Artículos

 

Estimación práctica de la variabilidad de la humedad de los combustibles bajo diferentes ecosistemas forestales

 

Practical estimation of the variability of fuel moisture in different forest ecosystems

 

José Germán Flores Garnica¹*, Laura Patricia Gómez Murillo²

 

¹ Centro de Investigación Regional Pacífico Centro (CIRPAC), Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias (INIFAP). * Correo-e: flores.german@inifap.gob.mx

² Comisión Nacional Forestal.

 

Fecha de recepción: 10 de septiembre de 2010.
Fecha de aceptación: 15 de mayo de 2011.

 

RESUMEN

Para el uso de sistemas de simulación de comportamiento del fuego es necesario conocer, entre otros factores, el contenido de humedad de los combustibles forestales, ya que este influye en el precalentamiento, la ignición, la velocidad de propagación, la intensidad de la línea de fuego y en la producción de humo. Sin embargo, su cálculo es complicado, porque se deben considerar los cambios en las condiciones ambientales. Lo cual hace difícil su estimación rápida y precisa para fines operativos, o de toma de decisiones en el manejo del fuego. Por lo que el objetivo del presente trabajo fue la generación de modelos prácticos para el cálculo de los contenidos de humedad de combustibles forestales de 1-hora y de 10-horas. Estos basados en variaciones de humedad relativa y temperatura, que se monitorearon al aplicar quemas controladas en cuatro ecosistemas forestales (pino-encino, matorral-pino, pino y pastizal-pino). Los resultados sugieren que la humedad relativa es la variable que mejor estima el contenido de humedad de los combustibles (R² = 0.955 para combustibles de 1-hora y R² = 0.965 para combustibles de 10 horas). La información generada es útil para diversos propósitos, como la definición de áreas de riesgo y peligro de incendio, estimaciones del comportamiento del fuego, planeación de la implementación de quemas controladas, etc. Finalmente, se sugiere realizar estudios para evaluar las variaciones temporales del contenido de humedad de combustibles forestales.

Palabras clave: Comportamiento del fuego, incendio forestal, quema prescita, riesgo de incendio, tiempo de retardo de combustibles, factores ambientales.

 

ABSTRACT

A fire behavior simulation system demands the knowledge of many factors, such as fuel moisture content, because it affects fuel preheating, fuel ignition, the speed of propagation, the intensity of the line of fire and smoke production. However, its calculus is complicated because an effective evaluation must consider changes in environmental conditions. This makes difficult a fast and precise enough for operative purposes, or for decision making in fire management. Therefore, the objective of this work was to generate practical models to calculate moisture content of 1 hour and 10 hour forest fuels. These were based on variations of relative humidity and temperature, which were monitored when prescribed burns were applied in four forest ecosystems (pine-oak, pine scrubland, pine, grass land-pine). Results suggest that relative humidity is the variable that better estimate the moisture content (R² = 0.955 for 1-hour fuels; and R² = 0.965 for 10 hours fuels). The generated information could be useful for several purposes, such as definition of fire risk areas, fire behavior estimations, prescription of burn planning, etc. Finally, it is suggested to carry on studies in order to assess temporal variations of fuels moisture content.

Key words: Fire behavior, forest fire, prescribed burn, fire risk, timelag of fuels, environmental factors.

 

INTRODUCCIÓN

El fuego forestal es un fenómeno natural que ha estado presente, en mayor o menor grado, en casi todos los ecosistemas terrestres por millones de años (Odum, 1971; Flores, 1996; Emerson y Marinho, 1998; Rodríguez, 2000; Knight 2001; Nasi et al., 2001; Covert, 2003; Jardel, 2003). En muchos casos, estos eventos producen pérdidas de recursos naturales de gran valor ecológico y económico, de recuperación difícil y en ocasiones imposible (Flores y Benavides, 1994; Nájera et al ., 2006). No obstante, en muchos otros los ecosistemas se benefician por la presencia de incendios, por ejemplo, fomenta la regeneración natural y la estructuración de ambientes favorables para cierta fauna (Flores y Omi, 2003). Para promover estas condiciones se recurre a dos estrategias en la implementación de quemas: 1) la experiencia del personal participante y 2) el uso de sistemas de simulación del comportamiento del fuego FARSITE [Finney, 1996], BURN [Veach et al., 1994], y EMBYR [Hargrove y Gardner, 1994]). Muchos de ellos funcionan tomando como base la ecuación de propagación de incendios de superficie de Rothermel (1972), por lo que para utilizarlos es necesario tener ciertos valores de inicio, como: la velocidad del viento, temperatura, humedad relativa, cantidad y calidad de combustibles, pendiente, etc. Con dicha información se generan valores de salida como: la velocidad de propagación, altura de llama e intensidad de calor, entre otros.

Dentro de los valores de entrada, la caracterización de combustibles tiene un papel importante, por lo que se requiere conocer sus condiciones: las cargas (Mg ha^-1) por tipo de combustibles, proporción de combustibles, la relación volumen-superficie y el contenido de humedad. Entre las características de los combustibles, la humedad es una de las que más incide en el comportamiento del fuego (Ruíz, 2004), ya que influye en el precalentamiento y la ignición de los combustibles no quemados, la velocidad de propagación, la intensidad de la línea de fuego y la producción de humo. Por lo tanto constituye un parámetro muy importante en: a) la evaluación del peligro de incendios (Babrauskas, 2006; Weise, 2007), b) en el análisis del comportamiento del fuego y c) en el manejo de combustibles y quemas prescritas (Xianlin et al ., 2007).

 

Humedad de los combustibles

La humedad de combustible es la cantidad de agua en el follaje húmedo, en relación al mismo material cuando está seco (Danson y Bowyer 2004; Villers y Wong 2006). Para medir la humedad de los combustibles se tienen métodos directos e indirectos (Alves et al., 2009). Dentro de los primeros se incluyen los medidores portátiles de conductividad eléctrica (Chatto y Tolhurst, 1997) y las varillas de medición de humedad de combustibles forestales (Haines y Frost, 1978). El empleo de estos métodos implica contar con personal especializado y la correspondiente inversión de tiempo. De tal manera que, su empleo no es práctico, ya que con frecuencia se necesita determinar dicha humedad en forma sencilla y rápida, en un momento y lugar específicos. Para, por ejemplo, estimar cómo se comporta el fuego durante la implementación de una quema controlada (Ruíz, 2004). Dado estas limitaciones, se hace uso de los métodos indirectos, a través de los cuales se calcula el contenido de humedad, entre ellos se pueden mencionar: la humedad relativa, temperatura, cobertura de nubes (Sepúlveda et al., 2001) o incluso con la información de sensores remotos (Bowyer y Danson, 2006; Xianlin et al ., 2007).

 

Factores que afectan la humedad de los combustibles

La humedad de los combustibles muertos está controlada, exclusivamente, por factores ambientales (Carlson et al., 2007), tales como: la precipitación, en forma de lluvia, nieve o niebla, los cuales humedecen de manera directa a los combustibles (Villers et al ., 2007). No obstante, indirectamente pueden aumentar su humedad, al incrementar la humedad relativa y la del suelo. Otro factor es la condensación del agua sobre la superficie del combustible. Finalmente, se tiene el intercambio de agua en estado de vapor entre la atmósfera y el material inflamable (Ruíz, 2004; Xianlin et al., 2007). Esto último define el concepto de "tiempo de retardo", el cual es el lapso en que un combustible tarda en perder o ganar (por condiciones de humedad ambiental) dos tercios de la diferencia entre su contenido inicial de humedad y la del ambiente. Conforme los combustibles sean más grandes, perderán o ganarán humedad más lentamente, es decir, tendrán un mayor tiempo de retardo. Con base en esta propiedad se clasifican según su tiempo de retardo en: 1, 10, 100 y 1000 h; cuyos grosores varían de 0 a 0.60, 0.61 a 2.50, 2.51 a 7.50 y mayores de 7.51 cm, respectivamente (Flores et al., 2005).

Calcular la humedad de los combustibles en forma directa se complica, cuando se manejan grandes superficies, razón por la cual, de manera alternativa se ha usado su estimación indirecta. Sin embargo, una evaluación efectiva debe considerar los cambios en las condiciones ambientales con aspectos tiempo-espaciales específicos, que a su vez se reflejen en los contenidos de humedad de los combustibles (Verbesselt et al., 2002), aunque represente un proceso complicado y, en ocasiones, lento. Principalmente, por el número de variables que se requieren para estimarla (Flores, 2001). Lo anterior hace poco operativo el uso de estas estrategias indirectas, pues se necesita que sean ágiles y sencillas, para que apoyen la toma de decisiones del personal técnico involucrado en el manejo del fuego. Al respecto, el objetivo principal del presente trabajo fue desarrollar modelos prácticos que faciliten la estimación del contenido de humedad de combustibles forestales, con base en la evaluación de dos parámetros ambientales: humedad relativa y temperatura.

 

MATERIALES Y MÉTODOS

Área de estudio

El presente trabajo se desarrolló con información obtenida de cuatro ecosistemas forestales (Cuadro 1) ubicados en la parte noroeste del estado de Chihuahua (Figura 1). Las áreas seleccionadas fueron georreferidas con un sistema de geoposicionamiento global.

 

Monitoreo de condiciones ambientales

El cálculo de las variaciones de contenidos de humedad de combustibles forestales, en respuesta a cambios ambientales, los que fueron enfocados a la humedad relativa y la temperatura, cuyos valores se monitorean al implementar una serie de quemas controladas en cada uno de los ecosistemas señalados.

 

Cálculo de humedad de los combustibles forestales

En el tipo de quemas controladas que se utilizaron, la propagación del fuego estuvo condicionada, principalmente, por los combustibles pequeños (< 2.5 cm de diámetro), por lo que se estimó el contenido de humedad sólo de los combustibles de 1-hora (0-0.6 cm) y de 10-horas (0.6-2.5 cm). Dado que no se tuvieron evaluaciones, este parámetro se calculó mediante una serie de ecuaciones teóricas (Sepúlveda et al ., 2001). Los resultados se usaron como el valor "real" de los contenidos de humedad de los combustibles, para comparar la bondad de ajuste de los modelos prácticos que se generaron.

 

Estimación teórica de humedad en combustibles de 1-hora

Para determinar la humedad teórica de los combustibles de 1-hora se utilizó la siguiente fórmula (Sepúlveda et al., 2001):

Donde:

mc₁ = Retardo de 1 hora del contenido de humedad del combustible. EMC = Contenido de humedad en equilibrio de la interfase combustible-atmósfera.

Para la estimación del EMC se requiere conocer: a) la interfase de humedad relativa del combustible - atmósfera (%) y b) la interfase de la temperatura del combustible - atmósfera (°F). La primera se representa con la letra h , mientras que la segunda con la T . De acuerdo con las variaciones del contenido de humedad de los combustibles, en relación a las variaciones de humedad relativa, se especifican tres rangos de esta última. Con sus correspondientes ecuaciones para el cálculo del contenido de humedad:

Uno de los elementos que definen la humedad relativa es la presencia de nubes. De tal manera que en un área donde están ausentes se tendrá una baja humedad relativa y ésta será mayor con la ocurrencia de ellas. Así, con base en la cobertura del cielo por nubes existe una serie de factores de ajuste en la interfase combustible-atmósfera de temperatura y humedad relativa (Cuadro 2). Dado que las quemas se realizaron en abril, mes caracterizado por una nubosidad mínima y elevadas temperaturas, se eligió la condición de cielos claros para todos los ecosistemas.

 

Estimación teórica de humedad en combustibles de 10-horas

Se utilizó la siguiente fórmula (Sepúlveda et al., 2001):

Donde:

mc₁₀ = Retardo de 10 horas del contenido de humedad del combustible

EMC = Contenido de humedad en equilibrio de la interfase combustible- atmósfera. El cálculo es igual al utilizado en la estimación del contenido de humedad de los combustibles de 1 hora (Ecuaciones 2, 3, y 4).

 

RESULTADOS

Contenido teórico de humedad de combustibles

El Cuadro 3 muestra las variaciones en la temperatura y la humedad relativa en cada una de las condiciones en que se monitorearon. Así mismo se presentan los valores teóricos de los porcentajes de humedad tanto de los combustibles de 1 hora, como de los combustibles de 10 horas.

En el Cuadro 3 se observa que la temperatura más alta se registró en el ecosistema de pino. Sin embargo, la secuencia de las temperaturas anteriores corresponde a las mínimas en todos los ambientes estudiados. Cabe señalar que el pinar fue un bosque joven, con una cobertura de copa uniforme e infiltración mínima de luz, lo cual favoreció que las primeras lecturas de temperatura fueran bajas. En cuanto al ecosistema de matorral con pino, se obtuvieron básicamente los valores de temperatura más grandes. Por otra parte, aún cuando se muestrearon pocos puntos, la parcela de pastizal-pino mostró menos variabilidad en temperatura y humedad relativa. Esta última tuvo una baja correlación con la temperatura (R² = 0.556), aún en el mejor modelo generado (polinómico).

 

Estimación práctica de humedad de combustibles de 1 hora

La humedad relativa fue el parámetro en el que se determinó la mayor correlación con el contenido de humedad de los combustibles de 1 hora (Cuadro 4), y cuyo el modelo lineal resultó con el coeficiente de correlación (0.955) superior, el cual fue muy similar al modelo multivariado (0.9552), que contempla a la humedad relativa y a la temperatura. No obstante, para fines prácticos es recomendable usar el primero (Figura 2), con la humedad relativa como variable independiente. Por otra parte, la correlación de la temperatura con el contenido de humedad de combustibles de 1 hora fue baja, con una R² máxima de 0.53 (modelo polinómico).

En la Figura 3 se indica la tendencia de la relación del contenido de humedad de los combustibles de 1 hora, con respecto a la combinación de las variables independientes de temperatura y humedad relativa. Es clara la mayor influencia de esta última.

 

Estimación práctica de humedad de combustibles de 10 horas

La mayor correlación con el contenido humedad de los combustibles de 10 horas se determinó con la humedad relativa (Cuadro 5), y el modelo lineal con el coeficiente superior de correlación (0.965), incluso es ligeramente mejor que el modelo multivariado (0.9552), que incluye a la humedad relativa y a la temperatura.

En la práctica es recomendable usar el modelo lineal (Figura 2), con la humedad relativa como variable independiente. Por otra parte, la correlación de la temperatura con el contenido de humedad de combustibles de 10 horas fue baja, con una R² máxima de 0.578 (modelo polinómico).

En la Figura 3 se señala la tendencia de la relación del contenido de humedad de los combustibles de 10 horas, en relación a la combinación de las variables independientes de temperatura y humedad relativa. Donde, al igual que en el caso de los combustibles de 1 hora, es clara la mayor influencia de esta última.

 

Análisis de la predicción de contenidos de humedad

Una vez que se seleccionaron los modelos que mejor estimaron el contenido de humedad de los combustibles forestales, se hizo un análisis de las predicciones resultantes. Es importante remarcar que en ambos casos (1 h y 10 h) la única variable independiente fue la humedad relativa. El Cuadro 6 resume los resultados de aplicar los modelos, así como los residuales correspondientes. La desviación típica de residuales tuvo un valor de 0.675 y de 0.925 para combustibles de 1 hora y 10 horas, respectivamente. Lo cual implica que la variación de los residuales es relativamente baja y asegura una buena estimación del contenido de humedad de los combustibles.

Para hacer una comparación entre las predicciones de los contenidos de humedad, y los dos tipos de combustibles, se calcularon los coeficientes de variación correspondientes. Los resultados indican que las mejores predicciones corresponden a los combustibles de 1 hora, con 6.59, en tanto que para los combustibles de 10 horas se obtuvo un coeficiente de 7.18. Sin embargo, se considera que el ajuste de los modelos, en ambos casos, es bueno.

 

Análisis de residuales

Se determinó el error estándar de residuales como indicador del cumplimiento de las condiciones de aplicación de las técnicas de correlación, así como de la bondad del ajuste de las estimaciones de contenido de humedad para combustibles. El valor para los combustibles de 1 hora es de 0.7383; mientras que el error estándar de residuales para combustibles de 10 horas de 0.8483. Lo anterior indica que en los dos tipos la dispersión de los residuales resultó baja.

El análisis de la normalidad en la distribución de los residuales se presenta en la Figura 4, en ella se aprecia que se agrupan (ajustan) a lo largo de la recta Residuales = Quantiles de Normal Estándar , por lo que puede concluirse que los residuales, tanto para combustibles de 1-hora como de 10-horas, tienen una distribución aproximadamente normal.

 

CONCLUSIONES

El entendimiento de un fenómeno tan complejo como son los incendios forestales implica conocer una serie de parámetros asociados a los mismos. Dentro de estos se tienen, por ejemplo combustibles: topografía, variables ambientales, etc. Además se requiere que la información de cada uno de esos parámetros sea lo más precisa posible. Para lo cual deben definirse procesos probados, que tiendan a estandarizarse. De esta forma debe entenderse que el planteamiento, que se presenta en este trabajo, considera la humedad de combustibles como una parte relevante dentro del conjunto de parámetros que definen el comportamiento del fuego. Sin embargo, es importante el contar con estrategias alternativas para hacer evaluaciones del contenido de humedad que sean prácticas. Tal es el caso de los modelos generados en el presente estudio, que se basan solo en la humedad elativa. Esto permitirá el uso de dicho parámetro en actividades operativas, tanto de prevención, como de combate de incendios forestales. No obstante, debe señalarse que los resultados consignados deben tomarse como una primera aproximación, por lo que su uso deberá, si es necesario, establecer si los modelos sobreestiman, o subestiman los contenidos de humedad de los combustibles. Además, sus resultados se restringen a las condiciones ambientales prevalecientes en los sitios donde se obtuvieron los datos analizados. Por lo que se sugiere aumentar el número de observaciones y tomar en cuenta otras condiciones ambientales, incluso otros parámetros como: la cobertura de dosel, la densidad de arbolado, mezcla de especies, etc. La metodología propuesta podrá usarse para obtener otros modelos.

 

Javier Nava Vega (2007). San Nicolas Totolapan, Delegación Magdalena Contreras, D.F.

 

REFERENCIAS

Alves M., V., A. C Batista., R. V. Soares., M. Octaviano and M. Marchetti. 2009. Fuel Moisture Sampling and modeling in Pinus elliotti Engelm. Plantations based on weather conditions in Paraná-Brazil. I- Forest, The Italian Society of Silviculture and Forest Ecology 2:99-103.         [ Links ]

Babrauskas, V. 2006. Effective heat of combustion for flaming combustion of conifers. Canadian Journal of Forestry Research. 36: 659-663.         [ Links ]

Bowyer P. and Danson, F. 2006. Sensitibity of spectral reflectance to variation in live fuel moisture content at leaf and canopy level. Remote Sensing of Environment, Centre for Environmental Systems Research 92: 297-308         [ Links ]

Carlson, J., L. Bradshaw., R. Nelson, R. Bensch., and R. Jabrzemski. 2007. Application of the Nelson Model to four timelag fuel classes using Oklahoma field observations: model evaluation and comparison with National Fire Danger System algorithms. International Journal of Wildland Fire 16:204-216.         [ Links ]

Chatto, K. and K. Tolhurst. 1997. The development and testing of the Wiltronics T-H Fine fuel moisture meter. Department of Natural Resources and Environment, Creswick Research Station. Research Report. No. 46. Creswick, Victory. Australian. 44 p.         [ Links ]

Covert, K. A. 2003. Hairy woodpecker winter ecology following wildfire: effects of burn severity and age. Mastery dissertation. Northern Arizona University. http://www.rmrs.nau.edu/publications/Covert-Bratland_Thesis/Covert-Bratland_Thesis.pdf. (septiembre de 2006).         [ Links ]

Danson, F. and P. Bowyer. 2004. Estimating live fuel moisture content from remotely sensed reflectance. Remote Sensing of Environment, Centre for Environmental Systems Research 92: 309-321.         [ Links ]

Emerson, M. V. and J. Marinho. 1998. Pre and Post Fire habitat utilization by rodents of Cerrado from Central Brazil. Biotropica 30 (3): 491-496        [ Links ]

Finney, M. A. 1996. FARSITE. Fire Area Simulator. User's guide and technical documentation. Systems for Environmental Management. Version 2.0. Missoula, MT. USA. 116 p.         [ Links ]

Flores G., J. G. y D. Benavides S., de J. 1994. Efecto de las quemas prescritas sobre algunas características del suelo en un rodal de pino. Revista Terra 12 (4): 393-400.         [ Links ]

Flores G., J. G. 1996. Impacto ambiental de los incendios forestales. INIFAP. Pacífico- Centro. Publicación Especial no. 1. Guadalajara, Jalisco. México 21 p.         [ Links ]

Flores G., J. G. 2001. Modeling the spatial variability of forest fuel arrays. Ph. D. Dissertation. Dept of Forest Sciences. Colorado State University. Fort Collins, CO. USA. 184 p.         [ Links ]

Flores G., J. G. y P. Omi. 2003. Mapeo de combustibles forestales para simulaciones del comportamiento espacial del fuego utilizando estrategias de geomática. Agrociencia 37 (1): 65-72.         [ Links ]

Flores G., J. G. Moreno D. A. y D. Benavides S., de J. 2005. Simulación Espacial de dispersión del fuego en función de la carga de combustible y pendiente. Ciencia Forestal en México 30 (97): 7-28.         [ Links ]

Haines, D. and J. Frost. 1978. Weathering effects on fuel moisture sticks: corrections and recommendations. United States Forest Service, Research paper NC 154. St. Paul, MN. USA. 7 p.         [ Links ]

Hargrove, W. W. 1994. Using EMBYR, a large-scale probabilistic fire model, to re-create the Yellowstone Forest Lake fire. Environmental Research News, http://research.esd.ornl.gov/EMBYR/embyr.html. (julio de 2009).         [ Links ]

Jardel P., E. 2003. Reseña del Seminario sobre Manejo del fuego y Restauración de bosques. Laboratorio de Manejo Forestal, Departamento de Ecología y Recursos Naturales-IMECBIO, Centro Universitario de la Costa Sur. Universidad de Guadalajara http://www.fire.unifreiburg.de/GlobalNetworks/MesoAmerica/Manantlan%20seminario%20manejo%20fuego.pdf . (septiembre de 2010).         [ Links ]

Knight, D. 2001. WILDFIRE! Yellowstone National Park fires show natural cycle at work. http://www.findarticles.com/p/articles/mi_m0FRO/is_4_134/ai_79573242. (septiembre de 2006).         [ Links ]

Nájera D., A., J. C. Cal y Mayor T. y M. P. Ramos R. 2006. Uso del fuego en el manejo de combustibles forestales en la sierra de Zapalinamé, Coah. In: Memoria del IV Simposio Internacional sobre Manejo Sostenible de los Recursos Forestales. 19-22 de abril. Versión digital. Universidad de Pinar del Río. Pinar del Río, Cuba. http://www.fire.uni-freiburg.de/GlobalNetworks/Caribbean/SIMFOR%202006/Najera_ mx.pdf. (enero de 2007).         [ Links ]

Nasi R., R. Dennos, E. Meijaard, G. Applegate y P. Moore. 2001. Los incendios forestales y la diversidad biológica. Unasylva, no. 209. FAO - Organización de las Naciones Unidas para la Agricultura y la Alimentación. http://www.fao.org/docrep/004/y3582s/y3582s08.htm#P0_ 0.(octubre de 2006).         [ Links ]

Odum, E. P. 1971. Ecología. 3^a. ed. Interamericana, México, D.F. México. 569 p.         [ Links ]

Rodríguez T., D. A. 2000. Propuesta de manejo del fuego. In : Rodríguez-T., D. A., A. Rodríguez M., S. F. Fernández y S. J., Pyne. Educación e Incendios Forestales. Mundi Prensa. México, D. F. México. pp. 189-194.         [ Links ]

Rothermel, R. C. 1972. A mathematical model for predicting fire spread in wildland fuels. Research Paper INT-115, United States Department of Agriculture, Forest Service, Intermountain Forest and Range Experiment Station, Ogden, UT. USA. 42 p. http://www.fs.fed.us/rm/pubs_int/int_rp115.pdf. (agosto de 2010).         [ Links ]

Ruíz G., A. D. 2004. La predicción de la humedad en los restos forestales combustibles; aplicación a masas arboladas en Galicia. Tesis Doctoral. Departamento de Silvopascicultura. Escuela Técnica Superior de Ingenieros de Montes. Universidad Politécnica de Madrid. Madrid, España. 440 p.         [ Links ]

Sepúlveda B., J. L., R. Meza, W. R. Zuñiga C., G. Solis G., M. Olguín E. 2001. SIG para determinar riesgo de incendios forestales en el noroeste de México. Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Centro de Investigación Regional del Noreste. Campo Experimental Costa de Ensenada. Publicación Técnica No. 1. 37 p.         [ Links ]

Veach, M. S., P. D Coddington and G. C. Fox. 1994. BURN: A simulation of forest fire propagation. In: Project Report for the Northeast Parallel Architectures Center. Research Experiences for Undergraduates (NPAC-REU) Program. Universidad de Syracuse. New York, NY. USA. 8 p.         [ Links ]

Verbesselt, J., S. Fleck and P. Coppin. 2002. Estimation of fuel moisture content towards Fire Risk Assesment: A review. Forest Fire Research and Wildlife Fire Safety, Universidad Católica de Lovaina en Bélgica. Viegas. Millpress, Rotherdam, Holanda. 11 p.         [ Links ]

Víllers R., M. de L y J. C. Wong G. 2007. Evaluación de combustibles y su disponibilidad en Incendios Forestales: un estudio en el Parque Nacional La Malinche. Investigaciones Geográficas, Boletín del Instituto de Geografía UNAM. 62: 87-103.         [ Links ]

Weise, D. R. 2007. Determination of equilibrium moisture content for several fine fuels in Hawaii. Forest Service, Pacific Southwest Research Station. Riverside California, Utah. EUA. 144 p.         [ Links ]

Xianlin, Q. Z. L., Y. Pang, J. L. Casanova and A. Calle. 2007. Method on live fuel moisture content estimation using AATSR Data. Versión digital. Simposio Dragon 2007. http://earth.esa.int/dragon/symp2007/participants/285/pres_285_xianlin_qin.pdf. (septiembre de 2009).         [ Links ]