Serie Geográfica - Profesora María de los Ángeles Díaz ...

PROPUESTA DE UN SISTEMA ESPACIALMENTEEXPLÍCITO PARA EVALUAR EL PELIGRO DEINCENDIOSHéctor Nieto Solana1

Emilio Chuvieco Salinero1

Inmaculada Aguado Suarez1

Marta Yebra Álvarez1

Mariano García Alonso1

Javier Salas Rey1

M. Pilar Martín Isabel1,2

Lara Vilar del Hoyo2

Javier Martínez Vega2

Diego Padrón Paredes1

Susana Martín Fernández3

(1) Departamento de GeografíaUniversidad de Alcalá(2) Instituto de Economía, Geografía y DemografíaCentro de Ciencias Humanas y SocialesConsejo Superior de Investigaciones CientíficasAlbasanz, 26-2828037- Madrid (3) Departamento de Economía y Gestión ForestalETSI de MontesCiudad Universitaria s/n28040 Madrid

RESUMENLos incendios forestales suponen un factor muy destacado en la transformación ambiental debuena parte de los ecosistemas terrestres. Tienen impactos globales, afectando a la superficieforestal y a las emisiones de gases de efecto invernadero, y efectos locales, relacionados conla degradación de suelos, erosión, modificación de la dinámica de la vegetación y pérdida derecursos y de vidas humanas. La prevención de incendios resulta cada vez más crítica, parapaliar los efectos negativos de los mismos. Se presentan en este trabajo las variables de entraday el esquema de integración para estimar el peligro de ocurrencia de incendios que sedesarrolló en el marco del proyecto Firemap. Se generó información de diversas fuentes,que hacen referencia a variables socio-económicas, así como al estado de los combustibles

Fecha de Recepción: 11 de Abril de 2008Fecha de Aceptación: 21 de Abril de 2008

Serie Geográfica - Profesora María de los Ángeles Díaz Muñoz, In MemoriamNúmero 14 - 2007 - 2008: 109 - 130 ISSN: 1136 - 5277

109

brought to you by COREView metadata, citation and similar papers at core.ac.uk

provided by Biblioteca Digital de la Universidad de Alcalá

https://core.ac.uk/display/58902999?utm_source=pdf&utm_medium=banner&utm_campaign=pdf-decoration-v1

y las características del territorio, utilizando sistemas de información geográfica (SIG) e imáge-nes de satélite. Todas las variables se cartografiaron a una resolución espacial de un 1 km2 yse integraron en un servidor web, que estuvo operativo para su evaluación durante el veranode 2007. Se presenta la comparación entre la variación temporal de los índices generados yla ocurrencia observada en la Comunidad de Madrid, una de las regiones del estudio.

Palabras Clave:Riesgo de incendio, Estado hídrico del combustible, MODIS, AVHRR, Riesgo humano, Rayos,Propagación del fuego, Índices de Peligro Integrados.

ABSTRACTForest fires are a major factor of environmental transformation in several ecosystems. Fires haveglobal impacts, affecting forested areas and having an important impact in greenhouse gasemissions. Additionally, fires have local impacts, associated to soil degradation, soil erosion, vege-tation dynamics, and lost of lives and properties. Fire prevention is critical to reduce the negativeimpacts of fire. This paper presents the input variables and the integration scheme developedwithin the Firemap project (funded under the Spanish Ministry of Science and Technology) to mapwildland fire occurrence probability. The project first generated fire risk variables related to severalfactors of fire ignition or propagation. They were generated from a wide variety of sources usinggeographic information systems and remote sensing technologies. All variables were mappedat 1 sq km spatial resolution, and were integrated into single indices. The risk system included thedevelopment of a dedicated web-mapping server to facilitate the access to the end-users. Thisservice was tested in the summer of 2007 for semi-operational use. The paper presents the first va-lidation results of the danger index, by comparing temporal trends of the different danger com-ponents to the fire occurrence in the Madrid region, one of the test sites.

Key Words:Fire risk, Fuel Moisture Content, MODIS, AVHRR, Human fire risk, Lightning, Fire propagation, In-tegrated Fire Danger Indices.

110

Héctor Nieto, Emilio Chuvieco, Inmaculada Aguado, Marta Yebra, Mariano García, Javier Salas, M. Pilar Martín, Lara Vilar,Javier Martínez, Diego Padrón y Susana MartínPropuesta de un sistema espacialmente explícito para evaluar el peligro de incendios

INTRODUCCIÓNEl fuego tiene un papel determinante en la di-námica de los ecosistemas terrestres, mos-trándose como uno de los factores de controlmás determinantes en la selección y adapta-ción de las especies. Desde épocas prehistó-ricas, se utiliza además como herramienta degestión del territorio, principalmente para des-

brozar en zonas de expansión agrícola y paraayudar a la nitrificación de suelos en vegeta-ción de sabana. Tiene, finalmente, importan-tes implicaciones atmosféricas, ya que seconsidera que las quemas de biomasa supo-nen casi el 40% de las emisiones totales deCO2, con un significativo aporte también deotros gases de efecto invernadero.


111

Además de este importante impacto global,los incendios tienen repercusiones regionales,que serán tanto más negativas cuantomenos naturales sean los ciclos de recurren-cia. En las últimas décadas se viene discu-tiendo bastante sobre las alteraciones deesos regímenes naturales de incendio, los fac-tores que los explican y los impactos previsi-bles (Pyne, 2001). Básicamente, los principalesresponsables se asocian a dos tipos de facto-res, por un lado las alteraciones climáticas re-cientes (Kasischke y Turetsky, 2006; Westerlinget al., 2006), y por otro a las modificacionesdel uso tradicional del territorio: abandono detierras en los países industrializados (Vélez,2004; Whitlock, 2004), deforestación-coloniza-ción en los países en desarrollo (Di Bella et al.,2006).

En este entorno, resulta cada vez más evi-dente la importancia de contar con mejoresherramientas para el conocimiento y gestiónde los incendios, singularmente en la preven-ción. El empleo de las tecnologías de la infor-mación geográfica resulta en este aspectoparticularmente relevante, ya que facilitanuna evaluación dinámica y espacialmenteintegrada de las condiciones de riesgo (Chu-vieco, 2003; Chuvieco y Martín, 2004). Si bienla terminología del riesgo de incendio tieneuna tradición histórica específica, en los últi-mos años se ha propuesto adoptar términoscomunes a otros riesgos naturales. En estesentido, suelen distinguirse dos factores en lavaloración del riesgo: por un lado, el peligro oprobabilidad de que ocurra un incendio enun lugar y momento determinados, y, porotro, la vulnerabilidad, que hace referenciaal daño potencial que el fuego supondríapara ese lugar. Este esquema es el que segui-

mos en el proyecto de investigación Firemap,financiado en el marco del plan nacional deinvestigación. El proyecto se organizó en cua-tro módulos, tal y como aparece en la Fig. 1.La probabilidad de ocurrencia se dividió endos aspectos, por un lado el peligro de quese iniciara un incendio, y por otro de que sepropagase. En la parte de vulnerabilidad, seconsideraron los factores socio-económicospor un lado, y ecológico-paisajísticos por otro.

En este trabajo vamos a revisar lo que atañeal peligro integrado de incendios, que se de-finió en el proyecto como un producto de laignición y la propagación (Fig. 2). El primercomponente consideró los aspectos físicos yhumanos que explican el inicio del fuego,mientras en el segundo se tuvieron en cuentalas condiciones promedio que ayudaran a lapropagación. En principio el índice se preveíaespecialmente explícito y dinámico, de talforma que pudiera actualizarse frecuente-mente, aunque su fin primordial era la planifi-cación estratégica a escalas regionales. Nose consideró conveniente incluir en el sistemaun modelo de propagación del fuego entiempo real, pues esto hubiera requerido in-formación de mucho detalle (vientos, mode-los combustibles, pendientes locales) que nohubiera estado disponible para cubrir territo-rios extensos.

ÁREAS DE ESTUDIOEl proyecto Firemap ha tenido desde su ori-gen una orientación regional, si bien las he-rramientas que se están desarrollandopermitirían abordar análisis a distintas escalas,ya que pensamos que son relativamente in-dependientes del nivel de detalle. Para el

Figura 2.- Componentes de la Probabilidad de ocurrencia en el proyecto Firemap

PeligroIntegrado

Peligro deIgnición

Peligro dePropagación

AgenteCasual

Estado Hídricode los

Combustibles

Humano

Natural(Rayo)

FMC Muerto

FMC Vivo

Riesgo

PeligroIntegrado

Vulnerabilidad

Peligro deIgnición

Peligro dePropagación

ValorSocio-económico

Potencial deDegradación

ValorPaisajístico

Figura 1.- Esquema de trabajo del proyecto Firemap

112



113

proyecto se definieron cuatro regiones piloto:Aragón, Madrid, Comunidad de Valencia yprovincia de Huelva. La unidad mínima de in-formación es la cuadrícula UTM de 1 km2.

GENERACIÓN DE LASVARIABLES DE RIESGOProbabilidad de ignición asociada afactores humanosLos factores vinculados a la actividad hu-mana tienen especial relevancia en la cuan-tificación del riesgo de incendio forestal.Según las estadísticas oficiales el 96,1 % de losincendios que ocurren en España obedecena causas humanas (DGB (Dirección Generalde Biodiversidad), 2006). No obstante, existeuna evidente dificultad en valorar y espacia-lizar estos factores de cara a obtener mode-los predictivos de la ocurrencia del fuego. Apesar de estas dificultades, la identificaciónde los distintos tipos de factores de riesgo vin-culados a la actividad humana permite ob-tener modelos predictivos suficientementefiables. Las variables que se han subrayadoen otros estudios están asociadas a los usosdel territorio (vías de comunicación, vertede-ros, espacios naturales protegidos, etc.), y as-pectos socioeconómicos (poblaciónocupada en la agricultura, nivel de renta,tasa de paro, entre otros) (Martínez et al.,2004).

Para la modelización de la ocurrencia de in-cendios debida a causa humana se ha utili-zado en este proyecto la regresión logística,técnica que permite describir las relacionesentre una variable dependiente dicotómica yun conjunto de variables independientescontinuas o categóricas. Este tipo de mode-

los se han utilizado frecuentemente en la pre-dicción de la ocurrencia del fuego, obtenién-dose resultados suficientemente robustos(Carvacho, 1998; Vasconcelos et al., 2001).

El primer paso consistió en la identificación defactores de riesgo asociados a la actividadhumana y las variables que podían permitir sucuantificación y cartografía. Se identificaroncuatro grupos de factores: accidentes y ne-gligencias; cambios socioeconómicos; inter-fases entre usos del suelo, e incendiosintencionados, asociados a conflictos en elmedio rural. Para representar cada uno deestos factores se consideran preferentementeaquellas variables de carácter estructural, re-lacionadas con elementos permanentes delterritorio. Así, en el grupo de variables repre-sentativas de incendios causados por acci-dentes y negligencias se incluyeron variablesrelacionadas con la accesibilidad (cercaníaa carreteras o líneas de ferrocarril), junto a lasrelacionadas con líneas eléctricas y presen-cia de campos de tiro y canteras. Por otrolado, para representar los factores relaciona-dos con cambios socioeconómicos en el terri-torio se consideraron áreas recreativas,contactos entre usos (interfaz urbano-fores-tal), potencial demográfico, cambio en la su-perficie forestal, localización de vertederos,variación de la población, porcentaje dejefes de explotaciones y plazas hoteleras. Lasvariables de interfase cultivo-forestal y pasto-forestal, carga ganadera y maquinaria agrí-cola representan los factores de igniciónvinculados a las actividades rurales tradicio-nales. Finalmente, el factor de incendios pro-ducidos por la generación de conflictos,agrupa las variables relacionadas con titula-ridad de los montes, espacios naturales pro-

114


tegidos, tasa de paro y nivel de renta. Estasvariables han sido generadas a partir de fuen-tes cartográficas y estadísticas espacializán-dose a resolución de 1 km2, medianteherramientas SIG.

Como variable independiente se utilizó laocurrencia de incendios de causa humanaen el período 1990-2004 obtenida a partir delos partes oficiales de Incendio, donde la lo-calización espacial de los incendios se re-coge a nivel de cuadrícula de 10 x 10 Km.Para asociar esta información al nivel de de-talle espacial requerido en el proyecto seaplicaron diversos procesos de espacializa-ción, orientados a reducir, en lo posible, la in-certidumbre en la localización de losincendios (Vilar, 2006). Además, ya que el mo-delo de regresión logística requiere una varia-ble dependiente dicotómica, fue necesariodiscretizar la variable dependiente (númerode incendios de causa humana). Esto se hizodividiendo la variable ordenada en 3 gruposcon el mismo número de casos (grupo 1, bajaincidencia, 3 alta incidencia y grupo 2 de in-cidencia intermedia). A los casos incluidos enel primer grupo se les da valor 0 y a los delgrupo 3 valor 1. Para generar el modelo, nose tuvieron en cuenta los valores intermedios,aunque sí se emplearon para representar es-pacialmente la ecuación resultante.

Antes de construir el modelo parecía convenienteeliminar variables innecesarias o redundantes (mul-ticolinealidad). Para estudiar la incidencia de estefenómeno en los datos se aplicaron diversos diag-nósticos de colinealidad, así como otros dirigidos aanalizar la significación de las variables indepen-dientes que nos ayudaron a decidir sobre el interéso no de incluirlas en el modelo.

Con las variables seleccionadas tras los men-cionados análisis previos se elaboró el modelode regresión logística. Se utilizó la opción porpasos hacia delante de Wald, con el valor 0,5como punto de corte para la clasificación. Elmodelo se obtuvo empleando una muestraaleatoria del 60% de los casos, utilizando el40% restante para validar la calidad de las es-timaciones.

Los porcentajes de acierto en la clasificaciónobtenidos para las distintas zonas de estudio(Tabla 1) varían entre un 68,4 % (C. Valen-ciana) y un 84 % (Huelva). En general, la bajaincidencia de incendio aparece mejor clasifi-cada en los distintos modelos obtenidos lle-gando a un porcentaje de acierto del 92 %en el caso de Huelva. La alta incidencia al-canza porcentajes de acierto que oscilanentre el 57 y el 76 %.

Las variables incluidas en los modelos para las dis-tintas zonas de estudio responden bastante biencon lo esperable, de acuerdo a la experienciaque nos trasmitieron los gestores de incendios delas respectivas Comunidades Autónomas. EnMadrid, por ejemplo, la variable con más pesoen el modelo (Tabla 2) es la interfaz urbano-fores-tal que se relaciona con el riesgo real asociado aluso residencial y recreativo en zonas forestales.

Probabilidad de ignición asociada ala ocurrencia de rayosAunque la ocurrencia de incendios forestalescausados por rayo es pequeña (cerca del 4%en nuestro país), la superficie quemada afec-tada por los mismos tiende a ser mayor queen el resto, debido a que habitualmente seproducen en zonas forestales más inaccesi-bles, donde la detección y el primer combate

C. MADRID C. VALENCIANA HUELVABaja incidencia Alta incidencia Baja incidencia Alta incidencia Baja incidencia Alta incidencia

Porcentajeacierto 75,40% 65,70% 79,40% 57,40% 92,40% 76,40%

Global 70,60% 68,40% 84,40%

Tabla 1.- Porcentajes de acierto obtenidos para las distintas zonas de estudio

Variables Modelo Riesgo Humano Madrid Efectos marginales (dx/dy)

Buffer pistas 0,064Espacios Naturales Protegidos 0,155

Interfaz urbano forestal 0,190Variación población agraria -0,105

Jefes explotación agraria mayores 55 años -0,105Tasa paro 0,113

Infraestructuras hoteleras -0,208

Tabla 2.- Variables seleccionadas en el modelo e influencia de cada variable en la ocurrencia de incendio por causahumana en Madrid (efectos marginales,dx/dy).


115

al fuego lleva más tiempo (Wotton y Martell,2005). Además, las condiciones meteorológi-cas que nos encontramos durante las tormen-tas, con una mayor actividad al atardecer ycon fuertes vientos hace más difícil el uso demedios aéreos para el ataque. Varios estu-dios sobre la ocurrencia de este tipo de in-cendios han utilizado variables relacionadascon la orografía (Díaz-Avalos et al., 2001), asícomo la polaridad de los rayos (Latham ySchlieter, 1989) y el estado hídrico de los com-bustibles (Wotton y Martell, 2005). También eltipo de vegetación juega un doble papel enla ocurrencia de incendios causados porrayo: ya que, por un lado, hay cubiertas ve-getales con una mayor densidad de descar-gas (Dissing y Verbyla, 2003), y, por otro, lasdiferencias en el tipo lecho forestal resultanen variaciones en la capacidad calorífica delmaterial y, por tanto, en su inflamabilidad (La-tham y Williams, 2001).

Para nuestro proyecto se modeló la ocurren-cia de incendios causados por rayo desde unpunto de vista espacio-temporal para lascuatro regiones de estudio. Sin embargo, lainformación relativa a las descargas de rayoes diferente según la región de estudio: parala Comunidad de Madrid y Aragón se cuentacon datos provenientes del Instituto Nacionalde Meteorología, mientras que para la Co-munidad Valenciana y Huelva los datos dis-ponibles provienen de la empresaMeteológica S.A., quien adquirió estos datosdel centro británico Met Office, y cuentancon una precisión espacial inferior. Se hananalizado los partes de incendio, proporcio-nados por la Dirección General de la Biodiver-sidad (DGB); la localización de las descargasde rayo; el modelo digital del terreno con re-solución de 250 m, del que se han derivadola pendiente, exposición y curvatura del te-rreno; el mapa forestal nacional (1:50.000,

116


fuente DGB); y variables meteorológicas dia-rias (temperaturas, humedad relativa, radia-ción solar, velocidad del viento yprecipitación), especializadas a 3 x 3 km2 porla empresa Meteológica S.A. A partir de estainformación se han calculado los modelos dehumedad del combustible muerto derivadosdel National Fire Danger Rating System esta-dounidense (Bradshaw et al., 1983), y del Ca-nadian Forest Fire Weather Index de Canadá(Van Wagner, 1987).

Con estas variables, se generó un modelo deregresión logística para predecir la probabili-dad de ocurrencia de un incendio forestalcausado por rayo durante el periodo 2002-2004 para cada una de las cuatro zonas deestudio. La variable dependiente era la ocu-rrencia o no de al menos un incendio cau-sado por rayo durante esos tres años dentrode cada una de las celdas de 3 x 3 km2 queservían, para esta variable, como unidad es-pacial, ya que no se disponía de la informa-ción meteorológica más detallada. Losanálisis previos permitieron determinar una re-lación significativa entre la ocurrencia de in-cendios forestales causados por rayo y laaltitud, la pendiente, la presencia de arbo-lado, la cantidad de precipitación de la tor-menta y el estado hídrico del combustiblemuerto; confirmándose los resultados obteni-dos por estudios realizados por otros autores(Díaz-Avalos et al., 2001; Rorig y Ferguson,2002). En los modelos logísticos desarrolladosse obtuvo una precisión en la clasificación delas celdas con incendio en torno al 70% paracada una de las regiones. Para Aragón, Ma-drid y Valencia la variable que mejor expli-caba la ocurrencia era el número detormentas secas, mientras en Huelva sólo el

porcentaje de superficie orientada al Sur re-sultó significativo. La menor resolución espa-cial de la variable relacionada con lalocalización de las descargas de rayo in-cluida en la calibración del modelo paraHuelva puede explicar este último resultado.

Probabilidad de ignición asociada alestado hídrico de la vegetaciónEl contenido de humedad del combustible(Fuel Moisture Content, FMC) es una de lasvariables más críticas para estimar la probabi-lidad de ignición o propagación del fuego,ya que la cantidad de agua en las plantasestá inversamente relacionada con su poten-cial de combustión (Nelson, 2001). Siguiendouna práctica frecuente en la literatura deriesgo de incendios, para este proyectohemos dividido la estimación del FMC en dostipos, según se tratara de combustibles vivos omuertos.

El FMC de los combustibles muertos resultaalgo más sencillo de estimar ya que está di-rectamente asociado a las variaciones de lascondiciones atmosféricas, principalmentetemperatura, lluvia, viento y humedad rela-tiva. Para este proyecto hemos aplicado unmodelo empírico, basado en ajustes de re-gresión sobre medidas tomadas en el ParqueNacional de Cabañeros entre 1998 y 2003sobre hojarasca y pasto senescente (Aguadoet al., 2007). Estas medidas de humedad to-madas en campo se correlacionaron con dosíndices meteorológicos muy utilizados en lagestión de incendios forestales (FFMC – FineFuel Moisture Content (Van Wagner, 1987) yel índice 10h (Bradshaw et al., 1983)) con el finde verificar su aplicabilidad en un entornomediterráneo. Ambos códigos de humedad


117

ofrecieron resultados muy similares, siendo se-leccionado para la estimación de la hume-dad del combustible muerto, el código 10hpor su menor complejidad de cálculo. Te-niendo en cuenta las dificultades para obte-ner observaciones meteorológicas puntualesque sirvan de entrada en el cálculo del índiceempírico, se optó por la utilización de predic-ciones meteorológicas procedentes del Euro-pean Center for Medium Range WeatherForecasting (0,5º x 0,5º). Las variables meteo-rológicas que requiere la estimación del ín-dice empírico (temperatura y humedadrelativa a las 12h UTC) fueron facilitadas porla empresa Meteológica S.A. que efectúa apartir de estas predicciones una interpolaciónespacial. Asimismo, el proceso de interpola-ción incluye como variable auxiliar la altitud.La salida del modelo de interpolación ofrecepredicciones en una malla de 500 x 500 m. Fi-nalmente, los valores de FMC en el combusti-ble muerto fueron remuestreados a unaresolución de 1000 m para poder ser inte-grado con el FMC del combustible vivo. Seobtiene por tanto, para cada una de las cua-tro regiones de análisis, un mapa diario del es-tado hídrico (FMC) del combustible muerto.En la Fig. 3 puede observarse la evoluciónquincenal de este índice para la Comunidadde Madrid durante el verano de 2007. Comoera de esperar, los valores más críticos (menorcontenido de humedad) se observan du-rante los meses de julio y agosto.

En cuanto a la estimación del FMC de loscombustibles vivos, su estimación operativaes más compleja que en los combustiblesmuertos, ya que varían con mayor indepen-dencia de las condiciones atmosféricas, alestar también influida por la capacidad de

retención de humedad en el suelo y, sobretodo, la fisiología de las plantas, que hacenque se puedan dar valores muy diversos deFMC con las mismas condiciones atmosféri-cas. Por esta razón, hay pocos índices mete-orológicos que se hayan utilizado en laestimación de la humedad en los combusti-bles vivos. A pesar de que pudieran ofrecerbuenos resultados, un problema añadido esel error que se genera al interpolar las varia-bles meteorológicas en territorios que puedenser relativamente distintos del punto donde serealizó la medida. La alternativa tradicional alas estimaciones meteorológicas es la medidadirecta en campo, que resulta costosa y dedifícil representatividad espacial.

Para salvar estas dificultades, planteamos enel proyecto Firemap estimar el FMC de loscombustibles vivos a partir de la teledetec-ción espacial, siguiendo la experiencia deproyectos previos (Chuvieco et al., 2004a). Te-niendo en cuenta que esta variable requiereuna actualización al menos semanal, se optópor trabajar con sensores de alta resolucióntemporal, principalmente NOAA-AVHRR yTerra-MODIS. La estimación se basó en mode-los empíricos, que habían sido elaboradospreviamente (Chuvieco et al., 2004a), enri-queciéndose con nuevos ajustes que consi-deraban años secos y húmedos (García etal., 2008). También se desarrollaron ajustes ba-sados en modelos de simulación.

Para poder calibrar y validar las ecuacionesya sean derivadas de MODIS o AVHRR, pro-cedimos a continuar las campañas de mues-treo en el terreno, realizadas por nuestrogrupo de investigación en el Parque Nacionalde Cabañeros desde 1996 a la actualidad.

Figu

ra 3

.- Ev

oluc

ión

tem

pora

l del

FM

C m

uerto

dur

ante

el v

eran

o d

e 20

07. a

) 15

de

juni

o, b

) 1 d

e ju

lio, c

) 15

de

julio

, d) 1

de

agos

to, e

) 15

de

agos

to, f

) 1 d

e se

ptie

mbr

e.

118



119

Para este trabajo se utilizó únicamente la serie2001 a 2005, para poder comparar los resul-tados entre los dos sensores, AVHRR y MODIS,ya que de este último sólo hay datos desde2001. La información de campo se recolectócada 16 u 8 días, sobre parcelas de pastizal ymatorral, suficientemente homogéneas parapoder relacionarse con los datos de la ima-gen. Como variables de estimación se em-pleó para las imágenes AVHRR el índice devegetación (NDVI, Normalized Difference Ve-getation Index: (Rouse et al., 1974), y la tem-peratura de superficie (Ts), extraídos a partirde compuestos multitemporales de 8 días uti-lizando como criterio de composición la má-xima temperatura de brillo (Chuvieco et al.,2005). Para el caso del MODIS se han emple-ado las siete primeras bandas de reflectivi-dad del producto MOD09: compuesto de 8días a 500 m de resolución espacial (Vermotey Vermeulen, 1999), así como índices de ve-getación y el producto de área foliar MOD15derivados del mismo sensor (Knyazikhin et al.,1999).

Se exploraron y compararon diferentes enfo-ques que emplean imágenes de satélite paracalibrar dos modelos de estimación del FMC(uno para pastizales y otro para matorrales),uno empírico y otro basado en modelos detransferencia radiativa. Se realizaron análisisde regresión lineal múltiple (RLM) entre losdatos de FMC medidos en campo y la infor-mación derivada del sensor para cada par-cela y fecha para el rango de valoresencontradas en el Parque Nacional de Ca-bañeros.

En el caso del sensor AVHRR, siguiendo la me-todología empleada en proyectos anteriores

(Chuvieco et al., 2004a), se desarrollaron dosmodelos empíricos, teniendo en cuenta lasdistintas tendencias estacionales que mostra-ron dichas formaciones vegetales en añossecos y años húmedos. Así, se clasificaron losaños hídricos de la serie temporal como secoso húmedos, en función de los valores de uníndice de sequía denominado CumulativeWater Balance Index (CWBI) (Dennison et al.,2003) y de la reserva hídrica. Estas diferenciasen la tendencia estacional fueron recogidasmediante una función armónica denomi-nada Función del Día Juliano (FDJ), obtenidamediante regresión no lineal. De esta forma,para cada formación vegetal se obtuvierondos FDJs distintas según fuese un año seco ohúmedo. Posteriormente, se realizó una regre-sión múltiple lineal para cada especie forestalutilizando el 60% de la muestra para calibra-ción y el 40% restante para validación. Comovariable dependiente se utilizó el FMC deri-vado a partir de los datos de campo, mien-tras las variables independientes fueron elNDVI, la temperatura de superficie y la FDJ.Los nuevos modelos derivados proporciona-ron una buena estimación del FMC vivo,tanto para años secos como húmedos, convalores R2 superiores a 0.7 para pasto y mato-rral. Además se comprobó que la considera-ción de años secos y húmedos reducíanotablemente la sobreestimación observadaal aplicar un único modelo, reduciéndosetambién el RMSE (García et al., 2008). Lasecuaciones empíricas derivadas a partir delos datos AVHRR fueron:

(1)

(2)

120


donde NDVI y Ts tienen el significado antescomentado y FDJ es la función del día julianopara pastizal (P) y matorral (M) según si elaño es seco o húmedo.

Para el caso del MODIS, se exploraron y com-pararon dos enfoques para calibrar modelosde estimación de FMC de pastizales y mato-rrales; ajustes empíricos multitemporales deri-vados de observaciones de campo y ajustesestadísticos derivados de datos simulados apartir de modelos de transferencia radiativa.Tras un análisis de correlación entre varios ín-dices de vegetación y los datos de FMC(Yebra et al., 2008), ya fueran del conjunto dedatos observados o simulados, se selecciona-ron los índices más altamente correlaciona-dos para realizar un análisis de regresiónmúltiple. De esta manera se ajustaron ecua-ciones con los índices de vegetación NDVI,VARI Visible Atmospheric Resistant Index (Gi-telson et al., 2002), GVMI Global VegetationMoisture Index (Ceccato et al., 2002) y NDIINormalized difference infrared index (Hunt yRock, 1989), calculados a partir del productoMODIS de reflectividad MOD09. Además, enel caso de los datos simulados, se añadieroncomo variables independientes el índice deárea foliar, extraído del producto MOD15, y elpeso específico de la vegetación (PE), con elobjetivo de tener en cuenta posibles variacio-nes de los índices entre lugares con vegeta-ción diferente. Finalmente, se abordaroncuatro modelos, dos basados en los datos ob-servados: pasto (1) y matorral (2), y otros dosen datos simulados a partir de modelos detransferencia radiativa; pasto (3) y matorral(4) (Yebra et al., 2008):

(1)

(2)

(3)

(4)

La comparación de las estimaciones realiza-das con los modelos calibrados con MODIS ylos dos enfoques mostró que, para pastizales,ambos realizan estimaciones bastante preci-sas (RMSE de 27.4 y 24.5%, empírico y deri-vado de datos simulados, respectivamente),si bien el modelo basado en los datos simula-dos (3) es menos operativo debido a que pre-cisa como variables de estimación dosproductos diferentes (MOD09 y MOD15). Paramatorrales, el modelo derivado de los datossimulados (4) estima FMC con menores resi-duales en los años secos (más críticos en loque al riesgo de incendio se refiere). Sin em-bargo, en los años normales produce altainfra-estimación. Este modelo puede ser me-jorado mediante la simulación de la reflectivi-dad para un rango de valores más amplio(no restringido a Cabañeros) y otras técnicasde inversión basadas en minimizar la distanciaentre espectros simulados y observados.

Para el proyecto Firemap se emplearon lasecuaciones derivadas del sensor AVHRR du-rante el verano de 2007, debido a que no sepudo disponer, en tiempo real, de las imáge-nes MODIS.

Probabilidad de propagaciónLa mayor parte de los modelos de propaga-ción del fuego están diseñados para simularcondiciones locales, no regionales. En nuestrocaso, se pretendía estimar de alguna forma


121

la variación espacial de la capacidad depropagar el fuego para las regiones de estu-dio, lo que suponía extender esos modelos lo-cales a escalas mucho menores. En definitiva,se trataba de obtener una capa de riesgoque considerara las condiciones promediode propagación, diferenciando espacial-mente aquellas áreas donde, con caráctergeneral, el incendio tendería a propagarsemás rápidamente o con mayor energía. Estosuponía considerar unas condiciones deter-minadas de viento, factor muy variable y difí-cil de modelar espacialmente, que sirvieranpara modelar en el conjunto del paisaje elpotencial de cada unidad de observación(celda de 1 km2) para desarrollar el fuego,asumiendo que pudiera iniciarse en cualquiercelda vecina.

La modelización se hizo considerando la peorsituación para la propagación del fuego, esdecir que el fuego se propagara en la direc-ción de máxima pendiente y la velocidad delviento fuese la media de las máximas para losmeses de verano. A parte de estas dos varia-bles, los factores que más influyen en la pro-pagación son el tipo de combustible y lahumedad relativa del combustible vivo ymuerto. Las variables de interés que se modelaronfueron la longitud de llama y la velocidad depropagación. Para poder relacionarlas conlas variables del medio, se generó una mues-tra con el programa Behave (Andrews yChase, 1990) para los 13 tipos de combustibledisponibles en este programa, con pendien-tes entre el 0% y el 90 %, velocidades delviento a ras del suelo entre los 4 km/h y los 20km/h, y las siguientes humedades relativas delcombustible muerto, 5% 1-h Moisture; 10%, 10-

h Moisture; 12% 100-h Moisture; y del combus-tible vivo 50%, para el caso de Live Herbace-ous Moisture; y 100% en el de Live WoodyMoisture (Martín et al., 2002; Vélez, 2000).

El tamaño final de la muestra fue de 5.600datos una vez fueron excluidas las áreas sincombustibles forestales. Con la muestra gene-rada se obtuvieron los modelos de regresiónmúltiple de la velocidad de propagación enfunción de la pendiente y de la velocidad deviento para cada tipo de combustible. Losvalores del coeficiente de regresión múltipleR2 variaron entre el 93% y 97.8%. La longitudde llama se modeló también en función de lavelocidad de propagación, para cada tipode combustible. Se seleccionó el modelo line-alizable que mejor se ajustaba a las variables.En este caso el coeficiente de determinaciónajustado varió entre el 92% para el tipo decombustible 8 y mayor del 99% para el restode combustibles.

Para generar los mapas raster de velocidadde propagación y de longitud de llama, sedesarrolló una macro en ArcGIS que apli-caba los modelos de regresión a los mapasde pendientes, de tipos de combustibles y develocidad del viento en cada zona de estu-dio. El resultado puede observarse en la Fig. 4.

INTEGRACIÓN DEL MODELOConversión de las variables a unaescala común de riesgoEl primer paso en la integración del modelode probabilidad de ocurrencia fue encontraruna escala de riesgo común a las distintas va-riables que habían sido generadas. Para evi-tar posibles subjetividades en ese proceso de

Figura 4.- Peligro de propagación de incendio en la Comunidad de Madrid a partir de la simulación Behave con lascondiciones indicadas en el texto.

122



123

conversión, se procuró que todas ellas estu-vieran medidas en una escala probabilística,haciendo su comparación más asequible.

En lo que se refiere al peligro de ignición tantode ámbito humano como de rayos, la proba-bilidad se obtuvo de la regresión logísticaaplicada a la ocurrencia histórica del fuego.Para la conversión del FMC a probabilidad deignición, se empleó el concepto de hume-dad de extinción (valor límite de humedad apartir del cual un combustible no arde: (Si-mard, 1968) tanto del combustible vivo comomuerto. Ese valor teóricamente debería supo-ner una probabilidad de ignición de 0, peroadoptando un criterio conservador, se leasignó un valor de 0.2. Desde ese valor alvalor mínimo de FMC medido en campopara los 10 años de muestreo, se aplicó unafunción lineal negativa (a mayor humedad,menor probabilidad de ignición), entre los va-lores de 0,2 y 1. Finalmente, desde el valor dehumedad de extinción hasta el máximo me-dido de FMC se aplicó un proceso similar, conmárgenes entre 0,2 y 0 (Chuvieco et al.,2004a). Uno de los problemas en la integra-ción de estos dos valores de humedad es lafalta de datos para el FMC de los combusti-bles bajo arbolado, ya que las especies arbó-reas no se consideraron en el modelo deestimación, en esta fase.

Finalmente, para convertir las variables calcu-ladas en el peligro de propagación (veloci-dad de propagación y longitud de llama), seconsideró la frecuencia de los valores de lavelocidad de propagación y de la longitudde llama en Aragón, Valencia y Madrid. De-bido a que el riesgo cambia si el número depíxeles con longitudes de llama o velocida-

des altas es elevado o, por el contrario, sólose produce en un número pequeño, se ajus-taron las curvas de frecuencia acumulada delos valores de velocidad de propagación yde longitud de llama. Por tanto el índice deriesgo varía entre 0 y 1. El valor asignado acada punto del territorio es el valor máximoentre el valor del indicador de riesgo debidoa la velocidad de propagación y el debido ala longitud de llama. Este indicador se probóen Huelva donde los resultados fueron satis-factorios.

Integración entre los índices de peligroPara generar índices que integraran las distin-tas nociones del peligro de incendio que seestán considerando en este proyecto se plan-tearon varias alternativas (Chuvieco et al.,2003): tabulación cruzada, ponderaciónjerárquica, evaluación multicriterio, índicescuantitativos y técnicas de regresión. Final-mente, optamos por realizar una integraciónsucesiva, aplicando distintos criterios a cadapar de variables, dependiendo de su signifi-cado temático y de la frecuencia de actua-lización de las variables de entrada. Laintegración entre el peligro causal asociadoa rayos y a actividad humana se realizó apartir de un criterio probabilístico basado enlos axiomas de Kolmogorov (Tarantola, 2005)según el cual la probabilidad de que ocurraun evento u otro (incendio de causa humanao de rayos) se define como:

donde P(A U B) es el índice integrado (en estecaso, la probabilidad de ocurrencia debidoal agente causal), P(A) es la probabilidad deocurrencia de incendios de causa humana,

124


P(B) es la probabilidad de ocurrencia de in-cendios por rayo, y el producto de las dosprobabilidades indica la probabilidad de queocurran ambos eventos, asumiendo que setrata de eventos independientes.

La integración de la probabilidad de igniciónasociada al FMC de los combustibles vivos ymuertos (Estado Hídrico de los Combustibles,en la Fig.2) se realizó como la media de lasprobabilidades de ignición de los combusti-bles vivos y muertos, ponderada por la pro-porción de ambos tipos de combustibledentro de cada celda de 1km2.

Para la integración entre Agente Causal y Es-tado Hídrico del Combustible (EHC), así comoentre el Peligro de Ignición y Peligro de Pro-pagación, hemos seguido una filosofía extra-ída de las técnicas multicriterio (Gómez yBarredo, 2006). En primer lugar, en el caso dela integración del estado hídrico de los com-bustibles y del agente causal, asumimos quelos valores del peligro de ignición deberían seraltos sólo en el caso de que ambos productos(estado hídrico y agente causal) presentaranvalores altos. Por lo tanto, los valores más altosde probabilidad serían aquellos más cerca-nos a las condiciones críticas (distancia alpunto anti-ideal), definidas como aquellascon menor humedad y mayor causalidad.Por otro lado, en el caso de la integraciónentre la ignición y propagación se asume quelos valores más altos del índice integrado sepodrían dar en situaciones tanto de alta pro-babilidad de ignición como de alta propaga-ción, por ello se asume que los valores másaltos del peligro integrado serán los más ale-jados de la situación óptima (punto ideal),definido como aquél con menor probabili-

dad de ignición y menor probabilidad de pro-pagación. Cada factor se ha ponderado demodo distinto según la frecuencia de actua-lización, teniendo 4 veces más peso para elfactor dinámico que el estático.

Desarrollo de un servidor cartográficode riesgo de incendiosDesde el inicio del proyecto Firemap se con-sideró fundamental contar con el apoyo delos usuarios finales del índice de riesgo, tantopara el diseño y calibración del mismo, comopara su validación. De cara a facilitar la co-municación con los usuarios, a veces distan-tes geográficamente de los lugares dedesarrollo, se ha generado una herramientaen internet para el acceso a la informacióndel proyecto, con una sección específicapara gestionar información cartográfica, em-pleando técnicas de “web-mapping” sobreprogramas de dominio público(http://www.geogra.uah.es:8080/cartofire/index.php). Para este servidor, se procuró es-tandarizar la documentación de las variablesde entrada, de cara a que los datos genera-dos pudieran integrarse fácilmente en basesde datos descentralizadas, y se dotara alusuario de una serie de herramientas de con-sulta y descarga adecuadas (Fig. 5). Se ge-neraron varios perfiles de usuario paragarantizar este acceso.

Validación de resultadosComo es bien sabido, la validación de un ín-dice de peligro requiere contar con una serie

Figu

ra 5

.- Pr

esen

taci

ón d

el p

elig

ro p

or c

ausa

hum

ana

de

ince

ndio

s par

a la

Com

unid

ad d

e M

adrid

en

el se

rvid

or c

arto

gráf

ico

Fire

map


125

126


suficientemente larga para analizar las ten-dencias promedio. En este caso, el sistemasólo se ha podido evaluar con un año deocurrencia (2007), ya que hasta ese mo-mento no estuvo disponible la integración delas variables. Conviene aquí considerar quela validación estrictamente se refiere a esa in-tegración, y no tanto a las variables de peli-gro que se consideraron en el modelo, puescada una contó con su propia validación(serie histórica para el peligro de origen hu-mano o rayos, datos de campo para el FMC,simulación Behave para la propagación).Una última advertencia hace referencia adistinguir entre el concepto de peligro y el deocurrencia. El primero indica una posibilidad,el segundo un hecho. Que haya alto riesgode que se produzca un incendio no quieredecir que de hecho siempre se produzca, yaque alguna de las condiciones puede estarausente; de igual forma, pueden producirseincendios en condiciones de menor riesgo, sipor ejemplo el agente humano actúa delibe-radamente para provocarlo. En cualquiercaso, la cartografía de riesgo nos ayuda aplantear momentos y lugares donde con-viene planificar los medios de defensa anteuna eventual ocurrencia.

Con estas salvedades, el ejercicio de valida-ción que se ha realizado para este proyectose basó en analizar la variación espacio-tem-poral de los puntos de ignición para las regio-nes que participaron en el mismo. Parasimplificar los comentarios, nos centraremosen los resultados obtenidos para la Comuni-dad de Madrid, puesto que en esta región lainformación de partida era algo más precisaque en el resto.

Se cuenta para ello con los puntos de igniciónregistrados durante el año 2007 por el Cuerpode Bomberos de la Comunidad de Madrid.Según este organismo, durante ese año seprodujeron 230 incendios forestales. Sin em-bargo, puesto que los índices de peligro fue-ron calculados desde el 5 de junio hasta el 31de octubre, el número de puntos de igniciónse redujo finalmente a 173 durante esos 149días analizados.

Con el fin de evaluar la capacidad de los ín-dices para explicar la ocurrencia de un incen-dio se han calculado distintos estadísticos quenos pueden indicar la existencia de diferen-cias significativas entre los valores con y sin in-cendio. El hecho de que los valores de losíndices no se comporten como una distribu-ción normal (test de normalidad de Kolmogo-rov no significativos) y el bajo número decasos con ignición comparado con los casossin ignición hacen recomendable el uso detests no paramétricos. Se han calculado: 1)las distancias de Mahalanobis entre los valo-res de cada índice en casos de ignición y sinignición; 2) el test de la U de Mann-Whitney(Mann y Whitney, 1947), que nos analiza laexistencia de diferencias entre dos poblacio-nes (ignición vs. no ignición) con respecto acada índice de peligro, y 3) el estadístico R2de Nagelkerke, provenientes de ajustes de re-gresión logística aplicados a cada índice, to-mando como variable dependiente laignición de un incendio. Estos estadísticos hansido calculados para los índices “FMCmuerto”, “Estado Hídrico de los Combusti-bles”, “Peligro de Ignición” y “Peligro Inte-grado”. Los resultados obtenidos puedenverse en la Tabla 3.

Distancia deMahalanobis

U Mann-Whitney (Z)

R2L

FMC muerto 0.25053 -6,443 0,015

Estado Hídrico de los combustibles 0.110563 -4,202 0,006

Peligro de Ignición 0.276368 -6,424 0,014

Peligro Integrado 0.232113 -5,967 0,013

Tabla 3.- Resultados obtenidos con la validación de los índices de peligro

Figura 6.- Diagramas de cajas entre incendios y no incendios para la Comunidad de Madrid (verano de 2007): a)FMC muerto, b) Estado hídrico de los combustibles, c) Peligro de Ignición, y d) Peligro integrado.


127

Se observa que en todos los índices existe unadiferencia significativa en los valores en loscasos con incendio respecto a los casos sinincendio. No obstante puede verse que losmejores resultados se obtienen para el FMCMuerto (alta distancia de Mahalanobis, valornormalizado de la U y coeficiente R2L). En laFig. 6 se representan los diagramas de cajaspara los cuatro índices analizados, dondepueden observarse gráficamente las diferen-cias comentadas anteriormente.

Por otro lado, resulta destacable que el Es-tado Hídrico de los Combustibles es el índiceque, en términos generales, peor funciona, in-cluso peor que el peligro integrado, el cual in-cluye aspectos relacionados con lapropagación que no entran en esta valida-ción. Esto puede deberse o bien a una inco-rrecta elección en el método de integraciónentre el FMC muerto y el vivo, o a una falta

de ajuste entre el FMC estimado y el FMC quedebería observarse. Por tanto en futuras inves-tigaciones se tratará tanto la validación delFMC vivo como el ensayo de distintos méto-dos de integración.

AGRADECIMIENTOSEl proyecto Firemap se ha financiado por elMinisterio de Educación y Ciencia (CGL2004-060490C04-01/CLI) a través del programa na-cional de medioambiente y clima. Tambiénagradecemos las sugerencias realizadas porlos usuarios del proyecto: Protección Civil yDGMN de la Comunidad de Madrid, asícomo los servicios forestales de Aragón, Va-lencia y Andalucía.

128


BIBLIOGRAFÍAAguado, I., E. Chuvieco, R. Boren, y H. Nieto(2007). Estimation of dead fuel moisture con-tent from meteorological data in Mediterra-nean areas. Applications in fire dangerassessment. International Journal of WildlandFire 16: 390-397.

Andrews, P. L. y C.H. Chase (1990). The BE-HAVE Fire Behavior Prediction System. TheCompiler 8: 4-9.

Bradshaw, L., J. Deeming, R.E. Burgan y J.Cohen (1983). The 1978 National Fire-DangerRating System: Technical Documentation 44.Ogden, Utah: USDA, Forest Service

Carvacho, L. (1998). Evaluación de la estima-ción de grandes incendios forestales en lacuenca mediterránea europea por redesneuronales y regresión logística. Serie Geográ-fica 7: 73-85.

Ceccato, P., N. Gobron, S. Flasse, B. Pinty y S.Tarantola (2002). Designing a spectral index toestimate vegetation water content from re-mote sensing data: Part 1 Theoretical appro-ach. Remote Sensing of Environment 82:188–197.

Chuvieco, E. (2003). Wildland Fire Danger Esti-mation and Mapping. The Role of RemoteSensing Data. Singapore: World Scientific Pu-blishing

Chuvieco, E., B. Allgöwer y F.J. Salas (2003). In-tegration of physical and human factors in firedanger assessment. Wildland Fire Danger Esti-mation and Mapping. The Role of Remote

Sensing Data (E. Chuvieco, Ed.). Singapore:World Scientific Publishing: 197-218.

Chuvieco, E., I. Aguado y A.Dimitrakopoulos(2004a). Conversion of fuel moisture contentvalues to ignition potential for integrated firedanger assessment. Canadian Journal of Fo-rest Research 34 (11): 2284-2293.

Chuvieco, E., D. Cocero, D. Riaño, M.P. Martín,J. Martínez-Vega, J. de la Riva y F. Pérez(2004b). Combining NDVI and Surface Tem-perature for the estimation of live fuel moisturecontent in forest fire danger rating. RemoteSensing of Environment 92: 322–331.

Chuvieco, E. y M.P. Martín (2004). Nuevas Tec-nologías para la estimación del riesgo de in-cendios forestales. Madrid: Consejo Superiorde Investigaciones Científicas

Chuvieco, E., G. Ventura, M.P. Martín y I.Gomez (2005). Assessment of multitemporalcompositing techniques of MODIS and AVHRRimages for burned land mapping. RemoteSensing of Environment 94: 450 – 462.

Dennison, P. E., D.A. Roberts, S.R. Thorgusen,J.C. Regelbrugge, D. Weise y C. Lee (2003).Modeling seasonal changes in live fuel mois-ture and equivalent water thickness using acumulative water balance index. RemoteSensing of Environment 88: 442-452.

DGB (Dirección General de Biodiversidad)(2006). Los incendios forestales en España.Madrid, Ministerio de Medio Ambiente

Di Bella, C. M., E.G. Jobbágy, J.M. Paruelo yS.D. Pinnock (2006). Continental fire density in


129

South America. Global Ecology and Biogeo-graphy 15: 192-199.

Díaz-Avalos, C., D.L. Peterson, E. Alvarado,S.A. Ferguson y J.E. Besag (2001). Space–timemodelling of lightning-caused ignitions in theBlue Mountains, Oregon. Canadian Journal ofForest Research 31: 1579-1593.

Dissing, D. y D.L. Verbyla (2003). Spatial pat-terns of lightning strikes in interior Alaska andtheir relations to elevation and vegetation.Canadian Journal of Forest Research 33: 770-782.

García, M., I. Aguado y E. Chuvieco (2008).Combining AVHRR and meteorological datafor estimating live fuel moisture content in fo-rest fire danger rating. Remote Sensing of En-vironment in review

Gitelson, A., J.Y. Kaufmam, R. Stark y D. Rund-quist (2002). Novel algorithms for remote esti-mation of vegetation fraction. RemoteSensing of Environment 80: 76-87.

Gómez, M. y J.I. Barredo (2006). Sistemas de in-formacion geografica y evaluacion multicriterioen la ordenacion del territorio. Madrid, RA-MA.

Hunt, E. R. y B.N. Rock (1989). Detection of chan-ges in leaf water content using near and mid-dle-infrared reflectances. Remote Sensing ofEnvironment 30: 43-54.

Kasischke, E. S. y M.R. Turetsky (2006). Recentchanges in the fire regime across the NorthAmerican boreal region - Spatial and temporalpatterns of burning across Canada and Alaska.Geophysical Research Letters 33: 1-5.

Knyazikhin, Y., J. Glassy, J.L. Privette, Y. Tian, A.Lotsch, Y. Zhang, Y. Wang, J.T. Morisette, P. Vo-tava, R.B. Myneni, R.R. Nemani y S.W. Running(1999). MODIS Leaf Area Index (LAI) And Frac-tion Of Photosynthetically Active Radiation Ab-sorbed By Vegetation (FPAR) Product (MOD15).Algorithm Theoretical Basis Document.

Latham, D. J. y J.A. Schlieter (1989). Ignitionprobabilities of wildland fuels based on simula-ted lightning discharges 16. Ogden, UT: U. S.Department of Agriculture, Forest Service, In-termountain Research Station

Latham, D. J. y E. Williams (2001). Lightning andforest fires. Forest fires. Behavior and ecologicalaspects (E. A. Johnson y K. Miyanishi, Eds.). SanDiego, California: Academic Press: 375-418.

Mann, H. B. y D.R. Whitney (1947). On a Test ofWhether One of two Random Variables Is Sto-chastically Larger Than the Other. Annals ofMathematical Statistics 18: 50-60.

Martín, S., E. Martínez y J.M. Pérez (2002). Op-timization of resources management in wild-fire combat. Environmental Management 30:352-336.

Martínez, J., M.P. Martín y J. Martínez-Vega(2004). El Factor Humano en los Incendios Fo-restales: análisis de factores socio-económi-cos relacionados con la incidencia deincendios forestales en España. Nuevas Tec-nologías para la Estimación del Riesgo de In-cendios Forestales (E. Chuvieco y M. P. Martín,Eds.). Madrid: Colección de Estudios Ambien-tales del Consejo Superior de InvestigacionesCientíficas: 101-142.

130


Nelson, R. M. (2001). Water Relations of ForestFuels. Forest fires : behavior and ecological ef-fects (E. A. Johnson y K. Miyanishi, Eds.). SanDiego, Calif.: Academic Press: 79-149.

Pyne, S. J. (2001). The Fires This Time, and Next.Science 294: 1005-1006.

Rorig, M. L. y S.A. Ferguson (2002). The 2000Fire Season: Lightning-Caused Fires. Journal ofApplied Meteorology 41: 786-791.

Rouse, J. W., R.W. Haas, J.A. Schell, D.H. Dee-ring y J.C. Harlan (1974). Monitoring the vernaladvancement and retrogradation (Green-wave effect) of natural vegetation. Green-belt, MD. USA: NASA/GSFC

Simard, A. J. (1968). The moisture content offorest fuels - A review of the basic concepts47. Ottawa, Ontario: Forest Fire Research Insti-tute

Tarantola, A. (2005). Inverse Problem Theoryand Methods for Model Parameter Estimation.Philadelphia, Society for Industrial and Ap-plied Mathematics.

Van Wagner, C. E. (1987). Development andstructure of the Canadian Forest Fire WeatherIndex System 48. Otawa: Canadian Forest Ser-vice

Vasconcelos, M. J. P., S. Silva, M. Tomé, M.Alvim y J.M.C. Pereira (2001). Spatial predic-tion of fire ignition probabilities: comparing lo-gistic regression and neural networks.Photogrammetric Engineering and RemoteSensing 67: 73-83.

Vélez, R. (2000). La defensa contra incendiosforestales. Fundamentos y experiencias. Ma-drid, McGraw-Hill. Interamericana de EspañaS.A.U.

Vélez, R. (2004). Europe: Development and fire. IIInternational Symposium on Fire Economics, Plan-ning and Policy: A Global Vision, Córdoba: 6 pp.Vermote, E. F. y A. Vermeulen (1999). Atmosphericcorrection algorithm: Spectral Reflectances(MOD09) 109 pp: NASA

Vilar, L. (2006). Empleo de regresión logísticapara la obtención de modelos de riesgo hu-mano de incendios forestales. XII CongresoNacional de Tecnologías de la InformaciónGeográfica, Granada: CdRom

Westerling, A. L., H.G. Hidalgo, D.R. Cayan yT.W. Swetnam (2006). Warming and earlierspring increase western US forest wildfire acti-vity. Science 313: 940-943.

Whitlock, C. (2004). Land management - Fo-rests, fires and climate. Nature 432: 28-29.

Wotton, B. M. y D.L. Martell (2005). A lightningfire occurrence model for Ontario. CanadianJournal of Forest Research 35: 1389-1401.

Yebra, M., E. Chuvieco y D. Riaño (2008). Esti-mation of live Fuel Moisture Content fromMODIS images for fire risk assessment. Agricul-tural and Forest Meteorology 148: 523-536.

Serie Geográfica - Profesora María de los Ángeles Díaz ...

Documents

Transcript of Serie Geográfica - Profesora María de los Ángeles Díaz ...