23-1-2017 Identificación de

zonas con
potencial de
incendio, caso
Bogotá
Utilización de datos satelitales y
algoritmos para identificar zonas
propensas a incendios forestales.

Asesor de proyecto: Ricardo Morales Betancourt

Presentado por: Nicolás Tobón Flórez
UNIVERSIDAD DE LOS ANDES
BOGOTÁ ENERO 2017
1
Contenido

1. Introducción ................................................................................................................................ 3
2. Objetivos ..................................................................................................................................... 4
2.1 General ...................................................................................................................................... 4
2.2 Específicos ................................................................................................................................. 4
3. Metodología ................................................................................................................................ 4
3.1 Datos satelitales. ....................................................................................................................... 5
3.1.1.1 FIRMS .............................................................................................................................. 5
3.1.1.2 VIIRS ................................................................................................................................ 5
3.1.1.3 MODIS ............................................................................................................................. 5
3.1.2 Modo de operación MODIS y VIIRS .................................................................................... 6
3.1.3 Búsqueda de información .................................................................................................. 6
3.1.4 Interpretación de resultados iniciales ................................................................................ 7
3.2 Datos meteorológicos: IDEAM .................................................................................................. 8
3.2.1 Delimitación del área de estudio ..................................................................................... 10
3.3 Modelo de riesgo de incendios ............................................................................................... 10
3.3.1 Modelación....................................................................................................................... 10
3.3.2 FWI ................................................................................................................................... 11
4. Resultados ................................................................................................................................. 19
4.1 Interpretación de resultados ............................................................................................... 21
4.2 Análisis de resultados .......................................................................................................... 28
5. Conclusiones.............................................................................................................................. 30
6. Glosario ..................................................................................................................................... 30
7. Tabla de ilustraciones................................................................................................................ 31
8. Referencias ................................................................................................................................ 32

2
 1. Introducción
Hoy en día, la crisis por contaminación atmosférica es cada vez más evidente en las grandes ciudades
del mundo y no es de extrañarse que a medida que exista más de esta contaminación, se generen
más casos de personas con enfermedades cardiorrespiratorias producto de esta constante inyección
de micro partículas en el aire (PM 2,5 y PM 10) (Anjali Haikerwal, 2015). Se suele pensar que las únicas
fuentes de contaminantes atmosféricos provienen de la combustión utilizadas en diversas industrias
y en los medios de transporte. Pero, estudios han demostrado que la presencia de incendios en un
radio de 160 kilometros, ocasiona que la calidad del aire empeora de 5 a 15 veces con respecto a un
día normal (By Alyson Kenward, 2013). Es por esto, que es importante descubrir cuáles son los
impactos que tienen estos incendios forestales sobre la calidad del aire en Bogotá e identificar los
mecanismos de transporte que ejercen influencia sobre estos, apoyándose en herramientas
satelitales para la identificación y cuantificación de las emisiones.

En el año 2015 en Colombia se perdieron más de 100000 ha de bosque que fueron consumidos por
los incendios forestales (Colombia, Anraci, 2015). Los efectos adversos de estos eventos naturales se
pueden catalogar de dos tipos; locales e intercontinentales (R. Pavlovic1, 2015). Cuando se habla de
un impacto local se establece este impacto de manera puntual en el sitio donde ocurrió el evento
tomando como base las hectáreas directamente implicadas y la perdida de fauna y flora que se
genera por estas eventualidades. De manera análoga, existen más impactos que pocas veces se les
presta atención y son los regionales. Allí, el viento juega un papel fundamental el transporte de estos
contaminantes causando que el área de afectación de los incendios se propague hasta abarcar
cientos de kilómetros afectando diferentes regiones modificando la calidad del aire y poniendo en
riesgo a la población en general. El principal riesgo identificable para la salud de la población, es la
inhalación de este humo, el cual son micro partículas de carbón que empiezan a acumularse en las
regiones alveolares de los pulmones. Esta acumulación constante y prolongada a lo largo del tiempo,
puede acarrear problemas respiratorios agudos como la disminución de la capacidad pulmonar,
neumonía y eventualmente la muerte. Debido a este grave resultado en la salud de las personas, se
selecciona la ciudad de Bogotá, pues concentra aproximadamente 8 millones de personas, alrededor
de 16% de la población total de Colombia, siendo la ciudad más importante en número de personas,
además de ser centro político y financiero del país.

Actualmente, las herramientas satelitales son el medio más preciso y confiables de adquisición de la
información climática en tiempo real. Con ayuda de plataformas satelitales y tecnología de
espectroradiometria, se pueden distinguir diferentes anomalías térmicas cuya señal puede ser
interpretada, tras algoritmos de programación que eliminan señales falsas y nubosidad (Louis Giglioa,
2003), como posibles incendios forestales. Estas herramientas, sirven de gran ayuda para la
identificación oportuna de eventos y la cuantificación de contaminantes emitidos. Adicional a esta
adquisición de información, y haciendo uso de métodos numéricos junto con ecuaciones de
reacciones de contaminantes, se espera poder realizar una modelación en tiempo relativamente
inmediato generando así un sistema de alertas a nivel local de calidad del aire para la ciudad de
Bogotá y así, poder alertar a la población más vulnerable para que tomen medidas de
comportamiento que disminuyas su exposición a los contaminantes.

3
 2. Objetivos
2.1 General
Conocer e identificar las variables meteorológicas asociadas a la generación de incendios forestales
en una región determinada, y analizar por dos métodos la correlación existente que se puede
encontrar entre el clima de la región y las anomalías térmicas identificadas satelitalmente.

2.2 Específicos
- Desarrollar una metodología para identificar patrones temporales de incidencia de incendios
en una región en específico con ayuda de herramientas satelitales e información
climatológica local
- Desarrollar una metodología que sirva para generar alertas sobre el territorio nacional.
- Desarrollar un sistema oportuno de alerta para tomar acciones y mitigar riesgos en la salud
a través de la implementación de un modelo que integra condiciones climáticas locales y
genera índices de incendio a lo largo de un área de estudio.
- Incluir una metodología a nivel nacional para establecer adecuadamente los usos del suelo
según los riesgos naturales latentes por índices de riesgo de incendio.

3. Metodología
A continuación, se presentará la metodología que se implementó para realizar la identificación de
posibles incendios forestales en la región de estudio, la generación de índices climatológicos de
incendio para su posterior integración e interpretación. El marco que encierra este trabajo es estudiar
la región de influencia para la ciudad de Bogotá pues concentra el mayor número de habitantes de
Colombia, aproximadamente 8 millones. Prever un incendio forestal al oriente de esta metrópoli
(Pues los vientos que dominan esta zona van de oriente a occidente) es de vital importancia para la
salud en general. Dentro de esta región seleccionada se realiza la búsqueda de información satelital,
climatológica y su posterior modelación del riesgo asociado a las condiciones climáticas.

Durante el desarrollo de este trabajo, se utilizan herramientas de tecnología y comunicación satelital

para lograr obtener la información requerida asociada con el objetivo de identificar fuentes de
incendios forestales. Adicionalmente a estas herramientas, se utilizan programas de computador
como Excel para manipular e interpretar los datos obtenidos, y finalmente se utiliza ArcMap 10.2,
para generar imágenes que ayuden a la interpretación y análisis de los datos.

Como herramienta de procesamiento de los datos, se utiliza Excel, la cual ayuda a realizar las
validaciones y los cálculos de un programa de generación de índices de incendio el cual arroja una
clasificación del peligro existente, dadas propiedades climáticas (temperatura, humedad relativa,
precipitación y velocidad del viento), de un potencial de incendio. Este sistema fue desarrollado en
Canadá, y desde 1970 y ha servido desde entonces para correr modelos predictivos, organizar y
cuantificar las áreas con potencial de fuego y generar sistemas de alarma/alerta para la población.

Este proyecto se encuentra dividido en 3 etapas principalmente. Una etapa inicial que consta de la
obtención de la información satelital junto con su interpretación en el área de estudio, una segunda
etapa en la que calculan los índices de potencial incendio dependiendo de los datos climatológicos
obtenidos del IDEAM, y finalmente, la conjugación de la información descargada del satélite de las

4
anomalías térmicas junto con los índices obtenidos de los datos climáticos para identificar tendencias
y patrones reales medidos en sitio y medidos satelitalmente.

3.1 Datos satelitales.

Estos datos satelitales son descargados de la plataforma de la NASA y se encuentra disponibles al
público. La ventaja de la utilización de esta información, es que cuenta con todo el soporte científico
que se le ha dado a través del tiempo a los avances científicos que han permitido que tanto los
sensores como los algoritmos de interpretación de los resultados se encuentren depurados de
errores. Por otro lado, el sensor MODIS disponible en los satélites Terra y Aqua generan una
cobertura terrestre lo suficientemente amplia la cual no es superada por ninguna otra tecnología
actualmente, y al tener estos dos satélites que transitan permanentemente que como resultado se
obtiene una cobertura total terrestre sin zonas vacías.

3.1.1.1 FIRMS
Como sus siglas en ingles traducen; “información sobre los incendios para el sistema de gestión de
recursos” (FIRMS), es un sistema de organización de información especializado para almacenar
información de anomalías térmicas en la superficie terrestre. Sus principales sensores para captar
información son; MODIS y VIIRS (Nasa, 2016). La información generada a partir de estos sensores, es
almacenada en las bases de datos de la NASA para que luego pueda ser utilizada por las herramientas
en línea y descargadas por el público en general.

3.1.1.2 VIIRS
Como sus siglas en ingles traducen; espectrómetro visible infrarrojo. Es un sensor con múltiples
propósitos de medición ya que realiza lecturas de las diferentes propiedades que se encuentran en
la superficie y en la atmosfera; como temperatura, color del océano, fuego, albedo planetario
evapotranspiración e incendios (Nasa, 2016). Sus mediciones se realizan por medio de bandas
espectrales que están conformadas por 9 bandas plus día/noche en el IR visible/cercano, 8 bandas IR
en longitud de onda media y 4 longitudes de onda larga IR (Nasa NOAA, 2016).

3.1.1.3 MODIS
Como sus siglas en ingles traducen; espectroradiómetro de imágenes de resolución moderada
(Moderate resolution imaging spectroradiometer), es un instrumento que recibe diferentes
longitudes de onda para identificar principalmente temperatura de la superficie y las nubes,
vegetación y aerosoles, nubosidad y color del océano, aunque hay muchas otras características que
interpreta. Se encuentra dividido en 36 bandas las cuales se les asigna una longitud de onda específica
para realizar las interpretaciones. Esta diferencia entre longitudes de onda es precisamente lo que
hace que estos sensores identifiquen diferentes propiedades del planeta. Colores del océano,
aerosoles de la atmosfera, colores de la cobertura vegetal, nubosidad, y sobre todo temperatura en
la superficie son algunas de ellas. Dentro de estas familias de bandas, se tiene que las bandas 1 y 2
cuentan con una resolución de 250m, las bandas 3 a 7 cuentan con una resolución de 500m y las
bandas 8 a 36 tienen una resolución de 1000m (Nasa_MODIS, 2016).

MODIS cuenta con 6 colecciones de datos diferentes. Estas colecciones hacen referencia a los
algoritmos que fueron utilizados para la interpretación de la información provenientes de las bandas
espectrales. MODIS con cierta frecuencia, realiza una mejora en su algoritmo de interpretación para

5
reducir el número de errores en la recolección de la información, mejorar la precisión de adquisición
y reducir las falsas alarmas (Nasa Earth data FAQ, 2016).

3.1.2 Modo de operación MODIS y VIIRS

La manera en que los sensores MODIS y VIIRS detectan un posible incendio es muy similar. Su
principal modus operante está diseñado de tal manera que aprovechan la radiación electromagnética
que los cuerpos negros emiten a las temperaturas de combustión y que esta descrita por la función
de Plank (Louis Giglioa, 2003). Para esto, realizan barridos constantemente alrededor de la tierra y
sus sensores estan recolectando información en diferentes longitudes de onda para generar un
mapeo total. Cada una de estas bandas, tienen un objetivo de medición establecido. En el caso de
MODIS, para detectar los incendios se utilizan las bandas cuya longitud de onda recibida es de 4μm
y 11μm, cuya finalidad es identificar la temperatura superficial. Posteriormente a identificar
temperaturas, se utilizan algoritmos para identificar posibles incendios.

La captura de información que deriva de los satélites es georreferenciada y organizada en cuadrillas.

Estas cuadrillas sirven como punto de referencia para generar comparaciones entre la temperatura
detectada de cada tableta y sus alrededores. Esta comparación, se hace con el fin de eliminar errores
generando una comparación con las celdas adyacentes.

Anomalías Térmicas: La obtención de la información sobre posibles ocurrencias de incendios

forestales, se realiza a través de la información satelital obtenida por medio de sistemas satelitales
de la NASA, gracias a un proyecto que tienen llamado EOS en el que realizan un estudio constante de
la cobertura terrestre, oceánica y la atmosfera en su totalidad. Este programa, cuenta con una vasta
red satelital el cual recolecta información espectrométrica de la superficie y la atmósfera de la tierra
haciendo uso de algoritmos complejos de procesamiento de imágenes y sensores de
electromagneticos. Para realizar observaciones de incendios forestales, se utilizan dos instrumentos
que logran capturar estos eventos como anomalías térmicas superficiales. Uno de estos sensores es
conocido como MODIS el cual se encuentra incorporado en 2 satélites que la NASA tiene en órbita,
el Terra y el Aqua (Nasa, 2016). El otro sensor es conocido como el VIIRS, que se encuentra en el
satélite SUOMI NPP. El funcionamiento de estos sensores consiste en capturar fotografías bajo
diferentes longitudes de onda que luego son procesados digitalmente para identificar diferentes
características de la superficie terrestre y atmosfera. En el caso de los incendios, se utiliza la longitud
de 4μm a 11μm para identificar la temperatura superficial.

La información satelital dedicada a la identificación de los incendios forestales, se encuentra

almacenada en FIRMS. De allí, se realizan todas las descargas de los datos provenientes de los
satélites. La información obtenida de NASA, proviene en un formato conocido como CSV (coma
separed value).

3.1.3 Búsqueda de información

La búsqueda de información satelital empieza con la delimitación del área seleccionada en FIRMS
junto con una serie de tiempo requerida. En este caso, se realiza un pedido de la información satelital
para Colombia realizando un polígono desde la plataforma:
https://firms.modaps.eosdis.nasa.gov/download/request.php. Allí se selecciona el rango de tiempo
a estudiar, en este caso, se seleccionó desde 1 de enero de 2010 hasta el 31 de diciembre de 2010.
De manera análoga, se solicita al IDEAM la información climatológica para las estaciones encerradas
en bajo esta misma área y con el mismo periodo de tiempo.

6
3.1.4 Interpretación de resultados iniciales
Para la interpretación de los resultados se utiliza el software ArcMap para identificar la cercanía real
entre las estaciones seleccionadas y las anomalías térmicas percibidas por el sensor MODIS. Esta
herramienta es bastante útil pues es capaz de establecer la posición exacta de los datos descargados
del satélite y asignarles un valor numérico.

Para desarrollar el análisis frecuencia de eventos mensuales, se obtienen los datos en formato CSV y
se separa en las columnas correspondientes para que los datos puedan ser utilizados. Ya que en la
mayoría de ocasiones se presentan múltiples resultados de anomalía en un solo día, se realiza un
recuento de estas anomalías identificadas para poder obtener un histograma diario del número de
eventos detectados en la región seleccionada.

Se realiza un recuento diario anual para los registros entre 2010 y 2015. Luego se saca un promedio
diario entre estos años y se grafica el número promedio de eventos por cada uno de los días del año.
Finalmente, se incluye en la gráfica un promedio ponderado medio de los eventos descritos en el
periodo 2010 – 2015. El resultado, se muestra a continuación en la Ilustración 1 Promedio diario de
anomalias termicas 2010-2015:

Prom anomalias por dia (2010-2015)

1200

1000
Promedio anomalias

800

600

400

200

0
56
67

309
1
12
23
34
45

78
89
100
111
122
133
144
155
166
177
188
199
210
221
232
243
254
265
276
287
298

320
331
342
353
364
Dias del año
Ene Feb Mar Abr May Jun Jul Ago Sep Sep Nov Dic

Prom anom. Promedio

Ilustración 1 Promedio diario de anomalias termicas 2010-2015

Como se puede evidenciar, en Colombia existen dos temporadas donde existe un aumento
considerable de los eventos de anomalías térmicas (comprendida por los datos que se encuentran
por encima de la línea naranja que es el promedio) y otros dos con menores anomalías térmicas
detectadas (por debajo del promedio de la línea naranja).

Desde el día 2 hasta el día 102 y desde el día 217 hasta el día 282 se considera temporada con alto
número de anomalías térmicas, desde el día 103 hasta el día 216 y desde el día 283 hasta el 365 se
considera temporada con bajas anomalías térmicas.

7
 Cuando nos enfocamos en el año de estudio (2010), encontramos que de manera similar al promedio
diario de las anomalías entre 2010 y 2015, se comporta de manera muy similar. Al incluir en esta
misma grafica de anomalías, la precipitación y la humedad relativa encontramos el siguiente
comportamiento en la Ilustración 2 para el promedio diario de estas características climáticas:

160
Anomalías termicas MODIS 2010
140 # Anomalías Prec prom Hprom

120
Anomalías térmicas/ Precipitacion (mm)/ Humedad (%)

100

80

60

40

20

0
1

193

281
9
17
25
33
41
49
57
65
73
81
89
97
105
113
121
129
137
145
153
161
169
177
185

201
209
217
225
233
241
249
257
265
273

289
297
305
313
321
329
337
345
353
361
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Días del año

Ilustración 2 Promedio de anomalías térmicas, precipitación y humedad relativa de las estaciones seleccionadas

3.2 Datos meteorológicos: IDEAM

Por otro lado, y ya que el modelo implementado requiere información climática diaria, es necesario
solicitar dicha información al IDEAM para diferentes estaciones a lo largo del área de estudio, con el
fin de generar los índices de climatológicos de incendios correctos. Se realiza una selección de 14 de
las estaciones que se encuentran en un área de influencia al oriente de Bogotá. En la Tabla 1 se
muestran la información de estas estaciones y en la Ilustración 3 la ubicación espacial de estas:

8
 Numero Latitud Longitud Nombre de estación Codigo IDEAM Altitud
1 4.575417 -73.98142 BOLSA LA 35025060 3195
2 4.482833 -74.03028 LLANO LARGO 35025050 2980
3 5.407278 -72.71722 CORINTO 35195050 1550
4 4.340556 -72.15636 MARGARITAS LAS HDA 35125010 150
5 4.468667 -72.95358 GUAICARAMO 35105050 190
6 5.574914 -72.94769 TUNEL EL 35095030 3000
7 5.0345 -73.10367 CAMPOHERMOSO 35085050 1300
8 5.192556 -73.14478 VIVERO EL 35085040 1640
9 5.358417 -73.20361 RONDON 35085020 2120
10 4.830389 -73.64647 GACHETA 35065010 1752
11 4.192722 -74.48742 PANDI 21195060 950
12 4.310111 -74.31175 PASCA 21195070 2256
13 4.376972 -73.30131 JAPON EL 35055010 280
14 4.300444 -73.3575 CABAÑA LA HDA 35045020 305

Tabla 1 Estaciones seleccionadas IDEAM

Boyacá

Bogotá

Páramo de
Chingaza

Páramo de
Sumapaz Meta

Ilustración 3Ubicación espacial estaciones IDEAM

La búsqueda de información de las estaciones inicia con una búsqueda de las estaciones actuales en
todo Colombia. En la página del IDEAM, se puede descargar un archivo con las listas de todas las
estaciones que se encuentran en Colombia.

Una vez seleccionadas las estaciones de interés, se procede a solicitar la información necesaria para
realizar la modelación adecuada del sistema de clasificación de riesgo de incendio requerido para el
FWI. En esta oportunidad, se solicita la información climatológica de las estaciones en cuento a;
Humedad Relativa (%HR), Precipitación (en mm), Velocidad del viento (Km/h) y temperatura máxima
diaria (°C) climáticas de las zonas de interés en Colombia, pues son los datos de entrada al modelo.

9
3.2.1 Delimitación del área de estudio
En primera instancia se selecciona el área de interés (Bogotá), que en este caso es el área que se
encuentra encerrada dentro del rectángulo naranja de la Ilustración 4 Área de estudio (Colombia).
Dentro de este recuadro, se encuentra el área más próxima de influencia por posibles incendios que
podrían afectar la calidad del aire en Bogotá.

Al delimitar este polígono, el sistema de FIRMS, sesga su búsqueda a la región seleccionada para la
adquisición de datos.

Bogotá Páramo de
Chingaza

Páramo de
Sumapaz

Ilustración 4 Área de estudio (Colombia)

3.3 Modelo de riesgo de incendios

Este modelo creado y desarrollado por las autoridades forestales de Canadá, brindan la posibilidad
de cuantificar como las condiciones climaticas de un determiado sitio, y asi cuantificar los posibles
riesgos a incendios. Actualmente el modelo que corre estos datos y genera estos índices de peligro
de incendio está escrito en Fortran ya que su procesamiento es bastante rápido y puede producir
resultados con relativo bajo costo computacional. Actualmente, este modelo ha sido adoptado por
Nueva Zelanda, Francia entre otros países como medio para establecer zonas de alto riesgo y
programas de protección de los ciudadanos.

3.3.1 Modelación
En cuanto a la modelación del humo causado por los incendios forestales, teóricamente se utilizan 4
etapas para generar la predicción casi real de la pluma de PM causado por las anomalías térmicas. La
implementación de este modelo es una adaptación del modelo predictivo preexistente de calidad del
aire RAQDPS (Regional Air Quality Deterministic Prediction System) del sistema de medio ambiente

10
de Canada. Ya que este modelo no cuenta con parámetros de entrada de incendios forestales, es
necesaria su introducción, es por esto que ha adicionado la influencia de incendios forestales por
medio de la manipulación de datos satelitales como MODIS y la predicción climática de BLUESKY para
generar una entrada puntual de contaminante al sistema de modelación pre establecido.

Primero el sistema de alarma de Canadá utiliza información satelital de MODIS y de AVHRR para
adquirir los puntos de anomalías térmicas. En conjunto utiliza un modelo de transporte químico de
pronóstico climatico GEM (Global Enviromental Multi-scale model) para luego en la segunda etapa
predecir el consumo de combustible que se puede generar y así estima la producción de material
particulado de cada una de las anomalías térmicas encontradas. En tercera instancia, utiliza el sistema
BLUESKY para cuantificar las emisiones totales diarias de cada “hotspot”. Como última etapa, el
sistema convierte los valores obtenidos utilizando SMOKE para generar valores horarios y manipular
las emisiones obtenidas de VOC, NOx, PM2,5 y PM10 a especies explicitas para modelar (R. Pavlovic1,
2015).

Ilustración 5 Esquema general de predicción de incendios Canadiense

3.3.2 FWI
Este índice es creado en Canadá para cuantificar numéricamente el peligro existente dadas unas
condiciones climáticas, ante un eventual escenario de incendio. Se establece la generación de estos
índices numéricos, para determinar factores fijos y variables en el medio ambiente que determinan
la facilidad de ignición, velocidad de propagación, dificultad de control e impacto del fuego (Groot,
1987). Para esta correcta cuantificación, se analizaron las diferentes variables que entran en juego
para la iniciación de un incendio. Estos estudios los realizo el cuerpo de bomberos de Canadá, donde
determinaron que la capa vegetal era fuente de un alto volátil y que su eficiencia de ignición, estaba
determinado por su contenido de humedad, entre más húmedo menos propenso a incendiarse.

La obtención del FWI asume la generación de unos índices intermedios que involucran diferentes
dinámicas que ocurren en las capas vegetales de la superficie. La primera variable importante esta
relacionada con la humedad que se conserva en las capas vegetales del suelo. Es importante
cuantificar esta componente pues los incendios son transportados inicialmente a nivel del suelo por
su rápida combustión, y están clasificados según su profundidad como se ve en la Ilustración 7.

Para desarrollar estos índices de los efectos que tienen las condiciones climáticas sobre el medio
ambiente, se requiere desarrollar 6 índices intermedios, de los cuales 3 de estos describen el

11
comportamiento de humedad y los otros, el comportamiento del fuego. Estos 6 índices, como se
ven en la Ilustración 6 son arreglados de tal manera que simulan el peor escenario de incendio en la
región objetivo (Groot, 1987). Para realizar un correcto desarrollo de estos índices, se requiere
obtener las condiciones climáticas de diferentes estaciones y generar una interpolación entre estas
estaciones con el fin de obtener las zonas de mayor riesgo. Las condiciones climáticas que alimental
el modelo, se pueden evidenciar en al igual en la Ilustración 6 son; humedad relativa, temperatura
máxima diaria, valores de precipitación de 24 horas y velocidad del viento (Groot, 1987). Esta
conjugación de variables es utilizada para generar las condiciones máximas de incendio.

El alcance de este proyecto busca generar una cobertura de índices climáticos de incendio lo
suficientemente significativa al área de interés (Bogotá) con el fin de abarcar las áreas de donde los
incendios pueden generar una amplia influencia en la calidad del aire de esta ciudad. Para esto, se
toma en consideración el modelo previamente establecido de generación de índices de incendio el
cual arroja 6 clasificaciones (R. Pavlovic1, 2015).

Ilustración 6 Estructura para la creación del índice de incendio climático (FWI de Canadá)

3.3.2.1 Fuel moisture codes

Como se le ha denominado en el modelo, “código de humedad del combustible”, esta variable
valora el contenido de humedad presente en tres tipos de vegetación, tomando las condiciones
climáticas de días previos para establecer un inventario de humedad presente en las capas de suelo.
Las capas de suelo se reparten dependiendo de su profundidad y su peso como se ve en la Ilustración
7 Básicamente funciona como un inventario de humedad presente entre las capas FFMC (Fine Fuel
Moisture Code) con profundidad desde 0 hasta 5 cm en profundidad, después DMC (Duff Moisture
Code) que va desde 5 hasta 10 cm en profundidad.

Este inventario de humedad se realiza para las diferentes capas vegetales de la tierra, dependiendo
de la altura profundidad de cada capa como se evidencia en la Ilustración 7. Es por esto que se
realiza una división en tres partes. FFMC (Fine Fuel Moisture Code), DMC (Duff Moisture Code), y
DC (Drought code). Cada una de estas capas, retiene humedad en el suelo generando dificultad de
inicio de un fuego, que es propio de esta cobertura vegetal por sus cadenas de carbono innatas de
su composición química.

12
 Ilustración 7 Clasificación de los tipos de suelo

3.3.2.1.1 Fine Fuel Moisture Code (FFMC)

Este valor de humedad combustible representa la influencia a incendios que tiene la capa más
superior de la cobertura vegetal a nivel del suelo y va desde 1 hasta 2 cm de profundidad. Su carga
combustible está calculada en 5 toneladas por cada hectárea y tiene una clasificación numérica que
va desde 0-99. Las variables que afectan esta cifra son: velocidad del viento, temperatura, humedad
relativa y la lluvia. Ya que es la capa más superficial su variación es tan cambiante al igual que las
condiciones climáticas por lo que su memoria temporal es de corto plazo, durando alrededor de 3
días, esto se ve representado en el código fortran que modela esta variable. Su grafica de
comportamiento esta descrita en la Ilustración 8.

Ilustración 8 Ignitabilidad del pino cortado sombreado bajo condiciones de no viento como función
del FFMC

El algoritmo y las fórmulas que se utilizan para el cálculo del FFMC se presenta a contracción:

13
(Pickett, 1985)

En el anterior algoritmo, se evidencia que se toma la base de la humedad del día anterior (Fo), esto
da cuenta de que es un inventario acumulativo con respecto a valores previos de humedad.
Adicionalmente, entran las variables de temperatura, el cual juega un papel fundamental en la
evaporación del agua por su presión de vapor a temperatura ambiente

14
(Pickett, 1985)

3.3.2.1.2 Duff Moisture Code (DMC)

Este valor representa las condiciones de Ignitabilidad del material orgánico con profundidad media
o que se encuentra entre 5 a 10 cm de profundidad con respecto al suelo y tiene una carga de
combustible de 50 toneladas por cada hectárea. Las variables que afectan esta cifra son la lluvia, la
temperatura y la humedad relativa. Finalmente, su clasificación va de 0 a 350, aunque su valor
máximo más probable es de 150 y presenta un tiempo de retraso de 12 días.

15
(Pickett, 1985)

3.3.2.1.3 Drought code(DC)

Esta cuantía, describe la cantidad de combustible presente en una capa más profunda que las
anteriores dos en donde involucra indicadores de humedad en el suelo profundo o con profundidad
desde la superficie de 10 a 20 cm y presenta una carga de combustible de 440 toneladas por cada
hectárea, representando la más significativa de todas. El rango de esta cifra es ilimitado, pero
comúnmente oscila desde 0 hasta 800.

16
 (Pickett, 1985)

3.3.2.2 Initial spread Index (ISI)

Este índice produce una tasa de propagación al juntar las variables de velocidad del viento y FFMC.
Este valor se considera un indicador lo suficientemente bueno hasta una velocidad de 40 Km/h.

(Pickett, 1985)

3.3.2.3 Buildup Index (BUI)

Este índice genera un indicador de la cantidad de combustible disponible para la combustión por un
frente de incendio avanzando. Este indicador, genera una combinación ponderada de los productos
generados de DMC y DC. Este índice es muy útil pues es utilizado para planear planes de
contingencia del fuego.

17
(Pickett, 1985)

3.3.2.4 Fire weather index (FWI)

Finalmente, la integración de ISI y BUI, genera el potencial de intensidad del fuego en una región
especifica. Ese indicador es utilizado para establecer los requisitos y elementos necesarios para
combatir el fuego al igual de un indicador como sistema de información y alarma a las poblaciones
con el fin de prevenir catástrofes y tomar acciones preventivas con tiempo.

(Pickett, 1985)

Una vez obtenidos estos índices, se han generado muchas correlaciones con otras variables. Una de
estas es con relación al potencial de la intensidad del fuego en pinos Jack maduros como vemos en
la Ilustración 9.

Ilustración 9 Intensidad del fuego de pinos jack como función de FWI

18
 4. Resultados
Después de implementar las ecuaciones empíricas descritas por el CWFIS (Canadian Wild Fire
Information System), y realizar varias validaciones de las características climáticas (Humedad
relativa, temperatura máxima diaria, Precipitación y velocidad del viento) de cada estación con
ayuda de Excel, se obtienen los resultados dentro de los rangos reales que el FWI (Fire Weather
Index) tiene. La clasificación de peligro que existe en estas zonas se describe a continuación en la
Tabla 2

Clasificación Límites de
del riesgo FWI
Muy alto 25+
Alto 13-24
Moderado 6-12
Bajo 2-5
Muy bajo 0-1
Tabla 2 Clasificación del riesgo por incendio

Los rangos que se obtienen en la modelación de la clasificación del riesgo por incendio, son acordes
a lo planteado teóricamente.

Se selecciona la estación de Llano largo para mostrar numéricamente los resultados obtenidos de
esta modelación. Se muestra geo espacialmente la ubicación de esta estación en la Ilustración 10.

Páramo de
Bogotá Chingaza

Páramo de
Sumapaz

Ilustración 10 Estación de Lano largo

19
A continuación, se muestran los datos climatológicos para el mes de febrero de 2010 para la estación
de Llano largo 3502550 en la Tabla 3:
Temperatura Humedad Presipitació Velocidad
Día
(°C) Relativa (%) n (mm) (Km/h)
01/02/2010 18.2 86 0 5.04 15/02/2010 18.8 78 0 5.40
02/02/2010 18 86 0 6.12 16/02/2010 20 80 0 6.48
03/02/2010 16.2 86 0 4.32 17/02/2010 18.4 81 0 6.12
04/02/2010 17 85 0 5.76 18/02/2010 15.6 88 0 5.04
05/02/2010 20 86 0 5.04 19/02/2010 13.8 91 25.6 5.76
06/02/2010 18.8 86 0 5.04 20/02/2010 12.2 96 2.2 4.68
07/02/2010 17.6 88 0 6.48 21/02/2010 17 86 0 8.64
08/02/2010 15.2 88 3.2 5.04 22/02/2010 18.6 86 0 6.48
09/02/2010 14 93 0.6 5.76 23/02/2010 17.6 82 10.4 6.48
10/02/2010 19.2 86 0 6.84 24/02/2010 16.2 84 0.5 5.40
11/02/2010 19 82 0 5.76 25/02/2010 17.2 85 24.7 6.48
12/02/2010 17.8 88 0 5.40 26/02/2010 13.4 92 6 6.12
13/02/2010 19.2 80 0 5.76 27/02/2010 18 86 0.6 3.96
14/02/2010 17 85 0 6.12 28/02/2010 16.2 84 0 7.92

Tabla 3Caracteristicas climáticas estación Llano largo

Con estos datos, y las ecuaciones descritas para el procedimiento del cálculo del FWI descrito con
anterioridad, arroja como resultado los siguientes índices de riego por incendio en esta ubicación
en específico y se pueden observar sus valores y sus clasificaciones en la Tabla 4:

Dia FWI Alerta

01/02/2010 6.93 Moderado 15/02/2010 7.19 Moderado
02/02/2010 3.81 Bajo 16/02/2010 7.47 Moderado
03/02/2010 5.22 Moderado 17/02/2010 4.03 Bajo
04/02/2010 5.95 Moderado 18/02/2010 0.67 Muy bajo
05/02/2010 6.45 Moderado 19/02/2010 2.27 Bajo
06/02/2010 7.10 Moderado 20/02/2010 3.77 Bajo
07/02/2010 3.39 Bajo 21/02/2010 3.91 Bajo
08/02/2010 3.94 Bajo 22/02/2010 3.00 Bajo
09/02/2010 5.37 Moderado 23/02/2010 3.38 Bajo
10/02/2010 6.05 Moderado 24/02/2010 3.26 Bajo
11/02/2010 6.17 Moderado 25/02/2010 0.73 Muy bajo
12/02/2010 6.92 Moderado 26/02/2010 0.87 Muy bajo
13/02/2010 4.23 Bajo 27/02/2010 2.12 Bajo
14/02/2010 5.76 Moderado 28/02/2010 2.04 Bajo
Tabla 4FWI estación Llano largo (febrero)

Se evidencia que, para los datos climatológicos del mes de febrero, los resultados del índice de
riesgo por incendio son favorables, pues en ninguno de estos días, el riesgo alcanza a estar
clasificado como alto.

El procedimiento que se realizó para esta estación se realiza para todos los días del año al igual que
para las 14 estaciones seleccionadas.

20
 4.1 Interpretación de resultados
Para la interpretación de los resultados a una mayor escala y para obtener un mayor entendimiento
regional del área seleccionada y posibles correlaciones entre la medición satelital y la medición en
terreno, se utiliza la herramienta ArcMap. Esta herramienta facilita la esta interpretación de los
resultados de las 6 zonas que el FWI arroja y sobreponerlo con la ubicación de las anomalías térmicas
que MODIS detecta y establecer alguna correlación que estos dos métodos de identificación de
zonas con potencial de incendio para posteriormente establecer sistemas tanto de alarmas como
usos de suelo adecuado en las regiones críticas para prever catástrofes, mejorar los tiempos de
respuesta y prevenir propagaciones descontroladas. En posteriores etapas, se espera utilizar estas
herramientas para identificarlas zonas adecuadas para urbanización y establecer parámetros
catastrales para el uso del suelo.

Para evidenciar los resultados, se visualizan en el programa de ArcMap y se seleccionan los días en
que se encontraron mayores anomalías y mayores coincidencias. Esto, para obtener visualmente
mayores resultados con los parámetros de las estaciones. Debido a que se contaba con la
información satelital y se graficó la frecuencia de los eventos diarios, se presenta mayores
resultados de las anomalías en los meses de enero, febrero, octubre, noviembre y diciembre. Por
otro lado, en los meses donde hay poca actividad, se seleccionan pocos días como en los meses de
mayo, junio o junio. Adicionalmente, otro criterio de selección de los resultados que se exponen a
continuación, es que había días que no representaban valores de anomalías cercanos a las
estaciones, por lo que estos resultados fueron descartados de los resultados. Por último, se procuró
seleccionar los días en donde hubiera un número significativo de anomalías cerca a los resultados
que arrojaban las estaciones climáticas.

Enero 4 Enero 7

21
Ilustración 12 FWI/Anomalía térmica enero 4 Ilustración 11 FWI/Anomalía térmica enero 7
 Enero 13 Enero 28

Ilustración 14 FWI/Anomalía térmica enero 13 Ilustración 13 FWI/Anomalía térmica enero 28

Febrero 10 Febrero 21

22

Ilustración 16 FWI/Anomalía térmica febrero 10 Ilustración 15 FWI/Anomalía térmica febrero 21

 Marzo 14 Marzo 21

Ilustración 18 FWI/Anomalía térmica marzo 14 Ilustración 17 FWI/Anomalía térmica marzo 21

Abril 24 Mayo 6

23

Ilustración 20 FWI/Anomalía térmica abril 24 Ilustración 19 FWI/Anomalía térmica mayo 6

 Mayo 18 Mayo 29

Ilustración 22 FWI/Anomalía térmica mayo 18 Ilustración 21 FWI/Anomalía térmica mayo 29

Junio 13 Agosto 1

24
Ilustración 23 FWI/Anomalía térmica junio 13 Ilustración 24 FWI/Anomalía térmica agosto 1
 Agosto 26 Septiembre 13

Ilustración 25 FWI/Anomalía térmica agosto 26 Ilustración 26 FWI/Anomalía térmica septiembre 13

Septiembre 18 Octubre 6

25
Ilustración 28 FWI/Anomalía térmica septiembre 18 Ilustración 27 FWI/Anomalía térmica octubre 6
 Octubre 29 Noviembre 3

Ilustración 29 FWI/Anomalía térmica octubre 3

Noviembre 26 Diciembre 5

Ilustración 30 FWI/Anomalía térmica noviembre 3

26
Ilustración 32 FWI/Anomalía térmica noviembre 26 Ilustración 31 FWI/Anomalía térmica diciembre 5
 Diciembre 11 Diciembre 17

Ilustración 34 FWI/Anomalía térmica diciembre 11

Ilustración 33 FWI/Anomalía térmica diciembre 17

Diciembre 23 Diciembre 31

Ilustración 36 FWI/Anomalía térmica diciembre 23 Ilustración 35 FWI/Anomalía térmica diciembre 31 27

4.2 Análisis de resultados

1- La ubicación de las estaciones más orientales (meta y Casanare) son las que presentan
mayor riesgo por incendio, según FWI, a lo largo de la modelación de todo el año. Esto es
congruente con la presencia de mayor cantidad de anomalías térmicas según MODIS. La
causa más probable de este fenómeno, es que debido a que la altura sobre el nivel del mar
en estas zonas es más baja y pueden presentar mayores temperaturas superficiales. Esto se
evidencia en mayor medida para las estaciones 4,5 y 11 pues sus alturas sobre el nivel del
mar son inferiores a los 1000 metros.
2- Cuando se perciben mayores anomalías térmicas en la región de estudio, se perciben que
los índices por incendio de las estaciones pueden variar entre moderado a muy alto, esto se
puede evidenciar en la Ilustración 15. De manera análoga, cuando hay menores anomalías
térmicas detectadas por MODIS, las estaciones modeladas más próximas varían de
moderado a muy bajo como en la Ilustración 30.
De igual manera, se realiza el enfoque sobre la estación Margaritas la hacienda. En este
nuevo análisis, se tomó un área de influencia sobre esta estación, de alrededor de 40
kilómetros en dirección a cada punto cardinal. Obteniendo como resultado un área de
influencia como se evidencia en la Ilustración 37 enmarcada por el rectángulo blanco.

Ilustración 37 Enfoque estación Margaritas la HDA

Después de sesgar las anomalías térmicas captadas por MODIS durante ese año en esa
nueva región de estudio, se obtuvieron los siguientes resultados en la Ilustración 38.

28
 # Anomalías Vs. Índice de riesgo (FWI) para la estación
Margaritas las Hda.
160 18
Numero de Anomalías (MODIS) 140 16
120 14
100 12
10

FWI
80
8
60 6
40 4
20 2
0 0

Dias

# Anomalías Valor (FWI) MARGARITAS LAS HDA

Ilustración 38 # Anomalías Vs. Índice de riesgo (FWI) para la estación Margaritas las Hda.

En la anterior grafica se puede evidenciar una clara tendencia al incremento del índice de
riesgo de incendio (FWI) al haber mayor número de anomalías térmicas en las vecindades
de esta estación. A pesar que el riesgo máximo que se percibe en esta región es de,
aproximadamente 16, este representa un riesgo moderado dentro de esta región de
estudio. Este análisis es bastante valioso pues presenta evidencia veraz de la tendencia del
aumento de riesgo y el aumento de numero de anomalías en un día.

3- Para los meses de enero, febrero y marzo se perciben muchas más anomalías térmicas que
en los periodos de mayo, junio, julio y septiembre. Esto se puede correlacionar con la
precipitación que ocurre durante el año. Como se evidencia en la Ilustración 2, se observa
un mayor número de anomalías térmicas cuando en esta región de estudio hay poca o nada
de precipitación. En contra posición, el número de anomalías térmicas se ve afectado por la
precipitación que puede disminuir la temperatura superficial. Sin embargo, realizar esta
afirmación como definitiva, es bastante atrevido pues la reducción de las anomalías puede
verse afectada también por la presencia de nubes, las cuales causan interferencia de las
ondas electromagnéticas que recibe el satélite. Es por esto que es necesario profundizar en
esta hipótesis.
4- Existen situaciones en las que el FWI de las estaciones indica un riesgo bajo o muy bajo como
se ve en la Ilustración 24, y sería de esperar que no hubiese anomalías térmicas en la región
detectadas por MODIS. Sin embargo, existe presencia de algunas anomalías.
5- Un ejemplo interesante de coincidencia de una anomalía térmica por MODIS y un riesgo por
incendio de clase “moderado” es el 26 de noviembre de 2010 pues coincide espacialmente
este evento, se puede evidenciar en la Ilustración 32.

29
 5. Conclusiones
En consideración a la exactitud de las observaciones realizadas con la modelación de los datos
climatológicos y la generación de los índices de riesgo por incendio en sobre posición a las anomalías
térmicas identificadas por los satélites donde está el sensor MODIS, encontramos una cierta
correlación de presencia de un mayor riesgo por incendio cuando MODIS obtiene anomalías
térmicas.

Es importante mencionar que la sensibilidad en la percepción de anomalías térmicas está limitada

por las condiciones climáticas locales. La cobertura de nubes sobre una región de estudio puede
ocasionar interferencia sobre la información que refleja MODIS. Es por esto que los datos en campo
son aún más fiables y estos podrían ser el punto de entrada para un correcto desarrollo de una
metodología de alertas efectiva. Sin embargo, vale la pena realizar una calibración sobre los cálculos
de los índices pues en comparación con una modelación desarrollada por el Canadian Forest Fire
Weather Index System arroja unos valores ligeramente diferentes a los calculados en este proyecto.
Sin embargo, no afectan la interpretación del nivel de riesgo puede existir en un momento dado.

Finalmente es importante recalcar la importancia que representa la modelación de los datos

climatológicos con que se cuenta actualmente en el país y utilizarlos para generar alarmas en zonas
críticas de incendio. Esto puede servir para desarrollar oportunamente planes de contingencia a
nivel nacional, el alistamiento de los recursos para combatir las catástrofes para finalmente evitar
la pérdida de vidas por incendios forestales.

6. Glosario
En esta sección se presentan las siglas utilizadas a lo largo del documento para facilitar la
interpretación del mismo.

1. NASA: National aeronautics and space administration.

2. EOS: Earth Observing System, que es un programa desarrollado por la nasa para poner en
órbita satélites y obtener información de la biosfera, atmosfera y océanos en el planeta
tierra.
3. EOSDIS: Earth Observing System Data and Information System
4. ESDIS: Earth Science Data and Information System
5. MODISI: Moderate-resolution Imaging Spectroradiometer
6. EOS: Earth Observing System
7. FIRMS: Fire information for resource management system
8. CSV: Coma separated value
9. Terra: Un satélite de la NASA que orbita de norte a sur y tiene un ciclo AM, es decir que inicia
su trayectoria recolectando información en la mañana y luego en la tarde, describiendo una
órbita sincronizada con el sol y hace parte del sistema de observación planetaria como
satélite principal.
10. Aqua: un satélite de la NASA que orbita de sur a norte en un ciclo PM, es decir, que inicia su
trayectoria recolectando información en las tardes y luego en las mañanas del siguiente día.
Hace parte del Sistema de observación planetaria (Nasa-Aqua, 2016).

30
 11. VIIRS: Visible Infrared Imaging Radiometer Suite. Este sensor se encuentra a bordo del
satélite NOAA de la nasa.
12. NOAA: satellite (COMPLEMENTAR)
13. SUOMI NPP: Suomi National Polar-Orbiting Partnership
14. GEM: Global Environmental Multi-scale model
15. RAQDPS: es un sistema de prediccion de calidad del aire desarrollado por Enviromental
Canada (EC) (Regional Aair Quality Deterministic Prediction Sistem)
16. FireWork: es un sistema de modelación de humo de incendios forestales desarrollado por
AQMAS (Air Quality Aplication and Modeling Section) desarrollado a partir del 2011 por EC.
17. EC: Enviromet Canada, una división
18. BLUESKY FEPS: Es un simulador de emisiones causadas por incendios.
19. FWI: (Fire Weather index). Es un índice meteorológico de incendios, el cual tiene como
objetivo describir numéricamente los efectos de las condiciones meteorológicas sobre zonas
vegetativas. Hace parte del sistema de índice meteorológico de incendios forestales
canadienses.
20. IDEAM: Sus siglas significan; Instituto de Hidrología, Meteorología y Estudios Ambientales,
hace parte de una entidad del gobierno de la república de Colombia y es dependiente del
Ministerio de Ambiente y Desarrollo Sostenible.

7. Tabla de ilustraciones

Ilustración 1 Promedio diario de anomalias termicas 2010-2015 ....................................................... 7

Ilustración 2 Promedio de anomalías térmicas, precipitación y humedad relativa de las estaciones
seleccionadas ...................................................................................................................................... 8
Ilustración 3Ubicación espacial estaciones IDEAM ............................................................................. 9
Ilustración 4 Área de estudio (Colombia) .......................................................................................... 10
Ilustración 5 Esquema general de predicción de incendios Canadiense .......................................... 11
Ilustración 6 Estructura para la creación del índice de incendio climático (FWI de Canadá) ............. 12
Ilustración 7 Clasificación de los tipos de suelo ................................................................................ 13
Ilustración 8 Ignitabilidad del pino cortado sombreado bajo condiciones de no viento como función
del FFMC............................................................................................................................................ 13
Ilustración 9 Intensidad del fuego de pinos jack como función de FWI ........................................... 18
Ilustración 10 Estación de Lano largo................................................................................................ 19
Ilustración 11 FWI/Anomalía térmica enero 7 .................................................................................. 21
Ilustración 12 FWI/Anomalía térmica enero 4 .................................................................................. 21
Ilustración 13 FWI/Anomalía térmica enero 28 ................................................................................ 22
Ilustración 14 FWI/Anomalía térmica enero 13 ................................................................................ 22
Ilustración 15 FWI/Anomalía térmica febrero 21 ............................................................................. 22
Ilustración 16 FWI/Anomalía térmica febrero 10 ............................................................................. 22
Ilustración 17 FWI/Anomalía térmica marzo 21 ............................................................................... 23

31
Ilustración 18 FWI/Anomalía térmica marzo 14 ............................................................................... 23
Ilustración 19 FWI/Anomalía térmica mayo 6 .................................................................................. 23
Ilustración 20 FWI/Anomalía térmica abril 24 .................................................................................. 23
Ilustración 21 FWI/Anomalía térmica mayo 29 ................................................................................ 24
Ilustración 22 FWI/Anomalía térmica mayo 18 ................................................................................ 24
Ilustración 23 FWI/Anomalía térmica junio 13 ................................................................................. 24
Ilustración 24 FWI/Anomalía térmica agosto 1................................................................................. 24
Ilustración 25 FWI/Anomalía térmica agosto 26............................................................................... 25
Ilustración 26 FWI/Anomalía térmica septiembre 13 ....................................................................... 25
Ilustración 27 FWI/Anomalía térmica octubre 6 ............................................................................... 25
Ilustración 28 FWI/Anomalía térmica septiembre 18 ....................................................................... 25
Ilustración 29 FWI/Anomalía térmica octubre 3 ............................................................................... 26
Ilustración 30 FWI/Anomalía térmica noviembre 3 .......................................................................... 26
Ilustración 31 FWI/Anomalía térmica diciembre 5 ........................................................................... 26
Ilustración 32 FWI/Anomalía térmica noviembre 26 ........................................................................ 26
Ilustración 33 FWI/Anomalía térmica diciembre 17 ......................................................................... 27
Ilustración 34 FWI/Anomalía térmica diciembre 11 ......................................................................... 27
Ilustración 35 FWI/Anomalía térmica diciembre 31 ......................................................................... 27
Ilustración 36 FWI/Anomalía térmica diciembre 23 ......................................................................... 27
Ilustración 37 Enfoque estación Margaritas la HDA ......................................................................... 28
Ilustración 38 # Anomalías Vs. Índice de riesgo (FWI) para la estación Margaritas las Hda. ............ 29

8. Referencias

Anjali Haikerwal, M. A. (2015). Impact of Fine Particulate Matter (PM2.5) Exposure During
Wildfires on Cardiovascular Health Outcomes. Journal of the American Heart Association.

By Alyson Kenward, P. D.-S. (2013). WILDFIRES AND AIR POLLUTION THE HIDDEN HEALTH
HAZARDS OF CLIMATE CHANGE. Climate Central.

Colombia, Anraci. (15 de Agosto de 2015). Reporte de Incendios 2015. Obtenido de anracy.org:
http://anraci.org/blog/reporte-de-incendios-2015/

Giglio, L. (2013). MODIS Collection 5 Active Fire Product User’s Guide Version 2.5. Maryland:
Department of Geographical Sciences .

Groot, W. J. (1987). INTERPRETING THE CANADIAN FOREST FIRE WEATHER INDEX (FWI) SYSTEM1.

Ivan Csiszar1, W. S. (-). Quantitative evaluation of active fire detection capabilities from VIIRS.
College Park, MD: University of Maryland - National Oceanic and atmospheric
Administration U.S Department of commerce .

Louis Giglioa, b. J. (2003). An Enhanced Contextual Fire Detection Algorithm for MODIS. Meryland:
Elsevier.

32
MENGOqt, R. V. (1987). RADIATION HEAT TRANSFER IN COMBUSTION SYSTEMS. Pergamon
Journals Ltd.

N. C. Surawski1, A. L. (2015). Greenhouse gas emissions from laboratory-scale fires in wildland

fuels depend on fire spread mode and phase of combustion. Atmosferic Chemestry and
Physics.

Nasa. (Octubre de 2016). Earth dara FIRMS FAQ. Obtenido de FIRMS FAQ:
https://earthdata.nasa.gov/firms-faq#ed-modis-brightness

Nasa. (15 de Octubre de 2016). Earth data. Obtenido de

https://earthdata.nasa.gov/about/science-system-description/eosdis-components/eos-
networks

Nasa. (2016). Joint Mission. Obtenido de Visible Infrared Imaging Radiometer Suite (VIIRS):
https://jointmission.gsfc.nasa.gov/viirs.html

Nasa Earth data FAQ. (2016). Modis_VIIRS_FAQ. Obtenido de https://earthdata.nasa.gov/faq#ed-

firms-umd

Nasa Earth Data, NRT. (2016). Near Real-Time versus Standard Products. Obtenido de
https://earthdata.nasa.gov/earth-observation-data/near-real-time/near-real-time-versus-
standard-products

Nasa NOAA. (2016). ncc.nesdis.noaa. Obtenido de Visible Infrared Imaging Radiometer Suite
(VIIRS): http://ncc.nesdis.noaa.gov/VIIRS/

Nasa_MODIS. (2016). Obtenido de Specifications:

https://modis.gsfc.nasa.gov/about/specifications.php

Nasa-Aqua. (1 de Noviembre de 2016). Aqua Nasa. Obtenido de Aqua project science :

http://aqua.nasa.gov/

Pickett, C. V. (1985). Equations and FORTRAN Program for the canadian Forest Fire Weather Index
System. Ottawa.

R. Pavlovic1, S. C.-A. (2015). FIREWORK: ENVIRONMENT CANADA’S NORTH AMERICAN AIR

QUALITY FORECAST. Chapel Hill: Annual CMAS Conference.

33