Recursos naturales renovables

 

Modelado espacial para peligro de incendios forestales con predicción diaria en la cuenca del río Balsas

 

Territorial modeling for danger of wildfires with daily prediction in the Balsas River basin

 

Aleida Y. Vilchis-Francés^1*, Carlos Díaz-Delgado¹, Dolores Magaña-Lona², Khalidou M. Bâ¹, Miguel Á. Gómez-Albores¹

 

¹ Centro Interamericano de Recursos del Agua (CIRA), Facultad de Ingeniería, Universidad Autónoma del Estado de México (UAEM). Carretera Toluca-Atlacomulco km. 14.5, Unidad San Cayetano. 50200. Toluca, Estado de México, México. *Autor responsable. (ayvilchisf@uaemex.mx).

² Facultad de Geografía, Universidad Autónoma del Estado de México (UAEM). Cerro de Coatepec, Ciudad Universitaria s/n, 50130. Toluca, Estado de México.

 

Recibido: enero, 2014.
Aprobado: abril, 2015.

 

Resumen

La cuenca del río Balsas es una zona con disponibilidad hídrica limitada, sin embargo exporta anualmente 490 hm³ de agua a la cuenca del Valle de México por medio del sistema Cutzamala. Si los bosques de esta cuenca se deterioran, los recursos hídricos disminuirán y en consecuencia su volumen exportado también, por lo cual se debe identificar factores que favorecen la probabilidad de ocurrencia de incendios forestales en la cuenca. Así, podrá intervenirse de manera preventiva en el manejo de estos fenómenos para aminorar la vulnerabilidad y deterioro de los recursos en la región. De manera equilibrada, los incendios forestales son necesarios para el restablecimiento natural de los ecosistemas, pero su frecuencia ha aumentado por causas antropógenas y la dinámica climática. El objetivo de este estudio fue construir un modelo de regresión logística para la detección diaria de zonas con peligro de incendios forestales. Esta propuesta consideró variables topográficas, meteorológicas y antropógenas para el periodo de 2006 a 2009. Los resultados proporcionaron una efectividad espacial y temporal mayor a 86 %. Una escala de peligro (bajo, moderado, alto y muy alto) fue propuesta de acuerdo con su probabilidad de ocurrencia. En el análisis, más de 85 % de los incendios ocurridos diariamente tuvieron categoría de alto y muy alto peligro de ignición. El mayor peligro se encontró en las cuencas de captación de las presas Valle de Bravo, Colorines-Chilesdo e Ixtapan del Oro, del sistema Cutzamala. Los resultados de este estudio sugieren que la metodología puede usarse para mejorar sistemas de alerta contra incendios y complementar el diseño de ubicación estratégica de centros de mando, campamentos, torres-observatorio, y prioridades para equipamiento.

Palabras clave: Manejo del fuego, probabilidad de ocurrencia de incendios, regresión logística, sistema Cutzamala.

 

Abstract

The Balsas River basin is an area with limited water availability; however, it annually exports 490 hm³ of water to the Valley of Mexico basin through the Cutzamala system. If the forests of this basin deteriorates, the water resources will also diminish and consequently its exported volume will be at risk. For these reasons it is necessary to identify factors that favor the likelihood of fire occurrence in the forest of this basin. In this way, actions can be taken in a preventive manner to manage these phenomena in order to minimize the vulnerability and deterioration of the resources in the region. In a balanced manner, forest fires are necessary for the natural restoration of the ecosystems, nevertheless their frequency has increased by anthropogenic causes and climate dynamics. The objective of this study was to build a logistic regression model for the daily detection of areas with forest fire hazard. This proposal took into account topographic, meteorological and anthropogenic variables for the period from 2006 to 2009. The results provided a spatial and temporal effectiveness larger than 86 %. A risk scale (low, moderate, high and very high) was proposed in accordance with its probability of occurrence. In the analysis, more than 85 % of the fires had a daily category of high or very high risk of ignition. The greatest danger was found in the dams catchment areas of the Valle de Bravo, Colorines-Chilesdo and Ixtapan del Oro, of the Cutzamala system. The results of this study suggests that the methodology can be used to improve early warning systems against fires and complement the design of the strategic location of command centers, camps, watchtowers, as well as priorities for equipment.

Key words: Fire management, probability of fire occurrence, logistic regression, Cutzamala system.

 

INTRODUCCIÓN

La región hidrológica del río Balsas tiene una extensión equivalente a 6 % del total nacional, tiene una disponibilidad natural de agua de 2 092 m³ por habitante al año, por lo cual se considera una región con disponibilidad baja y reserva escasa; sin embargo, anualmente se exporta alrededor de 490 hm³ de agua hacia la cuenca del Valle de México (CONAGUA, 2010). Este caudal es cerca de 1100 m y se conduce por una red de acueductos de 127 km, a través del conjunto de obras hidráulicas sistema Cutzamala (CONAGUA, 2005). Este sistema pertenece al área de Ordenamiento Ecológico Región Mariposa Monarca y tiene siete presas: Tuxpan y el Bosque, ubicadas en el estado de Michoacán, y Chilesdo, Colorines, Ixtapan del Oro, Valle de Bravo y Villa Victoria, en el Estado de México (INE, 2009). Durante el periodo de 1999 a 2009, el agua suministrada por el sistema Cutzamala fue mayor a 15 m³ s^-1, pero de 2006 a 2009 este caudal disminuyó (CONAGUA, 2009). Por lo tanto, si esta cuenca se deteriora en cualquier forma y en particular en su cobertura forestal, se espera que los recursos naturales disminuyan y, por consecuencia, se reduzca la capacidad proveedora de agua para la Zona Metropolitana de la Ciudad de México. Lo anterior implicaría que en el corto y mediano plazo se generen problemas ecológicos, sociales, económicos y de salud en la ciudad más poblada del país y regiones aledañas.

Por lo anterior, este estudio se orientó hacia la identificación de posibles agentes que favorecen la probabilidad de ocurrencia de incendios forestales en la región de análisis. Con ello, podrá intervenirse de manera preventiva en el manejo de estos fenómenos para aminorar el deterioro de los recursos naturales en la cuenca. Además, según la CONAFOR (2014), el Estado de México es una de las regiones con más incendios cada año (de 1995 a 2013), pero el área afectada en promedio no supera las 4 ha por evento. Esto refuerza la necesidad de identificar con anticipación la probabilidad de ocurrencia de estos incendios para proteger los recursos forestales y, por tanto, la cantidad y calidad de los recursos hídricos de la región.

Los incendios forestales se deben a factores naturales, como rayos, volcanes, tornados, ciclones (Arnaldos et al., 2004), pero primordialmente por factores antropógenos como cambio de uso del suelo, prácticas agrícolas o de turismo (Carrillo et al., 2012). Cada uno de estos factores, o su combinación, tiene gran influencia en el riesgo de incendios (Bonazountas et al., 2007). Además, características ambientales y topográficas como la temperatura, viento, radiación solar, precipitación, pendiente y orientación de laderas, determinan el comportamiento, la probabilidad de ocurrencia y la superficie afectada por los incendios forestales (Pyne et al., 1996). Por ejemplo, a mayor temperatura los combustibles como los pastos y matorrales pierden humedad (Ruiz y Reyes, 2005), la velocidad y dirección del viento favorece la deshidratación de combustibles e incide en el comportamiento del fuego (Ayala y Olcina, 2002), y una pendiente abrupta facilita el aumento de la velocidad del viento y la formación de corrientes de convección. La orientación de una ladera está relacionada con la cantidad de insolación que reciben los combustibles, lo cual se manifiesta en la humedad del ambiente y en el contenido de humedad de estos materiales (Villers, 2006).

La precipitación en las zonas boscosas es la fuente principal de la humedad contenida en el suelo, aire y en los combustibles, por lo cual la temporada de incendios forestales está vinculada de manera fuerte con la temporada de estiaje. De acuerdo con Bonazountas et al. (2007), la tasa de pérdida de humedad también está determinada por la radiación solar, temperatura, pendiente y orientación de laderas. Con base en el régimen de lluvia mensual en México, el periodo de febrero a abril es el más seco del año (CONAGUA, 2010), por lo cual durante esos meses los periodos de déficit de humedad son más largos que en cualquier otra época del año y los combustibles propician el inicio y desarrollo de incendios de alta severidad (CONAFOR, 2012).

Los incendios forestales son parte del proceso natural de regeneración y limpieza del ambiente, pero la intervención de los humanos desequilibra este proceso y pone en riesgo los recursos naturales de su entorno (Martín et al., 1998). Respecto a las causas de los incendios destaca la vinculación con las actividades agrícolas sin control (Vilar, 2006), como la quema de parcelas para preparación del terreno de la siguiente siembra. Estas prácticas son habituales y con frecuencia se pierde el control por el cambio imprevisto de dirección del viento (PROBOSQUE, 2010). Además, según Carrillo et al. (2012), la distancia a las vialidades es un factor humano vinculado con la ocurrencia y propagación de incendios forestales. Cerca de estas vías de comunicación, los fumadores arrojan fósforos o cigarros encendidos, se hacen fogatas, existen líneas eléctricas susceptibles a caerse o que rozan los árboles, hay accidentes vehiculares, se generan chispas en vehículos o maquinaria, se da mantenimiento a bordes carreteros y quema de basura (MMA, 1997).

El Estado de México tiene el Programa Operativo de Prevención y Combate de Incendios Forestales y el Programa de Desarrollo Forestal Sustentable (de la Secretaría del Medio Ambiente estatal), pero las afectaciones continúan cada año. Además, las presiones económicas y sociales a las cuales está sometido el recurso forestal, colocan a las acciones de manejo y conservación en desventaja ante su continuo aprovechamiento y sobreexplotación (PROBOSQUE, 2010). Por lo anterior, se requiere diseñar metodologías que permitan alertar, mitigar, controlar o detener la pérdida de recursos forestales, lo cual se puede obtener mediante el diseño de herramientas de apoyo en la toma de decisiones para la alerta y prevención de incendios no deseados. La hipótesis para este estudio fue que las variables meteorológicas, topográficas y antropógenas determinan el peligro de incendio y es posible construir un modelo probabilístico a partir de tales variables explicativas. Por lo tanto, el objetivo de esta investigación fue construir un modelo dinámico de regresión logística a escala diaria para detección de zonas de peligro de incendios en la cuenca del río Balsas, Estado de México.

 

MATERIALES Y MÉTODOS

Área de estudio

La zona de análisis para aplicación del método propuesto es la cuenca del río Balsas, Estado de México, con énfasis en la región del sistema Cutzamala. La región de la cuenca Balsas está entre 19° 39' 04" y 18° 22' 24" N y 100° 35' 07" y 98° 36' 25" O. Su superficie es 8740 km², hay 33 municipios y una población cercana a 900 000 habitantes (INEGI, 2012). La precipitación media es mayor a 1000 mm anuales (CONAGUA, 2010). De acuerdo con el uso de suelo en las cuencas del sistema Cutzamala, poco más del 50 % de sus áreas de captación tienen cobertura vegetal natural (Cuadro 1), por lo cual se enfatiza la importancia del cuidado forestal de la zona.

Información y bases de datos disponibles

En este estudio se usaron 2821 celdas con tamaño 1.8X1.8 km de lado para cubrir la superficie estatal de la cuenca Balsas. De acuerdo con la información diaria de incendios, el periodo de análisis abarcó de enero a junio del 2006 al 2009; el último año fue solo para validar el método. Con el propósito de formar la base de datos de precipitación diaria que usa el método de cálculo para déficit de humedad, se ocuparon datos de 117 estaciones pluviométricas desde 1962 a 2009 (CONAGUA, 2012a).

Las estadísticas de los incendios forestales en la región fueron obtenidas de PROBOSQUE (2010). Su temporada es de enero a junio, con énfasis en marzo y abril; de manera predominante los incendios se inician entre las 12:00 y 15:00 h, en las horas de mayor insolación, y el 83 % duran menos de 5 h. El área afectada de los 1150 incendios registrados en el periodo de análisis fue 4004 ha, de los cuales 87 % fueron iguales o menores a 4 ha. En la región, el bosque de pino (Pinus douglasiana Martínez, P. devoniana Lindl., P. montezumae Lamb., P. pseudostrobus Lindl. y P. teocote Schiede ex. Schltdl. & Cham.) es el más afectado por los incendios (50 %), seguido por los bosques de encino (Quercus rugosa Née, Q. macrophylla Née, Q. crassipes Humb. & Bonpl., Q. elliptica Née, Q. acutifolia Née y Q. castanea Née) con 28 %, y oyamel (Abies religiosa Kunth Schltdl. & Cham.) con 13 %. El combustible en la cuenca fue estimado por Magaña (2012)^[3] de acuerdo con el modelo National Fire Danger Rating System (NFDRS) de EE.UU. y en concordancia con las características de los bosques mexiquenses según Nava et al. (2010). Entonces, la carga de combustibles superficiales para el bosque de pino es 29.7 t ha^-1, para el bosque mesófilo de montaña (Cornus disciflora Sessé & Moc., Garrya laurifolia Benth., Meliosma dentata (Liebm.) Urban, Oreopanax xalapensis (Kunth) Decne. & Planch. y Q. laurina Bonpl.) es 12.3 t ha^-1, y para los bosques de encino y oyamel es 8.6 t ha^-1.

Identificación de regiones homogéneas

Este estudio propone realizar el análisis de probabilidad de ocurrencia de incendios tomando en cuenta la superficie afectada, por medio de una clasificación del terreno con respecto a la coincidencia de varias características. Esta clasificación de coincidencias espaciales se denominó regiones homogéneas. Las variables más importantes que facilitaron la identificación de las regiones homogéneas se obtuvieron mediante la técnica de análisis de componentes principales (ACP), el cual es un módulo integrado en el programa Idrisi (Eastman, 2012). Las variables para identificación de regiones homogéneas fueron: topográficas, geográficas, cobertura vegetal, climatológicas y características propias de incendios (Cuadro 2).

El proceso de análisis para su identificación inició con todas las variables independientes, se obtuvo el nivel de significancia del grupo por ACP, se eliminó la variable que presentó mayor correlación con alguna otra de las variables consideradas y se realizó el ACP para obtener el nivel de significancia del nuevo grupo de variables independientes. El proceso continuó hasta agotar las combinaciones de variables, y fue seleccionada la mejor significancia y el menor número de las mismas (Vilchis et al., 2012).

Construcción del modelo a nivel diario

Un modelo de regresión logística fue construido y con él se predijo diariamente la probabilidad de ocurrencia espacial y la superficie afectada de los incendios en la zona de estudio. Este tipo de modelos contiene una variable dependiente explicada a través de variables independientes; la variable dependiente se define como la respuesta observada por la influencia de otras variables (Hosmer y Lemeshow, 2000). Este tipo de modelo (1) se usa con éxito en investigaciones para análisis del peligro de incendios (Martínez et al., 2004: Vilar, 2006; Madrigal et al., 2007; Pacheco et al., 2009).

donde P es la probabilidad de ocurrencia de la variable dependiente, β₀ es la constante de la regresión, y β_k, son factores de ponderación de las variables independientes x_k, (de k=1 hasta el número total de variables independientes k por ingresar al modelo). Para evaluar la validez espacial entre imágenes de un modelo de regresión logística, el programa Idrisi proporciona un coeficiente de ajuste llamado ROC (Relative Operating Characteristic). Si ROC= 1, muestra una asociación perfecta entre las variables analizadas y si ROC< 0.5, muestra un ajuste aleatorio entre las variables (Pontius, 2000). Para comprobar la efectividad del método se verificó que como mínimo 80 % de los resultados del modelo coincidieran con los datos reales del año de validación y solo así fue aceptado.

De manera complementaria, para cada variable se realizó el análisis de la razón de momios (OR, odds ratio) (2), su probabilidad de ocurrencia y el grado de significancia en la generación de un incendio forestal para la zona de estudio.

donde a es el número de incendios con la variable presente, b es el total de posibilidades de incendio con la variable presente, c es el número de incendios sin la variable presente, y d es el número de posibilidades de incendio sin la variable presente (Kahn y Sempos, 1989). Si OR>1, la variable está asociada con los incendios. Con OR=1 los incendios se presentarán con o sin la variable presente. Una OR<1 implica que la variable no está asociada con el evento.

La expresión (3) tiene como finalidad identificar la probabilidad de asociación del incendio con el factor de riesgo.

donde P_OR es la probabilidad de ocurrencia del momio.

Los intervalos de confianza permiten establecer si una asociación es estadísticamente significativa (Kahn y Sempos, 1989), para lo cual la desviación estándar se expresa con (4):

Para calcular los intervalos de confianza de los momios se emplea la expresión (5)

donde IC95% es el intervalo de confianza al 95 %, e representa el número de Euler, con valor de 2.718, Z= 1.96 es el valor crítico de la distribución normal estandarizada para el intervalo de confianza del 95 %, y σ es la desviación estándar calculada por (4).

Variables explicativas

Para este estudio se consideraron características de incendios y variables de tipo meteorológicas, antropógenas, topográficas y de suelos (déficit de humedad, velocidad de viento, distancia a carreteras, latitud, longitud, pendiente, orientación de ladera, y cobertura de suelo). Las variables elegidas fueron analizadas mediante ACP (similar al usado para creación de zonas homogéneas). Aquellas que agrupadas aportaron mayor significancia como porcentaje de varianza total (89.7 %) se describen a continuación.

Variables meteorológicas

Viento. Chuvieco et al. (2010) y Carrillo et al. (2012) coinciden en que esta variable es una de las más importantes en la afectación por incendios. Los datos usados corresponden a los de la velocidad máxima mensual registrada en los observatorios sinópticos de: Chapingo, México-D.F., Morelia, Pachuca, Puebla, Querétaro, Tlaxcala, Toluca y Tulancingo (CONAGUA, 2012b). La información anterior fue interpolada para cada mes, se promedió para el periodo de déficit de humedad y se obtuvo la imagen correspondiente con el programa Idrisi.

Déficit de humedad. El periodo de días consecutivos con déficit de humedad fue considerado y éste depende sólo de la precipitación. Esta variable fue estimada por medio del índice de sequía efectiva propuesto por Byun y Wilhite (1999). El cálculo comienza por evaluar la reducción diaria de la precipitación (EP_i) en el tiempo (6), con una longitud mínima de registro de 30 años (para este caso el periodo de 1962 a 2009).

donde EP_i es la precipitación efectiva diaria en milímetros, P_m es la precipitación de los n días anteriores (m va desde 1 hasta n) e, i es el día de análisis (para este estudio se tomó n= 15; por ejemplo, para calcular la precipitación efectiva del día 25 de enero, EP₂₅, se tomó como la reducción de la precipitación de 15 días anteriores a esa fecha). Después, se obtiene la desviación de EP_i con respecto a su media (MEP_i) y luego se estandariza la EP_i (7 y 8).

donde DEP_i es la desviación de EP_i respecto a MEP_i, SEP_i es la precipitación estandarizada de EP_i, y Std (EP_i ) es la desviación estándar de la serie de observaciones para cada día de EP_i. A partir de la SEP_i se obtiene la suma de los días con valores de SEP_i negativos y consecutivos como el periodo con déficit de humedad. Finalmente, de acuerdo con el número de días consecutivos con déficit de EP_i estandarizada para cada periodo, se obtiene la duración de cada periodo con déficit de humedad en la zona de análisis (denominado a partir de esta sección como CNS, por sus siglas Consecutive days of Negative SEP). Esta variable permite evaluar la disminución de la humedad debida a la falta de precipitación a lo largo del periodo considerado (Vilchis et al., 2012).

Variables antropógenas

Distancia a vialidades. Con esta variable se tomaron en cuenta algunas de las causas humanas que provocan incendios en la cuenca, como la vinculación estrecha con las actividades agrícolas (35 %), actividades turísticas de paseantes (17 %) y actividades forestales (11 %). Estas actividades antropógenas causantes de incendios fueron consideradas en distinta medida con la variable distancia a vialidades. La infraestructura vial del Estado de México incluye 732 km de vías primarias, 5705 km de vías secundarias y 7780 km de caminos rurales (INEGI, 2010). En este estudio se usó una distancia de 500 m a cada lado del eje de las vías carreteras, como potencial influencia significativa para la ignición de incendios. Al respecto, 31 % de los eventos estaban dentro del intervalo de 0 a 500 m en el 2006, 35 % en el 2007, 47 % en el 2008 y 41 % en el 2009. La influencia del hombre en la ocurrencia y propagación de incendios fue analizada y corroborada por Vega et al. (1995) y Carrillo et al. (2012).

Variables topográficas

Estas variables corresponden a la pendiente y a la orientación de laderas y fueron obtenidas directamente de la imagen digital de elevación de la región por medio del programa Idrisi. Estas variables fueron usadas con éxito como factores facilitadores de la ignición y propagación de incendios por Ruiz y Reyes (2005), Villers (2006) y Bonazountas et al. (2007).

Las variables seleccionadas para explicar la probabilidad de ocurrencia de incendios forestales tienen magnitudes y unidades diversas. Para que el modelo de regresión logística no otorgara más peso a las variables con mayor magnitud, se homogeneizaron las escalas de cada una de éstas con valores de 0 a 1. El valor de 1 fue para las magnitudes de cada variable que más afectan la probabilidad de ocurrencia de incendios en la zona de estudio (Cuadro 3). El proceso para homogeneizar las escalas de las variables explicativas se propuso de manera lineal con la utilización del módulo integrado para tal fin en el programa Idrisi.

Variable de respuesta a modelar

La variable dependiente o de respuesta fue identificada como la superficie afectada por incendios forestales en cada una de las celdas de análisis. Esta variable se eligió porque más de 80 % de los eventos en el periodo de estudio tuvieron un área menor a 4 ha. La variable dependiente es considerada de tipo dicotómica (Hosmer y Lemeshow, 2000), en la cual se asigna el valor de 1 para la probabilidad de ocurrencia de incendio con afectación menor a 4 ha y 0 en cualquier otro caso. Todas las investigaciones consultadas tomaron en cuenta solo la probabilidad de ocurrencia o no del incendio. De forma adicional a la presencia de los incendios de hasta 4 ha, en esta propuesta se consideró la superficie afectada por estos fenómenos.

 

RESULTADOS Y DISCUSIÓN

Para la región de estudio, las características con más influencia en la agrupación de regiones homogéneas por medio del ACP fueron cobertura de suelos, tipo de combustible, CNS y latitud. La varianza explicada en conjunto por estas variables fue mayor a 99 % de acuerdo con el ACP efectuado, por lo cual se seleccionó este conjunto de variables para la definición de zonas homogéneas. Tres regiones homogéneas fueron identificadas: Zona 1 para bosque de encino (Z1), zona 2 para bosque mesófilo (Z2), y zona 3 para bosque de pino (Z3), correspondientes cada una a las cargas de combustible de 8.6 t ha^-1, 12.3 t ha^-1 y 29.7 t ha^-1, respectivamente. Además, como contribución original de esta propuesta metodológica, se presentaron tres ecuaciones para detectar de manera dinámica (diaria) las celdas con peligro de incendios en la cuenca del río Balsas del Estado de México (Cuadro 4).

El estudio, con actualización diaria, detectó las condiciones propicias para la ocurrencia de incendios y la superficie afectada para el periodo de análisis de 2006 a 2008. Los valores del proceso de validación para el 2009 se muestran en el Cuadro 5, y se observa que la eficiencia de asertividad global del modelo fue 86.3 %, el cual se obtuvo como la ponderación de las tres zonas de análisis en función del número de incendios ocurridos. Para seleccionar las variables que explicaran la probabilidad de ocurrencia de incendio forestal, se tomó en cuenta el resultado del ACP efectuado. Las variables CNS, pendiente, orientación de laderas, viento y distancia a las vialidades, fueron suficientes para explicar la superficie afectada del incendio en la región de análisis (se obtuvo la mayor explicación de la varianza por el conjunto de estas variables con el 89.7 % de la varianza total).

Una categoría de peligro de incendios fue establecida de acuerdo con el resultado de su probabilidad de ocurrencia (P) en el periodo de análisis. Los intervalos de estas categorías se definieron en función al porcentaje acumulado de observaciones de los años de estudio. Estos datos se ordenaron de menor a mayor para proponer cuatro intervalos de probabilidad de ocurrencia. La categoría "bajo" fue para 5 % de los datos con P≤0.30; la categoría de peligro "moderado" para 15 % acumulado de datos con P entre 0.30 a 0.50; las categorías de peligro "alto" y "muy alto" con 30 % y mayor a 50 % de datos acumulados y probabilidades de ocurrencia P de 0.50 a 0.75 y P≥0.75, respectivamente. De acuerdo con el número de eventos ocurridos de 2006 a 2008, más de 70 % de los incendios tuvieron categoría de peligro alta o muy alta (Cuadro 6), debido a la simultaneidad de los valores de las variables más favorables para la probabilidad de ocurrencia de incendios en los sitios de análisis.

El mayor peligro se encontró en los municipios de Temascaltepec y Coatepec Harinas, así como en las subcuencas del sistema Cutzamala (Figura 1), correspondientes a las presas Valle de Bravo, Colorines-Chilesdo e Ixtapan del Oro (en los municipios de Valle de Bravo, Donato Guerra y Villa de Allende). Las categorías más bajas de peligro de incendios se presentaron en la zona sur, suroeste y este de la región de estudio, correspondiente a los municipios de Tejupilco, Atlautla y Ecatzingo (Figura 1).

El método presentado por Carrillo et al. (2012) usando un modelo de regresión logística fue una buena aproximación de la probabilidad de ocurrencia de incendios forestales para el estado de Puebla, en función de las condiciones meteorológicas, antropógenas y topográficas que favorecen estos fenómenos. Sin embargo, es un modelo estático, a diferencia del modelo presentado en nuestro estudio. La diferencia primordial es que este modelo facilita la integración del déficit de humedad de manera diaria, por lo cual es un modelo dinámico de predicción que puede identificar los sitios con alta probabilidad de ocurrencia de incendios forestales (P>0.75).

Como prueba de la hipótesis planteada, este estudio tomó en cuenta el análisis de razón de momios y sus intervalos de confianza para determinar la significancia de las variables explicativas del modelo. Esta significancia se presenta si OR y sus dos límites de confianza son mayores de 1 (Kahn y Sempos, 1989). Como se muestra en la Figura 2, las variables con mayor significancia individual fueron CNS y distancia a vías de comunicación. Sin embargo, la combinación de las cinco variables explicó más del 89.7 % de la varianza del fenómeno y las características funcionales para la probabilidad de ocurrencia de incendio (de acuerdo con el análisis de ACP efectuado).

De manera particular, para Z1 que representó bosques de encino y oyamel, las variables que más significancia individual aportaron para la presencia de incendios forestales de hasta 4 ha fueron: CNS, orientación de ladera y distancia a vialidades (Figura 2). Esto se explica por la orientación sur de las laderas, con mayor déficit de humedad en el suelo y los combustibles forestales están más secos. Además, en la zona sur del Estado de México hay una mayor densidad de caminos rurales, brechas y carreteras, las cuales pueden aumentar la probabilidad de ocurrencia de incendios forestales.

Como se observa en el Cuadro 4, el coeficiente CNS dentro del modelo logístico para esta zona tuvo influencia negativa; pero Pacheco et al. (2009) y Carrillo et al. (2012) reportan una influencia positiva de las variables climáticas. Esta última condición sí concuerda con la variable velocidad del viento, que en nuestro modelo presentó el mayor coeficiente con magnitud positiva, con un valor de 12.42 (Cuadro 4). Para la variable pendiente de laderas, este modelo logístico mostró influencia negativa (–3.33; Cuadro 4), aunque según Villers (2006) y Bonazountas et al. (2007) esta variable influye positivamente en la probabilidad de ocurrencia de incendios. Una razón para esta discrepancia en la variable pendiente sería que en los pixeles de esta zona no hay pendientes del terreno mayores a 5.4°. Finalmente, el modelo logístico (Cuadro 4) también atribuye una influencia negativa (–1.42) a las características antropógenas relacionadas con incendios (incluidas en este estudio como distancia a vialidades). El valor negativo del coeficiente asociado con esta variable denota una mayor probabilidad de incendios cuando la distancia a vialidades es menor (de manera inversa que las demás variables, con mayor probabilidad cuando los valores son altos). Por lo tanto, estos resultados no concuerdan con los presentados por Chuvieco et al. (2010) y Carrillo et al. (2012) porque ellos representaron parte de las variables antropógenas como la densidad de caminos y carreteras, y para nuestro estudio se usó la distancia a las vialidades.

Para Z2, el bosque mesófilo, las variables individuales más significativas fueron CNS y distancia a vialidades (Figura 2). Pero de acuerdo con los coeficientes del modelo logístico, las variables orientación de laderas y CNS fueron las únicas que influyeron de manera combinada para la probabilidad de ocurrencia de incendios (Cuadro 4). Esto no significa, de manera necesaria, que las demás variables carezcan de importancia en esta zona, porque no hay una amplia cobertura de este tipo de vegetación en ella (solo hubo 71 pixeles con este tipo de bosque). Por lo tanto, hubo pocas variables significativas en esta zona.

Para Z3 que representó la cobertura de bosque de pino, las variables con más significancia individual fueron CNS, pendiente de laderas, orientación de laderas y distancia a vialidades (Figura 2). De acuerdo con el modelo de regresión logística, hubo una influencia positiva en la probabilidad de ocurrencia de incendios para las variables CNS, pendiente de ladera y velocidad del viento (Cuadro 4). Estas condiciones concuerdan con los resultados de Villers (2006), Bonazountas et al. (2007) y Pacheco et al. (2009). Pero esta zona aportó un coeficiente de influencia negativa (Cuadro 4) para orientación de ladera, lo cual no concuerda con Carrillo et al. (2012). De acuerdo con la variable que integra las características antropógenas relacionadas con incendios forestales, este modelo obtuvo una influencia negativa (Cuadro 4) lo que contrasta con los estudios de Vilar (2006), Villers (2006) y Carrillo et al. (2012), quienes encontraron influencia positiva de factores antropógenas en la probabilidad de ocurrencia de incendios forestales. Una razón para esta diferencia sería que en nuestro estudio se otorga más peso si la distancia a las vialidades es menor.

Aunque las razones de momios fueron significativas para algunas de las variables explicativas en la zona de estudio, su combinación en el modelo de regresión logística mostró que puede aumentar la probabilidad de ocurrencia de incendios (Figura 2). Es decir, las variables en conjunto aumentaron la probabilidad para que un incendio se presentara porque: 1) CNS estuvo directamente relacionada con un bajo contenido de humedad en los combustibles; 2) las exposiciones que tienden al sur (135° a 225°) reciben más radiación durante el año y la humedad de los combustibles es menor sobre ellas; 3) la pendiente del terreno favoreció la velocidad de propagación de los incendios; 4) la distancia a vialidades estuvo relacionada con riesgo antropógena de incendio; y 5) el viento favorece la propagación de incendios. Por lo tanto, si ocurren las cinco variables simultáneamente, la probabilidad de ocurrencia de incendios es mayor, como mostró el modelo de regresión logística de nuestro estudio para cotejo de la hipótesis. Lo anterior también está en la Figura 2, donde hay una mayor concentración de incendios en los municipios de las subcuencas del sistema Cutzamala (Amanalco, Valle de Bravo, Villa de Allende y Donato Guerra). Estos sitios incluyen laderas con exposición sur, pendientes mayores a 5.4° y en época de estiaje fueron las más secas (mayores valores de CNS). A estas variables se suma la cercanía de carreteras y valores significativos de velocidad de viento, que junto con la combinación de todas las variables produjeron una zona con alta probabilidad de ocurrencia de incendios (P> 0.75).

 

CONCLUSIONES

La hipótesis de este estudio se cumplió y el modelo mostró que las variables analizadas (meteorológicas, topográficas y antropógenas) fueron significativas y suficientes para predecir diariamente la probabilidad de ocurrencia de incendios forestales. Esta metodología tuvo una efectividad de 86.3 % en la cuenca del río Balsas, dentro de los límites del Estado de México. Aunque se tomó en cuenta solamente la superficie afectada menor de 4 ha, el modelo propuesto detectó todos los incendios con superficies afectadas mayores a este umbral de superficie ocurridos en 2009. La categoría de peligro detectado para estos eventos fue de alto y muy alto para más de 75 % de los eventos ocurridos en el año de validación.

 

AGRADECIMIENTOS

Se agradece al Consejo Nacional de Ciencia y Tecnología (CONACyT) el apoyo otorgado bajo la modalidad de beca para estudios de Doctorado en Ciencias del Agua para el primer autor y el proyecto de financiación 248498. A la Universidad Autónoma del Estado de México (UAEM) por el apoyo financiero 38812015M.

 

LITERATURA CITADA

Arnaldos V., J., X. Navalón N., E. Pastor F., y E. Planas C. 2004. Manual de Ingeniería Básica para la Prevención y Extinción de Incendios Forestales. Mundi-Prensa. España. 414 p.         [ Links ]

Ayala C., F. J., y J. Olcina C. 2002. Riesgos Naturales. Ariel Ciencia. España. 1512 p.         [ Links ]

Bonazountas, M., D. Kallidromitou, P. Kassomenos, and N. Passas. 2007. A decision support system for managing forest fire casualties. J. Environ. Manage. 84: 412-418.         [ Links ]

Byun, H. R., and D. A. Wilhite. 1999. Objective quantification of drought severity and duration. J. Climate AMS 12: 2747–2756.         [ Links ]

Carrillo G., R. L., D. A. Rodríguez T., H. Tchikoué, A. I. Monterroso R., y J. Santillán P. 2012. Análisis de peligro espacial de peligro de incendios forestales en Puebla, México. Interciencia 37(9): 678-683.         [ Links ]

CONAFOR (Comisión Nacional Forestal). 2012. Temporada de incendios, alerta ante sequía. http://www.conafor.gob.mx/portal/index.php/component/content/article/6/356. (Consulta: Agosto 2012).         [ Links ]

CONAFOR (Comisión Nacional Forestal). 2014. Información estadística de cierre de incendios forestales. http://www.conafor.gob.mx/web/temas-forestales/incendios/ (Consulta: Noviembre 2014).         [ Links ]

CONAGUA (Comisión Nacional del Agua). 2005. Sistema Cutzamala, agua para millones de mexicanos. Gerencia Regional de Aguas del Valle de México y Sistema Cutzamala. CONAGUA. México. 48 p.         [ Links ]

CONAGUA (Comisión Nacional del Agua). 2009. Estadísticas del Agua de la Región Hidrológico-Administrativa XIII, Aguas del Valle de México. CONAGUA. México. 162 p.         [ Links ]

CONAGUA (Comisión Nacional del Agua). 2010. Estadísticas del agua en la cuenca del río Balsas. CONAGUA. México. 180 p.         [ Links ]

CONAGUA (Comisión Nacional del Agua). 2012a. Comisión Nacional del Agua - Servicio Meteorológico Nacional. Información de estaciones climatológicas normales en México. http://smn.cna.gob.mx/index.php?option=com_content&view=article&id=42&Itemid=75. (Consulta: Enero 2012).         [ Links ]

CONAGUA (Comisión Nacional del Agua). 2012b. Comisión Nacional del Agua - Servicio Meteorológico Nacional. Información de Observatorios Sinópticos de México. http://smn.cna.gob.mx/index.php?option=com_content&view=article&id=29&Itemid=93. (Consulta: Marzo 2012).         [ Links ]

Chuvieco E., I. Aguado, M. Yebra, H. Nieto, J. Salas, M. P. Martín, L. Vilar, J. Martinez, S. Martín, P. Ibarra, J. de la Riva, J. Baeza, F. Rodríguez, J. R. Molina, M. A. Herrera, and R. Zamora. 2010. Development of a framework for fire risk assessment using remote geographic information system technologies. Ecol. Model. 221: 46-58.         [ Links ]

Eastman, J. R. 2012. Idrisi Selva Manual. Clark University. USA. 322 p.         [ Links ]

Hosmer, D. W., and L. Lemeshow. 2000. Applied Logistic Regression. 2nd ed. John Wiley and Sons, Inc. New York. 392 p.         [ Links ]

INE (Instituto Nacional de Ecología). 2009. Priorización y recomendaciones de acciones de conservación en las subcuencas del sistema Cutzamala. Dirección de manejo integral de cuencas. Dirección general de investigación de ordenamiento ecológico y conservación de ecosistemas del Instituto Nacional de Ecología. México. 25 p. http://www.ine.gob.mx/descargas/cuencas/subcuencas_cutzamala.pdf (Consulta: Septiembre 2013).         [ Links ]

INEGI (Instituto Nacional de Estadística, Geografía e Informática). 2010. Anuario Estadístico. Estado de México. INEGI. México. http://www.inegi.org.mx/est/contenidos/espanol/sistemas/aee11/estatal/mex/default.htm. (Consulta: Julio 2013).         [ Links ]

INEGI (Instituto Nacional de Estadística, Geografía e Informática). 2012. Información nacional por entidad federativa. http://www3.inegi.org.mx/sistemas/mexicocifras/ (Consulta: Abril 2012).         [ Links ]

Kahn H. A., and Sempos C. T. 1989. Statistical Methods in Epidemiology. Oxford University Press. New York. pp: 56-63.         [ Links ]

Madrigal O., J., C. Hernando L., M. Guijarro G., y C. Díez G. 2007. El uso de modelos logísticos para la predicción de la regeneración postincendio de pinus pinaster ait.: aplicación al incendio de robledillo de Gata (Sierra de Gata, Cáceres). In: Actas de la II Reunión sobre aspectos prácticos de la Modelización Forestal. Cuadernos de la Sociedad Española de Ciencias Forestales 23: 215-220.         [ Links ]

Martín I., M. P, E. Chuvieco S., e I. Aguado. 1998. La incidencia de los incendios forestales en España. Serie Geográfica (Universidad de Alcalá) 7: 23-36.         [ Links ]

Martínez J., E. Chuvieco, y P. Martín. 2004. Estimación de factores de riesgo humano de ignición en España mediante regresión logística. In: Memorias del Segundo Simposio Internacional Sobre Políticas, Planificación y Economía de los Programas de Protección Contra Incendios Forestales: Una Visión Global. Córdoba España. Abril. USDA Forest Service, General Technical Report PSW-GTR-208. Albany, CA. pp: 281-293.         [ Links ]

MMA (Ministerio del Medio Ambiente). 1997. Taller distrital sobre control y extinción de incendios forestales. Dirección General Forestal y de Vida Silvestre. República de Colombia. Santa Fé Bogotá         [ Links ].

Nava B., G., A. Endara A., H. H. Regil G., C. Estrada V., C. M. Arriaga J., y S. Franco M. 2010. Los Bosques y Selvas del Estado de México. Instituto de Ciencias Agropecuarias y Rurales. Universidad Autónoma del Estado de México. México. 144 p.         [ Links ]

Pacheco C., E., I. Aguado, y H. Nieto. 2009. Análisis de ocurrencia de incendios forestales causados por rayo en la España peninsular. GeoFocus 9: 232-249.         [ Links ]

Pontius, R. G. Jr. 2000. Quantification error versus location error in comparison of categorical maps. Photogrammetric Eng. Remote Sensing 66(8): 1011-1016.         [ Links ]

Pyne, S. J., Andrews, P. L., Laven, R. D. 1996. Introduction to Wildland Fire. 2nd ed. Wiley. New York. 808 p.         [ Links ]

PROBOSQUE (Protectora de Bosques). 2010. Programa de prevención y combate de incendios. México. http://www.edomex.gob.mx/portal/page/portal/probosque/proteccion/incendios. (Consulta: Noviembre 2010).         [ Links ]

Ruiz S., J. D., y F. J. Reyes P. 2005. Geografía Física Aplicada. Serie: Manuales. Universidad de Málaga. España. 505 p.         [ Links ]

Vega G., C., P. M. Woodard, S. J. Titus, W. L. Adamowicz, and B. S. Lee. 1995. A logit model for predicting the daily occurrence of human caused forest fires. Int. J. Wildland Fire 5(2): 101-111.         [ Links ]

Vilar del H. L. 2006. Empleo de regresión logística para la obtención de modelos de riesgo humano de incendios forestales. In: Memorias del XII Congreso Nacional de Tecnologías de la Información Geográfica. Granada España. Septiembre. pp: 531-543.         [ Links ]

Vilchis F., A. Y., C. Díaz-Delgado, K. M. Bâ, M. A. Gómez A. y D. Magaña L. 2012. La sequía en la modelación de riesgo de incendios forestales en la cuenca Lerma, Estado de México. In: Resúmenes XXII Congreso Nacional de Hidráulica. Noviembre, 2012. Acapulco, Guerrero, México. pp: 191-192.         [ Links ]

Villers R., L. 2006. Incendios forestales. Ciencias 81: 61-66.         [ Links ]

 

Nota

³ Magaña L., D. 2012. Modelo de peligro de incendio forestal para el Estado de México mediante análisis espacio-temporal del índice de precipitación efectiva. Tesis de Maestría en Ciencias del Agua. Facultad de Ingeniería, Centro Interamericano de Recursos del Agua, Universidad Autónoma del Estado de México. Toluca, Estado de México. 118 p. • ³ Magaña L., D. 2012. Model of forest fire danger for the Estado de Mexico through spatiotemporal analysis of the effective precipitation index. Master's Thesis in Water Science. Faculty of Engineering, Interamerican Water Resources Center, Universidad Autónoma del Estado de México. Toluca, Estado de Mexico. 118 p.