Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
INTRODUCCIÓN
En los últimos años los incendios representan una amenaza para los ecosistemas forestales, sean éstos originados por factores naturales o antropogénicos; a su vez, el aumento en la frecuencia y la gravedad en estos eventos se ven potenciados por el cambio climático, el aumento de la temperatura y la sequedad, los cambios en el uso de la tierra y las intensas actividades antropogénicas (Ghomi et al., 1937; Crimmins, 2006; Running, 2006; Chen et al., 2012; Hantson et al., 2014; Eskandari y Chuvieco, 2015), agravando problemas socioambientales del territorio, por lo cual es necesario que los entes encargados de prevenir estos eventos, conservar ecosistemas y gobiernos locales que trabajan en la ordenación del territorio, adopten herramientas que permitan cumplir con dos acciones: a) evaluar la susceptibilidad al fuego, predecir la posible ocurrencia de incendios en el futuro e identificar áreas de alto riesgo; y b) tomar decisiones con respecto a la financiación, desarrollo y despliegue de recursos de extinción y prevención de incendios; sin embargo, el proceso natural que implica la ignición y propagación de incendios forestales tiene una naturaleza compleja y no lineal debido a la incidencia de factores como el clima, topografía, cobertura vegetal, actividad antrópica, etc.; lo que lo hace un evento complejo de predecir (Jaiswal et al., 2002; Pourghasemi, 2016; Tien Bui et al., 2017; Ngoc Thach et al., 2018).
A nivel mundial, plataformas como Active Fire Data, World View y Global Forest Watch, permiten identificar las áreas en peligro de incendio a través de anomalías térmicas detectadas por el sensor modis (Justice et al., 2002; Renard et al., 2012). En Ecuador contamos con un modelo nacional de susceptibilidad a incendios forestales construido a partir del análisis físico del fenómeno y está orientado a definir el origen, comportamiento en la ignición, considerando criterios heurísticos y la ponderación de variables; la propuesta metodológica de este modelo de susceptibilidad a incendios forestales se adapta a escala nacional y regional según la Secretaría Nacional de Gestión de Riesgos y Emergencias (SNGRE, 2017).
Para identificar la susceptibilidad a incendios forestales a diferentes escalas, ecosistemas y localidades en diferentes partes del mundo, se han utilizado varios métodos y algoritmos por medio de los sistemas de información geográfica y técnicas de teledetección, entre las que destacan en los últimos tiempos las técnicas de minería de datos, debido a que permiten analizar problemas complejos de múltiples variables y construir modelos predictivos a partir de grandes conjuntos de datos. Entre las técnicas que se usan, están el modelo lineal generalizado (GLM) (Bar Massada et al., 2012); los árboles de clasificación y regresión (CART) (Amatulli et al., 2006); la regresión múltiple logística (LMR), bosque aleatorio (RF) es un desarrollo de métodos de clasificación y árbol de regresión (Oliveira et al., 2012); redes neuronales artificiales (ANA) (Bisquert et al., 2012); árboles de regresión impulsado (BRT) es una combinación de técnicas estadísticas y de aprendizaje automático y una extensión de CART; máquina de vectores de soporte (SVM) (Hong et al., 2018); red neuronal perceptrónica multicapa (MLP) (Ngoc Thach et al., 2018); regresión logística del núcleo (KLR) (Zhang et al., 2019); árboles de decisión impulsados por gradiente (Sachdeva et al., 2018); modelos de optimización de enjambre de partículas (Tien Bui et al., 2017); MaXent que, en sí, es un modelo de aprendizaje automático disponible como software e implementado en PC (Phillips et al., 2006), el principio de este último recurso consiste en estimar la distribución de probabilidad de la entropía máxima (la más extendida o más cercana al uniforme) basado en dos conjuntos de datos: a) un conjunto de variables (tipo ráster) que en el caso de los incendios forestales se relacionan con el «triángulo del fuego»; b) registros georreferenciados de «presencia» de incendios, a partir de los datos mencionados se obtiene un mapa (tipo ASCII) que muestra la gradiente de probabilidad de ocurrencia de incendio por pixel, lo que resulta en un mapa de susceptibilidad, en donde los valores cercanos a 100 representan los pixeles que cumplen con las características para que se origine un incendio forestal y los valores cercanos a cero no cumplen con estas características (Phillips et al., 2006; Renard et al., 2012; Ibarra-Montoya y Huerta-Martínez, 2016).
Como se puede percibir, el modelo a obtenerse en MaXent es confiable y fácil de conceptualizar (Elith et al., 2006; Correia, 2019); sumado a la sencillez de su interfaz gráfica y al uso libre del software lo hace un programa altamente utilizado en diferentes estudios afines a la problemática en cuestión (Bar Massada et al., 2012; Ibarra-Montoya y Huerta-Martínez, 2016; Garrido et al., 2018).
Con estos antecedentes, el presente estudio pretende dar datos empíricos para una planificación eficiente en prevención y mitigación de los incendios forestales en Ecuador, a través de un estudio de caso en el cantón Loja; identificando áreas susceptibles a incendios forestales a partir de un modelo construido en MaXent, con datos de presencia de incendios forestales obtenidos del sensor modis y combinaciones de variables predictoras de estos eventos, pretendiendo que el modelo también pueda ser replicado en otras localidades. A su vez, como parte del control del fuego se identifica el tiempo de llegada del Cuerpo de Bomberos.
MATERIALES Y MÉTODOS
Área de Estudio
El cantón Loja se encuentra al sur del Ecuador (ver Figura 1), forma parte de la jurisdicción política de la provincia que tiene el mismo nombre y posee una superficie aproximada de 1895,53 km2. El clima es templado-ecuatorial, subhúmedo, con una temperatura promedio de 16-24 °C y un rango altitudinal de 12003800 m s. n. m. (Gobierno Provincial de Loja, 2016).
La época de mayor incidencia de incendios forestales se presenta durante los meses de julio a diciembre (Galindo et al., 2012). Estos incendios suelen ocurrir, sobre todo, por la quema descontrolada de matorrales y potreros para un nuevo periodo de cultivo, según el Plan de Ordenamiento Territorial del Gobierno Autónomo Descentralizado del Municipio de Loja (GAD Municipio de Loja, 2014).
METODOLOGÍA
En esta sección primero se describe el desarrollo del modelo de susceptibilidad a través del preprocesamiento de datos y el ajuste de MaXent para la obtención del modelo final y clasificación de probabilidad.
Datos de la presencia de incendio forestales
De la plataforma Active fire data (https://firms.modaps.eosdis.nasa.gov/active_fire/#firms-shapefile), se descargaron los datos georreferenciados de incendios forestales del sensor modis (espectro radiómetro de imágenes de media resolución), satélite que fue el primero en monitorear los incendios a través de la detección de anomalías térmicas por pixel (Justice et al., 2002; Renard et al., 2012). La información relacionada con cada registro y relevante para el presente estudio incluyó la ubicación (latitud y longitud) y fecha. La confiabilidad y precisión de modis ha sido comprobada en estudios como el de Huesca et al. (2009); Merino-de-Miguel et al. (2011); Renard et al. (2012). Si bien el sensor presenta conflictos en la obtención de valores de reflectividad de superficie por la presencia de nubes y puede confundir las sombras de las nubes como área quemada, los datos de éste nos aproximan a la realidad de la problemática (Jin y Sader, 2005; Giglio et al., 2018; Roteta et al., 2019). Para el periodo 2012-2018, se seleccionó aquellos datos correspondientes al área de estudio y se filtró para escoger los que se encontraban en áreas de vegetación nativa y plantación forestal.
Predictores medioambientales
Consideramos diferentes conjuntos y fuentes predictores ambientales de ocurrencia de incendios, los mismos se resumen en la tabla 1.
Predictores antrópicos
Teniendo en cuenta que la variable antrópicos es una fuerte predictora de incendios forestales según (Chuvieco et al., 2007; Vilar del Hoyo et al., 2007) y, según la Secretaría Nacional de Gestión de Riesgos el 99% de los incendios forestales en el Ecuador se dan por la intervención del hombre (Ocles, 2008). Se crearon a partir de las capas tipo .shp* de vías, ríos, pendiente, cobertura vegetal y centros económicos; tres capas de accesibilidad, es decir, capas que nos indiquen el tiempo de desplazamiento desde cada celda hacia el centro económico, vías, zonas antrópicas y estaciones de bomberos, esta última capa no fue parte del modelo. Las capas obtenidas fueron de tipo ráster y con tamaño de celda de 100 m2.
Predictores ambientales
Diecinueve capas bioclimáticas con resolución espacial de 1 km2 se descargaron de la página World Clim (versión 1.4) (Fick y Hijmans, 2017), estas fueron cortadas para el área de estudio y reproyectadas al sistema wgs84/utm-17s (ver Tabla 1).
Los datos tipo ráster se los transformó a archivos ASCII (archivo compatible con MaXent) y se verificó que estén en una misma resolución y extensión espacial. Antes de obtener el modelo final se realizó un modelo previo, para identificar las variables de mayor importancia. En el primer modelo se utilizaron las diecinueve capas bioclimáticas y tres capas de accesibilidad (Tabla 1), estas capas se ajustaron a un tamaño en común de 100 m2.
En el segundo modelo se realizó un análisis de correlación (Pearson) entre las veintidós capas, eliminándose aquellas variables que resultaron tener una fuerte correlación (> 0,8) con las variables que de acuerdo con el primer modelo contribuían más. Finalmente, fueron seleccionadas doce variables para generar el modelo definitivo (ver Figura 2). En ambos modelos, el 25% de los 170 datos obtenidos fueron utilizados para la evaluación del modelo, y se realizó un test de Jackknife para identificar las variables que tienen mayor peso dentro del modelo a obtenerse (Phillips et al., 2006).
Para validar el modelo final, se evaluó su rendimiento en función del ROC (Receiver Operating Characteristic), comúnmente utilizado para evaluar modelos de distribución y que proporciona un área bajo la curva como una medida general del modelo (Fielding y Bell, 1997; Phillips et al., 2006).
Mapeo de susceptibilidad de incendios forestales y tiempo de accesibilidad
El modelo resultante fue un modelo logístico, que fue reclasificado en 3 rangos de probabilidad (ver Tabla 2) elegidos a partir del criterio del autor, esto permitió obtener un archivo shape (*.shp) y eliminar los datos de una probabilidad baja.
También se creó una capa de accesibilidad a estaciones de bomberos y en esta se definió intervalos de tiempo de 0-5, 5-30, 30-60 y de más de 60 min. En la capa de cobertura vegetal se eliminó aquellos datos que correspondían a un uso antrópico, dejándose solo los datos de vegetación natural y plantaciones forestales. Las tres capas provenientes del proceso anterior fueron unidas, lo que permitió identificar aquellas zonas de vegetación natural o plantaciones forestales con probabilidad media o alta de incendio y tiempo de accesibilidad a esos sitios.
RESULTADOS
Modelo predictivo MaXent
La robustez del modelo se ve respaldada por los estudios de Welsh et al. (1996); Peterson et al. (2000); Stockwell y Peterson (2002), que mencionan que se debe utilizar como mínimo 50 puntos y tomar en cuenta la resolución espacial para tener una buena aproximación de las condiciones del territorio; en el presente estudio se utilizó 170 puntos de presencia y variables con una resolución espacial fina (pixeles de 1 km2). Con respecto a la calidad del modelo, según Parolo et al. (2008) y Correia (2019), es buena al arrojarse un área bajo la curva (AUC) de 0,872 para los datos de enteramiento (training data). En la prueba Jackknife las variables que tuvieron mayor ponderación dentro del modelo son: distancia a zonas antrópicas, la temperatura media del trimestre más frío (Bio6) y la precipitación del trimestre más seco (Bio17).
Analizando las curvas de repuesta generadas en el software, las zonas que tienen una susceptibilidad media de que ocurra un incendio forestal son aquellas que se encuentra a una distancia menor a 2700 m de las zonas antrópicas, siendo éste el predictor más fuerte para la ocurrencia de incendios forestales; con respecto a la variable temperatura mínima en el mes más frío que corresponde al mes de julio y la precipitación en el trimestre más seco que corresponde a los meses de julio, agosto, septiembre, según el Instituto Nacional de Meteorología e Hidrología (INAMHI, 2018). Si existe una temperatura que varía entre 9,2°C y 12,5 °C; y una precipitación de 75 mm, existe mayor probabilidad de que ocurra un incendio forestal en dichos meses.
Área susceptible a incendios forestales
Existe un total de 26.812,48 (20,48%) de las 130.892,35 ha de cobertura natural del cantón, que tienen una probabilidad entre el 50%-80% de ocurrencia de incendios forestales. La vegetación arbustiva y herbácea representan el 21,33% y 51,34% del área identificada, respectivamente; la cobertura forestal es la menos susceptible a incendios forestales, con un área que representa el 2,93% de la identificada (ver Figura 3a).
Accesibilidad en minutos a las áreas susceptibles a incendios forestales
El 32,94% (8833 ha) del área susceptible a incendios forestales se encuentra dentro del radio de acción de 7 km de las estaciones de bomberos, de éstas, solo 10,67 ha tienen un tiempo de llegada de 5 min del Cuerpo de Bomberos, tiempo recomendado por la SNGRE (2016) y la National Fire Protection Association (NFPA, 2018). Para identificar la calzada de las vías de acceso a las zonas identificadas como susceptibles a incendios forestales, se realizó una consulta espacial en el software QGIS. Una buena parte de las zonas que tienen un tiempo de llegada mayor a 60 min tienen acceso por vías de tierra; las que están en un tiempo de 30 a 60 min tienen vías de tierra y lastradas, y las zonas con un tiempo de llegada de 5 a 30 min y de 0 a 5 min, tienen los tres tipos de vías: de tierra, lastrada y de pavimento. En la figura 3b se identifica el área afectada de incendios según el tiempo de llegada del Cuerpo de Bomberos (ver Figura 3b).
DISCUSIÓN
Al comportarse como un proceso estocástico la ignición por fuego y el entorno variable de nuestra área de estudio, no se puede dar conclusiones generales sobre el proceso de pre-ignición; sin embargo, se identifica que la variable distancia a zonas antrópicas es el predictor que incide en la mayor ocurrencia de incendios forestales. Este resultado concuerda con los estudios realizados por Sturtevant y Cleland (2007); Syphard et al. (2007); Bar Massada et al. (2012); Parisien et al. (2012) en diferentes localidades y que proyectan a las actividades antrópicas y cercanía de las poblaciones como la principal causa de incendios forestales; así mismo concuerda de forma local, con lo descrito en el Plan de Ordenamiento Territorial del cantón Loja (GAD Municipio de Loja, 2014). Adicionalmente, las variables climáticas que son fuertes predictoras de incendios forestales en el cantón Loja son la temperatura media del trimestre más frío (Bio6) y la precipitación del trimestre más seco (Bio17), predictores que suelen ocurrir entre los meses de julio y septiembre.
Las variables antropogénicas a menudo se obtienen fácilmente y pueden claramente relacionarse con la distancia o densidad de los incendios, no se puede decir lo mismo de los datos climáticos, los cuales a menudo no tienen la misma resolución y calidad. Esto limita la georreferenciación de áreas problemáticas, pero ayudan estimar la probabilidad de incendio cuando no contamos con datos climáticos multitemporales y cuando hemos limitado los datos de incendios a áreas forestales. Hay que mencionar que el área de estudio, por sus condiciones climáticas y estructura de la vegetación (poca combustibilidad), no presenta incendios como un proceso natural y, por ende, la variable climática no está relacionada directamente en el origen de estos eventos (Arpaci et al., 2014; Merino-de-Miguel et al., 2011), pero sí influye en el desarrollo de las actividades antrópicas, de forma especial en la agricultura. Justamente en los meses mencionados es en donde se da la preparación de terreno previa a la siembra agrícola, y por ende se puede apreciar que existe una mayor frecuencia de incendios forestales (Galindo et al., 2012; GAD Municipio de Loja, 2014; Soto, 2017).
Ante la falta de estudios y para validar el modelo, se comparó las áreas (parroquias) identificadas como susceptibles a incendios forestales con datos de frecuencia de incendios proporcionados por la SNGRE, comprobándose que las áreas identificadas coinciden, y que el modelo puede ser útil para la limitación de áreas susceptibles a incendios forestales y posterior uso eficiente de recursos en las campañas de prevención y mitigación de incendios forestales por parte de las entidades involucradas (Armenteras et al., 2009; Rodríguez Montellano, 2012; Díaz-Hormazábal y González, 2016). A nivel nacional, el 99% de los incendios forestales se atribuye a las actividades antrópicas, pero esto no está respaldado con datos estadísticos, por lo cual este estudio también puede contribuir a esa discusión, y evidenciar que las variables climáticas juegan un papel importante en la distribución espacial y origen de los incendios forestales y dar paso a un estudio más profundo sobre su relación multitemporal con los incendios y actividades económicas.
Como punto aparte, dentro del control de los incendios forestales es necesario identificar el tiempo de atención del Cuerpo de Bomberos de Loja (CBL). Según la SNGRE (2016) y NFPA (2018) el tiempo óptimo de atención del cuerpo de bomberos a cualquier emergencia, incluyendo incendios forestales es de 5 min, pero en estudios en diferentes partes del mundo se estima un tiempo óptimo entre 4 y 6 min (Liu et al. 2006; Zhang y Jiang, 2012; Savsar, 2014; Satchet et al., 2018). Dicho esto, el 99,96% de área susceptible a incendios forestales identificada en el presente estudio está fuera del tiempo de atención óptimo establecido por la entidad nacional (SNGRE) y mundial (NFPA), sin embargo, esto no implica una negligencia por parte del CBL ya que este ente basa su ubicación en la concentración poblacional y cobertura territorial, además, que el tiempo de atención se ve afectado por la existencia de barreras físicas, geográficas y la topografía (Aponte, 2016; Díaz, 2018). La importancia de tomar en cuenta el tiempo de atención dentro de los programas de prevención, es que una vez identificadas las áreas susceptibles se podrá implementar brigadas comunitarias (primera respuesta) en sectores problemáticos, las mismas que pueden ayudar en la prevención y control del fuego, y promover prácticas seguras de quema en la agricultura (Food and Agriculture Organization of the United Nations, 2000).
El estudio representa el primer modelo predictivo de susceptibilidad a incendios forestales realizado en el cantón Loja, utilizando un algoritmo de aprendizaje automático como lo es el software MaXent, cuyo uso ha sido puesto en discusión en estudios como los de Phillips et al. (2006); Chen et al. (2015). La confianza en este software es validada por la predicción que realiza en función de datos de presencia de los eventos y la relación que tienen éstos con las variables del entorno.
CONCLUSIONES Y RECOMENDACIONES
Los resultados de este estudio nos indican con datos empíricos, que la vegetación nativa y forestal que se encuentre a una distancia no mayor de 2700 m a zonas en donde se desarrollan las actividades antrópicas, son aquellas que son más susceptibles a la ocurrencia de un incendio forestal. Así mismo, podemos comprobar, y de acuerdo a las variables utilizadas, que la temporada de incendios forestales en el cantón Loja, abarca los meses de julio, agosto y septiembre.
A pesar de que un incendio forestal se comporta como un proceso estocástico, el uso del software MaXent es una herramienta útil, de fácil manejo y conceptualización del modelo a obtenerse En cuanto a incendios forestales, lo que lo hace atractivo para que entidades ajenas a la academia, puedan utilizarlo y ejecutar a partir de los resultados, programas de mitigación, prevención y control. Recalcando que el rol de la academia siempre será importante para el desarrollo de investigación con respecto al proceso de preignición, ignición, afectación y recuperación de una zona quemada.
Levantar información con respecto a la accesibilidad de los servicios de emergencia daría información valiosa con respecto a su ubicación y eficiencia de atención a zonas problemáticas o alejadas, siendo este un punto que se debe empezar a investigar.
