PREDICCIÓN de INCENDIOS FORESTALES Informe sobre el proyecto realizado para DGCONA, Ministerio de Medio Ambiente Barcelona,12 Junio 2003 Cristina Vega García Universitat de Lleida

¿Pueden predecirse los incendios forestales? Existen numerosos antecedentes basados en la experiencia humana o en el análisis de datos históricos. Este proyecto utiliza los registros históricos de incendios. Es necesario aceptar una serie de supuestos al abordar las predicciones: que los datos de partida sobre incendios, meteorología y condiciones del medio son fiables que las tendencias en la utilización del territorio por parte de la población no cambian con rapidez que el esfuerzo de prevención permanece relativamente estable

P(x)= x e-/x! Procedimientos basados en registros históricos El método estadístico mejor experimentado (Martell, desde 1973) se basa en la distribución de Poisson: la probabilidad de al menos un incendio se obtiene por regresión logarítmica (P(x  1) = 1 -e- ) se ha utilizado para predicciones diarias, estacionales y anuales estratifica por causas y localizaciones (distritos) P(x)= x e-/x!  = media esperada de incendios en un día x= 0,1,2,3,... incendios est= -ln(1-Pest) ; Pest = e b0+b1FFMC/1+ e b0+b1FFMC

Procedimientos basados en registros históricos El método PEOPLE, también canadiense (Kourtz, 1980), se basa en la distribución Gamma mediante un proceso Bayesiano: las predicciones son para celdas de 20km x 20km se ha utilizado para predicciones diarias sin estratificar por causas, también utiliza índices meteorológicos Otros autores han utilizado Bernouilli, beta, binomial negativa y otras distribuciones aplicables a sucesos raros Objetivos: espacio km2 ha modelos m2 tiempo dia mes año

Procedimientos basados en registros históricos En España ha aparecido en los últimos años un modelo de predicción diaria con base meteorológica: las predicciones son para regiones grandes (Galicia) se basa en parámetros de saturación y estabilidad en la capa atmosférica mas baja considera condiciones pasadas y presentes en la predicción espacio km2 ha modelos m2 tiempo dia mes año

Procedimientos basados en registros históricos Los modelos estadísticos no recogen picos ni situaciones excepcionales Todos dependen de variables meteorológicas No pueden considerar variaciones espaciales ni actividades salvo en modelos o ecuaciones diferentes Esto ha llevado al desarrollo de modelos que abarcan periodos de tiempo mayores pero son espacialmente precisos, gracias a los SIG espacio km2 ha modelos m2 tiempo dia mes año

Procedimientos basados en registros históricos sobre SIG Han proliferado en los últimos años con el desarrollo de esta tecnología Dependen de variables espaciales y/o meteorológicas (Salas Rey 1994) El problema de su validación suele estar en el modo de combinación de las capas o factores geográficos De nuevo pueden basarse en frecuencias o modelos estadísticos Antecedente mas relevante es Yue Hong Chou (1990) en California, con regresión logarítmica

Procedimientos basados en registros históricos sobre SIG Las necesidades de la planificación diaria y la disponibilidad de los SIG llevan a la convergencia entre planteamientos temporales y espaciales espacio km2 ha modelos m2 tiempo dia mes año En 1991-93 se inicia un proyecto de modelización de predicción de incendios forestales entre FC y UofA dirigido por Bryan Lee y Paul Woodard, antecedente directo de este proyecto.

Este estudio pretendía predecir incendios por causas humanas diariamente en un área forestal a partir de variables tanto temporales como espaciales o geográficas La hipótesis de trabajo era que la localización y número de actividades que podían conducir al incendio dependían en todo momento del estado del medio forestal Se pretendía comprobar la adecuación (picos) de una serie de nuevas técnicas a la predicción, las redes neuronales, en relación a los análisis estadísticos tradicionales, siendo los modelos basados en la regresión logit/logarítmica los que más se habían utilizado

Se aplicó el test de la Chi-cuadrado a las distribuciones de variables geográficas en celdas con incendios y celdas en toda el área para estudiar su relación:

Algunas variables geográficas pudieron excluirse del proceso:

º Del mismo modo se analizaron las variables temporales, sobre la base de los dias con incendios y todos los dias en el periodo de estudio:

Algunas variables temporales pudieron excluirse del proceso:

Estas variables se recalcularon para unidades de predicción mayores (800 a 5000 km2) y se abordó el desarrollo de los modelos correspondientes con una base de 200x5x8= 8.009 observaciones, de las sólo 157 eran incendios

ln(Pi/1-Pi)=Zi=b0+b1x1+b2x2+b3x3+.... El modelo logit se basa en las siguientes relaciones: P(Y=1)= exp(Zi)/1+exp(Zi) P(Y=0)= 1/1+exp(Zi) ln(Pi/1-Pi)=Zi=b0+b1x1+b2x2+b3x3+.... Se desarrollaron numerosos modelos siguiendo los procedimientos habituales de construcción de modelos con un gran número de variables explicatorias y se compararon con criterios relativos a los parámetros estimados, la bondad del ajuste y la capacidad predictiva.

Zi=-8.52+7.66 AREA+0.74 DISTRICT+2.05 BUI+3.96 ISI Varios modelos resultaron aceptables. El mejor modelo logit resultó dependiente de variables meteorológicas y una lógica relacionada con un distrito forestal: P(Y=1)= exp(Zi)/1+exp(Zi) P(Y=0)= 1/1+exp(Zi) Zi=-8.52+7.66 AREA+0.74 DISTRICT+2.05 BUI+3.96 ISI Este modelo clasificó correctamente el 79% de las observaciones

Se validó con datos de dos años posteriores, 3294 observaciones de las que sólo 58 eran incendios, alcanzando una precisión en la tabla de clasificación de 74%:

Sobre la misma base de datos (314) se desarrollaron varias redes neuronales, una general con 20 variables y varias con variables seleccionadas por el análisis logit hasta su convergencia.

Se experimentó con diferentes arquitecturas, reglas de aprendizaje y funciones de transferencia sobre el tipo de red backpropagation. Todas las redes se entrenaron y se contrastaron con la base de datos de validación (3294), seleccionandose la mejor red por sus tablas de clasificación en ambas bases de datos

La mejor red (AREA, DISTRICT, FWI) predijo correctamente 81% de las observaciones utilizadas en su construcción y 76% de las nuevas:

Comparación entre ambos modelos y limitaciones: resultados y mantenimiento son similares no predicen fuera de la campaña de verano dependen de predicciones meteorológicas no predicen número de incendios proporcionan falsas alarmas unidades de predicción relativamente grandes

Procedimientos actuales basados en registros históricos sobre SIG La exploración de estos y otros modelos se continuó en 2000 a través de un convenio con la DGCONA del MMA El área de estudio es la comunidad de Cataluña Las unidades de predicción son las cuadrículas de 10 km x 10 km que usa esta administración 84 estaciones meteorológicas en cinco campañas de verano

Zona para la que estaban disponibles los modelos de combustible e inflamabilidad

Estaciones meteorológicas procesadas intervalo de 5 años, verano

El análisis se aplicó a una base de datos con 66 variables en 34 El análisis se aplicó a una base de datos con 66 variables en 34.200 observaciones, de las que sólo 299 son incendios

El conjunto original de 3.300 incendios quedó reducido a menos de 300

Datos relativos a las fuentes digitales disponibles para el estudio Cobertura Origen Escala y versión Año Vías ICC 1:50.00 versión 2 1994 Ferrocarriles Líneas eléctricas Urbanizaciones Departament de Medi Ambient. Generalitat de Catalunya   Núcleos urbanos Plan de Espacios de Interés Natural Elaborado a partir de ortofotomapas 1:25.000 MDT Resolución de 45 metros

Variables geográficas analizadas Denominación Descripción Unidades Elevint Media de elevación de la cuadrícula a partir de MDT de 50 metros Metros Clase-O1,O2,O3,O4,O5 Orientaciones presentes en la cuadrícula 1         Llano, 2         Norte, 3         Este 4         Sur, 5         Oeste % de superficie ocupada por cada clase. clase 1 = sur (clase 4) Clase-P1,P2,P3,P4 Superficie ocupada según las siguientes clases de pendientes 1         0%-5%, 2         5%-15% 3         15%-30%, 4         >30% % de superficie ocupada por cada clase Vias1mint Distancia media por cuadrícula a autopistas y carreteras nacionales Vias2mint Distancia media por cuadrícula a carreteras asfaltadas (sin considerar autopistas y c.nac. Vias3fi Distancia media por cuadrícula a carreteras no asfaltadas (pistas y caminos) Ferrofi Distancia media por cuadrícula a líneas férreas Línelecfi Distancia media por cuadrícula a líneas eléctricas Urbafi Distancia media por cuadrícula a urbanizaciones Núclisfi Distancia media por cuadrícula a núcleos urbanos P-PEIN Superficie ocupada por área PEIN % de superficie ocupada Mod2,mod3,mod4,mod5,mod6,mod7,mod8,mod9,mod10 Superficie ocupada por cada modelo de combustible % de superficie ocupada por cada modelo

Variables temporales analizadas Denominación Descripción Unidades Intensitat Intensidad de la radiación solar potenc. mm P24 Precipitación en 24 h, diaria Décimas de mm Tmitja Temperatura media diaria Grados centígrados HRmitja Humedad relativa media diaria Porcentaje, 0-100% VVmitja Velocidad del viento media del día m/s DVmitja Dirección media del viento Grados Tmax Temperatura máxima diaria HRmin Humedad relativa mínima del día VVmax Velocidad máxima del viento diaria MV Magnitud del viento DS Desviación estándar del viento RadG Radiación solar efectiva en la estación mj/m2 FWI Fire Weather Index Escala abierta, 0 a +100 KBDI Keetch-Byram Drought Index Escala 0-800 HCFM Humedad del Combustible Fino muerto, Probabilidad de Ignición del DGCONA

Proceso de análisis exploratorio La exploración preliminar de los datos se hizo mediante el coeficiente de correlación de Pearson Correlaciones altas entre variables meteorológicas e índices de peligro Correlaciones altas entre variables topográficas, infraestructuras y espacios protegidos

Proceso de análisis LOGIT El análisis logit se aplicó a subconjuntos de variables poco correlacionadas con procedimientos automáticos. Modelos de valoración de los índices de peligro. Mejor modelo: elevación, pendiente 0-5%, orientación este, intensidad de la radiación, RadG, FWI y KBDI Aciertos 75% global, mejor en incendios. Falsas Alarmas!

Proceso de análisis ANN Datos de entrenamiento, test y validación Redes de correlación en cascada. Modelos de valoración de los índices de peligro y principio de parsimonia. Selección de variables siempre favorable a algunas. Precisión similar a modelos logit.

Precisión en % Aciertos Todas GIS+ TMAX ELEV,LINELECFI,PEIN,P3,MOD5,MOD6,MOD8,TMAX 74.8 79.6 74.4   Datos-Entrena Datos-Test Datos-Valida Variables de entrada al Modelo Variables seleccionadas por la red (o forzadas) Precisión en % Aciertos HCFM 62.0 61.3 59.8 KBDI 61.1 54.9 55.6 FWI 56.5 59.1 TMAX 60.2 64.1 58.1 Todas ELEV,PEIN,O1,P3,MOD3,MOD5,TMAX,2FWI 80.3 71.8 Todas Meteo INTENS,2TMAX,2HRMIN,MV,2DS,KBDI 70.8 66.2 Todas Meteo+Combus+PEIN+MDT 2ELEV,PEIN,P4,MOD5,MOD6,TMAX,FWI 75.7 82.4 73.5 HCFM+PEIN+Combus MOD4,MOD5,MOD6,MOD7,2MOD8,MOD9,HCFM 70.2 73.9 75.2 KBDI+PEIN+Combus PEIN,MOD4,2MOD5,MOD6,2MOD7,3MOD8,MOD9,KBDI 75.1 76.8 TMAX+PEIN+ELEV+Combus 2ELEV,MOD4,2MOD5,MOD6,MOD8,MOD9,2TMAX 76.1 PEIN+ELEV+P3+P4+Combus+TMAX+HRMIN+KBDI+HCFM PEIN,ELEV,P3,P4,MOD4 A MOD10,TMAX,HRMIN, KBDI,HCFM 78.4 2PEIN,2ELEV,MOD4,MOD6,2MOD7,MOD8,2TMAX 77.1 73.4 76.0

Condiciones para su ensayo en el verano 2003 Dependencia de datos meterológicos, y su predicción Modelo: logit o ANN Producto: Un mapa lógico de valores 0 y 1, traducible a una cartografía de zonas donde probablemente no haya incendio hoy, y zonas donde probablemente lo haya. Alternativa: Valor de probabilidad Análisis de causas pendiente, sería conveniente estratificar No está disponible toda Cataluña, pero quizá también sería conveniente estratificar zonas

Destacar la importancia de estos modelos en la prevención y extinción en conexión con otras herramientas y modelos