con GOES coinciden con los detectados en MODIS. ........... 38

Figura 3.3. Análisis comparativo para corroborar la detección de un incendio de gran extensión y duración en el municipio de Madera, Chihuahua. Los incendios detectados por el algoritmo GOES 16/ABI el 28/05/2018 (Fig 3A) se ubicaron con los mapas base de ArcMap (Fig 3B). La imagen Sentinel de fecha previa al evento 27/05/2018 confirmó que ya existía el incendio (C). ..................................................... 38

Figura 3.4. Gráficas representativas de la evaluación de calidad del algoritmo diurno en cuatro fechas: A) 17/05/2018; B) 20/05/2018; C) 22/05/2018; D) 28/05/2018. .................................................................... 41

Figura 3.5. Gráficas representativas de la evaluación de la calidad del algoritmo nocturno en cuatro fechas: A) 17/05/2018; B) 20/05/2018; C) 22/05/2018; D) 28/05/2018. .................................................................... 44

Figura 3.6. Inicio de un incendio de gran extensión ubicado al norte del municipio de Janos, Chihuahua, frontera con Estados Unidos (Frente del incendio en color rojo, en la parte inferior del recuadro amarillo). El incendio fue detectado por primera vez en la imagen GOES-16/ABI del 17 de mayo de 2018 a las 20:00 hrs GMT, dicho incendio está sobrepuesto a la imagen Sentinel-2 de la misma fecha, captada a las 17:50 hrs GMT. ................................................................................................................. 45

Figura 3.7. Avance de un incendio de gran extensión ubicado al norte del municipio de Janos, Chihuahua, frontera con Estados Unidos (Frente del incendio en color rojo, en la parte central del recuadro amarillo). El incendio fue detectado en cinco pixeles (recuadro amarillo) de la imagen GOES-16/ABI del 22 de mayo de 2018 a las 19:30 hrs GMT, los cuales están sobrepuestos en la imagen Sentinel-2 de la misma fecha, captada a las 17:50 hrs GMT. ........................................................................................... 46

Figura 3.8. Falsos incendios GOES ubicados alrededor de la presa Infiernillo en Michoacán y Guerrero. Los falsos incendios (recuadros en color rojo) fueron detectados con la imagen GOES-16/ABI del 17 de mayo de 2018 a las 20:00 hrs GMT, los cuales están sobrepuestos en las imágenes Sentinel-2 (RGB 12, 8A, 4) de fecha 15 de mayo de 2018, anterior a la detección GOES (A) y 20 de mayo de 2018, posterior a la detección GOES (B). En las imágenes Sentinel no se aprecia evidencia de incendio ni de superficie quemada, por ello fueron considerados como errores en el algoritmo de detección. ............. 47


P á g i n a 5 | 53

1

RECOPILACIÓN DE INFORMACIÓN BIBLIOGRÁFICA Un incendio forestal es la propagación del fuego sobre la vegetación, el cual es catalogado como uno de los factores de disturbio más comunes en los ecosistemas forestales y que influye significativamente en su estructura, composición de especies, dinámica sucesional y funcionamiento. La localización y evaluación rápida de los efectos producidos por el fuego es uno de los problemas a los que deben hacer frente los países con alta incidencia de incendios forestales. Desde hace más de cuatro décadas la percepción remota ha constituido una herramienta eficiente para estudiar los incendios forestales, permitiendo dar seguimiento en tiempo cuasi real, haciendo uso de los sistemas de alerta temprana implementados a escala mundial y regional. Tomando como base la detección de puntos de calor con imágenes de satélite, dichos sistemas constituyen un gran apoyo para dirigir las acciones de combate del fuego, cuantificar la superficie afectada y estimar sus impactos en la atmósfera. El desarrollo de algoritmos para la detección de puntos de calor se ha abordado desde que fueron lanzados lo primeros satélites meteorológicos a la órbita terrestre. No obstante, con el avance tecnológico en la creación de nuevos sensores, la localización de los incendios forestales se ha vuelto más precisa debido a las características mejoradas de sensibilidad de los detectores abordo, así como también por la resolución espectral y espacial de las imágenes. En el presente capítulo se describen los antecedentes y las bases teóricas para desarrollar un algoritmo para detectar de manera automática, los puntos de calor utilizando principalmente las imágenes del sensor ABI (Advanced Baseline Imager) que se encuentra abordo del satélite GOES-16. 1.1. RESUMEN DEL CAPÍTULO El capítulo aborda los aspectos generales de los incendios forestales con algunas definiciones para entender el comportamiento del fuego y el tipo de incendios que pueden detectarse. Posteriormente, se describen brevemente las bases del desarrollo de algoritmos para la identificación de puntos de calor, utilizando los productos que proporcionan los satélites meteorológicos de la NOAA, así como los últimos satélites geoestacionarios que proporcionan servicio al continente Asiático. Por último, se documentan las bases físicas de la percepción remota para la detección de incendios y la descripción técnica de las imágenes del nuevo satélite GOES-16.

1.2. INTRODUCCIÓN. Los incendios en la vegetación, en muchos países alrededor del mundo, debe ser un aspecto primordial a ser considerado en el manejo de los recursos naturales. Los incendios son causados, la mayoría de las veces, por la actividad antrópica; principalmente con la agricultura y la ganadería (Malingreau y Tucker, 1988), propiciando diversas afectaciones en los ecosistemas, además de contribuir al calentamiento global (Bowman et al., 2011). El fuego es uno de los factores de disturbio más comunes en los ecosistemas forestales e influye significativamente en su estructura, composición de especies, dinámica sucesional y funcionamiento (Whelan, 1995; Pyne et al., 1996; Rodríguez, 1996). Anualmente los incendios forestales afectan extensas superficies de bosques, matorrales y pastizales; pero en las últimas décadas, los incendios forestales


P á g i n a 6 | 53

han seguido una tendencia creciente, siendo el año 1998 uno de los más críticos a nivel global (Rowell y Moore, 2000). En México, esta situación no fue la excepción, en ese año ocurrieron 14,445 incendios que afectaron casi 850,000 ha, lo que hizo evidente la necesidad de encontrar una solución tecnológica que ayudara en su detección y en el análisis de sus mecanismos de propagación (Ressl y Cruz, 2012). En las últimas décadas las técnicas de teledetección han constituido una herramienta eficiente para estudiar los incendios forestales, permitiendo darles seguimiento en tiempo cuasi real (Husson, 1985). Los sensores más utilizados son aquellos a bordo de los satélites de órbita polar para la detección de puntos de calor, entre los cuales se destaca el AVHRR (Advanced Very High Resolution Radiometer) a una resolución espacial nominal de 1 km (Belward et al., 1994), teniendo como limitante la resolución temporal del paso del satélite (cada 16 días por el mismo punto del planeta) que puede no coincidir con la actividad o con la temperatura más alta generada por los incendios (Robinson, 1991). Hasta el lanzamiento de MODIS (Moderate Resolution Imaging Spectroradiometer), AVHRR había sido de los sensores favoritos para la detección de puntos de calor, pero con esta nueva generación de sensores a bordo de los satélites Terra y Aqua, se tuvo la posibilidad de realizar un monitoreo de los incendios con una resolución de 1 km, con 8 imágenes al día (Esto debido a que el sensor MODIS se encuentran en diferentes satélites). Desde su inicio en el año 2000, los productos de puntos de calor se han utilizado para ayudar a responder una amplia gama de preguntas científicas sobre el papel de las quemas de biomasa dentro de los sistemas forestales (Chuvieco et al., 2008). Posteriormente, el sensor VIIRS (a bordo del satélite Suomi NPP), ofrece un producto de detección de incendios activos a 375 m, el cual muestra una capacidad de localización significativamente superior a los productos de incendios de MODIS. La mejora en la resolución espacial en los satélites polares ofrece nuevas oportunidades en el uso de información satelital para aplicaciones técnicas como el mapeo y modelado de incendios (Csiszar et al., 2014, Schroeder et al., 2014;). Los sistemas geoestacionarios como GOES (Geostationary Operational Environmental Satellite) también han sido utilizados para la detección de puntos de calor. Los satélites GOES 8 - 15 por su alta resolución temporal y cinco bandas espectrales, tienen la posibilidad de detectar los puntos de calor cada 3 horas en el hemisferio occidental y cada 30 minutos en América del Norte (Wever et al., 2004). Sin embargo, los incendios que son detectables con AVHRR se pierden en las imágenes de estas series de GOES, debido a que su resolución espacial es de 4 km (Prins y Mezel 1994). El reciente lanzamiento del sensor ABI (Advanced Baseline Imager) a bordo del satélite GOES 16, cuenta con una mayor resolución espacial y temporal, lo cual representa nuevas oportunidades para monitorear los incendios forestales. El sensor ABI obtiene imágenes en 16 bandas espectrales, con diferente resolución espacial (0.5, 1 y 2 km), incluyendo dos bandas en el visible, cuatro en el infrarrojo cercano y diez en el infrarrojo térmico (NOAA y NASA, 2018). El instrumento tiene dos modos de exploración básicos. El modo predeterminado (MOD3), toma simultáneamente una imagen de Disco Completo (Full Disk, hemisferio occidental) cada 15 minutos, una imagen de los Estados Unidos Continental (CONUS) cada cinco minutos y dos imágenes más pequeñas y detalladas de zonas en territorio Estadounidense donde hay actividad de tormenta, cada 60 segundos (Mesoescala). El otro modo de exploración (MOD4) puede proporcionar exploraciones del disco completo cada cinco minutos, CONUS igualmente tiene un periodo de 5 minutos y los recortes de Mesoescala, se obtienen cada 60 segundos (Schmit et al., 2005). El MOD6, es otro modo de exploración del sensor ABI y ha sido implementado por primera vez por algunos días en marzo de 2019, obteniendo una imagen de disco completo cada 10 minutos, CONUS se recibe cada cinco y Mesoescala cada minuto.


P á g i n a 7 | 53

Aunque nosotros como usuarios de las imágenes no tenemos ingerencia en los modos de operación del satélite. Desde marzo de 2017, el Instituto de Geografía de la Universidad Nacional Autónoma de México, cuenta con una antena de recepción GOES-16, que constituye un elemento esencial del proyecto “Laboratorio Nacional de Observación de la Tierra – LANOT”, el cual ha sido financiado por el CONACyT durante 2017 y 2018. Entre los proyectos principales del LANOT se tiene considerado generar información sobre la ubicación automatizada de incendios y generar alertas tempranas de estos eventos. El Laboratorio también cuenta con una estación de recepción de imágenes de algunos satélites de órbita polar que tienen sensores como MODIS, VIIRS y AVHRR, que son muy importantes para validar los algoritmos de detección de incendios basados en los datos proporcionados por GOES-16.

1.3. OBJETIVO DEL CAPÍTULO. El objetivo del presente capítulo, es describir los antecedentes y las bases teóricas para desarrollar un algoritmo de puntos de calor con imágenes GOES 16/ABI.

1.4. ASPECTOS GENERALES DE LOS INCENDIOS FORESTALES.

1.4.1. ¿Qué es el fuego? El fuego es la liberación de energía en forma de luz y calor, producto de la combustión (quema). Para que el fuego se produzca se requiere de tres elementos, que forman el llamado “triángulo del fuego” (Figura 1.1), combustible, calor y oxígeno; si alguno de ellos falta, el fuego no se produce (Rodríguez, 1996).

Figura 1.1 Triángulo del fuego que sintetiza los elementos de un incendio forestal

(Flores, 2009).

Los combustibles son todo aquel material vegetal existente en el monte, como troncos, hojas, ramas, arbustos o árboles que constituyen la materia prima para la combustión. El oxígeno, se encuentra en el aire formando el 21% de las capas bajas de la atmósfera. El calor del Sol o del fuego provoca la pérdida de humedad de los combustibles y eleva su temperatura hasta que pueda arder. El calor puede transmitirse en cuatro formas (Figura 1.2), por conducción, convección, radiación y por pavesas. En la conducción, el calor se transmite a través de un objeto sólido, los metales son muy buenos conductores del calor. Aunque más lentamente, igual se transmite por materia orgánica, como la leña. La convección, consiste en el calentamiento del aire, encima de las llamas, que al ser


P á g i n a 8 | 53

menos denso que el aire frío tiende a ascender, llevando el calor consigo. En la radiación, el calor se transmite junto con la luz a una velocidad de casi 300 000 km/s. El calor que nos llega cuando estamos a un lado de la fogata se debe principalmente a la radiación. Las pavesas son proporciones de combustibles ardiendo que son transportadas por el viento, o que ruedan por una ladera y que al entrar en contacto con combustibles hacen que éstos ardan (Rodríguez et al., 2002).

Figura 1.2. Formas de transmisión del calor (Rodríguez, 1996).

1.4.2. ¿Qué es un incendio forestal? Un incendio forestal es la propagación libre del fuego sobre la vegetación (Rodríguez, 1996). Como ya se mencionó, es uno de los factores de disturbio más comunes en los ecosistemas forestales e influye significativamente en su estructura, composición de especies, dinámica sucesional y funcionamiento (Whelan 1995). Los bosques en general producen bienes y servicios y son considerados un recurso natural renovable, pero cuando se producen daños muy serios, su recuperación puede ser muy difícil y en ocasiones, casi imposible (Spurr y Barnes, 1982). Sin embargo, no todos los incendios son peligrosos; en algunos casos provocan un efecto benéfico en las áreas forestales (Flores, 2009), debido a que diversas especies se adaptaron o se encuentran adaptadas al fuego, siendo un factor ecológico importante para la regeneración natural, la diversidad, el hábitat de la fauna silvestre, el reciclaje de la materia orgánica y nutrimentos, entre otras funciones (Rodríguez, 2014).

1.4.3. Tipos de incendios forestales. Los incendios forestales son clasificados genéricamente en función del combustible que facilita su avance y asegura su alimentación. Según el tipo de vegetación, el incendio puede involucrar diferentes estratos, aunque pueden existir otras categorías de clasificación distintas, tales como la morfología, el grado de intensidad o el patrón de comportamiento (Arnaldos et al., 2004).

1.4.3.1. Incendios subterráneos Estos incendios consumen la materia orgánica que se encuentra entre la superficie y la capa mineral del suelo, compuesta por hojarasca, raíces, residuos vegetales en descomposición, humus y turba. Solo se detectan por la emisión de humos, ya que normalmente arden sin llama (Figura 1.3). Avanzan lentamente debido a la escasez de oxígeno, pero la combustión puede mantenerse durante días o semanas, incluso con


P á g i n a 9 | 53

altos contenidos de humedad (Arnaldos et al., 2004). Afortunadamente, esta clase de incendios no son frecuentes en nuestro país. Parece increíble que se presenten incendios bajo el suelo, pero basta decir que en forma similar se elabora el carbón en muchas regiones de México (Flores, 2009).

Figura 1.3. Representación gráfica de un incendio subterráneo (Flores, 2009).

1.4.3.2. Incendios de superficie. Este incendio consume cualquier tipo de material combustible que se encuentre situado inmediatamente encima de la superficie del terreno y por debajo de las copas de los árboles (Figura 1.4). Este estrato comprende mayoritariamente hojarasca, ramas muertas, troncos caídos, resto de talas, vegetación herbácea y matorrales. El comportamiento de un incendio de superficie es muy distinto en función de la tipología de la vegetación involucrada. Incendios en prados, pastizales, zonas de matorral y sotobosque forman parte de esta categoría (Arnaldos et al., 2004). Además, se caracteriza por su rápida propagación, por sus llamas y las apreciables humaredas que generan; son los más comunes en México (Flores, 2009).

Figura 1.4. a) Representación gráfica de un incendio de pastizal. b) Representación gráfica de un incendio de sotobosque (Flores, 2009).

1.4.3.3. Incendios de copa En esta clase de incendios, las llamas suelen pasar de una copa a otra con rapidez. Normalmente son causados por un incendio superficial (Flores, 2009). La probabilidad de que ocurra un incendio de copas más o menos violento dependerá, aparte de las


P á g i n a 10 | 53

condiciones meteorológicas y topográficas, de la posición relativa del combustible en los diferentes estratos, de la cantidad y disposición del combustible aéreo y del porcentaje de combustible seco y fino que presenten las copas. En este sentido los incendios de copa, se clasifican en pasivos y activos (Arnaldos et al., 2004). Incendio de copas pasivo Las copas (hojas, ramas y troncos) de un grupo reducido de árboles se encienden de forma intermitente debido al calor procedente del frente de incendio que discurre en el sotobosque (Figura 1.5). Este fenómeno también recibe los nombres de fuego de antorcha o fuego de copas discontinuo, y es bastante frecuente en pinares dispersos y matorral denso (op cit.).

Figura 1.5. Representación gráfica de un incendio de copas pasivo (Flores, 2009).

Incendio de copas activo La combustión tiene lugar tanto en el estrato superficial como en las copas (Figura 1.6). El calor y las llamas provenientes del fuego de superficie proporcionan la energía necesaria para sostener la propagación también por las copas de los árboles; de este modo, todo el frente avanza a la vez con llamas que abarcan todos los estratos. Este fenómeno recibe asimismo el nombre de fuego de copas continuo o dependiente (Arnaldos et al., 2004).

Figura 1.6. Representación gráfica de un incendio de copas activo (Flores, 2009).

1.5. ESTADO DE LA CUESTIÓN (ANTECEDENTES). Uno de los mayores retos de la comunidad científica que estudia los incendios en la vegetación (quema de biomasa) es evaluar de manera exacta la distribución espacial y geográfica de éstos con diferentes herramientas, como es la percepción remota


P á g i n a 11 | 53

(Martínez et al., 2004), que otorga la posibilidad de desarrollar algoritmos para detectar los incendios activos como puntos de calor (Justice et al., 1993) y esto ha sido posible desde hace ya varias décadas. Los satélites geoestacionarios GOES (Geostationary Operational Environental Satellite) en las décadas de los 70’s y 80’s proporcionaban imágenes del hemisferio completo, pero con algunas limitaciones para la detección de incendios. La primera, es que el canal infrarrojo tenía una resolución de 7 km, lo que hacía imposible detectar pequeños incendios; el segundo, los satélites GOES en aquellas épocas contaban solamente con un canal infrarrojo, lo que hacía imposible desarrollar un algoritmo multiespectral. Sin embargo, era posible detectar los incendios indirectamente usando los canales visibles de 0.9 km, detectando las plumas de ceniza de los incendios más grandes (Clark, 1983). Por otro lado, los satélites de la NOAA (National Oceanic and Atmospheric Administration) en la década de los 80’s contaban con una resolución espacial cercana a 1 km y una resolución temporal de 12 horas, siendo la mejor opción para el monitoreo de los incendios forestales. Además, los satélites NOAA contaban con múltiples canales infrarrojos, facilitando las técnicas multiespectrales. El Servicio Meteorológico Nacional de EEUU usó los canales infrarrojos desde 1981 con los satélites NOAA para identificar los incendios forestales en el Oeste de los Estados Unidos (Matson et al., 1984). La detección de puntos de calor se inició con el algoritmo desarrollado por Matson y Dozier (1981), quienes utilizaron los canales de 3.7 y 10.8 µm del AVHRR a bordo del satélite NOAA-6 (tercera generación de órbita polar de la serie TIROS-N) para ubicar fuentes industriales en Detroit y quema de combustible derivado de la actividad petrolera en el Golfo Pérsico. Posteriormente, Flannigan y Vonder Haar (1986) desarrollaron un algoritmo específico para el monitoreo de incendios con imágenes AVHRR (NOAA-7) durante un brote de incendios severos en el centro norte de Alberta entre el 12 y el 21 de junio de 1982. Fue utilizada una técnica multiespectral, basada en los canales 3 (3.7 µm) y 4 (10.8 µm), este enfoque multiespectral permitió la identificación de incendios tan pequeños como 1 ha. Durante el estudio, fueron identificadas algunas desventajas como la omisión del 59% de incendios por la presencia de nubes y humo. En el tiempo restante, el 80% de los incendios reportados por el Servicio Forestal de Alberta se identificaron a través de la imagen satelital. Con el paso de los años y el avance tecnológico, la técnica de Matson y Dozier (1981) se adaptó a los datos de GOES VAS (visible infrared spin scan radiometer atmospheric sounder, a bordo de los satélites GOES-4, 5, 6 y 7) para monitorear la quema de biomasa en algunas regiones de América del Sur (Prins y Menzel, 1992). Los incendios se identificaron en las imágenes de GOES VAS al ubicar puntos de calor en el canal de 4 μm y verificar la existencia de incendios mediante la presencia de humo en las imágenes visibles. Además, para ser designado como un pixel de fuego, éste debía mostrar valores elevados de temperatura de brillo en los canales de 4 y 11 μm. Aunque, la resolución espacial de los datos de GOES VAS (7 km - 14 km) fue un factor limitante para detectar incendios, las comparaciones con los datos de AVHRR indicaron que la disminución de la resolución espacial no obstaculiza gravemente la capacidad del instrumento VAS para detectar incendios, excepto en casos de eventos aislados. Además, en algunos casos, la falta de resolución espacial del VAS sirve como una ventaja, ya que el sensor rara vez se satura para incendios grandes o más calientes (Prins y Menzel, 1992). En un esfuerzo para obtener un mejor entendimiento en la identificación de los incendios en las imágenes de GOES VAS de forma constante y operativa, fue necesario automatizar el proceso. El algoritmo automatizado fue capaz de distinguir los pixeles que


P á g i n a 12 | 53

contenían actividad de fuego y de proporcionar estimaciones del tamaño de los incendios. Uno de estos fue el Algoritmo Automatizado de Quema de Biomasa (ABBA, por sus siglas en inglés) desarrollado en el Instituto Cooperativo para Estudios de Satélites Meteorológicos (CIMSS). El algoritmo se obtuvo utilizando imágenes de las temporadas de incendios de 1983 y 1988 en América del Sur (Prins y Menzel, 1994). En el verano de 1994, la siguiente generación de satélites geoestacionarios, GOES-I (GOES 8), fue puesta en órbita. Mientras que los equipos anteriores tenían dos canales dedicados a la meteorología (visible e infrarrojo de onda larga), GOES 8 tenía cinco (Menzel y Purdom, 1994). Este incluía los canales visible e infrarrojo de onda larga (bandas estandarizadas en las generaciones anteriores), el canal de 6.7 µm (para la humedad de la tropósfera superior), el canal de 12 µm (ayuda a obtener los niveles bajos de humedad) y el infrarrojo de onda corta centrado @ 3.9 µm. Datos que estuvieron disponibles para todo el hemisferio cada 15 minutos, los cuales fueron de gran utilidad para la comunidad de gestión de incendios, particularmente en la noche, debido a la sensibilidad que presentaba el canal de 3.9 µm ante el rápido aumento de la temperatura, lo cual permitió detectar incendios forestales activos en áreas muy pequeñas (0.8 ha) y con una frecuencia de 15 min (Weaver et al., 1995). Un par de años después, al observar el avance y mejora en la identificación de puntos de calor por incendios forestales, fue desarrollado el Algoritmo Automatizado de Quema de Biomasa para GOES 8 (GOES-8 ABBA, por sus siglas en inglés). Este algoritmo incluyó una serie de componentes para detectar ruido por nubes semitransparentes, incorporando umbrales de banda única y multibanda, así como un enfoque de análisis en los histogramas del infrarrojo de onda corta y el infrarrojo de onda larga para detectar nubes y determinar la temperatura de brillo de los valores de fondo. Además, esta nueva versión evita el ruido de áreas con reflectancia solar extrema (sunglint), el cual hace que se obtengan falsos positivos en la identificación de incendios. Finalmente, el modelo NCEP que estima el total de agua precipitable fue incorporado para considerar la atenuación del vapor de agua en las bandas de 3.9 y 11 µm (Prins et al., 1998). Un objetivo importante en la detección remota de incendios por satélite es obtener mediciones globalmente precisas de la distribución espacial y temporal de la quema. Hasta la década de los 90, el sensor principal empleado en la detección de fuego y cicatrices de incendio fue el Radiómetro Avanzado de Muy Alta Resolución (AVHRR, por sus siglas en inglés) a bordo de las plataformas de órbita polar de la NOAA (Fuller, 2000). Sin embargo, otros sensores que apoyaron la observación de incendios en áreas extensas fueron el conjunto de satélites geoestacionarios operacionales de aquella época (GOES-8, -9, -10, -12), que ofrecieron la capacidad de generar productos de incendios de alta resolución temporal (casi en tiempo real) y crear registros estables de largo plazo de la actividad diurna de incendios en todo el hemisferio occidental (Prins, 2001). Feltz et al., en el 2001 realizó una comparación de los productos de pixeles de incendio de NOAA-12 (AVHRR) y GOES-8 ABBA durante cada temporada de incendios de 1995 a 2000. Los productos mostraron características similares en la distribución espacial de incendios, pero la resolución espacial más alta del AVHRR produce más observaciones de pixeles por la saturación con la temperatura en los incendios con frentes más pequeños. Por otro lado, la cobertura continental completa de GOES-8 le permite observar incendios en regiones no cubiertas adecuadamente por un solo paso del satélite NOAA-12. Esta comparación mostró que la resolución temporal más alta de GOES y la resolución espacial más alta del AVHRR, brindan información complementaria sobre la actividad de incendios en América del Sur.


P á g i n a 13 | 53

En diciembre de 1999 el Espectroradiómetro de Imágenes de Resolución Moderada (MODIS, por sus siglas en inglés) se lanzó en la plataforma Terra, como parte del Sistema de Observación de la Tierra (EOS) de la NASA (Justice et al., 1998). Este sensor revolucionó la manera de observar los incendios. Abordo de los satélites Terra y Aqua, constituyeron una nueva generación de satélites polares (Justice et al., 1998). Los dos instrumentos MODIS en órbitas complementarias permiten a los científicos recopilar información sobre las variaciones diurnas de las características observadas de la tierra, el océano y la atmósfera; además de obtener información de la cobertura casi completa de la Tierra en un día con un este instrumento (Masuoka et al., 1998). El énfasis principal durante los primeros 18 meses desde el lanzamiento de MODIS fue para generar los productos de incendios activos (Justice et al., 2002), el cual se basó en algoritmos desarrollados anteriormente para el sensor AVHRR (Giglio et al., 1999; Justice et al., 1996), mejorando la resolución temporal a cuatro observaciones diarias, con resolución de 1 km. El algoritmo utiliza temperaturas de brillo derivadas de los canales de 4 y 11 µm. El instrumento MODIS tiene dos canales de 4 µm, el 21 y el 22, ambos utilizados por el algoritmo. El canal 21 se satura casi a 500 K; el canal 22 se satura a 331 K. Dado que el canal de baja saturación tiene menor ruido y tiene un error de cuantificación menor, es el más utilizado. Sin embargo, cuando el canal 22 se satura, o le faltan datos, se remplaza con el canal de alta saturación para obtener los puntos de calor. El canal de 11 µm (banda 31), se satura a aproximadamente 400 K (Justice et al., 2002). Posteriormente se desarrolló un algoritmo contextual mejorado para la identificación de incendios para MODIS, el cual eliminó las falsas alarmas en algunos desiertos y superficies con escasa vegetación, particularmente en el norte de Etiopía, Oriente Medio y la India central. Por otro lado, lo que ocurría con frecuencia es que no se detectaban incendios relativamente pequeños (aunque en general obvios). En respuesta a estos problemas, con el algoritmo mejorado, se ajustaron los umbrales para tener una mayor sensibilidad a los incendios más pequeños y fríos, detectando incendios aproximadamente a la mitad del tamaño mínimo que podían detectarse con el algoritmo original y con esto se obtuvo una tasa general de falsas alarmas de 10 a 100 veces más pequeña. A pesar de esto, los errores de comisión identificados son causados principalmente por la máscara de agua utilizada en el algoritmo, las cuales causan falsas alarmas a lo largo de las orillas de los ríos (Giglio et al., 2003). Giglio et al., en el 2008, obtuvieron un algoritmo para la detección de incendios de forma automatizada para ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer), capaz de obtener pixeles relacionados al fuego a una resolución espacial de 30 m. Para las escenas diurnas, utilizan la banda 8 (2.33 μm) y la banda 3N (0.82 μm). La primera es sensible a la radiación del cuerpo negro emitida por los incendios, mientras que la segunda es insensible a dicha radiación, pero proporciona una reflectancia altamente correlacionada sobre los componentes de los pixeles con no fuego, de las escenas. Para las imágenes nocturnas se aplica un umbral simple en la banda 8 (2.33 μm). La validación fue quizás la aplicación más importante de ASTER en el contexto del monitoreo del fuego, ya que la cobertura espacial y la frecuencia de revisita del sensor cada 16 días, limitan su utilidad para el monitoreo diario de los incendios. Otras aplicaciones incluyeron estudios de la estructura fina de los frentes de fuego y la estructura espacial de las cicatrices de áreas quemadas (Giglio et al., 2008). Con el lanzamiento de nuevos satélites, tanto polares como geoestacionarios, el desarrollo de algoritmos y la adaptación de algunos de ellos también fue en aumento. En el 2010, Xu y colaboradores implementaron un nuevo algoritmo para satélites Geoestacionarios (GOES-Este y GOES-Oeste), en el cual consideran el cálculo del


P á g i n a 14 | 53

Poder Radiativo del Fuego, una métrica que muestra estar fuertemente relacionada con el consumo de combustible (material orgánico) y la emisión de humo, el cual complementa el método tradicional para la obtención de puntos de calor. En cambio, para los satélites polares el lanzamiento de Suomi-NPP que lleva a bordo el sensor VIIRS (Visible Infrared Imaging Radiometer Suite) ofreció un avance significativo en la detección de incendios. El producto se basa en la última versión (Colección 4) del algoritmo utilizado para procesar datos de MODIS, pero utilizando las bandas de moderada resolución (bandas-M) a 750 m. La comparación directa de productos con MODIS durante 4 meses de datos en 2013 demostró que VIIRS produce aproximadamente 26% más detecciones que MODIS dentro de la zona central de VIIRS (en el intervalo de escaneo de aproximadamente ± 31°,) y 70% más detecciones fuera de esa zona, resultado de las mejores características de escaneo y muestreo de VIIRS (Csiszar et al., 2014). En ese mismo año, fue implementado el algoritmo contextual creado para MODIS, pero con los datos de las bandas con resolución de 375 m (bandas-I) de VIIRS, el cual obtuvo errores de comisión muy pequeños. Con esto se logró obtener una mejor identificación de incendios activos en comparación con los datos obtenidos a 750 m, a pesar del nivel de saturación en el canal de 3.7 µm @ 367 K, en comparación con las bandas de moderada resolución los cuales se saturan @ 634K (Schroeder et al., 2014). En los últimos años, los incendios forestales se han intensificado en cualquier parte del mundo, poniendo en peligro la seguridad y salud públicas, además de consumir los recursos naturales. En contraste, la detección de incendios se ha vuelto más rápida y se han aumentado las capacidades con la aplicación de métodos convencionales en los sistemas de alerta temprana. Koltunov y colaboradores (2016) desarrollaron el algoritmo de Detección Temprana de Incendios con GOES (GOES-EFD, por sus siglas en inglés), diseñado a escala regional en Estados Unidos, combinando pruebas de anomalía multitemporal, métodos contextuales para la identificación de puntos de calor y la clasificación de eventos dinámicos. El algoritmo identificó la mayoría de los incendios forestales de gran tamaño en California (> 2 ha) en 30 minutos y el 31 % de los incendios forestales se detectaron antes de que el público los informara. En octubre del 2014, fue lanzado el satélite Himawari-8, el cual lleva a bordo el sensor AHI (Advanced Himawari Imager), considerado una nueva generación de satélites meteorológicos geoestacionarios debido a su resolución temporal, espectral y espacial; que es significativamente más alta que sus predecesores. El sensor óptico AHI tiene una resolución espectral de 16 bandas (tres en el visible, tres en el infrarrojo cercano y diez en el infrarrojo), resolución espacial que va desde los 0.5 km a los 2 km y la resolución temporal varía dependiendo las regiones de obtención de los datos, el disco completo cada 10 minutos y 5 regiones de Japón que van desde los 2.5 minutos hasta los 30 segundos (Bessho et al., 2016). Con el lanzamiento de este satélite, se desarrolló un sistema de procesamiento para identificar incendios activos que incluyeran el poder radiativo del fuego (FRP, por sus siglas en inglés) con los datos del sensor AHI. Los principales beneficios obtenidos con ese sensor, son la detección en una proporción mayor del planeta en comparación con otros satélites como MTSAT y FY-2 y tener muy poco impacto de la saturación del sensor. El AHI no detecta alrededor del 66% de los puntos que MODIS detecta cuando ambos sensores ven la misma área simultáneamente, sin embargo, ofrece 144 oportunidades de observación por día en comparación con las 4 que proporciona MODIS. El utilizar el FRP muestra importantes beneficios para el análisis de los incendios activos en Asia y Australia con el sensor AHI, el cual también ha sido adaptado para la serie


P á g i n a 15 | 53

GOES-R (Geostationary Operational Environmental Satellite), en el continente americano (Xu et al., 2017). En la Tabla 1.1 se muestran los principales sensores que apoyan el monitoreo de incendios forestales, incluyendo algunos satélites ambientales de baja, media y alta resolución espacial.

Tabla 1.1. Sensores y satélites para el monitoreo de incendios y áreas quemadas.

Satélite/

sensor

Aplicacione

s

principales

Resolución

Espacial

Amplitud

de cobertura

(swath)

Bandas

Espectrales

(μm)

Principales

Ventajas

Limitaciones

AVHRR Incendios

activos

Superficies quemadas

1.1 km 2400 km 0.58 – 0.68

0.72 – 1.10 3.55 – 3.931

10.3 – 11.3

11.5 – 12.5

Amplia

disponibilidad y frecuencia

temporal alta

Saturación

del canal 3 @ 325°K

DMSPOLS Incendios

activos

0.56 km 2.07 km

3000 km 0.58 – 0.91 10.3 – 12.9

Sensibilidad y resolución

temporal

altas

Imágenes nocturnas

aún con baja

iluminación lunar

SPOT-4 Superficies

quemadas

10m

Pancromático

20m Mutiespectral

60 km 0.50 – 0.59

0.61 – 0.68

0.79 – 0.89 1.58 – 1.75

una banda en el

IRM

Resoluciones

temporal

y espacial bajas

SPOT Vegetación


1 km 2,000 km 0.43 – 0.47 0.61 – 0.68

0.78 – 0.89

1.58-1.75

Banda IRM, resolución espacial

alta

Amplia Cobertura

sobre el terreno

Landsat TM y

ETM+3


15 m Pancromático

185 km 0.45 – 0.52 0.52 – 0.60

0.63 – 0.69

0.76 – 0.90 1.55 – 1.75

10.4 – 12.55

2.08 – 2.35

Banda IRM, resolución espacial

alta

Resolución temporal baja

(16 días)

GOES-8 Incendios 1 km visible

4 km IR

Hemisferio completo 0.52 – 0.72

3.78 – 4.03

6.47 – 7.027 11.02 –

11.2

11.5 – 12.5

Resolución

temporal muy alta

Mapas de superficies

quemadas

Resolución

espacial muy

baja

ATSR8 Superficies quemadas

1 km 500 km

3.51 – 3.89 1.57 – 1.63

10.4 – 11.3

Mapas de superficies

quemadas

Resolución espacial

baja

MODIS

Incendios.

Superficies

quemadas

Bandas 1-2

de 250 m en

el visible. Bandas 3-7

de 500 m en

el IR medio Bandas 8-36

de 1 km en el

IR Térmico.

2,330 km

El sensor

MODIS entrega 36

bandas

espectrales que van

desde 0.405

μm hasta 12.488 μm.

Resolución

temporal muy alta

No siempre

coincide el paso

del satélite con el incendio.

En combinación con VIIRS

proporciona una

cobertura mayor de los eventos

VIIRS 375 m

bandas I1-I5

750m

bandas M1-

M16

3,040 km

El sensor

VIIRS

entrega un

total de 21

bandas: 9 en el Vis e

IR cercano,

8 en el IR medio y 4

en el IR.

Resolución

temporal muy alta

No siempre

coincide el paso

del satélite con el

incendio.

En combinación

con MODIS proporciona una

cobertura mayor

de los eventos

GOES-16 Incendios

Activos

Banda 2 en el

Visible tiene resolución de

COBERTURAS

Disco completo (Full

El sensor

ABI entrega 16 bandas

Satélite de última

generación que proporciona alta

Baja resolución en comparación


P á g i n a 16 | 53

0.5 km

Bandas 1,3,5

tienen

resolución de 1 km.

Banda 4 y de la 6 a la 16,

en el IR,

tienen resolución de

2 km.

Disk): cobertura

hemisférica de 83° del ángulo cenital local.

Continental US

(CONUS): cobertura de

los Estados Unidos.

México está incluido casi totalmente, con

excepción de una

pequeña porción del sur de Chiapas.

Mesoescala: proporciona cobertura en un

cuadro de 1000x1000

km con una resolución temporal de 30

segundos.

espectrales

que van de 450 nm,

hasta los

13.6 micrómetro

s

resolución

espacial, temporal y espectral.

MODOS DE

OPERACIÓN

MODO 3

Full Disk: 15 min

CONUS: 5 min

MESOESCALA:0.5min

MODO 4

Full Disk: 5 min

CONUS: 5 min

MESOESCALA:1min

MODO 6

Full Disk: 10 min

CONUS: 5 min

MESOESCALA:0.5min

con satélites de

órbita polar.

En la tabla 1.2 se muestran de manera detallada las bandas espectrales que nos entregan los sensores MODIS y VIIRS, que son una fuente de información muy importante para el mapeo de los incendios a nivel global. También se presentan los valores de radiancia, expresada en unidades de Wm-2sr-1μm-1, y la temperatura de brillo de los canales térmicos del sensor MODIS (en grados Kelvin). Los datos de la tabla 1.2, fueron obtenidos de:https://earthdata.nasa.gov/earth-observation-data/near-real-time/firms/viirs-i-band-active-fire-data. https://earthdata.nasa.gov/

Tabla 1.2. Bandas espectrales de los sensores MODIS y VIIRS.

MODIS VIIRS

Banda

Ancho de banda

Radiancia espectral (Wm-2sr-1μm-1)

y Temperatura de brillo(K)

Longitud de onda

Banda

1 620 - 670 nm 21.8 600 – 680 nm I-1

2 841 – 876 nm 24.7 846 – 885 nm I-2

3 459 – 479 nm 35.3

4 545 – 565 nm 29.0 545 – 565 nm M-4

5 1230 – 1250 nm 5.4 1230 – 1250 nm M-8

6 1628 – 1652 nm 7.3

1580-1670 nm M-10

1580-1640 nm I-3

7 2105 – 2155 nm 1.0 2225 – 2275 nm M-11

8 405 – 420 nm 44.9 402 – 422 nm M-1

9 438 – 448 nm 41.9 436 – 454 nm M-2

10 483 – 493 nm 32.1 478 – 498 nm M-3

11 526 – 536 nm 27.9

12 546 – 556 nm 21.0

13 662 – 672 nm 9.5 662 – 682 nm M-5

14 673 – 683 nm 8.7

https://earthdata.nasa.gov/earth-observation-data/near-real-time/firms/viirs-i-band-active-fire-data

https://earthdata.nasa.gov/earth-observation-data/near-real-time/firms/viirs-i-band-active-fire-data


P á g i n a 17 | 53

15 743 – 753 nm 10.2 749 – 754 nm M-6

16 862 – 877 nm 6.2 846 – 885 nm M-7

17 890 – 920 nm 10.0

18 931 – 941 nm 3.6

19 915 – 965 nm 15.0

20 3.660 - 3.840 µm 0.45 (300K) 3.598 - 3.791 µm M-12

3.550 – 3.930 µm I-4

21 3.929 - 3.989 µm 2.38 (335K)

22 3.929 - 3.989 µm 0.67 (300K)

23 4.020 - 4.080 µm 0.79 (300K) 3.973 – 4.128 µm M-13

24 4.433 - 4.498 µm 0.17 (250K)

25 4.482 - 4.549 µm 0.59 (275K)

26 1.360 - 1.390 µm 6.00 1.371 – 1.386 µm M-9

27 6.535 - 6.895 µm 1.16 (240K)

28 7.175 - 7.475 µm 2.18 (250K)

29 8.400 - 8.700 µm 9.58 (300K) 8.400 – 8.700 µm M-14

30 9.580 - 9.880 µm 3.69 (250K)

31 10.780 - 11.280 µm 9.55 (300K) 10.263 – 11.263 µm M-15

10.500 – 12.400 µm I-5

32 11.770 - 12.270 µm 8.94 (300K) 11.538 – 12. 488 µm M-16

33 13.185 - 13.485 µm 4.52 (260K)

34 13.485 - 13.785 µm 3.76 (250K)

35 13.785 - 14.085 µm 3.11 (240K)

36 14.085 - 14.385 µm 2.08 (220K)

En la Tabla 1.3, se muestran las bandas espectrales del sensor ABI, así como el tamaño de pixel y la temperatura de brillo de las bandas infrarrojas, entre otros datos.

Tabla 1.3. Bandas espectrales del sensor ABI montado en el satélite GOES-16.

Banda

ABI

Longitud de onda Central

(µm)

Intervalo de longitudes de

onda (µm)

Clasificación

espectral.

Tamaño de pixel

(km)

Algunos usos

Temperatura de brillo. Valor de saturación

(K)

1 0.47 0.45 - 0.49 Vis 1 Incendios (visualizar humo)

2 0.64 0.60 - 0.68 Vis 0.5 Incendios (visualizar humo)

3 0.864 0.847 - 0.882 N-IR 1 Incendios (visualizar humo)

4 1.373 1.366 - 1.380 N-IR 2

5 1.61 1.59 - 1.63 N-IR 1

6 2.24 2.22 -2.27 N-IR 2

7 3.90 3.80 - 3.99 IR 2 Incendios 400

8 6.19 5.79 - 6.59 IR 2 300

9 6.93 6.72 - 7.14 IR 2 300

10 7.34 7.24 - 7.43 IR 2 320

11 8.44 8.23 - 8.66 IR 2 330

12 9.61 9.42 - 9.80 IR 2 300

13 10.33 10.18 - 10.48 IR 2 300

14 11.21 10.82 - 11.60 IR 2 Ceniza volcánica 330

15 12.29 11.83 - 12.75 IR 2 Ceniza volcánica 320

16 13.28 12.99 - 13.56 IR 2 305


P á g i n a 18 | 53

1.6. BASES FÍSICAS DE LA PERCEPCIÓN REMOTA PARA LA DETECCIÓN DE INCENDIOS. De manera cotidiana, un incendio forestal puede ser identificado desde una torre de observación, a más de 20 m de la superficie, por el humo y las llamas generadas por la combustión del material vegetal. Sin embargo, desde un satélite orbitando la Tierra a más de 800 kilómetros de altura, los incendios forestales también son detectados por medio de la radiación que estos emiten en forma de calor, en longitudes de onda del infrarrojo térmico del espectro electromagnético (Robinson, 1991; Manzo, 2006). La tecnología satelital es una herramienta que permite efectuar observaciones a distancia por medio de instrumentos espaciales denominados sensores. Los sensores registran tanto la energía solar reflejada, como la energía emitida por la atmósfera, el océano y la superficie terrestre. Los satélites ordenan la información registrada por el sensor y la envían a una estación receptora en forma de imagen. Inmediatamente después de la captación, personal especializado realiza diferentes procesos para obtener mediciones y todo esto sin tener que desplazarse hasta el sitio de interés. Esto agiliza el procesamiento de la información en tiempo real, con un costo relativamente bajo. Una ventaja adicional es que facilita la creación de series de tiempo que se almacenan de manera sistematizada en un banco de información (Chuvieco, 2000). Los estudios de percepción remota incluyen cuatro elementos básicos: la fuente de radiación, el medio de propagación, el objeto de estudio y el sensor satelital. La principal fuente de radiación es la energía electromagnética proveniente del Sol. El medio de propagación de la radiación solar se efectúa en la atmósfera, el océano y la superficie terrestre, a través de los cuales la energía es absorbida, transmitida y reflejada. Debido a ello, el objeto de estudio, como puede ser el estado de la vegetación, las condiciones meteorológicas, o los incendios forestales, se analizan en función de la energía emitida o reflejada por dichos objetos. La energía es registrada por los sensores satelitales en diferentes regiones o canales espectrales, sus características están en función directa de los objetivos de cada programa espacial, ya sea con fines meteorológicos, oceanográficos o ambientales (Aguirre, 2002). La radiación electromagnética constituye la base para cualquier estudio de percepción remota. La radiación es energía emitida en forma de onda por todos los objetos con temperatura mayor al cero absoluto (O°K = -273°C). Por su característica ondulatoria, la energía puede medirse en términos de amplitud y frecuencia o longitud de onda. Todos los tipos de energía electromagnética, es decir, las ondas de todas las frecuencias, viajan con la misma velocidad en el vacío. El espectro electromagnético es un continuo que puede ser ordenado de acuerdo con su longitud de onda o frecuencia de radiación, el cual incluye desde las longitudes de onda más cortas, como los rayos gama y los rayos X, cuya longitud de onda mide alrededor de 0.0001 micrómetros (μm); hasta las longitudes de onda más largas como las de radio y televisión, cuyas unidades se manejan en metros o kilómetros (Chinea, 2001) (Figura 1.7). Algunas zonas del espectro son fácilmente identificadas por el ser humano. Por ejemplo, nuestros ojos son capaces de detectar una pequeña porción conocida como región visible, nuestra piel percibe la radiación del infrarrojo térmico o lejano en forma de calor; y gracias a la tecnología, las microondas constituyen un medio excelente de comunicación (Aguirre, 2002).


P á g i n a 19 | 53

Figura 1.7. Espectro electromagnético. Se muestra una ampliación de una porción de los

espectros visible e IR. La atmósfera se comporta como un filtro selectivo a distintas longitudes de onda, de tal forma que en algunas bandas del espectro elimina prácticamente cualquier posibilidad de observación remota. Los principales causantes de esta absorción son los gases y el vapor de agua (Lillesand y Kiefer, 1979). El oxígeno molecular (O2) filtra las radiaciones ultravioletas (< 0.1 μm), así como pequeños sectores en el infrarrojo térmico y las microondas.

Figura 1.8. Espectros de radiación solar y terrestre. (Sellers, 1965).

El Ozono (O3), absorbe la energía ultravioleta (longitudes de onda < 0.3 μm), así como las microondas (en longitudes de onda de aproximadamente 27 mm). El vapor de agua, con una fuerte absorción para longitudes de onda de alrededor de los 6 mm y en el intervalo de 0.6 a 2 μm. El dióxido de carbono (CO2), que absorbe en el infrarrojo térmico (15 μm), con importantes efectos en el infrarrojo medio (2.5 y 4.5 μm) (Barrett y Curtis, 1992).


P á g i n a 20 | 53

Como consecuencia de esta absorción, la observación espacial se reduce a determinadas bandas del espectro, conocidas como ventanas atmosféricas, en donde la transmisibilidad de la atmósfera es alta. Las principales ventanas atmosféricas son las siguientes: (i) en el espectro visible e infrarrojo cercano, se sitúa entre 0.3 y1.35 μm, (ii) en el infrarrojo medio existen varias: 1.5 a 1.8 μm, 2.0 a 2.4 μm, 2.9 a 4.2 μm, y 4.5 a 5.5 μm; (iii) en infrarrojo térmico, entre 8 y 14 μm, (iv) en las microondas, por arriba de 20 mm, en donde la atmósfera es prácticamente transparente. Las ventanas atmosféricas son idóneas para realizar procesos de percepción remota, evitando interferencias a la radiación reflejada o emitida por los objetos o fenómenos de la superficie terrestre que son el objetivo de la observación. Algo que afecta en forma importante la observación de la superficie terrestre es la presencia de nubes, las cuales reflejan y/o absorben la radiación electromagnética en amplias regiones del espectro. Todos los objetos de la superficie con temperatura superior al cero absoluto emiten radiación electromagnética en intervalos específicos de longitudes de onda y no necesariamente en una sola. A este intervalo se le conoce como espectro de emisividad del objeto (Aguirre, 2002). Así mismo, la temperatura de un objeto determina el intervalo específico de longitudes de onda en las que va a emitir. De esta manera, un objeto con una temperatura superficial muy alta emitirá radiación en longitudes de onda más cortas, mientras que un objeto más frío emitirá energía a longitudes de onda largas. El Sol, con una temperatura superficial cercana a 6,000°K (5,727°C), tiene su máxima emisión en la longitud de onda de 0.5 μm, a la mitad de la región visible del espectro (0.4 a 0.7μm). Para la Tierra, que posee una temperatura superficial promedio cercana a los 300°K (27°C), su máxima emisión ocurre alrededor de la mitad de la región del infrarrojo térmico (8 a 12 μm) (Barrett y Curtis, 1992) (Figura 1.8). Cuando se comparan los espectros de emisión de la Tierra, el Sol y la energía solar en la Tierra (Figura 1.8), se observa que la emisión de la Tierra se localiza primordialmente en la región del infrarrojo térmico, llamado así porque corresponde al patrón de emisión de un cuerpo negro que se encuentre a la temperatura media de la superficie de la Tierra. Los sensores satelitales que detectan la radiación infrarroja son comúnmente utilizados para estudiar las propiedades térmicas de la atmósfera, las nubes, los océanos y la superficie terrestre, pero también se les considera de gran relevancia en la detección de incendios forestales (Robinson, 1991; Kennedy et al., 1994). Se observa que la intensidad espectral de la energía solar es mucho mayor que la emitida por los objetos en la superficie de la Tierra. Antes de que la radiación solar llegue a la superficie terrestre, ésta es afectada por los distintos componentes atmosféricos (gases, vapor de agua y aerosoles) mediante procesos de absorción, dispersión y transmisión dependiendo de su longitud de onda. Esto ocasiona que su intensidad disminuya al llegar a la superficie de la Tierra. Sin embargo, la mayor parte de la emisión solar permanece en la región visible del espectro, y en menor proporción en el infrarrojo cercano (0.7 – 1.3 μm) y medio (1.3 – 8 μm). Los sensores satelitales que detectan la radiación visible miden la cantidad de energía solar reflejada por los objetos de la superficie de la Tierra (Manzo, 2006). La detección de incendios con imágenes de satélite utiliza principalmente observaciones en longitudes de onda del visible e infrarrojo para detectar columnas de humo y puntos de calor, respectivamente (Prins y Menzel, 1992). Uno de los canales más útiles para la detección de incendios forestales en todas las imágenes GOES es el canal de infrarrojo de onda corta, que tiene una respuesta máxima de 3.9 µm (Menzel y Purdom 1994). El canal de 3.9 µm es diferente de los otros canales por tener una respuesta más rápida al calor en los incendios, que son más pequeños que el tamaño del pixel del instrumento, a menudo denominados incendios subpixel. (Dozier 1981; Matson y Dozier 1981;


P á g i n a 21 | 53

Flannigan y Vonder Haar 1986). Esta fuerte sensibilidad al calor de subpixeles lo hace ideal para su uso en la detección temprana de incendios forestales (Weaver et al. 1995), especialmente en áreas boscosas donde los incendios son muy severos. La Figura 1.9 muestra que a medida que aumenta la temperatura de la anomalía del subpixel, el pico de la función de Planck se desplaza hacia longitudes de onda más cortas, por lo que la contribución de luminosidad aumenta más rápidamente en el canal infrarrojo de onda corta (3.9 µm) que en la región del canal de infrarrojo de onda larga (11 µm) (Weaver et al., 2003).

Figura 1.9. Comparación de las radiancias de Planck entre el canal infrarrojo de onda corta (3.9 µm) y el infrarrojo de onda larga (11 µm). La gráfica ilustra la respuesta más

rápida de las longitudes de onda más cortas para detectar el calor (Weaver et al., 2003). Aunque ambos canales se pueden usar para detectar la superficie de la Tierra, la región infrarroja de onda corta se ve menos afectada por la atenuación del vapor de agua en la atmósfera. La respuesta diferente en las ventanas de infrarrojo ABI de 3,9 µm y 11,2 µm proporciona el marco para identificar los incendios de subpixel con estas imágenes (Schmidt et al., 2010).

1.7. EL PROGRAMA DE SATÉLITES GOES. Desde 1975, cuando fue lanzado el primer satélite del programa GOES (Geostationary Operational Environmental Satellite) llamado GOES-I, dichos satélites han proporcionado una serie de imágenes y datos de las condiciones atmosféricas y la actividad solar (clima espacial) (Jenner, 2017). Los datos y productos de los satélites GOES han llevado a previsiones meteorológicas más precisas y oportunas, además de mejorar la comprensión de las condiciones climáticas a largo plazo (NOAA y NASA, 2018). Los satélites GOES se designan con una letra antes del lanzamiento, una vez que un satélite ha alcanzado su posición definitiva en la órbita, se le asigna un número. A continuación, se muestra la historia y el estado de todos los satélites GOES (Tabla 1.4). Tabla 1.4. Historia y estado actual de los satélites geoestacionarios GOES (NOAA y NASA, 2018).

Designación de lanzamiento

Designación operacional

Todos proporcionan una imagen

de disco completo

Lanzamiento Estado

GOES-A GOES-1 Visible Infrared Spin Scan Radiometer (VISSR)

16 de octubre de 1975

Dado de baja en 1985

GOES-B GOES-2 Visible Infrared Spin Scan Radiometer (VISSR)

16 de junio de 1977 Desarmado en 1993, reactivado en 1995, desactivado en 2001

GOES-C GOES-3 Visible Infrared Spin Scan 16 de junio de 1978 Fuera de servicio 2016


P á g i n a 22 | 53

Radiometer (VISSR)

GOES-D GOES-4 VAS (Visible Infrared Spin Scan Radiometer (VISSR)

Atmospheric Sounder)

9 de septiembre de 1980


GOES-E GOES-5 VAS (Visible Infrared Spin Scan Radiometer (VISSR)

Atmospheric Sounder)

22 de mayo de 1981 Fuera de servicio desde 1990

GOES-F GOES-6 VAS (Visible Infrared Spin Scan Radiometer (VISSR) Atmospheric Sounder) 5

bandas

28 de abril de 1983 Fuera de servicio en 1992

GOES-G N / A 3 de mayo de 1986 No se pudo orbitar

GOES-H GOES-7 VAS (Visible Infrared Spin Scan Radiometer (VISSR) Atmospheric Sounder) 5

bandas

26 de febrero de 1987


GOES-I GOES-8 Sensor: Imager 1 5 bandas Cada 30 minutos

13 de abril de 1994 Dado de baja en 2004

GOES-J GOES-9 Sensor: Imager 1 5 bandas cada 30 min

23 de mayo de 1995 Dado de baja en 2007

GOES-K GOES-10 Sensor: Imager 1 5 bandas cada 30 min

25 de abril de 1997 Dado de baja en 2009

GOES-L GOES-11 Sensor: Imager 1 5 bandas cada 30 min

3 de mayo de 2000 Dado de baja en 2011

GOES-M GOES-12 Sensor: Imager 1 5 bandas cada 30 min

23 de julio de 2001 Dado de baja en 2013

GOES-N GOES-13 Sensor: Imager 2 5 bandas cada 30 minutos

24 de mayo de 2006 Almacenado en órbita como repuesto

GOES-O GOES-14 Sensor: Imager 2 5 bandas cada 30 minutos

27 de junio de 2009 Almacenado en órbita como repuesto

GOES-P GOES-15 Sensor: Imager 2 5 bandas cada 30 minutos

4 de marzo de 2010 En funcionamiento como GOES West hasta julio

de 2019

GOES-R GOES-16 Sensor: ABI 16 bandas cada 5 minutos

19 de noviembre de 2016

En funcionamiento como GOES East Desde el 18

de Dic de 2107.

GOES-S GOES-17 Sensor: ABI 16 bandas cada 5 minutos

1 de Marzo de 2018 En funcionamiento como GOES West, desde 12

de Febrero de 2019

Datos obtenidos de: https://webapps.itc.utwente.nl/sensor/default.aspx?view=allsensors https://goes.gsfc.nasa.gov/text/history/goes/goes1.html https://goes.gsfc.nasa.gov/ams/meteor.html Con acceso en marzo 9 de 2019.

Figura 1.10. Satélite GOES 16 y sus diferentes sensores abordo. (https://www.goes-r.gov/)

https://webapps.itc.utwente.nl/sensor/default.aspx?view=allsensors

https://goes.gsfc.nasa.gov/text/history/goes/goes1.html

https://goes.gsfc.nasa.gov/ams/meteor.html


P á g i n a 23 | 53

A partir del satélite GOES-16, se cuenta con una nueva generación de satélites meteorológicos geoestacionarios de NOAA. Abordo despliega un conjunto de instrumentos para mejorar el monitoreo de la Tierra y el clima espacial. El Generador de imágenes de Línea Base Avanzado (ABI, por sus siglas en inglés) es el instrumento primario para producir imágenes del tiempo en la Tierra, los océanos y la atmósfera. El Generador Geoestacionario de Mapas de Rayos (GLM), mide la actividad total de rayos dentro de la nube y de nube a tierra. Dos instrumentos apuntando al Sol miden la luz solar ultravioleta y los rayos X, éstos son: el Generador de Imágenes Solares Ultravioleta y el s Sensores de Irradiación Ultravioleta Extrema y Rayos X (SUVI y EXIS). Además, cuenta con dos instrumentos para mediciones in-situ de las condiciones del tiempo en el espacio. La Suite In-Situ del Ambiente Espacial (SEISS) y el Magnetómetro (MAG) proveen un monitoreo más preciso, respectivamente, de partículas energéticas y de variaciones del campo magnético asociadas con el tiempo en el espacio (Figura 1.10) (NOAA y NASA, 2018). El sensor ABI, es el instrumento principal de GOES-16, el cual introdujo una nueva era para la detección remota, ya que cuenta con una amplia gama de aplicaciones climáticas, oceanográficas, y ambientales. ABI obtiene más información de la Tierra mediante 16 bandas espectrales (Figura 1.11), en comparación con las cinco de los GOES-13/14/15; y una resolución espacial más alta (2 km en el infrarrojo y 1 – 0.5 km en el visible) (Schmidt, 2008). Como ya se ha mencionado, el instrumento tiene dos modos de exploración básicos: MOD3 y MOD4. El primero adquiere de manera simultánea una imagen de Disco Completo (Full Disk, hemisferio occidental) cada 15 minutos, una imagen de Estados Unidos Continental (CONUS) cada cinco minutos y dos imágenes más pequeñas y detalladas de zonas en territorio Estadounidense donde hay actividad de tormenta, cada 60 segundos (Mesoescala). MOD4 proporciona exploraciones del disco completo cada cinco minutos, CONUS igualmente tiene un periodo de 5 minutos y los recortes de mesoescala, se obtienen cada 60 segundos (Schmidt et al., 2005). Existe también MOD6 que obtiene una imagen de disco completo cada 10 minutos, CONUS se recibe cada cinco y mesoescala cada minuto. La adquisición de imágenes de manera simultánea, son posibles gracias a que el sensor ejecuta el barrido del planeta intercalando las líneas de imagen en las diferentes zonas del disco terrestre, incluyendo la adquisición de algunos puntos de calibración, fuera del planeta, apuntando hacia el espacio exterior. La importancia de contar con un satélite geoestacionario que nos proporciona imágenes en lapsos de tiempo que pueden ir de 15 a 5 minutos en cobertura de disco completo, dependiendo del modo de operación, y una imagen cada 5 minutos en el caso del barrido de Estados Unidos Continental CONUS, es trascendental en el monitoreo de los incendios y otros fenómenos muy dinámicos, como las tormentas severas o la emisión de cenizas volcánicas. En el caso de México este barrido nos beneficia, ya que prácticamente está cubierto todo el país, con excepción de una pequeña porción al sur de Chiapas.


P á g i n a 24 | 53

Figura 1.11. Imágenes espectrales de las 16 bandas de CONUS (Continental US) obtenidas con el sensor ABI del satélite GOES-16.

Las imágenes de los sensores MODIS y VIIRS son un complemento para validar el algoritmo de incendios que se está desarrollando, aunque tienen la desventaja de que su temporalidad de algunas horas, algunas veces no es suficiente para detectar un incendio.


P á g i n a 25 | 53

2 IMPLEMENTACIÓN DE ALGORITMOS EN EL SISTEMA

2.1. RESUMEN DEL CAPÍTULO En esta sección se describe el desarrollo de un algoritmo para detectar incendios, a partir de imágenes del sensor ABI emplazado en el satélite geoestacionario GOES-16. Dicho algoritmo toma en cuenta técnicas multi-umbral y contextuales, que utilizan máscaras de tierra/agua, desiertos y ciudades, en combinación con la geometría solar (ángulos de reflexión y azimut) y el establecimiento de umbrales espectrales en diferentes canales. El algoritmo considera ocho etapas para determinar la existencia de un incendio, tomando como base los eventos registrados en el periodo del 15 al 30 de mayo de 2018. Para la realización de las diferentes etapas, se contó con el apoyo de distintos sistemas de información geográfica (TeraScan, ENVI y ArcMap), así como del lenguaje de programación Python. La versión preliminar del script del algoritmo está en fase de programación para su ejecución automatizada en un servidor de procesos, para visualizar los resultados con las imágenes de disco completo captadas cada 15 minutos. En una siguiente etapa se validará el desempeño del algoritmo de incendios GOES-16/ABI.

2.2. INTRODUCCIÓN Los grandes incendios forestales ocurridos en las últimas décadas han sido considerados una amenaza para la degradación del paisaje, pérdida de biodiversidad, contaminación del aire y daños a la salud humana (Andrea y Merlet, 2001; Bowman et al., 2011; Chen et al., 2017; Flannigan et al., 2009; Koplitz et al., 2016). Por varias décadas, las técnicas de percepción remota y uso de imágenes satelitales han constituido una herramienta muy poderosa para detectar los incendios forestales, dar seguimiento a la superficie afectada por el fuego, evaluar sus impactos y severidad, estimar el consumo de biomasa quemada y calcular las emisiones (Bastarrika et al., 2011, Giglio et al., 2013). Los avances logrados han sido muy valiosos; sin embargo, es necesario contar con un sistema de gestión avanzada de incendios forestales que proporcione información en tiempo quasi real. El reciente lanzamiento del satélite geoestacionario GOES-16 con el sensor ABI (Advanced Baseline Imager) a finales de 2016 que cuenta con mayor resolución espectral, temporal y espacial que sus predecesores, ha creado nuevas expectativas para incrementar la precisión en la detección de incendios forestales. Se cuenta con imágenes con una frecuencia de 15 minutos a escala regional (Hemisferio Occidental) y de 5 minutos para Norte América.

2.3. OBJETIVO DEL CAPÍTULO Describir el algoritmo de detección de incendios desarrollado con base en las imágenes del satélite GOES-16/ABI.


P á g i n a 26 | 53

2.3.1. Objetivos particulares: 1. Desarrollar un algoritmo de detección de incendios especialmente adaptado para

México, utilizando imágenes GOES-16/ABI 2. Incorporación del algoritmo de detección de incendios a una plataforma de

almacenamiento y visualización para que los resultados puedan ser accesibles a diferentes usuarios.

2.4. ALGORITMO DE DETECCIÓN DE INCENDIOS GOES-16/ABI Etapas de desarrollo El algoritmo se desarrolló en ocho etapas, las tres primeras son para reunir las imágenes satelitales y las capas vectoriales que representan los datos auxiliares; tanto dinámicos, como estáticos. En las etapas posteriores se definen los umbrales, se seleccionan los pixeles con potencial de ser un incendio, se elimina el sun glint, se lleva a cabo la caracterización de fondo, se efectúan pruebas contextuales y finalmente, se caracterizan los incendios. En la figura 2.1 se muestran los pasos principales para determinar que existe un incendio. Las diversas etapas se realizaron con apoyo de diferentes sistemas de información geográfica (TeraScan, ENVI y ArcMap) y lenguajes de programación como Python. La versión preliminar del script del algoritmo está en fase de programación para su ejecución automatizada en un servidor de procesamiento para visualizar los resultados con las imágenes captadas en tiempo quasi real.

Figura 2.1. Diagrama de flujo de las etapas consideradas en el desarrollo del algoritmo

de incendios utilizando imágenes del satélite geoestacionario GOES-16.

2.4.1. Etapa I. Preparación de materiales. Imágenes de satélite. El desarrollo del algoritmo se basó en los incendios registrados en la segunda quincena del mes de mayo de 2018. Para ello, se utilizaron recortes de imágenes GOES-16/ABI


P á g i n a 27 | 53

para México de disco completo, con nivel de procesamiento L1b, con valores de radiancia dados en Wm-2sr-1μm-1, correcciones geométricas y radiométricas, en formato NetCDF5. Las imágenes con valores de radiancia (ρ) fueron ingestadas al sistema TeraScan, un software muy robusto, encargado de la recepción, procesamiento y distribución de imágenes (Comercializado por la empresa SeaSpace), para efectuar los siguientes procesos: 1. Calcular la geometría solar y los ángulos de visión (ángulos de reflexión y azimut). 2. Calibración radiométrica para transformar los valores de radiancia a valores de

albedo (radiancia reflejada en longitudes de onda del visible e infrarrojo cercano) y temperaturas de brillo (radiancia emitida en longitudes de onda infrarrojas, en grados Kelvin).

3. Remuestrear todas las bandas a resolución espacial de 2 km, específicamente las bandas 1 (0.47 µm), 2 (0.64 µm), 3 (0.86 µm) y 5 (1.6 µm).

Figura 2.2. Imagen de GOES 16, banda 1, a la que se han añadido los incendios

captados con los sensores MODIS y VIIRS.

Datos auxiliares dinámicos: Se descargaron puntos de calor del sistema FIRMS utilizado para mapear incendios a nivel global (Fire Information for Resource Management System) generados a partir de las imágenes MODIS (productos MOD14 y MYD14) y VIIRS (https://earthdata.nasa.gov/data/near-real-time-data/firms). Las coberturas de puntos de calor FIRMS fueron reproyectadas para hacerlas compatibles con las imágenes GOES–16/ABI. Datos auxiliares estáticos: Considerando la recomendación de Schmidt et al. (2010), se utilizaron las coberturas de vegetación generadas con AVHRR (Hansen et al., 2000). Del total de clases, fueron seleccionadas aquellas que permitieran crear las máscaras de


P á g i n a 28 | 53

tierra/agua, desierto y ciudades. Las coberturas también fueron reproyectadas para que todas las imágenes fueran compatibles.

2.4.2. Etapa II. Máscara de nubes.

La detección de nubes se basó en la técnica utilizada por Stroppiana et al., (2000). Para ello, se utilizaron las canales 1 (0.64 µm) y 2 (0.86 µm) en radiancia (ρ) y 13 (10.3 µm) en temperatura de brillo (T) expresada en grados Kelvin (K). Durante el día, los pixeles clasificados como nubes cumplieron las siguientes condiciones: (ρ 0.64 + ρ 0.86 < 100) y T 1o.3 > 295 K) En la noche, los pixeles con nubes son aquellos que cumplen con una sola condición: T 11.2 < 265 K. Los resultados se obtuvieron en formato binario, donde los pixeles que satisfacen dichas condiciones se les asigna el valor de uno, en caso contrario su valor será de cero (bitmap).

2.4.3. Etapa III. Máscara de Tierra/agua/desierto/ciudades. Para reducir las falsas alarmas de incendios, se utilizaron las coberturas de vegetación generadas con el sensor AVHRR que incluye 14 categorías (Hansen et al., 2000). A partir de éstas, fueron seleccionadas aquellas que permitieran crear las máscaras de tierra/agua, desierto y ciudades (Ver Figura 2.3). Las coberturas fueron reproyectadas con un sistema compatible.

Figura 2.3. Máscara de Tierra/agua, desierto y ciudades. Es utilizada para evitar falsas alarmas.

2.4.4. Etapa IV. Definición de umbrales. En esta etapa se realizó un análisis utilizando el canal de 3.9 µm para identificar la temperatura de brillo de los pixeles que podían contener un incendio. Para ello se revisaron los reportes de puntos de calor MODIS y VIIRS. Posteriormente, se eligieron las imágenes GOES-ABI con fecha y horario semejante a los puntos de calor detectados. Al sobreponer los puntos de calor MODIS y VIIRS en el canal de 3.9 µm de GOES-ABI, los pixeles más brillantes presentaban temperaturas cercanas al nivel de saturación (400


P á g i n a 29 | 53

K) y fueron considerados como incendios potenciales. El análisis de numerosos puntos de calor MODIS y VIIRS permitió definir un intervalo de temperaturas de brillo asociadas a incendios, cuyo valor mínimo se utilizó en la siguiente etapa. Dicha sobreposición se realizó con el canal 1 (0.47 µm) para confirmar la presencia de columnas de humo (Weaver et al., 2004). El proceso de selección de umbrales es muy importante para realizar las operaciones algebraicas en las siguientes etapas.

Figura 2.4. Secuencia para establecer los umbrales asociados a incendios, tomando como base los puntos de calor del sensor MODIS. Sobreposición de incendios en un

compuesto visible de GOES-16 (imagen izquierda). Visualización de la columna de humo de los incendios en banda 1 (Ch 1); los pixeles potenciales en la banda 7 (Ch7) son de color más brillante; sustracción de bandas 7 – 14 (Ch7 – Ch 14) donde los pixeles con diferencias mayores de 10°K resaltan del fondo; pixeles potenciales de incendios (en color rojo) y puntos de calor MODIS (en color amarillo) sobrepuestos en la banda 1

(Imagen de abajo a la derecha).

2.4.5. Etapa V. Selección de pixeles potenciales. El propósito de esta etapa fue realizar varias operaciones algebraicas para seleccionar los pixeles potenciales de incendio y minimizar las falsas alarmas: En este proceso, un pixel potencial de incendio diurno tiene que cumplir con cuatro condiciones: T 3.9 ≥ 327 ∆ T 3.9 – T 11.2 ≥ 10 T 11.2 ≥ 315 T 1.6 < 20 donde: ∆ = diferencia y los subíndices, indican la longitud de onda central de la imagen utilizada. La primera condición es que exista un valor mínimo de temperatura (Kaufman et al. 1990) La segunda condición confirma que es un incendio (Giglio et al., 2003).


P á g i n a 30 | 53

La tercera y cuarta, eliminan las nubes altamente reflectivas que puedan saturar el canal infrarrojo medio (Justice et al., 1990). Los resultados se generan en formato binario, los pixeles potenciales = 1 y las áreas sin incendio = 0. De manera preliminar se comparan con los puntos de calor Firms-MODIS (Figura 2.5). Este mismo proceso también se generó para detectar pixeles potenciales de convertirse en un incendio, esto para el periodo nocturno.

Figura 2.5. Los pixeles potenciales diurnos (13:00 – 23:00 hrs GMT) detectados cada media hora el 28 de mayo de 2018, se comparan con los puntos de calor obtenidos del

sistema FIRMS.

Para el caso de discriminación de pixeles potenciales durante un incendio nocturno, se deben de cumplir las siguientes condiciones:

Ch7 > 298 Ch14 > 298 Ch7-Ch14 > 0.8 Las temperaturas de los canales 7 y 14, deben ser mayores a 298 grados Kelvin, para que podamos considerar que existe un incendio. Y la otra condición, es que la diferencia entre los canales 14 y 7 debe ser mayor a 0.8. En la Figura 2.6 se muestra una imagen compuesta por los canales 1,2 y 3 con los puntos de calor sobrepuestos (en color amarillo) obtenidos con el sensor MODIS.


P á g i n a 31 | 53

Figura 2.6. Imagen de GOES_16 compuesta por los canales 1,2 y 3 obtenida el 29 de Mayo de 2018. 05:30 GMT. Los puntos amarillos corresponden a los incendios

detectados con el sensor MODIS.

Una vez que han sido llevados a cabo los procesos, los puntos clasificados como incendio, se despliegan en color rojo. Esto se muestra en la Figura 2.7, abajo a la derecha. En la figura 2.8 se muestra un acercamiento, dónde se aprecia la coincidencia entre los pixeles clasificados como incendio con nuestro algoritmo y el sistema FIRMS.

Ch7 Ch14

Ch7-Ch14 Pixeles clasificados como incendio

Figura 2.7. Condiciones que deben cumplirse para considerar que existe un incendio nocturno. Se utilizan los canales 7 y 14 del sensor ABI, se lleva a cabo la resta (Ch7-

Ch14) y se obtienen los pixeles potenciales (Abajo a la derecha). Mismos que se validan con datos obtenidos con el sensor MODIS.


P á g i n a 32 | 53

Figura 2.8. Se muestra la coincidencia que existe entre los pixeles detectados con GOES-16 (pixeles con diferente color en función del tiempo en que se detectaron) y los

que el sistema FIRMS publicó en el mismo día (https://earthdata.nasa.gov/firms).

2.4.6. Etapa VI. Eliminación del Sun glint. El Sun glint o reflejo del sol que se presenta en los cuerpos de agua, suelo húmedo, nubes y suelos descubiertos; puede ocasionar falsas alarmas. Dicho efecto está relacionado con la elevación solar o el ángulo cenital solar (SZA). El Sun glint se puede eliminar donde el ángulo cenital solar < 12.5°o cuando el ángulo del Sol reflejado < 12.5° (Prins et al. 1998) La dispersión o ángulo del Sol reflejado (θr) se calcula para la siguiente ecuación, donde θo es el ángulo cenital solar, θ es el ángulo cenital del satélite y ψ es el ángulo azimutal relativo (Prins et al., 1998):

cos(𝜃𝑟) sin(𝜃) sin(𝜃𝑜) cos(𝜓) + cos(𝜃) cos(𝜃0) (2.1)

En esta etapa se analizó la dinámica de la geometría solar durante el día con respecto a la posición del satélite geoestacionario GOES-16, para determinar los horarios y la superficie que presenta el sun glint. También se consideró el periodo de ausencia de Sol durante la noche, esto es importante para descartar falsas alarmas durante la ejecución del algoritmo. Sobre todo al momento en que éste se genere de manera automatizada.

https://earthdata.nasa.gov/firms


P á g i n a 33 | 53

Figura 2.9. Pruebas para determinar los horarios de existencia del reflejo del Sol o Sun

glint. Este proceso es indispensable para eliminar falsas alarmas en la aplicación del algoritmo de detección de incendios.

2.4.7. Etapa VII Caracterización de fondo y pruebas contextuales. En esta etapa se delimitaron y caracterizaron los pixeles que rodean cada pixel potencial de incendio. Dichos pixeles forman la ventana de fondo que se utilizó para recopilar las estadísticas de las pruebas contextuales. Para recopilar las estadísticas se establece una ventana inicial de 5 × 5 pixeles (sin nubes, agua o pixeles potenciales). Los ocho pixeles adyacentes al pixel potencial de incendio, se excluyen de la ventana de fondo debido a la posibilidad de que estén contaminados por la propia señal de incendio (Giglio et al., 2003; Roberts y Wooster, 2008). Posteriormente, se calcula la media y la desviación absoluta de los canales 7 (3.9 um) y 14 (11.2 um) y la diferencia de temperaturas de los mismos. Cada pixel potencial se sometió a dos pruebas de contexto: T 3.9 > MT 3.9 + 2 δ T 3.9

∆ T 3.9 – T 11.2 > M ∆T 3.9 + 2 δ ∆ T 3.9

Donde M = promedio y ∆ = Diferencia δ=Desviación estándar En la Tabla 2.1 se muestran las bandas espectrales de GOES-16 utilizadas en el proceso de detección de puntos de calor en el terreno. Tabla 2.1. Canales de GOES-16 utilizados en el algoritmo de detección de incendios.

Canal Longitud de onda central

(µm)

Uso principal

1 0.47 Nubes, desiertos

3 0.86 Reflejo Solar

5 1.6 Nubes

7 3.9 Incendios

14 11.2 Incendios, nubes


P á g i n a 34 | 53

2.4.8. Etapa VIII Detección y caracterización de incendios. Aplicando álgebra booleana, se multiplicaron todos los productos binarios obtenidos en las etapas anteriores: máscaras de nubes y agua, sun glint, pixeles potenciales, pruebas de contexto. El resultado es una imagen binaria, donde el valor 1 = incendio y las áreas sin incendio = 0. Los pixeles detectados como incendios fueron exportados en un archivo csv, que contiene la latitud y longitud de cada punto de calor, con sus respectivos valores de temperatura de brillo (K) de la banda 7 (3.9 µm).

2.4.9. Visualización de los resultados del algoritmo de incendios GOES-16/ABI El script de detección de incendios GOES-16/ABI se está automatizando en una máquina de procesos del LANOT, en un lenguaje de programación de alto nivel. Este algoritmo está a solamente algunas semanas de ser publicado como resultado preliminar (Versión Beta) para la detección de incendios en el territorio nacional.


P á g i n a 35 | 53

3

EVALUACIÓN DE LA CALIDAD DE LOS RESULTADOS 3.1. RESUMEN DEL CAPÍTULO A continuación se describe el proceso que se realizó para evaluar la calidad del algoritmo desarrollado en el Laboratorio Nacional de Observación de la Tierra, para la detección de incendios usando imágenes GOES-16/ABI. Para ello se eligieron los resultados obtenidos cada 30 minutos, en horarios diurnos (14:30 – 23:30 hrs GMT) y nocturnos (04:00 – 12:00 hrs GMT) de los días 17, 20, 22 y 28 de mayo de 2018. La evaluación se basó en el análisis visual comparativo con imágenes Sentinel-2 y con los puntos de calor proporcionados por los sensores MODIS y VIIRS. El análisis permitió asignar a cada incendio GOES-16/ABI la categoría de verdadero (acierto) o falso (error de comisión). La evaluación incluye el número total de incendios, así como los porcentajes de aciertos y errores. Los días analizados acumularon un total de 3,833 incendios detectados por GOES-16/ABI, de los cuales 2,489 fueron diurnos y 1,344 nocturnos. El porcentaje de aciertos para los eventos diurnos fue de 85% y para los nocturnos de 98%. La evaluación de calidad global se situó en 90% de incendios verdaderos, por lo que se considera que el desempeño del algoritmo es muy aceptable para los horarios diurno y nocturno; siendo necesario ajustar los umbrales para algunos horarios conflictivos durante la transición noche-día, así como en algunas zonas del territorio nacional que presentan humedad alta.

3.2. INTRODUCCIÓN Los grandes incendios forestales ocurridos en las últimas décadas han sido considerados una amenaza para la degradación del paisaje, pérdida de biodiversidad, contaminación del aire y daños a la salud humana (Andrea y Merlet, 2001; Bowman et al., 2011; Chen et al., 2017; Koplitz et al., 2016). Por varias décadas, las técnicas de percepción remota y uso de imágenes satelitales han constituido una herramienta muy poderosa para detectar los incendios forestales, dar seguimiento a la superficie afectada por el fuego, evaluar sus impactos y severidad, estimar el consumo de biomasa quemada y calcular las emisiones (Giglio et al., 2013).


P á g i n a 36 | 53

El lanzamiento del satélite geoestacionario GOES-16 con el sensor ABI (Advanced Baseline Imager) a finales de 2016, que cuenta con mayor resolución espectral, temporal y espacial que sus predecesores; ha creado nuevas expectativas para incrementar la detección de incendios forestales, con una frecuencia nominal de 15 minutos a escala regional (Hemisferio Occidental) y de 5 minutos para Norteamérica. Considerando estas expectativas, se desarrolló un algoritmo para detectar incendios, a partir de imágenes del sensor ABI emplazado en el satélite geoestacionario GOES-16. Dicho algoritmo toma en cuenta técnicas multi-umbral y contextuales, que utilizan máscaras de tierra/agua, desiertos y ciudades, en combinación con la geometría solar (ángulos de reflexión y azimut) y el establecimiento de umbrales espectrales en diferentes canales. El algoritmo fue desarrollado utilizando imágenes del periodo del 15 al 30 de mayo de 2018. La realización contó con el apoyo de distintos sistemas de información geográfica (TeraScan, ENVI y ArcMap), así como del lenguaje de programación de alto nivel Python. La versión preliminar del script del algoritmo está terminada, próximamente será programada y automatizada en una máquina de procesos para visualizar los resultados con las imágenes captadas cada quince minutos, directamente en la estación de GOES-16 del Laboratorio Nacional de Observación de la Tierra. Antes de iniciar el proceso de automatización se consideró conveniente evaluar la calidad de los resultados del algoritmo, mismos que se describen en este documento.

3.3. OBJETIVO DEL CAPÍTULO Describir como se llevó a cabo la evaluación de la calidad de los resultados del algoritmo desarrollado para la detección de incendios usando imágenes GOES-16/ABI.

3.3.1. Objetivos particulares: 1. Calcular el porcentaje de incendios verdaderos (aciertos) y falsos (errores)

detectados con el algoritmo GOES-16/ABI, a través de una comparación con los puntos de calor detectados por los sensores MODIS y VIIRS y haciendo un análisis visual comparativo con imágenes Sentinel-2.

2. Elaborar una bitácora digital que incluya ejemplos representativos del análisis visual comparativo.

3.4. EVALUACIÓN DE LA CALIDAD La evaluación de la calidad tomó como base, entre otros criterios, el trabajo de Schroeder et al. (2008), el cual fue adaptado para imágenes Sentinel-2. Dicho análisis incluyó también los puntos de calor MODIS (productos MOD14 y MYD14) y VIIRS del sistema FIRMS (Fire Information for Resources Management System), los cuales fueron descargados del sitio: (https://earthdata.nasa.gov/data/near-real-time-data/firms) datos que también fueron utilizados previamente en la etapa de construcción del algoritmo. Los satélites Sentinel-2 poseen una cámara multiespectral de alta resolución con 13 bandas, las cuales cubren el espectro visible, el infrarrojo cercano y el de onda corta, con resoluciones de 10, 20 y 60 m, (Tabla 3.1). El tiempo de revisita de cada satélite es de 10 días, la cual se reduce a 5 días cuando se combina la constelación de dos satélites (https://sentinel.esa.int/web/sentinel/missions/sentinel-2). El lanzamiento del Sentinel-2A tuvo lugar el 23 de junio de 2015 y el del Sentinel-2B el 7 de marzo de 2017.

https://sentinel.esa.int/web/sentinel/missions/sentinel-2


P á g i n a 37 | 53

Tabla 3.1. Sentinel-2 longitud de banda central y ancho de banda.

S2A S2B

Número de banda

Longitud de onda central (nm)

Ancho de

banda (nm)

Longitud de onda central (nm)

Ancho de

banda (nm)

Resolución espacial

(m)

Espectro

1 442.7 27 442.2 45 60 Visible

2 492.4 98 492.1 98 10 Visible

3 559.8 45 559 46 10 Visible

4 664.6 38 664.9 39 10 Visible

5 704.1 19 703.8 20 20 Infrarrojo cercano




8a 864.7 33 864 32 20 Infrarrojo cercano


10 1373.5 75 1376.9 76 60 Infrarrojo de onda corta



La visualización y descarga de las imágenes Sentinel-2 se realizó en la plataforma SENTINEL Hub explore playground (https://sentinel-hub.com/explore). En este sitio están disponibles compuestos RGB en color natural, infrarrojo (vegetación), falso color (urbano) y agricultura, entre otros; el compuesto RGB SWIR (B12, B8a, 4) es muy útil para discriminar incendios y áreas quemadas (Figura 3.1).

Figura 3.1. Plataforma SENTINEL Hub Playground online (https://sentinel-hub.com/explore); en esta pantalla se presentan las imágenes y compuestos disponibles

en mayo de 2018.


P á g i n a 38 | 53

El proceso de evaluación de la calidad consistió en asignar a cada incendio una categoría de verdadero (acierto) o falso (error). Con apoyo de ArcMap, la asignación se realizó en varias etapas; la primera de éstas fue sobreponer la capa ráster de incendios en la banda 1 y en compuestos de color RGB de GOES-16/ABI para corroborar la presencia de columnas de humo, los incendios que cumplían con esta condición fueron considerados verdaderos (Figura 3.2).

Figura 3.2. Análisis comparativo visual con la imagen GOES 16/ABI del 28 de mayo de 2018 de las 20:30 hrs GMT. A) incendios detectados con el algoritmo desarrollado (color rojo) sobrepuestos en la banda 1; B) en compuesto RGB (1/2/3) y C) incendios

comparados con los detectados por el sensor MODIS (color amarillo). Las imágenes A y B confirman la presencia del incendio por las columnas de humo, la imagen C corrobora

que los incendios detectados con GOES coinciden con los detectados en MODIS.

La siguiente etapa de evaluación consistió en sobreponer los mapas base de ArcMap (Basemap) para conocer la ubicación de los incendios y compararlos con las imágenes disponibles en la plataforma de SENTINEL Hub. Para decidir si un evento era verdadero o falso se establecieron como criterios la presencia de fuego y áreas quemadas, previas, durante y posteriores a la fecha del incendio. (Figura 3.3).

Figura 3.3. Análisis comparativo para corroborar la detección de un incendio de gran extensión y duración en el municipio de Madera, Chihuahua. Los incendios

detectados por el algoritmo GOES 16/ABI el 28/05/2018 (Fig 3.3A) se ubicaron con los mapas base de ArcMap (Fig 3.3B). La imagen Sentinel de fecha previa al evento

27/05/2018 confirmó que ya existía el incendio (3.3C).


P á g i n a 39 | 53

Para evaluar la calidad del algoritmo para detectar los incendios, los resultados se organizaron en tablas y gráficas. Asimismo, se elaboró una bitácora digital con la recopilación de ilustraciones previas y posteriores al incendio. Este material se considera un apoyo importante para clasificar un incendio como falso (error de comisión), a la vez que permite reunir evidencias para seguir ajustando el algoritmo, en caso necesario, y para realizar un análisis más detallado de confiabilidad en aquellos casos en que se tengan disponibles las imágenes de Sentinel-2. La aplicación del algoritmo se subdivide en tres horarios: diurno, nocturno y de transición, los cuales se catalogaron por el paso del sol. El horario de transición se refiere a la evolución del tiempo en su cambio de nocturno al diurno; en esta evaluación no se consideró por el momento efectuar su análisis. En la siguiente tabla se muestran los horarios correspondientes a cada subdivisión.

Tabla 3.2. Divisiones por horario utilizadas en el algoritmo de detección de incendios GOES-

16/ABI.

Divisiones Intervalo en horas (GMT)

Nocturno 04:00 - 12:00

Transición 12:30 - 14:30

Diurno 14:30 - 23:30

Horarios marcados en Greenwich Mean Time (GMT)

3.4.1. Pruebas para horarios diurnos. En las pruebas diurnas se obtuvieron resultados muy alentadores, donde se detectaron un total de 2489 incendios, de los cuales 2,122 fueron aciertos y 367 errores, cuyos respectivos porcentajes fueron de 85.26% y 14.74%. La mayoría de los errores aparecen en las regiones aledañas a la presa Infiernillo, en los estados de Michoacán y Guerrero. Los datos obtenidos para las diferentes fechas y horarios se muestran en las tablas de la 3.3 a la 3.6 y de manera resumida en la Figura 3.4.

Tabla 3.3. Pruebas diurnas 17 de mayo de 2018.

Hora (GMT) Incendios Errores Aciertos Porcentaje de

error Porcentaje de aciertos

14:30 0 0 0 0 0

15:00 0 0 0 0 0

15:30 0 0 0 0 0

16:00 10 1 9 10 90

16:30 12 3 9 25 75

17:00 7 0 7 0 100

17:30 23 5 18 22 78

18:00 35 12 23 34 66

18:30 20 10 10 50 50

19:00 65 26 39 40 60

19:30 21 8 13 38 62

20:00 46 18 28 39 61

20:30 55 12 43 22 78

21:00 50 15 35 30 70

21:30 54 13 41 24 76

22:00 42 4 38 10 90

22:30 45 4 41 9 91

23:00 49 0 49 0 100

23:30 15 0 15 0 100

Total 549 131 418 24 76


P á g i n a 40 | 53


Hora (GMT)

Incendios Errores Aciertos Porcentaje de

error Porcentaje de

aciertos

14:30 0 0 0 0 0

15:00 13 5 8 38 62

15:30 21 2 19 10 90

16:00 12 0 12 0 100

16:30 16 2 14 13 88

17:00 13 4 9 31 69

17:30 16 6 10 38 63

18:00 21 3 18 14 86

18:30 15 8 7 53 47

19:00 22 9 13 41 59

19:30 42 13 29 31 69

20:00 44 13 31 30 70

20:30 45 13 32 29 71

21:00 60 18 42 30 70

21:30 48 8 40 17 83

22:00 40 6 34 15 85

22:30 23 4 19 17 83

23:00 21 3 18 14 86

23:30 15 0 15 0 100

Total 487 117 370 24 76


Hora (GMT)


error Porcentaje de aciertos

14:30 1 0 1 0 0

15:00 4 0 4 0 100

15:30 4 1 3 25 75

16:00 5 1 4 20 80

16:30 6 1 5 17 83

17:00 11 3 8 27 73

17:30 9 2 7 22 78

18:00 36 5 31 14 86

18:30 39 6 33 15 85

19:00 42 7 35 17 83

19:30 65 12 53 18 82

20:00 65 20 45 31 69

20:30 62 7 55 11 89

21:00 57 6 51 11 89

21:30 50 4 46 8 92

22:00 67 5 62 7 93

22:30 45 2 43 4 96

23:00 35 0 35 0 100

23:30 21 0 21 0 100

Total 585 76 509 13 87


P á g i n a 41 | 53


Hora (GMT)


error Porcentaje de

aciertos

14:30 0 0 0 0 0

15:00 5 0 5 0 100

15:30 9 0 9 0 100

16:00 20 0 20 0 100

16:30 16 1 15 6 94

17:00 31 3 28 10 90

17:30 37 0 37 0 100

18:00 36 1 35 3 97

18:30 28 0 28 0 100

19:00 35 0 35 0 100

19:30 80 14 66 18 83

20:00 52 0 52 0 100

20:30 80 3 77 4 96

21:00 72 2 70 3 97

21:30 72 3 69 4 96

22:00 84 4 80 5 95

22:30 61 4 57 7 93

23:00 62 0 62 0 100

23:30 49 2 47 4 96

Total 829 37 792 4 96

(A) (B)

(C) (D)

Figura 3.4. Gráficas representativas de la evaluación de calidad del algoritmo diurno en cuatro fechas: A) 17/05/2018; B) 20/05/2018; C) 22/05/2018; D) 28/05/2018.


P á g i n a 42 | 53

3.4.2. Pruebas para horarios nocturnos. Las pruebas nocturnas tuvieron mejores resultados que las pruebas diurnas. Se detectó un total de 1,344 incendios, con 1,314 aciertos y 30 errores, cuyos respectivos porcentajes son 98% y 2%. Los horarios que tuvieron un error registraron porcentajes de aciertos mayores o iguales a 92% (Tablas 3.7 y 3.8, y Figura 3.5 A y B). Los horarios que presentaron entre cuatro a 15 errores disminuyeron el porcentaje de aciertos entre 77% y 85% (Tabla 3.8, Figura 3.5 B). Los días 22 y 23 de mayo de 2018 presentaron 100% de aciertos (Tablas 3.9 y 3.10, Figura 3.5 C y D).

Tabla 3.7. Pruebas nocturnas 17 de mayo de 2018.

Hora (GTM) Incendios Errores Aciertos Porcentaje de

error Porcentaje de

aciertos

04:00 37 1 36 3 97

04:30 30 0 30 0 100

05:00 28 0 28 0 100

05:30 22 0 22 0 100

06:00 20 0 20 0 100

06:30 15 0 15 0 100

07:00 19 0 19 0 100

07:30 14 0 14 0 100

08:00 12 0 12 0 100

08:30 13 0 13 0 100

09:00 17 0 17 0 100

09:30 11 0 11 0 100

10:00 13 0 13 0 100

10:30 5 0 5 0 100

11:00 7 0 7 0 100

11:30 6 0 6 0 100

12:00 7 0 7 0 100

Total 276 1 275 0 100


Hora (GTM)


error Porcentaje de

aciertos

04:00 65 15 50 23 77

04:30 40 1 39 3 98

05:00 34 6 28 18 82

05:30 26 4 22 15 85

06:00 19 1 18 5 95

06:30 14 1 13 7 93

07:00 15 0 15 0 100

07:30 11 0 11 0 100

08:00 17 0 17 0 100

08:30 20 0 20 0 100

09:00 17 0 17 0 100

09:30 17 0 17 0 100

10:00 13 0 13 0 100

10:30 14 0 14 0 100

11:00 21 0 21 0 100

11:30 14 1 13 7 93

12:00 10 0 10 0 100

Total 367 29 338 8 92


P á g i n a 43 | 53


Hora (GTM)


error Porcentaje de

aciertos

04:00 40 0 40 0 100

04:30 43 0 43 0 100

05:00 33 0 33 0 100

05:30 28 0 28 0 100

06:00 20 0 20 0 100

06:30 18 0 18 0 100

07:00 11 0 11 0 100

07:30 21 0 21 0 100

08:00 16 0 16 0 100

08:30 15 0 15 0 100

09:00 19 0 19 0 100

09:30 17 0 17 0 100

10:00 14 0 14 0 100

10:30 15 0 15 0 100

11:00 17 0 17 0 100

11:30 14 0 14 0 100

12:00 14 0 14 0 100

Total 355 0 355 0 100


Hora (GTM)


error Porcentaje de

aciertos

04:00 46 0 46 0 100

04:30 33 0 33 0 100

05:00 31 0 31 0 100

05:30 34 0 34 0 100

06:00 24 0 24 0 100

06:30 23 0 23 0 100

07:00 20 0 20 0 100

07:30 19 0 19 0 100

08:00 17 0 17 0 100

08:30 15 0 15 0 100

09:00 12 0 12 0 100

09:30 14 0 14 0 100

10:00 13 0 13 0 100

10:30 11 0 11 0 100

11:00 8 0 8 0 100

11:30 13 0 13 0 100

12:00 13 0 13 0 100

Total 346 0 346 0 100


P á g i n a 44 | 53

(A) (B)

(C) (D)

Figura 3.5. Gráficas representativas de la evaluación de la calidad del algoritmo nocturno en cuatro fechas: A) 17/05/2018; B) 20/05/2018; C) 22/05/2018; D) 28/05/2018.

3.5. RESULTADOS. Durante los días analizados, el algoritmo GOES-16/ABI detectó 3,833 incendios, de los cuales 2,489 ocurrieron en horarios diurnos y 1,344 en horarios nocturnos. El porcentaje de aciertos para diurnos fue de 85%, mientras que para los nocturnos fue de 98%. La evaluación de calidad global estimó 90% de incendios verdaderos (aciertos) y 10% de incendios falsos (errores de comisión). En los horarios diurnos, el porcentaje de aciertos de los incendios cubren un intervalo muy amplio que va desde el 47% al 100%, dónde los porcentajes más bajos (47% – 69%) se presentaron entre las 18:00 y 20:00 hrs GMT en cada uno de los días analizados. Para los horarios restantes, el algoritmo presenta una confiabilidad > 75%, por lo cual se considera que tiene una calidad aceptable. En complemento, los porcentajes de error de los horarios diurnos también cubrieron un intervalo muy amplio entre 0 y 53%, cuyos porcentajes más altos se presentaron entre las 18:00 y 20:00 hrs GMT. Para los horarios restantes, el algoritmo presenta porcentajes de error < 37%, lo cual se considera aceptable. En los horarios nocturnos, el porcentaje de acierto de los incendios cubre un intervalo entre 77% y 100%; el porcentaje más bajo se presentó el día 20 de mayo de 2018 a las 04:00 hrs GMT. Para los horarios restantes, el algoritmo presenta una confiabilidad > 80%, por lo cual se considera que tiene una calidad bastante aceptable. Asimismo, el porcentaje de error de los horarios nocturnos cubre un intervalo entre 0 a 23%. Los porcentajes más altos (7% - 23%) se presentaron el día 20 de mayo de 2018 de la 04:00 a las 06:30 y a las 11:30 hrs GMT. En los horarios restantes, el algoritmo presenta un porcentaje de error de 0 a 3%, lo cual se considera aceptable.


P á g i n a 45 | 53

3.5.1. Incendios detectados por el algoritmo GOES-16/ABI. Durante el proceso de evaluación, se observó que los incendios detectados por el algoritmo GOES-16/ABI están relacionados con incendios forestales, quemas agropecuarias y actividad industrial de extracción de petróleo y gas. Cabe enfatizar que en el mes de mayo de 2018 la región noroeste del país presentó incendios de gran extensión, con varios días y semanas de duración, varios de los cuales fueron detectados en diferentes días y horarios analizados en la evaluación de calidad (Figuras 3.6 y 3.7).

Figura 3.6. Inicio de un incendio de gran extensión ubicado al norte del municipio de Janos, Chihuahua, frontera con Estados Unidos (Frente del incendio en color rojo, en la

parte inferior del recuadro amarillo). El incendio fue detectado por primera vez en la imagen GOES-16/ABI del 17 de mayo de 2018 a las 20:00 hrs GMT, dicho incendio está

sobrepuesto a la imagen Sentinel-2 de la misma fecha, captada a las 17:50 hrs GMT.


P á g i n a 46 | 53

Figura 3.7. Avance de un incendio de gran extensión ubicado al norte del municipio de Janos, Chihuahua, frontera con Estados Unidos (Frente del incendio en color rojo, en la parte central del recuadro amarillo). El incendio fue detectado en cinco pixeles (recuadro amarillo) de la imagen GOES-16/ABI del 22 de mayo de 2018 a las 19:30 hrs GMT, los cuales están sobrepuestos en la imagen Sentinel-2 de la misma fecha, captada a las

17:50 hrs GMT.

3.5.2. Falsos incendios detectados por el algoritmo GOES-16/ABI. La mayoría de los falsos incendios detectados en los horarios diurnos, se ubica en la porción centro occidente de nuestro país; alrededor de la presa Infiernillo ubicada entre Michoacán y Guerrero (Figura 3.8), así como también en la parte centro oriente, es decir, en los estados de San Luis Potosí, Querétaro y Tamaulipas. Se considera que dichos errores podrían estar asociados el tipo de suelo, cobertura de vegetación y efecto de brillo solar, los cuales podrían corregirse ajustando los umbrales correspondientes. Algunos de los incendios falsos detectados en los horarios nocturnos están asociados a bordes de nubes.


P á g i n a 47 | 53

Figura 3.8. Falsos incendios GOES ubicados alrededor de la presa Infiernillo en Michoacán y Guerrero. Los falsos incendios (recuadros en color rojo) fueron detectados con la imagen GOES-16/ABI del 17 de mayo de 2018 a las 20:00 hrs GMT, los cuales

están sobrepuestos en las imágenes Sentinel-2 (RGB 12, 8A, 4) de fecha 15 de mayo de 2018, anterior a la detección GOES (A) y 20 de mayo de 2018, posterior a la detección

GOES (B). En las imágenes Sentinel no se aprecia evidencia de incendio ni de superficie quemada, por ello fueron considerados como errores en el algoritmo de detección.


P á g i n a 48 | 53

4

CONCLUSIONES. Se ha desarrollado un algoritmo para determinar la existencia de un incendio a partir de las imágenes proporcionadas por el sensor ABI, a bordo del satélite geoestacionario GOES-16. La alta resolución espacial, temporal y espectral de este satélite de última generación, ha permitido la identificación de puntos de calor con el potencial de convertirse en incendios. La capacidad de tener disponible una imagen cada quince minutos (MODO 3), permite un monitoreo en tiempo casi real del territorio nacional. Existen otros modos de operación en los que la frecuencia de imágenes es más alta, como el MODO 6 para disco completo, que tiene una periodicidad de 10 minutos y el 4, que entrega una imagen cada 5 minutos. En dichos modos de operación nosotros como usuarios no tenemos ingerencia para seleccionar alguno de ellos, el que está actualmente operando es el 6.

Los datos de los sensores MODIS y VIIRS han sido utilizados para validar el algoritmo desarrollado, a través del sistema FIRMS que proporciona un monitoreo continuo de incendios de todo el planeta.

Por ahora el país se dividió en tres zonas: Sureste, Noreste y Noroeste, dónde se han encontrado diferencias en la respuesta del algoritmo, esto ha permitido ajustarlo de acuerdo a los resultados obtenidos.

Se ha llevado a cabo la evaluación de la calidad de los resultados del algoritmo de detección de incendios desarrollado en el Laboratorio Nacional de Observación de la Tierra, los resultados indican que se tiene un porcentaje de acierto de 85% en horario diurno, mientras que por la noche se llega al 98%. En esta evaluación hay que considerar que se utilizaron imágenes que en la mayoría de los casos, no tenían una cubierta de nubes. Esto significa que los porcentajes de error aumentarán cuando exista esta condición. La utilización de imágenes en el espectro visible para la verificación de áreas quemadas es muy importante para aumentar la confiabilidad en la evaluación, dado que en ocasiones no se cuenta con datos de los sensores MODIS o VIIRS, debido a los intervalos de tiempo entre los diferentes pasos sobre nuestro territorio y a la cobertura sobre el terreno que tienen los satélites. Es necesario seguir ajustando algunos parámetros y considerar que en los horarios entre 18:30 y 20:00 hrs GMT, pueden presentarse algunos falsos incendios en particular cuando existe la presencia de nubes bajas y humedad en el ambiente. Para disminuir dichos errores se continuarán ajustando algunos umbrales, los cuales quedarán integrados en una siguiente versión del algoritmo.


P á g i n a 49 | 53

5 REFERENCIAS BIBLIOGRÁFICAS

Aguirre, G. R. 2002. Los Mares Mexicanos a Través de la Percepción Remota. Métodos y Técnicas para el Estudio del Territorio. Temas Selectos de Geografía de México. Instituto de Geografía, Universidad Nacional Autónoma de México. México, D.F. Andreae, M.O. & Merlet, P. (2001). Emission of trace gases and aerosols from biomass burning. Global Biogeochemical Cycles, 15(4), 955-966. Arnaldos, V. J., Navalón, N.X., Pastor, F.E., Planas, C.E., Zárate, L.L. (2004). Manual de ingeniería básica para la prevención y extinción de incendios forestales. Mundi-Prensa: España. Barrett, E.C. y Curtis, L.F. (1992). Introduction to Environmental Remote Sensing. 3ª Edición. Chapman & Hall. Londres. Belward, A. S., Kennedy, P. J., y Gregoire, J. M. (1994). The limitations and potential of AVHRR GAC data for continental scale fire studies. International Journal of Remote Sensing, 15(11), 2215-2234. Bessho, K., Date, K., Hayashi, M., Ikeda, A., Imai, T., Inoue, H., and Okuyama, A. (2016). An introduction to Himawari-8/9—Japan’s new-generation geostationary meteorological satellites. Journal of the Meteorological Society of Japan. Ser. II, 94(2), 151-183. Bowman, D. M., Balch, J., Artaxo, P., Bond, W. J., Cochrane, M. A., D’antonio, C. M., and Kull, C. A. (2011). The human dimension of fire regimes on Earth. Journal of biogeography, 38(12), 2223-2236. Chen J., C. Li, C., Z. Ristovski, Z. Milic, A., Gu, Y., Islam, M.S., Wang, S., Hao, J., Zhang, H., He, C., Guo, H., Fu, H., Miljevic, B., Morawska, L., Thai, P., LAM, Y.F., Pereira, G., Ding, A., Huang, X., Dumka. U.C. 2017. A review of biomass burning: Emissions and impacts on air quality, health and climate in China. Science of the Total Environment, 579 (2017), 1000 – 1034. Chinea, J.D. (2001). Teledetección del Bosque. En Ecología y Conservación de Bosques Neotropicales. Compiladores M. Guariguata y G. Catan. Libro Universitario Regional. Cartago. Chuvieco, E. (2000). Fundamentos de Teledetección Espacial. 3ª Edición. Rialp. Madrid. Chuvieco, E., Giglio, L., y Justice, C. O. (2008). Global characterization of fire activity: towards defining fire regimes from earth observation data. Global Change Biology, 14, 1488–1502. Csiszar, I., Schroeder, W., Giglio, L., Ellicott, E., Vadrevu, K. P., Justice, C. O., y Wind, B. (2014). Active fires from the Suomi NPP Visible Infrared Imaging Radiometer Suite: Product status and first evaluation results. Journal of Geophysical Research: Atmospheres, 119(2), 803-816. Clark, J.D. (1983). Theo GOES user's guide. NOAA. National Environmental Satellite Data and Information Service. Washington DC. Dozier, J. (1981). A method for satellite identification of surface temperature fields of subpixel resolution. Remote Sensing of environment, 11, 221-229. Feltz, J. M., Prins, E. M., y Setzer, A. W. (2001, October). A comparison of the GOES-8 ABBA and INPE AVHRR fire products for South America from 1995-2000. In 11th conference on Satellite Meteorology and Oceanography, Bulletin of the American Meteorological Society (Vol. 83, pp. 1645-1648).


P á g i n a 50 | 53

Flannigan, M. D., y Vonder Haar, H. T. V. (1986). Forest fire monitoring using NOAA satellite AVHRR. Canadian Journal of Forest Research 16(5):975-982. Flores, G.J.G. (2009). Impacto ambiental de incendios forestales. Mundi Prensa México, S.A de C.V. México. Fuller, D. O. (2000). Satellite remote sensing of biomass burning with optical and thermal sensors. Progress in Physical Geography, 24(4), 543-561. Giglio, L., Kendall, J. D., y Justice, C. O. (1999). Evaluation of global fire detection algorithms using simulated AVHRR infrared data. International Journal of Remote Sensing, 20, 1947 – 1985. Giglio, L., Descloitres, J., Justice, C. O., y Kaufman, Y. J. (2003). An enhanced contextual fire detection algorithm for MODIS. Remote sensing of environment, 87(2-3), 273-282. Giglio, L., Csiszar, I., Restás, Á., Morisette, J. T., Schroeder, W., Morton, D., y Justice, C. O. (2008). Active fire detection and characterization with the advanced spaceborne thermal emission and reflection radiometer (ASTER). Remote Sensing of Environment, 112(6), 3055-3063. Giglio, L., Randerson, J.T., van der Werf, G.R. (2013) Analysis of daily, monthly and annual burned area using the fourth-generation global fire emissions database (GFED4). Journal of Geophysical Research, 118, 317-328. Hansen, M. C., DeFries, R. S., Townshend, J. R., Sohlberg, R. (2000). Global land cover classification at 1 km spatial resolution using a classification tree approach. International Journal of Remote Sensing, 21(6-7), 1331-1364. Husson, A. (1985). Télédetection des incendies de forêts en Corse entre 1973 et 1980. Méditerranee, 54(1), 53-59. Jenner, L. (2017). GOES Overview and History. Disponible en: https://www.nasa.gov/content/goes-overview/index.html Justice C. O., Malingreau, J. P. y Setzer, A. W. (1993). Satellite remote sensing of fires: potential and limitations. En: Fire in the Environment (P. J. Crutzen y J. G. Goldammer Eds). New York, Wiley, pp. 77-88. Justice, C. O., Kendall, J. D., Dowty, P. R., y Scholes, R. J. (1996). Satellite remote sensing of fires during the SAFARI campaign using NOAA-AVHRR data. Journal of Geophysical Research, 101, 23851-23863. Justice, C. O., Vermote, E., Townshend, J. R. G., De Fries, R., Roy, D. P., Hall, D. P., Salomonson, V. V., Privette, J. L., Riggs, G., Strahler, A., Lucht, W., Myneni, R., Knyazikhin, Y., Running, S. W., Nemani, R. R., Wan, Z., Huete, A., van Leeuwen, W., Wolfe, R. E., Giglio, L., Muller, J.-P., Lewis, P., y Barnsley, M. J. (1998). The moderate resolution imaging spectroradiometer (MODIS): land remote sensing for global change research. IEEE Transactions on Geoscience and Remote Sensing, 36, 1228 – 1249. Justice, C. O., Giglio, L., Korontzi, S., Owens, J., Morisette, J. T., Roy, D., and Kaufman, Y. (2002). The MODIS fire products. Remote Sensing of Environment, 83(1-2), 244-262. Kennedy, P.J., Belward, A.D. y Gregoire, J-M. (1994). An improved approach to fire monitoring in West Africa using AVHRR data. International Journal of Remote Sensing 15, 2235-2255. Koltunov, A., Ustin, S. L., Quayle, B., Schwind, B., Ambrosia, V. G., y Li, W. (2016). The development and first validation of the GOES Early Fire Detection (GOES-EFD) algorithm. Remote Sensing of Environment, 184, 436-453.

https://www.nasa.gov/content/goes-overview/index.html


P á g i n a 51 | 53

Koplitz S.N., L.J. Mickley, M.E. Marlier, J.J. Buonocore, P.S. Kim, T. Liu, M.P. Sulprizio, R.S. De Fries, D.J. Jacob, J. Schwartz, M. Pongsiri, S.S. Myers. 2016. Public health impacts of the severe haze in Equatorial Asia in September–October 2015: demonstration of a new framework for informing fire management strategies to reduce downwind smoke exposure. Environmental Research Letters, 11(2016), 1-10 Lillesand, T.M. y Kiefer, R.W. (1979). Remote Sensing and Image interpretation. John Wile & Sons. Nueva York. Malingreau, J. P. y Tucker, C. J. (1988). Large scale deforestation in the south-eastern Amazon basin of Brazil. Ambio 17: 49-55. Manzo, D. L .L. (2006). Método para evaluar el riesgo local de incendios forestales, en base a técnicas de percepción remota. Tesis de Doctorado. Universidad Nacional Autónoma de México. D.F. Ciudad Universitaria. Matson, M., y Dozier, J. (1981). Identification of subresolution high temperature sources using thermal IR sensor. Photogrammetric Engineering and Remote Sensing 47(9): 1311-1318. Matson, M., Schneider, S.R., Aldridge, B., Satchewll, B. (1984). Fire detection using the NOAA-series satellites. NOAA Technical Report NESDIS 7, Washington, DC. Department of Commerce. Martínez, M.M.J., Polanco, M.J.M., Oropeza, R.F. (2004). Implementación de un algoritmo para la detección de fuegos usando imágenes GOES. En: Incendios forestales en México: Métodos de Evaluación (L. Ruiz and J. López Eds). Centro de Ciencias de la Atmósfera-UNAM. Masuoka, E., Fleig, A., Wolfe, R. E., y Patt, F. (1998). Key characteristics of MODIS data products. IEEE Transactions on Geoscience and Remote Sensing, 36(4), 1313-1323. Menzel, W. P., y Purdom, J. F. (1994). Introducing GOES-I: The first of a new generation of geostationary operational environmental satellites. Bulletin of the American Meteorological Society, 75(5), 757-782. NOAA y NASA. (2018). Geostationary Operational Environmental Satellite-R Series. National Oceanic and Atmospheric Administration. National Aeronautics and Space Administration. USA. Disponible en: http://www.goes-r.gov/ NOAA, y NASA. (2018). Serie GOES-R Próxima generación de satélites meteorológicos geoestacionarios de NOAA. Recuperado de https://www.goes-r.gov/education/docs/GOES-R_Overview_SPAN.pdf Prins, E. M., y Menzel, W. P. (1992). Geostationary satellite detection of bio mass burning in South America. International Journal of Remote Sensing, 13(15), 2783-2799. Prins, E. M., y Menzel, W. P. (1994). Trends in South American biomass burning detected with the GOES visible infrared spin scan radiometer atmospheric sounder from 1983 to 1991. Journal of Geophysical Research 99(D8): 16719-16735.

Prins, E. M., Feltz, J. M., Menzel, W. P., y Ward, D. E. (1998). An overview of GOES‐8 diurnal fire

and smoke results for SCAR‐B and 1995 fire season in South America. Journal of Geophysical Research: Atmospheres, 103(D24), 31,821-31,835. Prins, E., Feltz, J., y Schmidt, C. (2001, October). An overview of active fire detection and monitoring using meteorological satellites. In Proceedings of the 11th Conference on Satellite Meteorology and Oceanography, Madison, WI (pp. 1-8). Pyne, S. J., Andrews, P.L., y Laven, R.D. (1996). Introduction to wildland fire. John Wiley Nueva York. Ressl, R. e I. Cruz 2012. Detección y monitoreo de incendios forestales mediante imágenes de satélite. CONABIO. Biodiversitas, 100:12-13.

http://www.goes-r.gov/

https://www.goes-r.gov/education/docs/GOES-R_Overview_SPAN.pdf

https://www.goes-r.gov/education/docs/GOES-R_Overview_SPAN.pdf


P á g i n a 52 | 53

Roberts, G.J. & Wooster, M. (2008). Fire detection and fire characterization over Africa using Meteosat SEVIRI. IEEE Transactions nn Geoscience and Remote Sensing, 46(4), 1200 – 1218. Robinson, J.M. (1991). Fire from space: global fire evaluation using infrared remote sensing. International Journal of Remote Sensing 12: 3-24. Rodríguez, T.D.A. (1996). Incendios forestales. Universidad Autónoma Chapingo. Multi-Prensa. México. Rodríguez, T.D.A. (1996). Incendios de vegetación. Su ecología, manejo e historia. México: Printing arts México, S. de R. L. de C.V. Rodríguez, T.D.A., Rodríguez, A.M., Fernández, S.F. (2002). Educación e incendios forestales. México, D.F. Mundi-Prensa México, S.A. DE C.V. Rowell, A y Moore, P. F. (2000). Global review of forest fires. Gland, Switzerland: International Union for Conservation of Nature. Schmit, T. J., Gunshor, M. M., Menzel, W. P., Gurka, J. J., Li, J., y Bachmeier, A. S. (2005). Introducing the next-generation Advanced Baseline Imager on GOES-R. American Meteorological Society, 86(8): 1079-1096. Schmit, T. J., Li, J., Li, J., Feltz, W. F., Gurka, J. J., Goldberg, M. D., y Schrab, K. J. (2008). The GOES-R Advanced Baseline Imager and the continuation of current sounder products. Journal of Applied Meteorology and Climatology, 47(10), 2696-2711. Schmidt, T. J., Hoffman, J., Prins, E. (2010). Algorithm Theoretical Basis Document for Fire / Hot Spot Characterization. NOAA NESDIS STAR. Center for Satellite Aplications and Research. USA. Version 2.0.93 Disponible en: https://www.star.nesdis.noaa.gov/goesr/docs/ATBD/Fire.pdf Schroeder, W., Oliva, P., Giglio, L., y Csiszar, I. A. (2014). The New VIIRS 375 m active fire detection data product: Algorithm description and initial assessment. Remote Sensing of Environment, 143, 85-96. Spur, H.S., y Barnes, B.V. (1982). Ecología forestal. AGT Editar, S.S. México, D.F. Whelan, R. J. (1995). The Ecology of Fire. Cambridge University Press. Cambridge, United Kingdom. Stroppiana, D., Pinnock S. & Gregoire J.M. (2000). The global fire product: Daily fire occurrence from April 1992 to December 1993 derived from NOAA AVHRR data. International Journal of Remote Sensing, 21, 1279– 1288. Weaver, J. F., Purdom, J. F., y Schneider, T. L. (1995). Observing forest fires with the GOES-8, 3.9-µm imaging channel. Weather and forecasting, 10(4), 803-808. Weaver, J. F., Lindsey, D., Bikos, D., Schmidt, C. C., y Prins, E. (2004). Fire detection using GOES rapid scan imagery. Weather and Forecasting, 19(3), 496-510. Xu, W., Wooster, M. J., Roberts, G., y Freeborn, P. (2010). New GOES imager algorithms for cloud and active fire detection and fire radiative power assessment across North, South and Central America. Remote Sensing of Environment, 114(9), 1876-1895. Xu, W., Wooster, M. J., Kaneko, T., He, J., Zhang, T., y Fisher, D. (2017). Major advances in geostationary fire radiative power (FRP) retrieval over Asia and Australia stemming from use of Himawari-8 AHI. Remote sensing of environment, 193, 138-149.

https://www.star.nesdis.noaa.gov/goesr/docs/ATBD/Fire.pdf


P á g i n a 53 | 53

GLOSARIO Albedo: cociente entre la energía reflejada y la radiación incidente, también es conocido como reflectancia de un objeto. Banda: región del espectro electromagnético en la cual las longitudes de onda adyacentes se comportan de forma similar o son generadas por mecanismos similares. Combustible: son los materiales sólidos, líquidos y gaseosos que arden al combinarse con un comburente y en contacto con una fuente de calor. Cuerpo negro: es un objeto que cumple la función de Planck. Ecosistema: Unidad especial definida por un complejo de componentes y procesos físicos y bióticos que interactúan en forma interdependiente y que han creado flujos de energía característicos y ciclos de movilización de materiales. Efecto invernadero: Es el calentamiento global de la atmósfera debido a la presencia de dióxido de carbono y de vapor de agua. Estos dos gases permiten que no todos los rayos del sol que calientan la tierra escapen y se reintegren al espacio. Espectro electromagnético: conjunto de todas las longitudes de onda en que se presenta la radiación electromagnética, es un espectro continuo. Incendios prescritos (quemas): Son quemas recomendadas por los técnicos para reducir plagas o enfermedades. Se realizan por especialistas y son muy bien controladas, para lograr un beneficio a la vegetación sin dañar el suelo. Incendios que se consumen conforme a normas prescritas. El fuego puede encenderse en forma planificada o espontánea. Ley de Planck: es la teoría que concibe a la energía como una sucesión de unidades discretas (fotones o cuantos) con masa igual a cero. NOAA: National Oceanic and Atmospheric Administration. Agencia Meteorológica de los Estados Unidos. Resolución espacial: hace referencia al campo de visión instantáneo de vista, implicando al objeto más pequeño que se puede distinguir en la imagen. Resolución espectral: indica el número y anchura de bandas espectrales identificables por el sensor remoto. Resolución temporal: se refiere a la periodicidad con la que un sensor remoto proporciona cobertura sobre un punto. Resolución radiométrica: se presenta como la capacidad para detectar las variaciones de radiancia espectral, el número máximo de niveles digitales de la imagen. Satélites de órbita geoestacionaria: viajan con una velocidad similar a la de rotación de la tierra, por lo cual estos satélites siempre registran información del mismo sector terrestre, su altura aproximada es de 36 000km. Satélites de órbita polar: son los satélites encargados de viajar con una trayectoria de norte a sur, lo cual les permite un cubrimiento global del planeta, así mismo al encontrarse en una altura relativamente baja. Teledetección: Técnica mediante la cual se obtiene información sobre la superficie de la Tierra, a través del análisis de los datos adquiridos por un sensor o dispositivo situado a cierta distancia, apoyándose en medidas de energía electromagnética reflejadas o emitidas.

actividad 2 desarrollo de algoritmos para la sesiÓn extraordinari…actividad 2 desarrollo de...

Documents