UNIVERSIDAD NACIONAL AMAZÓNICA DE MADRE

DE DIOS
FACULTAD DE INGENIERÍA
CARRERA PROFESIONAL DE INGENIERÍA FORESTAL Y
MEDIO AMBIENTE

TESIS

“EVALUACIÓN DE LA SUPERFICIE DEFORESTADA POR EFECTO DE

LOS INCENDIOS FORESTALES DURANTE EL PERIODO 2011 – 2016 EN
EL DISTRITO LAS PIEDRAS – TAMBOPATA - MADRE DE DIOS”

Tesis presentado por:

Bachiller: FERNÁNDEZ MENIS,

Ronny

Para optar el título profesional de:

Ingeniero Forestal y Medio
Ambiente

Asesor: Dr. Gabriel Alarcón Aguirre

Madre de Dios, PERÚ

2018
UNIVERSIDAD NACIONAL AMAZÓNICA DE MADRE
DE DIOS
FACULTAD DE INGENIERÍA
CARRERA PROFESIONAL DE INGENIERÍA FORESTAL Y
MEDIO AMBIENTE

TESIS

“EVALUACIÓN DE LA SUPERFICIE DEFORESTADA POR EFECTO DE

LOS INCENDIOS FORESTALES DURANTE EL PERIODO 2011 – 2016
EN EL DISTRITO LAS PIEDRAS – TAMBOPATA - MADRE DE DIOS”

Tesis presentada por:

Bachiller: FERNÁNDEZ MENIS,

Ronny

Para optar el título profesional de:

Ingeniero Forestal y Medio
Ambiente

Asesor: Dr. Gabriel Alarcón Aguirre

Madre de Dios, PERÚ

2018
 DEDICATORIA

La presente Tesis esta dedicada a ti, mi señor Dios Padre,

por estar siempre conmigo, guiando mi camino con sabiduría
y seguridad, darme fuerzas para superar los retos y
problemas que se presentan en mi camino.

A mis Padres, Vicente Fernández Ortiz y Rosalia Menis de

Fernández, por ser ejemplo de lucha constante ante
cualquier obstáculo en la vida, a quien les debo toda mi vida,
por haberme formado con buenos valores.

A mis hijos Xamira, Adriel, Miguel y Zese, ellos son la fuente

de energía que me dan para seguir adelante y alegría en mi
vida.

A mi esposa Danitza Yolanda, por tu tiempo y comprensión,

preferistes sacrificar tu tiempo para que yo pudiera cumplir
con el mio, gracias por estar siempre a mi lado.

A mis hermanas por su apoyo y buenos consejos, a mi tia

Acencia Escalante, por su incansable dedicación cuando
estudiaba en la escuela y colegio.

i
 AGRADECIMIENTOS

Gracias a Dios, que fue mi apoyo a seguir adelante en cada día para
continuar en mi vida profesional.

Gracias a mi Universidad, por haberme permitido formarme profesional en

ella, gracias a todos los docentes que fueron parte de mi formación
academica y profesional.

Gracias a la Dra. Andrea Chavez Michaelsen por darme la oportunidad de

crecer en mi carrera profesional, por sus sabios consejos y valores que
fueron esencial en mi formación como profesional.

Gracias a todos mis compañeros que formaron parte en mi carrera

profesional.

ii
 PRESENTACIÓN

El trabajo de investigación fue desarrollado como parte de la formación

académica y de investigación como requisito para obtener el título
profesional de Ingeniero Forestal y Medio Ambiente, así como el aporte en la
evaluación de la superficie deforestada por efecto de los incendios forestales
durante el periodo 2011 – 2016 en el distrito Las Piedras – Tambopata -
Madre de Dios. La investigación cuantifica las superficies deforestadas por
medio de cicatrices de quemas por incendios e identifica el comportamiento
dinámico espacial a través de la teledetección para construir la serie de
anomalías térmicas o focos de calor, para ello se utilizó el sensor MODIS
(moderate resolution imaging spectroradiometer) para los tres periodos
(2011, 2013, y 2016). La validación se realizó aplicando el cociente
normalizado de quemas (NBR) en imágenes LANDSAT (2011 Y 2013) y
Sentinel 2A (2016).

La información obtenida servirá de base a los tres niveles de gobierno para

orientar mejor los procesos de planificación del territorio, y por consiguiente
brindar información lo más cercana posible de la dinámica de la perdida de
bosques y cambios de cobertura del suelo por incendios forestales.

iii
 ÍNDICE GENERAL

Pág.

DEDICATORIA ............................................................................................. i
AGRADECIMIENTOS ................................................................................. ii
PRESENTACIÓN ....................................................................................... iii
RESUMEN ................................................................................................. xi
ABSTRACT ............................................................................................... xii
INTRODUCCIÓN ....................................................................................... 1

CAPÍTULO I: PROBLEMA DE INVESTIGACIÓN

1.1 Descripción del problema ....................................................................... 3
1.2 Formulación del problema ...................................................................... 5
1.2.1 General .............................................................................................. 5
1.2.2 Específicos ......................................................................................... 5
1.3 Objetivos del estudio .............................................................................. 6
1.3.1 Objetivo general ................................................................................. 6
1.3.2 Objetivos específicos ......................................................................... 6
1.4 Variables ............................................................................................. 7
1.5 Operacionalizacion de variables ............................................................. 7
1.6 Hipótesis ................................................................................................. 8
1.7 Justificacion ............................................................................................ 9
1.8 Consideraciones éticas ......................................................................... 10

CAPÍTULO II. MARCO TEÓRICO………………………………………………12

2.1 Antecedentes de estudio ...................................................................... 12
2.1.1 Alcance internacional .......................................................................... 12
2.1.2 Alcance nacional ................................................................................. 18
2.1.3 Alcance local ....................................................................................... 19
2.2 Bases teoricas ...................................................................................... 20
Incendios forestales .......................................................................... 20
Cómo se inicia un incendio forestal o silvestre .................................. 20
El comportamiento del incendio ........................................................ 21

iv
 Causas .............................................................................................. 22
Focos de calor ................................................................................... 22
2.2.3 Deforestación ...................................................................................... 22
2.2.4 Bosque ................................................................................................ 23
2.2.5 Principios y Fundamentos de Teledetección....................................... 23
2.2.6 Espectro Electromagnético ................................................................. 24
2.2.7 Aplicaciones de la imagen satelital ..................................................... 25
2.2.8 Beneficios de la utilización de observaciones remotas ....................... 26
2.2.9 Tratamiento Digital de Imágenes Satelitales Multitemporales............. 27
Corrección Geométrica ..................................................................... 28
Rectificación imagen a imagen.......................................................... 28
Rectificación imagen a mapa ............................................................ 28
Calibración Radiométrica .................................................................. 29
Calibración absoluta .......................................................................... 29
Calibración relativa ............................................................................ 29
Mejoramiento Espectral ..................................................................... 30
Clasificación Digital ........................................................................... 31
Técnicas de Post-clasificación .......................................................... 33
2.2.10 Programa Landsat ............................................................................ 33
2.2.11 SENTINEL ........................................................................................ 35
2.2.12 Satélite MODIS ................................................................................. 36

CAPÍTULO III: METODOLOGÍA DE INVESTIGACIÓN……………………...38

3.1 Tipo de estudio ..................................................................................... 38
3.2 Diseño de investigación ........................................................................ 38
3.3 Población .............................................................................................. 38
3.4 Muestra ................................................................................................. 38
3.4 Método y técnicas ................................................................................. 41
3.4.1 Lugar de estudio ............................................................................... 41
3.4.2 Clima e Hidrografía ........................................................................... 41
3.4.3 Método .............................................................................................. 42
3.4.4 Técnicas de recopilación de datos .................................................... 44

v
3.4.5 Análisis de focos de calor y clasificación supervisada de la imagen
satelital .............................................................................................. 48
Analisis de focos de calor ................................................................. 48
Clasificación supervisada de la imagen satelital ............................... 49
3.5 Tratamientos de datos .......................................................................... 50
3.5.1 Análisis estadístico ............................................................................. 52

CAPÍTULO IV: RESULTADOS DEL TRABAJO DE INVESTIGACIÓN……53

4.1 Caracterización espacio temporal de los focos de calor ....................... 53
4.2 Superficie y dinámica-espacial de la deforestación a causa de los
incendios forestales ..................................................................................... 57
4.2.1 Evaluación de precisión de clasificación ........................................... 62
4.3 Nivel de acierto y correlacion de la superficie deforestada a causa de
incendios forestales y focos de calor ........................................................... 63

CONCLUSIONES…………………………………………………………………68
SUGERENCIAS…………………………………………………………………...70
BIBLIOGRAFÍA CONSULTADA…………………………………………………71
ANEXOS…………………………………………………………………………...83

vi
 ÍNDICE DE TABLAS

Pág.

Tabla 1. Variables e indicadores del estudio ................................................. 7

Tabla 2. Información de adquisición de imágenes landsat .......................... 42
Tabla 3. Información de adquisición de imagen sentinel 2A ........................ 43
Tabla 4. Características de la imagen de satélite landsat 5 TM ................... 45
Tabla 5. Caracteristicas de la imagen de satélite landsat 8 OLI ................ 436
Tabla 6. Características de las imágenes sentinel 2A ................................. 47
Tabla 7. Valoración del Coeficiente Kappa .................................................. 51
Tabla 8. Precisión de resultados, imagen del año 2016 .............................. 63

vii
 ÍNDICE DE FIGURAS

Pág.

Figura 1. Ubicación del área de estudio, distrito Las Piedras – provincia

Tambopata – Madre de Dios. ............................................................... 39
Figura 2. Distribución de muestras para validar cicatrices de quemas, las
Piedras, Tambopata – Madre de Dios. ................................................. 40
Figura 3. Validación de cicatruces o áreas quemadas con imágenes
PlanetScope de 3 m. (izquierda), y Wordlview (derecha) de 0.38 m. de
resolución espacial. .............................................................................. 40
Figura 4. Imagen de satélite Landsat 5 TM, composición de banda 5-4-3
(2011-07-09, 002-068, 002-069, 003-068). ........................................... 45
Figura 5. Imagen de satélite landsat 8 OLI, composición de banda 6-5-4
(2013-07-9, 002-068, 002-069, 003-068). ............................................. 46
Figura 6. Imagen de satélite Sentinel 2A, composición de banda swir 1, near
infrared y red (2016-08-09-11). ............................................................. 47
Figura 7. Análisis multi-tempotal de focos de calor en Madre de Dios......... 53
Figura 8. Autocorrelación espacial de focos de color del año 2011. ............ 55
Figura 9. Autocorrelación espacial de focos de color del año 2013. ............ 56
Figura 10. Autocorrelación espacial de focos de color del año 2016. .......... 56
Figura 11. NBR y áreas quemadas de imágenes captadas de imágenes del
satélite Landsat 5 TM, año 2011........................................................... 58
Figura 12. NBR y áreas quemadas de imágenes captadas de imágenes del
satélite Landsat 8 OLI, año 2013. ......................................................... 59
Figura 13. NBR y áreas quemadas de imágenes captadas de imágenes del
satélite Sentinel 2A, año 2016. ............................................................. 60
Figura 14. Dinámica de cambios de superficie de área quemadas en el
distrito de Las Piedras, años 2011, 2013 y 2016. ................................. 61
Figura 15. Total de focos de calor analizados en la determinación de
cicatrices o áreas quemadas; aciertos y no válidos. ............................. 64
Figura 16. Correlación espacial del área deforestada por incendios y de
focos de color del año 2011. ................................................................. 65

viii
Figura 17. Correlación espacial del área deforestada por incendios y de
focos de color del año 2013. ................................................................. 66
Figura 18. Correlación espacial del área deforestada por incendios y de
focos de color del año 2016. ................................................................. 66

ix
 ÍNDICE DE ANEXOS

Pág.

Anexo 1. Puntos de muestreo temados en campo en el distrito de Las

Piedras, Tambopata – Madre de Dios. ................................................. 84
Anexo 2. Panel fotografico. .......................................................................... 90

x
 RESUMEN

El presente estudio muestra la superficie deforestada por efecto de los

incendios forestales durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios. Las líneas aéreas afectadas se localizaron
mediante los focos de calor del satélite MODIS e imágenes de satélites de
teledetección. Sensor de satélite Landsat 5 TM (Thematic Mapper) y 8 OLI
(Operational Land Imager), para los años 2011 y 2013, con resolución de
30 m. Para el año 2016 se utilizó imágenes del satélite Sentinel 2, con
resolución de 20 m. El reporte de los focos de calor, muestran una tendencia
creciente, por lo que se puede presumir el incremento de las prácticas de
roza y quema en las actividades agropecuarias. En cuanto a distribución
espacial, presenta una distribución aleatorizada.

La cuantificación de áreas desforestadas por incendios se realizó utilizando

el cociente normalizado de quema (NBR) adecuada a las imágenes Landsat
y Sentinel, lo que permitió clasificar las cicatrices o áreas quemadas. La
precisión de clasificación se validó con puntos de muestreo de campo e
imágenes de alta resolución PlanetScope y WorldView a través de una
tabulación cruzada. Los resultados fueron correctos, y reportan un 85,57%
de precisión global y un coeficiente Kappa de 0,8101. El área afectada por
los incendios en bosque primario, bosque secundario y pastizales en los
años 2011, 2013, y 2016 fueron 2 535, 91 ha, 1 720,80 ha, y 7 081,74 ha
respectivamente. A nivel de precisión, los focos de calor se tradujeron en
cicatrices o áreas quemadas, reporta en el 2016, 66,74% de aciertos
respecto a los años 2011 (36,50%) y 2013 (16,54%). Finalmente, el área
deforestada a causa de los incendios forestales a partir de focos de calor
determina una correlación positiva de considerable a muy fuerte,
presentando un mejor comportamiento en el año 2016.

Palabras clave: Focos de calor, cicatriz de quema, deforestación, incendios

forestales, cociente normalizado de quema.

xi
 ABSTRACT

The present study shows the area deforested by time in the 2011-2016
period in the Las Piedras-Tambopata-Madre de Dios district. The overhead
lines were located using the MODIS satellite heat sources and remote
sensing satellite images. Satellite sensor Landsat 5 TM (thematic Mapper)
and 8 OLI (Operational Land Imager), for the years 2011 and 2013, with a
resolution of 30 m. Stop the year 2016 images of the Sentinel 2 satellite, with
a resolution of 20 m. The report of heat sources, which shows a growing
current, so it can be presumed the increase in slash and burn practices in
agricultural activities. In terms of spatial distribution, it presents a randomized
distribution. The quantification of areas deforested by fires was carried out
using the normalized burn ratio (NBR) adequate to the Landsat and Sentinel
images, which allowed scars or burned areas to be classified. The
classification accuracy was validated with field sampling points and high-
resolution images PlanetScope and WorldView through a cross tabulation.
The results were correct, and they report 85,57% overall accuracy and a
Kapp coefficient of 0.8101. The area affected by the fires in primary forest,
secondary forest and pastures in the years 2011, 2013, and 2016 were 2
535. 91 ha, 1 720.80 ha, and 7 081.74 ha respectively. In terms of precision,
the heat sources were translated into scars or burned areas, reports in 2016,
66,74% of correct answers with respect to the years 2011 (36,50%) and 2013
(16,54%). Finally, the area deforested with forest fires starting from heat
sources determines a positive correlation from considerable to very strong,
presenting a better behavior in 2016.

Key words: Heat sources, burning scar, deforestation, forest fires,

normalized burning ratio.

xii
 INTRODUCCIÓN

El fuego es parte esencial de la dinámica de numerosos ecosistemas

forestales. Su uso data de miles de años como medio de manejo de la tierra.
Asimismo, es un elemento determinante en la modificación y salud de
comunidades vegetales y determinados ecosistemas. Sin embargo, a fines
del siglo XX, esta dinámica se ha visto relacionada con la actividad humana,
y por consiguiente un motor de conversión de bosques y áreas con
vegetación a otros usos, así como desequilibrios ecológicos que aceleran el
cambio climático global (Ávila et al. 2014; de Dios et al. 2018).

En el Perú, la profusión de incendios para la apertura de campos de cultivo

es alarmante, y presenta un escenario tendencial creciente. No podemos
negar, que las quemas son parte de la cultura de los agricultores, por lo que
siempre se han dado, sean estas áreas posesionadas o tituladas. Sin
embargo, el problema radica en lo rutinario del procedimiento y la falta de
seguridad, que muchas veces desencadena arrasando extensas áreas de
bosque y/o vegetación existente (Gavilán y Catalina 2018; Quintana et al.
2018).

En Madre de Dios, esta realidad se concentra a lo largo de la vía

interoceánica, con mayor intensidad en los distritos de Las Piedras,
Tahuamanu, Iberia e Iñapari. En los últimos años, incrementada
considerablemente por la fiebre del cultivo de la papaya (Manta y León
2004).

El uso de focos de calor es una herramienta que permite ubicar la presencia

de fuego casi en tiempo real. Su uso gana interés, debido a que la mayor
tasa de deforestación es producto de la apertura de bosques a causa de
ganadería y agricultura, siendo la quema uno de los principales motores
(Barcia et al. 2018).

1
La implementación de Alertas Tempranas de deforestación a través del
monitoreo de tecnologías de teledetección es una herramienta valiosa en la
evaluación de los incendios forestales y, por consiguiente, el cartografiado y
cuantificación de las áreas quemadas. La disponibilidad de imágenes de
mediana a alta resolución hace posible cada vez más, una mayor precisión
en los resultados. En este contexto, el gobierno, a través del satélite Perú
SAT, entra en la vanguardia en el monitoreo de fenómenos ambientales y
antrópicos, en nuestro caso; áreas quemadas por incendios (Valencia y
González 2017).

La investigación cuantifica las superficies deforestadas por medio de

cicatrices de quemas por incendios e identifica el comportamiento dinámico
espacial a través de la teledetección para construir la serie de anomalías
térmicas o focos de calor, para ello se utilizó el sensor MODIS (moderate
resolution imaging spectroradiometer) en los años 2011, 2013, y 2016. Para
la cuantificación se aplicó el cociente normalizado de quemas (NBR) en
imágenes Landsat (2011 y 2013) y Sentinel 2A (2016).

2
 CAPÍTULO I: PROBLEMA DE INVESTIGACIÓN

1.1 Descripción del problema

El fuego ha sido utilizado por el hombre desde la prehistoria hasta en la

actualidad para la agricultura y otros usos en todo el mundo. Se emplea para
liberar terreno que destina a la agricultura, eliminar malas hierbas, fertilizar el
suelo con las cenizas, ahuyentar especies animales, proporcionar pastos
para la ganadería. Los incendios forestales tropicales son uno de los
problemas ambientales más importantes del siglo 21. La Amazonia, el
bosque tropical más grande, enfrenta un aumento en la frecuencia de los
incendios durante la última década a consecuencia de la variabilidad del
clima, las prolongadas temporadas de sequía (1998, 2005 y 2010) y las
actividades humanas (Aragão y Shimabukuro 2010). Los incendios naturales
por un lado y las quemas accidentales aún son extremadamente raros, y en
la mayoría de los casos, estos incendios son de carácter intencional
(Cochrane et al. 1999; Uhl y Kauffman 1990). Estos incendios intencionales
pueden sobrepasarse a los bosques primarios o en estado natural
circundante y es probable que tengan una contribución significante en las
emisiones globales de carbono del cambio de uso de la tierra.

Existe una relación directa entre el aumento de los incendios y un aumento

en la frecuencia de las sequias en la Amazonia. Según estudios científicos
se prevé un aumento en la frecuencia de las sequías en la selva del
Amazonas para el siglo 21, el cual, junto a la deforestación y los incendios
forestales podrían exacerbar al medio ambiente y a los medios de vida de
los pobladores de la región (Orellana 2012). En la Amazonía y en el Perú, el
fuego se usa ampliamente en la conversión inicial de extensas áreas de
vegetación natural en campos de cultivo y zonas de pastos, y para el
posterior mantenimiento de las áreas deforestadas (Cochrane y Laurance
2002; Giglio et al. 2006; Kodandapani et al. 2004). El fuego está altamente

3
asociado con las prácticas de gestión de la tierra dentro de un conjunto
específico de actividades de uso de la tierra (Nepstad et al. 2006). Estas
actividades de roce y quema son los resultados directos de factores
socioeconómicos en donde los comuneros transforman el bosque a pastura
o regeneran áreas pastizales o de cultivos utilizando el fuego. Los pequeños
agricultores dejan áreas en regeneración entre menos de cinco hasta 50
años en la agricultura de rotación. Muchas veces tienden a transformarse de
pequeña agricultura, agricultura perene, mecanizada, diversificada y pasto
para ganado (Mendoza et al. 2007). Es así que el proceso de deforestación
está casi siempre acompañado por el fuego intencionado. Pero aparte de los
fuegos intencionales, muchas grandes áreas de bosques han sido
quemadas sin intención y como consecuencia de las prácticas de usos de la
tierra (por ejemplo una fuga de fuego) y eventos climáticos (Cochrane 2003).

La dinámica de fuego es más común en la Amazonia del este y sur en

relación a Informes anteriores indican que los bosques amazónicos
occidentales eran demasiado húmedos para ser susceptibles a los incendios
forestales de gran escala como ocurridos en el 2005 y el 2010, además
durante épocas de sequía, los densos bosques húmedos se hacen más
susceptibles a los incendios forestales en comparación a los bosques más
abiertos que durante años sin sequía.

Por otro lado, la construcción de la carretera interoceánica abre un corredor

de acceso a la selva peruana, bosques tropicales especialmente conectando
el Departamento de Madre de Dios con los principales mercados nacionales
e internacionales. Esta carretera al mismo tiempo de traer beneficios para
las poblaciones también generará impactos negativos indirectos,
principalmente relacionados con el uso inadecuado de los recursos naturales
por el incremento de actividades poco amigables con el medio ambiente
(minería informal, agricultura migratoria y de monocultivo, ganadería, entre
otras). El desarrollo de actividades agropecuarias es mayor en las márgenes
de la vía interoceánica, pero también aumenta enormemente los riesgos de
fuegos intencionales en el bosque natural. Los riesgos de sequías severas
se asocian a la vez con un aumento de la población, al borde del eje de la

4
carretera interoceánica, una creciente zona deforestada, y una gran parte de
pastizales muy inflamable en la estación seca. Sumada la escasez de agua,
todos estos factores incrementan la vulnerabilidad a los incendios. Solo una
política pública innovadora puede hacer frente a los aspectos de
vulnerabilidad y el control de fuego para ofrecer alternativas para la
agricultura y el pastoreo. En el Distrito las Piedras en los últimos años se ha
venido incrementándose la agricultura mecanizada en los cultivos de
papayas híbridos, haciendo que esta actividad ocasione invasiones de
concesiones castañeras, predios agrícolas y áreas privadas por gente
foránea migrantes de la selva central, realizando la tala de bosques
primarios y secundarios para luego ser quemados y destoconados para el
cultivo de la papaya hibrida. Frente a este hecho la probabilidad de
ocurrencia de incendios en el espacio y el tiempo puede ser estimada
mediante técnicas de teledetección, ya que posibilitan el análisis del material
combustible y la determinación del nivel de riesgo de incendio por medio de
imágenes para determinar el comportamiento dinámico- espacial de la
superficie deforestada a partir de cicatrices de quemas durante el periodo
2011-2016.

1.2 Formulación del problema

1.2.1 General

¿Cuánto fue la superficie deforestada por efecto de los incendios forestales

durante el periodo 2011-2016 en el distrito Las Piedras-Tambopata-Madre
de Dios?

1.2.2 Específicos

 ¿Cuál fue el comportamiento espacio temporal de los focos de calor

(incendios) durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios?
 ¿Cuánto será la superficie deforestada a causa de los incendios
forestales durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios?

5
  ¿Cuál fue el comportamiento dinámico espacial de la superficie
deforestada a causa de los incendios forestales a partir de focos de
calor durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios?
 ¿Cuál es la correlación existente entre superficie deforestada a acusa
de los incendios forestales a partir de focos durante el periodo 2011-
2016 en el distrito Las Piedras-Tambopata-Madre de Dios?

1.3 Objetivos del estudio

1.3.1 Objetivo general

Evaluar la superficie deforestada por efecto de los incendios forestales

durante el periodo 2011-2016 en el distrito Las Piedras-Tambopata-Madre
de Dios.

1.3.2 Objetivos específicos

 Determinar la caracterización espacio temporal de los focos de calor

(incendios) durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios.
 Cuantificar la superficie deforestada a causa de los incendios
forestales durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios.
 Determinar el comportamiento dinámico-espacial de la superficie
deforestada a causa de los incendios forestales a partir de focos de
calor durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios.
 Evaluar la correlación de la superficie deforestada a acusa de los
incendios forestales a partir de focos de calor durante el periodo
2011-2016 en el distrito Las Piedras-Tambopata-Madre de Dios.

6
 1.4 Variables

 Variables independientes: Comportamiento del objeto en función de

la unidad mínima de la imagen (píxel).
 Variables dependientes: Cicatrices de quemas en los periodos 2011,
2013 y 2016.

1.5 Operacionalización de variables

Tabla 1. En la tabla 1 se muestra la operacionalización de variables

Tema Objetivos Variables Indicadores

 Determinar la
caracterización
Comportamiento
espacio temporal
espacio temporal Análisis
de los focos de
de los focos de multitemporal de
calor (incendios)
calor (incendios) focos de calor
durante el periodo
Superficie durante el durante el periodo
2011-2016 en el
deforestada por periodo 2011- 2011-2016.
distrito Las Piedras-
efecto de los 2016.
Tambopata-Madre
incendios forestales
de Dios.
durante el periodo
 Cuantificar la
2011-2016 en el
superficie
distrito Las Piedras- Cuantificación de
deforestada a Mapa de la
Tambopata-Madre la superficie
causa de los superficie
de Dios. deforestada por
incendios deforestadas por
incendios
forestales durante incendios
forestales
el periodo 2011- forestales durante
durante el
2016 en el distrito los periodos 2011,
periodo 2011-
Las Piedras- 2013 y 2016.
2016.
Tambopata-Madre
de Dios.

7
  Determinar el
comportamiento Serie temporal de
dinámico-espacial Comportamiento focos de calor
de la superficie dinámico- (incendios) durante
deforestada a espacial de la los periodos 2011,
causa de los deforestación a 2013 y 2016.
incendios causa de los
forestales a partir incendios
de focos de calor forestales a partir Superficie
durante el periodo de focos de calor deforestada a
2011-2016 en el durante el causa de incendios
distrito Las periodo 2011- forestales durante
Piedras- 2016. los periodos 2011,
Tambopata-Madre 2013 y 2016.
de Dios.
 Evaluar la
correlación de la
superficie Correlación entre
deforestada a superficie
Nivel de correlación
acusa de los deforestada a
entre la superficie
incendios forestales acusa de los
deforestada a acusa
a partir de focos de incendios
de los incendios
calor durante el forestales a partir
forestales a partir de
periodo 2011-2016 de focos de calor
focos de calor durante
en el distrito Las durante el
el periodo 2011-2016.
Piedras- periodo 2011-
Tambopata-Madre 2016.
de Dios.

1.6 Hipótesis

 Hipótesis nula (H0): La superficie deforestada a causa de los

incendios forestales no presenta una alta correlación con los focos de
calor durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios.

8
  Hipótesis alterna (Ha): La superficie deforestada a causa de los
incendios forestales presenta una alta correlación con los focos de
calor durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios.

1.7 Justificación

Los Impactos desfavorables que generan los incendios forestales en el

ámbito económico, social y ambiental tanto a nivel local, regional, nacional y
mundial son invaluables, lo cual ha generado costos adicionales para su
reposición; de igual manera se ve afectada la regeneración natural
(concesiones forestales) y los productos no maderables del bosque
(concesiones de castaña, concesiones de shiringa, aguajales, etc.), y
también en la parte del sector privado en rubros dedicados al turismo,
empresas dedicados a la reforestación, asimismo la significativa alteración
en el ciclo hidrológico que repercute de manera directa en los recursos
hídricos por reducción de la infiltración, reducción de la humedad de los
suelos, el incremento de la erosión eólica e hídrica. En el Perú, los incendios
forestales queman pastizales, arbustos y especies arbóreas. Los primeros se
recuperan totalmente en los primeros días de la temporada de lluvias,
mientras que los arbustos tardan en hacerlo desde unas semanas hasta un
par de años. En el caso de las zonas arboladas (aproximadamente del 10 al
30 por ciento de vegetación que se quema), tardan en recuperarse entre 15
y 50 años, según la especie y otros factores.

Pero un incendio forestal trae consigo más afectaciones de las que se

perciben a simple vista, pues hay otros daños que son difíciles de cuantificar.
Por ejemplo, las plantas y árboles quedan más desprotegidos ante las
plagas y enfermedades, además de que se daña su capacidad de
crecimiento. También se reducen los recursos genéticos y el valor recreativo
de las zonas siniestradas, en tanto que los suelos modifican propiedades
físicas, químicas y biológicas. En general se trata de una cadena de
reacciones que contribuye de diferentes maneras al calentamiento

9
atmosférico. En términos económicos, la pérdida de productos forestales
merma el potencial comercial. La evaluación de daños incluye las pérdidas
materiales en productos y en servicios, es decir, los valores monetarios y no
monetarios que proporcionan los bosques: madera afectada, costos de
reforestación, costos de rehabilitación, incluidos suelos, ríos, etcétera;
valores ecológicos, históricos, políticos, escénicos, y los costos del combate
de incendios, que incluyen al personal, junto con los recursos materiales y
financieros. Por otro lado, el hecho de modificar irresponsablemente los
regímenes naturales del fuego, atrae consecuencias de dimensiones
imprevisibles no sólo en la esfera local, sino también a escala regional y
global, con daños a la Naturaleza que repercuten en la salud y en la
seguridad de las personas.

Con la presente investigación se pretende la identificación de daños que

ocasiona los incendios y es posible cuantificando las áreas afectadas o
cicatrices de quema (post-incendio) y evaluando la respuesta de los
ecosistemas sensibles al fuego (Rodriguez 2012). En el Perú no existe un
sistema de monitoreo y de evaluación de superficies afectadas por
incendios, la cual permita evaluar daños y la localización de sitios de mayor
presión, o evidenciar patrones de conversión del bosque a través de
incendios.

1.8 Consideraciones éticas

El sensoramiento remoto, teledetección o percepción remota es una

tecnología fundamental para el análisis de información territorial, ya que
permite realizar el seguimiento, cuantificación y variaciones de los cambios
de uso de suelo. A pesar de la capacidad tecnológica de la teledetección
para cumplirlas funciones mencionadas, existen inconvenientes que deben
superarse para permitir un adecuado uso de la información brindada por
imágenes de satélite. Para ello es importante la cooperación entre gestores y
administradores; gobiernos, institutos, centros e instituciones académicas y
de investigación implicadas en el protocolo, que permita definir estrategias,
objetivos y metodologías. El reto es desarrollar tecnologías robustas y

10
operativas que aporten ética y por consiguiente transparencia y eficiencia en
los resultados.

La investigación usó el método para generar información referencial de

áreas quemadas a través del cociente normalizado de quema (NBR) que
discrimina áreas quemadas, en nuestro caso Landsat (año 2011 y 2013) y
Sentinell 2 (año 2016), y su relación con los focos de calor proporcionados
por el sensor MODIS. Este análisis se basa en el contraste entre el infrarrojo
cercano (ρIRC, 0,78–0,90 μm) que es sensible al contenido de agua en el
suelo y la vegetación y el infrarrojo de onda corta (ρSWIR, 2,09–2,35 μm),
que es sensible a la detección de vegetación muerta o no fotosintética, en un
entorno post-incendio. Todos los aplicativos cuentan con licencia acreditada
por el Centro de Teledetección para el estudio y gestión de los recursos
naturales (CETEGERN) de la Universidad Nacional Amazónica de Madre de
Dios.

En cuanto al riesgo, se garantizó la seguridad del tesista y colaboradores en

todas las fases de la investigación.

11
 CAPÍTULO II. MARCO TEÓRICO
2.1 Antecedentes de estudio

2.1.1 Alcance internacional

Alejandro y Di Bella (2018) estudiaron “los cambios de uso de suelo del Chaco
seco argentino modificados por la inflamabilidad de las coberturas vegetales y
en el patrón de distribución espacial de incendio, se utilizaron imágenes
MODIS de área quemada y de focos de calor, como así también mapas de
vegetación, bases de datos geoespaciales climáticas, poblacionales y
productivas, los resultados muestran que en el periodo 2000 - 2011 estudiado,
el Chaco seco argentino muestra claras diferencias de inflamabilidad entre la
región árida y semiárida, a nivel general los resultados obtenidos mostraron
que el bosque es la cobertura de menor inflamabilidad, se detectó que en la
región árida la inflamabilidad del arbustal es similar a la del bosque y que en la
región semiárida es igual a la del pastizal y el cultivo, en el bosque el nivel de
biomasa no propició la ocurrencia de incendios y en el pastizal existen factores
locales que ocultan la relación entre las precipitaciones y la ocurrencia de
incendios, en cuanto a la importancia relativa de los factores que determinan la
distribución espacial de incendios, se observó que la presencia de pastizal fue
el factor más importante, a su vez, las actividades de desmonte para la
agricultura y ganadería tendrían un efecto importante, también se detectó que
el efecto de las condiciones climáticas sobre la ocurrencia de incendio estuvo
determinado por el tipo de cobertura presente, en las zonas chaqueñas
dominadas por cobertura de bosque la ocurrencia de incendios se incrementó
con el déficit hídrico, mientras que en zonas con pastizal la ocurrencia de
incendios fue máxima con niveles de déficit hídrico intermedio, además, los
datos mostraron que la ganadería podría estar incrementando la inflamabilidad
del bosque”.

Verhegghen et al. (2016), evaluaron “el potencial de los satélites Sentinel para
la cartografía y vigilancia de zonas quemadas en los bosques de la cuenca del

12
Congo, para ello se utilizó el recientemente lanzado satélite óptico Sentinel-2
(S2) y el radar Sentinel-1 (S1) activo, soportado por datos de fuego activo del
sensor MODIS, para detectar y vigilar los incendios forestales en la cuenca del
Congo, en el contexto de un fenómeno muy fuerte de El Niño, se observó un
brote sin precedentes de incendios durante los primeros meses de 2016 en
formaciones forestales abiertas en el norte de la República del Congo, las
anomalías de los incendios recientes y la situación meteorológica en
comparación con los datos históricos muestran la gravedad de la sequía, las
áreas quemadas trazadas por los sensores S1 SAR y S2 Multi Spectral
Instrument (MSI) destacan que los incendios ocurrieron principalmente en los
bosques de Marantaceae, que se caracterizan por la cubierta abierta de la
copa de los árboles y una extensa capa herbácea alta, los mapas muestran
que el origen de los incendios se correlaciona con la accesibilidad al bosque, lo
que sugiere un origen antropogénico, el uso combinado de los dos sistemas
satélites independientes y fundamentalmente diferentes de S2 y S1 capturó
una extensión de 36 000 ha de áreas quemadas, con cada sensor
compensando la debilidad (perturbaciones de la nube para S2 y sensibilidad a
la humedad del suelo para S1)”.

Fuentes (2015), muestra “la cuantificación de áreas afectadas por incendios

forestales e incendios en el departamento de Pando Amazonia de Bolivia, las
áreas afectadas fueron localizadas mediante monitoreo con imágenes de
satélite de sensores remotos, la validación de este análisis se realizó utilizando
la razón de quemadura normalizada (NBR) adaptada a las imágenes Landsat
8, permitiendo clasificar las cicatrices de quemaduras, para estimar la precisión
de la clasificación se validó con puntos de muestreo de campo y se realizó una
tabulación cruzada, los resultados fueron 88% correctos, 9% error de omisión y
error 3% comisión, la superficie total afectada por incendios en 2013 fue de 33
885 ha, lo que representa el 0,52% del área total del departamento de Pando,
históricamente los incendios forestales más grandes ocurrieron en 2005 y
2010, cubriendo 259 432 ha de superficie y 108 093 ha, respectivamente”.

Chuvieco et al. (2012), realizan “una comparación entre perímetros de

manchas quemadas, generados de imágenes multitemporales Landsat, y los

13
puntos de calor MODIS para cinco imágenes situadas en distintas zonas
mediterráneas de España, Portugal y Chile central, la serie incluye varios
años de estudio en cada imagen, de cara a analizar las tendencias
temporales, la comparación entre las dos fuentes indica que los puntos de
calor MODIS detectan la ocurrencia de grandes incendios (>500 ha) con alta
confiabilidad (errores de omisión generalmente inferiores al 5%), pero son
poco confiables para los pequeños (<50 ha), en los que se ha observado un
error de omisión cercano al 80%, los errores de comisión (falsos positivos)
se estiman en un 15%, y están asociados principalmente a suelos agrícolas
que alcanzan altas temperaturas en verano, no se observa una relación muy
clara entre el nivel de detectabilidad de incendios y las formas de los
mismos, el nivel de confianza asignado por los diseñadores del producto
MOD14 está altamente relacionado con el nivel de detección, si bien la
categoría intermedia de fiabilidad también ofrece buenos resultados, para las
zonas de estudio, se estima que cada punto de calor equivale a una
superficie quemada promedio de 81 ha”.

Rodriguez (2012), reporta “la cuantificación de superficies afectadas por

incendios y quemas que permitan evaluar daños, la localización de sitios de
mayor presión e identificar patrones de conversión del bosque a través de
teledetección, para construir las trayectorias de quemas históricas en Bolivia
utilizó el producto de áreas quemadas MCD45A1 del sensor MODIS
(Moderate Resolution Imaging Spectroradiometer) con una resolución de 500
m para una serie de once años (2000-2010), la validación de este análisis se
realizó aplicando el cociente normalizado de quemas (NBR) a imágenes
Landsat TM con una resolución de 30 m, permitiendo clasificar las cicatrices
de quema, se seleccionaron las regiones de la Amazonía y la Chiquitanía
para estimar la exactitud en la detección, el monitoreo de áreas quemadas
en Bolivia para la serie de once años mostró que se quemaron 22 012 910
ha en total, de las cuales el 20% (4 287 512 ha) corresponden a incendios
forestales y la mayor parte de las superficies de quemas en pastos y
sabanas, superando enormemente las estimaciones realizadas antes de
este estudio, históricamente los mayores incendios forestales sucedieron en
2007 y 2010, abarcando superficies de 3 691 815 ha y 4 343 156 ha,

14
respectivamente, la exactitud global en la detección fue del 81%, y en cuanto
a la exactitud de la magnitud de las áreas quemadas está entre 63% para la
Chiquitanía y 57% para la Amazonía”.

Lima et al. (2012), muestra “los resultados sobre el uso de la tierra y los
cambios en la cobertura de la tierra y la relación espacial entre el fuego y la
deforestación en la Amazonia brasileña, y determina la evidencia de la
asociación entre el uso del fuego y la deforestación en los procesos de uso de
la tierra y cambio de cobertura de la tierra (LULCC) que ocurren en la región
amazónica, pero no hay estudios sobre la estructuración espacial real y la
asociación espacial entre estos eventos, se muestra entonces la cantidad de
cicatrices ocurridas dentro de áreas desforestadas recientes (2002 - 2005) y
antiguas (antes de 2002), y la estructura espacial de ambas variables, una
prueba parcial de Mantel se usó para probar la correlación espacial entre
cicatrices de quemaduras y áreas deforestadas, lo que explica la existencia de
estructura espacial, los resultados muestran que existe una asociación
espacial significativa entre la reciente deforestación y la ocurrencia de
incendios, además, identificamos una gran cantidad de áreas quemadas
(aproximadamente 55%) dentro de las áreas deforestadas más viejas, estos
resultados ponen de relieve lo siguiente: 1) el papel directo del fuego en los
procesos de uso de la tierra y cambio de cobertura terrestre en la Amazonia
brasileña, y 2) que el fuego también afecta ampliamente a la vegetación
previamente degradada, con implicaciones significativas para las estimaciones
actuales de incendios forestales asociados a la emisión atmosférica de
carbono en la región amazónica”.

Alencar et al. (2011), en su estudio “variabilidad temporal de los incendios

forestales en la Amazonia oriental, a través de la teledetección para derivar
una serie temporal de 23 años de cicatrices anuales de quemaduras en un
bosque fragmentado del Amazonas oriental, el conjunto de datos de cicatriz de
quemaduras se basó en una nueva rutina desarrollada para el Sistema de
Análisis de Landsat de Carnegie (CLAS), llamado CLAS-BURN, para calcular
un índice de cicatriz de quemaduras físicas (BSI) con una precisión global del
93% (coeficiente Kappa 0,84), este índice utiliza fracciones de cubierta

15
subpíxel de vegetación fotosintética, vegetación no fotosintética y miembros
finales espectrales de cicatriz de sombra/quemadura, a partir de 23 imágenes
Landsat consecutivas procesadas con el algoritmo CLAS-BURN, se
cuantificaron las frecuencias de incendios, la variación en los intervalos de
retorno al fuego y las tasas de conversión del bosque quemado a otros usos
del suelo en un área de 32 400 km2, de 1983 a 2007, el 15% del bosque se
quemó; el 38% de estos bosques quemados fueron posteriormente
deforestados, representando el 19% de la superficie despejada durante el
período de observación, mientras que el 72% de los bosques afectados por el
fuego sólo quemaron una vez durante el período de estudio de 23 años, el
20% quemó dos veces, el 6% quemó tres veces y el 2% quemó cuatro o más
veces, con un máximo de siete veces, estas frecuencias sugieren que el
intervalo de retorno de fuego actual es 5-11 veces más frecuente que el fuego
natural del régimen estimado”.

Rodrigues y Borges (2011), identificaron y cuantificaron las “causas y

frecuencia de incendios forestales, así como comparar el número de hotspots
con brotes de incendios en el período comprendido entre los años 2004 y 2009
en el Parque Nacional Chapada Diamantina y su zona de amortiguamiento, los
datos de los informes de incidentes de incendios fueron asociados con la
información generada a partir de la interpretación de fotos y procesamiento de
imágenes digitales del satélite Landsat-5, los resultados mostraron una
deficiencia en el mecanismo de identidad de las causas de incendio, revelando
que, aunque hubo una reducción en el número de brotes de incendios de 2004
a 2009 el área afectada aumentó, de los incendios cuyas causas son
antropogénicas, el 64% es agrícola y el 36% está relacionado con la minería y
la caza, esta investigación permitió establecer una conexión entre la aparición
de incendios y el avance de la ocupación en el parque amortiguador, lo que ha
llevado a la remoción de la vegetación natural por el fuego tanto como en la
zona de amortiguación, cada vez más utilizada para actividades relacionadas
con la agricultura mecanizada, como para el parque, afectando la biodiversidad
de flora y fauna”.

16
Trinidade y Carvalho (2011), encontraron “una tendencia a la reducción de
puntos calientes en el período de 1998 a 2009 en el estado de Mato Grosso,
también se verificó durante este período que el Bioma que más mostraba
puntos calientes era el Bioma de la Selva Amazónica, el Bioma del Pantanal
fue el que menos mostró puntos calientes durante el período de 1998 a 2009,
con el análisis de hotspots de los satélites NOAA-12 y NOAA-15 se observó
que entre los años 1998 a 2004, la ciudad que más mostró puntos calientes
fue la ciudad de Tapurah, para los años 2006 y 2008, el municipio fue Colniza
que mostró más puntos calientes en el estado, en los años 2005, 2007 y 2009
la Nova Ubiratã fue la ciudad que más mostró puntos calientes”.

Ramos et al. (2011), reportaron en su estudio “Temporada de incendios

forestales en Brasil en 2010: análisis de series de tiempo de 2005 a 2010 y las
influencias de las precipitaciones y la deforestación en el número de puntos
calientes, que los hotspots, son indicadores de incendios forestales, y tienen
una alta correlación con la deforestación en término espacial, y también
muestran una alta correlación con la cantidad de lluvia en términos de la
cantidad total de los hotspots”.

Santos et al. (2011), cuantificaron e identificaron “los meses con mayor

incidencia de hotspots durante los años 2007 a 2009 en la región media del
extremo oeste de Bahía, el trabajo se desarrolló a partir del banco de datos del
programa de monitoreo de incendios forestales del INPE, que emite revistas
diarias de hotspots, en shapefile organizado en una única base de datos, para
señalar el número total de hotspots por año seguido de identificación mensual
y los municipios que presentan una mayor incidencia de manchas, así como
correlacionar a los datos pluviométricos del Área Protegida Ambiental (APA) de
Rio Preto, de esta manera, indicando pluviometría y la acción antropogénica
como una de las posibles causas del aumento/reducción del número de
hotspots, los datos demostraron que hubo una disminución en el número de
hotspots en función de la elevación de pluviosidad y de hotspots en los años
de menor pluviosidad, lo que demuestra una relación directa entre el número
de hotspots y los datos climáticos”.

17
Aragão y Shimabukuro (2010), en su estudio “la incidencia del fuego en los
bosques amazónicos con implicaciones para REDD, reportaron que la
reducción de las emisiones de la deforestación y degradación (REDD) puede
frenar las emisiones de carbono, pero las consecuencias para el riesgo de
incendio son poco conocidas, al analizar la deforestación derivada de los
satélites y los datos de incendios de la Amazonía brasileña, mostramos que la
incidencia de incendios ha aumentado en el 59% de la zona que ha
experimentado tasas de deforestación reducidas, las diferencias en las
frecuencias de incendios a través de dos gradientes de uso de la tierra revelan
que la gestión de tierras libres de incendios puede reducir sustancialmente la
incidencia de incendios en un 69%, si en el mecanismo REDD no se adopta la
gestión sostenible de las zonas deforestadas sin incendios, el ahorro de
carbono logrado al evitar la deforestación puede ser parcialmente negado por
el aumento de las emisiones de los incendios”.

Cochrane et al. (1999), reporto en su trabajo “retroalimentación positiva en la

dinámica del fuego de los bosques tropicales cerrados del dosel, que la
incidencia y la importancia del fuego en el Amazonas han aumentado
sustancialmente durante el último decenio, pero los efectos de esta fuerza de
perturbación siguen siendo mal entendidos, se estudió la dinámica del fuego
forestal en dos regiones del Amazonas oriental, los incendios accidentales han
afectado casi el 50 por ciento de los bosques remanentes y han causado más
deforestación que el desminado intencional en los últimos años, los incendios
forestales crean retroalimentación positiva en la susceptibilidad futura al fuego,
la carga de combustible y la intensidad del fuego, a menos que se cambien las
prácticas actuales de uso del suelo y uso de fuego, el fuego tiene el potencial
de transformar grandes áreas de bosque tropical en matorrales o sabanas”.

2.1.2 Alcance nacional

Zamora (2016), desarrollo estudios de validación para medir “la eficacia de

los focos de calor contrastándolos con las cicatrices del paso del fuego
dejadas en la superficie del terreno, vistas desde una imagen satelital,
previamente, se realizó un análisis histórico de los focos de calor en el Perú

18
(2000 – 2015) para determinar las zonas, los meses y los sensores de donde
se tomarían los focos de calor para las validaciones, la primera validación se
realizó con focos de calor MODIS, contrastándolos con imágenes de
satelitales Rapid Eye del año 2011-2012, la segunda validación se realizó
con los focos de calor VIIRS (NPP-750m y NPP-375m) y MODIS (Aqua y
Terra), contrastándolos con imágenes satelitales Landsat del 2015, los
resultados arrojaron un 93,2% de afectividad para los focos MODIS, 98,4%
para los NPP-750m y 98,8% para los NPP-375m, el 48% de errores
frecuentes se dieron en playas de ríos, el 38% en bosques y el 14% en
zonas urbanas, otras observaciones indicaron que áreas de 0,5 ha fueron
detectadas por los focos de calor de ambos sensores y que la probabilidad
de detección de eventos aumenta cuando se usan los cuatro satélites en
simultáneo, finalmente, se estableció un protocolo para los reportes el cual
incluye un enmascaramiento de las zonas de error frecuente y presenta una
metodología para reducir los focos de calor a eventos, de manera que se
evite la repetición de alertas”.

2.1.3 Alcance local

Frisancho et al. (2013), determinaron “áreas impactadas por fuego de los

años 2009 y 2010 en Iñapari localizada en el Distrito de Tahuamanu,
Departamento de Madre de Dios, y cuantificar las áreas impactadas por
fuego mediante focos de calor, para la obtención de áreas impactadas por
fuego se utilizó imágenes Landsat-5, mediante el Índice de Quemas
Normalizadas (NVDR) y previo a ello el Índice de Vegetación Normalizada
(NDVI) y Clasificación Supervisada. El NDVI indica que existe diferencia de
áreas entre 2009 y 2010, a través de los resultados del NVDR se pudo
observar que al año 2010 (1979,70 ha) presentó 206% de áreas afectas por
el fuego más que año 2009 (579,03 ha), la técnica que obtuvo mayor
cantidad de extensión de áreas con fuego fue la de NDVR, a razón de
82,63% más que NDVI y 40,18% más que la técnica supervisada, se
identificaron 74 focos de calor para los sensores GOES y MODIS en el año
2009 y 133 focos de calor, para el año 2010”.

19
2.2 Bases teoricas

2.2.1 Incendios forestales

“El termino incendio forestal se refiere a un evento o desastre natural

relacionado con la biosfera, e implica incendios fuera de control que queman
la superficie vegetal ya sea que se trate del pastizal, la maleza, la tundra, el
bosque o el matorral sin la intervención del humano, por lo que estos
incendios también se pudieran referir con el termino de incendio
silvestre para homologarse con el término inglés wildfire que se aplica a los
incendios que son naturales sin la intervención humana, en el idioma inglés
cuando los incendios forestales suceden en aéreas rurales se
denominan burshfire, adicionalmente, en Australia a los mismos eventos se
les conoce como bushfire. Visto de esa manera, los incendios
silvestres (forestales y de pastizales) evocan una relación directa con otros
fenómenos naturales, entre otros los relámpagos, de la misma manera, se
hace hincapié en que el concepto de disturbio empleado en biogeografía
y ecología, queda incluido en el concepto de desastre natural empleado por
el autor (Rodríguez-Trejo 1996), de tal forma, el incendio es un disturbio del
ecosistema”.

“Se sabe que muchos incendios forestales son causados intencionalmente

bajo condiciones controladas, esa medida se hace con objetos silvícolas o
para disminuir el riesgo de incendios sin control, de todas formas, se estima
que la mayoría de los incendios forestales son causados por el hombre ya
sea de forma directa o indirecta, solamente un 10% de los incendios
forestales son naturales, causados por relámpagos y rayos” (Rodriguez
2000).

Cómo se inicia un incendio forestal o silvestre

“Un incendio forestal es un fuego devastador que se difunde rápidamente y

queda fuera de control, los incendios forestales ocurren más frecuentemente
durante los meses de verano que es cuando la maleza está seca y las
llamas pueden moverse descontroladamente por toda el área forestal, el
incendio con frecuencia se inicia sin ser percibido y se extiende rápidamente

20
quemando tanto la maleza como los árboles y las casas que estén en su
paso, es común que los incendios forestales se inicien con una fogata de
acampar que no fue apagada por completo, es decir a la que no se cubrió
con suficiente agua como para extinguirla por completo; también puede
iniciar un incendio forestal una colilla de cigarro, cenizas de una fogata,
relámpagos y por causas humanas (incendios causados no naturales), un
incendio forestal puede iniciarse lentamente al quemarse la maleza del piso
del bosque y de esta manera afectar a los árboles del bosque, los incendios
que inician de esa manera se desparraman rápidamente al alcanzar la copa
de los árboles, de esta forma, el viento acelera el incendio al difundir las
flamas de árbol en árbol, por lo general la primera indicación del incendio es
un humo denso, se estima que más del 80% de los incendios forestales son
causados por la descuido humano” (Quadri de la Torre 2000).

El comportamiento del incendio

“Está gobernado por la forma en la que el combustible (materia orgánica

seca) se incendia, el desarrollo de la flama, y la manera en la que el fuego
se desparrama, los factores que determinan el incendio forestal pueden
considerarse bajo cuatro categorías (1) el tipo de material combustible, (2) la
atmosfera, (3) la topografía, y (4) lo que quema el incendio, de esta forma se
reconocen tres tipos fundamentales de incendios forestales, es decir un
fuego incontrolado en un área arboleada” (Ellis et al. 2015).

 El incendio de copa ataca principalmente la parte alta de los árboles

y arbustos, la copa.

 El incendio de superficie que ataca principalmente la hojarasca y el

material suelto de la superficie del bosque, por lo que le fuego ataca
primordialmente al material suelto acumulado en el piso.

 El incendio del sustrato o suelo orgánico, en donde se acumula el

humus, en ocasiones este tipo de incendio no es visible en la
superficie.

“El Sistema Nacional de los Estados Unidos para Medir la Peligrosidad del
Incendio “National Fire Danger Rating System (NFDRS)” se estableció en los

21
Estados Unidos con la idea de capacitar a personal en el control de los
incendios usando para el caso una designación numérica que facilita la labor
de la planificación del control de fuego y la supresión de incendios
específicos, es sistema usa tres índices: (1) el índice de ocurrencia, (2) el
índice de quemazón, y (3) el índice de la carga del fuego, estos índices
ayudan en el despacho de la toma de decisiones en el ataque del incendio”.

Causas

“Las causas naturales de los incendios forestales incluyen los relámpagos,

las erupciones volcánicas, los meteoritos, y la combustión espontánea, las
causas antropogénicas de los incendios forestales incluyen un sinnúmero de
incidentes tales como la quemazón o sea el crimen deliberado y malicioso de
iniciar el fuego, el lanzar colillas de cigarros, la quema de desechos de
cultivos agrícolas, la deforestación por tala inapropiada, las fogatas mal
apagadas y fuera de control por vientos inesperados, los incendios
provocados para limpiar los terrenos para uso en la agricultura” (Gutiérrez-
Hernández et al. 2015).

2.2.2 Focos de calor

“El término foco de calor se utiliza generalmente para definir un área que
presenta una superficie anómala de temperatura y estos son considerados
puntos potenciales de fuego” (Armenteras et al. 2009; Deppe et al. 2004; Di
Bella et al. 2008).

“La detección de puntos calientes se realiza mediante el empleo de satélites

que vienen incorporados con sensores cuyas lecturas están basadas en
algoritmos desarrollados para la detección, los datos de focos de calor son
básicamente puntos proyectados en coordenadas geográficas que indican el
centro de un pixel, que es la unidad mínima de la pantalla del tamaño de la
resolución espacial de la imagen” (Armenteras et al. 2009).

2.2.3 Deforestación

La FAO (2005) “define a la deforestación como la transformación del bosque

en otros usos de la tierra o a la reducción de la cubierta de la copa por debajo
del umbral mínimo de 10%, además, considera que la deforestación y la

22
quema son principales causantes de las emisiones de los GEI, donde
predomina el CO2, sin embargo, el proceso de descomposición orgánica
genera también CH4 (metano) gas que es 21 veces más nocivo que el CO2
aunque es generado en bajas concentraciones” (FAO 2016).

La UNFCCC (2001) citado por Achard et al. (2007) define a la deforestación

como “La conversión directa, inducida por el hombre de tierras forestales a
tierras no forestales”.

2.2.4 Bosque

En el Protocolo de Kioto (Protocolo 17), a través de los acuerdos de Marrakech

señala “que el bosque es la superficie mínima de tierras de 0,05 y 1,0
hectáreas, y cuenta con una cubierta coposa entre 10% y 30% y con árboles
que pueden alcanzar una altura mínima in situ de 2 hasta 5 metros a su
madurez” (UNFCCC 2001).

Pacheco et al. (2011), “definió que la superficie mínima de bosque 1 ha, altura
mínima de cubierta 2 m y cobertura mínima de copa de 10%”.

“No existe una definición y clasificación única de los servicios, sin embargo, no
existe duda de que los bosques cumplen una valiosa función reguladora clave
en todos los procesos relacionadas con el suelo, agua, aire, clima, paisaje,
ambiente y con la vida en general” (FAO 2016).

2.2.5 Principios y fundamentos de teledetección

“La Teledetección (Remote Sensing) se define como la ciencia y arte de

obtención de información acerca de un objeto, área, o fenómeno a través del
análisis de información adquirida por un dispositivo que no está en contacto
el objeto, área, o fenómeno bajo investigación” (Lillesand y Kiefer 1994).

“Teledetección espacial es la técnica que permite adquirir imágenes de la

superficie terrestre desde sensores instalados en plataformas espaciales,
suponiendo que entre la tierra y el sensor existe una interacción energética,
ya sea por reflexión de la energía solar o de un haz energético artificial, o por
emisión propia” (Chuvieco y Salas 1996).

“Un sensor remoto se define como un instrumento especial cuya tecnología

23
permite la obtención de información de objetos sin estar físicamente en
contacto con él, estos instrumentos se conocen en conjunto como Sensores
Remotos incluyendo aparatos como la cámara fotográfica, sistemas
scanners y de radar” (Avery y Berlin 1992). “En general los procesos y
elementos involucrados en la teledetección electromagnética de los recursos
terrestres se pueden separar en dos procesos básicos; la adquisición de
información y el análisis de la información, los elementos del proceso de
adquisición de información son; la fuente de energía, la propagación de la
energía a través de la atmósfera, la interacción de la energía con las
características de la superficie terrestre, la retransmisión de la energía a
través de la atmósfera, el sensor del aeroplano o plataforma espacialy, como
resultado el sensor genera información en formato digital y/o gráfico, el
proceso de análisis de los datos involucra la aplicación de varios medios de
interpretación para compilarla en forma de tablas o como archivos
computacionales que pueden ser unidos a un SIG, por último esta
información es utilizada en la toma de decisiones de distintos usuarios”
(Lillesand y Kiefer 1994).

“Cualquier sistema de teledetección consta de tres elementos

fundamentales; el sensor, el objeto observado y un flujo energético que
permita poner a ambos en relación, este flujo de energía puede proceder del
objeto por reflexión de la luz solar, por algún tipo de energía emitida por el
propio objeto, o incluso por el sensor, de este modo se derivan las tres
formas de adquirir información a partir de un sensor remoto: por reflexión,
por emisión y por emisión-reflexión” (Padilla et al. 2015).

2.2.6 Espectro electromagnético

“El flujo de energía necesario entre el sensor y el objeto observado, en un

sistema de teledetección, constituye una forma de radiación
electromagnética” (Padilla et al. 2015).

“Esta energía electromagnética es una forma dinámica de energía que es

causada por la oscilación o aceleración de una carga eléctrica, de este
modo, todas las substancias naturales o sintéticas continuamente producen
o emiten un rango de energía electromagnética en proporción a su

24
temperatura” (Avery y Berlin 1992).

“Toda energía térmica puede ser transferida mediante tres procesos:

convección, conducción y radiación, siendo esta última la base de la mayoría
de los sistemas de teledetección” (Chuvieco y Salas 1996). “Así, la radiación
es el método por el cual la energía puede ser transferida desde un cuerpo a
otro en ausencia de algún material intermediario, si esta intervención se
hace presente, debe ser lo suficientemente transparente de modo de que la
energía sea transferida, la radiación es el único método por el cual la energía
solar puede recorrer millones de kilómetros a través del espacio y alcanzar la
tierra, este es el método de transferencia de energía con el cual se concibe
un sensor remoto” (Avery y Berlin 1992; Padilla et al. 2015).

“Las propiedades de la radiación electromagnéticas han sido explicadas por

dos teorías: la teoría ondulatoria que la concibe como un haz ondulatorio, y
la teoría cuántica que considera la radiación electromagnética como una
sucesión de unidades discretas de energía, fotones o cuantos, con masa
igual a cero, según la teoría ondulatoria, la energía electromagnética se
trasmite de un lugar a otro siguiendo un modelo armónico y continuo, a la
velocidad de la luz y conteniendo dos campos de fuerzas, uno eléctrico y
otro magnético, descritos por la longitud de onda y su frecuencia, de este
modo cualquier forma de energía radiante puede ser descrita en función de
estos dos elementos” (Padilla et al. 2015).

“Las características espectrales que presentan las distintas superficies

terrestres, que son motivo de investigación por distintas disciplinas, permiten
reconocer ciertas bandas del espectro electromagnético que son las
comúnmente utilizadas por las actuales aplicaciones de las técnicas de
teledetección y que entregan las principales plataformas satelitales” (Padilla
et al. 2015).

2.2.7 Aplicaciones de la imagen satelital

“Las imágenes de satélite han sido utilizadas por agencias gubernamentales,

industriales, civiles, y comunidades educacionales en el mundo, estos datos
han sido usados en apoyo a un amplio rango de aplicaciones en áreas como

25
el cambio global de los recursos, la agricultura, masas boscosas, geología,
manejo de los recursos, geografía, cartografía, calidad del agua, y
oceanografía, en este sentido se puede señalar la identificación y asociación
de suelos y cartografía, el análisis de la cobertura y producción forrajera,
clasificaciones regionales de uso de suelo y generación de foto-mapas,
exploración minera y de petróleo, monitoreo de la polución, cartografía e
interpretación geológica, mediciones de la magnitud de nieve, monitoreo del
movimiento de glaciales, detección de la erosión de playas, detección del
grado de estrés en asociaciones vegetales, clasificación de la cobertura
vegetacional, y monitoreo de incendios forestales, esto señala el alto
potencial de la aplicación de esta información en el monitoreo de las
condiciones de la superficie terrestre” (Coronado-Chacón 2001).

“Una de las utilidades más importante que entrega la información de las

imágenes satelitales es la capacidad de monitorear los cambios de uso del
suelo en el tiempo, ya que es posible la obtención de bases de datos
digitales de cambio en donde las dimensiones espaciales y temporales de
las coberturas de uso de suelo y cambio de uso de suelo pueden ser
detectadas y evaluadas, en este sentido se destaca al Landsat
Multiespectral Scanner (MSS) que proporciona información de más de 20
años, de una moderada resolución espacial, que permite el monitoreo del
tipo y porcentaje de cambio en la cobertura del suelo como efecto antrópico”
(Aide et al. 2013).

“Los datos satelitales pueden ser útiles para concentrarse en las áreas en
donde se requiere información, como primer paso, se monitorean grandes
áreas en orden a detectar las áreas en donde ocurrieron los cambios, luego,
los datos de alta resolución son utilizados para la revisión y actualización en
áreas en donde los cambios detectados han sido significantes, los datos
apropiados en el primer paso podrían ser, por ejemplo, imágenes de gran
cobertura y resolución de 20-30 metros” (Aide et al. 2013).

2.2.8 Beneficios de la utilización de observaciones remotas

Algunos de los beneficios obtenidos al utilizar observaciones remotas son los

siguientes (Chuvieco 2002):

26
  “Monitoreo de grandes extensiones en forma rápida, precisa,
económica y homogénea”.

 “Es posible una rápida apreciación global de la situación, haciendo

posible la medición del riesgo y el daño de la polución, enfermedades
y ataques de incendios”.

 “Proporciona información de regiones remotas o áreas de difícil

acceso”.

 “En áreas en donde la cobertura de nubes es persistente, los datos de

radar proporcionan información consistente del recurso bosque”.

 “Incremento de la objetividad, velocidad de repetición y eficiencia en

sus aplicaciones”.

 “Formato digital que permite la interpretación automática”.

 “Mediciones normalizadas y controladas tanto en el tiempo como en el

espacio”.

2.2.9 Tratamiento digital de imágenes satelitales multitemporales

“Normalmente, antes de comenzar cualquier análisis sobre la información

recogida desde un sensor remoto es necesario un tratamiento previo de los
datos en cuestión, este proceso se conoce en la literatura como Image
Preprocessing y está destinado a corregir los errores derivados del proceso
de adquisición de la información y que puede degradar la calidad de los
datos recogidos por el sensor” (Elijah y Jensen 1996).

“Cuando la detección de cambios se realiza comparando, píxel a píxel, los

Niveles Digitales (ND) de las distintas imágenes es necesario eliminar
previamente cualquier cambio en los ND de la escena que no sea debido a
cambios reales en la cubierta, esto implica ajustar con precisión, tanto
radiométrica, como geométricamente, las imágenes que intervienen en el
análisis” (Chuvieco 2002).

27
Corrección geométrica

“Usualmente la información obtenida de sensores remotos presenta errores

geométricos de origen sistemático, aquellos que pueden ser corregidos
utilizando la información desde la plataforma y conociendo la distorsión
interna del sensor, y no sistemático, aquellos que no pueden ser corregidos
con una precisión aceptable sin un número suficiente de puntos de control
terrestre, entre las causas de errores geométricos de origen sistemático se
puede mencionar la velocidad de la plataforma y la rotación de la tierra, por
otro lado, las distorsiones de origen no sistemático incluyen los errores
producto de la altitud y posición del sensor” (Elijah y Jensen 1996).

Rectificación imagen a imagen

“Es el proceso de traslación y rotación por medio del cual dos imágenes de
igual geometría y de la misma zona geográfica son posicionadas una
respecto de la otra de manera que los elementos correspondientes
aparezcan en el mismo lugar en las imágenes corregidas” (Elijah y Jensen
1996). “Este tipo de corrección se utiliza cuando no es necesario tener
asignado a cada píxel una única coordenada x, y en una proyección
ortogonal, por ejemplo al comparar visualmente dos imágenes de distinta
fecha para detectar los cambios producidos en la zona de interés” (Jensen et
al. 1991).

Rectificación imagen a mapa

“Es el proceso por el cual la geometría de una imagen se hace planimétrica.

Este es el proceso para aplicar si se requiere precisión en las mediciones de
área, dirección y distancia, sin embargo, no todas las distorsiones causadas
por la topografía de la imagen pueden ser removidas, este proceso
normalmente utiliza puntos de control terrestre a través de los cuales realizar
la rectificación, esta operación se realiza por medio de dos operaciones: (1)
la interpolación espacial que establece la naturaleza de la transformación de
las coordenadas geométricas para así ubicar los píxeles originales a su
posición en la imagen rectificada y (2) la intensidad de interpolación que es
la aplicación de algún mecanismo a través del cual determinar el valor de

28
brillo asignado al píxel rectificado” (Chuvieco 2002; Chuvieco y Salas 1996;
Jensen et al. 1991).

Calibración radiométrica

“Idealmente, el flujo de radiación recogido por un sensor remoto, en varias

bandas, es una representación precisa del flujo de radiación de las
características de la superficie terrestre, desafortunadamente esto no ocurre
y pueden ingresar errores al sistema de colección de información de varias
maneras, por ejemplo, errores radiométricos en los datos percibidos pueden
ser introducidos por el mismo sensor remoto cuando los detectores
individuales no funcionan apropiadamente o son inapropiadamente
calibrados” (Chuvieco 2002; Elijah y Jensen 1996). “Por otro lado la
intervención atmosférica entre el terreno de interés y el sensor remoto
pueden contribuir con tanto ruido (error) que la energía recibida por el sensor
no se parece a lo que fue reflejado o emitido por el terreno” (Elijah y Jensen
1996).

Calibración absoluta

“La radiación solar es selectivamente difundida y absorbida al entrar en

contacto con la atmósfera terrestre, la energía emanada desde el cielo y
recibida por el sensor es un indicador verdadero aun cuando se destruya
nuestra habilidad para medir la reflectancia espectral de los patrones del
terreno, de hecho, los científicos pueden considerar a la difusión y absorción
atmosférica de la energía como el verdadero indicador y a la energía
reflejada desde la tierra como el origen del ruido o error, no obstante,
muchos de los analistas de la tierra consideran nocivo el efecto de la difusión
y absorción atmosférica como fuente de error que puede minimizar la
habilidad para extraer información útil del terreno desde datos obtenidos por
sensores remotos” (Elijah y Jensen 1996; Salinero et al. 2006).

Calibración relativa

“La corrección radiométrica relativa puede ser utilizada para normalizar las
intensidades entre las diferentes bandas dentro de una escena (por ejemplo,
para remover la respuesta errónea del sensor, líneas abandonadas o

29
rayados) y, para normalizar las intensidades de las bandas de los datos de
una de la imagen en una fecha y estandarizarla a la escena escogida en el
análisis, la corrección radiométrica relativa generalmente no requiere reunir
mediciones atmosféricas en el tiempo de adquisición de la información, que
son muy difíciles de obtener cuando se utiliza información histórica de un
sensor remoto” (Salinero et al. 2006).

Mejoramiento espectral

Ciertos estudios considerarán mejoramientos espectrales como aquellas

técnicas que permitan mejorar la disposición de los datos satelitales para su
análisis cuantitativo

Análisis de componentes principales (ACP)

Pla (1986), “señala que el análisis de componentes principales es un
método que permite la estructuración de un conjunto de datos
multivariados obtenidos de una población, cuya distribución de
probabilidades no necesita ser conocida, siendo los objetivos más
importantes de su aplicación los que se mencionan a continuación”:
1. “Generar nuevas variables que puedan expresar la
información contenida en el conjunto original de datos”.
2. “Reducir la dimensionalidad del problema que se está
estudiando, como paso previo para futuros análisis”.
3. “Eliminar, cuando sea posible, algunas de las variables
originales si ellas aportan poca información”.

El Análisis de Principales Componentes (ACP) “es una transformación de

los datos crudos del sensor remoto que entrega como resultado nuevas
imágenes de componentes principales que son más interpretables que los
datos originales” (Singh y Harrison 1985). “El ACP puede también ser
utilizado para comprimir la información contenida en las de bandas de una
imagen satelital en dos o tres imágenes transformadas de principales
componentes, esta habilidad para reducir desde “n” a dos o tres bandas es
una importante consideración económica, especialmente si el potencial de
información recuperable desde los datos transformados es tan bueno como
30
los datos originales del sensor” (Elijah y Jensen 1996).

Índices

“Es una alternativa para la medición de la vegetación y su estado sanitario

basado en el análisis de la información espectral de los sensores remotos”
(Goel y Norman 1992).

“Existen varios algoritmos utilizados para la extracción de información desde

sensores remotos que en conjunto reciben el nombre de Índices de
Vegetación, la mayoría de los índices de vegetación se basan en la
significativa diferencia de las características de la reflexión espectral entre la
vegetación verde saludable, la vegetación muerta o senescente, los suelos
secos y desnudos, es así como la vegetación verde saludable, en la región
del infrarrojo cercano del espectro, refleja una mayor cantidad de energía
que la vegetación senescente o que los suelos secos y desnudos,
presentado un comportamiento inverso en la región visible del espectro”
(Goel y Norman 1992).

“Para la determinación de áreas quemadas, el cociente normalizado de

quema (NBR) presenta un comportamiento aceptable, este análisis se basa
en el contraste entre el infrarrojo cercano (ρIRC, 0,78–0,90 μm) que es
sensible al contenido de agua en el suelo y la vegetación y el infrarrojo de
onda corta (ρSWIR, 2,09–2,35 μm), que es sensible a la detección de
vegetación muerta o no fotosintética, en un entorno post-incendio” (Jia et al.
2006; Kokaly et al. 2007)

Clasificación digital

“Es el proceso mediante el cual los píxeles de una imagen satelital

multibanda son etiquetados según la categoría a la que pertenecen, a partir
de esta imagen puede generarse una cartografía temática y el inventario
estadístico de la superficie involucrada en cada categoría” (Chuvieco y Salas
1996; Pla 1986).

“La clasificación digital distingue las siguientes fases: 1) definición digital de

las categorías (fase de entrenamiento), 2) agrupación de los píxeles en una

31
de esas categorías (fase de asignación), y 3) comprobación y verificación de
resultados” (Chuvieco y Salas 1996).

Fase de entrenamiento.

“La clasificación digital comienza con la definición de las categorías

que se pretenden distinguir en la imagen, se trata de una clasificación
basada en los valores numéricos, por lo tanto, se trata de obtener el
rango de ND que identifica a cada categoría para todas las bandas
que intervienen en la clasificación, las distintas categorías no se
definen solo por un ND sino por un conjunto de ND próximos entre sí,
existe una cierta dispersión en torno al ND medio de cada categoría,
por esto la fase de entrenamiento trata de definir con rigor cada una
de las categorías que se pretenden distinguir teniendo en cuenta su
dispersión en la zona de estudio” (Chuvieco y Salas 1996). “Entre los
métodos tenemos: 1) Método supervisado, este método de
entrenamiento requiere un cierto conocimiento de la zona de estudio
que permite delimitar sobre la imagen unas zonas o áreas
representativas de las distintas categorías que se pretenden
discriminar, estas áreas se conocen como training fields (áreas de
entrenamiento) ya que sirven para entrenar al ordenador para que
pueda reconocer las distintas categorías, a partir de estas áreas el
ordenador calcula diversos parámetros estadísticos de los ND que
definen cada clase, para luego clasificar el resto de los píxeles en una
categoría determinada atendiendo a sus ND, resulta adecuado
seleccionar varias áreas de entrenamiento por clase para reflejar
correctamente su variabilidad en la zona de estudio, 2) Método no
supervisado, este método de clasificación trata de definir las clases
espectrales presentes en la Imagen, no implica ningún conocimiento
previo del área de estudio por lo que la intervención humana se centra
en la interpretación de los resultados, este método asume que los ND
de la imagen se agrupan en una serie de conglomerados (o clúster)
que se corresponden con grupos de píxeles con un comportamiento
espectral homogéneo y que, por ello, deberían definir unas clases

32
 informacionales de interés, por desgracia estas clases espectrales no
pueden ser asimiladas siempre a las categorías temáticas que el
usuario pretende deducir por lo que es labor de éste interpretar el
significado temático de dichas categorías espectrales”.

Fase de asignación

“En esta etapa se evalúa los principales algoritmos de clasificación,

desde un punto de vista estadístico, todos los algoritmos definen un
área de dominio de cada clase en torno a su centro mediante un
conjunto de funciones, un determinado píxel será asignado a una
clase si sus ND se encuentran dentro de los límites establecidos para
dicha clase” (Chuvieco y Salas 1996; Elijah y Jensen 1996).

Técnicas de post-clasificación

“La efectividad de esta alternativa depende de cómo se diferencian

espectralmente las categorías clasificadas, en ocasiones esta clasificación
puede ser complicada, y si se utilizan todas las bandas de cada fecha, se
puede tener información redundante” (Means et al. 1999) (West Virginia
University. 1999).

“La Post-clasificación es el método cuantitativo de detección más

comúnmente utilizado, requiere de la rectificación y clasificación de cada
imagen, para luego ser comparados píxel a píxel a través de una matriz,
desafortunadamente, los errores en la clasificación individual de cada
imagen se ven reflejados clasificación final” (Argany y Saradjian ; Yagoub et
al. 2015). “Por ello es necesario que la clasificación individual de las
imágenes sea lo más exacto como sea posible” (Müller y Brandl 2009).

2.2.10 Programa Landsat

“Antes de 1972, la idea de utilizar datos de satélite para la vigilancia

terrestre, la cartografía o la exploración era un concepto visionario, hecho
que da origen al Programa Landsat, el cual se constituye en una serie de
misiones de observación de la tierra por satélite gestionadas conjuntamente
por la NASA y el Servicio Geológico de Estados Unidos (USGS), el
programa Landsat ha revolucionado la forma de ver y estudiar nuestro

33
planeta, esta serie de datos, que se inició en 1972, es la más larga de la
historia y continúa registrando los cambios en la superficie terrestre desde el
espacio, Landsat ha sido el único sistema de satélite diseñado y operado
para observar repetidas veces la cubierta de la tierra con una resolución
moderada; de manera general cada píxel en su imagen tiene un tamaño con
el que se podría cubrir un campo de béisbol, en la actualidad el programa se
encuentra en su octava versión denominada: Landsat Data Continuity
Mission (LDCM) es el octavo satélite de observación de la serie Landsat y
continuará el legado de archivo de los anteriores satélites, convirtiéndose de
esta manera en el futuro de los satélites de observación de la tierra de
mediana resolución con más historia, este programa amplía, mejora y
avanza en el registro de imágenes mutiespectrales, mantenimiento la misma
calidad de sus siete predecesores, tras el lanzamiento, el satélite LDCM será
rebautizado como Landsat 8, este sistema está compuesto de dos grandes
segmentos”:

 “El observatorio; el cual consta de una plataforma con capacidad de

carga de dos de sensores de observación terrestre, el primero de
ellos denominado Operational Land Imager (OLI) y el sensor térmico
infrarrojo Thermal Infrared Sensor (TIRS), OLI y TIRS recogerán los
datos de forma conjunta para proporcionar imágenes coincidentes de
la superficie terrestre, incluyendo las regiones costeras, hielo polar,
las islas y las zonas continentales, el OLI es un instrumento
construido por la empresa Ball Aerospace y Technologies Corporation
en Boulder, Colorado y el TIRS es un instrumento que fue construido
por la NASA en el centro de vuelo espacial Goddard en Greenbelt,
Md, además, el LDCM seguirá la misma secuencia de trayectoria
(también conocida como “paths” o rutas de acceso) como sus
antecesores Landsat 4, Landsat 5 y Landsat 7, esto permitirá que
todos los datos del LDCM son referenciados al mismo sistema de
coordenadas, continuando con el registro de datos desde hace
décadas, el satélite almacena los datos del sensor OLI y TIRS en una
grabadora de estado sólido incluida a bordo y transmite los datos a
estaciones receptoras terrestres”.

34
  “El segundo segmento es el sistema terrestre, el cual proporciona la
capacidad necesaria para la planificación y programación de las
operaciones del LDCM y todas aquellas necesarias para administrar y
distribuir los datos”.

“La plataforma LDCM, fue construida por la empresa Orbital Sciences

Corporation en Gilbert, Arizona, tiene una vida útil de 5 años, pero lleva
suficiente combustible para 10 años de operaciones, la nave orbitará de
norte a al sur durante el día, cruzando el ecuador a las 10 am, hora local,
con una órbita aproximada de unas 438 millas (705 kilómetros) por encima
de la Tierra” (Ariza 2013).

“El satélite Landsat 8 incorpora dos instrumentos de barrido: Operational

Land Imager (OLI), y un sensor térmico infrarrojo llamado Thermal Infrared
Sensor (TIRS), las bandas espectrales del sensor OLI, aunque similares a el
sensor Landsat 7 ETM +, proporcionan una mejora de los instrumentos de
las misiones Landsat anteriores, debido a la incorporación de dos nuevas
bandas espectrales: un canal profundo en el azul visible (banda 1), diseñado
específicamente para los recursos hídricos e investigación en zonas
costeras, y un nuevo canal infrarrojo (banda 9) para la detección de nubes
cirrus, adicionalmente una nueva banda de control de calidad se incluye con
cada producto de datos generado, esto proporciona información más
detallada sobre la presencia de características tales como las nubes, agua y
nieve, por otra parte el sensor TIRS recoge dos bandas espectrales en
longitudes de onda incluidas por la misma banda en los anteriores sensores
TM y ETM+” (Ariza 2013).

2.2.11 Sentinel

“La misión de toma de imágenes Sentinel-2 se basa en una constelación de

dos satélites idénticos: Sentinel-2A, lanzado en junio de 2015, y Sentinel-2B,
aunque lanzados por separado, ambos satélites se encuentran en la misma
órbita, con una separación de 180°, cada cinco días, entre los dos satélites
quedará cubierta toda la superficie terrestre, las mayores islas y las aguas
costeras y continentales entre las latitudes 84° S y 84° N, optimizando así la
cobertura global y la provisión de datos, cada satélite Sentinel-2 transporta

35
una innovadora cámara multiespectral de alta resolución, con 13 bandas
espectrales que aportan una nueva perspectiva de la superficie emergida y
la vegetación, la combinación de la alta resolución y las nuevas capacidades
espectrales, así como un campo de visión que abarca 290 km de ancho y
sobrevuelos frecuentes, proporcionará vistas de la Tierra sin precedentes, la
información de esta misión va a contribuir a mejorar las prácticas agrícolas,
vigilar los bosques del planeta, detectar la contaminación en lagos y aguas
litorales, y elaborar mapas de desastres, las seis familias de satélites
Sentinel conformarán el núcleo de la red de vigilancia medioambiental
Copernicus de la Unión Europea, esta iniciativa emblemática de la UE ofrece
información operacional de las superficies emergidas, los océanos y la
atmósfera de nuestro Planeta para facilitar la adopción de políticas
medioambientales y de seguridad, y para responder a las necesidades de
ciudadanos y proveedores de servicios, cada misión Sentinel está formada
por una constelación de dos satélites, lo que permite cumplir los requisitos
de cobertura y frecuencia de observación y ofrecer un conjunto de datos
para los servicios del programa Copérnico, estas misiones transportan las
tecnologías más avanzadas para la observación de la Tierra, como los
instrumentos radar o multiespectrales que permitirán monitorizar cualquier
cambio en el terreno, en los océanos o en la atmósfera” (Olcoz 2016).

2.2.12 Satélite modis

“El sensor, llamado MODIS (Moderate esolution Imaging Spectroradiometer)

viaja a bordo del satélite Terra de la NASA, y "ve" las radiaciones infrarrojas
emitidas por los incendios allá abajo, en la superficie del planeta, la
información del MODIS puede ser transformada rápidamente en Mapas
Activos de Incendios, que muestran donde están activos los incendios de
bosques y hacia donde se mueven la información muy apreciada por los
estrategas de la lucha contra el fuego, Los Mapas Activos de Incendios
ofrecen la posibilidad de comprender el gran escenario cuando se trata de
tomar decisiones para distribuir los recursos, los mapas pueden, además,
ayudar a que el público comprenda donde están los incendios” (Tonatto et al.
2008).

36
“Terra-MODIS y Aqua-MODIS cubren la superficie de la tierra cada 1 a 2
días, adquiriendo datos en 36 bandas espectrales, estos datos nos ayudan a
comprender la dinámica global de la Tierra; el comportamiento en la
superficie terrestre, en los océanos y en la atmósfera, MODIS está
desempeñando un papel vital en el desarrollo de modelos validados y
globales capaces de predecir el cambio global que está sufriendo el planeta
Tierra y así tomar decisiones sanas referentes a la protección de nuestro
ambiente” (Chuvieco et al. 2002).

37
 CAPÍTULO III: METODOLOGÍA DE INVESTIGACIÓN

3.1 Tipo de estudio

“La investigación es de tipo descriptiva y correlacional, ya que se tratara de

ver la cuantificación de área deforestada por cicatrices de quemas por
incendios, así como la correlación entre incendios forestales y la superficie
deforestada a partir de focos de calor” (Baray 2006; Castro 2003; Cazau
2006; Hernández et al. 2010).

3.2 Diseño de investigación

“En cuanto al diseño la investigación es Transaccional o transversal ya que

se analiza las áreas deforestadas y describe las variables en periodos
determinados (2011, 2013 y 2016)” (Baray 2006; Castro 2003; Cazau 2006;
Hernández et al. 2010).

3.3 Población

El área de estudio comprende el distrito de Las Piedras, su capital es

la localidad de Planchón, y cuenta con una superficie de 760 560,15 ha (7
605,60 km²), (Figura 1).

3.4 Muestra

“Para determinar el número de muestras a colectar en campo se utilizó la

distribución binomial de probabilidad” (Anaya y Chuvieco 2010; Chuvieco y
Hantson 2010), calculándose el tamaño de muestra mediante la fórmula (1):

(1)

38
Figura 1. Ubicación del área de estudio, distrito de Las Piedras – provincia de Tambopata –
Madre de Dios.

Dónde:

Z: Es el valor de la curva normal estandarizada para un nivel determinado de

probabilidad, 1,96 (95%).

p: indica el porcentaje de aciertos estimado, 0,50 (50%).

q: Indica el porcentaje de errores (q = 1 – p), 0,50 (50%).

N: Tamaño de la población.

E: El error permitido, 0,05 (5%).

“Esta muestra fue distribuida, de tal forma que sea representativa de la

totalidad del área, ello se dio a través de un diseño de muestreo probabilista,
donde todas las unidades de muestreo presentes en el área tuvieron una

39
probabilidad conocida superior a cero de ser seleccionadas, a esta
probabilidad de selección se le denomina probabilidad de inclusión, las
técnicas de muestreo empleada fue el aleatorio estratificado, las
coordenadas de los puntos muestreados se presentan en el Anexo 1, y
Figura 2, la muestra se realizó de acuerdo con los focos de calor y cicatrices
de quemas visualizadas en las imágenes de satélite, Figura 3, en el anexo 2,
se presentan muestras fotográficas de estas cicatrices”.

Figura 2. Distribución de muestras para validar cicatrices de quemas, Las Piedras,

Tambopata – Madre de Dios.

Figura 3. Validación de cicatrices o áreas quemadas con imágenes PlanetScope de 3 m

(izquierda) y WorldView (derecha) de 0,38 m de resolución espacial.

40
3.4 Método y técnicas

3.4.1 Lugar de estudio

“El departamento Madre de Dios está ubicado en la parte sur oriental del
territorio nacional, limita por el norte con el departamento de Ucayali y la
República de Brasil, por el sur con los departamentos de Puno y Cusco, por
el este con la República de Bolivia y al oeste con los departamentos de
Cusco y Ucayali, posee una frontera internacional de 584 km, de los cuales
314 km son con Brasil y 270 km con Bolivia, el departamento de Madre de
Dios está dividido políticamente en 3 provincias y 11 distritos” (GOREMAD y
IIAP 2009).

El área de estudio comprende el distrito de Las Piedras, su capital es

la localidad de Planchón. El distrito limita con:

 Norte: con la provincia de Tahuamanu.

 Sur: con el distrito de Tambopata.

 Este: con la República de Bolivia.

 Oeste: con el distrito de Tambopata y la provincia de Tahuamanu.

3.4.2 Clima e hidrografía

“El clima es de tipo tropical: cálido, húmedo y con abundantes

precipitaciones pluviales, la temperatura media anual es de 26°C; las
máximas llegan a 38°C entre agosto y setiembre; las mínimas descienden a
8°C, las precipitaciones son escasas entre los meses de junio a agosto, con
una época lluviosa entre diciembre y marzo, los recursos hídricos están
constituidos por un rio caudaloso y riachuelos que atraviesan el distrito,
constituyéndose en el principal medio de comunicación y transporte, así
como también por su contenido de fauna (peces, nutrias, etc.) que son, en
parte, la base de la alimentación de los pobladores de la zona, la vegetación
que predomina y abarca la mayor superficie corresponde a la clasificación de
bosque húmedo tropical” (GOREMAD y IIAP 2009).

41
3.4.3 Método

El procesamiento de datos de focos de calor (hotspot) detectadas por el

sensor MODIS de los periodos 2011, 2013 y 2016, se aplicó la
Autocorrelación espacial (I de Moran) propuesta por Moran (1950), que
caracteriza una señal entre otras regiones en el espacio multi-dimensional y
multi-direccional, es decir mide la cantidad de objetos cercanos en
comparación con otros objetos cercanos. El I de Moran puede ser clasificado
como positivo (cercano +1), negativo (cercano -1) y sin autocorrelación
espacial (0).

Para la evaluación de cicatrices o áreas quemadas se utilizó imágenes

Landsat 5 TM (Tabla 2), correspondientes al año 2011, y Landsat 8 OLI
(Tabla 2), para el año 2013. Para el año 2016 se utilizó imágenes Sentinel
2A (Tabla 3), todas están incluidas en el Sistema Geodésico Mundial (WGS)
84 datum. Estas imágenes de satélites fueron elegidos en base a la
disponibilidad de imagen libre de nubes durante la estación seca de junio a
septiembre.

Tabla 2. Información de adquisición de imágenes Landsat

Sensor Pat Row Fecha de Imagen

Landsat 5TM 002 68 27 de agosto 2011
Landsat 5TM 002 69 28 de septiembre 2011
Landsat 5TM 003 68 03 de septiembre 2011
Landsat 8 OLI 002 68 01 de septiembre 2013
Landsat 8 OLI 002 69 01 de septiembre 2013
Landsat 8 OLI 003 68 06 de julio 2013

Fuente: USGS (2018).

Para la determinación de áreas quemadas, se aplicó a través del cociente

normalizado de quema (NBR) que discrimina áreas quemadas, en nuestro
caso Landsat (TM y OLI 8) y Sentinel 2A (Chuvieco et al. 2008).

42
Tabla 3. Información de adquisición de imágenes Sentinel 2A
Sensor Pat Row Fecha de Imagen
Sentinel 2A 006 142 25 de agosto 2016
Sentinel 2A 006 142 25 de agosto 2016
Sentinel 2A 006 328 07 de septiembre 2016
Sentinel 2A 006 328 07 de septiembre 2016
Sentinel 2A 006 328 07 de septiembre 2016
Sentinel 2A 007 186 06 de noviembre 2016
Fuente: USGS (2018).

Este análisis se basa en el contraste entre el infrarrojo cercano (ρIRC, 0,78–

0,90 μm) que es sensible al contenido de agua en el suelo y la vegetación, el
infrarrojo de onda corta (ρSWIR, 2,09–2,35 μm), que es sensible a la
detección de vegetación muerta o no fotosintética, en un entorno post-
incendio (Jia et al. 2006; Kokaly et al. 2007) en la ecuación 2:

(2)

Donde:

NBR = Cociente normalizado de quema

ρIRC = reflectividad del píxel i en la región del infrarrojo cercano.

ρSWIR = reflectividad del píxel i en la región del infrarrojo medio de onda

corta.

A nivel de Post-clasificación se rectificó y clasifico cada imagen, comparando

píxel a pixel (Jensen et al. 1991; Xiuwan 2002), y el grado de severidad a
través de una comparación multitemporal de post incendio (Chuvieco et al.
2008; Miller y Thode 2007; Van Wagtendonk et al. 2004).

Previo a la post-clasificación, se realizó la validación de los resultados, para

ello, se empleó un método mixto. Primero, a través de la recolección de
puntos de las áreas de entrenamiento extraídas de las diferentes zonas de
cicatrices de quemas en el distrito las Piedras, a través de la verificación in
situ mediante del uso de GPS (Garmin Map 60 CSx, y Garmin Map 62 CSx).

43
Segundo, verificación de cicatrices de quemas a través de imágenes de alta
resolución PlanetScope (3 m) y WorlView (0,38 m) (Planet Team 2017).
Culminada esta etapa se realizó la validación a través de una matriz de
confusión (cuya exactitud será medida mediante el índice de Kappa).

3.4.4 Técnicas de recopilación de datos

Material bibliográfico: “Esta etapa se realizó durante todo el proceso de la

elaboración de la tesis, a través de la búsqueda exhaustiva de información
relacionado al presente estudio”.

Selección y obtención de imágenes satelitales:

1. Inicialmente se procedió a obtener una serie temporal de anomalías

térmicas o focos de calor (hotspot) detectadas por el sensor MODIS y
procesadas en un software especializado (Chuvieco et al. 2012). Los
focos de calor o anomalías térmicas fueron adquiridos en formato
shapefile de los periodos 2011, 2013 y 2016. La detección del foco
activo de fuego se realiza a través de un algoritmo contextual que
utiliza la fuerte emisión de radiación en el infrarrojo medio de los
incendios (Davies et al. 2009; Giglio et al. 2003).

2. Seguidamente se utilizaron imágenes provenientes del satélite

Landsat 5TM (Tabla 4) y (Figura 4), para el año 2011, Landsat OLI 8
(Tabla 5) y (Figura 5), para el años 2013, y para el año 2016 se
empleó el sensor Sentinel 2A (Tabla 6) y (Figura 6), con una
resolución de 20m x 20m por píxel, Las imágenes fueron obtenidas de
la base de datos de la Agencia Espacial Europea – ESA, y del centro
LP DAAC de la NASA.

44
Tabla 4. Características de la imagen de satélite Landsat 5 TM

Longitudes de
Satélite Bandas espectrales Resolución
Onda (µm)
Banda 1-Azul 0,45-0,52 30m
Landsat Thematic Mapper 5 (TM5)

Banda 2-Verde 0,53-0,61 30m

Banda 3-Rojo 0,63-0,69 30m
Banda 4-Infrarojo cercano 0,78-0,90 30m

Banda 5-Infrarrojos de onda corta 1,55-1,75 30m

Banda 6-Infrarojo térmico 10,4-12,5 60m

Banda 7-Infrarojos de onda corta 2,09-2,35 30m

Fuente: (Li et al. 2013; Roy et al. 2014; Sokeng et al. 2016).

Figura 4. Imagen de satélite Landsat 5 TM, composición de banda 5-4-3 (2011-07-09, 002-
068, 002-069, 003-068).

45
Tabla 5. Características de la imagen de satélite Landsat 8 OLI
Longitud de
Satélite Bandas Espectrales Resolución
Onda (μm)
Banda 1-Costero/Aerosol 0,433-0,453 30m
Banda 2-Azul 0,450-0,515 30m
Banda 3-Verde 0,525-0,600 30m
Banda 4-Roja 0,630-0,680 30m
OLI Banda 5-Infrarrojo cercano 0,845-0,885 30m
LANDSAT-8

Banda 6-Infrarrojo de onda corta 1,560-1,660 30m

Banda 7-Infrarrojo de onda corta 2,100-2,300 30m
Banda 8-Pancromátca 0,500-0,680 15m
Banda 9-Cirrus 1,360-1,390 30m
Banda 10-Infrarrojo termal o de onda
10,30-11,30 100m
larga
TIRS
Banda 11-Infrarrojo termal o de onda
11,50-12,50 100m
larga
Fuente: (Li, et al. 2013; Roy, et al. 2014; Sokeng, et al. 2016).

Figura 5. Imagen de satélite Landsat 8 OLI, composición de banda 6-5-4 (2013-07-9, 002-
068, 002-069, 003-068).

46
Tabla 6. Características de las imágenes Sentinel 2A
Longitud de Ancho de
Resolución
Bandas onda central banda Propósito
(m)
(nm) (nm)
B01 60 443 20 Detección de aerosoles
B02 10 490 65 Azul
B03 10 560 35 Verde
B04 10 665 30 Rojo
B05 20 705 15 Clasificación de vegetación
B06 20 740 15 Clasificación de vegetación
B07 20 783 20 Clasificación de vegetación
B08 10 842 115 Infrarrojo cercano
B08A 20 865 20 Clasificación de vegetación
B09 60 945 20 Vapor de agua
B10 60 1375 30 Nubes grises
Nieve/hielo/nube de
B11 20 1610 90
discriminación
Nieve/hielo/nube de
B12 20 2190 180
discriminación
Fuente: Malenovský et al. (2012).

Figura 6. Imagen de satélite Sentinel 2A, composición de banda SWIR 1, Near Infrared y
Red (2016-08-09-11).

47
Para la selección de las imágenes se consideró que el Path-row presente la
menor nubosidad, ya que podría inferir negativamente en la clasificación de
cicatrices de quemas. Para ello se seleccionó imágenes de época no lluviosa
en el área y que tenga similitud de fecha en los años 2011, 2013 y 2016.

3.4.5 Análisis de focos de calor y clasificación supervisada de la

imagen satelital

Análisis de focos de calor

El procesamiento de datos de focos de calor (hotspot) detectadas por el

sensor MODIS de los periodos 2011, 2013 y 2016, se aplicó la
Autocorrelación espacial (I de Moran) propuesta por Moran (1950), que
caracteriza una señal entre otras regiones en el espacio multi-dimensional y
multi-direccional, es decir mide la cantidad de objetos cercanos en
comparación con otros objetos cercanos. El I de Moran puede ser clasificado
como positivo, negativo y sin autocorrelación espacial.

La autocorrelación espacial positiva es cuando valores similares se agrupan

en un mapa. La autocorrelación espacial negativa es cuando valores
disímiles se agrupan en un mapa, mientras que un valor de 0 típicamente
indica que no hay autocorrelación.

La I de Moran se define mediante la ecuación 3:

∑ ∑ ̅ ( ̅)
∑ ∑ ∑ ̅
(3)

Donde
I = autocorrelación entre variables
N = es el número de unidades espaciales indexados por i y j: X es la variable
de interés; ̅ es la media de X, wij es un elemento de una matriz de pesos
espaciales.

El valor esperado de la I de Moran bajo la hipótesis nula de no

autocorrelación espacial es:
(4)

48
Los criterios de valoración son:

 alto-alto: una unidad territorial con un valor de análisis por encima del
promedio, rodeada significativamente por áreas vecinas que también
se encuentran por sobre la media con respecto a la variable de
interés. Estas unidades territoriales corresponden a los denominados
conglomerados calientes (hot spots).
 bajo-bajo: una unidad territorial con un valor de análisis inferior al
promedio, rodeada por áreas vecinas que también se encuentran bajo
la media en relación con la variable de interés. Estas unidades
territoriales corresponden a los denominados conglomerados fríos
(cold spots).
 bajo-alto: presencia de una unidad territorial con un valor de análisis
bajo, rodeada significativamente por áreas vecinas con valores que se
encuentran por sobre la media de la variable de interés.
 alto-bajo: presencia de una unidad territorial con un valor de análisis
alto, rodeada significativamente por áreas vecinas con valores que se
encuentran bajo la media de la variable de interés.
 relación no significativa: presencia de unidades territoriales donde el
valor de análisis de la variable de interés no se relaciona
significativamente con los valores que presentan sus vecinos.

Clasificación supervisada de la imagen satelital

Es un tratamiento digital que se basa en intensidad radiométrica de cada

píxel en las distintas bandas utilizadas para su interpretación. La
clasificación para el presente estudio comprenderá 3 fases:

1. Pre-Procesamiento: “El cual consistió en realizar todos los procesos

necesarios para la preparación de los datos satelitales, para su
posterior clasificación, comprendiendo así desde la unión de bandas
hasta el recorte del área de interés”.

2. Procesamiento: “Clasificación propiamente dicha de la imagen, en

donde se localizó lugares concretos en la imagen de satélite (con

49
 ayuda de información de campo e interpretación de fotografías aéreas
o por conocimiento propio) que representen ejemplos homogéneos de
las cicatrices de quema a determinar, el método seleccionado para
generar información referencial de áreas quemadas fue el cociente
normalizado de quema (NBR) que discrimina áreas quemadas (2)”.

Para la imagen Landsat 5TM (año 2011) se aplicó el algoritmo (5)

(5)

Para la imagen Landsat 8 OLI (año 2013), el algoritmo (6)

(6)

Para Sentinel 2, el algoritmo utilizado fue el (7)

(7)

Los valores esperados por el índice NBR están comprendidos entre -1

y 1, de manera que los valores negativos corresponden a las zonas
quemadas.

3. Post-Clasificación: “Se rectifico y clasifico cada imagen, para luego

ser comparados píxel a pixel” (Jensen et al. 1991; Xiuwan 2002), “en
el caso de quemas, muchos estudios demuestran la potencialidad
para clasificar cicatrices de quemas o incendios forestales, así como
evaluar el grado de severidad a través de una comparación
multitemporal de post incendio” (Chuvieco et al. 2008; Miller y Thode
2007; Van Wagtendonk et al. 2004).

3.5 Tratamientos de datos

Se aplico un tratamiento mixto:

Primero, “se utilizó la matriz de confusión, test de estadística descriptiva

usada para comparar una clasificación resultante con información fehaciente

50
de terreno” (Chuvieco 2002; Chuvieco y Hantson 2010; Elijah y Jensen
1996), “la verificación de campo se realizó en septiembre de 2016, la
exactitud o precisión de este test fue medido por el Índice de Kappa el cual
refleja la concordancia inter-observador y puede ser calculado en tablas de
cualquier dimensión, siempre y cuando se contrasten dos observadores”
(Cerda y Villarroel 2008).

“El coeficiente kappa (κ), (Tabla 7) toma valores entre -1 y +1; mientras más
cercano a +1, mayor es el grado de concordancia inter-observador, por el
contrario, un valor de κ = 0 refleja que la concordancia observada es
precisamente la que se espera a causa exclusivamente del azar, la
interpretación del coeficiente kappa se realiza correlacionando su valor con
una escala cualitativa que incluye seis niveles de fuerza de concordancia
(pobre, leve, aceptable, moderada, considerable y casi perfecta),
simplificando la comprensión del mismo” (Landis y Koch, 1977 citado por
Cerda et al., 2008).

Tabla 7. Valoración del coeficiente kappa

Coeficiente Fuerza de la Concordancia
Kappa

0, 00 Pobre (Poor)

0,01 – 0,20 Leve (Slight)

0,21 – 0,40 Aceptable (Fair)

0,41 – 0,60 Moderada (Moderate)

0,61 – 0,80 Considerable (Substantial)

0,81 – 1,00 Casi perfecta (Almost perfect)
Fuente: (Cerda y Villarroel 2008; Landis y Koch 1977).

Segundo, “se utilizó imágenes de alta resolución PlanetScope (3 m de

resolución espacial) y WorldView (0,38 m de resolución espacial) del año
2016, esta última se empleó en lugares de difícil acceso” (Planet Team
2017).

51
3.5.2 Análisis estadístico

Para el análisis estadístico se utilizó la estadística descriptiva e inferencial,

para ello se aplicó el programa Microsoft Excel, SigmaPlot 12,5®, ENVI
5,3®, y ArcGis 10,5®.

Para el primer objetivo, sobre caracterizar el espacio temporal de los focos

de calor (incendios) durante el periodo 2011-2016 en el distrito Las Piedras-
Tambopata-Madre de Dios, se aplicó la Autocorrelación espacial (I de
Moran) con el software ArcGis 10,5®.

Respecto al segundo objetivo, sobre Cuantificar la superficie deforestada a

causa de los incendios forestales durante el periodo 2011-2016 en el distrito
Las Piedras-Tambopata-Madre de Dios, se aplico cociente normalizado de
quema (NBR) a través de los softwares ENVI 5,3® y ArcGis 10,5®.

El tercer objetivo, sobre el comportamiento dinámico-espacial de la

superficie deforestada a causa de los incendios forestales a partir de focos
de calor durante el periodo 2011-2016 en el distrito Las Piedras-Tambopata-
Madre de Dios, se aplicó la Autocorrelación espacial (I de Moran) con el
software ArcGis 10,5®.

Por último, el cuarto objetivo, sobre la correlación de la superficie

deforestada a causa de los incendios forestales a partir de focos de calor
durante el periodo 2011-2016, se aplico la correlación de Pearson y
Autocorrelación espacial (I de Moran - Bivariante).

52
 CAPÍTULO IV: RESULTADOS DEL TRABAJO DE
INVESTIGACIÓN

4.1 Caracterización espacio temporal de los focos de calor

Los focos de calor son identificados por diferentes sensores de satélites de

forma diaria las 24 horas, el estudio considero el reporte del sensor MODIS
de los años 2011, 2013 y 2016. Los focos de calor son importantes por ser la
primera alerta temprana de una posible quema y su monitoreo. En el distrito
de Las Piedras se reportó en el año 2016 un total de 1 765 focos de calor,
que representan un aumento del 563,33% respecto al año 2013, y 782,50%
respecto al año 2011. Los datos muestran una tendencia creciente de focos
de calor en los últimos años. (Figura 7)

900
800
Número de focos de calor

700
600
500
400
300
200
100
0
Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
2011 0 12 63 111 14 0 0
2013 0 0 24 212 20 9 1
2016 31 264 846 624 0 0 0

2011 2013 2016

Años

Figura 7. Análisis multi-temporal de focos de calor en Madre de Dios.

53
Los resultados concuerdan con los hallazgos reportados por Chuvieco et al.
(2012), donde las tendencias temporales de focos de calor (25 años) del
sensor MODIS en la zona mediterránea de Portugal se incrementan,
detectando la ocurrencia de grandes incendios, sin embargo, el
comportamiento cambia en las zonas de España y Chile central, donde la
tendencia de variación es mínima. Del mismo modo, Santos, et al. (2011),
reportaron una mayor incidencia de puntos calientes durante los años 2007 a
2009 en la región media del extremo oeste de Bahía, atribuyendo las causas
del aumento o reducción a factores como la pluviometría y la acción
antropogénica (ganadería y agricultura). A nivel del Perú, Zamora (2016),
reporta un incremento de los focos de calor en la amazonia peruana de los
años 2000 y 2015 a través de los sensores MODIS, VIIRS y MODIS (Aqua y
Terra), atribuyendo a la roza y quema de los bosques y comunidades
vegetales.

Por su parte, Trinidade y Carvalho (2011), muestran una tendencia a la

reducción de puntos calientes en el período de 1998 a 2009 en el estado de
Mato Grosso, y ello debe en gran parte, por la implementación de sistemas de
monitoreo de quemas, así como la aplicación de normas cada vez más
drásticas para los trabajadores del campo que afectan el bosque y la salud
pública.

La figura 8 muestra los resultados de la prueba de autocorrelación espacial a

través del coeficiente I de Moran. Estos resultados indican que el patrón no
parece ser significativamente diferente al azar, por lo que no presenta
autocorrelación (I = 0,256, Z = 0,709) (Moran 1950). Los resultados son
similares a lo reportado por Alejandro y Di Bella (2018), donde, la
caracterización de los focos de calor, régimen de incendios, su relación con
el clima y su efecto en la resiliencia y estructura de la vegetación, mostraron
una distribución espacial aleatoria en parte de los periodos 2000 - 2011.

54
 1,60
0,90
0,20
-0,50
-1,20
,90
-1,90 -1,20 -0,50 -0,20 -0,90 -1,60

Figura 8. Autocorrelación espacial de focos de color del año 2011.

La figura 9 muestra los resultados de la prueba de autocorrelación espacial a

través del coeficiente I de Moran. Estos resultados indican la presencia de
una autocorrelación positiva y estadísticamente no significativa (I = 0,359, Z
= 1,654); es decir, una tendencia a la concentración espacial de
calificaciones. El valor de Z es menor a 2,58, por lo que puede concluirse
con un nivel de confianza de 90% que la concentración no es aleatoria, con
el supuesto de una distribución normal de valores probables de Z i (Moran
1950).

Los resultados son similares a lo reportado por Alejandro y Di Bella (2018),

donde, la caracterización de los focos de calor, régimen de incendios, su
relación con el clima y su efecto en la resiliencia y estructura de la
vegetación, mostraron una distribución espacial agrupada bajo – bajo en
parte de los periodos 2000 – 2011.

La figura 10 muestra los resultados de la prueba de autocorrelación espacial

a través del coeficiente I de Moran. Estos resultados indican la presencia de
una autocorrelación positiva y estadísticamente significativa (I = 0,324, Z =
7,235); es decir, una tendencia a la concentración espacial de calificaciones.
El valor de Z es mayor a 2,58, por lo que puede concluirse con un nivel de

i
El valor crítico para rechazar una hipótesis como no estadísticamente significativa o probable bajo
una curva normal de probabilidades es de 2,58 o menos; si es el caso, se rechaza la hipótesis de
aleatoriedad, y concluimos que la configuración geográfica de estas calificaciones no es aleatoria.

55
confianza de 99% que la concentración no es aleatoria, con el supuesto de
una distribución normal de valores probables de Z.

2,30
1,30
0,30
-0,70
-1,70
-2,70
-2,70 -1,70 -0,70 0,30 1,30 2,30

Figura 9. Autocorrelación espacial de focos de color del año 2013.

Los resultados son similares a lo reportado por Alejandro y Di Bella (2018),

donde, la caracterización de los focos de calor, régimen de incendios, su
relación con el clima y su efecto en la resiliencia y estructura de la
vegetación, mostraron una distribución espacial agrupada bajo – alto en
parte de los periodos 2000 – 2011.

Figura 10. Autocorrelación espacial de focos de color del año 2016.

56
4.2 Superficie y dinámica-espacial de la deforestación a causa
de incendios forestales

La evaluación de la superficie deforestada por efecto de los incendios

forestales durante el periodo 2011 – 2016 en el distrito Las Piedras –
Tambopata - Madre de Dios, a través de focos de calor tomados por el
satélite MODIS, y su validación con imágenes Landsat 5 TM y 8 OLI, no ha
podido desarrollarse en marco al agente impulsor “incendios forestales”, ello
debido a factores como la sensibilidad de los sensores en la discriminación
cicatrices o áreas quemadas por incendios forestales o incendios, así como,
la dinámica y la cultura de trabajo en las diferentes partes de la región
amazónica del Perú, en nuestro caso, el distrito de Las Piedras – Madre de
Dios, donde se practica la agricultura de roza, tumba y quema, también
conocida como agricultura nómada o itinerante.

Por estas razones, el trabajo se enfocó en mostrar resultados de la

superficie deforestada por efecto de los incendios durante el periodo 2011 –
2016 en el distrito Las Piedras – Tambopata - Madre de Dios.

Bajo ese esquema, los resultados obtenidos en las tres imágenes del satélite
Landsat 5 TM, 8 OLI, y Sentinel 2A son similares, por lo tanto, las imágenes
tienen una distribución prácticamente idéntica a simple vista, sin embargo, al
analizar los valores de los pixeles vemos que difieren poco.

Las variaciones son debidas a la resolución temporal y disponibilidad de

imágenes del área de estudio con las menores anomalías (tabla 2 y 5).

Los resultados provistos por las imágenes Sentinel 2A (figura 13), los valores
de NBR son más amplios que las imágenes Landsat (figura 11 y 12), aunque
en general los valores de NBR oscilan entre -1 y 1 (Chuvieco et al. 2012).

Las imágenes landsat presentan valores de NBR correspondiente a áreas

deforestadas (cicatrices o áreas quemadas) a causa de incendios en el
rango de -0,20 a 0,10, mientras que los valores del satélite Sentinel 2 entre -
0,45 a 0,10, estos valores concuerdan con los hallazgos de Delgado (2017).

La cuantificación de áreas deforestadas a través del NBR para el año 2011

(figura 11) reporto 2 535, 91 ha. Para el año 2013 (figura 12), la

57
cuantificación de áreas deforestadas a través del NBR reporto 1 720,80 ha.
Mientras, que para el año 2016 (figura 13), la cuantificación de áreas
deforestadas a través del NBR reporto 7 081,74 ha.

ii

Figura 11. NBR y áreas quemadas captadas en imágenes satélite Landsat 5TM, año 2011.
i) agosto 2011 y ii) setiembre 2011.

58
iii

iv

Figura 12. NBR y áreas quemadas captadas en imágenes satélites Landsat 8 OLI, año 2013
iii) julio 2013 y iv) setiembre 2013.

59
v

vi

Figura 13. NBR y áreas quemadas captadas en imágenes satélites Sentinel 2A, año 2016
v) agosto 2016 y vi) setiembre 2016

60
En cuanto a la dinámica espacial y temporal de las áreas deforestadas por
incendios (figura 14), esta, presenta altibajos en los años evaluados, el 2011
(2 535, 91 ha) presenta una mayor cuantificación de áreas deforestadas
respecto al año 2013 (1 720,80 ha), esta tendencia cambia
considerablemente, y se incrementa para el año 2016 en 7 081,74 ha,
311,54% y 179,26% respecto al año 2013 y 2011.

El reporte de la tendencia creciente de áreas deforestadas por incendios

coinciden por los hallazgos globales reportados por Verhegghen et al. (2016),
donde la cubierta vegetal de la cuenca del Congo, principalmente conformado
por Marantaceae, se ve afectada por los incendios de origen antropogénico al
año 2016. Del mismo modo, Fuentes (2015), reporta una superficie total
significativa creciente afectada por incendios en 2013 de 33 885 ha, lo que
representa el 0,52% del área total del departamento de Pando.

8 000
7 081,74
7 000

6 000
Hectarea (ha)

5 000

4 000

3 000 2 535,91

2 000 1 720,80

1 000

0
2011 2013 2016
Año

Figura 14 Dinámica de cambios de superficie de áreas quemadas en el distrito de Las

Piedras, años 2011, 2013 y 2016.

En esa misma línea, Rodriguez (2012), muestra área quemadas en la

amazonia Boliviana. El monitoreo de áreas quemadas cuantifica una serie de
once años en 22 012 910 ha, de las cuales el 20% (4 287 512 ha)
corresponden a incendios forestales y la mayor parte de las superficies de
quemas en pastos y sabanas. Alencar et al. (2011), muestra una serie

61
temporal de 23 años de cicatrices anuales de quemaduras en un bosque
fragmentado del Amazonas oriental, donde cuantifica la conversión del bosque
quemado a otros usos del suelo en un área de 32 400 km2. Asimismo,
Rodrigues y Borges (2011), reporta áreas afectadas por incendios en el
período comprendido entre los años 2004 y 2009 en el Parque Nacional
Chapada Diamantina y su zona de amortiguamiento aumentó. Atribuyéndose a
causas antropogénicas, el 64% es agrícola y el 36% está relacionado con la
minería y la caza.

A nivel local, Frisancho et al. (2013), en el distrito de Iñapari, Madre de Dios

– Perú, a través del NVDR determino para el 2010, 1979,70 ha, 206% más
de áreas afectas por el fuego que el año 2009 (579,03 ha). Los resultados
respaldan el trabajo propuesto, por lo que podemos deducir la creciente
actividad antropogénica en la conversión del bosque y formaciones
vegetales para usos agrícolas.

4.2.1 Evaluación de precisión de clasificación

La evaluación en la precisión de la clasificación de la imagen Sentinel 2A del

año 2016, reporta un 85,57% de precisión global, mientras que el coeficiente
Kappa muestra una clasificación total del área de estudio de 0,8101.

Según los rangos del coeficiente kappa (κ) (0,8101), presenta una fuerza de
concordancia casi perfecta (0,81 – 1,00), por lo que se deduce que nos
encontramos ante una correcta clasificación de las categorías, y que
simplifica la comprensión del área de estudio (Cerda y Villarroel 2008).

Los errores de “omisión” y “comisión” expresan dos enfoques del mismo

problema. “Los primeros se refieren a una definición imperfecta de la
categoría y los segundos, a una delimitación excesivamente amplia, desde
otro punto de vista, algunos autores hablan de exactitud del usuario y del
productor. La primera está en relación inversa con los errores de omisión,
mientras la segunda lo está con los de comisión” (Barandela 1987; Cortijo y
erez de la Blanca 1996). En nuestro caso, se utilizó 383 puntos de muestreo,
229 verificados en campo (anexo 1), y 154 a través de imágenes de satelite

62
de alta resolución (PlanetScope y WorldView). Del total, 341 fueron
clasificadas como áreas deforestadas por incendios, y 42 fueron confundidas
con otras categorías. (Tabla 8).

Tabla 8. Precisión de resultados, imagen del año 2016

Productores Usuarios
Nivel de Clasificados Número
Referencia (omisión) (comisión)
clasificación Totales Correcto
Totales Precisión Precisión

Áreas
deforestadas por 383 341 341 85,57% 100,00%
incendios

Totales 383 341 341

Según Hudson (1987), el Índice de Kappa o coeficiente de conformidad de

capa, es una medida de la exactitud de la clasificación y su varianza es
usada en la comunidad de teledetección, para realizar pruebas estadísticas
de diferencias significativas, cuando la efectividad global es elevada se
corresponde con un valor elevado del Índice de Kappa, aunque no es una
relación lineal muestra un elevado grado de concordancia, en nuestro caso
muestra una concordancia casi perfecta (0,8101), por lo que determina que
las fases de muestreo, de pre-procesamiento de las muestras de
aprendizaje/control, la fase del entrenamiento y método de clasificación han
sido certeros (Hart 1968; Pontius 2000; Preparata y Shamos 1985).

4.3 Nivel de acierto y correlación de la superficie deforestada a

causa de incendios forestales y focos de calor

La figura 15 muestra la totalidad de focos de calor evaluados en el distrito de

Las Piedras, separado por aciertos y no validos del satélite MODIS. El total
de focos analizados suman 200, 266 y 1 765, para los años 2011, 2013 y
2016. Los focos de calor “acertados” son aquellos que efectivamente
presentaron una cicatriz de quema dentro de su buffer cuadrado. El
porcentaje de acierto de los focos de calor son: 36,50% (73 puntos) para el
2011, 16,54% (44 puntos) para el 2013, y 66,74% para el año 2016 (1178

63
puntos). De la evaluación, se deduce que los focos de calor son buenos
definidores de los incendios ocurridos en una determinada zona, pero no
describen adecuadamente la ignición, por un lado, ya que apenas recogen
incendios de tamaño pequeño y, por otro, muchos puntos de calor pueden
referirse al mismo incendio si es suficientemente grande y extenso en el
tiempo (Chuvieco et al. 2012), esta analogía, explica nuestros resultados, el
año 2011 y 2013, la presencia de un número reducido de focos de calor en
el distrito de Las Piedras, presenta un nivel bajo de aciertos en la
determinación de cicatrices o áreas quemadas.

2016
Año

2013

2011

0 200 400 600 800 1000 1200 1400 1600 1800 2000

2011 2013 2016

Puntos acertados 73 44 1178
No válidos 127 222 587

Número de focos de calor

Figura 15. Total de focos de calor analizados en la determinación de cicatrices o áreas

quemadas; aciertos y no válidos.

Mientras que el año 2016, el nivel de aciertos sube considerable en función

al incremento del número de focos de calor, este comportamiento es
respaldado por los hallazgos reportados por Zamora (2016), en su estudio
“Análisis histórico de los focos de calor en el Perú (2000 – 2015)”.

Para evaluar la correlación de la superficie deforestada a cacusa de los

incendios forestales a partir de focos de calor, se determinó la relación del
número de focos de calor por superficie de cicatriz o área quemada.

64
Los valores de cicatrices o áreas quemadas y de los focos de calor para el
año 2011 presenta una correlación positiva considerable (r = 0,75 < r <
0,90), mostrando que a medida que incrementan el número de focos de calor
aumentan las áreas deforestadas productos de incendios (Figura 16).

Para el año 2013, los valores de cicatrices o áreas quemadas y de los focos
de calor presenta una correlación positiva considerable (r = 0,75 < r < 0.90),
mostrando que a medida que incrementan el número de focos de calor
aumentan las áreas deforestadas productos de incendios (Figura 17).

180 r = 0,898
R² = 0,806
160

140

120
Área (ha)

100

80

60

40

20

0
0 2 4 6 8 10 12 14
Número de focos de calor

Figura 16. Correlación espacial del área deforestada por incendios y de focos de color del
año 2011.

65
 300 r = 0,776
R² = 0,602
250

200
Área (ha)

150

100

50

0
0 1 2 3 4 5 6 7
-50
Número de focos de calor

Figura 17 Correlación espacial del área deforestada por incendios y de focos de color del
año 2013.

Finalmente, los valores de cicatrices o áreas quemadas y de los focos de

calor para el año 2016 presenta una correlación positiva muy fuerte (r = 0,90
< r < 1,0), mostrando que a medida que incrementan el número de focos de
calor aumentan las áreas deforestadas productos de incendios (Figura 18).

6000 r = 0,963
R² = 0,922
5000

4000
Área (ha)

3000

2000

1000

0
0 5 10 15 20 25 30
-1000
Número de focos de calor

Figura 18. Correlación espacial del área deforestada por incendios y de focos de color del
año 2016.

66
De la evaluación, se deduce que los focos de calor son buenos definidores
de los incendios ocurridos en una determinada zona, pero no describen
adecuadamente la ignición, por un lado, ya que apenas recogen incendios
de tamaño pequeño y, por otro, muchos puntos de calor pueden referirse al
mismo incendio si es suficientemente grande y extenso en el tiempo
(Chuvieco et al. 2012). Con este argumento, la correlación calculada entre el
área deforestada por incendios y número de puntos de calor es positiva, de
considerable a muy fuerte, por lo que podríamos deducir la correcta
predicción de cicatrices o áreas quemadas a través de focos de calor
acertados. Estos resultados se respaldan por estudios similares reportados
por Chuvieco et al. (2012); Fuentes (2015); Ramos et al. (2011).

67
 CONCLUSIONES

La actividad agropecuaria a través de la roza y quema son una práctica

común en la conversión de bosques. La información de focos de calor
proporcionada por satélites son un instrumento de ayuda para el monitoreo
de la deforestación por incendios.

El reporte de los focos de calor del satélite MODIS en el distrito de Las

Piedras, periodos 2011, 2013 y 2016, muestran una tendencia creciente, por
lo que se puede presumir el incremento de las prácticas de roza y quema en
las actividades agropecuarias. En cuanto a distribución espacial, si bien
presenta una autocorrelación positiva, esta es muy baja, no siendo ni
disperso ni agrupado, tendiendo a una distribución aleatorizada.

La cuantificación del índice de quema (NBR) del 2016 (7 081,74 ha),

determina un incremento de 179,26% y 311,54% respecto al año 2011 y
2013. Estos valores contrastan con el número de focos de calor para los
periodos respectivos, y por consiguiente el incremento de prácticas de roza y
quema en la conversión de cobertura vegetal a áreas deforestadas por
incendios.

A nivel de precisión, que los focos de calor se traduzcan en cicatrices o

áreas quemadas, el reporte del 2016 muestra un 66,74% de aciertos
respecto a los años 2011 (36,50%) y 2013 (16,54%). Ello es posible, por la
precisión de los satélites y el incremento de los focos de calor en el área de
estudio.

La superficie deforestada a causa de los incendios a partir de focos de calor

en el año 2011 fue de 2 535,91 ha, 2013 fue de 1 720,80 ha y el 2016 fue de
7 081,74 ha, determinando una correlación positiva de considerable a muy
fuerte, presentando un mejor comportamiento en el año 2016. Por lo que
podríamos aceptar, que la superficie deforestada a causa de los incendios
presenta una alta correlación con los focos de calor durante el periodo 2011-
2016 en el distrito Las Piedras-Tambopata-Madre de Dios. Sin embargo, por
argumentos expuesto en acápites anteriores, no podríamos rechazar la
hipótesis nula, donde la superficie deforestada a causa de los incendios

68
forestales no presenta una alta correlación con los focos de calor durante el
periodo 2011-2016 en el distrito Las Piedras-Tambopata-Madre de Dios.

69
 SUGERENCIAS

Los avances tecnológicos en teledetección permiten el monitoreo y

detección de focos de calor e incendios cada vez más precisos, sin
embargo, es muy importante considerar que su valor solo se define con la
interpretación que con base en la experiencia humana se haga de la misma.
Así como de su potencial como apoyo para la toma de decisiones en los
planes de manejo del fuego. En ese sentido, es necesario:

 Fortalecer la capacidad de gestión institucional de las instituciones

públicas y la sociedad civil para plantear y definir políticas públicas, y
de educación ambiental, así como programas de mitigación de la
vulnerabilidad física y de la población de influencia directa.
 Implementar un Sistema de Alerta Temprana de uso y acción
multisectorial en la prevención de incendios.

70
 BIBLIOGRAFÍA CONSULTADA

ACHARD, F., DEFRIES, R., EVA, H., HANSEN, M., MAYAUX, P. y STIBIG,
H. Pan-tropical monitoring of deforestation. Environmental Research Letters,
2007, 2(4), 045022.

AIDE, T. M., CLARK, M. L., GRAU, H. R., LÓPEZ‐CARR, D., LEVY, M. A.,
REDO, D., BONILLA‐MOHENO, M., RINER, G., ANDRADE‐NÚÑEZ, M. J. y
MUÑIZ, M. Deforestation and reforestation of Latin America and the
Caribbean (2001–2010). Biotropica, 2013, 45(2), 262-271.

ALEJANDRO, B. L. M. y DI BELLA, C. M. Caracterización del régimen de

incendios, su relación con el clima y su efecto en la resiliencia y estructura
de la vegetación. Universidad Nacional de Córdova, 2018.

ALENCAR, A., ASNER, G. P., KNAPP, D. y ZARIN, D. Temporal variability of

forest fires in eastern Amazonia. Ecological Applications, 2011, 21(7), 2397-
2412.

ANAYA, J. A. y CHUVIECO, E. Validación para Colombia de la estimación

de área quemada del producto L3JRC en el periodo 2001-2007/Validation of
the L3JRC burned area product estimation in Colombia from 2001 to 2007.
Actualidades Biológicas, 2010, 32(92), 29.

ARAGÃO, L. E. y SHIMABUKURO, Y. E. The incidence of fire in Amazonian

forests with implications for REDD. Science, 2010, 328(5983), 1275-1278.

ARGANY, M. y SARADJIAN, M. R. Digital change detection and expansion

monitoring of urban areas using satellite images by means of classification
methods.

ARIZA, A. Descripción y Corrección de Productos Landsat 8 LDCM (Landsat

Data Continuity Mission). Bogotá: Instituto Geográfico Agustín Codazzi,
2013.

71
ARMENTERAS, D., GONZALEZ, F. y FRANCO, C. Distribución geográfica y
temporal de incendios en Colombia utilizando datos de anomalías térmicas.
Caldasia, 2009, 31(2).

AVERY, T. E. y BERLIN, G. L. Fundamentals of remote sensing and airphoto

interpretation 1992.

ÁVILA, D. Y., GONZÁLEZ, M. A., JIMÉNEZ, J., AGUIRRE, O. A., TREVIÑO,

E., VARGAS, B. y ALANÍS, E. Efecto de la severidad del fuego en las
características de la estructura forestal en rodales de coníferas. Revista
Chapingo serie ciencias forestales y del ambiente, 2014, 20(1), 34-45.

BARANDELA, R. The Nearest Neighbor rule: an empirical study of its

methodological aspects. 1987.

BARAY, H. L. Á. Introducción a la metodología de la investigación. Edtion

ed.: Juan Carlos Martínez Coll, 2006. ISBN 8469019996.

BARCIA, S., FONTES, M. y VIERA, E. Y. Comportamiento temporal de los

focos de calor detectados por satélites en la provincia de Cienfuegos.
Revista Cubana de Meteorología, 2018, 24(3), 324-334.

CASTRO, F. El proceso de investigación y su esquema de elaboración.

Editorial Uyapar. Caracas, 2003.

CAZAU, P. Introducción a la investigación en ciencias sociales. Lima.

Editorial Universidad Ricardo Palma, 2006.

CERDA, J. y VILLARROEL, L. Evaluación de la concordancia inter-

observador en investigación pediátrica: Coeficiente de Kappa. Revista
chilena de pediatría, 2008, 79(1), 54-58.

COCHRANE, M. A. Fire science for rainforests. Nature, 2003, 421(6926),

913-919.

72
COCHRANE, M. A., ALENCAR, A., SCHULZE, M. D., SOUZA, C. M.,
NEPSTAD, D. C., LEFEBVRE, P. y DAVIDSON, E. A. Positive feedbacks in
the fire dynamic of closed canopy tropical forests. Science, 1999, 284(5421),
1832-1835.

COCHRANE, M. A. y LAURANCE, W. F. Fire as a large-scale edge effect in

Amazonian forests. Journal of Tropical Ecology, 2002, 18(03), 311-325.

CORONADO-CHACÓN, L. Comprobación de técnicas de procesamiento de

imágenes del sensor remoto ETM+ de Landsat 7, en la identificación
deBosques Secundarios en la Región Huetar Norte de Costa Rica 2001.

CORTIJO, F. y EREZ DE LA BLANCA, N. Image classification using non-

parametric classifiers and contextual information. International Archives of
Photogrammetry and Remote Sensing, 1996, 31, 120-124.

CHUVIECO, E. Teledetección espacial: la observación de la Tierra desde el

espacio 2002.

CHUVIECO, E., CIFUENTES, Y., HANTSON, S., LÓPEZ, A. A., RAMO, R. y

TORRES, J. Comparación entre focos de calor MODIS y perímetros de área
quemada en incendios mediterráneos. Revista Española de Teledetección,
2012, 37, 9-22.

CHUVIECO, E., GIGLIO, L. y JUSTICE, C. Global characterization of fire

activity: toward defining fire regimes from Earth observation data. Global
Change Biology, 2008, 14(7), 1488-1502.

CHUVIECO, E. y HANTSON, S. Procesamiento estándar de imágenes

Landsat. Documento técnico de algoritmos a aplicar. Version1. Plan Nacional
de Teledetección. Instituto Geográfico Nacional. On line. http://www. ign.
es/PNT/pdf/especificacionestecnicas-pnt-mediar-landsat_v2-2010. pdf,
2010.

73
CHUVIECO, E., MARTÍN, M. P. y VENTURA, G. Evaluación de imágenes
NOAA-AVHRR y TERRA-MODIS para cartografía regional de áreas
quemadas. In X Simposio Internacional de la Sociedad de Expertos
Latinoamericanos en Percepción Remota (SELPER). 2002.

CHUVIECO, E. y SALAS, J. Mapping the spatial distribution of forest fire

danger using GIS. International Journal of Geographical Information Science,
1996, 10(3), 333-345.

DAVIES, D. K., ILAVAJHALA, S., WONG, M. M. y JUSTICE, C. O. Fire

information for resource management system: archiving and distributing
MODIS active fire data. IEEE Transactions on Geoscience and Remote
Sensing, 2009, 47(1), 72-79.

DE DIOS, V. R., KARAVANI, A., BOER, M. M., BAUDENA, M., COLINAS,

C., DÍAZ-SIERRA, R., PEMÁN, J., DE LUIS, M. y DE SALAMANCA, Á. E.
Deforestación inducida por el fuego en bosques mediterráneos sometidos a
sequía. Foresta, 2018, (70), 56-65.

DELGADO, A. Detección de incendios. Universitat Politècnica de Catalunya,

2017.

DEPPE, F., DE PAULA, E. V., MENEGHETTE, C. R. y VOSGERAU, J.

Comparação de índice de risco de incêndio florestal com focos de calor no
Estado do Paraná. Floresta, 2004, 34(2).

DI BELLA, C. M., POSSE, G., BEGET, M. E., FISCHER, M. D. L. A., MARI,

N. y VERÓN, S. La teledetección como herramienta para la prevención,
seguimiento y evaluación de incendios e inundaciones. Revista Ecosistemas,
2008, 17(3).

ELIJAH, R. y JENSEN, J. R. Remote sensing of mangrove wetlands: relating

canopy spectra to site-specific data 1996.

74
ELLIS, E. A., ROMERO MONTERO, J. A. y HERNÁNDEZ GÓMEZ, I. U.
Evaluación y mapeo de los determinantes de la deforestación en la
Península Yucatán. Agencia de los Estados Unidos para el Desarrollo
Internacional (USAID), The Nature Conservancy (TNC), Alianza México
REDD+, México, Distrito Federal, 2015.

FAO Evaluación de los recursos forestales mundiales 2005. México. Informe

nacional núm. 189. Roma. 68 p. , 2005.

-------------------- Los bosques y el cambio climático en el Perú. Bosques y

cambio climático. Documento de trabajo 14, 2016.

FRANÇOIS-MAS, J., REYES DÍAZ-GALLEGOS, J. y PÉREZ-VEGA, A.

Evaluación de la confiabilidad temática de mapas o de imágenes
clasificadas: una revisión. Investigaciones geográficas, 2003, (51), 53-72.

FRISANCHO, R., HANCCO, E., ALARCÓN, G., VELA, M., PORTAL, L.,
BAEZ, S., LIRA, G. y CAIRO, I. Determinación de áreas impactadas por
fuego el año 2009 y 2010 en Iñapari a través de sensoriamiento remoto. In.
Puerto Maldonado, 2013, p. 85.

FUENTES, H. L. 2015. Monitoreo de Cicatrices de Quemas en el

Departamento de Pando–Bolivia mediante sistemas de información
geográfica y teledetección. In Proceedings of the Anais XVII Simpósio
Brasileiro de Sensoriamento Remoto - SBSR, INPE, João Pessoa-PB, Brasil,
25 a 29 de abril 2015.

GAVILÁN, J. y CATALINA, J. Análisis del uso de la reforestación y la

regeneración natural en zonas degradadas de la Amazonía Peruana 2018.

GIGLIO, L., DESCLOITRES, J., JUSTICE, C. O. y KAUFMAN, Y. J. An

enhanced contextual fire detection algorithm for MODIS. Remote Sensing of
Environment, 2003, 87(2), 273-282.

75
GIGLIO, L., VAN DER WERF, G., RANDERSON, J., COLLATZ, G. y
KASIBHATLA, P. Global estimation of burned area using MODIS active fire
observations. Atmospheric Chemistry and Physics, 2006, 6(4), 957-974.

GOEL, N. y NORMAN, J. Biospheric models, measurements and remote

sensing of vegetation. ISPRS journal of photogrammetry and remote
sensing, 1992, 47(2-3), 163-188.

GOBIERNO REGIONAL DE MADRE DE DIOS (GOREMAD) E INSTITUTO

DE INVESTIGACIÓN DE LA AMAZONIA PERUANA (IIAP). Macro
Zonificación Ecológica Económica de Madre de Dios. In G.D.R.N.Y.M.
AMBIENTE. Madre de Dios - Perú, 2009, p. 208.

GUTIÉRREZ-HERNÁNDEZ, O., SENCIALES-GONZÁLEZ, J. M. y GARCÍA,

L. V. Los incendios forestales en Andalucía: investigación exploratoria y
modelos explicativos. Flamma, 2015, 6, 144-148.

HART, P. The condensed nearest neighbor rule (Corresp.). IEEE

transactions on information theory, 1968, 14(3), 515-516.

HERNÁNDEZ, R., FERNÁNDEZ, C. y BAPTISTA, P. Metodología de la

Investigación (Quinta edición ed.).(J. Mares Chacón, Ed.) Mexico, México
DF. In.: McGraw-Hill/Interamericana Editores, SA de CV, 2010.

HUDSON, W. D. Correct formulation of the kappa coefficient of agreement.

Photogrammetric Engineering and Remote Sensing, 1987, 53(4), 421-422.

JENSEN, J. R., LIN, H., YANG, X., RAMSEY III, E., DAVIS, B. A. y
THOEMKE, C. W. The measurement of mangrove characteristics in
southwest Florida using SPOT multispectral data. Geocarto International,
1991, 6(2), 13-21.

76
JIA, G. J., BURKE, I. C., GOETZ, A. F., KAUFMANN, M. R. y KINDEL, B. C.
Assessing spatial patterns of forest fuel using AVIRIS data. Remote Sensing
of Environment, 2006, 102(3), 318-327.

KODANDAPANI, N., COCHRANE, M. A. y SUKUMAR, R. Conservation

threat of increasing fire frequencies in the Western Ghats, India.
Conservation Biology, 2004, 18(6), 1553-1561.

KOKALY, R. F., ROCKWELL, B. W., HAIRE, S. L. y KING, T. V.

Characterization of post-fire surface cover, soils, and burn severity at the
Cerro Grande Fire, New Mexico, using hyperspectral and multispectral
remote sensing. Remote Sensing of Environment, 2007, 106(3), 305-325.

LANDIS, J. R. y KOCH, G. G. The measurement of observer agreement for

categorical data. biometrics, 1977, 159-174.

LI, P., JIANG, L. y FENG, Z. Cross-comparison of vegetation indices derived

from Landsat-7 enhanced thematic mapper plus (ETM+) and Landsat-8
operational land imager (OLI) sensors. Remote Sensing, 2013, 6(1), 310-
329.

LILLESAND, T. M. y KIEFER, R. W. Remote sensing and photo

interpretation. John Wiley and Sons: New York, 1994, 750.

LIMA, A., SILVA, T. S. F., DE FEITAS, R. M., ADAMI, M., FORMAGGIO, A.

R. y SHIMABUKURO, Y. E. Land use and land cover changes determine the
spatial relationship between fire and deforestation in the Brazilian Amazon.
Applied Geography, 2012, 34, 239-246.

MALENOVSKÝ, Z., ROTT, H., CIHLAR, J., SCHAEPMAN, M. E., GARCÍA-

SANTOS, G., FERNANDES, R. y BERGER, M. Sentinels for science:
Potential of Sentinel-1,-2, and-3 missions for scientific observations of ocean,
cryosphere, and land. Remote Sensing of Environment, 2012, 120, 91-101.

77
MANTA, M. y LEÓN, H. Los incendios forestales del Perú: Grave problema
por resolver. Floresta (Brasil), 2004, 34(2), 179-189.

MEANS, J. E., ACKER, S. A., HARDING, D. J., BLAIR, J. B., LEFSKY, M. A.,
COHEN, W. B., HARMON, M. E. y MCKEE, W. A. Use of large-footprint
scanning airborne lidar to estimate forest stand characteristics in the Western
Cascades of Oregon. Remote Sensing of Environment, 1999, 67(3), 298-
308.

MENDOZA, E., PERZ, S., SCHMINK, M. y NEPSTAD, D. Participatory

stakeholder workshops to mitigate impacts of road paving in the
Southwestern Amazon. Conservation and Society, 2007, 5(3), 382.

MILLER, J. D. y THODE, A. E. Quantifying burn severity in a heterogeneous

landscape with a relative version of the delta Normalized Burn Ratio (dNBR).
Remote Sensing of Environment, 2007, 109(1), 66-80.

MORAN, P. A. Notes on continuous stochastic phenomena. Biometrika,

1950, 37(1/2), 17-23.

MÜLLER, J. y BRANDL, R. Assessing biodiversity by remote sensing in

mountainous terrain: the potential of LiDAR to predict forest beetle
assemblages. Journal of Applied Ecology, 2009, 46(4), 897-905.

NEPSTAD, D., SCHWARTZMAN, S., BAMBERGER, B., SANTILLI, M., RAY,

D., SCHLESINGER, P., LEFEBVRE, P., ALENCAR, A., PRINZ, E. y FISKE,
G. Inhibition of Amazon deforestation and fire by parks and indigenous lands.
Conservation Biology, 2006, 20(1), 65-73.

OLCOZ, I. Copernicus: Automatización de la descarga de imágenes de

Sentinel 2016.

ORELLANA, D. Determinantes de la deforestación en la Amazonia. Revista

Interamericana de Ambiente y Turismo-RIAT, 2012, 8(1), 17-25.

78
PACHECO, C., AGUADO, I. y MOLLICONE, D. Las causas de la
deforestación en Venezuela: un estudio retrospectivo. Biollania, 2011, 10,
281-292.

PADILLA, M., STEHMAN, S. V., RAMO, R., CORTI, D., HANTSON, S.,
OLIVA, P., ALONSO-CANAS, I., BRADLEY, A. V., TANSEY, K. y MOTA, B.
Comparing the accuracies of remote sensing global burned area products
using stratified random sampling and estimation. Remote Sensing of
Environment, 2015, 160, 114-121.

PLA, L. E. Análisis multivariado: método de componentes principales. Edtion

ed. Secretaría General de la Organización de los Estados Americanos,
Programa Regional de Desarrollo Científico y Tecnológico, 19 . ISBN
0827024517.

Planet Team (2017). Planet Application Program Interface: In Space for Life
on Earth. San Francisco, CA. https://api.planet.com

PONTIUS, R. G. Quantification error versus location error in comparison of

categorical maps. Photogrammetric engineering and remote sensing, 2000,
66(8), 1011-1016.

PREPARATA, F. P. y SHAMOS, M. I. Introduction. In Computational

Geometry. Springer, 1985, p. 1-35.

QUADRI DE LA TORRE, G. Incendios Forestales y Deforestación en

México: una Perspectiva Analítica. Comisión de estudios del sector privado
para el desarrollo sustentable (CESPEDES), México. In., 2000.

QUINTANA, B. I., CARRERA, C. y ENRIQUE, L. Propuesta de un plan de

contingencia contra incendios forestales para el Refugio de Vida Silvestre
Laquipampa y su zona de amortiguamiento, 2017 2018.

79
RAMOS, A. B. R., DO NASCIMENTO, E. R. P. y DE OLIVEIRA, M. J.
Temporada de incêndios florestais no Brasil em 2010: análise de série
histórica de 2005 a 2010 e as influências das chuvas e do desmatamento na
quantidade dos focos de calor 2011.

RODRIGUES, R. P. y BORGES, E. F. Identificação das zonas de ocorrência

de incêndios no Parque Nacional da Chapada Diamantina-BA. Anais XV
Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil,
30 de abril a 05 de maio de 2011, INPE p.8043, 2011.

RODRÍGUEZ-TREJO, D. A. Incendios forestales. Universidad Autónoma

Chapingo. Multi-Prensa. México, 1996.

RODRIGUEZ, A. Cartografía multitemporal de quemas e incendios forestales

en Bolivia: Detección y validación post-incendio. Ecología en Bolivia, 2012,
47(1), 53-71.

RODRIGUEZ, M. Incendios forestales. El Ecologista, 2000, (21), 36-39.

ROY, D. P., WULDER, M., LOVELAND, T., WOODCOCK, C., ALLEN, R.,
ANDERSON, M., HELDER, D., IRONS, J., JOHNSON, D. y KENNEDY, R.
Landsat-8: Science and product vision for terrestrial global change research.
Remote Sensing of Environment, 2014, 145, 154-172.

SALINERO, C., SALINERO, E. C., VIOLA, A. B. B. V., MACLEAN, A. S. A.

S., GOODMAN, R. E., KRYNINE, D. P. y WILLIAM, R. Teledetección
ambiental: la observación de la Tierra desde el espacio. Edtion ed.: Ariel,
2006. ISBN 8434480727.

SANTOS, C. D., SOUZA, U. D. y SILVA, W. Quantificação dos focos de calor

na Meso-região do Extremo Oeste Baiano. XV Simpósio Brasileiro de
Sensoriamento Remoto, 2011, 7926-7933.

80
SINGH, A. y HARRISON, A. Standardized principal components.
International journal of remote sensing, 1985, 6(6), 883-896.

SOKENG, V.-C. J., KOUAMÉ, F., N’DA, H. D., TANKOANO, B., YOU, L. A. y
NGATCHA, B. N. Cartographie de l’occupation de sol des Hauts Plateaux de
l’Ouest Cameroun par réseaux de neurones appliqués à une image
LANDSAT 8 OLI [Mapping land cover in Western Cameroon Highlands using
neural networks applied to a Landsat 8 OLI image] 2016.

TONATTO, M. J., FERNÁNDEZ DE ULLIVARRI, J., ALONSO, J. M. y

ROMERO, E. R. Teledetección de quema de cañaverales en la provincia de
Tucumán (Argentina) mediante sistema MODIS. Revista industrial y agrícola
de Tucumán, 2008, 85(1), 31-35.

TRINIDADE, A. y CARVALHO, M. Análise e quantificação de focos de calor

utilizando satélites NOAA-12 e NOAA-15 no estado de Mato Grosso. Anais
XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR,
Brasil, 30 de abril a 05 de maio de 2011, INPE p.7888, 2011.

UHL, C. y KAUFFMAN, J. B. Deforestation, fire susceptibility, and potential

tree responses to fire in the eastern Amazon. Ecology, 1990, 71(2), 437-449.

UNFCCC Decision 5/CP.6, Implementation of the Buenos Aires Plan of

Action. UNFCCC Document FCCC/CP/2001/L.7 2001.

UNITED STATES GEOLOGICAL SURVEY (USGS). United States

Geological Survey. Earth Explore with imagery gallery Landsat. In., 2018, vol.
2018, p. Descarga de imágenes de satélite Landsat.

VALENCIA, J. y GONZÁLEZ, J. Estimación del estado del tiempo utilizando

los modelos numéricos WRF y GFS para un sistema de alerta temprana ante
eventos climáticos extremos. Ciencia e Ingenieria, 2017, 3(2), 6-6.

81
VAN WAGTENDONK, J. W., ROOT, R. R. y KEY, C. H. Comparison of
AVIRIS and Landsat ETM+ detection capabilities for burn severity. Remote
Sensing of Environment, 2004, 92(3), 397-408.

VERHEGGHEN, A., EVA, H., CECCHERINI, G., ACHARD, F., GOND, V.,
GOURLET-FLEURY, S. y CERUTTI, P. O. The potential of sentinel satellites
for burnt area mapping and monitoring in the Congo Basin forests. Remote
Sensing, 2016, 8(12), 986.

XIUWAN, C. Using remote sensing and GIS to analyse land cover change
and its impacts on regional sustainable development. International journal of
remote sensing, 2002, 23(1), 107-124.

YAGOUB, Y. E., BO, Z., DING-MIN, J., JAHELNABI, A. E. y FADOUL, S. M.

Land Use and Land Cover Change in Northeast Gadarif State: Case of El
Rawashda Forest, Sudan. Journal of Geographic Information System, 2015,
7(02), 140.

ZAMORA, A. Estudio metodológico para el monitoreo de alertas tempranas

de deforestacion basado en focos de calor en la Amazonía peruana.
Universidad Nacional Agraria La Molina, 2016.

82
ANEXOS

83
Anexo 1. Puntos de muestreo tomados en campo en el distrito de Las

Piedras, Tambopata – Madre de Dios.

Numero Categoría Este Norte

1 Cicatriz o área quemada 488394 8680773
2 Cicatriz o área quemada 488548 8680699
3 Cicatriz o área quemada 488683 8680633
4 Cicatriz o área quemada 486034 8679550
5 Cicatriz o área quemada 485328 8676402
6 Cicatriz o área quemada 485253 8676103
7 Cicatriz o área quemada 485197 8675686
8 Cicatriz o área quemada 485092 8674491
9 Cicatriz o área quemada 485092 8674491
10 Cicatriz o área quemada 485242 8671321
11 Cicatriz o área quemada 485359 8670719
12 Cicatriz o área quemada 485455 8670011
13 Cicatriz o área quemada 485492 8669705
14 Cicatriz o área quemada 485513 8669569
15 Cicatriz o área quemada 485567 8669220
16 Cicatriz o área quemada 485771 8667578
17 Cicatriz o área quemada 485805 8667308
18 Cicatriz o área quemada 485876 8666763
19 Cicatriz o área quemada 487039 8664288
20 Cicatriz o área quemada 487057 8663775
21 Cicatriz o área quemada 487105 8662896
22 Cicatriz o área quemada 488284 8662470
23 Cicatriz o área quemada 488661 8661678
24 Cicatriz o área quemada 488252 8661468
25 Cicatriz o área quemada 487640 8661384
26 Cicatriz o área quemada 486925 8658804
27 Cicatriz o área quemada 487009 8658363
28 Cicatriz o área quemada 488991 8659413
29 Cicatriz o área quemada 487424 8655290
30 Cicatriz o área quemada 486575 8655205
31 Cicatriz o área quemada 486289 8655267
32 Cicatriz o área quemada 486292 8655268
33 Cicatriz o área quemada 486392 8654662
34 Cicatriz o área quemada 486400 8654663
35 Cicatriz o área quemada 487545 8654368
36 Cicatriz o área quemada 487617 8653830
37 Cicatriz o área quemada 487174 8652117
38 Cicatriz o área quemada 487027 8652060
39 Cicatriz o área quemada 486846 8651808
40 Cicatriz o área quemada 486677 8651544

84
41 Cicatriz o área quemada 486563 8651342
42 Cicatriz o área quemada 486445 8651134
43 Cicatriz o área quemada 486185 8650668
44 Cicatriz o área quemada 485981 8650302
45 Cicatriz o área quemada 485902 8649905
46 Cicatriz o área quemada 487552 8648037
47 Cicatriz o área quemada 487215 8648620
48 Cicatriz o área quemada 487268 8648967
49 Cicatriz o área quemada 487257 8649083
50 Cicatriz o área quemada 486976 8649416
51 Cicatriz o área quemada 486895 8649447
52 Cicatriz o área quemada 486711 8649533
53 Cicatriz o área quemada 485429 8649313
54 Cicatriz o área quemada 485141 8648792
55 Cicatriz o área quemada 484839 8648252
56 Cicatriz o área quemada 484696 8647998
57 Cicatriz o área quemada 484595 8647824
58 Cicatriz o área quemada 484403 8647477
59 Cicatriz o área quemada 483771 8647649
60 Cicatriz o área quemada 484148 8647024
61 Cicatriz o área quemada 484083 8646549
62 Cicatriz o área quemada 484058 8646280
63 Cicatriz o área quemada 484013 8645853
64 Cicatriz o área quemada 483974 8645526
65 Cicatriz o área quemada 483908 8644911
66 Cicatriz o área quemada 483893 8644758
67 Cicatriz o área quemada 483846 8644269
68 Cicatriz o área quemada 483600 8643324
69 Cicatriz o área quemada 483190 8642197
70 Cicatriz o área quemada 483033 8642117
71 Cicatriz o área quemada 482747 8641774
72 Cicatriz o área quemada 482444 8641418
73 Cicatriz o área quemada 482191 8641119
74 Cicatriz o área quemada 482071 8640973
75 Cicatriz o área quemada 481524 8640334
76 Cicatriz o área quemada 481282 8639475
77 Cicatriz o área quemada 481437 8638989
78 Cicatriz o área quemada 481540 8638687
79 Cicatriz o área quemada 481856 8637762
80 Cicatriz o área quemada 482009 8637335
81 Cicatriz o área quemada 482323 8636374
82 Cicatriz o área quemada 482523 8635775
83 Cicatriz o área quemada 482022 8635044
84 Cicatriz o área quemada 482799 8634986
85 Cicatriz o área quemada 482980 8634473

85
86 Cicatriz o área quemada 483485 8633050
87 Cicatriz o área quemada 483749 8632297
88 Cicatriz o área quemada 483838 8631376
89 Cicatriz o área quemada 482588 8610225
90 Cicatriz o área quemada 482539 8610172
91 Cicatriz o área quemada 482603 8611031
92 Cicatriz o área quemada 482801 8610830
93 Cicatriz o área quemada 483081 8610533
94 Cicatriz o área quemada 484467 8613393
95 Cicatriz o área quemada 485010 8613921
96 Cicatriz o área quemada 485206 8613946
97 Cicatriz o área quemada 485588 8613677
98 Cicatriz o área quemada 486319 8613989
99 Cicatriz o área quemada 486830 8613855
100 Cicatriz o área quemada 487094 8613847
101 Cicatriz o área quemada 487312 8613973
102 Cicatriz o área quemada 487629 8614134
103 Cicatriz o área quemada 487922 8614113
104 Cicatriz o área quemada 491375 8614874
105 Cicatriz o área quemada 492234 8615141
106 Cicatriz o área quemada 493869 8616284
107 Cicatriz o área quemada 494592 8616471
108 Cicatriz o área quemada 495497 8615740
109 Cicatriz o área quemada 495663 8615901
110 Cicatriz o área quemada 495768 8616456
111 Cicatriz o área quemada 496703 8618032
112 Cicatriz o área quemada 496835 8618321
113 Cicatriz o área quemada 497089 8618553
114 Cicatriz o área quemada 497434 8619113
115 Cicatriz o área quemada 498038 8619713
116 Cicatriz o área quemada 498360 8619898
117 Cicatriz o área quemada 498651 8619929
118 Cicatriz o área quemada 498861 8619926
119 Cicatriz o área quemada 499299 8619886
120 Cicatriz o área quemada 499580 8619812
121 Cicatriz o área quemada 499793 8619746
122 Cicatriz o área quemada 500387 8619640
123 Cicatriz o área quemada 500391 8619639
124 Cicatriz o área quemada 495893 8617047
125 Cicatriz o área quemada 492986 8616349
126 Cicatriz o área quemada 490700 8614363
127 Cicatriz o área quemada 487190 8614231
128 Cicatriz o área quemada 487464 8614722
129 Cicatriz o área quemada 489806 8615303
130 Cicatriz o área quemada 482726 8608847

86
131 Cicatriz o área quemada 483061 8609685
132 Cicatriz o área quemada 483428 8610105
133 Cicatriz o área quemada 483491 8610254
134 Cicatriz o área quemada 485736 8607138
135 Cicatriz o área quemada 487936 8607830
136 Cicatriz o área quemada 489045 8608295
137 Cicatriz o área quemada 489517 8609193
138 Cicatriz o área quemada 489918 8609621
139 Cicatriz o área quemada 489615 8609547
140 Cicatriz o área quemada 487026 8610860
141 Cicatriz o área quemada 489058 8613630
142 Cicatriz o área quemada 489053 8613629
143 Cicatriz o área quemada 488190 8612583
144 Cicatriz o área quemada 487440 8611336
145 Cicatriz o área quemada 485490 8609124
146 Cicatriz o área quemada 485301 8608091
147 Cicatriz o área quemada 485648 8607647
148 Cicatriz o área quemada 486943 8608037
149 Cicatriz o área quemada 487367 8608375
150 Cicatriz o área quemada 487909 8608930
151 Cicatriz o área quemada 492176 8610355
152 Cicatriz o área quemada 491264 8610106
153 Cicatriz o área quemada 491246 8611103
154 Cicatriz o área quemada 491537 8611344
155 Cicatriz o área quemada 489799 8610165
156 Cicatriz o área quemada 487846 8608893
157 Cicatriz o área quemada 486113 8607829
158 Cicatriz o área quemada 485894 8607749
159 Cicatriz o área quemada 484624 8608233
160 Cicatriz o área quemada 483311 8608549
161 Cicatriz o área quemada 484836 8614631
162 Cicatriz o área quemada 485053 8615209
163 Cicatriz o área quemada 485093 8615318
164 Cicatriz o área quemada 485726 8615568
165 Cicatriz o área quemada 486371 8615641
166 Cicatriz o área quemada 486540 8615728
167 Cicatriz o área quemada 486918 8615858
168 Cicatriz o área quemada 486863 8615965
169 Cicatriz o área quemada 485978 8615615
170 Cicatriz o área quemada 485239 8615714
171 Cicatriz o área quemada 484987 8616650
172 Cicatriz o área quemada 485007 8617034
173 Cicatriz o área quemada 485029 8617230
174 Cicatriz o área quemada 484268 8618589
175 Cicatriz o área quemada 485271 8618655

87
176 Cicatriz o área quemada 484569 8619652
177 Cicatriz o área quemada 484687 8619663
178 Cicatriz o área quemada 484989 8619714
179 Cicatriz o área quemada 485171 8619745
180 Cicatriz o área quemada 485609 8619817
181 Cicatriz o área quemada 486959 8620090
182 Cicatriz o área quemada 487365 8620138
183 Cicatriz o área quemada 485116 8620262
184 Cicatriz o área quemada 484896 8620181
185 Cicatriz o área quemada 484688 8620273
186 Cicatriz o área quemada 484721 8620564
187 Cicatriz o área quemada 484759 8620933
188 Cicatriz o área quemada 484775 8621077
189 Cicatriz o área quemada 482956 8623065
190 Cicatriz o área quemada 482977 8623727
191 Cicatriz o área quemada 482316 8623727
192 Cicatriz o área quemada 481817 8624796
193 Cicatriz o área quemada 481834 8624708
194 Cicatriz o área quemada 482263 8622467
195 Cicatriz o área quemada 481777 8622321
196 Cicatriz o área quemada 481902 8622336
197 Cicatriz o área quemada 484536 8623498
198 Cicatriz o área quemada 484710 8623151
199 Cicatriz o área quemada 484768 8623049
200 Cicatriz o área quemada 485538 8622890
201 Cicatriz o área quemada 485695 8622997
202 Cicatriz o área quemada 486408 8623102
203 Cicatriz o área quemada 485632 8625037
204 Cicatriz o área quemada 485490 8625604
205 Cicatriz o área quemada 485445 8625795
206 Cicatriz o área quemada 485400 8625989
207 Cicatriz o área quemada 485313 8626349
208 Cicatriz o área quemada 485229 8626703
209 Cicatriz o área quemada 485104 8627232
210 Cicatriz o área quemada 485032 8627540
211 Cicatriz o área quemada 484969 8627820
212 Cicatriz o área quemada 484944 8627949
213 Cicatriz o área quemada 484874 8628304
214 Cicatriz o área quemada 484784 8628759
215 Cicatriz o área quemada 484702 8629235
216 Cicatriz o área quemada 484608 8629739
217 Cicatriz o área quemada 484568 8629880
218 Cicatriz o área quemada 484489 8630154
219 Cicatriz o área quemada 478288 8631540
220 Cicatriz o área quemada 480868 8634554

88
221 Cicatriz o área quemada 482074 8635823
222 Cicatriz o área quemada 479999 8635957
223 Cicatriz o área quemada 479163 8635927
224 Cicatriz o área quemada 479970 8635971
225 Cicatriz o área quemada 480050 8635944
226 Cicatriz o área quemada 480905 8635804
227 Cicatriz o área quemada 481884 8635783
228 Cicatriz o área quemada 480696 8640442
229 Cicatriz o área quemada 480445 8640611

89
Anexo 2. Panel fotográfico.

Figura 19. Captura de puntos UTM de cicatrices de quema.

Figura 20. Captura de puntos UTM de cicatrices de quema.

90
Figura 21. Captura de puntos UTM de cicatrices de quema.

Figura 22. Acezando al punto UTM de cicatrices de quema.

91