Análisis de la calidad del aire en Bogotá durante el periodo de incendios forestales en 2024 usando técnicas de teledetección

Camacho Cortes, Daniel Felipe

Análisis de la calidad del aire en Bogotá durante el periodo de incendios forestales en 2024 usando técnicas de teledetección

dc.contributor.advisor	Upegui Cardona, Erika Sofia
dc.contributor.advisor	Valbuena Gaona, Martha Patricia
dc.contributor.author	Camacho Cortes, Daniel Felipe
dc.contributor.orcid	Upegui Cardona, Erika Sofía [0000-0003-0973-7140]
dc.date.accessioned	2025-05-27T16:27:39Z
dc.date.available	2025-05-27T16:27:39Z
dc.date.created	2025-05-08
dc.description	El presente estudio presenta una comparación de los niveles de monóxido de carbono (CO), dióxido de nitrógeno (NO₂), ozono troposferico(O₃) y dióxido de azufre (SO₂) detectados mediante el sensor TROPOspheric Monitoring Instrument (TROPOMI) del programa Sentinel-5P durante el año 2024, con enfoque en las fechas en que se registraron incendios forestales asociados al fenómeno del niño. Los incendios forestales se identifican mediante el uso de imágenes satelitales PlanetScope a las cuales se les calcula los índices espectrales NDVI, BAI, NDWI y OSAVI para identificar las zonas en donde se dio un mayor cambio en la cobertura terrestre mediante mosaicos multidimensionales. Seguido de esto se compara la información en las imágenes TROPOMI con la información obtenida por las estaciones de monitoreo de calidad del aire del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) mediante la interpolación de estas mismas para obtener mapas de diferencia de niveles digitales. Gracias a este análisis se concluye que los gases CO y NO₂ presentan un comportamiento similar tanto en los datos de las imágenes TROPOMI como en los datos de las estaciones de monitoreo del IDEAM. A su vez, el O₃ presento un comportamiento muy estable sin grandes variaciones para ambas fuentes de información. En cambio, para el SO₂ no se observó un comportamiento similar ni una tendencia marcada entre ambos grupos de datos. Los resultados de este estudio resaltan la utilidad de usar índices espectrales en las imágenes Planet para delimitar las zonas afectadas por los incendios forestales y adicional, destacan la importancia de integrar mediciones satelitales TROPOMI con información terrestre para obtener una visión y análisis más completo de la calidad del aire en escenarios de incendios forestales.
dc.description.abstract	This study presents a comparison of carbon monoxide (CO), nitrogen dioxide (NO₂), tropospheric ozone (O₃), and sulfur dioxide (SO₂) levels detected by the TROPOspheric Monitoring Instrument (TROPOMI) onboard the Sentinel-5P satellite during 2024, with a focus on the dates when wildfires associated with the El Niño phenomenon were recorded. The wildfires were identified using PlanetScope satellite imagery, from which spectral indices such as NDVI, BAI, NDWI, and OSAVI were calculated to detect areas with the greatest changes in land cover through the creation of multidimensional mosaics. Subsequently, the information obtained from TROPOMI images was compared with air quality data from monitoring stations operated by the Institute of Hydrology, Meteorology and Environmental Studies (IDEAM) using interpolation methods to generate digital difference maps. The analysis revealed that CO and NO₂ exhibited similar patterns in both TROPOMI data and IDEAM monitoring station data. In contrast, O₃ showed a very stable behavior with no significant variations in either data source. However, SO₂ did not display a consistent pattern or clear trend across the two datasets. The results of this study highlight the usefulness of applying spectral indices to Planet imagery for delineating areas affected by wildfires and emphasize the importance of integrating TROPOMI satellite measurements with ground-based data to achieve a more comprehensive understanding of air quality during wildfire events.
dc.identifier.uri	http://hdl.handle.net/11349/95722
dc.language.iso	spa
dc.publisher	Universidad Distrital Francisco José de Caldas
dc.relation.references	Acevedo, J. A. A., & Hernández, G. M. V. (2013). Fenología de ambientes tropicales en el marco de la Teledetección. GeoFocus. International Review of Geographical Information Science and Technology, 13_2, Article 13_2.
dc.relation.references	Aránguez, Emiliano, Ordóñez, José María, Serrano, Javier, Aragonés, Nuria, Fernández-Patier, Rosalía, Gandarillas, Ana, & Galán, Iñaki. (1999). Contaminantes atmosféricos y su vigilancia. Revista Española de Salud Pública, 73(2), 123-132
dc.relation.references	Armenteras, D., González, T. M., & Retana, J. (2011). Forest fragmentation and edge influence on fire occurrence and intensity under different management types in Amazon forests. Biological Conservation, 144(7), 2166–2175
dc.relation.references	Arrecha, Darwin, et al. Reflexiones Sobre El Uso de Percepción Remota e Inteligencia Artificial Para La Valoración de Servicios Ecosistémicos Hídricos En La Subcuenca Río Palacé Yla Subcuenca Río Las Piedras, En El Departamento Del Cauca. 2022, pp. 63–72
dc.relation.references	Bogotá. (2024). Bogotá. Recuperado de https://bogota.gov.co
dc.relation.references	Bogotá Ilustrada. (2019, enero 9). Los cerros orientales: El emblema de Bogotá. Bogotá Ilustrada. Recuperado de: https://bogotailustrada.com/los-cerros-orientales-el-emblema-de-bogota/
dc.relation.references	Bowman, D. M. J. S., Balch, J., Artaxo, P., Bond, W. J., Carlson, J. M., Cochrane, M. A., D’Antonio, C. M., DeFries, R. S., Doyle, J. C., Harrison, S. P., Johnston, F. H., Keeley, J. E., Krawchuk, M. A., Kull, C. A., Marston, J. B., Moritz, M. A., Prentice, I. C., Roos, C. I., Scott, A. C., Swetnam, T. W., van der Werf, G. R., & Pyne, S. J. (2011). The human dimension of fire regimes on Earth. Journal of Biogeography, 38(12), 2223-2236
dc.relation.references	Brimblecombe, P. (2012). Air pollution: History, science, and regulation. Cambridge University Press
dc.relation.references	Cárdenas, R., & Restrepo, J. D. (2020). The impact of urbanization and industrialization on wildfire susceptibility in Colombia. Journal of Environmental Management, 264, 110389
dc.relation.references	Castro, M., & Universidad Distrital Francisco José de Caldas (Bogotá). Centro de Investigaciones y Desarrollo Científico (2001). Sistema Radarsat: propuesta metodológica para la implementación del sistema de Radarsat en el programa curricular de Ingeniería Catastral y Geodesia. Universidad Distrital Francisco José de Caldas
dc.relation.references	Chen, X.-L., Zhao, H.-M., Li, P.-X., & Yin, Z.-Y. (2006). Remote sensing image-based analysis of the relationship between urban heat island and land use/cover changes. Remote Sensing of Environment, 104(2), 133–146
dc.relation.references	Cheng, Y., & Zhang, J. (2017). Integrating satellite imagery and spatial statistical models for predicting air pollution and assessing future scenarios. Remote Sensing of Environment, 198, 22-35
dc.relation.references	Colombia Histórica. (2024). La sabana de Bogotá: Clima y geografía revelados – Descubre su impacto único. Recuperado de https://www.colombiahistorica.com
dc.relation.references	Chuvieco, E., Martin, M. P., & Palacios, A. (2002). Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination. International Journal of Remote Sensing, 23(23), 5103-5110
dc.relation.references	Cressie, N., & Wikle, C. K. (2011). Statistics for spatio-temporal data. Wiley
dc.relation.references	ESA (European Space Agency). (2018). Sentinel-5 Precursor Product User Guide. Consultado en: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-5p
dc.relation.references	España-Boquera, María Luisa, Champo-Jiménez, Omar, & Uribe-Salas, María Dolores. (2024). Extensión y severidad de incendios forestales en Michoacán en 2021 a partir de imágenes Sentinel-2. Polibotánica, (57), 125-144. Epub 19 de abril de 2024
dc.relation.references	Esri. (2023). Work with multidimensional raster data. ArcGIS Pro documentation. https://pro.arcgis.com/en/pro-app/latest/help/data/imagery/multidimensional-raster-data.htm
dc.relation.references	Forero Castro, D. D. (2019). Metodología para la incorporación de datos del sensor TROPOMI del satélite Sentinel 5-P al monitoreo de la calidad del aire en Bogotá D.C. [Trabajo de grado, Universidad Distrital Francisco José de Caldas]. Repositorio Institucional
dc.relation.references	Gan, C. M., Gross, B., Wu, Y., & Moshary, F. (2007). Analysis of the Impact of Wildfires on Air Quality in Idaho and Montana Using Satellite Remote Sensing and Ground-Based Measurements. Environmental Science & Technology, 41(20), 6985-6992
dc.relation.references	García, R., López, J. A., & Pérez, M. A. (2023). Detection of 2021 wildfires in the northwest of Michoacán using Sentinel-2 imagery. Journal of Remote Sensing and Environmental Monitoring, 11(4), 123-135
dc.relation.references	Graedel TE, Grutzen PJ. Una atmósfera cambiante. Inves Ciencia 1989; 158:22-32
dc.relation.references	Griffin, D., McLinden, C. A., Racine, J., Keller, C. A., & Boersma, K. F. (2019). High-resolution mapping of nitrogen dioxide with TROPOMI: First results and validation over the Canadian oil sands. Geophysical Research Letters, 46(2), 1049–1060
dc.relation.references	Gualteros, J., Hernández, D., & Upegui, E. (2020). Monitoreo de co usando sentinel-5p y gee: caso Cundinamarca en tiempos de covid-19. Tecnología Investigación y Academia, 8(3), 73-83
dc.relation.references	Hannah, L., & Cramer, W. (2018). Satellite remote sensing for monitoring and assessing large-scale ecological systems. Journal of Applied Remote Sensing, 12(3), 032205
dc.relation.references	Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., & Seto, K. C. (2013). High-resolution global maps of 21st-century forest cover change. Science, 342(6160), 850-853
dc.relation.references	Hengl, T., Heuvelink, G. B. M., & Stein, A. (2004). A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 120(1-2), 75–93. https://doi.org/10.1016/j.geoderma.2003.08.018
dc.relation.references	Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309
dc.relation.references	Ialongo, I., Virta, H., Eskes, H., Hovila, J., & Douros, J. (2020). Comparison of TROPOMI/Sentinel-5 Precursor NO₂ observations with ground-based measurements in Helsinki. Atmospheric Measurement Techniques, 13(1), 205–218. https://doi.org/10.5194/amt-13-205-2020
dc.relation.references	Introducción a La Percepción Remota. http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.100/230/A4.pdf?sequence=6&isAllowed=y#:~:text=El%20espectro%20electromagn%C3%A9tico%20es%20la,la%20fuerza%20electromagn%C3%A9tica%3A%20el%20fot%C3%B3n
dc.relation.references	Johnston, F. H., Henderson, S. B., Chen, Y., Randerson, J. T., Marlier, M., DeFries, R. S., & Bowman, D. M. (2012). Estimated global mortality is attributable to smoke from landscape fires. Environmental Health Perspectives, 120(5), 695-701
dc.relation.references	Kaufman, Y. J., & Tanré, D. (2015). Aerosol optical thickness and aerosol size distribution: New methods for retrieval and evaluation. Remote Sensing of Environment, 166, 191-204
dc.relation.references	Keeley, J. E. (2009). Fire intensity, fire severity and burn severity: A brief review and suggested usage. International Journal of Wildland Fire, 18(1), 116-126
dc.relation.references	Key, C. H., & Benson, N. C. (1999). The Normalized Burn Ratio, a Landsat TM radiometric index of burn severity incorporating multi-temporal differencing. US Geological Survey, 2000
dc.relation.references	Li, J., & Heap, A. D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173–189. https://doi.org/10.1016/j.envsoft.2013.12.008
dc.relation.references	Li, X., & Zhang, Y. (2018). Satellite remote sensing of atmospheric pollutants: Advances in monitoring and measurement techniques. Atmospheric Environment, 180, 15-28
dc.relation.references	Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2015). Remote sensing and image interpretation (7th ed.).
dc.relation.references	Lillo-Saavedra, Mario F, & Gonzalo, Consuelo. (2008). Aplicación de la Metodología de Fusión de Imágenes Multidirección-Multiresolución (MDMR) a la Estimación de la Turbidez en Lagos. Información tecnológica, 19(5), 137-146
dc.relation.references	Lu, G. Y., & Wong, D. W. (2008). An adaptive inverse-distance weighting spatial interpolation technique. Computers & Geosciences, 34(9), 1044-1055. https://doi.org/10.1016/j.cageo.2007.07.010
dc.relation.references	Luque, J. (2012). Radiación electromagnética: Fundamentos y aplicaciones en teledetección. Editorial Universitaria
dc.relation.references	NASA ARSET. Fundamentos de La Teledetección (Percepción Remota). https://appliedsciences.nasa.gov/sites/default/files/2023-02/Fundamentals_of_RS_Span.pdf
dc.relation.references	Nisperuza T, D, Vásquez L, L, Morales G, S y Puerta G, L. (2020). Teledetección: una herramienta para estudios de calidad del aire en la zona urbana del Valle de Aburrá. Sello Editorial Tecnológico de Antioquia
dc.relation.references	Pausas, J. G. (2020). Incendios forestales. Los libros de la Catarata
dc.relation.references	Pérez, M. (2001). Longitudes de onda y su aplicación en la teledetección. Revista de Tecnología y Ciencias Ambientales, 8(2), 45-59
dc.relation.references	Pineda, C., & Díaz, R. (2021). Challenges in air quality monitoring networks in Colombia: Costs, coverage, and technological limitations. Environmental Monitoring and Assessment, 193(9), 585
dc.relation.references	“PlanetScope.” Planetek, https://www.planetek.it/sites/default/files/social-banners/Dove_satellite_Planet_labs_1200.jpg
dc.relation.references	Poveda, G., Mesa, O. J., Hoyos, C. D., Agudelo, P. A., & Zuluaga, M. D. (2001). The annual cycle of precipitation in the tropical Americas: The influence of the ENSO phenomenon on the annual cycle and on precipitation anomalies. Weather and Climate, 25(4), 101–133
dc.relation.references	Reid, C. E., & Maestas, M. M. (2019). Wildfire smoke exposure under climate change: impact on respiratory health of affected communities. Current Opinion in Pulmonary Medicine, 25(2), 179-187
dc.relation.references	Rondeaux, G., Steven, M., & Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote sensing of environment, 55(2), 95-107
dc.relation.references	Ruiz, M. (2017). Estimación de la desviación estándar. Estadística Española, 59(192), 37-44
dc.relation.references	Sánchez, Jose Ignacio. “Sentinel, Los Satélites Vigilantes de La Tierra.” Nosolosig, 26 June 2014, https://www.nosolosig.com/articulos/sentinel-los-satelites-vigilantes-de-la-tierra
dc.relation.references	Short, N. M. (1982). Remote sensing: Principles and applications. Prentice-Hall
dc.relation.references	Solís Chipa, V. (2023). Análisis de Contaminantes del aire atmosférico (CO, NO2 y SO2), a través de imágenes Sentinel-5P de la región de Apurímac periodo 2018-2021
dc.relation.references	Tello-Cifuentes, Lizette, & Díaz-Paz, Jean P. (2021). Análisis de la contaminación ambiental usando técnicas de teledetección y análisis de componentes principales. TecnoLógicas, 24(50), 22-41. Epub March 01, 2021
dc.relation.references	Tran, B. N., Tanase, M. A., Bemmett, L. T., y Aponte, C. (2018). Evaluation of Spectral Indices for Assessing Fire Severity in Australian Temperate Forests. Remote sensing, 10, 1680
dc.relation.references	TROPOMI (s.f.). Methane. Sitio web oficial de TROPOMI. Recuperado el 26 de noviembre de 2024, de https://www.TROPOMI.eu/data-products/methane
dc.relation.references	Valencia, Alexander, Suárez Castaño, Rodrigo, Sánchez, Alejandra, Cardozo, Elmer, Bonilla, Marcela, & Buitrago, César. (2009). Gestión de la contaminación ambiental: cuestión de corresponsabilidad. Revista de Ingeniería, (30), 90-99
dc.relation.references	Vega Araya, Mauricio. (2024). El fenómeno ENOS y el análisis de la variabilidad de las series de tiempo de precipitación en el Área de Conservación Guanacaste, Costa Rica. Revista Geográfica de América Central, (72), 491-513
dc.relation.references	Veneros, Jaris, et al. “Aplicación de Sensores Remotos Para El Análisis de Cobertura Vegetal y Cuerpos de Agua.” Idesia (Arica), vol. 38, no. 4, 2020, pp. 99–107, https://doi.org/10.4067/S0718-34292020000400099
dc.relation.references	Watson, D. F., & Philip, G. M. (1985). A refinement of inverse distance weighted interpolation. Geo-processing, 2(4), 315-327
dc.relation.references	World Health Organization. (2016). Ambient air pollution: A global assessment of exposure and burden of disease. World Health Organization
dc.rights.acceso	Abierto (Texto Completo)
dc.rights.accessrights	OpenAccess
dc.subject	Calidad del aire
dc.subject	Contaminación
dc.subject	Incendios forestales
dc.subject	Sentinel-5P
dc.subject	PlanetScope
dc.subject	TROPOMI
dc.subject.keyword	Air quality
dc.subject.keyword	Pollution
dc.subject.keyword	Forest fires
dc.subject.keyword	Sentinel 5P
dc.subject.keyword	PlanetScope
dc.subject.keyword	TROPOMI
dc.subject.lemb	Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas
dc.subject.lemb	Calidad del aire -- Bogotá
dc.subject.lemb	Incendios forestales
dc.subject.lemb	Detección a distancia
dc.subject.lemb	Monóxido de carbono -- Medición
dc.title	Análisis de la calidad del aire en Bogotá durante el periodo de incendios forestales en 2024 usando técnicas de teledetección
dc.title.titleenglish	Air Quality Analysis in Bogotá During the 2024 Wildfire Period Using Remote Sensing Techniques
dc.type	bachelorThesis
dc.type.degree	Monografía
dc.type.driver	info:eu-repo/semantics/bachelorThesis

Archivos

Bloque original

Mostrando 1 - 2 de 2

Nombre:: CamachoCortesDanielFelipe2025.pdf
Tamaño:: 6.38 MB
Formato:: Adobe Portable Document Format

Descargar

Nombre:: Licencia de uso y publicacion.pdf
Tamaño:: 211.61 KB
Formato:: Adobe Portable Document Format

Descargar

Bloque de licencias

Mostrando 1 - 1 de 1

Nombre:: license.txt
Tamaño:: 7 KB
Formato:: Item-specific license agreed upon to submission
Descripción:

Descargar

Colecciones

Ingeniería Catastral y Geodesia