BAI y MIRBI para áreas quemadas: detección avanzada con Sentinel-2
BAI y MIRBI para áreas quemadas es un enfoque útil para analizar superficies afectadas por incendios con imágenes satelitales. Detectar una superficie quemada desde satélite parece sencillo hasta que aparecen las primeras confusiones: suelo desnudo, sombras, cuerpos de agua, vegetación seca o áreas agrícolas pueden producir respuestas espectrales parecidas a una cicatriz de incendio.
Por eso, el uso de BAI y MIRBI para áreas quemadas no debería reducirse a calcular dos fórmulas y aplicar un umbral. Ambos índices fueron diseñados para resaltar señales asociadas con superficies quemadas, pero trabajan sobre regiones espectrales diferentes y responden de manera distinta frente a las coberturas presentes en el territorio.
En esta entrada veremos qué representa cada índice, qué bandas de Sentinel-2 utiliza, cuáles son sus principales fortalezas y limitaciones, por qué pueden confundirse con otras superficies y cómo interpretar sus resultados dentro de un análisis de incendios forestales.
Idea central: BAI y MIRBI no compiten por ser “el mejor índice”. Lo importante es comprender qué información espectral aporta cada uno y si esa información realmente ayuda a separar una superficie quemada de las coberturas no quemadas presentes en nuestra zona de estudio.
1. ¿Qué cambia espectralmente después de un incendio?
Un incendio puede modificar simultáneamente la vegetación, el contenido de humedad, la exposición del suelo y la presencia de carbón, cenizas y material vegetal no fotosintético. Estas transformaciones alteran la reflectancia registrada por un sensor óptico.
En términos generales, después del fuego pueden observarse cambios importantes en el visible, el infrarrojo cercano y el infrarrojo de onda corta. Sin embargo, la magnitud y dirección de esos cambios dependen del ecosistema, del estado previo de la vegetación, del tiempo transcurrido desde el incendio y de las condiciones de adquisición.
Esto explica por qué BAI y MIRBI para áreas quemadas pueden reaccionar de manera diferente ante una misma cicatriz: BAI trabaja principalmente en el espacio rojo–NIR, mientras MIRBI utiliza dos regiones SWIR.
La primera conclusión es importante: una superficie quemada no es simplemente una superficie oscura. La detección requiere interpretar un patrón espectral dentro de un contexto espacial y temporal.
2. BAI: qué mide y cómo funciona
El Burned Area Index (BAI) fue propuesto para discriminar superficies quemadas en el dominio espectral rojo–infrarrojo cercano. Su lógica se basa en la distancia de cada píxel a un punto espectral de referencia asociado con áreas recientemente quemadas.
Una formulación habitual es:
BAI = 1 / [(0.1 − ρRED)² + (0.06 − ρNIR)²]
Donde ρRED y ρNIR representan reflectancias en rojo e infrarrojo cercano, respectivamente.
En Sentinel-2, una correspondencia habitual es:
- Rojo: B4
- NIR: B8
El estudio clásico asociado con BAI evaluó el índice en conjuntos multitemporales de Landsat TM y NOAA-AVHRR, precisamente con el objetivo de mejorar la discriminación de áreas quemadas en el espacio rojo–NIR.
Referencia científica: Chuvieco, Martín y Palacios — Burned Area Index
¿Qué significa un valor alto de BAI?
Un valor elevado indica que el píxel se encuentra espectralmente cerca del punto de referencia utilizado por el índice. Eso puede ser consistente con una superficie quemada, pero no constituye por sí solo una prueba de incendio.
El comportamiento de BAI depende de la reflectancia y, por tanto, puede verse afectado por coberturas oscuras, suelos particulares y condiciones atmosféricas o geométricas. Por eso, cuando utilizamos BAI y MIRBI para áreas quemadas, BAI debe entenderse como evidencia espectral, no como una etiqueta automática.
3. MIRBI: por qué utiliza el SWIR
El Mid-Infrared Burn Index (MIRBI) se diseñó a partir de dos regiones del infrarrojo medio o, en la terminología utilizada actualmente para sensores como Sentinel-2, del infrarrojo de onda corta (SWIR).
Su formulación habitual es:
MIRBI = 10 × ρSWIR2 − 9.8 × ρSWIR1 + 2
En Sentinel-2 podemos utilizar:
- SWIR1: B11
- SWIR2: B12
El trabajo original de Trigg y Flasse encontró una fuerte separación espectral entre muestras quemadas y no quemadas en un espacio formado por dos bandas del infrarrojo medio, a partir de datos espectrorradiométricos de vegetación de sabana arbustiva. Ese contexto original es importante: no conviene asumir que el mismo comportamiento será idéntico en todos los ecosistemas.
Referencia científica: Trigg y Flasse — desarrollo de MIRBI
¿Por qué el SWIR es útil?
Las bandas SWIR responden a cambios relacionados con el contenido de agua, material seco y propiedades de la superficie. Después de un incendio, la reducción de humedad y la modificación de la cobertura pueden alterar de manera importante esta región del espectro.
Precisamente por ello MIRBI observa el problema desde una dimensión diferente a BAI.
4. BAI y MIRBI para áreas quemadas: diferencias espectrales clave
| Aspecto | BAI | MIRBI |
|---|---|---|
| Nombre completo | Burned Area Index | Mid-Infrared Burn Index |
| Regiones espectrales | Rojo + NIR | SWIR1 + SWIR2 |
| Sentinel-2 | B4 + B8 | B11 + B12 |
| Resolución nativa de las bandas | 10 m | 20 m |
| Idea espectral | Proximidad a un punto de referencia en rojo–NIR | Contraste lineal entre dos regiones SWIR |
| Fortaleza conceptual | Resalta respuestas compatibles con superficies quemadas en rojo–NIR | Aprovecha cambios producidos en la región SWIR |
| Precaución | Puede responder a otras superficies con comportamiento espectral parecido | Puede confundirse con superficies secas o suelo dependiendo del contexto |
Esta comparación muestra por qué BAI y MIRBI para áreas quemadas pueden ser complementarios. No están midiendo exactamente la misma dimensión de la señal.
La comparación tampoco debería reducirse a observar cuál genera mayor contraste visual. Un mapa con colores más intensos no necesariamente representa una mejor discriminación.
5. BAI y MIRBI con Sentinel-2: cuidado con la resolución
Sentinel-2 MSI dispone de 13 bandas espectrales. Según la documentación oficial de Copernicus, B4 y B8 tienen resolución espacial nativa de 10 m, mientras B11 y B12 tienen resolución de 20 m.
Documentación oficial de Sentinel-2 MSI
Esto tiene una consecuencia práctica importante:
- BAI puede calcularse directamente con dos bandas nativas de 10 m.
- MIRBI utiliza dos bandas nativas de 20 m.
Si una aplicación trabaja todos los resultados a 10 m, las bandas SWIR pueden ser remuestreadas para homogeneizar la grilla. Sin embargo, remuestrear una banda de 20 m a 10 m no genera detalle espacial nuevo.
Por eso, al comparar BAI y MIRBI para áreas quemadas, no debemos interpretar una salida remuestreada de MIRBI como si contuviera información SWIR originalmente adquirida a 10 m.
6. ¿Con qué superficies pueden confundirse BAI y MIRBI?
El verdadero reto de la detección de áreas quemadas no suele ser encontrar píxeles con una señal distinta. El reto es demostrar que esa señal corresponde al fuego y no a otra cobertura. En ese punto, BAI y MIRBI para áreas quemadas resultan especialmente útiles como variables de contraste, siempre que se evalúen frente a las principales clases de confusión.
Suelo desnudo
Después de un incendio puede aumentar la exposición del suelo. Pero un suelo descubierto que nunca se quemó también puede presentar respuestas espectrales que se aproximen a algunas cicatrices de incendio.
Vegetación seca y material no fotosintético
En paisajes estacionales, agrícolas o degradados, la presencia de material seco puede dificultar la separación entre una superficie quemada y una superficie no quemada.
Agua
Los cuerpos de agua presentan reflectancias bajas en NIR y SWIR. Dependiendo del índice y de la escena, esto puede producir comportamientos que deben ser enmascarados o analizados separadamente.
Sombras
Las sombras topográficas y las sombras del dosel reducen la energía registrada por el sensor y pueden originar falsos positivos en determinadas condiciones.
Por eso, un análisis de BAI y MIRBI para áreas quemadas debe prestar tanta atención a las clases de confusión como a la propia clase “quemado”.
7. Una fecha no siempre es suficiente
Una imagen posterior al incendio responde a la pregunta: ¿qué aspecto tiene actualmente esta superficie?
Pero no responde necesariamente a otra pregunta crítica: ¿esta condición apareció como consecuencia del incendio?
La comparación temporal permite conocer el estado previo de la superficie. Esto es especialmente relevante cuando existen suelo desnudo, zonas agrícolas, vegetación seca o superficies oscuras antes del evento. El análisis de BAI y MIRBI para áreas quemadas gana mucho más valor cuando la señal posterior puede interpretarse respecto de una condición previa.
Por ejemplo, un terreno descubierto tanto antes como después del incendio no debería ser interpretado automáticamente como una nueva cicatriz quemada.
El análisis preincendio y postincendio añade una dimensión de cambio que una única imagen no posee.
8. Por qué no conviene usar umbrales universales
Una tentación habitual consiste en buscar en Internet un número y convertirlo inmediatamente en una regla:
“BAI mayor que X = quemado”.
“MIRBI mayor que Y = quemado”.
El problema es que la respuesta espectral cambia entre ecosistemas, fechas, tipos de suelo, niveles de humedad y condiciones atmosféricas.
Incluso índices consolidados de severidad como dNBR requieren interpretación y calibración. La documentación del USGS reconoce que la clasificación temática se obtiene aplicando umbrales a dNBR y que estos pueden ajustarse según el caso.
USGS Burn Severity Portal — conceptos de NBR y dNBR
Por ello, BAI y MIRBI para áreas quemadas deberían evaluarse con datos locales y no mediante un umbral universal trasladado sin comprobación.
9. BAI, MIRBI, NBR y dNBR no responden a la misma pregunta
Es frecuente encontrar BAI, MIRBI, NBR y dNBR dentro del mismo análisis, pero conviene diferenciarlos conceptualmente.
BAI trabaja sobre el espacio rojo–NIR y mide proximidad a una referencia espectral.
MIRBI combina dos bandas SWIR.
NBR utiliza NIR y SWIR2 mediante una diferencia normalizada.
dNBR representa el cambio de NBR entre una situación preincendio y otra postincendio.
El USGS utiliza ampliamente dNBR en productos de evaluación de severidad y lo define como NBR preincendio menos NBR postincendio.
USGS — uso de NBR y dNBR en evaluación postincendio
Por eso no tiene mucho sentido preguntar cuál de todos es “el mejor” sin definir antes el objetivo: detectar una superficie quemada, medir cambio espectral, estimar severidad o separar coberturas son problemas relacionados, pero no idénticos.
10. ¿Cómo validar BAI y MIRBI para áreas quemadas?
La visualización es útil para explorar, pero no basta para validar.
Una evaluación más sólida debería estudiar cómo se distribuyen los valores de los índices en superficies conocidas. Conceptualmente, interesa comparar al menos:
- superficies quemadas;
- vegetación no quemada;
- suelo no quemado;
- agua;
- sombras u otras superficies oscuras.
Después podemos preguntar:
- ¿existe separación entre quemado y no quemado?
- ¿qué clases presentan solapamiento?
- ¿BAI y MIRBI responden de forma complementaria?
- ¿la separación cambia entre eventos o fechas?
Esta es la diferencia entre calcular un índice y evaluar si ese índice realmente aporta información útil. Una evaluación seria de BAI y MIRBI para áreas quemadas debe centrarse en su capacidad para separar quemado de no quemado y no únicamente en el contraste visual del mapa.
El objetivo de trabajar con BAI y MIRBI para áreas quemadas no debería ser producir dos nuevas capas, sino determinar si esas capas ayudan a reducir la ambigüedad existente entre superficies quemadas y no quemadas.
11. BAI y MIRBI dentro de Machine Learning
BAI y MIRBI también pueden utilizarse como variables dentro de modelos multivariados de clasificación. Pero añadir un índice a un algoritmo no garantiza que aporte información nueva. En modelos predictivos, BAI y MIRBI para áreas quemadas deberían mantenerse solo cuando contribuyan información relevante y verificable para el problema.
Dos variables pueden estar muy correlacionadas o responder al mismo proceso espectral. Otras pueden aportar información realmente complementaria.
Por eso, antes de incorporar índices a un modelo conviene estudiar su significado, distribución, redundancia y capacidad de separación.
Machine Learning puede combinar variables. No sustituye la necesidad de comprenderlas.
Este punto es especialmente importante en aplicaciones ambientales: una alta capacidad predictiva interna no elimina la necesidad de comprobar que el mapa representa adecuadamente el fenómeno que queremos estudiar.
12. Cinco errores frecuentes al utilizar BAI y MIRBI
- Interpretar un índice como una clasificación. Un índice transforma la señal espectral; no asigna automáticamente significado ecológico.
- Utilizar un umbral copiado de otro estudio sin calibración local.
- Ignorar suelo, agua y sombras como clases de confusión.
- Mezclar resoluciones de Sentinel-2 sin considerar la resolución nativa de las bandas.
- Evaluar el resultado únicamente por su apariencia visual.
Evitar estos errores mejora mucho más el análisis que simplemente añadir nuevos índices. En la práctica, utilizar correctamente BAI y MIRBI para áreas quemadas exige comprender tanto su respuesta espectral como sus limitaciones.
13. Entonces, ¿BAI o MIRBI?
La respuesta científicamente más útil es: depende del problema y de la escena.
BAI aprovecha el contraste rojo–NIR. MIRBI explota el comportamiento de dos bandas SWIR. Esa diferencia permite que ambos respondan de forma distinta ante superficies quemadas y ante posibles clases de confusión.
Por eso, una estrategia basada en BAI y MIRBI para áreas quemadas tiene más sentido cuando se utiliza para comparar evidencia espectral que cuando intenta declarar anticipadamente un índice ganador.
Una revisión reciente de índices para detección de áreas quemadas continúa comparando BAI, MIRBI, NBR y otras transformaciones, reflejando que la selección del índice sigue dependiendo del contexto y del problema analizado.
Investigación reciente sobre índices espectrales para detección de áreas quemadas
🎓 Seminario Gratuito con Certificación
Si trabajas con incendios forestales, monitoreo de bosques, teledetección, SIG, Ciencia de Datos o análisis ambiental, puedes participar en nuestro seminario gratuito sobre aplicaciones de Inteligencia Artificial, Ciencia de Datos y Big Data Ambiental.
Continúa profundizando
🌳 Monitoreo de Bosques con Google Earth Engine
Procesamiento de información satelital y aplicaciones para monitoreo de bosques.
🧠 Python e IA para Ecología y Bosques
Ciencia de Datos, programación e Inteligencia Artificial aplicadas a información ambiental y geoespacial.
🌿 Ecología Espacial con Google Earth Engine
Análisis espacial, paisaje, conectividad y aplicaciones ecológicas con datos geoespaciales.
Conclusión: detectar quemado no es simplemente encontrar píxeles oscuros
El análisis con BAI y MIRBI para áreas quemadas muestra por qué la detección postincendio requiere algo más que una fórmula.
BAI analiza la señal desde el rojo y el infrarrojo cercano. MIRBI utiliza dos regiones SWIR. Sus diferencias pueden aportar información complementaria, pero también responden a distintas fuentes de confusión. Por eso, BAI y MIRBI para áreas quemadas deben verse como herramientas complementarias dentro de una interpretación más amplia del evento.
Por eso, una interpretación rigurosa debe considerar la condición previa del territorio, las coberturas no quemadas, la resolución de las bandas, el comportamiento local de los índices y la validación de los resultados.
El objetivo no es calcular más índices. El objetivo es aumentar la evidencia de que la superficie detectada realmente fue afectada por el fuego.