�������

2/11

La predicción diaria de incendios forestales por causas humanas: Estado actual

PADILLA PARELLADA, M.1 y VEGA-GARCÍA, C.1

1 Departamento de Ingeniería Agroforestal, ETSEA, Universidad de Lleida.

Resumen En este trabajo se revisan los modelos generados para la predicción diaria de incendios forestales causados por personas. Existe un considerable número de trabajos en esta línea en numerosos países, aunque su aplicación operativa ha sido muy variable. Las estadísticas demuestran la influencia que tienen las personas en la ocurrencia de incendios a nivel mundial. Aún así, los sistemas de predicción diaria de incendios no suelen integrar el riesgo humano en sus esquemas de cálculo. Por este motivo creemos que resulta interesante realizar una recopilación y revisión de los trabajos científicos que han aportado avances más importantes en la materia, con el fin de evaluar sus posibilidades futuras en la gestión de incendios forestales. Palabras clave Estado actual, incendio forestal, ocurrencia, causa humana, predicción, largo plazo, corto plazo.

1. Introducción La actividad antrópica es responsable de gran parte de los incendios en España. Entre

1996 y 2005 mas del 80 % de los incendios han sido causados por personas (DGMNPF, 2006). Por este motivo resulta de especial interés incluir variables antrópicas en los sistemas de predicción de incendios.

La escala temporal de dichos sistemas de predicción del riesgo de incendios puede

orientarse hacia un horizonte temporal a corto o a largo plazo. Una predicción a largo plazo se centra en las características estructurales del medio que no varían en el tiempo, y su utilidad es mayor en la prevención de incendios. Una predicción a corto plazo incluye factores del riesgo que varían en el tiempo, ya sea de forma diaria, semanal o estacional y su interés radica en su potencial aplicación operativa en la detección y extinción de incendios.

Los sistemas de predicción de escala temporal a corto plazo pueden intentar modelizar

diferentes características de los incendios que van a ocurrir. Numerosos trabajos han intentado estimar el peligro de propagación para cuantificar el área quemada en un incendio, por ejemplo. Algunos estudios se han centrado en la estimación del peligro de ignición, es decir, el número de incendios en la fecha concreta. Esta última aproximación tiene una relación más estrecha con la actividad humana (SYPHARD et al., 2008) y es en la que se centra esta revisión.

Los principales organismos a nivel mundial con competencias en prevención de

incendios generan cartografía de peligro de incendios. Dicha cartografía es utilizada como

3/11

apoyo a la toma de decisiones en la distribución de recursos de vigilancia, detección y extinción para que sea más eficiente.

La ocurrencia de incendios por causas humanas viene influenciada por la presencia del

agente causal y la meteorología (CHUVIECO et al., 2003). Por agente causal se entiende la actividad humana fuente de ignición, ya sea accidental o intencionada. La meteorología influye en las condiciones de humedad del combustible, que determinan la facilidad de ignición.

La distribución de los incendios no es aleatoria. Las condiciones del territorio y las

actividades humanas influyen en la ocurrencia de incendios (BADIA-PERPINYÀ & PALLARES-BARBERA, 2006). Esta es la premisa que adoptan los estudios que integran el factor humano en las predicciones de peligro de incendio.

Habitualmente los datos de meteorología están disponibles de forma diaria mediante el registro de las estaciones meteorológicas. No sucede de la misma forma con las variables de actividad antrópica. Los agentes causales de ignición también varían en el tiempo y en el espacio sin quedar registrados de forma sistemática. Por consiguiente, los datos necesarios para la evaluación día a día del peligro humano, como son el tránsito por carreteras secundarias, la concurrencia de visitantes o la actividad agrícola, no están generalmente disponibles. Esto induce a utilizar las variables geográficas disponibles para la obtención indirecta de estimaciones de la distribución de los agentes causales. Por ejemplo, la distancia a carreteras es ampliamente utilizada como indicador de la accesibilidad en la zona.

2. Predicción de incendios a corto plazo

Los organismos con competencias en prevención de incendios de los diferentes países que generan cartografía diaria de riesgo de incendios emplean, de forma generalizada, los llamados modelos “físicos”. Estos modelos tratan de integrar los diferentes aspectos del riesgo de incendio de una forma similar a la que ocurre en la realidad. Comúnmente se centran en el riesgo meteorológico aunque en algunos casos también intentan modelar el componente del riesgo humano como en EEUU el National Fire Danger Rating System (NFDRS) (L. BRADSHAW et al., 1983; DEEMING et al., 1977), en Canadá el Canadian Forest Fire Danger Rating System (CFFDRS) (VAN WAGNER & PICKETT, 1985) o el Grado Actual de Peligro de Incendios Forestales elaborado por el antiguo Instituto Nacional para la Conservación de la Naturaleza (ICONA) en España. El índice americano considera el factor antrópico mediante el The Man Caused Occurrence Index (MCOI) que integra, además de información meteorológica y datos históricos de incendios, un índice de carácter subjetivo, aportado por un experto, acerca de la actividad humana para el día y el territorio determinado (MARTÍNEZ, 2004).

Otros estudios utilizan la evaluación multi-criterio para integrar los diferentes aspectos

del riesgo de incendios para la generación de predicciones diarias. El proyecto Firemap, descrito en CHUVIECO et al. (2009), utiliza esta metodología para integrar en un índice sintético, el peligro de ignición, el de propagación de incendio forestal y la vulnerabilidad del territorio. Se asume que es igual de problemático un día de múltiples incendios que uno solo pero de gran extensión, y si coinciden ambos escenarios el peligro de incendio sería máximo. Se utiliza la misma idea para integrar el peligro proveniente del estado hídrico del combustible y del peligro del agente causal. Es interesante comentar que el cálculo de dos índices intermedios, el peligro asociado a la actividad humana y a los rayos, se ha realizado

4/11

mediante regresión logística. Otro estudio realizado por CASTRO & CHUVIECO (1998) emplea una evaluación multi-criterio similar para la predicción diaria del peligro de incendio en Valparaíso, Chile.

GARCÍA DIEZ et al. (2000) utiliza la proporción de cambio del estado de la atmósfera

y el número de incendios en el día anterior para la predicción diaria del número de incendios en el global de Galicia. El estado atmosférico se evalúa mediante la estabilidad y el déficit de saturación de vapor en las capas bajas de la atmósfera.

Otros estudios emplean métodos estadísticos multivariantes para encontrar la función

empírica que relacione las distintas variables ambientales con la ocurrencia de incendios. El ajuste estadístico tiene una baja capacidad de generalización en contraposición a los modelos físicos. No es extrapolable a otras zonas geográficas, ya que el ajuste estadístico trata de adaptarse lo máximo posible a las características locales del área de estudio.

El desarrollo de un modelo estadístico toma en consideración el registro histórico de

incendios y el de las correspondientes variables apropiadas. En los estudios de predicción diaria de peligro de incendios hay una “entrada” del registro histórico para cada día y para cada unidad mínima del territorio. Esta “entrada” contiene el dato de ocurrencia de incendio y los datos de las demás variables elegidas para explicar el fenómeno. La regresión estadística utiliza esta muestra de datos históricos para encontrar la función empírica ajustada. La unidad mínima del territorio se refiere al área que utiliza el estudio para dividir el territorio. La unidad mínima puede ser la celda de una cuadrícula que divide el territorio de forma regular o su delimitación puede seguir otros criterios como por ejemplo los límites administrativos.

El primer estudio fue, en la década de los cincuenta, de CROSBY (1954) que empleó la

regresión lineal para predecir la ocurrencia de incendios en Clark National Forest, Missouri, a partir del índice utilizado entonces en EEUU.

MARTELL et al. (1987), basándose en los índices del Canadian Forest Fire Danger

Rating System (CFFDRS) (VAN WAGNER & PICKETT, 1985), ajustó un modelo logístico para cada estación del año y grupo causal para predecir la probabilidad de día con incendio en Ontario, EEUU. El índice Fine Fuel Moisture Content (FFMC) fue el de mayor capacidad predictiva para todas los tipos de causas en primavera. Posteriormente, MARTELL et al. (1989) agrupa los tipos de causas en dos categorías y refleja la variabilidad estacional mediante funciones trigonométricas del día juliano y del FFMC.

Durante la década de los 80 el Instituto Forestal Nacional de Petawawa (PNFI) originó

el modelo PEOPLE en Ontario que posteriormente fue adoptado por TODD & KOURTZ (1991) en Quebec, Canadá. Este modelo utiliza la regresión logística para predecir diariamente el número de incendios producidos por causas humanas. TODD & KOURTZ (1991) emplea como variables explicativas los índices del (CFFDRS) y la velocidad del viento. TITHECOTT (1990a; 1990c; 1990b) publica la evaluación en Ontario de tres modelos de predicción: (1) el modelo de Martell, (2) el modelo PEOPLE y (3) un sistema experto basado en la lógica difusa -FUZZY- también desarrollado por el PNFI.

Siguiendo la misma metodología que MARTELL et al. (1987) el estudio de VEGA-

GARCÍA et al. (1995) en Whitecourt Forest of Alberta, en Canadá, añadió variables de meteorología, de vegetación y de infraestructuras antrópicas. Con los mismos datos VEGA-GARCÍA et al. (1996) emplea la modelización mediante redes neuronales artificiales

5/11

(KLIMASAUSKAS, 1991) obteniendo una mejora en la fiabilidad de la predicción. VEGA-GARCÍA et al. (2004) aplica en Cataluña la regresión logística con el mismo tipo de variables de en sus estudios anteriores, obteniendo una fiabilidad global parecida.

PREISLER et al. (2004) trata de predecir, en Oregon, EEUU, la probabilidad de

ocurrencia de incendio, ya sean de causa humana o no, y la probabilidad de que éste se convierta en un gran incendio forestal. Este estudio solo incluye variables meteorológicas e índices del NFDRS derivados de ellas. El estudio encuentra que la localización espacial (coordenadas) y el día en el año influyen en la ocurrencia de igniciones. Para encontrar la probabilidad de un gran incendio, el estudio encuentra significativos la localización espacial y ciertos índices de sequía.

También es importante el estudio de ANDREWS et al. (2003) que, aunque no realiza

predicciones, evalúa la capacidad predictiva de tres índices del NFDRS americano. Relaciona los tres índices, el componente de velocidad de propagación (SC), el componente de liberación de energía (ERC) y el índice integrado (BI), con la ocurrencia de incendio diaria (mínimo un incendio), días de múltiples incendios (más de cinco) y los días de incendio de cierto tamaño (más de 4 ha).

Resulta interesante consultar los estudios de riesgo de incendio a largo plazo donde

exponen de forma extensa las influencias del hombre en la ocurrencia de incendios. Como se ha explicado anteriormente casi la totalidad de información del factor humano que se tiene es de carácter estructural, estático en el tiempo. Por este motivo, abundan los estudios que intentan relacionar las variables geográficas humanas (p.ej., infraestructura antrópicas, datos del censo, etc.) invariables en un plazo medio-largo de tiempo con la ocurrencia de incendios para un cierto período de tiempo, normalmente varios años.

3. Predicción de incendios a largo plazo

Como en el caso de la predicción a corto plazo, también abundan los estudios que

emplean la evaluación multi-criterio para la estimación del peligro estructural (estático en el tiempo) como los de ALCÁZAR et al. (1998) en Barcelona, CHUVIECO & CONGALTON (1989) en Valencia, JAIN et al. (1996) en Índia, Bradshaw et al. (1987) en EEUU y SALAS & CHUVIECO (1994) en la Sierra de Gredos, España.

Los siguientes estudios se agrupan según el tipo de modelo estadísticos o matemático

que emplean para la predicción estructural, a largo plazo, del peligro de incendio. Regresión logística, de Poisson y Redes Neuronales

CHOU et al. (1993) trató de predecir la ocurrencia de incendios mediante regresión

logística con variables topográficas, de uso del suelo y de infraestructuras antrópicas en California, EEUU. El estudio encuentra una predicción más precisa si se incorpora como variable explicativa el efecto de la vecindad espacial de las igniciones.

CARDILLE et al. (2001) estudiaron la ocurrencia de incendios a partir de variables

medioambientales y sociales mediante regresión logística o de Poison según se centre, respectivamente, en la ocurrencia o en el número de incendios en el noroeste de EEUU. El estudio encuentra diferencias entre las variables que afectan a los incendios según su tamaño y según la resolución espacial del estudio.

6/11

SYPHARD et al. (2008) ha tratado de predecir la probabilidad de presencia de área

quemada y de su frecuencia, es decir, cuántas veces se ha quemado durante el período temporal analizado. La presencia de área quemada (sí o no) se predice a partir de un análisis de regresión logística, en cambio se utiliza la regresión de Poisson para la predicción de la frecuencia de incendios. El estudio incluye tanto variables biofísicas y climáticas como características humanas del medio. El estudio concluye que las características humanas influyen más en la ocurrencia, entendida como presencia de área quemada. Por otro lado, las variables biofísicas influyen más en la frecuencia de ocurrencia.

CATRY et al. (2008) ha predicho la ocurrencia de incendios mediante regresión

logística y variables humanas y ambientales en Portugal. A partir del análisis por separado de los incendios mayores a 500 ha puede llegar a la conclusión que estos empiezan en áreas de baja población y más distantes a la red viaria. En contraposición, las igniciones están altamente relacionadas con la presencia y actividad humana.

MARTÍNEZ et al. (2009) utiliza también el modelo de la regresión logística para la

predicción de la probabilidad de encontrar una alta ocurrencia de incendios a nivel municipal en España. Las variables incluidas son del tipo socio-económico, de fragmentación del paisaje y abandono agrícola, sin incluir variables climáticas. El estudio concluye que las dos variables que influyen más en la ocurrencia son la densidad de maquinaria agrícola y la fragmentación de las parcelas agrícolas.

Por último, VASCONCELOS et al. (2001) en Portugal, compara las predicciones

obtenidas mediante regresión logística y redes neuronales, encontrando que estas últimas presentan un mejor ajuste.

Regresión geográfica ponderada

KOUTSIAS et al. (2005) ha explorado el potencial de la regresión geográfica ponderada

(GWR) (FOTHERINGHAM et al., 2002). GWR se basa en que la relación entre las variables explicativas y la respuesta no es constante en el espacio, así la técnica permite ajustar modelos locales a lo largo de la zona de estudio.

Weights of Evidence

Los dos siguientes estudios utilizan el modelo weights of evidence (WOE, BONHAM-

CARTER et al., 1989), proveniente de la estadística bayesiana, para la predicción estructural de la ocurrencia de incendios.

DICKSON et al. (2006) se ha centrado en los incendios mayores de 20 ha. El estudio

incluye variables topográficas, de vegetación, de clima y de infraestructuras humanas. En este caso se observa que la probabilidad de ocurrencia de gran incendio es más alta en zonas de alta accidentalidad del terreno y de baja densidad viaria.

ROMERO-CALCERRADA et al. (2008) han producido mapas de peligrosidad de

incendio para el sur-este de Madrid a partir de características humanas del medio. El estudio encuentra una alta relación entre el patrón espacial de la ignición y la accesibilidad.

7/11

Análisis de clasificación y árboles de regresión (CART) y divisiones de regresiones multivariadas adaptativas (MARS)

El estudio de STURTEVANT & CLELAND (2007) utiliza el análisis de clasificación y

árboles de regresión (CART) (DE'ATH & FABRICIUS, 2000) para la predicción estructural de la ocurrencia de incendios agrupados según su tamaño. Las variables explicativas del trabajo son biofísicas del medio y humanas. El estudio concluye que la densidad de casas es el indicador más importante para el número de igniciones, a medida que va aumentando el tamaño del incendio va creciendo la importancia de las variables biofísicas de cobertura del suelo y de humedad edáfica. En otras palabras se afirma que el número de igniciones está influenciado por la actividad humana, mientras que los factores biofísicos determinan si estos se harán más grandes.

AMATULLI & CAMIA (2007) también predicen la ocurrencia estructural de incendios

mediante divisiones de regresiones multivariadas adaptativas (MARS) y clasificación y árboles de regresión (CART). Incluyen variables topográficas, de población y de la red viaria para predecir la densidad de puntos de ignición en la cuenca del río Arno, en el centro de Italia.

Los dos siguientes estudios no tratan de obtener predicciones de peligro de incendio y

se centran en analizar las relaciones entre los factores de riesgo humano y la ocurrencia de incendios.

BADIA-PERPINYÀ & PALLARES-BARBERA (2006) analiza la distribución espacial

de igniciones en dos zonas de estudio bien diferenciadas, una zona urbanizada representada por el Área Metropolitana de Barcelona y una zona de carácter rural representada por la comarca del Bages, en Cataluña. El estudio concluye que la distribución espacial de las igniciones es diferente según el tipo de área. Las igniciones son causadas por diferentes factores dependiendo de si se trata de una área urbana o rural. Por ejemplo, se observa que en la zona rural las igniciones no dependen, significativamente, de la distancia a carreteras.

MAINGI & HENRY (2007) incluyen también variables biofísicas del medio en

Kentuchy, EEUU. Las variables explicativas comprenden el índice de sequía Palmer Drought Severity Index (PDSI) (PALMER, 1965), variables de topografía e de infraestructuras antrópicas. El estudio encuentra una alta relación entre el número de incendios y la proximidad a poblaciones y a carreteras. También se observa una relación significativa entre el índice PDSI y el área quemada.

4. Conclusiones

El objetivo principal del presente trabajo ha sido realizar la revisión bibliográfica de los

estudios de predicción diaria de riesgo de incendios producidos por causas humanas. Efectivamente, se han encontrado estudios que sólo tienen en cuenta aquella información que se “actualiza” de forma diaria o periódica, como por ejemplo, la meteorológica. Sin embargo, también se ha encontrado estudios que incorporan información referida a los factores humanos para el cálculo del riesgo, como el índice parcialmente subjetivo MCOI del NFDRS (DEEMING et al., 1977), la evaluación multi-criterio del proyecto Firemap (CHUVIECO et al., 2009) y los ajustes estadísticos mediante regresión logística y redes neuronales de VEGA-GARCÍA et al. (1995; 1996; 2004).

8/11

La revisión de los estudios del riesgo estructural de incendio forestal, a largo plazo, muestran de forma mas explicita la influencia de factores antrópicos en la ocurrencia de incendios. Estos estudios demuestran que: (1) la densidad de maquinaria y parcelas agrícolas (MARTÍNEZ et al., 2009) y la accesibilidad (ROMERO-CALCERRADA et al., 2008) tienen una alta relación con la ocurrencia de incendios, (2) el número de igniciones está influenciado por la actividad humana, mientras que los factores biofísicos determinan más si estos se harán grandes o no (SYPHARD et al., 2008; STURTEVANT & CLELAND, 2007; MAINGI & HENRY, 2007), (3) los grandes incendios empiezan en zonas abruptas y de baja densidad viaria y de población (CATRY et al., 2008; DICKSON et al., 2006) y (4) la importancia de los factores del riesgo antrópico varía según el tipo de territorio, urbano o rural (BADIA-PERPINYÀ & PALLARES-BARBERA, 2006). KOUTSIAS et al. (2005) propone abordar la variabilidad espacial de la relación entre las variables del medio y la ocurrencia mediante la regresión geográfica ponderada.

La mayoría de estos estudios adolecen de las mismas limitaciones: (1) la calidad de los

datos disponibles, (2) la dificultad de modelizar sucesos estadísticamente “raros”, (3) la independencia espaciotemporal de las observaciones, (4) la alta correlación entre las variables utilizadas, (5) la incapacidad de la mayoría de modelos en predecir valores extremos, y (6) las incertidumbres de los factores de ignición en condiciones futuras.

Sin embargo, la consideración conjunta de la información y experiencia acumuladas en

estos trabajos permiten establecer que su utilidad potencial en el ámbito operativo a pasado de ser un reto a una posibilidad real.

5. Agradecimientos

La presente revisión bibliográfica se ha realizado en el marco de la creación de un

sistema de predicción diaria de incendios por causas humanas dentro del proyecto “Servicio Digital de Prevención de Incendios Forestales” financiado por el Parc Científic i Tecnològic Agroalimentari de Lleida.

6. Bibliografía

ALCÁZAR, J.; VEGA-GARCÍA, C.; GRAUET, M.; PELMÁN, J.; FERNÁNDEZ, A. ;1998. Human risk and fire danger estimation trought multicriteria evaluation methods for forest fire prevention in Barcelona, Spain. III International Conference on Forest Fire Research 14th Conference on Forest Fire Meteorology. 1 2379-2387

AMATULLI, G.; CAMIA, A. ;2007. Exploring the relationships of fire occurrence variables by means of CART and MARS models. Proceedings of the 4th International Wildland Fire Conference. Seville.

ANDREWS, P. L.; LOFTSGAARDEN, D. O.; BRADSHAW, L. S. ; 2003. Evaluation of fire danger rating indexes using logistic regression and percentile analysis. Int J Wildland Fire 12(2) 213-226

9/11

BADIA-PERPINYÀ, A.; PALLARES-BARBERA, M. ; 2006. Spatial distribution of ignitions in Mediterranean periurban and rural areas: The case of Catalonia. Int J Wildland Fire 15(2) 187-196

BONHAM-CARTER, G. F.; AGTERBERG, F. P.; WRIGHT, D. F. ; 1989. Weights of evidence modeling: A new approach to mapping mineral potential. Statistical Applications in the Earth Sciences (9) 171-183

BRADSHAW, L.; DEEMING, J.; BURGAN, R. E.; COHEN, J. ; 1983. The 1978 National Fire-Danger Rating System: Technical Documentation. USDA, Forest Service, Intermountain Forest and Range Experiment Station GTRINT-169 41

BRADSHAW, W. G.; WEBSTER, A. L.; MCRAE, S. D. ;1987. GIS and wildland fire prevention planning: an on-the-ground test. GIS '87.Proc.2nd international conference. San Francisco. 2 563-568

CARDILLE, J. A.; VENTURA, S. J.; TURNER, M. G. ; 2001. Environmental and social factors influencing wildfires in the Upper Midwest, United States. Ecolo Appl 11(1) 111-127

CASTRO, R.; CHUVIECO, E. ; 1998. Modeling forest fire danger from geographic information systems. Geocarto Int 13(1) 15-23

CATRY, F. X.; REGO, F. C.; MOREIRA, F.; BACAO, F. ; 2008. Characterizing and modelling the spatial patterns of wildfire ignitions in portugal: Fire initiation and resulting burned area. En: J. De las Heras; C. A. Brebbia; D. X. Viegas; V. Leone (eds.): Forest fires: Modelling, monitoring and management of forest fires. 213-224. WIT Press.

CHOU, Y. H.; MINNICH, R. A.; CHASE, R. A. ; 1993. Mapping probability of fire occurrence in San Jacinto Mountains, California, USA. Environ Manage 17(1) 129-140

CHUVIECO, E.; AGUADO, I.; YEBRA, M.; NIETO, H.; SALAS, J.; MARTÍN, M. P.; VILAR, L.; MARTÍNEZ, J.; MARTÍN, S.; IBARRA, P.; DE LA RIVA, J.; BAEZA, J.; RODRÍGUEZ, F.; MOLINA, J. R.; HERRERA, M. A.; ZAMORA, R. ; 2009. Development of a framework for fire risk assessment using remote sensing and geographic information system technologies. Ecol Model in Press

CHUVIECO, E.; ALLGO WER, B.; SALAS, F. J. ; 2003. Integration of physical and human factors in fire danger assessment. En: E. Chuvieco (ed.): Wildland fire danger estimation and mapping: The role of remote sensing data. 197-218. World Scientific Publishing Company.

CHUVIECO, E.; CONGALTON, R. G. ; 1989. Application of remote sensing and geographic information systems to forest fire hazard mapping. Remote Sens Environ 29(2) 147-159

CROSBY, J. S. ; 1954. Probability of fire occurrence can be predicted. USDA, Forest Service, Central States Forest Experiment Station, Techincal Paper 143 14

DE'ATH, G.; FABRICIUS, K. E. ; 2000. Classification and regression trees: A powerful yet simple technique for ecological data analysis. Ecology 81(11) 3178-3192

10/11

DEEMING, J. E.; BURGAN, R. E.; COHEN, J. D. ; 1977. The national fire-danger rating system-1978. USDA for Serv Gen Tech Rep INT-39

DGMNPF. ;2006. Los incendios forestales en España. Decenio 1996-2005. Ministerio de Medio Ambiente. Madrid

DICKSON, B. G.; PRATHER, J. W.; XU, Y.; HAMPTON, H. M.; AUMACK, E. N.; SISK, T. D. ; 2006. Mapping the probability of large fire occurrence in northern Arizona, USA. Landscape Ecol 21(5) 747-761

FOTHERINGHAM, A. S.; BRUNSDON, C.; CHARLTON, M. ;2002. Geographically weighted regression: The analysis of spatially varying relationships. Whiley. 282 pp.

GARCÍA DIEZ, E. L.; RIVAS SORIANO, L.; DE PABLO, F.; GARCÍA DIEZ, A. ; 2000. Prediction of the Daily Number of Forest Fires. Int J Wildland Fire 9(3) 207-211

JAIN, A.; RAVAN, S. A.; SINGH, R. K.; DAS, K. K.; ROY, P. S. ; 1996. Forest fire risk modelling using remote sensing and geographic information system. Curr Sci 70(10) 928-933

KLIMASAUSKAS, C. C. ; 1991. Applying neural networks. PC AI 5(3) 20-24

KOUTSIAS, N.; MARTÍNEZ, J.; CHUVIECO, E.; ALLOGOWER, B. ;2005. Modeling wildland fire occurrence in southern Europe by a geographically weighted regression approach. Proceedings of the 5th International Workshop on Remote Sensing and GIS. Applications to Forest Fire Management: Fire Effects Assessment. 51-55

MAINGI, J. K.; HENRY, M. C. ; 2007. Factors influencing wildfire occurrence and distribution in eastern Kentucky, USA. Int J Wildland Fire 16(1) 23-33

MARTELL, D. L.; BEVILACQUA, E.; STOCKS, B. J. ; 1989. Modelling seasonal variation in daily people-caused forest fire occurrence. Can J for Res 19(12) 1555-1563

MARTELL, D. L.; OTUKOL, S.; STOCKS, B. J. ; 1987. A logistic model for predicting daily people-caused forest fire occurrence in Ontario. Can J for Res 17 394-401

MARTÍNEZ, J. ; 2004. Análisis, estimación y cartografía del riesgo humano de incendios forestales. Universidad de Alcalá. 337. Alcalá de Henares

MARTÍNEZ, J.; VEGA-GARCIA, C.; CHUVIECO, E. ; 2009. Human-caused wildfire risk rating for prevention planning in Spain. J Environ Manage 90(2) 1241-1252

PALMER, W. C. ; 1965. Meteorological drought. U.S. Weather Bureau Research Paper 45 58

PREISLER, H. K.; BRILLINGER, D. R.; BURGAN, R. E.; BENOIT, J. W. ; 2004. Probability based models for estimation of wildfire risk. Int J Wildland Fire 13(2) 133-142

ROMERO-CALCERRADA, R.; NOVILLO, C. J.; MILLINGTON, J. D. A.; GOMEZ-JIMENEZ, I. ; 2008. GIS analysis of spatial patterns of human-caused wildfire ignition risk in the SW of Madrid (Central Spain). Landscape Ecol 23(3) 341-354

11/11

SALAS REY, F. J.; CHUVIECO SALINERO, E. ; 1994. Forest fires risk mapping using geographic information systems and remote sensing: a test study in the Gredos Sierra. Estudios Geograficos 55(217) 683-710

STURTEVANT, B. R.; CLELAND, D. T. ; 2007. Human and biophysical factors influencing modern fire disturbance in northern Wisconsin. Int J Wildland Fire 16(4) 398-413

SYPHARD, A. D.; RADELOFF, V. C.; KEULER, N. S.; TAYLOR, R. S.; HAWBAKER, T. J.; STEWART, S. I.; CLAYTON, M. K. ; 2008. Predicting spatial patterns of fire on a southern California landscape. Int J Wildland Fire 17(5) 602-613

TITHECOTT, A. G. ; 1990a. Evaluation of Martell's logistic regression model for people-caused fire occurrence prediction. Ontario Ministry of Natural Resources. AFMC Publication 273

TITHECOTT, A. G. ; 1990b. Evaluation of People (a daily fire occurrence prediction system). Ontario Ministry of Natural Resources. AFMC Publication 274

TITHECOTT, A. G. ; 1990c. People-caused fire occurrence prediction project. Ontario Ministry of Natural Resources. AFMC Publication 275

TODD, B.; KOURTZ, P. H. ; 1991. Predicting the daily occurrence of people-caused forest fires. Canadian Forestry Service, Information Report PI-X-103

VAN WAGNER, C. E.; PICKETT, T. L. ; 1985. Equations and FORTRAN program for the Canadian Forest Fire Weather Index System. Forestry Technical Report 33

VASCONCELOS, M. J. P.; SILVA, S.; TOMÉ, M.; ALVIM, M.; PEREIRA, J. M. C. ; 2001. Spatial prediction of fire ignition probabilities: Comparing logistic regression and neural networks. Photogramm Eng Rem S 67(1) 73-81

VEGA-GARCÍA, C.; ORTIZ, C.; CANET, R.; SÁNCHEZ, I.; QUERALT, D. ;2004. Aplicación operativa de un modelo diario de predicción de ocurrencia de incendios forestales por causas humanas en Cataluña. 2nd Symposium on Fire Economics, Planning and Policy: A global view. Córdoba, Spain.

VEGA-GARCÍA, C.; LEE, B. S.; WOODARD, P. M.; TITUS, S. J. ; 1996. Applying neural network technology to human-caused wildfire occurrence prediction. AI Applications 10(3) 9-18

VEGA-GARCÍA, C.; WOODARD, P. M.; TITUS, S. J.; ADAMOWICZ, W. L.; LEE, B. S. ; 1995. A logit model for predicting the daily occurrence of human caused forest fires. Int J Wildland Fire 5(2) 101-111