Conjunto de datos espaciales de los componentes probabilísticos del riesgo de incendios forestales para Navarra (España)

Resumen. Este conjunto de datos espaciales, generado mediante simulación estocástica de incendios forestales, contiene los componentes probabilísticos del riesgo de incendios para la Comunidad Foral de Navarra (España). Los resultados de las simulaciones dinámicas realizadas se obtuvieron utilizando una resolución espacial de 50 metros y un total de más de 50.000 años o iteraciones simuladas con el simulador FConstMTT, una versión en línea de comandos del algoritmo Minimum Travel Time (MTT; Finney 2002). Los puntos de ignición se distribuyeron en el territorio a partir de un modelo de ocurrencia generado con datos de igniciones observadas, y las simulaciones se llevaron a cabo considerando los escenarios meteorológicos más frecuentes durante el periodo de incendios en cada pyroma o zona homogénea de régimen de incendios. Las duraciones de los incendios se determinaron en cada pyroma para replicar la distribución de las áreas quemadas observadas en los incendios ocurridos durante los últimos 38 años. 

Características de los datos espaciales. Los archivos, en formato GeoTIFF, tienen una resolución de 50 m, están en el sistema de coordenadas ETRS89 UTM30N y abarcan toda Navarra (10.391 km²).

Datos disponibles. Los resultados obtenidos de la simulación del comportamiento y la propagación del fuego, disponibles en esta base de datos, son los siguientes:

• aBP (annual burn probability): Probabilidad anual de quema. Se determina dividiendo el número de veces que se quema cada píxel entre el número total de años o iteraciones simuladas. Los valores varían entre 0 (nunca se quema) y 1 (se quema todos los años). Ejemplo: Un píxel con un valor de 0,01 se ha quemado una vez por cada 100 iteraciones o años simulados (1/100 = 0,01).
• aMIBP (annual medium & high intensity burn probability, flame length > 1.5 m): Probabilidad anual de quema con una longitud de llama superior a 1,5 m. Se calcula dividiendo el número de veces que se quema cada píxel con una longitud de llama > 1,5 m entre el número total de años o iteraciones simuladas. Los valores varían entre 0 (nunca se quema) y 1 (se quema todos los años con una longitud de llama > 1,5 m). El valor de aMIBP es siempre igual o inferior al de aBP. Ejemplo: Un píxel con un valor de 0,01 se ha quemado una vez con una longitud de llama superior a 1,5 m por cada 100 iteraciones o años simulados (1/100 = 0,01). 
• aHIBP (annual high intensity burn probability, flame length > 2.5 m): Probabilidad anual de quema con una longitud de llama superior a 2,5 m. Se calcula dividiendo el número de veces que se quema cada píxel con una longitud de llama > 2,5 m entre el número total de años o iteraciones simuladas. Los valores varían entre 0 (nunca se quema) y 1 (se quema todos los años con una longitud de llama > 2,5 m). El valor de aHIBP es siempre igual o inferior al de aMIBP y aBP. Ejemplo: Un píxel con un valor de 0,01 se ha quemado una vez con una longitud de llama superior a 2,5 m por cada 100 iteraciones o años simulados (1/100 = 0,01). 
• CFL (conditional flame length): Longitud de llama condicionada (en metros). Es una media ponderada de las longitudes de llama con las que se quema cada píxel, calculada a partir de los perímetros de los incendios simulados y considerando la dirección de propagación del frente de llamas (i.e., cola, flanco y cabeza). Es una medida espacialmente explícita de la intensidad del fuego, que permite estimar los efectos del incendio sobre los bienes y servicios del paisaje.

Interpretación y uso de los resultados. Los resultados obtenidos captan la variabilidad existente en las condiciones meteorológicas y en la distribución espacial de los puntos de ignición en el área de estudio. En la asignación de modelos de combustible se ha considerado un modelo de pasto de alta carga para las zonas de cultivos herbáceos de secano, que representa las condiciones más desfavorables, análogas a las registradas durante los episodios de 2022. El uso de resultados probabilísticos permite identificar qué zonas presentan incendios más recurrentes y cuál es su comportamiento esperado, lo que facilita la priorización de medidas preventivas y la elaboración de planes de autoprotección.

Agradecimientos. Expreso mi agradecimiento a Stuart Brittain, de Alturas Solutions, por su trabajo en la adaptación del simulador de incendios forestales FConstMTT, desarrollado por el Missoula Fire Sciences Laboratory del USDA Forest Service, para su aplicación en este estudio.