BAIS2 Sentinel-2 áreas quemadas: análisis post-incendio con NBR2
BAIS2 Sentinel-2 áreas quemadas permite analizar superficies afectadas por el fuego combinando información del red-edge, NIR y SWIR. BAIS2 fue diseñado específicamente para Sentinel-2, mientras que NBR2 resume el contraste entre dos regiones SWIR y aporta una lectura complementaria del comportamiento post-incendio.
La pregunta importante no es cuál índice produce el mapa visualmente más llamativo. La pregunta realmente útil es: ¿qué información aporta cada índice para separar una superficie quemada de suelo seco, vegetación no quemada, sombras u otras coberturas?
En esta entrada analizamos BAIS2 y NBR2 desde esa perspectiva: fundamentos espectrales, bandas utilizadas, resolución espacial, análisis post-incendio, principales fuentes de confusión y criterios para interpretar los resultados sin convertir un índice en una clasificación automática.
BAIS2 Sentinel-2 áreas quemadas: ¿por qué combinar varias regiones espectrales?
Después de un incendio pueden producirse cambios simultáneos en la estructura de la vegetación, el contenido de humedad, la cantidad de material vegetal seco, la exposición del suelo y la presencia de carbón y cenizas.
Estos procesos no afectan una sola banda del espectro. Pueden modificar la respuesta en el visible, el infrarrojo cercano, el red-edge y el infrarrojo de onda corta.
Por eso, BAIS2 Sentinel-2 áreas quemadas resulta conceptualmente interesante: BAIS2 integra información de varias regiones espectrales, mientras NBR2 se concentra en el contraste SWIR1–SWIR2.
La complementariedad es más importante que la competencia entre índices. En BAIS2 Sentinel-2 áreas quemadas, esa complementariedad ayuda a interpretar mejor qué parte de la señal responde a cambios de vegetación y qué parte está dominada por el SWIR.
1. ¿Qué es BAIS2?
El Burned Area Index for Sentinel-2 (BAIS2) fue desarrollado específicamente para detectar áreas afectadas por incendios utilizando las características espectrales del sensor MSI de Sentinel-2.
Su formulación combina información del red-edge, el NIR estrecho, el rojo y el SWIR:
BAIS2 = (1 − √((B6 × B7 × B8A) / B4)) × (((B12 − B8A) / √(B12 + B8A)) + 1)
La primera parte incorpora información de B6, B7, B8A y B4, mientras la segunda introduce el contraste entre B12 y B8A.
Esta estructura permite que BAIS2 responda simultáneamente a propiedades relacionadas con la vegetación y a cambios producidos en la región SWIR después del fuego.
Referencia científica: Filipponi — BAIS2: Burned Area Index for Sentinel-2
2. ¿Qué bandas utiliza BAIS2 en Sentinel-2?
| Banda | Región espectral | Resolución nativa |
|---|---|---|
| B4 | Rojo | 10 m |
| B6 | Vegetation Red Edge | 20 m |
| B7 | Vegetation Red Edge | 20 m |
| B8A | NIR estrecho | 20 m |
| B12 | SWIR2 | 20 m |
Aunque B4 tiene resolución nativa de 10 m, las demás bandas utilizadas por BAIS2 son de 20 m. Por ello, un procesamiento coherente suele trabajar estas variables sobre una grilla común.
Esto es importante para interpretar BAIS2 Sentinel-2 áreas quemadas: remuestrear datos de 20 m a una grilla de 10 m puede facilitar la integración espacial, pero no crea nueva información espectral o espacial.
Documentación oficial de las bandas y resoluciones de Sentinel-2 MSI
3. ¿Qué aporta el red-edge al análisis post-incendio?
Una característica distintiva de BAIS2 es la incorporación de bandas red-edge de Sentinel-2.
Estas bandas se encuentran en una región espectral especialmente sensible a cambios en la vegetación. Después de un incendio, las modificaciones en el dosel, la pérdida de tejido fotosintético y la exposición de otros materiales pueden alterar la respuesta registrada en esta zona.
BAIS2 combina esa información con la respuesta de B12 en SWIR2. De esta manera, el índice no depende únicamente de una relación NIR–SWIR, sino que integra varias dimensiones espectrales.
Esta es una de las razones por las que BAIS2 Sentinel-2 áreas quemadas ofrece una perspectiva diferente a la de índices más simples.
4. ¿Qué es NBR2?
El Normalized Burn Ratio 2 (NBR2) es una diferencia normalizada entre dos regiones del infrarrojo de onda corta.
Una convención ampliamente utilizada, incluida la documentación del USGS para Landsat, es:
NBR2 = (SWIR1 − SWIR2) / (SWIR1 + SWIR2)
Trasladada a Sentinel-2:
NBR2 = (B11 − B12) / (B11 + B12)
Existe un detalle metodológico que conviene documentar: algunas publicaciones e implementaciones utilizan la expresión con el signo invertido, es decir, (B12 − B11)/(B12 + B11). Matemáticamente ambas contienen la misma información relativa pero producen valores con signo opuesto.
Por eso, cuando comparamos estudios o construimos series temporales, debemos indicar claramente qué convención de NBR2 estamos utilizando.
USGS — definición de Normalized Burn Ratio 2
5. ¿Por qué NBR2 puede ser útil después de un incendio?
B11 y B12 se encuentran dentro de la región SWIR. Estas longitudes de onda responden a características relacionadas con contenido de agua, material seco y propiedades de la superficie.
Después de un incendio, la pérdida de humedad y la transformación de la cobertura pueden modificar de manera importante el contraste entre ambas bandas.
NBR2 no debería interpretarse como un detector automático de incendio. Su utilidad está en proporcionar una variable adicional que describe el comportamiento SWIR de la superficie.
Dentro de BAIS2 Sentinel-2 áreas quemadas, NBR2 puede ayudar a observar una dimensión diferente de la señal respecto de BAIS2.
6. BAIS2 Sentinel-2 áreas quemadas: diferencias clave frente a NBR2
| Característica | BAIS2 | NBR2 |
|---|---|---|
| Número de bandas | 5 | 2 |
| Regiones principales | Rojo, red-edge, NIR estrecho y SWIR2 | SWIR1 y SWIR2 |
| Diseño | Desarrollado específicamente para Sentinel-2 y áreas quemadas | Diferencia normalizada entre dos bandas SWIR |
| Información dominante | Cambios combinados en vegetación y respuesta SWIR | Contraste interno de la región SWIR |
| Resolución de trabajo coherente | 20 m por las bandas utilizadas | 20 m |
La tabla ayuda a entender por qué ambos índices pueden generar patrones distintos después de un mismo incendio. Esta diferencia es central cuando utilizamos BAIS2 Sentinel-2 áreas quemadas en paisajes con suelo expuesto, vegetación seca y superficies oscuras.
BAIS2 integra más dimensiones espectrales. NBR2 resume una relación concreta entre dos bandas SWIR. Ninguno de estos hechos significa que uno sea universalmente superior.
En la práctica, el valor de BAIS2 Sentinel-2 áreas quemadas está en analizar si las dos variables aportan información complementaria frente a las coberturas presentes en cada evento.
7. Un píxel diferente no significa automáticamente un píxel quemado
Uno de los errores más comunes en teledetección de incendios es interpretar una respuesta espectral extrema como evidencia suficiente de fuego.
Una superficie puede mostrar valores particulares de BAIS2 o NBR2 debido a causas distintas al incendio.
Suelo desnudo
El suelo expuesto puede presentar respuestas intensas en SWIR y generar confusión con superficies afectadas por el fuego, especialmente en paisajes agrícolas o degradados.
Vegetación seca
Material vegetal no fotosintético y vegetación senescente pueden modificar las relaciones entre NIR y SWIR, produciendo valores que necesitan interpretación.
Agua
Los cuerpos de agua tienen respuestas muy bajas en NIR y SWIR. Dependiendo de la transformación utilizada, pueden generar patrones extremos y deberían analizarse o enmascararse apropiadamente.
Sombras
Las sombras topográficas y del dosel reducen la energía registrada y pueden introducir respuestas anómalas.
Por eso, BAIS2 Sentinel-2 áreas quemadas debe evaluarse no solo sobre áreas quemadas, sino también sobre las principales coberturas con las que podrían confundirse.
8. El análisis post-incendio necesita una referencia temporal
En BAIS2 Sentinel-2 áreas quemadas, la dimensión temporal ayuda a diferenciar condiciones preexistentes de cambios asociados con el evento.
Una imagen posterior al incendio muestra el estado actual de la superficie, pero no necesariamente explica cómo llegó a esa condición.
Supongamos que una zona aparece como suelo desnudo en la imagen posterior. Si esa misma zona ya estaba descubierta antes del incendio, no deberíamos interpretarla automáticamente como una nueva superficie quemada.
La comparación temporal permite distinguir mejor entre:
- condiciones preexistentes;
- cambios asociados con el evento;
- procesos posteriores de recuperación;
- variaciones estacionales.
Comparar periodos diferentes también permite comprobar si un patrón se repite o si responde a características particulares de un evento. Por eso, BAIS2 Sentinel-2 áreas quemadas adquiere mayor valor cuando se interpreta con referencia temporal.
9. BAIS2, dBAIS2 y el concepto de cambio
El trabajo original de BAIS2 no se limitó a observar el índice en una sola fecha. También analizó diferencias entre estimaciones preincendio y postincendio.
Conceptualmente:
dBAIS2 = BAIS2pre − BAIS2post
El signo y la interpretación dependen de la forma en que se defina la diferencia y del comportamiento del índice en la escena.
La idea fundamental es más importante que memorizar un signo: cuando estudiamos cambios, necesitamos mantener una convención temporal consistente.
Así, BAIS2 Sentinel-2 áreas quemadas puede enriquecerse incorporando no solo valores absolutos, sino también cambios entre fechas comparables.
10. NBR2 no es lo mismo que NBR ni dNBR
Aunque sus nombres son similares, NBR, NBR2 y dNBR representan transformaciones diferentes.
NBR utiliza normalmente NIR y SWIR2.
NBR2 utiliza SWIR1 y SWIR2.
dNBR representa la diferencia entre NBR preincendio y NBR postincendio.
Por tanto, NBR2 no debería sustituir automáticamente a NBR o dNBR. Puede aportar información complementaria sobre el comportamiento SWIR, pero responde a una relación espectral diferente.
Esta distinción es fundamental cuando utilizamos BAIS2 Sentinel-2 áreas quemadas dentro de un flujo más amplio de monitoreo de incendios.
11. ¿BAIS2 sirve para severidad?
Una cuestión frecuente en BAIS2 Sentinel-2 áreas quemadas es si el índice puede utilizarse directamente para clasificar severidad. La respuesta requiere cautela y validación.
El artículo original de BAIS2 evaluó su comportamiento tanto para detección de áreas quemadas como para niveles de daño asociados con productos de Copernicus EMS.
Sin embargo, transformar un índice continuo en categorías de severidad requiere validación. No es suficiente observar que una zona presenta valores altos o bajos.
La relación entre respuesta espectral y daño puede variar según el tipo de vegetación, la condición previa al fuego, la intensidad del evento y el tiempo transcurrido desde el incendio.
Por eso conviene diferenciar claramente entre:
- detección de superficie quemada;
- cambio espectral;
- clasificación de severidad.
Son problemas relacionados, pero no idénticos. En BAIS2 Sentinel-2 áreas quemadas conviene separar explícitamente detección, cambio espectral y severidad para evitar interpretaciones excesivas.
12. ¿Cómo validar BAIS2 Sentinel-2 áreas quemadas?
No basta con comprobar que el mapa “se ve bien”. Una evaluación robusta necesita comparar la respuesta del índice entre superficies conocidas.
Por ejemplo:
- superficie quemada;
- vegetación no quemada;
- suelo no quemado;
- agua;
- sombras;
- otras coberturas relevantes en la zona de estudio.
Después podemos evaluar preguntas como:
- ¿BAIS2 separa quemado y no quemado?
- ¿NBR2 añade información diferente?
- ¿existe solapamiento con suelo desnudo?
- ¿la respuesta cambia entre eventos?
- ¿el comportamiento es consistente entre periodos?
Esta evaluación convierte BAIS2 Sentinel-2 áreas quemadas en un análisis y no simplemente en una colección de capas.
13. ¿Existen umbrales universales?
El uso de BAIS2 Sentinel-2 áreas quemadas no debería depender de un valor universal trasladado sin comprobación desde otro ecosistema.
Aplicar un umbral fijo obtenido en otro estudio puede ser tentador, pero no necesariamente es apropiado.
La respuesta espectral depende de factores como:
- tipo de vegetación;
- humedad del suelo;
- estacionalidad;
- topografía;
- tiempo desde el incendio;
- características del fuego;
- procesamiento de la imagen.
Un valor que funciona en un ecosistema mediterráneo no necesariamente tendrá el mismo significado en un bosque tropical.
Por ello, los umbrales deberían ser evaluados y calibrados para el contexto donde serán utilizados.
14. BAIS2 y NBR2 dentro de Machine Learning
Cuando BAIS2 Sentinel-2 áreas quemadas se integra en Machine Learning, cada variable debe justificar su aporte y no simplemente aumentar el número de predictores.
Ambos índices pueden incorporarse como variables dentro de modelos de clasificación o detección.
Sin embargo, agregar más variables no garantiza un modelo mejor.
Antes de incorporar BAIS2 o NBR2 conviene conocer:
- su capacidad de separación;
- su redundancia con otras variables;
- sus principales fuentes de confusión;
- su estabilidad temporal;
- su contribución real al modelo.
Machine Learning puede combinar índices. No puede reemplazar la comprensión de lo que esos índices representan.
Por eso, en BAIS2 Sentinel-2 áreas quemadas, la interpretación espectral sigue siendo una etapa esencial incluso cuando utilizamos algoritmos avanzados.
15. Cinco errores frecuentes al interpretar BAIS2 y NBR2
- Considerar un índice como una clasificación terminada.
- Copiar umbrales de otros estudios sin evaluación local.
- Ignorar suelo, agua, vegetación seca y sombras.
- Comparar valores de NBR2 sin verificar qué convención de signo se utilizó.
- Interpretar datos remuestreados como si hubieran adquirido mayor resolución espacial real.
Evitar estos errores suele aportar más valor que añadir un índice adicional sin comprenderlo. Una aplicación sólida de BAIS2 Sentinel-2 áreas quemadas depende más de la interpretación y validación que de acumular variables.
16. Entonces, ¿BAIS2 o NBR2?
La respuesta depende de la pregunta.
BAIS2 fue diseñado específicamente para Sentinel-2 e integra información roja, red-edge, NIR estrecha y SWIR2.
NBR2 utiliza un contraste normalizado entre dos bandas SWIR.
Por eso, ambos pueden aportar información distinta y potencialmente complementaria.
La pregunta más útil dentro de BAIS2 Sentinel-2 áreas quemadas no es cuál es universalmente superior, sino:
¿qué variable ayuda realmente a distinguir las superficies quemadas de las coberturas con las que pueden confundirse en este evento y en este territorio?
🎓 De la interpretación espectral a aplicaciones ambientales reales
Comprender BAIS2, NBR2 y otros índices espectrales es solo una parte del trabajo. El verdadero reto aparece cuando necesitamos integrar imágenes satelitales, datos ambientales, criterios de validación y herramientas de análisis para resolver problemas reales de monitoreo.
Si trabajas con incendios forestales, monitoreo de bosques, Sentinel-2, teledetección, SIG, Ciencia de Datos o Inteligencia Artificial aplicada al ambiente, puedes participar en nuestro:
Seminario Gratuito con Certificación sobre IA, Ciencia de Datos y Big Data Ambiental
La participación es gratuita. Completa el siguiente formulario para registrarte:
¿Quieres continuar profundizando?
El análisis post-incendio combina varias competencias: interpretación espectral, procesamiento geoespacial, automatización y, cada vez con mayor frecuencia, modelos de Ciencia de Datos e Inteligencia Artificial. Dependiendo del enfoque que quieras fortalecer, puedes continuar por alguna de estas rutas formativas.
🌳 Monitoreo de Bosques con Google Earth Engine
Una ruta especialmente relacionada con este artículo para quienes buscan profundizar en procesamiento de imágenes satelitales, monitoreo forestal y análisis geoespacial utilizando Google Earth Engine.
Conocer el curso de Monitoreo de Bosques con Google Earth Engine
🧠 Python e IA para Ecología y Bosques
Para quienes desean llevar el análisis ambiental hacia programación, Ciencia de Datos e Inteligencia Artificial, trabajando con información ecológica y geoespacial.
Conocer el curso de Python e IA para Ecología y Bosques
🌿 Ecología Espacial con Google Earth Engine
Para quienes quieren profundizar en patrones espaciales, paisaje, conectividad ecológica y análisis ambiental utilizando información geoespacial.
Conocer el curso de Ecología Espacial con Google Earth Engine
La idea no es acumular herramientas. Es elegir la ruta que mejor se conecte con el tipo de problema ambiental que necesitas resolver.
Conclusión: interpretar antes de clasificar
El análisis con BAIS2 Sentinel-2 áreas quemadas muestra por qué una superficie post-incendio no debería interpretarse a partir de un único valor.
BAIS2 aprovecha una combinación espectral especialmente diseñada para Sentinel-2. NBR2 resume el contraste entre SWIR1 y SWIR2. Ambos pueden aportar evidencia útil, pero también pueden responder a superficies no quemadas.
Una interpretación rigurosa necesita considerar la condición previa del territorio, las clases de confusión, la resolución espacial, la convención utilizada para cada índice, el comportamiento temporal y la validación.
El objetivo no es producir más índices. El objetivo es aumentar la evidencia de que la señal observada realmente corresponde a una superficie afectada por el fuego.