Magister en Recursos Naturales - repositorio.uc.cl
Transcript of Magister en Recursos Naturales - repositorio.uc.cl
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE FACULTAD DE AGRONOMIA E INGENIERIA FORESTAL
DIRECCION DE INVESTIGACION Y POSTGRADO MAGISTER EN RECURSOS NATURALES
PROPUESTA DE UN ÍNDICE DE INFLAMABILIDAD DE PAISAJES: CONECTIVIDAD ESPACIAL Y CARACTERÍSTICAS DE LOS COMBUSTIBLES
Tesis presentada como requisito para optar al grado de
Magister en Recursos Naturales
por:
Mauricio Esteban Caroca López
Comité de Tesis Profesor Guía: Horacio Gilabert P.
Profesores Informantes: Marcelo D. Miranda
Francisco Meza
Diciembre 2019 Santiago-Chile
2
ÍNDICE
ABSTRACT ................................................................................................................... 4
1. INTRODUCCIÓN ............................................................................................. 5
2. METODOLOGÍA ............................................................................................ 11
2.1. Generación de paisajes ................................................................................. 11
2.2. Simulador de dispersión de incendios ........................................................... 14
2.3. Índice de inflamabilidad de paisajes .............................................................. 18
2.4. Análisis estadístico ........................................................................................ 20 2.4.1. Relación del índice de inflamabilidad de paisajes (IIP) y las variables
estructurales del paisaje. ........................................................................... 21 2.4.2. Influencia de las variables estructurales del paisaje en el potencial impacto
de los incendios forestales. ....................................................................... 21 2.4.3. Relación entre el impacto potencial de un incendio forestal y el índice de
inflamabilidad de paisajes (IIP). ................................................................. 22
3. RESULTADOS .............................................................................................. 23
3.1. Influencia de las variables estructurales en el índice de inflamabilidad de paisajes ......................................................................................................... 23
3.1.1. Análisis descriptivo del índice de inflamabilidad de paisajes ..................... 24 3.1.2. Análisis inferencial del índice de inflamabilidad de paisajes ...................... 26
3.2. Influencia de la configuración del paisaje en el impacto de los incendios forestales ....................................................................................................... 30
3.2.1. Análisis descriptivo del área quemada ...................................................... 30 3.2.2. Análisis inferencial del área quemada ....................................................... 33
3.3. Relación entre el área quemada y el índice de inflamabilidad de paisajes. .... 34
4. DISCUSIÓN .................................................................................................. 36
4.1. Influencia de la configuración del paisaje en el índice de inflamabilidad ........ 36
4.2. Influencia de la configuración del paisaje en el área quemada ...................... 37
4.3. Relación entre el índice de inflamabilidad de paisajes y el área quemada ..... 40
5. CONCLUSIÓN ............................................................................................... 44
RESUMEN .................................................................................................................. 45
REFERENCIAS ........................................................................................................... 46
3
AGRADECIMIENTOS
El periodo de realización de este trabajo estuvo marcado por momentos diversos, de
altos y bajos, de presencia y ausencias, de cambios y definiciones, y sobre todo, de
crecimiento. Por este motivo, quisiera agradecer el constante apoyo, cariño, motivación,
y paciencia de las personas que han estado presentes durante este proceso.
Gracias a mi familia por, una vez más, sacrificarse y permitirme realizar este estudio.
Gracias a mi pareja por estar siempre presente y ser un eje de apoyo y soporte
constante. Gracias a las nuevas amistades, quienes desde sus propias visiones y
experiencias me han entregado puntos de vistas diferentes a los propios, propiciando el
crecimiento personal mediante el intercambio de opiniones, y gracias a las antiguas
amistades que, a pesar de la distancia espacial o temporal, siempre se hacen presente
en momentos importantes.
4
Propuesta de un índice de inflamabilidad de paisajes: conectividad espacial y características de los combustibles
Mauricio Esteban Caroca López
Departamento de Ecosistemas y Medio Ambiente
Facultad de Agronomía e Ingeniería Forestal Pontificia Universidad Católica de Chile
ABSTRACT
Mauricio Esteban Caroca López. Propuesta de un índice de inflamabilidad de
paisajes: conectividad espacial y características de los combustibles. Tesis,
Magister en Recursos Naturales, Facultad de Agronomía e Ingeniería Forestal, Pontificia
Universidad Católica de Chile. Santiago, Chile. 52 pp. Forest fires can be highly
dangerous and harmful to people and the environment when uncontrollable. Structural
landscape variables can be managed in the short to medium term to reduce the impacts
of fires. The influence of structural components of the landscape (number of patches,
proportion of different land uses and their level of aggregation) on the potential impact of
forest fires was determined, as well as the relationship between a landscape flammability
index (LFI) with the structural variables, and their relationship with the potential impact of
a fire. The results indicate that landscapes with a higher proportion of forest plantations,
at the expense of native forest, slightly increase the potential impact of a forest fire, whilst
the number of patches and the type of grouping were not relevant. Conversely, the
proposed LFI is strongly related to the number of patches, followed by the land use
proportion, and to a lesser extent the type of clustering, whereby a greater number of
patches, the greater proportion of forest plantations, and the random distribution of native
forest obtained a greater flammability each. Similarly, the relationship between LFI and
the burned area was positive, whereby the estimated burned area increases as the index
increases. However, the models used for the burned area obtained low performances,
evidencing the need of more complex statistical models or the inclusion of new variables,
to explain the area burned by using structural variables and to improve the relationship
between the LFI and the burned area.
Key words: Forest fires, wildfire impact, landscape composition and configuration,
landscape flammability index.
5
1. INTRODUCCIÓN
Los incendios forestales (wildfires en inglés) son definidos como la ocurrencia de fuego
indeseado en lugares naturales o rurales, quemando sitios silvestres, terrenos agrícolas
y bosques, cuyo comportamiento puede volverse incontrolable y, por ende, representa
un fenómeno peligroso y dañino para las personas y el medio ambiente (Leuenberger
et al., 2018). Los incendios han estado presentes de forma natural interactuando con las
comunidades de plantas en un rol clave para la adaptación y el equilibrio ecosistémico
(Pausas y Keeley, 2009). Plantas de ecosistemas mediterráneos han desarrollado
adaptaciones a fuegos periódicos, recuperándose a través de la regeneración por
estructuras subterráneas, pudiendo ser un proceso de pre-adaptación para la
sobrevivencia a los incendios (Wells, 1969; Sabadin et al., 2015). Hoy en día, la principal
causa de incendios en áreas pobladas se relacionan con las actividades humanas, ya
sea de manera voluntaria o involuntaria (San-Miguel-Ayanz et al., 2012).
Los incendios forestales son un problema complejo y creciente, debido al impacto socio-
económico y ambiental que producen, principalmente cuando se ven comprometidos
sitios en el interfaz urbano-rural, impactando directamente a las personas a través de la
destrucción de viviendas e infraestructura, pérdidas de vidas y drenaje financiero debido
a la disposición de recursos en combate y recuperación post-incendios, pudiendo
resultar en desastres de escalas inimaginables (Chatto y Tolhurst, 2004; Stepanov y
Macgregor, 2012; Castillo et al., 2013). Además, son considerados los más grandes
disruptores económicos en ecosistemas mediterráneos, no solo debido al gasto en
combate y recuperación, sino también por la pérdida de productividad en terrenos
agrícolas y forestales afectados (Molina et al., 2014).
A nivel mundial se registran dos millones de incendios cada año, siendo la mayoría de
estos pequeños en términos de superficie afectada, mientras que la menor proporción
de estos incendios son aquellos que pueden provocar grandes impactos ecológicos y
socio-económicos debido a que tienden a sobrepasar las capacidades de supresión
(Strauss et al., 1989; Bowman et al., 2017). Es probable que los costos causados por
dichos incendios aumenten a medida que estos se vuelvan más graves y frecuentes en
aquellas regiones expuestas al fuego debido al cambio climático (Handmer et al., 2012).
6
Existen distintas denominaciones para los incendios en función de su comportamiento e
impacto, el termino tormenta de fuego ha sido utilizado en Chile, y se refiere a situaciones
donde grandes áreas silvestres con alta carga de combustible se queman
simultáneamente, partiendo de diferentes focos individuales (Werth et al., 2011). Sin
embargo, según Tedim et al. (2018) el término incendio forestal extremo (EWE, por sus
siglas en inglés - Extreme wildfire event) es el que mejor captura la complejidad y
diversidad de fenómenos, el comportamiento incierto y las dimensiones físicas,
ecológicas y sociales relevantes de estos incendios extraordinarios. Además, este
término está siendo utilizado frecuentemente como sinónimo de otros términos
relacionados a incendios de gran intensidad y tamaño.
Gill et al., (2013) mencionan que los grandes incendios en Estados Unidos, Chile,
Canadá y Australia ilustran la gravedad mundial del problema de los incendios forestales.
Asimismo, Canadá, Chile, Portugal y Estados Unidos son ejemplos recientes de grandes
incendios forestales entre 2016 y 2017 (Tedim et al., 2018). En Portugal, el incendio
ocurrido en junio de 2017 resulto en 65 muertos, más de 200 heridos, 458 estructuras
completamente destruidas, y 45.328 ha quemadas. El comportamiento extremo y el
impacto registrado fue el resultado de un complejo de relaciones entre procesos a gran
escala (interacción atmosfera-fuego) y su interacción con procesos y condiciones locales
como vientos fuertes y variables, topografía compleja, alta carga de combustible con bajo
contenido de humedad, combustible continuo y alta conectividad de paisaje, baja
preparación, inadecuada percepción del riesgo y pobre ataque inicial (Tedim et al.,
2018).
En Chile, durante el periodo 2016-2017 se registraron 5.274 incendios que quemaron
570.197 ha (CONAF, 2018). Sin embargo, el promedio nacional anual para el periodo
1997-2010 fue de 5.619 incendios, con 52.905 ha·año-1 quemadas (Castillo et al., 2013).
Entonces, el área quemada para el periodo 2016-2017 aumentó en un orden de
magnitud, mientras que la cantidad de incendios mostró una leve disminución. Las
posibles causas de estos incendios son una combinación de actividades humanas, altas
temperaturas récord y una sequía prolongada, atribuida al cambio climático (Boisier
et al., 2016). Las olas de calor junto a sequias prolongadas son parte de los principales
contribuyentes a incendios forestales. En Europa, más de 25.000 incendios se
registraron durante la ola de calor del año 2003, quemando 650.000 ha de bosque,
7
matorral y terrenos agrícolas, siendo Portugal el país más afectado con 390.000 ha
quemadas (Parente et al., 2018).
El comportamiento del fuego está determinado por las interrelaciones existentes entre
diversos factores, las variables meteorológicas (humedad relativa, dirección e intensidad
de viento, temperatura), topográficas (inclinación y orientación de la pendiente), de
combustibles (cantidad, tipo, continuidad), y distintos procesos químicos, físicos y
mecánicos derivados de su progresión (Finney, 2004; Castillo y Garfias, 2010; Stepanov
y Macgregor, 2012). Debido a la influencia de estos factores es que un incendio se
propaga siguiendo patrones más o menos definidos permitiendo su simulación (Castillo
y Garfias, 2010).
Los simuladores de dispersión de incendios son modelos analíticos efectivos, y su
importancia radica en que proporcionan predicciones realistas y oportunas de la
expansión temporal y espacial del frente del fuego, su intensidad y velocidad de
propagación (Stepanov y Macgregor, 2012). Estos permiten evaluar el riesgo potencial
sobre la vida humana, propiedad, infraestructura e instalaciones, y se constituyen como
un soporte para procesos de toma de decisión, en especial en términos de asignación
de recursos, y estrategias tácticas y de supresión (Rothermel, 1972; Castillo et al., 2017).
Por otra parte, estimar la probabilidad de ocurrencia de incendios permite la elaboración
de planes de protección, permitiendo así reducir los daños potenciales del fuego. En este
contexto, la implementación de mapas de susceptibilidad a incendios forestales y la
investigación de los principales factores que los inducen es fundamental (Leuenberger
et al., 2018).
Existen distintos tipos de simuladores del comportamiento del fuego, los cuales
consideran las variables ya mencionadas para calcular la tasa de dispersión del fuego,
largo de la llama, intensidad del fuego, y calor por unidad de superficie (Cheney, 1968).
Algunos ejemplos son Behave Plus, Farsite, FlamMap, Visual Cardin, Spark o KITRAL.
La tasa de dispersión, también conocida como velocidad de propagación, es una medida
de la expansión de un incendio medido tanto en forma lineal (m·s-1, m·min-1, km·h-1) como
en términos de área (m2·min-1, ha·h-1), entendido también como la tasa a la cual un
incendio crece o el tiempo que toman las llamas en desplazarse de un punto geográfico
a otro (Castillo et al., 2017).
8
Las variables ya referidas de los combustibles forestales (cantidad, tipo, continuidad)
también influyen en la inflamabilidad, la cual se puede definir como la capacidad de un
combustible para entrar en ignición y sostener el fuego en el tiempo, es decir, la facilidad
con que arderán al entrar en contacto con una fuente de calor (Neri-Pérez et al., 2009).
Diversos factores antrópicos, como densidad poblacional y distancia a sectores donde
las personas se desenvuelven, son considerados relevantes al estudiar la ocurrencia de
incendios o puntos de ignición, y por ende, son importantes para estudios de riesgos
(Beverly et al., 2009; Castillo et al., 2013; Ganteaume et al., 2013; Pourtaghi et al., 2015).
Adicionalmente, Nunes et al., (2016) y Leuenberger et al., (2018) consideran que los
factores estructurales (uso de suelo, porcentaje de cobertura, carga de los combustibles,
disposición espacial y continuidad de los combustibles) son los más importantes para
determinar el área afectada por un incendio. Asimismo, Piñol et al., (2005) mencionan
que el factor más importante para reducir la ocurrencia y dispersión de incendios es la
disminución de la carga de combustibles, ubicándose incluso por sobre el combate.
De este modo, las características de un paisaje podrían determinar el impacto que un
incendio realice sobre el territorio. Estas características están asociadas con variables
de composición y configuración. La primera se define como qué y cuánto hay de cada
cobertura en el paisaje. Mientras que la segunda corresponde a un arreglo espacial
específico de elementos dentro del paisaje (Turner y Gardner, 2015). Ambas variables
determinan el grado de heterogeneidad de un paisaje, entendido como el estado o
cantidad de elementos disímiles dentro del paisaje (Turner y Gardner, 2015). Sin
embargo, los procesos que sean captados en el paisaje dependerán de la escala de
observación utilizada (Fortin y Dale, 2005). La escala corresponde a la dimensión
espacial y temporal de un objeto o proceso, caracterizado tanto por el grano y su
extensión (Turner y Gardner, 2015) .
De esta manera, al igual que las simulaciones sirven de apoyo para tomar decisiones de
prevención y manejo de incendios (Rothermel, 1972; Avolio et al., 2011), un índice de
inflamabilidad de paisaje, basado en la estructura espacial de los combustibles y su
conectividad, serviría de apoyo a la toma de decisiones estratégicas en la prevención
de incendios y manejo de combustibles para grandes áreas, y para evaluar amenazas a
las poblaciones, infraestructura u otras áreas de interés. Los índices de conectividad de
paisaje toman en consideración la estructura espacial de hábitat y la conexión entre ellos.
9
Estos índices se basan en la ecología del paisaje, donde un paisaje es entendido como
una entidad física, ecológica y geográfica, en la cual ocurren procesos en diferentes
escalas espaciales y temporales (Naveh, 1987). La conectividad presente en un paisaje
se define como la capacidad del territorio para favorecer la dispersión y flujos, tanto de
materia como de energía (Taylor et al., 1993; Martinez et al., 2013; Saura, 2013).
Asimismo, los incendios son procesos que ocurren dentro de un territorio, el fuego es un
flujo de energía con capacidad para dispersarse a través del paisaje, y el paisaje ejerce
resistencia a su desplazamiento a través de estructuras o materiales que se encuentren
en su trayectoria. Por este motivo, la aplicación de índices de conectividad para el
contexto de los incendios parece factible.
Un índice de inflamabilidad de paisajes puede interpretarse como la facilidad del paisaje
para transmitir el fuego desde un punto de ignición a otro de destino, utilizando el camino
que permita un tiempo mínimo de viaje entre estos puntos (Stepanov y Macgregor,
2012). Adicionalmente, permitiría inferir cómo los cambios de usos de suelo o su
configuración espacial influyen en el potencial que tiene un determinado paisaje en la
dispersión de incendios. A pesar de ser las variables ambientales las que determinan la
dinámica temporal de la ocurrencia de incendios, son las variables estructurales del
paisaje las que, mediante manejo, pueden ser modificadas en el mediano-corto plazo y,
por ende, deben ser estudiadas para determinar la susceptibilidad de un área
determinada a la propagación de un incendio (Leuenberger et al., 2018).
A pesar de la disminución del área quemada durante la temporada 2018 en Chile, donde
solo 28.721 ha fueron afectadas por incendios forestales desde el inicio de la temporada
hasta el 1 de marzo (CONAF, 2018), no es posible esperar que el incremento de recursos
para combatir siniestros sea permanente. Chile central es particularmente sensible al
cambio climático y los recientes incendios resaltan la necesidad urgente de una
respuesta institucional robusta a escala de paisaje para reducir el riesgo que el fuego
representa para las personas, los servicios del ecosistema y la biodiversidad (Martinez-
Harms et al., 2017).
Por este motivo, la pregunta de investigación es: ¿Cuál es la influencia de las variables
estructurales del paisaje, representadas por el número de parches, la proporción de usos
de suelos y el nivel de agregación de estos, en la dispersión de incendios y en un índice
de inflamabilidad? De este modo, el objetivo general corresponde a determinar la
10
influencia de la composición y configuración del paisaje en la dispersión de incendios y
su relación con un índice de inflamabilidad de paisajes propuesto. Mientras que los
objetivos específicos son: (i) Determinar la influencia de componentes estructurales del
paisaje en el potencial impacto de los incendios forestales, determinado a partir del área
quemada, (ii) estimar la influencia que poseen las variables estructurales en un índice
de inflamabilidad de paisajes y, (iii) evaluar la relación del índice de inflamabilidad con el
impacto potencial de incendios forestales en diferentes paisajes.
11
2. METODOLOGÍA
Se simularon diversos paisajes para determinar la influencia de variables estructurales,
entendidas como aquellas variables de composición y configuración del paisaje que
fueron evaluadas, es decir, número de parches, proporción de usos de suelo y nivel de
agregación de los usos de suelos– en el potencial impacto de incendios forestales, para
lo cual se aplicó un simulador de incendios a los paisajes generados.
Por otra parte, el índice de inflamabilidad de paisajes propuesto se obtuvo mediante la
utilización del índice probabilidad de conectividad (Saura y Pascual-Hortal, 2007),
tomando en consideración la carga de combustibles de los parches y sus relaciones
espaciales mediante el uso de un algoritmo de camino de mínimo costo, obteniendo la
ruta de menor resistencia al paso del fuego entre cada par de parches del paisaje.
Adicionalmente, se analizó la influencia de las variables estructurales en el índice de
inflamabilidad de paisaje propuesto, y la relación existente entre el índice de
inflamabilidad y el área quemada por un incendio.
En esta sección se presentan 4 subsecciones, la primera describe la generación de los
paisajes simulados, luego se presentan los algoritmos utilizados por el simulador de
dispersión de incendios forestales empleado, se continúa con la formulación del índice
de inflamabilidad de paisajes propuesto, y finaliza con la descripción del análisis
estadístico realizado.
2.1.Generación de paisajes
La relación entre el impacto de un incendio forestal y la configuración espacial y/o índice
de inflamabilidad se evaluó a través de una amplia variedad de paisajes, los que fueron
simulados con diferentes configuraciones basados en tres factores: número de parches,
proporción de usos de suelos, y tipo de agrupación entre los usos de suelo.
Los paisajes simulados fueron cuadrados de 9x9 km2, donde se asignaron cuatro
números de parches – 49, 144, 289, y 484 – creados mediante la generación de puntos
y posterior aplicación de teselaciones de Voronoi (Passolt et al., 2013). Los puntos
fueron generados a través de una red sistemática, y posteriormente se añadió
variabilidad a una porción de los puntos creados, para representar paisajes forestales
12
manejados por el ser humano, caracterizados por la existencia de estructuras semi-
regulares dada la presencia de vértices entre cuatro parches (Passolt et al., 2013).
El primer mecanismo de adición de variabilidad consistió en la creación de un número
mayor de puntos de los requeridos – 49, 144, 289, y 484 – siguiendo la ecuación (1),
donde 𝑛1 corresponde a los puntos inicialmente generados, y 𝑛𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 al número de
puntos requeridos (ver Figura 1 a)). Posteriormente se eliminó aleatoriamente los puntos
sobrantes hasta alcanzar los puntos objetivos (ver Figura 1 b)).
𝑛1 = (√𝑛𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜 + 4)2
(1)
El segundo mecanismo correspondió a la relocalización del 30% de los puntos objetivos,
donde cada coordenada del eje cartesiano puede cambiar siguiendo una distribución
normal con media igual a la coordenada original, y desviación estándar igual al 40% de
la distancia promedio entre dos puntos (514,3 m para 49 puntos; 300 m para 144 puntos;
211,8 m para 289 puntos; y 163,6 m para 484 puntos) (ver Figura 1 c)). Posteriormente
se aplicó la teselación de Voronoi a los puntos resultantes, obteniendo un mapa de
parches sin información de usos de suelo (ver Figura 1 d)).
Posteriormente, se asignaron tres diferentes usos de suelos a los parches creados –
bosque nativo, plantaciones forestales, y sitios agrícolas – utilizando tres proporciones
de usos de suelo con los siguientes niveles: Bosque nativo en mayor proporción que
plantación forestal (p1: 50,0% - 16,6%), bosque nativo en igual proporción (p2: 33,3% -
33,3%), y bosque nativo en menor proporción (p3: 16,6% - 50,0%), manteniendo
constante la proporción uso agrícola (33,3%). Además, se utilizaron cuatro clases de
agrupamiento de estos usos de suelo: aleatoria (m1), bosque nativo agrupado (m2),
plantación forestal agrupada (m3), y bosque nativo y plantación forestal agrupadas (m4).
Figura 1. Método de generación de parches en el paisaje. a) Generación de puntos en red sistemática, b) eliminación aleatoria de puntos hasta obtener el número requerido, c) relocalización de puntos para añadir variabilidad espacial, d) parches resultantes de la teselación de Voronoi.
13
Figura 2. Diseño de paisajes a partir de diferentes mecanismos de asignación y proporción de usos de suelos, utilizando un paisaje de 484 parches; el color verde corresponde a bosque nativo, amarillo a sitio agrícola, y rojo a plantación forestal.
La asignación del uso de suelo y del agrupamiento se realizó simultáneamente,
asignando en primer lugar todos los usos de suelos asociados a bosque nativo, luego a
plantaciones forestales, finalizando con sitios agrícolas. En paisajes sin agrupamiento,
la asignación fue realizada de manera aleatoria, mientras que paisajes con algún tipo de
agrupamiento seleccionaron aleatoriamente un parche y les asignaron el uso de suelo
correspondiente. Luego fue asignado el mismo uso de suelo a aproximadamente el
66,67% de los parches inmediatamente vecinos. Finalizando con la asignación al 50%
de los parches inmediatamente vecinos asociados a la asignación anterior, y repetir el
procedimiento hasta alcanzar el número de parches a ser asignados. Los paisajes
resultantes pueden visualizarse en la Figura 2, mientras el diseño creado a partir de las
simulaciones de paisajes se observa en la Tabla 1, mostrando la cantidad de parches
que fueron asignados a determinados usos de suelos en función de la variable de
proporción. Se generaron 10 repeticiones por configuración de paisajes, obteniendo un
total de 480 paisajes simulados.
14
2.2.Simulador de dispersión de incendios
El impacto producido por un incendio forestal fue analizado a través del área quemada
estimada por el simulador de incendios KITRAL. Este sistema fue desarrollado para Chile
debido a la inexistencia de la información necesaria para el uso de otros simuladores,
por lo que es considerado una alternativa de ejecución simple y confiable en cuanto a la
información requerida (Pedernera et al., 2004).
El sistema KITRAL se basa en un modelo de combustibles (Julio et al., 1995a) que
proporciona la siguiente información para cada tipo de combustible:
• carga original (ton/ha)
• consumo normal (%)
• combustible disponible (kg/m2)
• poder calórico superior (Kcal/kg)
• energía del combustible (Kcal/m2)
• velocidad de propagación lineal base (m/s)
Los usos de suelos utilizados para la generación de los paisajes fueron asignados a
distintas categorías del modelo de combustibles de Julio et al., (1995a), mediante la
elección aleatoria del tipo de combustible para cada categoría de uso de suelo, según lo
indicado en la Tabla 2.
Tabla 1. Configuraciones de paisajes simulados utilizando distinto número de parches y diferentes proporciones de uso de suelo, notar que al existir diferencias entre el número de parches total y la suma de los parches asignados, la diferencia fue asignada aleatoriamente entre los diferentes parches.
Proporción Número de
parches
Parches asignados
Bosque nativo Plantación forestal Sitio agrícola
Bosque nativo =
Plantación forestal
49 16 16 16
144 48 48 48
289 96 96 96
484 161 161 161
Bosque nativo >
Plantación forestal
49 24 8 16
144 72 24 48
289 144 48 96
484 241 81 161
Bosque nativo <
Plantación forestal
49 8 24 16
144 24 72 48
289 48 144 96
484 81 241 161
15
Tabla 2. Uso de suelo y vinculación con modelos de combustibles, su descripción y sus características.
Uso de suelo Código Descripción Velocidad de propagación (m/s)
Resistencia (s/m)
Sitio agrícola
PCH1 Pastizales, Praderas, Cereales y Estrato Herbáceos Higromórficos Densos.
0,01888 52,97
PCH2 Pastizales, Praderas, Cereales y Estrato Herbáceos Higromórficos Ralos
0,016027 62,39
PCH3 Pastizales, Praderas, Cereales y Estrato Herbáceos Mesomórficos Densos
0,010235 97,70
PCH4 Pastizales, Praderas, Cereales y Estrato Herbáceos Mesomórficos Ralos.
0,00869 115,07
Bosque nativo
BN03 Arbolado Nativo Denso 0,000979 1021,45
BN04 Arbolado Nativo de Densidad Media
0,001556 642,67
BN05 Arbolado Nativo Ralo 0,002365 422,83
Plantación forestal
PL01 Plantaciones Nuevas de Coníferas (0 a 3 años), sin manejo.
0,013174 75,91
PL02 Plantaciones Jóvenes de Coníferas (4 a 11 años), sin manejo.
0,005973 167,42
PL03 Plantaciones Adultas de Coníferas (12 a 17 años), sin manejo.
0,002481 403,06
PL04 Plantaciones Mayores de Coníferas (sobre 17 años), sin manejo.
0,002712 368,73
PL05 Plantaciones Jóvenes de Coníferas (4 a 11 años), con manejo.
0,006516 153,47
PL06 Plantaciones Adultas de Coníferas (12 a 17 años), con manejo.
0,003255 307,22
PL07 Plantaciones Mayores de Coníferas (sobre 17 años), con manejo.
0,002596 385,21
La velocidad de propagación lineal del combustible está determinada para condiciones
de 15% de contenido de humedad de la vegetación muerta fina y muy fina, sin viento y
en terreno plano (Julio et al., 1995a). La velocidad de propagación final de un incendio
(en adelante ROS por sus siglas en inglés, Rate of Spread) se determina siguiendo la
ecuación (2), donde 𝑅𝑂𝑆𝑣𝑒𝑔 corresponde a la velocidad de propagación lineal base del
combustible, 𝐹𝐶𝐻 corresponde al factor de propagación asociado al contenido de
humedad de la vegetación muerta fina y muy fina, 𝐹𝑉 corresponde al factor de
16
propagación por efecto del viento (km/h), y 𝐹𝑃 al factor de propagación debido a la
pendiente del terreno.
𝑅𝑂𝑆 = 𝑅𝑂𝑆𝑣𝑒𝑔 ∗ 𝐹𝐶𝐻 ∗ (𝐹𝑉 + 𝐹𝑃) (2)
El cálculo del factor de expansión asociado a la humedad de la vegetación muerta fina y
muy fina se obtiene siguiendo las ecuaciones (3) y (4), donde 𝐶𝐻(%) corresponde al
contenido de humedad de los tejidos vegetales de partículas finas cuyo grosor es menor
a 2,5 cm, 𝐻𝑅 representa a la humedad relativa del aire (%), y 𝑇 corresponde a la
temperatura del aire (ºC).
𝐹𝐶𝐻 =389,1624 + 14,3 ∗ 𝐶𝐻 + 0,2 ∗ 𝐶𝐻2
3,559 + 1,66158 ∗ 𝐶𝐻 + 2,6239 ∗ 𝐶𝐻2 (3)
𝐶𝐻 = −2,97374 + 0,262 ∗ 𝐻𝑅 − 0,00982 ∗ 𝑇 (4)
El factor de propagación por el efecto del viento (𝐹𝑉) se obtiene mediante la ecuación
(5), donde 𝑉 corresponde a la velocidad del viento (km/h) (Julio et al., 1995b). Sin
embargo, esta ecuación solo puede ser aplicada hasta los 65 km/h debido a la falta de
confiabilidad para rangos superiores a estos (Julio, 1999), manteniendo así un valor
constante de 4,08 para rangos superiores.
𝐹𝑉 = 1 + 0,512181 ∗ 𝑉 − 0,007151 ∗ 𝑉2 (5)
Del mismo modo, el factor de propagación por el efecto de la inclinación (𝐹𝑃) se obtiene
siguiendo la ecuación (6), donde 𝑃 corresponde a la pendiente del terreno (%).
𝐹𝑃 = 1 + 0,023322 ∗ 0,00013585 ∗ 𝑃2 (6)
Cuando la orientación del terreno y la dirección del viento no mantienen la misma
dirección, la magnitud del vector 𝑅𝑂𝑆 se determina siguiendo la ecuación (7), donde 𝛼 y
𝛽 corresponden a la dirección del viento y la orientación de la pendiente respectivamente,
ambos orientando los cero grados hacia el Este del eje cartesiano y aumentando en
sentido antihorario. Del mismo modo, la dirección (𝛿) del vector 𝑅𝑂𝑆 se obtiene con la
ecuación (8).
𝑅𝑂𝑆 = 𝑅𝑂𝑆𝑣𝑒𝑔 ∗ 𝐹𝐶𝐻 ∗ √(𝐹𝑃 ∗ cosβ + 𝐹𝑉 ∗ cosα)2 + (𝐹𝑃 ∗ senβ + 𝐹𝑉 ∗ senα)2 (7)
𝛿 = 𝑎𝑟𝑐𝑡𝑔 (𝐹𝑃 ∗ cosβ + 𝐹𝑉 ∗ 𝑐𝑜𝑠𝛼
𝐹𝑃 ∗ 𝑠𝑒𝑛𝛽 + 𝐹𝑉 ∗ 𝑠𝑒𝑛𝛼) (8)
17
Consecuentemente, son las condiciones ambientales al momento de un incendio las que
determinan la forma resultante. Bajo condiciones de combustible homogéneo, sin viento
y en terreno plano se obtiene una forma circular, mientras que bajo condiciones de viento
o inclinación el incendio presenta forma de elipse, siendo el punto de ignición uno de los
focos de la elipse (Castillo y Garfias, 2010). Debido a lo anterior, es posible determinar
la distancia entre el foco y cualquier punto ubicado en el perímetro de la elipse, lo cual a
su vez permite determinar el valor de 𝑅𝑂𝑆 en cualquier dirección.
El sistema KITRAL fue implementado basado en el principio de autómatas celulares
(Karafyllidis y Thanailakis, 1997) , aproximación que se caracteriza por mantener una
matriz de estado, que va cambiando a medida que se cumplen determinadas
condiciones. Los estados asociados a KITRAL corresponden a quemado, en ignición, y
no quemado, y las condiciones para cambiar de estado son:
• Un píxel cambiará de estado no quemado a "en ignición" si al menos
uno de sus vecinos cambia de estar en ignición a quemado.
• Un píxel cambiará de estado "en ignición" a quemado si el tiempo
remanente alcanza el cero.
El tiempo remanente 𝑇𝑅 corresponde al tiempo (s) que resta para que un píxel que se
encuentra en ignición pase al estado quemado. Cuando un pixel en ignición pasa a
estado quemado se calcula el 𝑅𝑂𝑆 en dirección a cada uno de sus vecinos, luego, el
tiempo remanente se obtiene siguiendo la ecuación (9), donde 𝐷𝑖𝑗 corresponde a la
distancia (m) entre el píxel 𝑖 y el píxel 𝑗, mientras que 𝑅𝑂𝑆𝑖𝑗 es la velocidad de
propagación (m/s) entre el píxel 𝑖 y 𝑗.
𝑇𝑅 = 𝐷𝑖𝑗/𝑅𝑂𝑆𝑖𝑗 (9)
De este modo, al comienzo de una simulación, todo el paisaje mantiene el estado no
quemado, y se cambia de estado al píxel cuya ubicación es igual al punto de ignición de
un incendio, pasando de no quemado a quemado, lo cual permite que todos sus vecinos
pasen a estar "en ignición" y se compute el tiempo que demorará un incendio ubicado al
centro del píxel 𝑖 en alcanzar el centro de gravedad del píxel 𝑗. La simulación avanza en
tiempo discreto y variable, donde el tiempo entre un paso y el siguiente depende del
mínimo tiempo en la matriz 𝑇𝑅, iterando entre pasos de tiempo hasta alcanzar la duración
definida para la simulación.
18
El simulador de dispersión de incendios basado en KITRAL fue programado en el
software R (R Core Team, 2016), utilizando un modelo raster para las variables de
entrada y salida, con una resolución espacial de 30x30m2. Las condiciones iniciales de
los incendios simulados corresponden a temperaturas de 18°C, humedad relativa del
aire del 50% y vientos de 5 km/h en 45 grados norte, basado en condiciones de un
incendio real reportado en Chile (Castillo y Garfias, 2010), y ejecutadas en un terreno
plano. Estas condiciones fueron constantes en el espacio y el tiempo, mientras los
incendios fueron simulados con 3 horas de duración, y utilizando 10 puntos de ignición
aleatorios, los cuales se mantuvieron en los 480 paisajes simulados, obteniéndose un
total de 4800 simulaciones de incendios.
2.3.Índice de inflamabilidad de paisajes
La obtención del índice de inflamabilidad de paisajes (IIP) se basó en el índice
probabilidad de conectividad propuesto por Saura y Pascual-Hortal (2007). Este índice
ha sido ampliamente utilizado para evaluar la conectividad de la vida silvestre en paisajes
fragmentados, y es un índice especie-dependiente, puesto que cada especie se mueve
e interactúa de forma distinta a través del paisaje.
El índice de probabilidad de conectividad se entiende como la probabilidad de que dos
puntos, ubicados aleatoriamente dentro de un paisaje, queden situados en zonas
interconectadas entre sí. Este índice está basado en estructura de grafos, donde el
paisaje es simplificado a nodos y enlaces, siendo los nodos representantes de parches
de hábitat y los enlaces representantes de las relaciones entre estos parches (Saura y
Pascual-Hortal, 2007; Saura y Rubio, 2010). Adicionalmente, nodos y enlaces pueden
tener atributos descriptivos, como área o calidad de hábitat para nodos, mientras que los
enlaces utilizan, típicamente, la probabilidad de dispersión entre pares de parches. Este
índice se obtiene siguiendo la expresión que se presenta en la ecuación (10), dónde 𝑎𝑖
y 𝑎𝑗 corresponden al área del parche 𝑖 y 𝑗 respectivamente, 𝐴𝐿 corresponde al área total
del paisaje, y 𝑝𝑖𝑗 es la probabilidad de que el parche 𝑖 y 𝑗 se encuentren conectados.
Además, se utiliza la máxima probabilidad del producto 𝑝𝑖𝑗 (𝑝𝑖𝑗∗ ), debido a que un mismo
par de parches puede poseer diferentes probabilidades de conexión dependiendo del
camino evaluado entre ellos, interesa conocer el camino más eficiente, es decir, el de
máxima probabilidad de conexión entre pares de parches.
19
𝑃𝐶 =∑ ∑ 𝑎𝑖𝑎𝑗𝑝𝑖𝑗
∗𝑛𝑗=1
𝑛𝑖=1
𝐴𝐿2 (10)
Esta probabilidad se obtiene, generalmente, a través de una distribución exponencial
decreciente, y es calculada como 𝑝𝑖𝑗 = 𝑒−𝑘∗𝑑𝑖𝑗, donde 𝑘 es un coeficiente que entrega
una probabilidad acumulada del 50% a un valor de distancia determinado, y 𝑑𝑖𝑗 es la
distancia entre los parches 𝑖 y 𝑗 (Saura y Pascual-Hortal, 2007). Esta distancia puede
ser tanto euclidiana como efectiva, siendo esta última aquella que considera la capacidad
de dispersión de una especie a través de diferentes elementos dentro de un paisaje y la
resistencia que estos elementos generan en la dispersión de esta especie, y su cálculo
corresponde a la distancia cuyo costo acumulado al movimiento es menor, es decir, el
camino que genera una menor resistencia entre dos pares de parches (Adriaensen et al.,
2003; Chardon et al., 2003; Beazley et al., 2005; McRae et al., 2008; Martinez et al.,
2013).
Las distancias efectivas fueron calculadas para cada par de parche cuya distancia
euclidiana fuese menor a 3 km, utilizando el software Linkage Mapper (McRae y
Kavanagh, 2011). Las superficies de resistencia utilizadas fueron obtenidas utilizando el
inverso de la velocidad de propagación (m/s) base asociada a los usos de suelos de los
paisajes simulados. El camino de mínimo costo corresponde a aquel que acumula la
menor resistencia para conectar pares de parches. Las distancias efectivas
corresponden al producto de la resistencia y la distancia recorrida, y dado que la
resistencia es el inverso a la velocidad, este valor corresponde al tiempo mínimo
requerido para conectar dos pares de parches.
La utilización de la distribución exponencial decreciente para obtener la máxima
probabilidad de conectividad es comúnmente justificada por estudios preliminares,
presentando buenos ajustes con las distancias de mínimo costo al evaluar especies
silvestres (Saura y Pascual-Hortal, 2007). Sin embargo, debido a que se desconoce la
forma de la distribución de los datos de distancias de mínimo coste asociada al paso del
fuego a través del paisaje, se optó por ajustar esta distribución a un modelo de
distribuciones mixtas siguiendo distribuciones Gamma, debido a la forma asimétrica de
los datos y sus dos modas observables en la Figura 3.
20
La máxima probabilidad del producto 𝑝𝑖𝑗, fue obtenida utilizando la ecuación (11), donde
𝑢 representa el tiempo de mínimo coste entre dos pares de parches, 𝑥 representa los
tiempos de mínimo coste entre 0 y 𝑢, 𝐶1 y 𝐶2 representan los pesos ponderados del
componente 1 y 2 de las distribuciones gamma respectivamente, 𝛼1, 𝛼2, 𝛽1 y 𝛽2
representan los parámetros de forma y escala de la distribución gamma para cada
componente, y 𝑓(𝑥; 𝛼; 𝛽) representa la función de densidad de la distribución gamma
para 𝑥 dado 𝛼 y 𝛽.
𝑝𝑖𝑗(𝑢) = 1 − ∫ [𝐶1 ∗ 𝑓(𝑥; 𝛼1, 𝛽1) + 𝐶2 ∗ 𝑓(𝑥; 𝛼2, 𝛽2)] 𝑑𝑥𝑢
0
(11)
Finalmente, el índice de inflamabilidad de paisajes propuesto corresponde a la utilización
del índice PC considerando distancias efectivas de mínimo coste. Este índice fue
obtenido para los diferentes paisajes simulados, utilizando Conefor sensinode (Saura y
Torné, 2009) para el cálculo de los índices de inflamabilidad.
Figura 3. Histograma de las distancias efectivas entre todos los pares de parches, también llamado tiempos de mínimo costo (valor mínimo de 26,5 minutos).
2.4. Análisis estadístico
El diseño experimental consta de 48 configuraciones diferentes, con 10 repeticiones de
paisajes y 10 incendios por paisaje, resultando en 4800 unidades muestrales. Para
describir el comportamiento del área quemada y del índice de inflamabilidad a través de
las variables estructurales, representadas por el número de parches, la proporción de
usos de suelos, y el nivel de agrupación de estos, se realizaron análisis exploratorios a
través de gráficos de densidad, histogramas y gráficos de cajas.
21
2.4.1. Relación del índice de inflamabilidad de paisajes (IIP) y las variables
estructurales del paisaje.
La relación entre el índice de inflamabilidad de paisajes y las variables estructurales que
dieron origen a los paisajes simulados fue analizada mediante el análisis de un modelo
lineal múltiple sin incluir interacción entre factores. El índice de inflamabilidad
corresponde a la variable dependiente y las variables estructurales (número de parches,
proporción de uso de suelo y tipo de agrupación) son las variables independientes.
El análisis considera que cada paisaje simulado presenta un único valor de IIP (n = 480).
La influencia de las variables estructurales utilizadas fue analizada mediante un análisis
de varianzas (p < 0,01), y las diferencias entre niveles de los efectos fijos significativos
fueron comprobadas a través de pruebas post hoc HSD de comparaciones múltiples (p
< 0,05) y los supuestos de normalidad fueron comprobados a través de inspección visual
de histogramas y gráficos de cajas de residuos (Zuur et al., 2010).
2.4.2. Influencia de las variables estructurales del paisaje en el potencial impacto
de los incendios forestales.
La influencia de las variables estructurales del paisaje (número de parches, proporción
de uso de suelo y tipo de agrupación) en el potencial impacto de los incendios forestales,
representado por el área quemada, fue evaluada mediante un modelo lineal generalizado
con distribución Gamma, debido a que la variable respuesta (área quemada; n = 4800)
es continua, no-negativa, y su variabilidad aumenta al aumentar la media (Cepeda-
Cuervo et al., 2016).
Si 𝑌𝑖 ~ 𝐺𝑖(𝜇𝑖 , 𝛼), 𝑖 = 1, … , 𝑛 es una variable aleatoria independiente, entonces la regresión
Gamma se define como 𝑌 = 𝑔(𝜇𝑖) = 𝑥𝑖′𝛽 = 𝜂𝑖, donde 𝛽 = (𝛽1, … , 𝛽𝑝)′ es un vector de
parámetros de regresión desconocidos (𝑝 < 𝑛), 𝑥𝑖 = (𝑥𝑖1, … , 𝑥𝑖𝑝)′ es un vector de 𝑝
covariables, 𝜂𝑖 es un predictor lineal. Utilizando una función link inversa el modelo es
𝑔(𝜇) = 𝜇−1 o 𝑌 = 𝑔(𝜇𝑖) = 1/𝑥𝑖′𝛽 = 1/𝜂𝑖 (Cepeda-Cuervo et al., 2016).
La influencia de las variables estructurales utilizadas fue analizada a través de un análisis
de devianza (p < 0,01), y las diferencias entre niveles de los efectos fijos fueron
comprobadas a través de pruebas post hoc HSD de comparaciones múltiples (p < 0,05).
22
2.4.3. Relación entre el impacto potencial de un incendio forestal y el índice de
inflamabilidad de paisajes (IIP).
La relación entre el área quemada e índice de inflamabilidad fue evaluada utilizando un
análisis de devianzas (p < 0,01) en un modelo lineal generalizado con distribución
Gamma, por las mismas razones expuestas en la sección 2.4.2. asociado a la utilización
del área quemada (n = 4800) como variable respuesta.
23
3. RESULTADOS
3.1.Influencia de las variables estructurales en el índice de inflamabilidad de
paisajes
La construcción del índice de inflamabilidad requirió definir la máxima probabilidad de
conectividad, la cual fue obtenida a partir del ajuste de un modelo de distribuciones
mixtas basado en la distribución Gamma. Los parámetros de este modelo se observan
en la Tabla 3, mientras la distribución de los datos y la curva del modelo ajustado pueden
observarse en la Figura 4 a). Por otra parte, la Figura 4 b) muestra el comportamiento
de la máxima probabilidad de conectividad entre pares de parches, donde el color rojo
corresponde al modelo de distribuciones mixtas, y el color negro es la distribución
exponencial decreciente, indicando que la probabilidad de conectividad es mayor en el
modelo de distribuciones mixtas cuando el tiempo de conexión entre pares de parches
es menor, es decir, cuando hay menor resistencia al paso del fuego.
Figura 4. Tiempo de mínimo costo y probabilidad de máxima conectividad; a) Ajuste de los tiempos de mínimo costo al modelo de distribuciones mixtas gamma; b) Probabilidad de máxima conectividad siguiendo el modelo de distribuciones mixtas Gamma y Exponencial decreciente.
24
Tabla 3. Parámetros del modelo de distribuciones mixtas gamma.
Componente 1 Componente 2
Alfa 0,8792 4,2
Beta 61,41 20,59
Proporción (%) 35,07 64,93
3.1.1. Análisis descriptivo del índice de inflamabilidad de paisajes
El índice de inflamabilidad obtenido posee un rango de valores desde 0,833 hasta 0,966.
El primer, segundo y tercer cuartil corresponden a 0,883, 0,907 y 0,934 respectivamente.
La media es 0,906 y su desviación estándar 0,032. A partir de estos valores se aprecia
que el índice de inflamabilidad se encuentra en valores altos del rango de valores
posibles (0 y 1) asociados a su construcción, basada en el índice PC.
La influencia de las variables estructurales – número de parches, proporción de uso de
suelo y tipo de agrupamiento – en el índice de inflamabilidad se analizó a través de
histogramas y gráficos de cajas. El comportamiento del índice de inflamabilidad respecto
al número de parches en el paisaje se aprecia en la Figura 5, que sugiere un
desplazamiento en la distribución, aumento de media y una leve disminución de la
variabilidad del índice de inflamabilidad al disminuir el número de parches en el paisaje.
Por otra parte, la proporción de usos de suelo, mostrada en la Figura 6, sugiere un
desplazamiento en el índice de inflamabilidad de paisaje, aumento en la media y
disminución en la variabilidad, al disminuir la proporción de combustibles de baja
velocidad de propagación y aumentar proporcionalmente a uno de mayor velocidad de
propagación en el paisaje, en este caso específico, al disminuir la proporción de bosque
nativo y aumentar las plantaciones forestales en el paisaje.
Finalmente, a través de la Figura 7 es posible apreciar que el tipo de agrupamiento de
los usos de suelo en el paisaje presenta tendencia central y desviación similar entre sus
distintos niveles, sugiriendo escaza influencia en el índice de inflamabilidad.
25
Figura 5. Histograma (a) y gráfico de cajas (b) del índice de inflamabilidad de paisajes en función del número de parches.
Figura 6. Histograma (a) y gráfico de cajas (b) del índice de inflamabilidad de paisajes en función de la proporción de distintos usos de suelo en el paisaje, donde 1 corresponde a bosque nativo en 50% y plantación forestal en 16,6%, 2 corresponde a bosque nativo y plantación forestal en 33,3% cada uno, y 3 corresponde a bosque nativo en 16,6% y plantación forestal en 50%.
26
Figura 7. Histograma (a) y gráfico de cajas (b) del índice de inflamabilidad de paisajes en función del tipo de agrupamiento de los usos de suelo en el paisaje, donde 1 corresponde a no agrupado, 2 a bosque nativo agrupado, 3 a plantación forestal agregado, y 4 a bosque nativo y plantación forestal agregados.
3.1.2. Análisis inferencial del índice de inflamabilidad de paisajes
La influencia de las variables estructurales en la determinación del índice de
inflamabilidad fue determinada a través de un análisis de varianza (ver Tabla 4) aplicado
a un modelo lineal múltiple, mostrando que los tres factores – número de parches,
proporción de uso de suelo y tipo de agrupamiento de los usos de suelo – son
determinantes en la explicación del índice de inflamabilidad (p < 0,01, F = 968,6, g.l. =
8 y 471) y que el modelo ajustado explica el 94,17% de la variabilidad total (𝑅𝑎𝑑𝑗2 =
0,9417, RMSE = 0,00758).
La variable más determinante para el índice de inflamabilidad de paisaje corresponde al
número de parches, que explica el 76,24% de la variabilidad total. Existiendo diferencias
significativas (p < 0,05) entre los distintos números de parches en los paisajes (ver Figura
8), indicando que paisajes con mayor número de parches poseen menor inflamabilidad.
27
Tabla 4. Análisis de varianza para el modelo lineal múltiple asociado al índice de inflamabilidad y la estructura del paisaje.
g.l. S.C. C.M. F p-value
Número de parches 3 0,36663 0,122211 2089,045 <0,001
Proporción de uso de suelo
2 0,08359 0,041797 714,464 <0,001
Tipo de agrupamiento 3 0,00309 0,001029 17,591 <0,001
Residuales 471 0,02755 0,000059
Figura 8. Prueba de post hoc HSD asociada a la explicación del índice de inflamabilidad de paisajes por parte del número de parches, letras diferentes implican diferencias significativas.
Figura 9. Prueba de post hoc HSD asociada a la explicación del índice de inflamabilidad de paisajes por parte de las distintas proporciones de usos de suelos, donde 1 corresponde a bosque nativo en 50% y plantación forestal en 16,6%, 2 corresponde a bosque nativo y plantación forestal en 33,3% cada uno, y 3 corresponde a bosque nativo en 16,6% y plantación forestal en 50%. Letras diferentes implican diferencias significativas.
28
Figura 10. Prueba de post hoc HSD asociada a la explicación del índice de inflamabilidad de paisajes por parte de los distintos tipo de agrupamientos de usos de suelo en el paisaje, donde 1 corresponde a no agrupado, 2 a bosque nativo agrupado, 3 a plantación forestal agregado, y 4 a bosque nativo y plantación forestal agregados. Letras diferentes implican diferencias significativas.
Por otra parte, la proporción de uso de suelo en el paisaje es un importante complemento
para la explicación del índice de inflamabilidad, contribuyendo en la explicación del
17,38% de la varianza total. Adicionalmente, la Figura 9 muestra diferencias
significativas (p < 0,05) entre las distintas proporciones, indicando que paisajes con
menor proporción de bosque nativo, y mayor proporción de plantaciones forestales, se
vuelven más inflamables.
El tercer componente es el tipo de agrupación de los usos de suelo en el paisaje. Esta
variable es la que menos aporta en la explicación de la variación del modelo (0,64%).
Sin embargo, y pese al bajo valor porcentual, las diferencias entre sus niveles fueron
significativas (p < 0,01) en el análisis de varianzas. Esto se evidencia en la Figura 10,
donde las clases de agrupación aleatoria y agrupación en plantaciones forestales
presentaron las mayores inflamabilidades del índice, sin diferencias significativas entre
sí. Mientras que paisajes con agrupación de bosque nativo, y paisajes con agrupaciones
de bosque nativo y plantaciones forestales, presentaron menores inflamabilidades del
índice, sin diferencias entre ambos tipos de agrupaciones. Es decir, la distribución
aleatorización de parches de bosque nativo en el paisaje genera mayores
inflamabilidades, mientras que la distribución agrupada de parches de bosque nativo
posee menor inflamabilidad.
El diagnóstico del modelo empleado se observa en la Figura 11, mostrando que los
residuales poseen varianza constante a través de los valores ajustados, distribuyen de
29
manera normal, y que las varianzas asociadas a los niveles de las distintas variables son
relativamente homogéneas.
Figura 11. Diagnóstico del modelo lineal múltiple para el índice de inflamabilidad de paisajes
30
3.2.Influencia de la configuración del paisaje en el impacto de los incendios
forestales
3.2.1. Análisis descriptivo del área quemada
Las distribuciones de las áreas quemadas mostradas en la Figura 12 a) muestran
similitudes entre paisajes con diferente número de parches, e indican una mayor
frecuencia de pequeñas áreas quemadas (< 50 ha) cuando hay menor número de
parches (49), sin indicar diferencias en el área quemada para número de parches
mayores. Por otra parte, las áreas quemadas en un rango intermedio (50 a 150 ha)
poseen mayores diferencias entre los distintos números de parches, donde existen
menores frecuencias en paisajes con menor número de parches. Además, se indica que
paisajes con menor número de parches presentan una mayor frecuencia de áreas
quemadas en grandes magnitudes (> 250 ha).
Adicionalmente, en la Figura 12 b) se aprecia que la mediana (indicada a través de una
línea negra dentro del gráfico de cajas) es menor con menores números de parches.
Contrariamente, la media (representada por una cruz roja en el gráfico de cajas) presenta
un leve aumento al disminuir el número de parches en el paisaje. Asimismo, se observa
una clara disminución de los valores extremos al aumentar el tamaño de parches en el
paisaje. En conjunto, se indica que paisajes con menor número de parches alcanzan
tanto pequeñas como grandes superficies ante un incendio. Por otro lado, paisajes con
mayor número de parches presentan mayor proporción de incendios en superficies
intermedias (50 a 150 ha), pero disminuyen los incendios de grandes magnitudes.
Por otra parte, en relación con las áreas quemadas, la Figura 13 a) muestra que la
proporción de los usos de suelo tiene diferentes impactos en la superficie quemada por
incendios. En general, se aprecia que la mayor proporción de bosque nativo (p1) posee
una menor frecuencia de incendios de magnitudes intermedias y grandes (> 50 ha) y una
mayor frecuencia de incendios de bajas magnitudes (< 50 ha). Por otra parte, la
proporción equitativa de bosque nativo y plantación forestal (p2) posee una frecuencia
levemente mayor que la proporción p1 en incendios de magnitudes medias y altas,
mientras que existe una menor frecuencia de incendios de pequeñas superficies.
Finalmente, una menor proporción de bosque nativo (p3) presenta las mayores
frecuencias en magnitudes medias y altas, y menores frecuencias en magnitudes bajas.
31
Además, la Figura 13 b) muestra que la mayor proporción de bosque nativo (p1) posee
la menor mediana y media en el área quemada, seguido de la proporción equitativa de
bosque nativo y plantación forestal (p2) y finalmente, la menor proporción de bosque
nativo (p3), mientras que los valores extremos se mantienen relativamente similares
entre estas. Como consecuencia, es posible indicar que paisajes con mayores
porcentajes de bosque nativo tienen menor capacidad de producir incendios de grandes
superficies, y la mayor cantidad de estos incendios se mantiene en superficies pequeñas.
Sin embargo, las diferencias en la frecuencia de incendios de magnitudes medias y altas
(> 50 ha) producto de la proporción de los usos de suelo son menores respecto a
incendios de magnitudes bajas (< 50 ha).
Figura 12. Gráfico de densidad (a) y gráfico de cajas (b) del área quemada en función del número de parches por paisaje.
32
Figura 13. Gráfico de densidad (a) y gráfico de cajas (b) del área quemada en función de la proporción de distintos usos de suelo en el paisaje, donde 1 corresponde a bosque nativo en 50% y plantación forestal en 16,6%, 2 corresponde a bosque nativo y plantación forestal en 33,3% cada uno, y 3 corresponde a bosque nativo en 16,6% y plantación forestal en 50%.
Del mismo modo, las distribuciones de las áreas quemadas mostradas en la Figura 14
a) indican leves diferencias entre distintos tipos de agrupamientos de parches, las cuales
parecen despreciables. Asimismo, la Figura 14 b) muestra que las medias y medianas
se mantienen similares entre los distintos agrupamientos. Solo la agrupación de bosque
nativo y plantación forestal (m4) muestra un leve aumento en la media y disminución en
la mediana respecto a otras agrupaciones, junto con valores más extremos de áreas
quemadas. Esto sugiere que paisajes cuyos parches están más agrupados, y por ende,
más homogéneos en pequeñas vecindades, podrían generar superficies quemadas
levemente mayores respecto a otras configuraciones.
33
Figura 14. Gráfico de densidad (a) y gráfico de cajas (b) del área quemada en función del agrupamiento de los distintos usos de suelo en el paisaje, donde m1 corresponde a no agrupado, m2 a bosque nativo agrupado, m3 a plantación forestal agregado, y m4 a bosque nativo y plantación forestal agregados.
3.2.2. Análisis inferencial del área quemada
La influencia de las variables estructurales en el potencial impacto de un incendio
forestal, representado por el área quemada, fue determinada mediante un análisis de
devianza aplicado a un modelo lineal generalizado de distribución Gamma. La Tabla 5
entrega los resultados del análisis, mostrando diferencias significativas (p < 0,01) en al
menos un tipo de proporciones de uso de suelo. Mientras que el análisis post hoc HSD
de comparaciones múltiples (Figura 15) indica que todos los niveles de proporción de
uso de suelo poseen diferencias entre sí. La menor proporción de bosque nativo (p3)
presentó la mayor área quemada promedio con 87,61 ha, seguida de la proporción
equitativa entre bosque nativo y plantación forestal (p2) con 72,29 hectáreas quemadas,
y luego la mayor proporción de bosque nativo (p1) con 61,93 hectáreas quemadas,
considerando que el paisaje posee 8100 hectáreas totales, y los cambios entre las
proporciones fueron del 16,7%, suponiendo diferencias de 1352,7 ha entre los diferentes
34
usos de suelo. Por otra parte, el número de parches y el tipo de agrupación de los usos
de suelo no presentaron diferencias significativas entre sus distintos niveles, indicando
nula relevancia al caracterizar el área quemada tras las primeras tres horas de
propagación. El modelo utilizado ha explicado el 1,44% de la devianza total, y sus
residuos poseen una alta variabilidad evidenciada en una raíz del error cuadrático medio
(RMSE, por sus siglas en inglés) de 73,68 ha.
Tabla 5. Análisis de devianza para el modelo lineal generalizado de distribución Gamma asociado al área quemada y la estructura del paisaje.
g.l. Devianza Dev. Resid. F p-value
Modelo nulo 7457,4
Número de parches 3 3,577 7453,8 1,158 0,324
Proporción de uso de suelo 2 96,922 7356,9 47,075 <0,001
Tipo de agrupamiento 3 6,926 7349,9 2,242 0,081
Figura 15. Prueba de post hoc HSD asociada a la explicación del área quemada por parte de las distintas proporciones de usos de suelos, donde P1 corresponde a bosque nativo en 50% y plantación forestal en 16,6%, P2 corresponde a bosque nativo y plantación forestal en 33,3% cada uno, y P3 corresponde a bosque nativo en 16,6% y plantación forestal en 50%. Letras diferentes implican diferencias significativas.
3.3.Relación entre el área quemada y el índice de inflamabilidad de paisajes.
La relación existente entre el índice de inflamabilidad de paisajes (𝐼𝐼𝑃) y el área quemada
fue evaluado mediante el análisis de devianza a un modelo lineal generalizado con
distribución Gamma, producto de la utilización del área quemada como variable
respuesta. Los resultados de este análisis pueden observarse en la Tabla 6, el cual
indica que el índice de inflamabilidad de paisajes es una variable significativa en la
explicación del área quemada de un paisaje.
35
El modelo utilizado consta de un parámetro de forma (𝛼 = 1/𝜙) de 0,774, y dos
parámetros (ver Tabla 7 ) que poseen valores distintos de cero en los intervalos de
confianza de sus estimadores. El modelo presentado ha explicado el 0,92% de la
devianza total, y sus residuos poseen una alta variabilidad evidenciada en una raíz del
error cuadrático medio (RMSE, por sus siglas en inglés) de 73,99 y en las grandes
desviaciones entre observación y valor estimado que pueden observarse en la Figura
16, donde las observaciones corresponden a puntos negros y la línea roja a los valores
ajustados por el modelo.
Tabla 6. Análisis de devianza para el modelo lineal generalizado de distribución Gamma asociado al área quemada y el índice de inflamabilidad.
g.l. Devianza Dev. Resid. F p-value
Modelo nulo 7457,4
IIP 1 68,409 7389,0 70,589 <0,001
Tabla 7. Estimadores del modelo lineal generalizado con distribución Gamma asociado al área quemada y el índice de inflamabilidad.
Parámetro �̂�𝑖 IC (2,5%) IC (97,5%) Comentario
𝛽0 0,0607 0,0496 0,0719 𝑋𝑖 = 1
𝛽1 -0,0518 -0,0640 -0,0397 𝑋𝑖 = 𝐼𝐼𝑃𝑖
Figura 16. Resultados del modelo lineal generalizado de distribución Gamma para la relación entre el índice de inflamabilidad de paisajes y el área quemada.
36
4. DISCUSIÓN
4.1.Influencia de la configuración del paisaje en el índice de inflamabilidad
El modelo utilizado para evaluar la influencia de tres variables estructurales en el índice
de inflamabilidad de paisajes propuesto indicó que el número de parches del paisaje fue
la variable más determinante al explicar el 76,24% de la variabilidad. Su comportamiento
consistió en la disminución del índice de inflamabilidad al aumentar el número de parches
en el paisaje. Esto resulta distinto respecto al área quemada en el paisaje, debido a que
el número de parches resultó insuficiente en la determinación de aquella variable.
Por otra parte, la proporción de uso de suelo fue la segunda variable con mayor influencia
en la determinación del índice de inflamabilidad de paisaje, con un 17,38% de la
variabilidad explicada. La proporción p1 – con 50% de bosque nativo – presentó la menor
inflamabilidad, y la disminución en la proporción de bosque nativo provocó un aumento
en la inflamabilidad del paisaje, siendo concordante con la influencia de la proporción de
uso de suelo en el área quemada.
Finalmente, el tipo de agrupación de los usos de suelo explicó solo el 0,64% de la
variabilidad total. La respuesta del modelo indicó que paisajes con agrupaciones de
plantaciones forestales (m3) y aleatorias (m1) presentaron mayores índices de
inflamabilidad sin diferencias entre sí. Mientras paisajes con agrupaciones de bosque
nativo (m2 y m4), independiente del tipo de agrupación de las plantaciones forestales,
presentan menores índices de inflamabilidades sin diferencias entre sí. La menor
velocidad de propagación presente en el bosque nativo y su distribución aleatoria (m1 y
m3) posiciona los parches de mayores resistencias al paso del fuego en todas
direcciones del paisaje. Sin embargo, el fuego puede propagarse por combustibles con
mayores velocidades de propagación que se encuentren adyacentes a las superficies de
mayores resistencias. Por consecuencia, la distribución agrupada de bosque nativo (m2
y m4) genera una leve menor inflamabilidad debido a que el fuego que se encuentra con
superficies de mayor resistencia no puede avanzar por parches adyacentes debido a
que estos también poseen bajas velocidades de propagación.
Este resultado parece contrario a lo expuesto por Montenegro et al. (2004) y Fernández
et al. (2010), quienes mencionan que fragmentación de comunidades vegetales en la
zona centro-sur de Chile, caracterizada por la sustitución de grandes extensiones de
37
vegetación natural por parches de vegetación dispersa en mosaicos intercalados con
comunidades menos inflamables, ha contribuido a la reducción de la propagación y
superficie afectada por incendios. Sin embargo, la fragmentación de las comunidades
vegetales incluye aspectos reducción de un determinado uso de suelo y cambios en su
distribución, afectando no solo a la variable tipo de agrupación, sino también a la
proporción de uso de suelo.
4.2.Influencia de la configuración del paisaje en el área quemada
La evaluación de las tres variables estructurales estudiadas y su influencia en el área
quemada indicó que el número de parches y el tipo de agrupación de los usos de suelo
en el paisaje no influyen en la estimación del área quemada. Paisajes heterogéneos
pueden caracterizarse por un gran número de parches con usos de suelo distribuidos
aleatoriamente. Sin embargo, estas variables (número de parche y tipo de agrupación)
resultaron no significativas, indicando que la heterogeneidad de paisaje, a la escala
analizada, no influye en el área quemada producto de incendios, al menos durante las
primeras tres horas y bajo condiciones climáticas no extremas.
Por otra parte, el modelo empleado indicó que la proporción de uso de suelos influye en
la estimación del área quemada por incendios. La proporción de uso de suelo indica que
la disminución de bosque nativo y aumento simultáneo de plantaciones forestales
aumenta el área quemada. Paisajes con 50%, 33,3% y 16,6% de bosque nativo
presentaron 87,61, 72,29 y 61,93 hectáreas quemadas promedio respectivamente,
evidenciando una baja magnitud en estas diferencias considerando que el cambio entre
cada proporción es de 1352,7 hectáreas del paisaje.
De este modo, lo expuesto por Montenegro et al. (2004) y Fernández et al. (2010),
respecto a la reducción de las superficies afectadas por incendios producto de la
fragmentación de comunidades vegetales, podría ser asociado en mayor medida a la
reducción en la superficie de bosque nativo que al aumento en la heterogeneidad de los
paisajes basado en la evidencia presentada en este trabajo. Además, que el aumento
del área quemada se relacione con el aumento en la superficie de plantación forestal y
reducción de la superficie de bosque nativo es concordante con lo expuesto por
McWethy et al. (2018), quienes indican que las plantaciones forestales exóticas,
38
homogéneas en estructura y composición, promoverían la dispersión de incendios más
que bosques deciduos de Nothofagaceae.
Por otra parte, Diaz-Hormazábal y González (2016) mencionan un aumento de siniestros
iniciados en plantaciones forestales y una disminución de aquellos comenzados en
bosque nativo para la región del Maule entre 1986 y 2012, siendo concordante con lo
observado en Valparaíso y la Araucanía desde 1990 (González et al., 2011). Estas
situaciones fueron atribuidas a la expansión de plantaciones forestales exóticas con
especies inflamables, aumentando no solo la continuidad del combustible, sino que
también generando altas cargas de combustible producto de la acumulación de biomasa,
asociado a las prácticas de manejo intensivo de las plantaciones forestales (Úbeda y
Sarricolea, 2016). Sin embargo, la ocurrencia de incendios es también asociado a otros
factores como la densidad poblacional, la topografía, y corredores como carreteras,
caminos y senderos (Stephens, 2005; Nunes et al., 2016). De hecho, Carmona et al.,
(2012) mencionan que el riesgo a incendios forestales en Chile mediterráneo se
distribuye cercano tanto a carreteras y poblados, como a sectores cubiertos por
plantaciones forestales.
La reducción del riesgo de incendios forestales debe enfocarse tanto en disminuir la
frecuencia de los incendios como en disminuir el área afectada por estos. Nunes et al.,
(2016) mencionan que las opciones para reducir el área quemada por incendios
forestales apuntan al manejo de combustibles agrícolas, forestales y de matorrales. Las
áreas sin cultivos (abandonadas), principalmente cubiertas por arbustos y pastizales,
son una de las coberturas vegetales más afectados por incendios (Nunes et al., 2005;
Bajocco y Ricotta, 2008; Catry et al., 2009; Carmo et al., 2011; Ganteaume et al., 2013;
Oliveira et al., 2014), vinculado principalmente a dos factores, la alta tasa de dispersión
del fuego, y su menor priorización en el combate de incendios dada su menor valoración
económica (Nunes et al., 2016). Algunos estudios (Catry et al., 2009; Verdú et al., 2012)
han vinculado los terrenos agrícolas con mayores tasas de incendios, pudiendo
asociarse al uso del fuego para crear, preparar o despejar terrenos para nuevas
actividades agropecuarias (Leone et al., 2009; Koutsias et al., 2010). De hecho, las áreas
quemadas en la región del Maule entre 1986 y 2012, afectaron en mayor medida a
pastizales y matorrales (52%), más que a las plantaciones forestales (22%) o al bosque
nativo (15%) (Díaz-Hormazábal y González, 2016).
39
Asimismo, Carmona et al., (2012) mencionan que el aumento del riesgo a incendios en
el tiempo se vincula a factores como expansión forestal, abandono de tierras agrícolas y
crecimiento poblacional. De este modo, es importante considerar que el manejo de los
combustibles no solo incluye actividades como extracción de estos, o la realización de
incendios controlados bajo condiciones controladas, sino también actividades como el
pastoreo, que permite una reducción en la carga de combustibles finos (Nader et al.,
2007; Diamond et al., 2009), y podrían reducir la probabilidad de ignición y el área
quemada resultante de un incendio, si son adoptadas en superficies abandonadas
(Nunes et al., 2016).
La influencia de las características de los paisajes bajo condiciones meteorológicas
extremas y tiempo de propagación mayores es uno de los desafíos a ser abordados
posteriormente. Los incendios forestales extremos se asocian a condiciones de alta
temperatura, fuerte viento y baja humedad relativa, mientras el presente estudio
consideró condiciones normales de climas y un tiempo de propagación bajo (3 horas).
Algunos estudios indican que la modificación de variables estructurales del paisaje es
inefectivo debido a que bajo condiciones climáticas extremas el fuego se dispersaría de
igual forma (Keeley et al., 1999; Keeley y Fotheringham, 2001), mientras otros autores,
como Piñol et al., (2005), mencionan que la modificación de variables estructurales sería
menos efectivas, pero no completamente ineficiente.
Por otra parte, este trabajo se enfocó en evaluar cambios en la proporción de
plantaciones forestales y bosque nativo, sin tomar en consideración cambios en la
proporción de sectores agrícolas o sitios abandonados. Su consideración permitiría
determinar el impacto de cambios en la proporción de estas actividades productivas, y
hacer un énfasis en determinar los cambios en el riesgo de incendios producto de las
políticas de fomento forestal que fueron impulsadas en Chile que, en parte, buscaban
frenar la desertificación ocasionada por el abandono de terrenos agrícolas
sobreexplotados.
Adicionalmente, un análisis exploratorio realizado en paralelo a este trabajo sugiere que
el uso de suelo en el punto de ignición es una variable con influencia en el área quemada
promedio en el paisaje. Por consecuencia, se buscará incorporar esta variable dentro de
un futuro diseño experimental, para determinar su influencia en el área quemada con
respecto a otras variables estructurales del paisaje.
40
Sin embargo, estos análisis debiesen abordarse con métodos que permitan tomar en
consideración la correlación existente entre la muestra y el sector desde el cual fue
obtenida, en este caso la utilización de modelos mixtos permitiría abordar esta
problemática. Se consideró la implementación de modelos lineales generalizados mixtos
(GLMM) con distribución Gamma, pero su implementación no fue exitosa por
complejidades matemáticas en la estimación de los parámetros.
4.3.Relación entre el índice de inflamabilidad de paisajes y el área quemada
El modelo de lineal generalizado utilizado indica que el índice de inflamabilidad de
paisajes se relaciona con el área quemada producto de incendios. Paisajes con índices
de inflamabilidad mayores tendrán mayores áreas quemadas promedio (19,1 hectáreas
desde 0,8 a 0,9 IIP). Sin embargo, el modelo empleado posee un bajo desempeño,
evidenciado por una devianza total explicada del 0,92%. Esto indica que existe una baja
relación entre el índice de inflamabilidad de paisajes y el área quemada por un incendio
de tres horas para la escala utilizada.
La metodología empleada es la primera en utilizar el índice de conectividad de paisajes
asociada a los incendios forestales, utilizando características de los combustibles para
evaluar la inflamabilidad a escala de paisaje. El índice empleado tiene mayor relación
con el impacto de un incendio forestal que con su ocurrencia, debido a la evaluación de
la dispersión de incendios entre múltiples pares de parches en el paisaje utilizando
caminos de mínimo costo.
Otras metodologías, como los mapas de susceptibilidad a incendios, son creados a partir
de múltiples simulaciones de dispersión de incendios en el paisaje (Beverly et al., 2009;
Leuenberger et al., 2018) o evaluando caminos de mínimo costo (Finney, 2002;
Stepanov y Macgregor, 2012; Hajian et al., 2016), pero tomando en consideración la
probabilidad de ocurrencia de los incendios.
Los mapas de susceptibilidad son de importancia en sectores donde los incendios son
de origen antrópico, como es el caso de Chile central, debido a que la ocurrencia de
estos se asocia fuertemente a factores como la densidad poblacional (Piñol et al., 1998;
Martínez et al., 2009; Badia et al., 2011; Padilla y Vega-García, 2011; Ganteaume et al.,
2013; Ganteaume y Jappiot, 2013; Nunes et al., 2016), la presión antropogénica debido
a la expansión de la interface urbano-rural y la creciente demanda por instalaciones
41
recreacionales en áreas silvestres (Ganteaume et al., 2013; Ganteaume y Jappiot,
2013), y la cercanía con corredores como carreteras, caminos y senderos (Stephens,
2005). Sin embargo, estos mapas dificultan la evaluación de la ocurrencia y el impacto
de los incendios de manera independiente, y la identificación de acciones para la
reducción de estas por separado. En cambio, el índice de inflamabilidad de paisaje se
interpreta como la probabilidad de que un incendio generado aleatoriamente en el
paisaje se conecte con cualquier otro parche, siendo un símil al impacto producido por
un incendio en el paisaje. Sin embargo, esto no fue respaldado del todo por los
resultados aquí expuestos.
Los resultados obtenidos respecto a la influencia de las variables estructurales en el área
quemada y el índice de inflamabilidad de paisajes indican similitudes en el
comportamiento de la proporción de usos de suelos, y comportamientos opuestos
respecto al número de parches y tipo de agrupamiento. En el caso del índice de
inflamabilidad ambas variables resultaron significativas, destacándose el número de
parches como la variable con mayor explicación en la inflamabilidad, mientras que estas
variables resultaron no significativas para la determinación del área quemada. La
determinación del índice conectividad PC, utilizado para la obtención del índice de
inflamabilidad, se realiza a través del camino de mínimo costo entre pares de parches,
lo que implica que un paisaje con mayor número de parches tiene un mayor número de
conexiones que determinan el valor del índice. Esto pudo haber influido indirectamente
en los resultados favorables asociados al número de parches en el índice de
inflamabilidad.
Diversas acciones pueden ser abordadas próximamente para mejorar el índice de
inflamabilidad. Entre ellas: obtención de caminos de mínimo costo sin depender del
número de parches, superficies de resistencia vinculadas a las condiciones
meteorológicas, superficies de resistencia direccionales, nodos del índice de
inflamabilidad vinculado a la carga de combustible, entre otras.
Una posible solución para obtener el camino de mínimo costo sin depender del número
de parches consiste en obtener el camino de mínimo coste entre pares de puntos
asociados a una red sistemática definida, o un subconjunto de puntos de esta red. De
este modo, se soluciona la posible dependencia al número de parches, permitiendo
evaluar la influencia de esta variable en el área quemada por un incendio.
42
Por otra parte, la vinculación entre la superficie de resistencia y las condiciones
meteorológicas debiese mejorar las relaciones entre el área quemada y el índice de
inflamabilidad. El presente estudio utilizó como superficie de resistencia el inverso a la
velocidad de propagación lineal del modelo de combustible bajo condiciones estándares,
esto es: 15% de contenido de humedad de la vegetación muerta fina y muy fina, sin
viento y en terreno plano (Julio et al., 1995a). Mientras que las condiciones utilizadas en
el simulador de dispersión fueron 9,95% de contenido de humedad de la vegetación
muerta fina y muy fina, vientos de 5 km/h en 45 grados norte, cuya única congruencia se
asoció a los terrenos planos.
Además, la superficie de resistencia utilizada presenta un valor único, independientes a
la dirección de movimiento. Los vientos y pendientes de terrenos generan una mayor o
menor resistencia dependiendo de la dirección de avance del fuego, esto es abordado
por el simulador de dispersión, pero no por el índice de inflamabilidad de paisajes. Por
consecuencia, abordar la direccionalidad podría mejorar los ajustes entre el área
quemada y el índice de inflamabilidad.
Adicionalmente, la construcción del índice de inflamabilidad utilizó como variables el área
de cada parche y el área total del paisaje. Sin embargo, otras variables pueden ser
utilizadas para mejorar la vinculación entre el índice de inflamabilidad y el área quemada,
por ejemplo, la carga de combustible asociada a cada parche respecto de la carga de
combustible total del paisaje o respecto a la máxima carga de combustible que un paisaje
pudiese sostener. La carga de combustible podría ser un factor más importante que el
área del parche debido a la relación existente entre este factor y los incendios. Diversos
autores mencionan que la exclusión de fuego desde bosques manejados y la
acumulación de grandes cantidades de combustible sin manejo, ya sea por abandono
de tierras o plantaciones, son factores relevantes en el incremento de la magnitud y
frecuencia de incendios (Carvalho et al., 2002; Lloret, 2004; Veblen et al., 2008; Nunes
et al., 2016). Además, las políticas de exclusión de fuego pueden incrementar sutilmente
la dominancia de grandes incendios debido al aumento de combustible, mientras que el
uso de fuegos bajo prescripción reduce en gran medida la importancia de grandes
incendios (Piñol et al., 2005), debido al efecto negativo en futuras quemas asociado a la
falta de combustible durante los periodos temprano posteriores al incendio (Niklasson y
Granström, 2000). La utilización de esta variable por sobre la superficie del parche
43
permitiría evaluar el impacto de políticas de reducción de carga en plantaciones
forestales u otros usos de suelo en la inflamabilidad del paisaje, asociado a lo expuesto
por Salis et al (2018), donde incrementar el porcentaje del paisaje tratado disminuye el
perfil de exposición del fuego para todas las alternativas de tratamiento de combustibles
evaluadas.
Sin embargo, estas mejoras no dependen exclusivamente del índice de inflamabilidad
de paisajes, sino también de mejorar los modelos de combustibles utilizados.
Actualmente, el modelo de combustibles KITRAL posee una única carga asociada a cada
tipo de combustible. Vincular la carga de combustible con la velocidad de propagación
lineal en cada tipo de combustible empleado, y generar funciones que estimen la carga
de combustible a través de variables típicamente cuantificadas en predios forestales,
como densidad de árboles por hectáreas, área basal por hectárea, entre otros, no solo
permitiría evaluar el impacto de distintos manejos en la inflamabilidad del paisaje, sino
también mejoraría la información de entrada para simuladores de dispersión de
incendios, o incluso para investigación de operaciones, permitiendo generar planes de
manejo que consideren la disminución de la inflamabilidad o riesgo de incendios dentro
del plan de cosecha.
44
5. CONCLUSIÓN
El análisis realizado para determinar la relación existente entre el área quemada por un
incendio y la configuración espacial de los combustibles existentes en el paisaje mostró
diferencias entre el porcentaje de los usos de suelos presentes, donde el aumento del
bosque nativo reduce levemente el área quemada promedio. En cambio, paisajes con
diferentes números de parches, o niveles de agrupación en parches de distintos usos de
suelo no presentaron influencia en el área quemada bajo condiciones climáticas
normales dentro de las primeras tres horas de iniciado el incendio.
El índice de inflamabilidad es determinado en mayor medida por el número de parches
en el paisaje, aumentando la inflamabilidad al disminuir el número de parches. Luego la
proporción de uso de suelo, que aumenta la inflamabilidad al disminuir el bosque nativo
y aumentar las plantaciones forestales, y finalmente el tipo de agrupación, donde la
distribución aleatoria de bosque nativo genera mayor inflamabilidad que su agrupación.
Las similitudes entre el área quemada y el índice de inflamabilidad corresponden al
comportamiento de la proporción de uso de suelo, mientras que el número de parches y
el tipo de agrupación resultaron contrarios, significativos para el índice de inflamabilidad
y no significativo para el área quemada.
Por otro lado, existe una relación positiva entre el índice de inflamabilidad y el área
quemada, aumentando la media del área quemada a medida que aumenta el índice de
inflamabilidad de paisajes. Sin embargo, los modelos utilizados parecen no ser lo
suficientemente adecuados, debido a la baja contribución en la explicación de la
variabilidad.
Adicionalmente, se identificaron diferentes acciones que permitirían mejorar la obtención
del índice de inflamabilidad, como la utilización de la carga de combustible por sobre el
área del parche, la consideración de la direccionalidad, o preferir la obtención de caminos
de mínimo costo entre distintos puntos por sobre el número de parches. Del mismo
modo, nuevos análisis que permitan entender el comportamiento del fuego asociado a
componentes del paisaje debiesen considerar variaciones en la proporción de sitios
agrícolas y abandonados, utilizar condiciones climáticas más extremas, incluir el uso de
suelo en el punto de ignición como variable, entre otras.
45
RESUMEN
Los incendios forestales pueden ser altamente peligrosos y dañinos para las personas y
el medio ambiente al volverse incontrolables. Las variables estructurales del paisaje
pueden ser manejadas en el corto-mediano plazo para disminuir sus impactos. La
influencia de componentes estructurales del paisaje (número de parches, proporción de
usos de suelos y su nivel de agregación) en el potencial impacto de los incendios fue
determinada, como también la relación del índice de inflamabilidad de paisajes (IIP) con
las variables estructurales del paisaje, y su relación con el impacto potencial de un
incendio. Los resultados indican que paisajes con mayor proporción de plantaciones
forestales, en desmedro de bosque nativo, aumentan levemente el impacto potencial de
un incendio, mientras que el número de parches y el tipo de agrupación no fueron
relevantes. Además, el IIP propuesto se relaciona fuertemente con el número de
parches, seguido del tipo de proporción, y en menor medida el tipo de agrupación, donde
un mayor número de parches, mayor proporción de plantaciones forestales, y la
distribución aleatoria de bosque nativo obtuvieron mayor inflamabilidad cada una. De
manera similar, la relación entre el IIP y el área quemada fue positiva, con aumentos del
área quemada estimada a medida que aumenta el índice. Sin embargo, los modelos
utilizados para el área quemada obtuvieron bajos desempeños, evidenciando la
necesidad de utilizar modelos estadísticos más complejos e incluir nuevas variables,
para explicar el área quemada usando variables estructurales del paisaje, y para mejorar
la relación entre el IIP y el área quemada.
Palabras clave: Incendios forestales, impacto de incendios, composición y
configuración de paisajes, índice de inflamabilidad de paisajes.
46
REFERENCIAS
Adriaensen, F., Chardon, J.P., Blust, G. De, Swinnen, E., Villalba, S., Gulinck, H., Matthysen, E. 2003. The application of ‘ least-cost ’ modelling as a functional landscape model. 64: 233-247.
Avolio, M., Spataro, W., Di Gregorio, S., Trunfio, G. 2011. Wildfire Hazard Mapping Using Cellular Automata. En International Conference on Scientific Computing (CSC 2011), pp. 191-197. CSC.
Badia, A., Serra, P., Modugno, S. 2011. Identifying dynamics of fire ignition probabilities in two representative Mediterranean wildland-urban interface areas. Applied Geography 31: 930-940.
Bajocco, S., Ricotta, C. 2008. Evidence of selective burning in Sardinia (Italy): Which land-cover classes do wildfires prefer? Landscape Ecology 23: 241-248.
Beazley, K., Smandych, L., Snaith, T., MacKinnon, F., Austen-Smith Jr, P., Duinker, P. 2005. Biodiversity considerations in conservation system planning: map-based approach for Nova Scotia, Canada. Ecological Applications 15: 2192-2208.
Beverly, J.L., Herd, E.P.K., Conner, J.C.R. 2009. Forest Ecology and Management Modeling fire susceptibility in west central Alberta , Canada. 258: 1465-1478.
Boisier, J.P., Rondanelli, R., Garreaud, R.D., Muñoz, F. 2016. Anthropogenic and natural contributions to the Southeast Pacific precipitation decline and recent megadrought in central Chile. Geophysical Research Letters 43: 413-421.
Bowman, D.M.J.S., Williamson, G.J., Abatzoglou, J.T., Kolden, C.A., Cochrane, M.A., Smith, A.M.S. 2017. Human exposure and sensitivity to globally extreme wildfire events. Nature Ecology and Evolution 1: 1-6.
Carmo, M., Moreira, F., Casimiro, P., Vaz, P. 2011. Land use and topography influences on wildfire occurrence in northern Portugal. Landscape and Urban Planning 100: 169-176.
Carvalho, T.M.M., Coelho, C.O.A., Ferreira, A.J.D., Charlton, C.A. 2002. Land degradation processes in Portugal: Farmers’ perceptions of the application of European agroforestry programmes. Land Degradation and Development 13: 177-188.
Castillo, M., Garfias, R. 2010. Estudio del comportamiento del fuego mediante simulación de incendios forestales en Chile. Geographicalia 58: 81-103.
Castillo, M.E., Molina-Martínez, J.R., Rodríguez y Silva, F., Julio Alvear, G.H. 2013. A territorial fire vulnerability model for Mediterranean ecosystems in South America. Ecological Informatics 13: 106-113.
Castillo, M.E., Molina, J.R., Rodríguez, F., García-chevesich, P., Gar, R. 2017. A system to evaluate fire impacts from simulated fi re behavior in Mediterranean areas of Central Chile. Science of the Total Environment 579: 1410-1418.
Catry, F.X., Rego, F.C., Bação, F.L., Moreira, F. 2009. Modeling and mapping wildfire ignition risk in Portugal. International Journal of Wildland Fire 18: 921.
Cepeda-Cuervo, E., Corrales, M., Cifuentes, M.V., Zarate, H. 2016. On gamma
47
regression residuals. Journal of the Iranian Statistical Society 15: 29-44.
Chardon, J.P., Adriaensen, F., Matthysen, E. 2003. Incorporating landscape elements into a connectivity measure: A case study for the Speckled wood butterfly (Pararge aegeria L.). Landscape Ecology 18: 561-573.
Chatto, K., Tolhurst, K.G. 2004. A Review of the Relationship between Fireline Intensity and the Ecological and Economic Effects of Fire, and Methods Currently Used to Collect Fire Data. Department of Sustainability and Environment.
Cheney, N.P. 1968. Predicting Fire Behaviour with Fire Danger Tables. Australian Forestry 32: 71-79.
CONAF. 2018. Importante disminución de superficie afectada por incendios forestales. http://www.conaf.cl/importante-disminucion-de-superficie-afectada-por-incendios-forestales/.
Diamond, J.M., Call, C.A., Devoe, N. 2009. Effects of targeted cattle grazing on fire behavior of cheatgrass-dominated rangeland in the northern Great Basin, USA. International Journal of Wildland Fire 18: 944-950.
Díaz-Hormazábal, I., González, M.E. 2016. Análisis espacio-temporal de incendios forestales en la región del Maule, Chile. Bosque 37: 147-158.
Fernández, I., Morales, N., Olivares, L., Salvatierra, J., Gómez, M., Montenegro, G. 2010. Restauración ecológica para ecosistemas nativos afectados por incendios forestales. 1.a ed. Olivares, L., Fernandez, I. (eds.),. Gráfica Lom, Santiago.
Finney, M.A. 2004. FARSITE : Fire Area Simulator — Model Development and Evaluation.
Finney, M.A. 2002. Fire growth using minimum travel time methods. Canadian Journal of Forest Research 32: 1420-1424.
Fortin, M.-J., Dale, M. 2005. Spatial Anlysis: A Guide for Ecologists. Cambridge University Press, New York.
Ganteaume, A., Camia, A., Jappiot, M., San-Miguel-Ayanz, J., Long-Fournel, M., Lampin, C. 2013. A Review of the Main Driving Factors of Forest Fire Ignition Over Europe. Environmental Management 51: 651-662.
Ganteaume, A., Jappiot, M. 2013. What causes large fires in Southern France. Forest Ecology and Management 294: 76-85.
Gill, A.M., Stephens, S.L., Cary, G.J. 2013. The worldwide ‘‘ wildfire ’’ problem. Ecological Applications 23: 438-454.
González, M.E., Lara, A., Urrutia, R., Bosnich, J. 2011. Cambio climático y su impacto potencial en la ocurrencia de incendios forestales en la zona centro-sur de Chile (33o - 42o S). Bosque 32: 215-219.
Hajian, M., Melachrinoudis, E., Kubat, P. 2016. Modeling wildfire propagation with the stochastic shortest path: A fast simulation approach. Environmental Modelling and Software 82: 73-88.
Handmer, J., Honda, Y., Kundzewicz, Z.W., Arnell, N., Benito, G., Hatfield, J., Mohamed, I.F. et al. 2012. Changes in impacts of climate extremes: Human systems and ecosystems. Managing the Risks of Extreme Events and Disasters to
48
Advance Climate Change Adaptation: Special Report of the Intergovernmental Panel on Climate Change 9781107025: 231-290.
Julio, G. 1999. Fundamentos del Manejo del Fuego. Santiago.
Julio, G., Castillo, M.E., Pedernera, P. 1995a. Modelación de combustibles. En Actas del Taller Internacional sobre Prognosis y Gestión en control de incendios Forestales, pp. 111-127. Santiago.
Julio, G., Pedernera, P., Castillo, M.E. 1995b. Diseño funcional del simulador de incendios forestales. En Actas del Taller Internacional sobre Prognosis y Gestión en Control de Incendios Forestales, pp. 182-204. Santiago.
Karafyllidis, I., Thanailakis, A. 1997. A model for predicting forest fire spreading using cellular automata. Ecological Modelling 99: 87-97.
Keeley, J.E., Fotheringham, C.J. 2001. Historic fire regime in southern California shrublands. Conservation Biology 15: 1536-1548.
Keeley, J.E., Fotheringham, C.J., Morais, M. 1999. Reexamining fire suppression impacts on brushland fire regimes. Science 284: 1829-1832.
Koutsias, N., Martínez-Fernández, J., Allgöwer, B. 2010. Do Factors Causing Wildfires Vary in Space? Evidence from Geographically Weighted Regression. GIScience & Remote Sensing 47: 221-240.
Leone, V., Lovreglio, R., Martín, M.P., Martínez, J., Vilar, L. 2009. Human Factors of Fire Occurrence in the Mediterranean. En Chuvieco, E. (ed.), Earth Observation of Wildland Fires in Mediterranean Ecosystems, pp. 1-257. Springer, Madrid.
Leuenberger, M., Parente, J., Tonini, M., Pereira, M.G., Kanevski, M. 2018. Wildfire susceptibility mapping: Deterministic vs. stochastic approaches. Environmental Modelling and Software 101: 194-203.
Lloret, F. 2004. Régimen de incendios y regeración. En Valladares, F. (ed.), Ecologia del bosque mediterráneo en un mundo cambiante, pp. 101-126. Ministerio de Medio Ambiente, EGRAF, S. A., Madrid.
Martinez-Harms, M.J., Caceres, H., Biggs, D., Possingham, H.P. 2017. After Chile’s fires , reforest private land. Science 356: 147-148.
Martinez, C., Múgica de la Guerra, M., Castell Puig, C. 2013. Conectividad Ecológica y Áreas Protegidas. Herramientas y Casos Prácticos.
Martínez, J., Vega-Garcia, C., Chuvieco, E. 2009. Human-caused wildfire risk rating for prevention planning in Spain. Journal of Environmental Management 90: 1241-1252.
McRae, B., Kavanagh, D. 2011. Linkage mapper connectivity analysis sofware. The Nature Conservancy.
McRae, B.H., Dickson, B.G., Keitt, T.H., Shah, V.B. 2008. Using circuit theory to model connectivity in ecology, evolution, and conservation. Ecology 89: 2712-2724.
McWethy, D.B., A, P., Garcia, R., Holz A, Gonza´lez ME, Veblen TT, et al. (2018). 2018. Landscape drivers of recent fire activity (2001- 2017). PLoS ONE1-24.
Molina, J.R., Castillo Soto, M., Rodríguez y Silva, F. 2014. Determining the economic
49
damage and losses of wildfires using MODIS remote sensing images. En Advances in Forest Fire Research, pp. 1821-1831.
Montenegro, G., Ginocchio, R., Segura, A., Keeley, J.E., Gómez, M. 2004. Fire regimes and vegetation responses in two Mediterranean-climate regions Regímenes de incendios y respuestas de la vegetación en dos regiones de clima Mediterráneo. Revista Chilena de Historia Natural 77: 455-464.
Nader, G., Henkin, Z., Smith, E., Ingram, R., Narvaez, N. 2007. Planned Herbivory in the Management of Wildfire Fuels: Grazing is most effective at treating smaller diameter live fuels that can greatly impact the rate of spread of a fire along with the same height. Rangelands 29: 18-24.
Naveh, Z. 1987. Biocybernetic and thermodynamic perspectives of landscape functions and land use patterns. Landscape Ecology 1: 75-83.
Neri-Pérez, A.C., Rodríguez-Trejo, D.A., Contreras-Aguado, R. 2009. Inflamabilidad de combustibles forestales en las selvas de Calakmul, Campeche. Universidad y Ciencia 25: 121-132.
Niklasson, M., Granström, A. 2000. Numbers and Sizes of Fires : Long-Term Spatially Explicit Fire History in a Swedish Boreal Landscape. Ecology 81: 1484-1499.
Nunes, A.N., Lourenço, L., Meira, A.C.C. 2016. Exploring spatial patterns and drivers of forest fires in Portugal (1980–2014). Science of the Total Environment 573: 1190-1202.
Nunes, M.C.S., Vasconcelos, M.J., Pereira, J.M.C., Dasgupta, N., Alldredge, R.J., Rego, F.C. 2005. Land Cover Type and Fire in Portugal: Do Fires Burn Land Cover Selectively? Landscape Ecology 20: 661-673.
Oliveira, S., Pereira, J.M.C., San-Miguel-Ayanz, J., Lourenço, L. 2014. Exploring the spatial patterns of fire density in Southern Europe using Geographically Weighted Regression. Applied Geography 51: 143-157.
Padilla, M., Vega-García, C. 2011. On the comparative importance of fire danger rating indices and their integration with spatial and temporal variables for predicting daily human-caused fire occurrences in Spain. International Journal of Wildland Fire 20: 46-58.
Parente, J., Pereira, M.G., Amraoui, M., Fischer, E.M. 2018. Heat waves in Portugal: Current regime, changes in future climate and impacts on extreme wildfires. Science of the Total Environment 631-632: 534-549.
Passolt, G., Fix, M.J., Tóth, S.F. 2013. A Voronoi tessellation based approach to generate hypothetical forest landscapes. Canadian Journal of Forest Research 43: 78-89.
Pausas, J.G., Keeley, J.E. 2009. A Burning Story: The Role of Fire in the History of Life. BioScience 59: 593-601.
Pedernera, P., Castillo, M., Julio, G. 2004. Diseño y validación de un simulador de incendios forestales en Chile. 1-10.
Piñol, J., Beven, K., Viegas, D.X. 2005. Modelling the effect of fire-exclusion and prescribed fire on wildfire size in Mediterranean ecosystems. Ecological Modelling 183: 397-409.
50
Piñol, J., Terradas, J., Lloret, F. 1998. Climate warming, wildfire hazard, and wildfire occurrence in coastal eastern Spain. Climatic Change 38: 345-357.
Pourtaghi, Z.S., Pourghasemi, H.R., Rossi, M. 2015. Forest fire susceptibility mapping in the Minudasht forests, Golestan province, Iran. Environmental Earth Sciences 73: 1515-1533.
R Core Team. 2016. R: A language and environment for statistical computing.
Rothermel, R.C. 1972. A mathematical model for predicting fire spread in wildland fuels. USDA Forest Service Research Paper INT USA40.
Sabadin, P., Gómez, M., Ginocchio, R., Peña, I., Montenegro, G. 2015. Effect of fire on herbaceous «matorral» vegetation of Central Chile. Ciencia e investigación agraria 42: 10-10.
Salis, M., Del Giudice, L., Arca, B., Ager, A.A., Alcasena-Urdiroz, F., Lozano, O., Bacciu, V., Spano, D., Duce, P. 2018. Modeling the effects of different fuel treatment mosaics on wildfire spread and behavior in a Mediterranean agro-pastoral area. Journal of Environmental Management 212: 490-505.
San-Miguel-Ayanz, J., Schulte, E., Schmuck, G., Camia, A., Strobl, P., Liberta, G., Giovando, C. et al. 2012. Comprehensive Monitoring of Wildfires in Europe: The European Forest Fire Information System (EFFIS). En Tienfenbacher, J. (ed.), Approaches to Managing Disaster - Assessing Hazards, Emergencies and Disaster Impacts., pp. 87-108. InTech.
Saura, S. 2013. Métodos y herramientas para el análisis de la conectividad del paisaje y su integración en los planes de conservación. En De la Cruz, M., Maestre, F. (eds.), Avances en el Análisis Espacial de Datos Ecológicos: Aspectos Metodológicos y Aplicados, pp. 355 p. Móstoles.
Saura, S., Pascual-Hortal, L. 2007. A new habitat availability index to integrate connectivity in landscape conservation planning: Comparison with existing indices and application to a case study. Landscape and Urban Planning 83: 91-103.
Saura, S., Rubio, L. 2010. A common currency for the different ways in which patches and links can contribute to habitat availability and connectivity in the landscape. Ecography 33: 523-537.
Saura, S., Torné, J. 2009. Conefor Sensinode 2.2: A software package for quantifying the importance of habitat patches for landscape connectivity. Environmental Modelling and Software 24: 135-139.
Stepanov, A., Macgregor, J. 2012. Modeling wildfire propagation with Delaunay triangulation and shortest path algorithms. European Journal of Operational Research 218: 775-788.
Stephens, S.L. 2005. Forest fire causes and extent on United States Forest Service lands. International Journal of Wildland Fire 14: 213.
Strauss, D., Bednar, L., Mees, R. 1989. Do one percent of forest fires cause ninety-nine percent of the damage? Forest Science 35: 319-328.
Taylor, P.D., Fahrig, L., Henein, K., Merriam, G. 1993. Connectivity is a vital element of landscape structure. Oikos 68: 571-573.
51
Tedim, F., Leone, V., Amraoui, M., Bouillon, C., Coughlan, M.R., Delogu, G.M., Fernandes, P.M., Ferreira, C., Mccaffrey, S., Mcgee, T.K., Parente, J., Paton, D., Pereira, M.G., Ribeiro, L.M., Viegas, D.X., Xanthopoulos, G. 2018. Defining Extreme Wildfire Events : Difficulties , Challenges , and Impacts. Fire 1: 9.
Turner, M.G., Gardner, R.H. 2015. Landscape ecology in theory and practice: Pattern and process, second edition.
Úbeda, X., Sarricolea, P. 2016. Wildfires in Chile: A review. Global and Planetary Change 146: 152-161.
Veblen, T.T., Kitzberger, T., Raffaele, E., Mermoz, M., González, M.E., Sibold, J.S., Holz, A. 2008. The historical range of variability of fires in the. International Journal of Wildland Fire 17: 724-741.
Verdú, F., Salas, J., Vega-García, C. 2012. A multivariate analysis of biophysical factors and forest fires in Spain, 1991 - 2005. International Journal of Wildland Fire 21: 498.
Wells, P. V. 1969. The relation between mode of reproduction and extent of speciation in woody genera of the california chaparral. Evolution 23: 264-267.
Werth, P. a., Potter, B.E., Clements, C.B., Finney, M. a., Goodrick, S.L., Alexander, M.E., Cruz, M.G., Forthofer, J. a., McAllister, S.S. 2011. Synthesis of knowledge of extreme fire behavior: Volume I for fire management. Gen. Tech. Rep. PNW-GTR-854. Portland, OR: US Department of Agriculture, Forest Service, Pacific Northwest Research Station I: 1-144.
Zuur, A.F., Ieno, E.N., Elphick, C.S. 2010. A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution 1: 3-14.
52