Eva Marino

La humedad del combustible vivo (HCV) es un factor clave en la inflamabilidad y en el comportamiento del fuego. No obstante, hasta la fecha no se disponía de registros de HCV en la isla ni en la región macaronésica. Para cubrir esta carencia, el presente estudio propone un enfoque de monitorización continua a nivel espacial y temporal en Tenerife mediante la integración de datos de campo e índices espectrales de Sentinel-2. Bajo este marco, se caracteriza la dinámica de la HCV en especies de vegetación representativas mediante una red de parcelas permanentes establecida en la isla, evaluando el potencial de los modelos resultantes como indicadores de peligro de incendio. Se realizaron muestreos destructivos de HCV entre febrero y octubre de 2025. El diseño incluyó parcelas representativas de pino canario (vertientes N y S), tagasaste y brezo. A partir de imágenes Sentinel-2 se calcularon índices espectrales y se ajustaron modelos empíricos (Random Forest y modelos lineales) por especie y de forma agregada. Los resultados muestran una variabilidad temporal en tagasaste y brezo, mientras que el pinar presenta cambios más amortiguados y diferencias entre vertientes. En la estimación, los mejores desempeños se obtienen en tagasaste y en el modelo global, con un rendimiento menor en brezo y pino. Finalmente, se ilustra el potencial operativo con un caso de estudio en la zona del incendio de Arafo (2023), donde la evolución estimada refleja un descenso previo a un evento de incendio.

Conocer el impacto de alternativas de gestión de la madera quemada sobre la regeneración post-incendio y los combustibles forestales asociados a lo largo del tiempo es fundamental para determinar el riesgo de recurrencia y severidad potencial del fuego. Este estudio analizó los efectos a medio plazo de la gestión post-incendio de la madera quemada en masas de Pinus pinaster tras el incendio de El Rodenal (Guadalajara, 2005), que afectó más de 12.000 ha incluyendo pinares jóvenes y maduros. A partir de la caracterización de los combustibles existentes 8 y 16 años después del fuego (2013 y 2021), se analizó la evolución del riesgo de incendio a escala de paisaje comparando la corta y saca de la madera quemada (escenario real) frente a no intervención (escenario ficticio). Se generó cartografía de modelos de combustible post-incendio a partir de la primera y segunda cobertura LiDAR-PNOA, asociando los parámetros de cargas y alturas en función de datos de parcelas de seguimiento de la regeneración. Con las cartografías obtenidas se realizaron simulaciones del comportamiento del fuego bajo distintos escenarios de riesgo meteorológico (moderado, alto y extremo). Los resultados a escala de paisaje mostraron que la saca de madera redujo la carga de combustible grueso, pero favoreció la regeneración de herbáceas y matorral, aumentando la continuidad del combustible y el riesgo de mayor velocidad de propagación. Por el contrario, la no intervención favoreció árboles muertos en pie, retrasando la regeneración, pero acumulando gran cantidad de combustible muerto que aumentó la intensidad y severidad potencial del fuego. En ambos casos, la evolución de la vegetación tras incendio mostró un aumento de la carga de combustible y su riesgo asociado. Este estudio destaca la necesidad de realizar una gestión preventiva tras el fuego a medio plazo, para reducir la recurrencia de incendios severos y evitar daños irreversibles en ecosistemas previamente quemados.

Las comunidades de matorral de Cistus ladanifer L. (jara pringosa) son uno de los ecosistemas más característicos, abundantes y propensos a sufrir incendios del monte mediterráneo. Además, estos jarales tienen un potencial considerable para la extracción de productos derivados de gran valor en la industria farmacéutica, alimentaria y cosmética. Por lo tanto, estimar su biomasa es esencial para gestionar y priorizar su aprovechamiento, calcular su contenido de carbono y fijación de CO2, así como predecir su comportamiento ante el fuego y posibles emisiones. En este estudio se pretende estimar la carga de combustible de los jarales de C. ladanifer del sur de España a partir de los datos LIDAR aéreos del PNOA. Para ello, se llevaron a cabo inventarios de campo no destructivos con mediciones de la altura media y cobertura de matorral en 143 parcelas circulares en Andalucía. Estas dos variables del combustible se utilizaron como entrada en una ecuación específica existente para estimar la carga de combustible de C. ladanifer. Se compararon dos aproximaciones diferentes para estimar la carga de combustible de estos jarales mediante análisis de regresión lineal: (i) estimación directa (ED), consistente en el ajuste que relaciona directamente la carga de combustible con los datos de ALS; y (ii) estimación indirecta en dos pasos (EI) basado en el ajuste de ecuaciones para estimar las variables de entrada (altura y cobertura) de los jarales a partir de los datos LiDAR. Se obtuvieron mejores estadísticos de bondad de ajuste en el modelo de estimación directa que en de estimación indirecta, explicando el 70% y el 72% de la variabilidad observada, respectivamente. Estos resultados pueden resultar de gran utilidad para desarrollar cartografías de biomasa de los jarales con fines preventivos y de extinción de incendios, y para la planificación de su aprovechamiento.

Estimating live fuel moisture content (LFMC) is critical for assessing vegetation flammability and predicting potential fire behaviour, thus providing relevant information for wildfire prevention and management. Previous research has demonstrated that empirical modelling based on spectral data derived from remote sensing is useful for retrieving LFMC. However, these types of models are often very site-specific and generally considered difficult to extrapolate. In the present study, we analysed the performance of empirical models based on Sentinel-2 spectral data for estimating LFMC in fire-prone shrubland dominated by Cistus ladanifer. We used LFMC data collected in the field between June 2021 and September 2022 in 27 plots in the region of Andalusia (southern Spain). The specific objectives of the study included (i) to test previous existing models fitted for the same shrubland species in a different study area in the region of Madrid (central Spain); (ii) to calibrate empirical models with the field data from the region of Andalusia, comparing the model performance with that of existing models; and (iii) to test the capacity of the best empirical models to predict decreases in LFMC to critical threshold values in historical wildfire events. The results showed that the empirical models derived from Sentinel-2 data provided accurate LFMC monitoring, with a mean absolute error (MAE) of 15% in the estimation of LFMC variability throughout the year and with the MAE decreasing to 10% for the critical lower LFMC values (<100%). They also showed that previous models could be easily recalibrated for extrapolation to different geographical areas, yielding similar errors to the specific empirical models fitted in the study area in an independent validation. Finally, the results showed that decreases in LFMC in historical wildfire events were accurately predicted by the empirical models, with LFMC <80% in this fire-prone shrubland species.

The modification of fire regimes and their impact on vegetation recovery, soil properties, and fuel structure are current key research areas that attempt to identify the thresholds of vegetation’s susceptibility to wildfires. This study aimed to evaluate the vulnerability of Mediterranean pine forests (Pinus halepensis Mill. and Pinus pinaster Aiton) to wildfires, analyzing two major forest fires that occurred in Yeste (Spain) in 1994 and 2017, affecting over 14,000 and 3200 hectares, respectively. Four recovery regions were identified based on fire severity—calculated using the delta Normalized Burn Ratio (dNBR) index—and recurrence: areas with high severity in 2017 but not in 1994 (UB94-HS17), areas with high severity in 1994 but not in 2017 (HS94-UB17), areas with high severity in both fires (HS94-HS17), and areas unaffected by either fire (UB94-UB17). The analysis focused on examining the recovery patterns of three spectral indices—the Normalized Difference Vegetation Index (NDVI), Normalized Moisture Index (NDMI), and Normalized Burn Ratio (NBR)—using the Google Earth Engine platform from 1990 to 2023. Additionally, the Relative Recovery Indicator (RRI), the Ratio of Eighty Percent (R80P), and the Year-on-Year average (YrYr) metrics were computed to assess the spectral recovery rates by region. These three spectral indices showed similar dynamic responses to fire. However, the Mann–Kendall and unit root statistical tests revealed that the NDVI and NDMI exhibited distinct trends, particularly in areas with recurrence (HS94-HS17). The NDVI outperformed the NBR and NDMI in distinguishing variations among regions. These results suggest accelerated vegetation spectral regrowth in the short term. The Vegetation Recovery Capacity After Fire (VRAF) index showed values from low to moderate, while the Vulnerability to Fire (V2FIRE) index exhibited values from medium to high across all recovery regions. These findings enhance our understanding of how vegetation recovers from fire and how vulnerable it is to fire.

Live fuel moisture content (LFMC) influences many fire-related aspects, including flammability, ignition, and combustion. In addition, fire spread models are highly sensitive to LFMC values. Despite its importance, LFMC estimation is still elusive due to its dependence on plant species traits, local conditions, and weather patterns. Although LFMC mapping from active synthetic aperture radar has increased over the past years, their utility for LFMC estimation needs further analysis to include additional areas characterized by different vegetation species and fire regimes. This study extended the current knowledge using medium spatial resolution (20 m) time series acquired by active (Sentinel-1) and passive (Sentinel-2) sensors. Our results show that optical-based LFMC estimation may achieve acceptable accuracy (R² = 0.55, MAE = 15.1%, RMSE = 19.7%) at moderate (20 m) spatial resolution. When ancillary information (e.g., vegetation cover) was added, LFMC estimation improved (R² = 0.63, MAE = 13.4%). Contrary to other studies, incorporating Sentinel-1 radar data did not provide for improved LFMC estimates, while the use of SAR data alone resulted in increased estimation errors (R² = 0.28, MAE = 19%, RMSE = 25%). For increased fire risk scenarios (LFMC < 120%), estimation errors improved (MAE = 9.1%, RMSE = 11.8%), suggesting that direct LFMC retrieval from satellite data may be achieved with high temporal and spatial detail.

Canopy fuel characterization is critical to assess fire hazard and potential severity in forest stands. Simulation tools provide useful information for fire prevention planning to reduce wildfire impacts, provided that reliable fuel maps exist at adequate spatial resolution. Free airborne LiDAR data are becoming available in many countries providing an opportunity to improve fuel monitoring at large scales. In this study, models were fitted to estimate canopy base height (CBH), fuel load (CFL) and bulk density (CBD) from airborne LiDAR in a pine stand area where four point-cloud datasets were acquired at different pulse densities. Best models for CBH, CFL and CBD fitted with LiDAR metrics from the 1 p/m² dataset resulted in an adjusted R² of 0.88, 0.68 and 0.58, respectively, with RMSE (MAPE) of 1.85 m (18%), 0.16 kg/m² (14%) and 0.03 kg/m³ (20%). Transferability assessment of fitted models indicated different level of accuracy depending on LiDAR pulse density (both higher and lower than the calibration dataset) and model formulation (linear, power and exponential). Best results were found for exponential models and similar pulse density (1.7 p/m²) compared to lower (0.5 p/m²) or higher return density (4 p/m²). Differences were also observed regarding the canopy fuel attributes.