Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6
CONDICIONES METEOROLÓGICAS DURANTE LOS INCENDIOS RÉCORD EN EL
DELTA DEL RÍO PARANÁ: ANOMALÍAS Y APLICACIÓN DE UN MODELO DE
AGRUPAMIENTO
METEOROLOGICAL CONDITIONS DURING RECORD WILDFIRES IN THE PARANÁ
RIVER DELTA: ANOMALIES AND APPLICATION OF A CLUSTERING MODEL
A. Ipiña*1, T. Rodriguez**2, A. Orlandini1,3, F. Gómez-Fava3, G. López-Padilla4y M.
Arellano-Vazquez2
1Instituto de Física Rosario – Universidad Nacional Rosario – Consejo Nacional de Investigaciones Científicas y Técnicas, 27 de
Febrero 210BIS – (S2000EKF) Rosario – Argentina
2Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación, Cto. Tecnopolo Sur 112 – (20313)
Aguascalientes – México
3Facultad de Ciencias Exactas, Ingeniería y Agrimensura – Univ. Nac. Rosario, Av. Pellegrini 250 – (S2000) Rosario – Argentina
4Investigador independiente, Circ. Medicina 9222 – (27087) Torreón – Coahuila – México
Recibido: 07/12/2024 ; Aceptado: 26/01/2025
Cerca del 95% de los incendios forestales son causados por actividades humanas. La quema de pastizales como método
de barrido para la explotación ganadera y agrícola ha sido implementada desde hace más de dos siglos en el continente
americano. Cada invierno, el fuego es utilizado para el rebrote de especies forrajeras en el Delta del río Paraná. Las
condiciones meteorológicas atípicas y el cambio climático han exacerbado el impacto de los incendios alrededor del
mundo. En el año 2020, la acumulación y propagación de las emisiones de incendios forestales sin precedentes afectaron
a los habitantes del Área Metropolitana de Rosario (AMR), Argentina. En este trabajo, se analizaron las condiciones
meteorológicas, el número de focos de incendios detectados por el instrumento satelital VIIRS y la concentración del
material particulado fino (PM2.5) medida en el AMR. Se calcularon las anomalías de la precipitación, humedad relativa
y temperatura registradas in situ entre junio y agosto en el periodo 2010-2020. Los resultados muestran que para el año
2020, la humedad y temperatura ambientes tuvieron una disminución en promedio del 10% y 3%, respectivamente,
mientras que la precipitación acumulada tuvo una reducción alrededor del 70%, con respecto a los años anteriores. El
modelo de agrupamiento mostró que la mediana más alta del Número de focos de Incendios (NI) coincide con la menor
precipitación acumulada y baja humedad relativa, así como vientos predominantes del sector noroeste. El análisis de
vientos revela que las corrientes provenientes de la dirección noroeste promovieron una mayor afectación superficial de
los incendios en el Delta del río Paraná y los vientos del noreste incrementaron los niveles de PM2.5 en el AMR. Estos
hallazgos subrayan la importancia de considerar las condiciones meteorológicas en la evaluación de riesgos ambientales
y en la formulación de estrategias de mitigación frente a la contaminación del aire y los incendios forestales.
Palabras clave: incendios forestales, modelo de agrupamiento, anomalías, humedales, Delta del río Paraná.
About 95% of wildfires are caused by human activities. The burning of grasslands as a method of sweeping for livestock
and agricultural exploitation has been implemented for over two centuries on the American continent. Every winter,
fires are used to promote the regrowth of forage species in the Paraná River Delta. Unusual weather conditions and
climate change have intensified the global impact of wildfires. In 2020, the accumulation and spread of unprecedented
wildfire emissions affected the inhabitants of the Rosario Metropolitan Area (AMR), Argentina. This work analyzed
meteorological conditions, the number of active fires detected by the VIIRS satellite instrument, and the concentration
of fine particulate matter (PM2.5) measured in the AMR. Anomalies of precipitation, relative humidity, and temperature
recorded in situ between June and August in the period 2010-2020 were calculated. The results show that for the year
2020, ambient humidity and temperature had an average decrease of 10% and 3%, respectively, while accumulated
precipitation had a reduction of about 70% with respect to previous years. The clustering model showed that the highest
median of Number of active fires (NI) coincides with the lowest accumulated precipitation and low relative humidity, as
well as prevailing winds from the northwest. Wind analysis reveals that currents from the northwest direction promoted
larger surface fire impacts in the Paraná River Delta, and northeast winds increased PM2.5 levels in the AMR. These
findings underline the importance of considering meteorological conditions in assessing environmental risks and in
formulating mitigation strategies against air pollution and forest fires.
Keywords: wildfires, clustering model, anomalies, wetlands, Paraná River Delta
https:/doi.org/10.31527/analesafa.2025.36.1.1 ISSN 1850-1168 (online)
* ipina@ifir-conicet.gov.ar
** rodriguezctadeo@gmail.com
©2025 Anales AFA 1
I. INTRODUCCIÓN
El cambio climático ha exacerbado el impacto de los incendios forestales alrededor del mundo [1]. Se estima que cerca
del 95% de los incendios forestales derivan de actividades antropogénicas [2,3]. La quema de pastizales como método
de barrido para la explotación ganadera y agrícola, se ha implementado desde hace más de dos siglos en el continente
americano [4-6]. Los incendios tienen gran variabilidad periódica, asociada a patrones de precipitaciones anuales, esta-
cionalidad y oscilaciones climáticas a mayor escala como el fenómeno ENSO (El Niño–Southern Oscillation) [7]. Los
combustibles vegetales poseen un grado de hidratación que depende de la humedad relativa, mientras que la temperatura y
el viento intervienen en su secado. El clima extremo y el estado de la biomasa influyen en la rapidez con la que se propaga
el fuego cuando es aplicado en el cambio de uso de suelo [8,9]. En el año 2019, la extrema sequía seguida de incendios
forestales clandestinos devastaron miles de hectáreas del Amazonas [10]. La prolongación regional de esta sequía hacia
el invierno 2020, el nivel más bajo del río en los últimos 50 años y el uso del fuego, provocaron la devastación de los
humedales en el Delta del río Paraná, Argentina. Las emisiones afectaron a más de un millón de habitantes del AMR
durante el Aislamiento Social Preventivo y Obligatorio (ASPO) implementado por la pandemia de COVID-19 [11]. En
este trabajo se presenta un estudio de las condiciones meteorológicas durante estos incendios récord en el Delta del río
Paraná. Se diseñó una herramienta de procesamiento de datos satelitales para el conteo de focos activos y se calcularon
las anomalías meteorológicas (temperatura, humedad y precipitación) en cada temporada invernal 2010-2020. Por medio
de la aplicación de un modelo de agrupamiento, se evaluó el impacto de las variables meteorológicas. En particular se
analizó el comportamiento del viento y su influencia en la dispersión del PM2.5 proveniente de los incendios forestales
registrados entre junio y agosto del año 2020.
II. MÉTODOS
Datos in situ
Las mediciones de temperatura ambiente (◦C), humedad relativa (%), precipitación acumulada (mm), dirección y ve-
locidad del viento (m/s) fueron registradas por la estación meteorológica Davis, ubicada en el Instituto de Física Rosario
(IFIR-CONICET-UNR) [32.96◦S, 60.62◦O]. El conjunto de datos se compone por los promedios horarios de dichas va-
riables meteorológicas para los meses de junio, julio y agosto 2010-2020. Las mediciones de la concentración del PM2.5
(µg/m3) se obtuvieron con un instrumento portátil, marca HoldPeak, en una estación meteorológica [32.86◦S, 60.70◦O]
perteneciente al Centro Monitoreo Meteorológico y Climático (CMMC) en el AMR.
Datos satelitales
El instrumento satelital VIIRS (Visible Infrared Imaging Radiometer Suite) monitorea anomalías de temperatura en la
superficie terrestre, con una resolución espacial de 375m. El instrumento es operado por la NASA en colaboración con
la NOAA (National Oceanic and Atmospheric Administration) de EE.UU. con el objetivo de detectar incendios activos.
El paso del satélite por la región de la Pampa húmeda ocurre alrededor de las 14:00 h y las 2:00 h tiempo local (GMT
- 3 h) del AMR. Los focos ígneos son captados diariamente y pueden ser visualizados en imágenes secuenciales de la
plataforma FIRMS (Fire Information for Resource Management System). La anomalía de temperatura superficial y la
potencia radiativa del fuego (Fire Radiative Power, FRP) son los productos derivados de las mediciones satelitales [12]
empleados en este estudio para el conteo del NI.
En la imagen satelital del 14 de junio 2020 (Fig. 1) se observa el AMR afectada por el humo emitido desde los incendios
del Delta del río Paraná [13]. Frente a los humedales existe un cordón industrial donde suele aparecer de manera repetitiva
falsos focos ígneos correspondientes a industrias siderúrgicas, para los cuales se realiza un preprocesamiento.
Criterios de procesamiento
Se seleccionaron las mediciones satelitales sobre el área delimitada por el río Paraná y un radio de 60km desde Ro-
sario hacia los humedales. Se aplicó un código propio en Python, considerando la clasificación del producto FRP para
descartar aquellos puntos de calor reconocidos por su localización como plantas en el cordón industrial. Posteriormente,
se contabilizó el NI y se ubicaron en una grilla de 1◦x1◦[32.5 - 33.5 ◦S, 60.0 - 61.0 ◦O] como se muestra en la Fig. 2.
Modelo de agrupamiento
Se aplicó el modelo K-means implementado en la librería scikit-learn de Python, para la segmentación de variables
meteorológicas en el periodo de análisis. Este modelo consiste en una técnica de agrupamiento de datos, cuyos parámetros
describen los centroides de cada clúster generado. El modelo K-means encuentra la posición de los centroides tal que la
sumatoria de la distancia al cuadrado de cada observación al centroide más cercano sea mínima. La función objetivo de
este modelo se describe como:
J=
K
∑
i=1∑
x∈S1
||x−µi||2(1)
donde µies el centroide del i-ésimo cluster y x son las mediciones meteorológicas. Este método de conglomerado de
datos ha sido aplicado en estudios de contaminación del aire y clasificación de sequías [14,15]. Existen estados de
viento determinados de manera estocástica por las condiciones geográficas y meteorológicas del sitio [16] que permiten
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 2
FIG. 1: Imagen adaptada VIIRS-NOAA-NASA [13]. Incendios (rojo) en el Delta del río Paraná y humo dirigido hacia el Área Metro-
politana de Rosario (14 de junio 2020).
interpretar la influencia de las variables meteorológicas en el NI al implementar el modelo.
III. RESULTADOS
Incendios, PM2.5, precipitación, temperatura y humedad
En la Fig. 3a se presentan los valores diarios del NI, el PM2.5 y la precipitación acumulada entre junio y agosto del
2020. La Organización Mundial de la Salud (OMS) recomienda evitar la exposición prolongada a concentraciones de
PM2.5 promedio en 24 horas mayores a 15 µg/m3. El 83% de los promedios diarios sobrepasaron el umbral de la OMS
(77 días críticos) durante el periodo de incendios. A la par del registro de precipitaciones, el número de focos de incendio
cayó a cero, con excepción del día 7 de agosto. En esta fecha el episodio de lluvia se presentó posterior a la hora del paso
del satélite por la zona, por lo que el NI y el PM2.5 mostraron una reducción significativa al día siguiente. Por otro lado, el
cambio del índice de movilidad en porcentaje, comparado con la movilidad habitual para la provincia de Santa Fe (lugar
donde el AMR posee más de la mitad de la población total), osciló entre un mínimo del -43% y un máximo del -18%
entre junio y agosto (período de prolongación del ASPO). Si bien hubo flexibilizaciones en la apertura de actividades,
la circulación de vehículos automotor y de transporte público fue reducida debido al cierre de los planteles educativos y
un aforo restringido en comercios e industrias [11]. En la Fig. 3b se muestran los promedios diarios de la temperatura y
humedad relativa. En particular, los días críticos de incendios coinciden con el comportamiento de la humedad relativa,
que presenta valles y valores por debajo del promedio trimestral histórico (75 ±4%). La evolución de la temperatura
promedio mostró dos incrementos cercanos a los 20 °C, al mismo tiempo que se registró un aumento del NI.
Anomalías meteorológicas
En el trimestre junio-agosto a lo largo de la última década, se observó una tendencia de disminución de la precipitación
acumulada. En este trimestre del año 2020, se registró casi la mitad de los días de lluvia (12) en comparación con el
promedio de los días de lluvia registrados en los últimos diez años (23). En la Tabla I se desglosan las anomalías del año
2020 respecto al período 2010-2019.
Los promedios trimestrales para las anomalías de la humedad relativa, la precipitación y el número de días de lluvia
mostraron una caída significativa, encontrada también en otras regiones del territorio argentino [17]. La humedad relativa
y la temperatura ambiente disminuyeron el 10% y el 3% respectivamente en el trimestre junio-agosto 2020, comparado
con el mismo período de la década anterior. Asimismo, los días de lluvia y la precipitación acumulada disminuyeron el
47% y el 72%, respectivamente. Estos resultados muestran que las condiciones meteorológicas en el año 2020 fueron
atípicas en toda la Pampa húmeda, principalmente por la escasa precipitación. En este contexto, se investigó la influencia
de los vientos en la propagación de incendios.
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 3
FIG. 2: Localización y conteo de focos de incendios (puntos rojos) sobre el Delta del río Paraná, basada en mediciones del instrumento
satelital VIIRS-NOAA-NASA.
FIG. 3: a) Valores diarios de precipitación acumulada, número de focos de incendios y PM2.5 promedio (días críticos; PM2.5≥15µ
g/m3). b) Temperatura y humedad relativa (valor de referencia 75%) promedios y desviación estándar en el periodo junio-agosto 2020.
Variable Junio Julio Agosto JJA
Temperatura (◦C) -0.5 -1.2 0.5 -0.41
Humedad (%) 0.5 -5.7 -16.8 -7.3
Precipitación (mm) 5 -44.6 -52.7 -30.8
Días de lluvia 1.5 -5 -3.5 -2.3
TABLA 1: Anomalías para el año 2020 respecto a su promedio mensual en el periodo 2010-2019 y el promedio del trimestre Junio,
Julio y Agosto (JJA).
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 4
Análisis de dirección y velocidad del viento
Para los días críticos se estimó que cerca del 70% de los vientos tuvieron dos efectos: 1) desde el sector noroeste al
norte, extendieron el fuego hacia los humedales y 2) desde el sector norte-noreste al sureste, arrastraron el humo hacia
el AMR. La prevalencia de los vientos este y nornoreste el 31 de julio 2020 (Fig. 4a), en simultáneo con 277 focos de
incendios, produjeron un incremento del PM2.5 promedio diario de 126 µg/m3(Fig. 3a).
Los vientos leves facilitan la propagación y duración de los incendios. La altura e intensidad de la llama se relacionan
directamente con la cantidad de combustible y con la velocidad del viento. En la Fig. 4b se presenta un histograma de la
magnitud de la velocidad del viento por hora y el promedio en todo el período (2.4 m/s). La magnitud del vector de viento
es inversamente proporcional al tiempo de residencia del fuego [18]. Por ello, la alta frecuencia de vientos leves fue un
factor importante en la permanencia y propagación del fuego.
FIG. 4: a) Frecuencias de la dirección del viento el 31 de julio 2020. Velocidad del viento: b) Frecuencia horaria y promedio total
(línea naranja) y c) promedio diario en el trimestre junio, julio y agosto 2020.
Modelo de agrupamiento
Para evaluar el grado de influencia de las variables meteorológicas sobre los incendios extremos, se ingresaron las
mediciones de humedad relativa, precipitación, velocidad y dirección del viento en el modelo K-means. Con el propósito
de identificar los hiperparámetros óptimos, se empleó una metodología basada en la búsqueda con rejilla. Este enfoque
incluye los algoritmos de optimización Elkan y Lloyd, así como el número de clusters a generar, considerando un rango de
2 a 8 clusters. La Fig. 5a muestra el comportamiento de la distancia cuadrática media en función del número de clústeres.
Se observa una disminución aproximadamente del 40% de la distancia cuadrática media de 2 a 3 clústeres, esto indica
que la configuración óptima ocurre en 3 agrupamientos. En ese sentido, las diferencias entre las distancias cuadráticas
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 5
obtenidas por los algoritmos Elkan y Lloyd no afectan significativamente el resultado del modelo. Al segmentar las me-
diciones dentro de 3 clústeres, se identificaron patrones que permiten interpretar las condiciones meteorológicas durante
los incendios en ese periodo. En la Fig. 5b se muestran las componentes de la velocidad del viento de los 3 agrupamientos
con la condición del ordenamiento para la menor varianza. Al realizar un análisis de cuartiles de las variables meteoroló-
gicas y el NI, se observa que el clúster 1 contiene una mayor frecuencia de vientos provenientes de la región noroeste (en
dirección hacia los humedales). En el mismo se encontró que el valor de la mediana del NI fue el más alto con respecto a
los clústeres 2 y 3, mientras la precipitación y de la humedad obtuvieron los valores más bajos.
FIG. 5: a) Distancia cuadrática media obtenida por el modelo K-means para el algoritmo de optimización Elkan y Lloyd y número de
clusters. b) Segmentación obtenida a partir del modelo K-means para el periodo junio-agosto 2020.
IV. CONCLUSIONES
Las condiciones meteorológicas atípicas y la quema de pastizales provocaron incendios sin precedentes en el Delta
del río Paraná. La escasa precipitación, la baja humedad relativa y el viento noroeste favorecieron la propagación del
fuego sobre los combustibles, mientras que el viento noreste arrastró las emisiones en detrimento de la calidad del aire
del AMR. A pesar de que la mayor parte del tiempo se mantuvieron los decretos del ASPO, el 83% de los promedios
diarios de PM2.5 sobrepasaron el límite recomendado por la OMS. La conformación de este análisis sostiene que la mayor
contribución al incremento del PM2.5 en el trimestre junio-agosto 2020 fue de origen primario derivado de las quemas de
biomasa y una fracción menor provino de actividades antropogénicas de rutina (movilidad, construcción, fábricas, cocina,
etc.). El desplazamiento de masas de aire por las corrientes de viento es determinante en la meteorología y la calidad
del aire. Por ello, se requiere una caracterización extendida al territorio de los humedales para conocer los estados del
viento, aplicando el modelo K-means u otros modelos de agrupamiento. El incremento de aerosoles y el impacto de los
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 6
gases contaminantes hacia lugares densamente poblados [19,20] subrayan la urgencia de establecer regulaciones. En la
actualidad, la provincia de Santa Fe carece de normativas específicas sobre el PM2.5, un contaminante que puede tener
efectos adversos significativos en la salud. Estos hallazgos resaltan la importancia de tener en cuenta las condiciones
meteorológicas al evaluar los riesgos ambientales y al formular estrategias para reducir tanto la contaminación del aire
como los incendios forestales.
V. AGRADECIMIENTOS
Las personas autoras agradecen a la Universidad Nacional de Rosario por las becas de investigación otorgadas a las
estudiantes A.O. y F.G-F. así como al CONAHCYT por la beca de posgrado otorgada a G.L-P. Asimismo, agradecen al
Dr. Arístides Pochettino, director de la Plataforma de Estudios Ambientales y Sostenibilidad (PEAS-UNR) por la difusión
de este estudio y a Jorge Giometti del Centro de Monitoreo Meteorológico y Climático (CMMC) SAT por su orientación
técnica y las mediciones compartidas.
REFERENCIAS
[1] J. T. Abatzoglou y A. P. Williams. Impact of anthropogenic climate change on wildfire across western US forests.
Proceedings of the National Academy of Sciences 113, 11770-11775 (oct. de 2016).ISSN: 1091-6490. http://dx.
doi.org/10.1073/pnas.1607171113.
[2] J. K. Balch et al. Human-started wildfires expand the fire niche across the United States. Proceedings of the Na-
tional Academy of Sciences 114, 2946-2951 (feb. de 2017).ISSN: 1091-6490. http://dx.doi.org/10.1073/pnas.
1617394114.
[3] B. A. Leys, J. R. Marlon, C. Umbanhowar y B. Vannière. Global fire history of grassland biomes. Ecology and
Evolution 8, 8831-8852 (ago. de 2018).ISSN: 2045-7758. http://dx.doi.org/10.1002/ece3.4394.
[4] M. S. Allen y M. W. Palmer. Fire history of a prairie/forest boundary: more than 250 years of frequent fire in
a North American tallgrass prairie: Fire history of a prairie/forest boundary. Journal of Vegetation Science 22,
436-444 (mar. de 2011).ISSN: 1100-9233. http://dx.doi.org/10.1111/j.1654-1103.2011.01278.x.
[5] C. Portillo-Quintero, A. Sanchez-Azofeifa y M. Marcos do Espirito-Santo. Monitoring deforestation with MODIS
Active Fires in Neotropical dry forests: An analysis of local-scale assessments in Mexico, Brazil and Bolivia.
Journal of Arid Environments 97, 150-159 (oct. de 2013).ISSN: 0140-1963. http://dx.doi.org/10.1016/j.jaridenv.
2013.06.002.
[6] N. Hoyos et al. The environmental envelope of fires in the Colombian Caribbean. Applied Geography 84, 42-54
(jul. de 2017).ISSN: 0143-6228. http://dx.doi.org/10.1016/j.apgeog.2017.05.001.
[7] D. M. J. S. Bowman et al. Fire in the Earth System. Science 324, 481-484 (abr. de 2009).ISSN: 1095-9203. http:
//dx.doi.org/10.1126/science.1163886.
[8] A. Lima et al. Land use and land cover changes determine the spatial relationship between fire and deforestation in
the Brazilian Amazon. Applied Geography 34, 239-246 (mayo de 2012).ISSN: 0143-6228. http://dx.doi.org/10.
1016/j.apgeog.2011.10.013.
[9] S. Kumar et al. Changes in land use enhance the sensitivity of tropical ecosystems to fire-climate extremes. Scien-
tific Reports 12 (ene. de 2022).ISSN: 2045-2322. http://dx.doi.org/10.1038/s41598-022-05130-0.
[10] J. A. Marengo et al. Corrigendum: Extreme Drought in the Brazilian Pantanal in 2019–2020: Characterization,
Causes, and Impacts. Frontiers in Water 4(jun. de 2022).ISSN: 2624-9375. http://dx.doi.org/10.3389/frwa.2022.
942068.
[11] G. de la Provincia de Santa Fe. Decretos 048720 y 057220 https://www.santafe.gob.ar/ms/covid19/normativa/
[Accedido: (6 de diciembre 2024)]. 2020.
[12] W. Schroeder, P. Oliva, L. Giglio e I. A. Csiszar. The New VIIRS 375 m active fire detection data product: Algorithm
description and initial assessment. Remote Sensing of Environment 143, 85-96 (mar. de 2014).ISSN: 0034-4257.
http://dx.doi.org/10.1016/j.rse.2013.12.008.
[13] FIRMS-NOAA-NASA. Fire Information for Resource Management System https://firms.modaps.eosdis.nasa.gov/
[Accedido: (6 de diciembre 2024)]. 2024.
[14] P. Zeng et al. Mapping future droughts under global warming across China: A combined multi-timescale meteo-
rological drought index and SOM-Kmeans approach. Weather and Climate Extremes 31, 100304 (mar. de 2021).
ISSN: 2212-0947. http://dx.doi.org/10.1016/j.wace.2021.100304.
[15] P. Govender y V. Sivakumar. Application of k-means and hierarchical clustering techniques for analysis of air
pollution: A review (1980–2019). Atmospheric Pollution Research 11, 40-56 (ene. de 2020).ISSN: 1309-1042.
http://dx.doi.org/10.1016/j.apr.2019.09.009.
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 7
[16] P. A. Sánchez-Pérez, M. Robles y O. A. Jaramillo. Real time Markov chains: Wind states in anemometric data.
Journal of Renewable and Sustainable Energy 8(mar. de 2016).ISSN: 1941-7012. http://dx.doi.org/10.1063/1.
4943120.
[17] M. de los Milagros Skansi y N. Garay. Boletín climatológico 2020. https://repositorio.smn.gob.ar/bitstream/handle/
20.500.12160/1495/0048CL2020.pdf.
[18] M. A.G. y C. N.P. Report on the southern Tasmanian bushfires of 7 February 1967. (1967).
[19] C. Aguirre et al. Atmospheric dispersion simulation of an accidental smoke plume using a heat diffusion algorithm
into a LES-STO coupled model. Atmospheric Environment: X 14, 100172 (abr. de 2022).ISSN: 2590-1621. http:
//dx.doi.org/10.1016/j.aeaoa.2022.100172.
[20] A. Ipiña, G. Salum, E. Crinó y R. Piacentini. Satellite and ground detection of very dense smoke clouds produced on
the islands of the Paraná river delta that affected a large region in Central Argentina. Advances in Space Research
49, 966-977 (mar. de 2012).ISSN: 0273-1177. http://dx.doi.org/10.1016/j.asr.2011.12.009.
Ipiña et al. / Anales AFA Vol. 36 Nro. 1 (Marzo 2025 - Junio 2025) 1-6 8
