Desarrollo y validación de una herramienta de cálculo de severidad potencial (Severidad-VIS4FireApp) en grandes incendios forestales de la Comunitat Valenciana (España)

Resumen

La severidad de los incendios forestales, se considera como el elemento que mayores grados de afección puede provocar a un sistema forestal. Además, el cambio climático, la falta de gestión de los montes, el cambio de uso en las tierras de cultivo y el aumento de la población, se está traduciendo en un incremento en el régimen natural del número de incendios, así como en la extensión y severidad de estos. En la Comunitat Valenciana se agrava esta situación, ya que domina el clima mediterráneo, el cual se caracteriza por presentar temperaturas altas y largos periodos de sequía. Por lo tanto, poder determinar el grado de severidad que presenta dicho territorio antes de que suceda la perturbación,
permitiría ayudar a establecer zonas prioritarias de gestión, encaminadas a reducir el grado de afección, además de aumentar los puntos de oportunidad para los medios de extinción. En este contexto, el principal objetivo del presente estudio es desarrollar una herramienta fiable que permita modelizar el cálculo de la severidad potencial que tiene asociada un territorio (llamada SeverityApp), y validarla en el territorio de la Comunitat Valenciana, empleando técnicas de teledetección. Para ello, se ha elaborado toda la cartografía correspondiente a las entradas que necesita el modelo de cálculo, así como el índice
de severidad dNBR de 10 incendios ocurridos en el territorio, mediante el uso de imágenes Landsat 8.
Con el valor de la predicción para cada incendio, y el valor de la severidad dNBR, se ha realizado una validación mediante comparación directa, que ha permitido determinar que la herramienta es capaz de predecir de forma correcta el 27,45% la severidad de un incendio en la Comunitat Valenciana, por el momento. Además, tiende a subestimar las predicciones, siendo las clases de severidad más extremas
las que peor porcentaje de acierto presentan. Este análisis se apoyó con el estadístico Kappa, el cual ha puesto de manifiesto que las relaciones de concordancia son leves o incluso nulas, por lo que se han planteado correcciones para mejorar el aprendizaje de la herramienta.