Los incendios de gran magnitud han pasado de ser episodios aislados a convertirse en una amenaza recurrente con impactos ecológicos y sociales cada vez más visibles. En este contexto, conocer y cuantificar la severidad del fuego ya no es solo un asunto técnico: es clave para priorizar restauraciones, planificar la prevención de incendios forestales y entender cuánto y cómo cambia el paisaje tras el paso de las llamas.
La evaluación de áreas quemadas y de la severidad del daño se apoya cada vez más en la teledetección, con sensores como Sentinel‑2 o Landsat, que permiten capturar el antes y el después con una precisión notable. Gracias a índices espectrales como el NBR y su diferencia temporal (dNBR), es posible delimitar cicatrices, graduar la intensidad del daño y monitorizar la recuperación, evitando sesgos cuando se aplican ventanas temporales adecuadas y enmascarando nubes y artefactos.
Qué entendemos por severidad del incendio
La severidad mide el grado de alteración estructural y funcional que el fuego provoca en el ecosistema: desde la vegetación aérea hasta el suelo, el banco de semillas o la hidrología local. No se limita a la extensión de lo quemado; también describe cuánto ha cambiado lo vivo y el soporte físico que lo sustenta.
La literatura reciente evidencia que la severidad condiciona directamente el tiempo de recuperación del bosque: a mayor severidad, más lenta y difícil resulta la vuelta a la cobertura previa. En incendios muy intensos, no solo arden copas y matorral; también pueden destruirse semillas, brotes y buena parte del horizonte orgánico del suelo, lo que complica la regeneración natural.
Un gran análisis global de 3.281 incendios entre 2001 y 2021 señala que la frecuencia de fuegos de gran escala y su severidad han aumentado, con 2010 como punto de inflexión asociado al calentamiento, sequías y extremos. Las zonas más expuestas incluyen el oeste de Norteamérica, el sureste de Australia, el norte de Sudamérica, el sur de Asia y el centro‑este del norte de Siberia, donde los impactos sobre la estructura del bosque son especialmente marcados.
En promedio, un bosque puede tardar unos cuatro años en recuperar la densidad vegetativa tras un incendio, aunque los más sensibles necesitan varios meses más, y hay casos donde la recuperación se estanca y deriva en declive. Por ello, se aboga por medidas de restauración ecológica y reforestación que aceleren la resiliencia y preserven la función climática de los bosques.
Teledetección para mapear áreas quemadas y severidad
Los satélites Sentinel‑2 y Landsat han democratizado el acceso a imágenes multiespectrales de calidad. La combinación de bandas del infrarrojo cercano (NIR) y el infrarrojo de onda corta (SWIR) permite detectar cambios de vegetación vivos y estructurales tras el fuego, apoyándose en la firma espectral de la vegetación sana, que refleja mucho en NIR y decae hacia SWIR, y en la vegetación dañada, que muestra el patrón opuesto.
El índice NBR (Normalized Burn Ratio) se calcula como (NIR − SWIR) / (NIR + SWIR). En Sentinel‑2 suelen emplearse la banda 8A para NIR y la 12 para SWIR; en Landsat 8, la combinación típica es B5 (NIR) y B7 (SWIR2). Esta normalización resalta la transición de zonas sanas (valores más positivos) a áreas quemadas o severamente afectadas (valores negativos o reducidos). El NBR por sí mismo ya ayuda a identificar cicatrices; sin embargo, su verdadero potencial aparece cuando comparamos dos fechas.
El dNBR se obtiene restando el NBR posterior al incendio al previo (dNBR = NBRpre − NBRpos). Al hacerlo, limitamos falsos positivos en superficies no vegetadas con valores bajos de NBR (caminos, suelos desnudos) y destacamos cambios reales por fuego. En la práctica, el dNBR suele oscilar aproximadamente entre −0,5 y +1,3, donde los valores altos y positivos indican mayor severidad y los muy negativos reflejan regeneración vigorosa.
Las composiciones RGB basadas en NIR y SWIR son una ayuda visual complementaria. Por ejemplo: 8‑4‑3 (Sentinel‑2) resalta la vegetación en rojo; 4‑3‑2 (natural) permite lectura intuitiva; 12‑8A‑4 enfatiza impactos térmicos y humedad residual. Incluso es posible distinguir frentes activos y plumas de humo jugando con SWIR. Son enfoques que, junto a índices como NBR o alternativas como BAIS2, completan el diagnóstico.
Flujo de trabajo en QGIS con Sentinel‑2
Para evaluar áreas quemadas y severidad, una secuencia típica en QGIS abarca la preparación de datos, la corrección atmosférica, el enmascarado de nubes, el cálculo del NBR/dNBR y la clasificación de la severidad en categorías, con estadística y mapas finales. A continuación se ofrece un flujo consolidado basado en los procedimientos USGS y UCG.
1) Preparación y carga de imágenes
Selecciona dos fechas: una previa al incendio y otra posterior. Para Sentinel‑2 nivel 1C, trabaja con las bandas 2, 3, 4, 8, 8A y 12. Puedes abrir las bandas desde el panel del navegador o desde Capa → Agregar capa → Agregar capa ráster, navegando hasta el directorio del producto: PRODUCT → GRANULE → L1C… → IMG_DATA. En estudios reales se emplean escenas cercanas al evento (por ejemplo, julio frente a octubre en un mismo tile) para reducir cambios no relacionados.
Las bandas seleccionadas (en especial 8A y 12) son las que sostienen el NBR. Cargar también 2, 3, 4 y 8 permite construir combinaciones de visualización que ayudan a interpretar el comportamiento del fuego entre bandas y a localizar mejor la zona de interés antes de calcular índices.
2) Correcciones TOA y preprocesado
Antes de los índices, aplica la corrección TOA en el complemento Semi‑Automatic Classification Plugin (SCP). En SCP → Preprocess → Sentinel‑2, elige la carpeta de bandas y el archivo de metadatos MTD_MSIL1C, marca la opción de corrección atmosférica DOS1 y mantén el valor NoData para los bordes negros. Elimina del listado las bandas que no vas a usar (conserva 2, 3, 4, 8, 8A y 12) y ejecuta el proceso.
El progreso se muestra en la barra de QGIS y, al finalizar, verás las nuevas capas con un prefijo identificable (por ejemplo, “RT”). Repite exactamente el mismo preprocesado para la fecha posterior al incendio de forma que ambas escenas queden homogéneas y comparables.
3) Enmascarado de nubes
Las nubes del nivel 1C disponen de una máscara vectorial en QI_DATA → MSK_CLOUDS_B00.gml. Cárgala, guárdala como shapefile y establece el CRS que estés utilizando (por ejemplo, EPSG:32717 en ciertos proyectos). En su tabla de atributos, activa la edición y crea un campo entero (por ejemplo, “valor”) asignando el número 1 a todas las geometrías. Guarda y cierra edición.
Repite el proceso para la segunda fecha y, si es necesario, une ambos shapefiles en una capa única de nubes (por ejemplo, “Nubes_Total.shp”). Ten en cuenta que la máscara incluida en L1C es útil, pero no perfecta: pueden escapar nubes finas o sombras, de modo que conviene revisar visualmente.
4) Combinaciones de bandas para una primera lectura
Antes del cálculo de índices, genera composiciones de color para explorar cicatrices y elementos relevantes. La 8‑4‑3 enfatiza vegetación viva en rojo y suelos en marrones; la 4‑3‑2 ofrece una visión natural intutiva; y la 12‑8A‑4 ayuda a resaltar humedad y calor residual. En zonas urbanas verás cianes claros, los quemados recientes pueden tender a marrones oscuros y las coníferas suelen verse más oscuras que las frondosas.
Cálculo del NBR y del dNBR
Con las escenas corregidas, calcula el NBR en cada fecha. En Sentinel‑2: NBR = (B8A − B12) / (B8A + B12). En Landsat 8: NBR = (B5 − B7) / (B5 + B7). Este índice oscila entre −1 y 1 y capta el contraste entre vegetación viva (NIR alto, SWIR más bajo) y vegetación dañada o suelos quemados (NIR bajo, SWIR alto).
Una vez tengas los NBR pre y post, computa el dNBR como NBRpre − NBRpos. En la práctica, el dNBR puede variar aproximadamente entre −0,5 y +1,3: cuanto mayor y más positivo, mayor severidad; valores cercanos a cero suelen indicar estabilidad/no quemado; valores muy negativos apuntan a recrecimiento vigoroso tras el fuego. Es habitual multiplicar por 1.000 para facilitar la lectura y la clasificación por rangos discretos.
Para visualizar el NBR (y también el dNBR), define una paleta adecuada. Herramientas como ColorBrewer pueden guiarte para escoger rampas perceptualmente ordenadas y con contraste suficiente. En la representación cartográfica final, conviene incluir leyendas legibles y un título descriptivo. Por ejemplo, ciertos ejercicios didácticos proponen un título en dos líneas: “Severidad de incendios” y “Kalamos, Grecia”.
Umbrales de severidad y reclasificación
Existen esquemas de clasificación ampliamente usados. Uno de ellos, con dNBR escalado ×1000, separa las categorías así: recrecimiento vigoroso (−500 a −251), recrecimiento moderado (−250 a −101), no quemado (−100 a 99), severidad baja (100 a 269), baja‑moderada (270 a 439), moderada‑alta (440 a 659) y alta severidad (660 a 1300). Estos rangos permiten mapear la intensidad espacial del daño con una leyenda estructurada.
Otra referencia muy extendida (USGS) en valores no escalados indica: menor de −0,25 (alto crecimiento postfuego), entre −0,25 y −0,1 (bajo crecimiento postfuego), entre −0,1 y 0,1 (estable/sin quemar), 0,1 a 0,27 (severidad baja), 0,27 a 0,44 (baja‑moderada), 0,44 a 0,66 (moderada‑alta) y mayor de 0,66 (alta). Al reclasificar, elige el esquema coherente con tu escala (bruta o ×1000) y documenta bien la elección.
En QGIS, puedes construir una matriz de reclasificación que traduzca los valores de dNBR en códigos de clase, simbolizarlos con una rampa de color y generar la leyenda. Colocar la leyenda al lado derecho del mapa es una práctica habitual para optimizar la lectura en composición final. Si lo necesitas, exporta el resultado como ráster para usos posteriores.
Análisis estadístico y productos derivados
Más allá del mapa, interesa conocer la distribución de áreas por categoría de severidad. Puedes calcular histogramas o tablas con número de píxeles por clase y su porcentaje respecto al total. Añadir etiquetas con recuentos y porcentajes facilita la comunicación con gestores y planificadores.
En flujos avanzados, es común construir un rasterStack o rasterBrick con las bandas clave y nombres bien definidos, de modo que el cálculo de índices, recortes y máscaras sea reproducible. Si trabajas con Landsat, recuerda convertir DN (valores digitales) a reflectancia usando los factores de calibración oficiales (OLI/TIRS) para asegurar comparabilidad entre escenas.
Delimitar la zona de estudio es otra buena práctica: crea una AOI (extensión ajustada al incendio) y recorta los rásteres. Así reduces ruido fuera del área relevante y agilizas el renderizado. Comparar combinaciones de bandas entre fechas ayuda a identificar plumas de humo o puntos calientes en el evento y mejora la validación visual del dNBR.
Limitaciones, errores comunes y buenas prácticas
El análisis de severidad es, en esencia, un ejercicio de detección de cambios. Por eso, los cambios no relacionados con incendios (deforestación, roturaciones, variaciones fenológicas o de humedad) pueden confundirse con daño por fuego, sobre todo en bajas severidades. Una ventana temporal mal elegida (demasiado larga) aumenta la probabilidad de mezclar procesos.
Para minimizar errores, emplea fechas lo más próximas posible al evento, verifica la máscara de nubes y sombras y apóyate en composiciones RGB de control. Ten presente que la máscara de nubes de Sentinel‑2 L1C es útil pero no perfecta: puede dejar pasar cirros o sombras complejas. La inspección visual y el apoyo con capas auxiliares (p. ej., pendientes o usos del suelo) mejoran la robustez del resultado.
Las clases de baja severidad requieren especial cuidado: pequeñas variaciones de humedad o fenología pueden provocar cambios sutiles en el NIR/SWIR que se traduzcan en dNBR bajo falso. En áreas extensas y con mosaicos temporales, la consistencia radiométrica y la homogeneidad en la preprocesión (misma corrección, misma proyección, mismas bandas) son clave para una comparación honesta.
Aplicaciones prácticas: de la península Ibérica al resto del mundo
En la Comunidad Valenciana, donde el clima mediterráneo, el relieve y la continuidad forestal elevan el riesgo, la cuantificación del área quemada y de la severidad se considera prioritaria. Casos como el de Bejís (Castellón, 2022) o el incendio de Luchente (Valencia, 2018) han impulsado el uso de Sentinel‑2 con metodologías estandarizadas (USGS y UCG) para delimitar cicatrices y graduar daños con precisión.
Se han desarrollado aplicaciones que automatizan estos cálculos, siguiendo fielmente el procedimiento USGS o la metodología de la UCG, para que técnicos, gestores y ciudadanía puedan obtener mapas de severidad y estadísticas comparables. Estas herramientas reúnen datos pre y postincendio, enmascaran nubes, calculan NBR/dNBR, reclasifican por rangos y generan salidas cartográficas listas para difundir.
A nivel global, las tendencias apuntan a un incremento de la incidencia de incendios de gran escala del 14% a corto plazo y potencialmente de hasta un 50% a final de siglo. Estas cifras, unidas a la constatación de que la recuperación se ralentiza cuando la severidad aumenta, refuerzan la necesidad de monitorización sistemática y de políticas activas de restauración y prevención. El aumento de la incidencia es una señal de alarma para gestores.
Spectralidad, índices y visualización: piezas que encajan
La clave del NBR está en la respuesta espectral. Vegetación viva: NIR alto, SWIR más bajo; vegetación quemada o estresada: NIR cae y SWIR sube. De este contraste nace la señal. Alternativas como BAIS2 (propuesta específica para Sentinel‑2) pueden complementar o validar el diagnóstico, sobre todo si se persiguen criterios de robustez frente a fondos brillantes o condiciones radiométricas variables.
Las clásicas composiciones RGB con NIR y SWIR, como las usadas en casos célebres a escala mundial (por ejemplo, incendios en la región de Amur), funcionan muy bien como herramienta de inspección: ayudan a localizar frentes activos, plumas y cicatrices antes incluso de operar con índices. Pero recuerda: para graduar la severidad de forma consistente, el dNBR comparativo sigue siendo el estándar de oro.
La simbología y la leyenda importan. Emplear rampas con progresión lógica (de verde/gris para no quemado a rojos intensos para alta severidad, por ejemplo) facilita al usuario final comprender el mapa de un vistazo. Añade títulos concisos, escala y referencias; y exporta el ráster de severidad cuando necesites análisis posteriores o integración en visores web.
Consejos operativos de calidad
Antes de calcular índices, asegura que ambas fechas comparten el mismo sistema de referencia, resolución y extensión. Utiliza recortes a AOI para evitar artefactos de bordes y normaliza la nomenclatura de capas para no perderte entre versiones pre y post. Documenta tu flujo: qué corrección atmosférica aplicaste, qué umbrales usaste y qué máscara de nubes generaste.
Si trabajas con Landsat, conviertes siempre de DN a reflectancia usando las constantes oficiales del producto; si trabajas con Sentinel‑2 L1C, el preprocesado con SCP y la corrección DOS1 es un punto de partida extendido y eficaz para separar perturbaciones atmosféricas de la reflectancia de superficie. Y, si puedes, comprueba varias ventanas temporales postincendio (inmediata, semanas después) para entender mejor la dinámica de cenizas y regeneración inicial.
Para informes, acompaña el mapa con un cuadro de estadísticas (superficie por clase y porcentaje) y una breve nota metodológica que explique el dNBR elegido, el conjunto de bandas y la forma de enmascarar nubes. Esto agiliza la revisión por pares, facilita la toma de decisiones por parte de gestores y reduce malentendidos sobre la interpretación de colores y clases.
Riesgos, recuperación y gestión
El vínculo entre severidad y recuperación es estrecho. Mientras que severidades bajas pueden permitir rebrotes ágiles, las altas severidades suelen implicar pérdida de semillas y horizontes orgánicos, con lo que el bosque tarda más en volver a estados previos o puede quedar anclado en trayectorias de matorral o pastizal. En regiones boreales, la tendencia a recuperaciones lentas es más acusada por sus condiciones intrínsecas.
Con escenarios de aumento de incendios severos, la restauración ecológica (desde la retención de suelo hasta la reforestación asistida) será cada vez más necesaria, así como el uso de productos operativos basados en Sentinel‑2 y Landsat que ofrezcan indicadores comparables en tiempo y espacio. De este modo, se priorizan áreas críticas, se monitorizan resultados y se retroalimenta la prevención.
Para quienes gestionan emergencias, disponer de dos metodologías consolidadas (USGS y UCG) aporta confianza. La primera, canónica en el uso de dNBR; la segunda, aplicada en múltiples casos de estudio en España con directrices específicas de delimitación y evaluación de severidad usando Sentinel‑2. Ambas convergen en lo esencial: buena preselección temporal, corrección adecuada, nubes bien enmascaradas y clasificación transparente.
Medir la severidad de los incendios forestales con NBR y dNBR, apoyándose en flujos reproducibles en QGIS y en clasificaciones claras, permite traducir el impacto del fuego en cifras y mapas que guían la recuperación, la planificación y la comunicación pública. Con una ventana temporal pertinente, máscaras de nubes cuidadas y umbrales coherentes, la evaluación gana fiabilidad y se convierte en una herramienta práctica de gestión territorial.
