Desarrollo de un modelo espacial para la evaluación del ...

Investigaciones Geográficas, Boletín 56, 2005 101

Desarrollo de un modelo espacial para la evaluación del peligro de incendios forestales...

Desarrollo de un modelo espacial para la evaluacióndel peligro de incendios forestales en la

Sierra Madre Oriental de MéxicoCarlos Alfonso Muñoz Robles*Eduardo Javier Treviño Garza**José Verástegui Chávez***Javier Jiménez Pérez**Oscar Alberto Aguirre Calderón**

Resumen. El propósito de este estudio fue crear un modelo para evaluar el peligro de incendios forestales en unaporción de bosque de clima templado en el estado de Nuevo León. Se empleó el método de análisis espacial multicriteriopara integrar y evaluar en un sistema de información geográfica las variables que tienen influencia alta en el peligro deincendios forestales. La estructura del índice de peligro de incendios forestales incluyó tres componentes. El componentede combustibles forestales, que fue generado a partir de la evaluación de la carga de combustibles forestales muertos; elcomponente meteorológico se estructuró con la integración de la temperatura media máxima mensual y la precipitacióntotal mensual. Por último, el componente de causa se derivó mediante la evaluación de elementos socioeconómicosrepresentados por rasgos geográficos. Los tres componentes fueron integrados en una regla de decisión y se crearonmapas mensuales que mostraron la localización de las áreas vulnerables a incendios forestales.

Palabras clave: Peligro de incendios, combustibles forestales, meteorológico, evaluación multicriterio, México.

A spatial model for assessing forest fire dangerin the Sierra Madre Oriental Mountains, Mexico

Abstract. The aim of this study was to develop a model for assessing forest fire danger in a temperate forest located in thestate of Nuevo León, Mexico. A spatial multicriteria analysis was conducted in order to integrate and evaluate in aGeographic Information System those variables that influence fire danger levels. The structure of the fire danger indexincluded three components. The forest fuels component, generated through the inventory of dead surface fuels loads; theweather index, that was built trough the analysis of maximum monthly mean temperature and total monthly precipita-tion. The last component of the fire danger index was calculated by assessing social and economic features. The threecomponents were integrated into a decision rule, and monthly maps were created to show the location of forest firedanger vulnerability.

Key words: Fire danger, forest fuels, multicriteria evaluation, Mexico.

Recibido: 2 de diciembre de 2003Aceptado en versión final: 14 de abril de 2005

Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAMISNN 0188n-4611, Núm. 56, 2005, pp. 101-117

*Instituto de Ecología, A.C. Centro de Investigación sobre Sequía, Km. 33.3 Carretera Chihuahua-Ojinaga, Cd. Aldama,Chihuahua. E-mail: [email protected], [email protected]**Facultad de Ciencias Forestales, Universidad Autónoma de Nuevo León, Carretera Nacional, Km. 145, Linares, NuevoLeón. E-mail: [email protected]***Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Km. 31 Carretera Monterrey-China, GeneralTerán, N. L.

Investigaciones Geográficas, Boletín 56, 2005102

Carlos A. Muñoz, Eduardo J. Treviño, José Verástegui, Javier Jiménez y Oscar A. Aguirre

Debido a las condiciones climáticas de Mé-xico, existen áreas vulnerables a incendiosforestales, donde un gran número impactasignificativamente los ecosistemas durante laépoca seca del año. De acuerdo con estadís-ticas de la Secretaría de Medio Ambiente yRecursos Naturales (SEMARNAT, 2001), de1991 a 2000 ocurrieron en México 82 730 in-cendios forestales que afectaron una super-ficie de 26 754 km2. Por su parte, el estado deNuevo León registró 619 incendios duranteel periodo de 1980 a 1998, que ocasionarondaños a una superficie de 1 032.8 km2. Particu-larmente de 1989 a 1998, el problema se agra-vó debido a las condiciones meteorológicasque favorecieron la presencia de incendios(SEMARNAP, Delegación Federal en NuevoLeón, 1999), y de acuerdo con Treviño et al.(2000), en el sur de Nuevo León las comu-nidades vegetales más afectadas durante latemporada de incendios de 1998 fueron losmatorrales desérticos, las áreas con chaparraly bosques de clima templado, que sumaronuna superficie de 239.95 km2 siniestrados.

Los incendios en México son conceptuadoscomo el factor de perturbación que más dañoha causado a los ecosistemas, y son la resul-tante de la interacción de diversos elementosde carácter socioeconómico e incluso políticoy cultural que, influidos por factores topo-gráficos y climáticos, dificultan la minimiza-ción de los daños (Sánchez, 1989). Con la fina-lidad de reducir los daños por el fuego, dirigirlas acciones de combate, y contar con unamejor eficiencia en el uso de los recursos hu-manos y materiales, es preciso contar conestrategias de prevención y control de incen-dios. El éxito en el diseño y ejecución de pla-nes de manejo forestal que incorporen dichasestrategias, depende en gran medida del co-nocimiento de un Índice de Peligro de In-cendios Forestales (IPIF), capaz de reflejar laposibilidad de que un incendio ocurra consi-derando factores meteorológicos, combus-

tibles forestales, rasgos topográficos y la in-fluencia de las actividades humanas en elbosque.

A través del tiempo han sido desarrolla-dos diversos modelos para estimar el IPIFconsiderando principalmente variablesmeteorológicas y combustibles forestales(Stolyarchuk 1979; Mathur et al. 1984; Mar-cozzi et al. 1994; Mandallaz y Ye. 1997;Wybo, et al. 1995; Gutiérrez et al. 1997; Gou-ma y Chronopoulou-Sereli 1998; Leathwicky Briggs 2001). Hoy en día existen sistemasen el ámbito mundial para identificar lasáreas con peligro de incendios, entre los quedestacan el Canadian Forest Fire Danger Index(Lee et al. 2002); el sistema Forest Fire DangerIndex desarrollado en Australia (CSIROForestry and Forest Products 2000) y el NationalFire Danger Rating System, desarrollado porel Servicio Forestal de Estados Unidos deAmérica (Deeming et al.,1978). Sin embar-go, los estudios desarrollados en Méxicohan sido esfuerzos aislados que consideranprincipalmente la carga de combustiblesforestales y algunas variables meteoroló-gicas (Magaña, 1985; Zapata, 1991; Santi-llán, 1993). Destaca el trabajo realizado porSepúlveda et al. (1999), quienes obtuvieroníndices de peligro de incendios analizandoespacialmente modelos de combustibles yvariables meteorológicas en Baja California.A nivel nacional ha sido adoptado elmodelo canadiense de peligro de incendios(SEMARNAT, 2001). Sin embargo, la necesi-dad de conocer con mayor detalle las áreascon peligro de incendios e incorporarlas almanejo forestal, es una prioridad considera-da por la mayoría de los poseedores y admi-nistradores de los recursos forestales, porlo que en este estudio se propuso un modeloque cumpliera con esta característica.

UBICACIÓN DEL ÁREA DE ESTUDIO

El ejido Corona del Rosal se encuentra en laSierra Madre Oriental, en el centro-sur del

INTRODUCCIÓN



estado de Nuevo León (Figura 1). Ocupauna superficie de 66.46 km2 y se localizaentre los 24° 27' 23" y 24° 32' 51" de latitudnorte y entre los 99° 53' 54" y 100° 01' 34" delongitud oeste:

El clima en la zona es seco, de tipo semi-árido, con temperatura media anual entre 12y 18° C, y la temperatura del mes más cálidomayor de 18° C (García 1973). La topografíaes accidentada, con pendientes pronunciadasy un gradiente altitudinal de 1 620 m, que vade los 1 540 a los 3 160 msnm. Estas caracterís-ticas favorecen el desarrollo de chaparralesasociados con bosques de clima templado,donde las especies dominantes son Pinuspseudostrobus Lindl. y Pinus cembroides Zucc.Existen, además, áreas destinadas al uso

agrícola y a la inducción de pastizales.La superficie forestal aprovechable es de17.22 km2, siendo Pinus pseudostrobus Lindl.la especie con mayor valor económico(UCDF No. 1, 1996).

METODOLOGÍA

La primera fase del estudio consistió en la se-lección de las variables a integrar en el modeloespacial y la evaluación de las mismas. Lasvariables elegidas fueron el complejo de com-bustibles forestales, la precipitación pluvial,la temperatura máxima y algunos factores decarácter socioeconómico, como áreas de apro-vechamiento forestal, vías de acceso y pobla-ciones.

Figura 1. Ubicación del área de estudio.



Cuantificación de combustibles forestales

Las partículas leñosas pequeñas pierden rápi-damente parte de su humedad como conse-cuencia de sus dimensiones. Esta condiciónfavorece en gran medida la combustión y elinicio de la mayoría de los incendios, por loque constituyen una variable de gran influen-cia en el peligro de incendios. Para estimar lacantidad o carga de combustibles, se realizóun inventario con un diseño de muestreo es-tratificado al azar, donde los tipos de vege-tación constituyeron los estratos. La obtenciónde los datos se realizó con la técnica de inter-secciones planares, que ha sido ampliamentedifundida y utilizada en diversos tipos debosques con el fin de caracterizar el complejode combustibles forestales (Brown, 1974;Brown et al. 1982; Van Wagner, 1982). Cadasitio de muestreo consistió en la ubicación deuna línea de 20 m de longitud cuya direcciónfue definida aleatoriamente. Las partículasleñosas intersectadas por la línea cuya clasediamétrica fuese de 0.1 a 2.5 cm de diámetrose registraron durante el primer metro de lalínea, las partículas con clase diamétrica de2.5 a 7.5 cm se midieron a través de los pri-meros cuatro metros de longitud de la línea,y, finalmente, las partículas con diámetrosmayores a 7.5 cm se midieron en la totalidadde la longitud de la línea.

Para el caso de la cama de combustiblesforestales, se registró su profundidad a los 5,10, 15 y 20 m de longitud de la línea. Además,se colectó la hojarasca contenida en 1 m2,compuesto por cuatro cuadrantes de.25 m2 distribuidos a lo largo de la línea.Cada cuadrante fue pesado in situ y se tomóuna muestra de 300 g para su posterior seca-do en el laboratorio. El peso seco de estasmuestras fue relacionado con el peso delmaterial colectado in situ y de esta forma seobtuvo la cantidad de este tipo de combus-tible por unidad de superficie.

Por otra parte, la estimación de la cargade combustibles superficiales muertos se

realizó siguiendo los lineamientos propues-tos por Van Wagner (1982), empleando lasiguiente ecuación:

∑⎟⎠⎞

⎜⎝⎛= c*d

L0.1234Gw 2

1

siendo w1 el peso del material combustiblepor unidad de superficie; d el diámetro de lapartícula en la intersección, L la longitudde la línea de muestreo, G gravedad espe-cífica de la madera, 0.1234 la constante detransformación de volumen a kg/m2 y, c unfactor de corrección por pendiente:

2

100%pendiente1c ⎟

⎠⎞

⎜⎝⎛+=

El análisis de datos permitió clasificar loscombustibles en tres categorías: ligeros, pesa-dos y cama de combustibles. La carga de com-bustibles por tipo para cada estrato fue asigna-da a los polígonos de vegetación, dando lugara la cartografía del complejo de combustiblesforestales.

Generación de modelos digitales del terreno

Las variables topográficas seleccionadasfueron la altitud sobre el nivel del mar y laorientación de la pendiente. Ambos rasgos seconsideraron como expresiones de la varia-ción de la temperatura y la humedad en elterreno, y para su representación se empleóun modelo digital de elevaciones con unaresolución espacial de 30 m generado a partirde curvas de nivel.

Análisis de variables meteorológicas

Se estudiaron la temperatura media máximamensual y precipitación total mensual, debidoa su influencia en el contenido de humedadde los combustibles, factor que regula la ocu-rrencia de incendios forestales. La ComisiónNacional del Agua (CNA) proporcionó datospara 18 estaciones climatológicas con una se-rie de datos comprendida de 1978 a 1998. La



ausencia de registros de datos para ciertosperiodos de tiempo fue resuelta con la estima-ción de los valores en función de un análisisde correlación, de acuerdo con lo recomen-dado por Villalpando y García (1993). Seidentificó la estación más cercana a cadaestación con registros faltantes y se realizóel análisis de correlación de las series dedatos –la serie completa y la serie incom-pleta_ y en el caso de que el valor de corre-lación fuese mayor a r = 0.8, se estimó elvalor faltante con el modelo generado poreste análisis. Para los casos en que el valorde correlación no fue satisfactorio, se utilizóun promedio aritmético resultante de las es-taciones adyacentes a la estación bajo estu-dio siguiendo los lineamientos descritos porWanielista et al. (1997).

Para conocer la distribución espacial de lasvariables meteorológicas, se recurrió al mé-todo global de interpolación por funciones deregresión, basado en el análisis de una seriede rasgos ligados al territorio, esto es, consi-derando la relación existente entre la altitud,latitud y longitud de las estaciones meteo-rológicas y la temperatura y la precipitaciónpluvial. El objetivo de este análisis es obtenermodelos numéricos que permitan estimar elvalor de estas variables climáticas a partir devariables independientes de fácil adquisición(Ninyerola et al., 2000; Sánchez et al., 1999 ySalas, 1995). Por último, se elaboró la carto-grafía mediante la aplicación de los modelosde regresión y técnicas básicas de análisisespacial para obtener 24 mapas, 12 de tempe-ratura media máxima mensual y 12 de preci-pitación total promedio mensual.

Evaluación de variables socioeconómicas

Debido a la dificultad de representar espacial-mente los agentes causales de incendios, yen virtud de la importancia de su integraciónen el modelo de peligro, se realizó el análisisde los rasgos geográficos asociados conactividades humanas. Chuvieco et al. (2000),

García et al. (1999) y Almeida (1994),señalan que el desarrollo de un modelo depredicción de incendios siempre presentauna gran dificultad debido a la incertidum-bre asociada al comportamiento humanoen relación con el fuego. Los autores cita-dos estimaron indirectamente el riesgohumano en España, Canadá y Portugal,respectivamente, empleando la distancia acarreteras, a ciudades, el tipo de propiedady el valor comercial de la masa forestal. Enel caso de este estudio, los rasgos evaluadosfueron las áreas sometidas al manejoforestal, la distancia a las vías de acceso y ladistancia a los poblados.

Integración de los criterios

La integración de las variables para calcularel Índice de Peligro de Incendios Forestales(IPIF) se realizó en términos de una Evalua-ción Multicriterio (EMC). A través de la selec-ción y análisis de los criterios indicados en laFigura 3, se obtuvo una regla de decisión quemostró las alternativas de solución al objetivo(Eastman, 1999), en este caso la localizaciónde áreas susceptibles a incendios forestales.En virtud de que cada criterio tiene unidadesdimensionales distintas, fue necesario estan-darizar cada variable a un rango numérico co-mún _escala byte_, lo que permitió su poste-rior combinación espacial a través de unpromedio ponderado (Malczewski, 1999). Laescala byte consta de 256 valores, donde el 0representa el menor valor de la alternativay el 255 el mayor valor. Lo anterior indicaque, conforme aumenta el valor byte, elpeligro de incendios se incrementa. Laestandarización de cada criterio fue llevadaa cabo con el comando FUZZY incluido enel programa Idrisi32R.

Para el complejo de combustibles fores-tales, se asignó el valor de 255 a la mayor cargade combustibles por unidad de superficie, yel 0 a la ausencia de combustibles forestales.La base para definir los valores byte mínimosy máximos de la temperatura y precipita-



ción se fundamentó en el análisis históricode la época seca en la zona. De esta manera,a los pixeles que presentaban la temperaturahistórica más baja se les asignó el valor de0, mientras que aquellos pixeles que con-tenían la temperatura máxima se les asignóel valor de 255.

El análisis de la precipitación resultó enun procedimiento de estandarización inverso,ya que a los pixeles cuyo valor fuese el mínimohistórico mensual, se les asignó el valor de255, mientras que los pixeles con la mayorprecipitación resultaron en un valor menoral final del análisis. La Figura 2 muestra gráfi-camente la época seca, que incluye el periodode enero a abril y el mes de noviembre. Losvalores mostrados corresponden al promediohistórico de temperatura y precipitación quesirvieron para la estandarización de valores.

Los mapas estandarizados de la distanciaa las vías de acceso y la cercanía a pobladosfueron calculados empleando una relación li-neal inversa en la que, cuanto mayor cercaníaexista a la vía de comunicación o al poblado,el nivel del peligro aumentará. Se estable-

cieron como distancias de mayor riesgo,50 m para el caso de las brechas de extracciónde madera, 20 para las veredas y para la ca-rretera 50. La distancia definida en relacióncon los poblados fue de 500 m, determinadosen función de un radio de distancia en don-de los pobladores suelen desarrollar acti-vidades agropecuarias.

Asignación de valores de importancia a loscriterios

En el contexto de la EMC, se considera quelos criterios a evaluar no poseen el mismogrado de influencia en la solución delproblema espacial planteado, sino que existeun esquema jerárquico en donde cada criterioaporta valores de importancia en distintaproporción. Para el modelo propuesto se ob-tuvieron los componentes de combustiblesforestales (CCF), meteorológico (CM) y el decausa (CC), que dieron lugar al IPIF. En laFigura 3 puede observarse la estructura delmodelo de peligro de incendios forestales, asícomo las variables que se evaluaron para

Figura 2. Definición de periodos secos en el ejido Corona del Rosal.



Figura 3. Modelo conceptual propuesto para la evaluación del peligro de incendios forestales.

(Malczewski, 1999) con el comando WEIGHTincluido en el módulo Decision support del pro-grama Idrisi32R. En la Figura 4 puede obser-varse la estructura de la matriz de compa-ración de criterios, calificados con base en unaescala de puntuaciones (Figura 5). La matrizde comparación consta de dos partes, dividi-das por la diagonal que se establece al com-parar cada criterio con sí mismo, que resultaen un valor de 1. El ejemplo ilustrado en laFigura 4, muestra que el criterio 2 tiene menorimportancia comparado con los criterios 1 y3, sin embargo, este último es de mayor im-portancia que el criterio 2. El producto delanálisis de las matrices de comparación sonlos valores de importancia los criterios,obtenidos mediante el procedimientomatemático descrito por Malczewski (1999) eindican el grado de contribución de cada cri-terio dentro de cada componente. Se cons-truyó una matriz de comparación para cadacomponente, y, finalmente, se generó una

última matriz que incluyó la comparación delos tres componentes, obteniendo así losvalores de importancia que constituyeron elmodelo de peligro de incendios.

La importancia relativa puede resultar enun valor inadecuado si se considera que elevaluador pudo haber efectuado compara-ciones incongruentes; sin embargo, el índicede consistencia refleja la solidez de las compa-raciones realizadas y muestra la probabilidadde que los valores de importancia fuerongenerados aleatoriamente. Se considera queun valor menor de 0.10 manifiesta un nivelde consistencia acertado en las comparaciones(Eastman, 1999; Malczewski, 1999).

La integración de los criterios en cadacomponente y en el modelo final, se realizómediante una Combinación Lineal Pondera-da, cuya expresión es:

ikk ki rwr ∑=



Figura 5. Escala de puntuaciones para calificar criterios.

Figura 4. Matriz de comparación de criterios.

criterio 1

criterio 2

criterio 3

1

1/3

1/2

criterio 1 criterio 2 criterio 3

3

1

2

2

1/2

1

1/9 1/7 1/5 1/3 1 3 5 7 9

extremo muy

fuerte

fuerte moderado igual moderado fuerte

fuerte

muy extremo

menor importancia mayor importancia

donde ri es el vector de prioridades asociadocon el késimo elemento de la estructura jerár-quica de los criterios, ∑k

w = 1; y rik es el vectorde prioridades derivado de la comparaciónde alternativas de cada criterio.

Esta regla de decisión incorpora un mé-todo aditivo diseñado para resolver el ob-jetivo planteado _la localización de áreassusceptibles a incendios_ a través del pro-ducto de los valores de importancia decada criterio (w) y sus alternativas estan-darizadas (r).

RESULTADOS Y DISCUSIÓN

Las cargas más elevadas de combustiblesleñosos se encontraron en el bosque de Pinuspseudostrobus Lindl., seguido por el bosquede Pinus pseudostrobus Lindl., asociado conQuercus spp., el bosque de Pinus pseudostrobus

Lindl. (Figura 6). Estas cantidades de com-bustibles son resultado de los residuos de cortaen sitios donde se aprovecha la especie Pinuspseudostrobus Lindl., mientras que en bosquesde Pinus cembroides Zucc., la cantidad de des-perdicios es menor debido a la baja intensidadde corta originada por la escasa importanciaeconómica de la especie.

En este estudio se determinó que la varia-bilidad de los combustibles está en función dela intensidad de manejo forestal, ya que ésteprovoca mayor alteración en el arreglo espacialde las partículas leñosas debido a las activi-dades de corta y extracción de madera. La va-riabilidad temporal y espacial de los combus-tibles ha sido reportada en la mayoría de losestudios relacionados con la evaluación delcomplejo de combustibles forestales (Brown etal., 1982; Alvarado, 1986; Agee y Huff, 1987).



Bpp = Bosque de Pinus pseudostrobus Lindl.; Ml-Bpp = Chaparral asociado con Bosque de Pinus pseudostrobusLindl.; Bpp-Ml = Bosque de Pinus pseudostrobus Lindl. asociado con chaparral; Bpc = Bosque de Pinus cembroidesZucc.; Bpq = Bosque de pino–encino; Bqp = Bosque de encino–pino.

Figura 6. Carga de combustibles forestales muertos según tipo de vegetación.

generar cada uno de sus componentes.Los valores relativos de importancia para

cada variable se calcularon a través del análi-sis de una matriz de comparación de cri-terios

La mayor importancia designada en elCCF, correspondió a la cama de combusti-bles y a su profundidad. Estos atributosrepresentan las partículas de menores di-mensiones, susceptibles de perder humedadrápidamente e inicar un incendio. La menorimportancia en este componente fueatribuida a los combustibles pesados, quesi bien contribuyen a que un incendio al-cance una gran intensidad, no tienen unefecto significativo en el inicio del fuego.

Para estimar el valor de temperaturamedia máxima se empleó la forma simple deuna función de regresión lineal, utilizandocomo variable independiente la altitud sobreel nivel del mar. El Cuadro 1 contiene elresumen de los modelos de estimación de

temperatura para cada mes, mientras que enla Figura 7 se muestran los valores esti-mados y observados de temperatura en laépoca de incendios, a los que se les ha su-perpuesto la recta ideal con la finalidad derevisar si las predicciones son acordes a losvalores reales. La alta dependencia de la tem-peratura máxima con la altitud permitióconstruir modelos con los que se lograronestimaciones comprendidas dentro de un10% de error respecto al valor promediomensual. Las estimaciones más confiables seobtuvieron para los meses más cálidos,comprendidos en el periodo de abril a agos-to, donde los valores de R fluctuaron entre0.79 y 0.83.

Considerando que la precipitación es unode los elementos del clima con gran varia-bilidad temporal y espacial, se estableció quelos modelos de estimación de la precipitaciónen la estación seca resultaron aceptables, deacuerdo con los parámetros de evaluación



Cuadro 1. Resumen del modelo de regresión lineal simple para la estimación

dia mensual, que actúa de forma semejante auna restricción, ya que la cantidad de lluviaestá directamente relacionada con periodosde sequía y a su vez éstos con la ocurrenciade incendios. La temperatura media máximaocupó el segundo nivel de importancia,seguida de la orientación de la pendiente.

En el CC, las áreas de aprovechamientorecibieron la mayor importancia en virtud deque representan zonas de intensa influenciahumana. De forma similar, se asignó gran im-portancia a la distancia a brechas, debido aque son las vías de acceso y transporte de

vehículos con carga de madera en las áreasde corta y a sus costados suelen establecerselos campamentos de los operadores de acti-vidades de corta. La distancia a poblados reci-bió un menor valor a causa de la baja densi-dad de población en la zona.

El IPIF fue construido a partir de los valo-res de importancia dados a cada uno de loscomponentes. La consistencia de la asignaciónde estos valores alcanzó niveles aceptablespara los tres componentes y se expresó a tra-vés del índice de consistencia, simbolizadocon (*) a la derecha de cada ecuación.

CCF = cc(0.3067)+ cl(0.2610) + cp(0.0613) + pcc(0.3710) *0.02CMi = tmmi(0.2493) + ptmi(0.5936) + op(0.1571) *0.05CC = aa(0.4211) + db(0.3431) + dc(0.05000) + dv(0.0687) + dp(0.1172) *0.08

donde:

CCF componente de combustibles forestalesCMi componentes meteorológico para el mes iCC componente de causacc cama de combustiblescl combustibles ligeroscp combustibles pesadospcc profundidad de la cama de combustibles

tmmi temperatura media máxima del mes iptmi precipitación del mes iop orientación de la pendienteaa áreas de aprovechamiento forestaldb distancia a brechas de extracción de maderadc distancia a carreterasdv distancia a veredasdp distancia a poblados



Figu

ra 7

. Val

ores

est

imad

os y

val

ores

obs

erva

dos

de te

mpe

ratu

ra m

edia

máx

ima

men

sual

.



Finalmente, se llevó a cabo de nuevo unasumatoria lineal ponderada para dar lugar alIPIF. El índice de consistencia al integrar lostres componentes fue de 0.06:

IPIF=CM(0.6144) + CCF(0.2684) + CC(0.1172),

siendo IPIF el Índice de Peligro de IncendiosForestales; CM el componente meteorológico;CCF componente de combustibles forestales;CC el componente de causa.

En el IPIF, las condiciones meteorológicasrecibieron el 60% de la importancia, ya quedeterminan las condiciones de pérdida o ga-nancia de humedad en los combustibles. Lacantidad y tipo de combustibles forestalesaportaron cerca del 25% de la importancia,teniendo más influencia en las áreas con in-tenso manejo forestal. Por último, los factoressocioeconómicos recibieron el menor valor deporqué la zona no está densamente poblada,no se realizan actividades de recreación, niexisten problemas de litigio de la propiedad.

La mayor superficie de las áreas arboladas

del ejido posee grados de peligro bajos e in-termedios; sin embargo, para los meses secos,del 50 al 60% de la superficie tiene un gradode peligro medio, llegándose a encontrarzonas de peligro alto en el 40% de la superficiearbolada. El peligro de incendios alcanza ni-veles excepcionales en la porción noreste delejido, donde se conjunta una serie de factoresque favorecen la presencia de incendios. Estazona constituye el área de aprovechamientoforestal más extensa del ejido, se encuentra lamayor carga de combustibles forestales y exis-te presencia humana constante. Por otra parte,la menor altitud sobre el nivel del mar en estaárea ocasiona temperaturas altas y lluviasescasas (Figura 9). El IPIF adquirió los valoresmáximos para los meses de febrero, marzo,abril y noviembre, alcanzando un valor dehasta 242 (Figura 10). Una vez establecida laestación húmeda, el peligro disminuyedurante los meses de mayo a octubre, todavez que las cantidades de precipitación supe-ran los valores promedio esperados, anulando

Cuadro 2. Resumen del modelo de regresión lineal múltiple para la estimaciónde la precipitación total promedio mensual

* Nivel de significación = 90%.** Nivel de significación = 95%.



Figu

ra 8

. Val

ores

est

imad

os y

val

ores

obs

erva

dos

de p

reci

pita

ción

tota

l men

sual

.



Figu

ra 9

. Dis

trib

ució

n es

paci

al d

el p

elig

ro d

e in

cend

ios

fore

stal

es p

ara

el m

es d

e ab

ril

en e

l ejid

o C

oron

a de

l Ros

al.



Figura 10. Distribución temporal de los valores estandarizados mínimos, máximosy promedio del Índice de Peligro de Incendios Forestales.

casi por completo la probabilidad de que seproduzca un incendio.

CONCLUSIONES

El conocimiento de la distribución del peligrode incendios dentro del ejido Corona delRosal permitirá planear estrategias de controly combate de incendios forestales, de tal ma-nera que los recursos humanos destinadospara las labores de control y combate serándirigidos a las zonas donde se espera un ma-yor grado de peligro.

La metodología de evaluación multi-criterio demostró requerir de una operaciónsencilla y con resultados suficientemente ro-bustos para la estimación del Índice de Peligrode Incendios Forestales, y puede ser aplicadaen otras regiones forestales de México. Actual-mente se encuentran en desarrollo dos es-tudios paralelos a éste. Para una escala mediase está aplicando el modelo en el Ejido PuebloNuevo, Durango, y en el estado de Chihuahua

se aplica para identificar áreas susceptibles deincendios en una escala regional.

Las fuentes de datos obtenidas para cons-truir este modelo son de acceso rápido y seencuentran al alcance de los prestadores deservicios técnicos forestales, lo que facilita laincorporación de esta metodología a un es-quema integral de manejo para que propor-cione una aproximación en la definición delas áreas susceptibles a incendios forestales.

Finalmente, cabe señalar que es necesariala incorporación de nuevas variables de lasque se cuente con suficientes datos quepermitan aumentar la confiabilidad de lacartografía resultante de la aplicación delmodelo.

AGRADECIMIENTOS

Al Sistema de Investigación Regional AlfonsoReyes y a la Fundación PRODUCE NuevoLeón que, a través del proyecto “Estimacióndel índice de peligrosidad de incendio en la Sierra



Madre Oriental” (SIREYES 1999 060-6008)apoyaron totalmente la realización de estainvestigación.

REFERENCIAS

Agee, J. K. and M. H. Huff (1987), “Fuel sucesionin a western hemlock Douglas-fir forest”, Cana-dian Journal of Forest Research, 17(7), pp. 697-704.

Almeida, R. (1994), Forest fire risk areas and defi-nition of the prevention priority planning actions usingGIS, EGIS/MARI&acute. Paris, March 29-April 1.

Alvarado, E. (1986), Comportamiento del fuego enrodales poco perturbados de Pinus montezumae Lamb.tesis de Maestría, Colegio de Postgraduados,Montecillos, México.

Brown, J. K. (1974), Handbook for inventoryingdowned woody material, USDA Forest Service,General Technical Report INT-16.

Brown, J. K. and T. E. See (1981), Downed deadwoody fuel and biomass in the northern RockyMountains, USDA Forest Service, IntermountainForest and Range Experiment Station, GeneralTechnical Report INT-117, Ogden, UT.

Brown, J. K., R. D. Oberheu and C. M. Johnston(1982), Handbook for inventorying surface fuels andbiomass in the interior west, USDA Forest Service,General Technical Report INT-129.

Chuvieco, E., F. Salas and C. Vega (2000), “Remotesensing and GIS for long-term fire risk mapping.Megafires Project”, in Chuvieco, E. (ed.), A reviewof remote sensing methods for the study of largewildland fires, Universidad de Alcalá, pp. 91-107.

CSIRO Forestry and Forest Products (2000),Bushfire Behaviour and Management, http://www. ffp.csiro.au/nfm/fbm/

Deeming, J. E., R. E. Burgan and J. D. Cohen(1978), The National Fire Danger Rating System,USDA Forest Service, General Technical ReportINT-39.

Eastman, R. (1999), Idrisi32, Guide to GIS and Image

Processing, volume 2, Clark University,Worcester, USA.

García, E. (1973), Modificaciones al sistema declasificación climática de Köppen, Institutode Geografía, UNAM, México.

García, V., P. Woodard, S. Titus, P. Adamowiczand B. Lee (1999), “Dos modelos para la pre-dicción de incendios forestales en WhitecourtForest, Canada”, Investigación Agraria, Sistemasy Recursos Forestales, 8(1), pp 5-23.

Gouma, V. and A. Chronopoulou-Sereli (1998),“Wildland FIRE danger zoning-A methodo-logy”, International Journal of Wildland Fire, 8(1),pp. 37-43.

Gutiérrez, M., G. Monedero y A. Sandia (1997),“Diseño de un mapa de incendios de vegetaciónen el Parque Nacional El Ávila apoyado enModelos Digitales del Terreno”, Memorias delVII Simposio Latinoamericano de Percepción Remota,2-7 de noviembre, Mérida, Venezuela [CD].

Leathwick, J. R. and C. M. Briggs (2001), Spatialprediction of wildfire hazard across New Zealand,New Zealand Fire Service Commission,Research report No. 22.

Lee, B. S., M. E. Alexander, B. C. Hawkes, T. J.Lynham, B. J. Stocks and P. Englefield (2002),“Information systems in support of wildland firemanagement decision making in Canada”,Computers and Electronics in Agriculture, 37(1-3),pp. 185-198.

Magaña, O. (1985), Índices de peligro de incendiosforestales, Boletín divulgativo, núm. 70, InstitutoNacional de Investigaciones Forestales, México.

Malczewski, J. (1999), GIS and Multicriteriadecision analysis, John Wiley & Sons Inc.

Mandallaz, D. and R. Ye (1997), “Prediction offorest fires with Poisson models”, CanadianJournal of Forest Research, 27(10), pp. 1685-1694.

Marcozzi, M., G. Bovio, D. Mandallaz and P.Bachmann (1994), “Influence of the weather on



the forest fire danger index in Ticino Canton”,Schweizerische Zeitschrift fur Forstwesen,145(3),pp. 183-199.

Mathur, R. S., M. G. Gogate and R. C. Mittal(1984), “Forest fire danger rating indices basedon climate -a case study of West Dehra Dun ForestDivision”, Indian Forester, 110(3), pp. 223-241.

Ninyerola, M., X. Pons and J. Roure (2000), “Amethodological approach of climatologicalmodelling of air temperature and precipitationthrough GIS techniques”, International Journal ofClimatology, 20(14) pp. 1823-1841.

Salas, F. (1995), Detección de áreas de riesgo de incen-dio forestal a partir de los Sistemas de InformaciónGeográfica y la Teledetección, tesis Doctoral,Universidad de Alcalá de Henares, España.

Sánchez, J. (1989), “Los incendios forestales ylas prioridades de investigación en México”,Congreso Forestal Mexicano, tomo II, México,pp. 719-723.

Sánchez, P. O., S. F. Sánchez y C. M. Carretero(1999), Modelos y cartografía de estimaciones climáticastermopluviométricas para la España peninsular,Ministerio de Agricultura, Pesca y Alimentación.

Santillán, P. J. (1993), Sistema para determinarindicadores de peligro de incendio forestal, InformeTécnico No. 14, Acuerdo de cooperación en materiaforestal entre México y Finlandia.

SEMARNAP Delegación Federal en Nuevo León(1999), Centro Estatal de Control de IncendiosForestales, http://beta.semarnap.gob.mx/nl/indexIE.htm

SEMARNAT (2001), Estadísticas e indicadoresde los recursos forestales, http:// www.semarnat.gob.mx/estadisticas_ambientales/estadisticas_am_98/forestales/forestales05.shtml

Sepúlveda, B. J., C. W. Zúñiga, E. M. Olguín y P.A. Gomero (1999), Implementación de un sistemade información geográfica para la prevención deincendios forestales en Baja California, Folleto Cien-tífico No. 1, INIFAP, SAGAR, México.

Stolyarchuk, L. V. (1979), “Structure of the forestfire seasons in the regions west and east of LakeBaikal”, Lesnoe-Khozyaistvo, no. 7, pp. 57-58.

Treviño, G. E., P. J. Jiménez y C. O. Aguirre (2000),“Evaluación de las superficies incendiadas en elsur de Nuevo León susceptibles a restauración”,IX Congreso Latinoamericano de Percepción Remota,Iguazú, Argentina, Sociedad Latinoamericana dePercepción Remota y Sistemas de InformaciónGeográfica, pp. 353-362.

UCDF No. 1 (1996), Programa de Manejo Forestaldel ejido Alfonso Corona del Rosal, México.

Van Wagner, C. E. (1982), Practical aspects of theline intersect method,Canadian Forestry Service,Petawawa National Forestry Institute Infor-mation, Report PI-X-12.

Villalpando, F. y E. García (1993), Agroclimatologíadel estado de Jalisco, Universidad de Guadalajara.

Wanielista, M., R. Kersten and R. Eaglin (1997),Hydrology, John Wiley & Sons, Inc., 2a. ed., EUA.

Wybo, J. L., F. Guarnieri and B. Richard (1995),“Forest-fire danger assessment methods anddecision support”, Safety Science , 20(1),pp. 61-70.

Zapata, P. C. (1991), Determinación de indicadoresde peligro potencial de incendios forestales con baseen la cuantificación del material combustible, UACH,Chapingo, México.

Desarrollo de un modelo espacial para la evaluación del ...

Documents

Transcript of Desarrollo de un modelo espacial para la evaluación del ...