Aplicación del modelo Rothermel a la gestión de riesgo de incendio en la región de la Chiquitanía, Santa Cruz Bolivia

Application of the Rothermel Model to fire risk management in the Chiquitanía region, Santa Cruz Bolivia

Alejandro Pareja Rodríguez & Marcos Luján Pérez

Centro de Investigación en Ciencias e Ingeniería (CICEI), Departamento de Ciencias Exactas e Ingeniería, Universidad Católica Boliviana San Pablo, Unidad Académica de Cochabamba, c. Márquez esq. Plaza Trigo

mlujan@ucb.edu.bo

Resumen: En el presente estudio se trata de plantear el modelo Rothermel de propagación de incendios para utilizarlo en la región de la Chiquitania, Santa Cruz-Bolivia, muy afectada en los últimos años por incendios forestales, en particular en regiones que son reservas naturales. Este modelo es muy utilizado en las montañas Rocallosas en Estados Unidos siendo un componente muy importante de la Gestión Integrada de Incendios Forestales.

Se desarrolló este modelo con la intención de que posteriormente forme parte de la gestión integrada de incendios en la Chiquitania, además de tener una biblioteca en versión Beta que calcule el índice de Quema, uno de los principales índices que se obtienen a partir de este mismo modelo.

El modelo a pesar de su relativa complejidad, tiene una utilidad bastante marcada en la prevención y mitigación de catástrofes ambientales generadas por los incendios forestales, a pesar de requerir una gran cantidad de datos hay bastante investigación sobre este modelo, que ha sido aplicado en muchas partes del mundo, en particular en las montañas Rocallosas en EEUU y Canadá, en la gestión de riesgos de incendio.

Se revisó la literatura sobre este modelo y se aplicó a incendios tipo superficie; a partir de ello se generó un código en Python en versión Beta que tiene la capacidad de obtener uno de los índices más importantes, como ser el índice de quema (Burning índex, en Ingles) el cual utiliza como base de cálculo las formulaciones de Rothermel.

Palabras clave: Propagación de incendios, probabilidad de incendios, modelo Rothermel, Chiquitanía

Abstract: The present study tries to propose the Rothermel model of fire propagation to be used in the Chiquitania region, Santa Cruz-Bolivia, which has been heavily affected in recent years by forest fires, particularly in regions that are natural reserves. This model is widely used in the Rocky Mountains in the United States and is a very important component of Integrated Forest Fire Management.

Despite its relative complexity, the model has a fairly marked utility in the prevention and mitigation of environmental catastrophes generated by forest fires, despite requiring a large amount of data there is a lot of research on this model, which has been applied in many parts of the world, particularly the Rocky Mountains in the US and Canada, on fire risk management.

The literature on this model was reviewed and its application for surface-type fires is thoroughly explained; From this, a Beta versión Python code was generated that has the ability to obtain one of the most important Índices, such as the Burning índex, which uses Rothermel's formulations as the basis of calculation.

Keywords: Fire spread, fire probability, Rothermel model, Chiquitania

1     Introducción

Los incendios forestales forman parte importante de los sistemas ecológicos y climáticos; además de ser responsables de una gran parte de los gases de efecto invernadero que se emiten cada año, es una de las causas principales de la degradación de los bosques tropicales, afectando a su estructura, biodiversidad y ciclo de nutrientes en el suelo de los ecosistemas. (Rodríguez Montellano, 2012)

El cambio climático está muy relacionado con el incremento del número de incendios y las superficies quemadas en todo el mundo, de acuerdo al C2ES, entre 1984 y 2015, las áreas quemadas en la parte oeste de los EEUU se ha duplicado (Wildfires and Climate Change \ Center for Climate and Energy Solutions, n.d.), el cambio climático propicia temperaturas más elevadas, sequías y temporadas de incendio más prolongadas, estas condiciones favorecen la propagación de incendios en varias regiones del planeta (Wildfires and Climate Change \ Center for Climate and Energy Solutions, n.d.). Un análisis de los incendios en la cuenca del Amazonas, muestra que la extensión de los incendios está relacionada con situaciones de sequía, como la que se produjo el año 2010, que provocó un récord de superficie quemada.

El año 2019 también se incendió una superficie por encima del promedio con un número de focos de calor casi el doble de lo normal, esta situación no puede explicarse simplemente por un año seco sino por una sinergia negativa entre deforestación, cambio climático y chaqueos (An Analysis of Amazonian Forest Fires by Matthew Stewart, PhD Researcher \ Towards Data Science, n.d.). Este año se quemaron alrededor de 5,9 millones de ha y el año 2020 4,5 millones de ha, por encima del promedio de 3,7 millones de ha de los últimos 20 años, aunque por debajo del récord de 9,3 millones de ha quemadas el año 2010, de acuerdo al informe de la FAN (FAN & WCS, 2021). Además de la deforestación, cambio climático y chaqueos, en Bolivia se añade el problema de posesión de la tierra y el tema de incendios forestales se convierte en una bandera de lucha política que es utilizada por diferentes bandos según sus intereses; esto dificulta más la gestión de los riesgos de incendio. Por ello urge desarrollar estrategias basadas en herramientas y metodologías científicas que orienten de mejor manera las acciones a desarrollar en esta problemática.

Los incendios en la Chiquitania en el año 2019 marcaron un hito en las agendas políticas tanto nacionales como internacionales. Ya que la magnitud de este incendio y la totalidad de las áreas afectadas fue considerada una tragedia. Hasta el momento no se conocen totalmente los impactos producidos por los incendios por lo que es no solo importante la recuperación, la restauración y la conservación de las especies de fauna y flora de la zona, sino también evitar en la medida de lo posible que estas catástrofes vuelvan a ocurrir. (CEDIB, 2019)

Los modelos de propagación de incendio forman parte de la Gestión Integrada de Incendios forestales, estos permiten predecir los movimientos del fuego para poder tomar decisiones acertadas antes y en el momento del incendio y permiten estimar distintos tipos de índices que convertirá a los modelos de propagación de incendios en una herramienta de gran utilidad para la Gestión Integrada de Riesgos de Incendios.(Scott et al., 2013), siendo un componente esencial para reducir las probabilidades de que un incendio de magnitudes catastróficas como las ocurridas el 2019 en la Chiquitania vuelva a ocurrir.

En este estudio se utilizó el Modelo Rotehermel para el cálculo de índices integrados que permitan identificar las regiones con mayor peligro de incendio y brindar una herramienta de cálculo que facilite la gestión de riesgos de incendio gracias a un modelo predictivo basado en las características de las zonas de estudio.

2     Aplicación del modelo Rothermel a la gestión de riesgo de incendio

Los tres factores que se presentan en el fuego son: Combustible, Temperatura elevada y oxígeno, con los cuales muchos especialistas están familiarizados en lo que se denomina el triángulo del fuego, el cual es útil para una discusión general, pero si se quiere hacer una discusión sobre la simulación de propagación de incendios forestales, se reorganiza los factores en cinco mayores influencias formándose el pentágono de los modelos de propagación de incendios que incluye la estructura de: la cama de combustible, humedad del combustible, características del viento y la pendiente y la dirección relativa de propagación (Scott, 2012).

Para cuantificar y caracterizar los riesgos en cualquier panorama, es fundamental contar con la opinión de las personas locales, especialmente de la gente especializada en el tema de los incendios forestales. El primer paso de una gestión integrada de riesgos de incendios (simulación de incendios forestales) implica obtener y actualizar capas de datos de combustible, analizar el tiempo histórico de incendios y la ocurrencia de incendios, y generar estimaciones resueltas espacialmente de la probabilidad e intensidad de incendios. (Scott et al., 2013).

Se realizó una revisión exhaustiva de los modelos de riesgo incendios y los distintos métodos por los cuales se realiza las gestiones de riesgos en diferentes partes del mundo. En esta revisión se observaron dos países que tienen una metodología para la gestión de riesgos, estos son Canadá y Estados Unidos.

Revisando la bibliografía se observó que se publicaron pocos artículos acerca de simulaciones de incendio, la mayoría de estos artículos son provenientes de los Estados Unidos y Europa, que es la primera etapa en la estrategia de gestión integrada de incendios, y es con la modelación que se valora el peligro del incendio; pero existe una biblioteca completa de información forestal en línea compilada por el Servicio Forestal de la Dirección de Agricultura de los Estados Unidos, la cual contiene artículos científicos, manuales, libros, revisados por ellos mismos acerca de temas forestales, por esta razón se vio conveniente basar el modelo en los lineamientos propuestos por este servicio (USDA, 2020).

A partir de la simulación de un incendio se pueden deducir una serie de índices como el índice de Quema, la probabilidad de Quema, la clasificación de peligro de incendios de los Estados Unidos y las diferentes salidas del mismo modelo como ser la intensidad de la línea de fuego, la altura de la llama, entre otros (Burning Index, BI, por sus siglas en ingles) el cual es derivado de dos componentes (Roads et al., 2005):

• Componente de Propagación (SC, por sus siglas en ingles). - El cual es un índice que indica la velocidad de propagación en la cabecera del incendio, este componente tiene una alta sensibilidad a la velocidad del viento, especialmente cuando el combustible está seco.

• Componente de liberación de energía (ERC, por sus siglas en inglés). - está relacionado a la energía disponible por unidad de área dentro del frente de la cabecera del incendio.

El Burning Index se lo obtiene finalmente con la siguiente formula:

Donde:

BI: Índice de quema (Burning Index, en inglés) ]]> SC: Componente de propagación (Spread Component, en inglés) (ft min^-1)
ERC: Componente de Energía liberada (Energy Release Component, en inglés) (Btu ft^-2 min^-1)

En el caso de que se requiera un promedio del índice de quema de toda un área, Andrews en 2018 recomienda que se promedien todos los valores del Índice. El índice de quema puede interpretarse como una cuantificación del esfuerzo que se requiere para controlar in incendio específico, pues combina la velocidad de propagación con la energía liberada en un incendio, más adelante explicamos con más detalle estas variables.

La Figura 2 muestra esquemáticamente cómo el Modelo denominado como Rothermel (Rothermel, 1972), postula que la velocidad de propagación de un incendio, es directamente proporcional a la cantidad de calor total desprendida por la fuente de calor (Heat Source en inglés) e inversamente proporcional a la cantidad de calor requerida para la ignición (Heat Sink en inglés), es decir, la velocidad de propagación ser verá reducida mientras mayor sea el calor requerido para la ignición y aumentará mientras la fuente de calor sea mayor. (Scott, 2012).

A continuación, se explicará las formulas complementarias y datos iniciales, para poder llegar al resultado tanto del SC como del ERC partiendo del flujograma de la Figura 2

En la Figura 2 se muestra que los modelos de propagación de incendios requieren de 5 parámetros, que se muestran en el pentágono de la modelación de propagación de incendios. (Scott, 2012), estos son:

Estructura de la cama de combustible. - Para el caso de los incendios forestales, el combustible deriva esencialmente de la vegetación que crece de manera natural y consideramos tres estratos esencialmente, suelo, superficie, y copa de los árboles. En el suelo, el combustible consiste esencialmente en la materia orgánica y tiene más influencia sobre las consecuencias del incendio y muy poco sobre la propagación del mismo, por ello generalmente no se lo considera en los modelos. En la superficie tenemos material combustible derivado de vegetación arbustiva y pastos y se la caracteriza por parámetros como: carga (cantidad de combustible por unidad de superficie), altura, relación área/volumen, contenido de humedad y poder calorífico (energía térmica liberada en la combustión). En el caso de la copa las variables que son determinantes para la propagación de fuego de corona son: la altura de la copa (canopy base height) y la densidad aparente de la copa (canopy bulk density). La descripción correcta de la estructura y características de los estratos de la cama de combustible (material vegetal acumulado superficialmente) es esencial para una buena modelación de la propagación del fuego.

Para el caso de incendios de superficie Rothermel en 1972 formuló una serie de características del combustible que las llamó modelos de combustible para propagación de incendios. En total se publicaron en esa época 11 modelos de combustible (Rothermel, 1972), que luego fueron refinados por Albini en 1976 y se añadieron otros dos a los modelos originales (Albini, 1976), pero se vio que estos modelos funcionaban muy bien para el período de la temporada seca cuando los incendios forestales plantean mayores problemas (Anderson, 1982). El 2005 Scott y Burgan formularon nuevos modelos de combustible generando 40 modelos combustible nuevos (Scott & Burgan, 2005). Cada modelo contiene datos para un tipo de combustible el cual se detalla a continuación (Scott, 2012):

Relación de Superficie y Volumen. - Se refiere a la relación entre la superficie de la partícula y su volumen. Mientras más pequeña la partícula su relación de Superficie y Volumen será mucho mayor.

Contenido de calor. - Como su nombre lo indica se refiere a la cantidad de calor que libera la combustión de la pila de combustible, este parámetro se puede medir en laboratorio y se lo conoce también como el poder calorífico inferior, se expresa en BTU/Lb.

Profundidad de la cama de combustible. - Se refieres a la altura de la cama de combustible con respecto al suelo.

Humedad de extinción del combustible (muerto). - La humedad de extinción es aquel contenido de humedad del material combustible por encima del cual no existirá propagación o esta será esporádica o impredecible. En otras palabras, el calor liberado por la combustión no es suficiente para sostener la reacción de combustión y esta se extingue.

Los valores de cada modelo de combustible se encuentran publicadas en forma de tablas por varios autores (Anderson, 1982) (Scott & Burgan, 2005)(Scott, 1999).

Humedad del combustible. - Las partículas de combustible se dividen en distintas clases según el Tiempo de Retardo (TR) 1h, 10h, 100h, en el caso de los combustibles muertos. El Tiempo de Retardo (TR) representa el tiempo que le toma a la partícula de combustible para reducir en un 63% la diferencia entre su actual humedad y la humedad de equilibrio con el entorno. (Scott, 2012). La disminución de la humedad de un combustible sigue una función exponencial que depende del diámetro de la partícula, mientras más grande la partícula, más lenta será la pérdida de humedad.

La humedad de combustibles muertos puede ser estimada a partir de parámetros medio ambientales como la temperatura, la humedad relativa, la hora del día, la pendiente y el aspecto, de esta. Scott y Burgan en 2005 , para facilitar el cálculo del modelo, desarrollaron escenarios estándar de humedad de combustible muerto y de combustible vivo, la necesidad de escenarios separados (vivo y muerto) es para que estos puedan variar de forma independiente, por lo tanto con las combinaciones se pueden generar 16 escenarios posibles de humedad únicos.

Viento y Pendiente. - Ambos valores son determinantes en la dirección relativa de propagación y modifican los valores de la Fuente de calor. En el modelo de propagación de incendios como tal, es de vital importancia la dirección, ya que si ambas direcciones (la de pendiente y viento) son paralelas, la velocidad de propagación será mucho mayor. (Scott, 2012) (Andrews, 2012)

A partir de estos cuatro parámetros principales es que se puede realizar el cálculo de la Velocidad de propagación, Componente de propagación (SC) y El componente de liberación de energía (ERC).

Para calcular los pesos con respecto a las relaciones de Superficie a volumen, que luego serán utilizadas tanto para el cálculo del Componente de propagación y el componente de Liberación de energía se requiere de las siguientes formulas (Andrews, 2018) (Rothermel, 1972):

Donde:

σ_¡j: Relación superficie/volumen de la partícula para el tamaño i dentro de la categoría j (ft² ft^-3)
w_¡j: Carga de combustible para el tamaño i dentro de la categoría j (Lb ft^-2)
: Densidad de la partícula para el tamaño i dentro de la categoría j (Lb ft^-3), el valor por defecto de este parámetro es 32 Lb ft^-3
A_ij: Área de superficie total media por unidad de celda de combustible de cada clase de tamaño i (timelags) dentro de la categoría j (Vivo o Muerto) (ft²)
A_¡: Superficie total media de cada categoría j por unidad de pila de combustible i (ft²)
f_ij: Factor de peso por unidad de pila de combustible i. (adimensional) ]]> f_i: Factor de peso por categoría j (adimensional)
A_T: Superficie total media por unidad de pila de combustible i (ft²)

Para el cálculo del componente de liberación de energía es necesario incluir los pesos basados en la carga de combustible que son los siguientes (Cohen John E Deeming et al., 1985) (Andrews, 2018):

Donde:

w_ij: Carga de combustible para el tamaño i dentro de la categoría j (Lb ft^-2)
L_¡: Carga total media de cada categoría j por unidad de pila de combustible i (Lb)
L_T: Carga total media por unidad de pila de combustible i (Lb)
k_ij: Factor de peso por unidad de pila de combustible i. (adimensional)
k_¡: Factor de peso por categoría j (adimensional)

2.1     Velocidad de reacción

La velocidad de reacción es una medida de la tasa real de consumo de combustible, en otras palabras, mide la velocidad de la reacción de combustión, entonces la velocidad óptima de reacción es aquella velocidad de reacción donde se descuenta los efectos de la humedad y los minerales y viene dada por (Rothermel, 1972)(Burgan, 1987):

Donde:

Γ': Velocidad óptima de reacción (min^-1)
Γ'_max: Velocidad de reacción cuando la relación de empaquetamiento de la cama de combustible es óptima (β = β_op) (min^-1) está dada por:

Donde:

σ: Relación Superficie volumen (ft² ft^-3)

Para el cálculo del Componente de liberación de energía (ERC)

Relación entre el empaquetamiento real y el óptimo (adimensional)

Donde:

β: Relación de empaquetamiento media (refleja la fracción de volumen ocupada por el combustible en el lecho, adimensional)

Donde:

A = Es una variable arbitraria dependiente de σ

La relación de empaquetamiento se refiere a la fracción media de lecho de combustible ocupado por combustible como tal.

Dado que la velocidad optima de reacción no considera los efectos de los minerales y la humedad es que se deben aumentar los coeficientes de amortiguamiento del mineral y de la humedad de la siguiente manera (Rothermel, 1972) (Andrews, 2018):

Donde:

η_s: Coeficiente de amortiguamiento del mineral

S_e: Fracción del contenido efectivo de mineral, para los cálculos de ambos componentes (SC y ERC) el valor de esta entrada es igual a 0,01.

Para el cálculo del Componente de Propagación:

Para el cálculo del Componente de Liberación de Energía:

Donde:

(r_M)_i: Fracción del contenido de humedad respecto a la humedad de extinción

Donde:

: Contenido de humedad (fracción)

Para el cálculo del SC:

Donde:

: Contenido de humedad (fracción)

: Humedad de extinción de combustible muerto, este nivel de humedad impide la propagación del fuego.

: Humedad de extinción de combustible vivo

Donde:

W: Relación de carga muerta a viva

Haciendo todos los cálculos la Velocidad de reacción sería igual a la multiplicación de los tres factores anteriores (Andrews, 2018):

2.2     Intensidad de reacción

La intensidad de reacción forma parte de la fórmula de velocidad de propagación de incendios del modelo Rothermel. (Rothermel, 1972), su concepto es el calor total liberado en todas las direcciones y es dado por:

Para el componente de propagación:

Para el componente de liberación de energía:

I_r: Intensidad de reacción (Btu ft^-2 min^-1)
(w_n)_¡: Carga de combustible neta (lb ft^-2)

Para el cálculo del SC:

Para el cálculo del ERC:

Donde:

(S_t)_ij: fracción mineral en la carga de combustible, el valor predeterminado es 0,0555 ]]> h_¡: Contenido de calor (Btu lb^-1)

2.3     Relación de Flujo de propagación

Este parámetro se refiere a la fracción de energía liberada por la reacción que calienta el combustible hasta la ignición (Rothermel, 1972) (M. A. Finney, 1998) y viene dada por la siguiente ecuación:

Donde:

ε: Relación de flujo de propagación (adimensional)

2.4     Factor del Viento y la pendiente

Estos dos factores calculan la interacción del viento y la pendiente al calor total generado y vienen dadas por (M. A. Finney, 1998)(Andrews, 2018)(Andrews, 2012):

Donde:

Donde:

Φ_w: Factor de viento (adimensional)
WAF: Factor de Ajuste del Viento (adimensional)
U₂₀: Velocidad del viento a los 20 pies de altura (ft min^-1)

El factor de ajuste de vientos se puede calcular a partir de modelos o para facilitar los cálculos existe una tabla de WAF por modelo de combustible el cual recomienda Andrews en el año 2012. (Andrews, 2012)

2.5     Fuente de calor

Esta ecuación refleja la intensidad con la que se libera el calor de la combustión y cómo incremente esta intensidad la pendiente y el viento.

2.6     Depósito de calor

El divisor de la formula general del modelo de propagación de incendios se denomina Depósito de calor y viene dado por:

Donde:

ρ_b: Densidad en masa del combustible (lb ft^-3)

ε: Número de calentamiento efectivo

: Calor de pre ignición

2.7     Índice de Quema

El último cálculo a realizar es el índice de quema, que depende de dos componentes el Componente de propagación que es igual a la velocidad de propagación, como a continuación (Andrews, 2018):

Además, hay que hacer el cálculo del componente de liberación de energía ERC, el cual está relacionado con la cantidad de energía disponible por unidad de área, dentro del frente en llamas en la cabecera del incendio, su cálculo se realiza de la siguiente manera:

Donde:

t_r: Tiempo de residencia (min)

Cabe destacar que para el cálculo del tiempo de residencia del Componente de liberación de energía hay que usar el valor de Relación superficie volumen (σ) del componente de propagación y no así el que se calculó para el Componente de liberación de energía (Andrews, 2018)

Por último, el índice de quema (BI, por sus siglas en inglés) estará dado por la siguiente formula:

Se recomienda un promedio en el caso que se trabaje con matrices. (Andrews, 2018), los cálculos realizados para sacar los valores de Velocidad de propagación, se asemejan al cálculo del componente de propagación, pero este debe estar acompañado con fórmulas de integración con respecto al tiempo. (M. A. Finney, 2002)

2.8     Probabilidad de quema e isolíneas de propagación

La probabilidad de quema es otro método para la estimación de peligro de incendio, este genera puntos aleatorios de ignición, realiza el modelo de propagación de Rothermel en cada punto y hace un conteo de cuantas veces se quemó un pixel, y lo divide entre el número de puntos aleatorio, dando como resultado una capa de probabilidades.

El mismo modelo Rothermel tiene la capacidad de generar las isolíneas de propagación el cual indica el área quemada por tiempo de modelación tomando en cuenta uno o varios puntos o líneas de ignición.

Estos cálculos requieren de integrales más complejas por lo cual es recomendado utilizar softwares como el Flammap.

3.1    Recolección de información secundaría

Para la fase de recolección de información y datos se recurrió a la biblioteca TreeSearch del Departamento de Agricultura de los Estados Unidos (USDA, por sus siglas en ingles), la cual es una plataforma en línea que contiene publicaciones gratuitas en temas forestales donde está incluido los incendios, estos incluyen artículos científicos realizados por expertos de la misma USDA y otros que son previamente revisados por técnicos del este departamento. (USDA, 2020) (USDA, 2012)

3.2    Cálculo de Índices de Quema.

Elegido el modelo de propagación de incendios, se analizaron los índices disponibles para el modelo y se realizó la elección de un índice principalmente por el bajo requerimiento de datos, debido a que en la zona no existen datos de entrada disponibles que permita la utilización de modelos muy complejos. En el caso del proyecto se decidió tomar en cuenta el Índice de Quema (Burning Index, en inglés) porque es el que se acercaba más a estas características.

Debido a que este índice requiere de relativa baja cantidad de datos para su obtención, se realizó una biblioteca utilizando el lenguaje de programación Python, el cual tiene como objetivo final obtener un raster del Índice de Quema (BI), se utilizó la potencialidad de Python de ser un lenguaje multiparadigma aprovechando la programación orientada a objetos para la realización de las líneas de código necesarias para el producto final. (Python, 2020)

Se utilizaron las formulas recomendadas por Andrews en 2018 para el cálculo de este índice (Andrews, 2018).

Las bibliotecas Python utilizadas para el cálculo del índice de Quema fueron las siguientes:

• Numpy biblioteca para el soporte de vectores y matrices multidimensionales. (NumPy.org, 2020)

]]> • GDAL, biblioteca de lectura y escritura de datos geoespaciales. (Warmerdam & Rouault, 1998)

• Matplotlib, biblioteca para la generación de gráficos varios. (John D. Hunter, 2003)

A partir del uso de suelo, datos de transectos y datos meteorológicos se procedió a la realización de las matrices y datos de entrada para el cálculo de los índices en el área de estudio, estos mismos datos se utilizaron posteriormente en el software FLAMMAP 6.1, para el cálculo de propagación de incendios como tal, además del cálculo de la probabilidad de quema. (M. Finney, 2014).

Para la verificación de que los resultados de la biblioteca son correctos se realizó la prueba comparando los resultados con la librería del lenguaje de programación Cran R, Rothermel (Vacchiano & Davide, 2014) para esto se corrieron ambas bibliotecas con parámetros aleatorios, y se compararon resultados, si la biblioteca Rothermel tenía resultados distintos a la librería realizada por Python esta última era verificada y corregida. El procedimiento fue realizado hasta que los resultados de ambos tenían una diferencia mínima entre ellos de 0,01.

3.3     Utilización del FLAMMAP para estudios de propagación de incendios y probabilidad de quema

Como se especificó anteriormente realizar los modelo de propagación de incendios como tal implicaría el uso de bibliotecas especializadas en el uso de integrales, ya que el modelo normalmente utilizado es el denominado Minimium Travel Time (MTT) por lo tanto se buscaron distintos softwares utilizados en Estados Unidos que hagan estos cálculos, al ver toda la gama de posibilidades se desecharon aquellos que no son geográficos y se pudieron encontrar dos softwares principales el Flammap y el FARSITE, de los cuales se escogió el primero ya que este internamente tiene los mismos algoritmos del FARSITE (M. A. Finney, 1998) (M. Finney, 2014) (M. A. Finney, 2002). Ambos softwares utilizan el MTT como modelo de cálculo de la propagación de incendios a partir del modelo Rothermel. El software ha sido analizado y se realizaron las pruebas con los datos de ejemplificación del mismo software.

Para la realización del presente trabajo, se tomaron en cuenta 3 áreas las cuales fueron escogidas por supervisión del proyecto Fugar, el Área 1 que se encuentra al sur del municipio de Concepción por el de la Comunidad El Carmen y el área 2 y 3 que corresponden a áreas del municipio de San José de Chiquitos ubicadas al sureste del municipio, las 3 áreas pueden ser apreciadas en la Figura 5.

Se aplicó el manual completo del software incluido en el mismo, se llegó a la conclusión junto a los expertos que, para mostrar los resultados, las dos capas más importantes son la capa de probabilidad de quema y las isolíneas de propagación. Se realizó este módulo del FLAMMAP para cada Área escogida. El mapa de combustibles ha sido realizado a partir de un mapa de vegetación, el cual ha sido reclasificado utilizando los 13 modelos originales de Rothermel. (Rothermel, 1972), el mapa de vegetación fue realizado por el Dr Juan Carlos Catari del Proyecto Fugar mismo que ayudó a la realización de este producto, en la Figura 6 se muestran los modelos de combustible finales de las 3 áreas de estudio escogidas por el proyecto Fugar, son 13 modelos, los modelos del 1 al 3 son modelos que se usan para pastizales, luego vienen los modelos 4 al 7 que representan matorrales, los modelos del 8 al 11 representan a los bosques densos y por último los modelos 12 y 13 se los utiliza para restos leñosos, el valor de cero representa los lugares no estudiados o que no son inflamables como ser Áreas Antrópicas y lajas. Se puede apreciar que en San José de Chiquitos hay baja presencia de modelos de combustible de bosque denso, de antemano el área 3 no las presenta, y, el área 2 tiene un área muy pequeña al noreste de bosque Chiquitano, a diferencia del Área 1 que es un área en Concepción el cual presenta un área bastante grande de bosques, al norte. Esto afectará indiscutiblemente al peligro de incendios en estas áreas como se podrá apreciar en los resultados.

Lamentablemente para la realización de los modelos de propagación de incendios de copa se requieren datos de parcela como la altura desde la base de dosel (CBH, por sus siglas en ingles) y la densidad aparente de dosel (CBD, por sus siglas en inglés) datos con los que no se cuentan al menos que se realicen parcelas específicamente para el cometido, la falta de estos datos no impide que se pueda realizar los modelos de propagación de superficie, debido a que no se está modelando los incendios de copa y como consecuencia tampoco se están modelando los modelos de mancha, esto afectará principalmente al mapa de probabilidades de quema.

4     Resultados

Inicialmente se requieren de los modelos de combustible, debido a la falta de datos se decidió tomar los 13 modelos originales de Rothermel, los cuales no son muy recomendados para épocas húmedas, cosa que corrige los modelos de Scott y Burgam. Usando las capas de Uso de suelos generadas en el proyecto Fugar se reclasificó estas en los 13 modelos originales de Rothermel dando como resultados lo presentado en la Figura 6.

4.1     Cálculo de mapas de probabilidad de quema.

Se realizaron los mapas de probabilidad de quema para las 3 diferentes áreas, los 13 modelos originales de Rothermel, según Scott & Burgan en 2005, no son recomendados para modelar incendios en épocas húmedas (Scott & Burgan, 2005) para esto es más recomendable la utilización de los 40 modelos de Scott y Burgan del 2005, que toman en cuenta tanto época seca como época húmeda, por lo tanto se realizó una modelación de agosto, considerando que tanto el combustible vivo, como el combustible muerto está totalmente seco en esas épocas y tomando los datos del SENAMHI Bolivia de Dirección y Velocidad de Viento.

Los índices de probabilidad de quema indican zonas más susceptibles a un incendio forestal, generando puntos de ignición aleatorios en toda la zona y modelando la propagación, así las zonas con mayor probabilidad de quema serán aquellas que en la modelación se quemaron más, los valores de probabilidad de quema son del 0 al 1.

Como se puede observar la zona norte que es predominantemente bosque tiene baja probabilidad de quema siendo el área Sur la de mayor probabilidad de quema e incendio de tipo de superficie. Debido a que no se colocaron los datos para modelar incendios de copa el modelo no los toma en cuenta por lo tanto podría haber una subestimación en el área de bosques al norte de Concepción, además es recomendable tomar toda una cuenca como unidad de área de estudio, esto debido a que en los lados del área escogida podrían haber puntos donde la propagación del fuego es muy alta, los bordes de una cuenca corresponden a puntos de mayor altura y por consiguiente se dificulta que un incendio pase de una cuenca a otra, esto colabora junto al hecho de que no se tienen parcelas para los modelos de propagación de incendios de copa a la subestimación del modelo. De todas formas, las áreas al sur corresponden a pastizales y matorrales las cuales presentan la mayor probabilidad de quema, por lo tanto, el modelo en Concepción no está lejos de la realidad.

Con respecto al área 2, presentó problemas para crear el mapa de probabilidad de fuegos esto se puede deber a que el mapa de vegetación final entregado presentaba alta cantidad de polígonos pequeños alrededor de toda el área o debido a un problema con el raster, el modelo tardó aproximadamente 16 h en generar el raster de probabilidad de quema, por lo que este índice es recomendable para la realización de los mapas de gestión de riesgos ya que debido a la cantidad de procesamiento que se requiere para realizar estos mapas, sería un absurdo realizarlos de forma diaria. Para poder terminar el mapa del área 2 se tuvo que reducir el tiempo de modelación a 3 h al igual que reducir el número de puntos de ignición aleatorio de 5.000 a 1.000 puntos de ignición, según el Senamhi, San José de Chiquitos presenta una velocidad del viento en agosto de 2019 de 13 km h^-1 y su dirección a diferencia de Concepción es hacia el norte.

El área 2 que corresponde a la región de San José de Chiquitos presenta una mayor probabilidad de incendios en las Áreas de Categoría 3 (Modelo de combustible) que representan las áreas del Abayoy, presentes al Este del área de Estudio, cabe destacar que, en este caso, estos lugares presentan alto porcentaje de cobertura vegetal lo que aumenta la probabilidad de incendio, otra cosa muy notoria es el aumento del valor de probabilidad con respecto a Concepción lo que implica que el Riesgo de incendio en esta área es mucho mayor a la que presenta Concepción en el área 1 de estudio, el mapa final de esta área se presenta en la Figura 8.

El área 3 que corresponde también a la región de San José de Chiquitos presenta en su mayoría modelos de tipo matorral por lo tanto el valor de tiempo máximo de simulación debe reducir y con el también el número de Igniciones aleatorias, al igual que ocurrió con el área 2, Esto se debe a que los modelos de matorral son mucho más veloces en propagación por lo tanto la cantidad que debe procesar el software es mucho mayor. En el caso de esta área al igual que el área 2 el Abayoy parece ser el con mayor riesgo de quema, seguido de los Chaparrales esclerófilos cercanos a la zona del Abayoy, pero debido a que la zona 2 contempla mayor área de Abayoy es que el porcentaje de probabilidad de quema reduce considerablemente. Los resultados del área 3 se observan en la Figura 9.

El Flammap también tiene la capacidad de sacar las isolíneas de propagación, para probar esta capacidad se recurrió a los focos de calor ubicados por el satélite NOAA-20 con riesgo alto de incendio y en días donde no se dieron precipitaciones, al igual que con la probabilidad de quema se tomó el mes de agosto de 2019 como fecha de estudio.

En el caso de las isolíneas es importante tener un punto de ignición dentro del área de estudio, por esta razón no se tomaron en cuenta las áreas quemadas, del área 1 en Concepción y del área 3 en San José de Chiquitos, debido a que su punto inicial de ignición en ambos casos estuvo fuera del área de estudio, aquí se vuelve a recomendar que el estudio se lo haga a nivel cuenca donde es más difícil que ocurra una falta de datos. De todas formas, en el modelo 2 se encontraron puntos de ignición, posibles causantes de incendio casi al final del área al sud este de la región por lo tanto tampoco se consiguió un punto totalmente bueno para generar las isolíneas.

Como se puede apreciar en la Isolíneas de propagación Área 2 en rosado se encuentra el área quemada modelada, los puntos NOAA-20 de Focos de calor del 14 de agosto de 2019 están en círculos anaranjados y las líneas representan lo que se denomina isolíneas de propagación de cada 15 minutos, las líneas en blanco representan el área quemada a los 15 minutos de incendio y las más rojas representan pasadas las 2 horas hasta llegar a las 3 horas de modelación. Se agrega que, a pesar de tomar el modelo de combustibles más sencillo, el área real quemada se asemeja mucho al área modelada, se requieren de más pruebas para poder mejorar el modelo de propagación, pero se llegaron a resultados bastante satisfactorios a pesar de que no se tomó en cuenta los modelos propagación de incendios de copa.

En azul se puede notar que el área quemada sale del área de estudio es por eso que las isolíneas de propagación están entrecortadas en el área sureste.

4.2     Estimación del índice de quema para las 3 áreas (BI, por sus siglas en inglés)

El BI es un índice para propagación de incendios de superficie que relaciona un componente de liberación de energía con un componente de propagación del incendio. (Andrews, 2018), el software FLAMMAP como tal no tiene la capacidad de sacar el índice de Quema pero la biblioteca en Python que se generó si tiene esa capacidad.

Para realizar las salidas finales de la biblioteca se utilizó, para la reclasificación del índice de quema, la clasificación de peligro de incendio de los Estados Unidos. Los cuales reclasifican el peligro de fuego de la siguiente forma: (Heinsch et al., 2017)

Con estos datos se pudo sacar las capas de peligro de las 3 áreas en estudio, cabe destacar que este índice es para incendios de superficie y no ha sido adaptada para incendios de copa.

El área 1 uno presente en la Figura 11, se puede observar que el peligro va de bajo a moderado, siendo la zona de mayor peligro la zona sudoeste, cosa que ya se observó en los mapas de probabilidad de quema, siendo la zona noroeste donde se encuentra el bosque la de menor peligro.

El panorama del área 2 es muy diferente al del área 1, al igual que la probabilidad de quema muestra una extrema probabilidad de quema en la parte central esto también concuerda con las isolíneas de propagación y el área quemada del 2019, el resultado final puede mostrarse en la Figura 12.

Por último, el área 3 presentó cierta homogeneidad que se puede deber al hecho de que se usó el modelo de combustibles más simple y no así los de Scott y Burgam, de todas maneras, los resultados son muy similares a los de la probabilidad de quema, que al igual que este último indica un extremo peligro en las áreas del Abayoy y esto se observa en la Figura 13

4.3     Estrategias de control de incendios

Para un correcto control de incendios es necesario seguir los lineamientos de la Gestión Integrada de Riesgos Incendios Forestales. El FlamMap junto a la biblioteca creada en Python son herramientas necesarias para la realización del componente 1 de Simulación de incendios forestales, el cual es un componente que no es tomado en muy cuenta en la Gestión de Incendios Forestales en Bolivia. Un segundo componente se refiere a la obtención de juicio de expertos a través de los cuales se identificarán los Recursos de mayor Valor, con lo cual se podrá medir los efectos que causa el fuego y a partir de él, tener los documentos donde se incluyan Actividades y funciones de respuesta ante el Riesgo de Recursos de alto valor individuales, para que al final se pueda tomar todo como un conjunto en el análisis multicriterio.

El Burn índex a partir del cual se puede Clasificar los peligros de incendio forestal tiene un cambio a través del tiempo muy grande, debido a dos factores del pentágono del fuego que tienen un cambio constante, la humedad de partícula y la Dirección y Velocidad del viento, esto hace que este índice, junto al hecho de que es un índice que requiere de muy poco recurso informático a diferencia de la probabilidad de quema, sea el ideal para informar a la población de la situación actual de peligro de incendios forestales en sus zonas y permite también a las instituciones encargadas de la Gestión de Riesgos de Incendios prepararse ante posibles eventos de incendios en las distintas zonas. La recomendación final sería utilizarla en frecuencia diaria.

La probabilidad de quema tiene una utilidad más a largo plazo a pesar de tener la temporalidad del Burn Index, debido a que le acompañan los mismos factores del pentágono de la simulación de incendio (Figura 1), este requiere de mayor capacidad informática, ya que considera una cantidad relativamente grande de puntos de ignición con la cual se deben hacer simulaciones de propagación de incendios. Por lo cual se lo recomienda para uso exclusivo en la realización del mapa final de Gestión Integrada de Incendios Forestales.

El FlamMap no solo tiene la capacidad de modelar las propagaciones de incendios como tal, también se pueden modelar casos hipotéticos donde se colocan barreras rompefuegos lo que ayuda bastante a predecir los resultados de posibles medidas para la reducción del riesgo de incendios, por lo tanto, es una herramienta que debe ser utilizada antes, durante y después del incendio. (Seli et al., 2019).

Cabe destacar la importancia de tener maquinaria pesada, exclusiva para el control de incendios, esto mejorará la capacidad de reacción de los bomberos forestales ante posibles incendios forestales, además del control del chaqueo mediante planes de chaqueo. Para este último se requieren datos meteorológicos muy acertados y con mayor frecuencia espacial y temporal, actualmente solo se cuentan con estaciones meteorológicas en los respectivos aeropuertos de los municipios de San José de Chiquitos y Concepción, lo que no entrega datos muy reales de toda la zona y, al menos la dirección y velocidad del viento, es vital para el modelamiento y cálculo de los diferentes índices que ayudan a la prevención de incendios. El índice de quema ayudaría mucho al productor a determinar un buen día para el chaqueo con bajo riesgo a causar una catástrofe como la suscitada en agosto de 2019.

Por lo tanto, con lo antes explicado se pueden recomendar las siguientes estrategias para controlar evitar y mitigar los incendios forestales en la Chiquitania:

1. Maquinaria pesada para prevención de incendios y mayor densidad espacial de sistemas de medición meteorológica, tomando en cuenta que la velocidad y dirección del viento es un elemento primordial para las simulaciones de incendio y medición del peligro en las distintas zonas de estudio.

2. Realización de parcelas para mediciones de Alturas de árboles, Alturas de base de dosel y Densidad aparente de dosel, datos que ayudaran a predecir posibles incendios de copa.

4. Actualizar datos de uso de suelo, vegetación y modelos de combustible de manera anual para una correcta Simulación de incendio.

5     Conclusiones y recomendaciones

Se hizo una revisión exhaustiva de los diferentes modelos de propagación de incendios y se pudo observar que estos requieren de una cantidad considerable de datos para que funcionen con una precisión aceptable. Cabe destacar que estas fórmulas presentadas del modelo son para incendios superficiales, se requiere agregar mayor cantidad de datos de campo para incluir en el modelo los incendios de tipo copa.

A pesar de que el cálculo del Índice de Quema pareciera bastante complejo, este es más flexible con respecto a la cantidad de datos a utilizar con respecto a otras metodologías como lo es el Modelo Canadiense, el cual requiere datos meteorológicos horarios, en el índice de quema (modelo norteamericano) este dato es altamente recomendado, pero no impide realizar el cálculo. Siendo ideal para lugares donde los datos meteorológicos son reducidos, como es el caso de Bolivia.

El índice de quema es un índice utilizado para medir el peligro de incendios de superficie y requiere de menos recursos informáticos que el mapa de probabilidad de quema, debido a que este último hace cálculos de integrales con respecto al tiempo, para el índice de quema tuvo que elaborarse una biblioteca de scripts en Python, que complica un poco que pueda usarse a nivel usuario. Se recomienda el cálculo de este índice de forma diaria para que la población esté al tanto del peligro de un incendio forestal y para que las autoridades puedan tomar sus previsiones.

Se recomienda que se hagan los estudios a nivel cuenca, debido a que utilizar áreas pequeñas hace que se pierdan muchos datos importantes y como consecuencia reduce la precisión del modelo y muchas veces hace imposible la realización de módulos como las isolíneas de propagación. Como en el caso del área 3 y área 1 donde teníamos incendios donde sus puntos de ignición salían del área de Estudio por lo tanto se hizo imposible realizarlos.

Agradecimientos

Referencias Bibliográficas

[1] Albini, F. A. (1976). Estimating wildfire behavior and effects. In USDA For. Serv. (Vol. 4235, Issue 789273912). www.fs.fed.us/rm/publications

[2] An Analysis of Amazonian Forest Fires | by Matthew Stewart, PhD Researcher | Towards Data Science. (n.d.).

[3] Anderson, H. E. (1982). Aids to determining fuel models for estimating fire behavior. US Department of Agriculture, Forest Service, General Technical Report, INT-22.         [ Links ]

[4] Andrews, P. L. (2012). Modeling wind adjustment factor and midflame wind speed for Rothermel’s surface fire spread model. USDA Forest Service - General Technical Report RMRS-GTR, 266, 1–39. https://doi.org/10.2737/RMRS-GTR-266

[5] Andrews, P. L. (2018). The Rothermel Surface Fire Spread Model and Associated Developments: A Comprehensive Explanation. In Gen. Tech. Rep. RMRS-GTR-371. Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station. 121 p. (Vol. 371).

[6] Burgan, R. E. (1987). Concepts and interpreted examples in advanced fuel modeling. General Technical Report - US Department of Agriculture, Forest Service, INT-238. https://doi.org/10.2737/INT-GTR-238         [ Links ]

[7] CEDIB. (2019). Detrás de los incendios: Lecciones por aprender | CEDIB. https://cedib.org/publicaciones/detras-de-los-incendios-lecciones-por-aprender/        [ Links ]

[8] Cohen John E Deeming, J. D., Lansing, E., --Von Johnson, M. J., Main, W. A., Johnson, C. A., & Cohen, J. D. (1985). The National Fire-Danger Forest Service Pacific Southwest Rating System: Forest and Range Experiment Station General Technical basic equations Acknowledgments: Publisher: Pacific Southwest Forest and Range Experiment Station The National Fire-Danger Ratin.

[9] FAN & WCS. (2021). INCENDIOS FORESTALES EN BOLIVIA 2020: ANÁLISIS DE IMPACTOS DE LOS INCENDIOS FORESTALES SOBRE LOS VALORES DE CONSERVACIÓN EN BOLIVIA. www.fan-bo.org        [ Links ]

[10] Finney, M. (2014). Fire, Fuel, and Smoke Science Program. Fire Lab. https://www.firelab.org/project/flammap        [ Links ]

[11] Finney, M. A. (1998). FARSITE: Fire Area Simulator - Model Development and Evaluation. USDA Forest Service - Research Papers RMRS, RMRS-RP-4, 1–36. https://doi.org/10.2737/RMRS-RP-4

[12] Finney, M. A. (2002). Fire growth using minimum travel time methods. Canadian Journal of Forest Research, 32(8), 1420–1424. https://doi.org/10.1139/x02-068

[13] Heinsch, F. A., Andrews, P. L., & Tirmenstein, D. (2017). How to Generate and Interpret Fire Characteristics Charts for the U.S. Fire Danger Rating System. August. http://firelab.org/project/firefamilyplus.        [ Links ]

[14] Jarvis, A., H.I. Reuter, A. Nelson, E. G. (2008). SRTM Digital Elevation Data Version 4 | Earth Engine Data Catalog. https://developers.google.com/earth-engine/datasets/catalog/CGIAR_SRTM90_V4

[15] John D. Hunter. (2003). Matplotlib: Python plotting. Matplotlib. https://matplotlib.org/

[16] NumPy.org. (2020). Overview — NumPy v1.19 Manual. https://numpy.org/doc/stable/

[17] Python. (2020). Tutorial de Python: documentación de Python 3.8.5. Docs.Python. https://docs.python.org/es/3/tutorial/index.html        [ Links ]

[18] Roads, J., Fujioka B, F., Chen, S., & Burgan, R. (2005). Seasonal fire danger forecasts for the USA. International Journal of Wildland Fire, 14, 1–18. https://doi.org/10.1071/WF03052

[19] Rodríguez Montellano, A. (2012). Cartografía multitemporal de quemas e incendios forestales en Bolivia: Detección y validación post-incendio. Ecología En Bolivia, 47(1), 53–71. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1605-25282012000100004

[20] Rothermel, R. C. (1972). A mathematical model for predicting fire spread in wildland fuels. In Res. Pap. INT-115. Ogden, UT: U.S. Department of Agriculture, Intermountain Forest and Range Experiment Station. 40 p. (Vol. 115). https://books.google.pt/books?id=AfyMv5NBSjoC

[21] Scott, J. H. (2012). Introduction to Wildfire Behavior Modeling. National Interagency Fuels, Fire & Vegetation Technology Transfer. http://pyrologix.com/wp-content/uploads/2014/04/Scott_20121.pdf        [ Links ]

[22] Scott, J. H., & Burgan, R. E. (2005). Standard fire behavior fuel models: A comprehensive set for use with Rothermel’s surface fire spread model. USDA Forest Service - General Technical Report RMRS-GTR, 153 RMRS-GTR, 1–76. https://doi.org/10.2737/RMRS-GTR-153

[23] Scott, J. H., Thompson, M. P., & Calkin, D. E. (2013). A wildfire risk assessment framework for land and resource management. USDA Forest Service - General Technical Report RMRS-GTR, 315(315 RMRS-GTR). https://doi.org/10.2737/rmrs-gtr-315        [ Links ]

[24] Seli, R. ., Brittain, S., & McHugh, C. . (2019). FlamMap Online Help (Version 6.0). http://flammaphelp.s3-website-us-west-2.amazonaws.com/        [ Links ]

[25] Sexton, J. O., Song, X. P., Feng, M., Noojipady, P., Anand, A., Huang, C., Kim, D. H., Collins, K. M., Channan, S., DiMiceli, C., & Townshend, J. R. (2013). Global, 30-m resolution continuous fields of tree cover: Landsat-based rescaling of MODIS vegetation continuous fields with lidar-based estimates of error. International Journal of Digital Earth, 6(5), 427–448. https://doi.org/10.1080/17538947.2013.786146

[26] Townshend, J. (2016). Global Forest Cover Change (GFCC) Tree Cover Multi-Year Global 30 m V003. NASA EOSDIS Land Processes DAAC. https://developers.google.com/earth-engine/datasets/catalog/NASA_MEASURES_GFCC_TC_v3        [ Links ]

[27] USDA. (2012). Rocky Mountain Research Station USDA Forest Service. Biologist, 1–3. https://www.fs.usda.gov/rmrs/

[28] USDA. (2020). Treesearch - scientific articles written or published by the U.S. Forest Service. https://www.fs.usda.gov/treesearch/        [ Links ]

[29] Vacchiano, G., & Davide, A. (2014). Rothermel: Rothermel fire spread model for R. https://github.com/cran/Rothermel        [ Links ]

[30] Warmerdam, F., & Rouault, E. (1998). GDAL — GDAL documentation. https://gdal.org/

[31] Wildfires and Climate Change | Center for Climate and Energy Solutions. (n.d.).