Regressió logística i sistemes d’informació geogràfica per a l’estudi de la probabilitat d’ignició en zones d’interfície urbana forestal

La proliferació de l’urbanisme de baixa densitat arreu del món ha comportat una sèrie d’impactes i problemàtiques ambientals que obliguen a replantejar moltes de les politiques de planificació territorial. En el camp dels incendis forestals aquest espai, ocupat per zones urbanes disperses cap a espais forestals amb els qual interactuen i conviuen, s’ha anomenat zona d’interfície urbana forestal (ZIUF). És en els països anglosaxons on apareix per primera vegada el concepte Wildland-Urban Interface (WUI) a causa del desenvolupament d’aquest fenomen en dècades anteriors a les quals es produí en els països mediterranis, motivat per la preocupació per la vulnerabilitat de la població resident en aquestes àrees.

La ignició, la propagació i els efectes dels incendis forestals, són tres components que tenen una incidència directa en les polítiques de planificació de la prevenció. Aquest article es centra en el primer component i es planteja com la identificació de les zones amb més probabilitat d’ignició, permet prioritzar les actuacions de lluita contra els incendis, així com interpretar i prevenir determinades dinàmiques en els processos d’ignició. Cal tenir en compte que la principal prioritat pels equips d’extinció en un moment d’emergència real és la protecció de les persones i els seus béns. Aquest estudi té per objectiu cobrir la primera fase de tot pla de prevenció en ZIUF: l’elaboració d’un mapa on es visualitzi clarament la prioritat d’intervenció en el territori. La regressió logística (RLO) com a mètode estadístic que permet determinar la incidència d’algunes variables en la distribució espacial de l’ocurrència d’incendis, i els sistemes d’informació geogràfica (SIG) com a eina de suport al tractament de variables espacials, ofereixen els mitjans per a l’elaboració d’un mapa de probabilitat d’ignició.

En l’estudi del risc d’ignició i/o propagació podem diferenciar aquells estudis que consideren únicament i exclusiva variables biofísiques i aquells que consideren factors humans. En molts dels estudis que es fonamenten en les variables biofísiques es relaciona l’activitat d’evapotranspiració de les cobertes forestals amb la facilitat de ser cremades. En aquests casos, les dades recollides fan referència quasi en la seva totalitat a fonts de dades provinents de la teledetecció. Així trobem indicadors que interpreten el contingut d’aigua de les plantes com el Water Stress Index (WSI) i el Water Deficit Index (WDI) (Vidal et Devaux-Ros, 1995). Un dels índexs més utilitzats és sense cap mena de dubte el Normalized Difference Vegetation Index (NDVI), el valor del qual és inversament proporcional a la combustió potencial (Manzo-Delgado et al. 2007). En aquests estudis es contempla també el paper de la topografia (sobretot el pendent i l’exposició solar) en la determinació del risc d’ignició i de propagació (Maselli et al. 2000; Bovio et Camia, 2004). Dos dels models de predicció del risc de caràcter biofísic més estandarditzats són el model nord-americà National Fire Danger Rating System (NFDRS), que compta amb una experiència de més de 50 anys, i el model canadenc Fire Weather Index (FWI) (Van Wagner, 1987). Aquests models americans han tingut una influència determinant en l’aplicació de models similars a Europa.

Més del 90% dels incendis són deguts a causes humanes (Martínez et al. 2009). D’aquí l’interès en el desenvolupament de diferents estudis que combinen variables biofísiques amb variables humanes o fins i tot que utilitzen únicament variables humanes (Vega et al. 1995; Chuvieco i Salas, 1996; Cardille et al. 2001; Badia i Pallarès, 2006; Maingi i Henry, 2007; Romero-Calcerrada et al. 2008). La combinació de variables biofísiques i variables humanes és indispensable en estudis que tenen com a objectiu analitzar el comportament dels incendis a la regió mediterrània, on hi ha una gran interacció entre l’activitat humana i les característiques biofísiques de les masses forestals.

Un dels principals inconvenients a l’hora d’utilitzar variables socioeconòmiques en la modelització del risc d’ignició és com convertir-les en capes d’informació per a integrar-les en un SIG (Vilar del Hoyo, 2008; Romero-Calcerrada et al. 2008). Per això, es tendeix a utilitzar variables que reflecteixen aquest component humà, com la densitat de la xarxa de carreteres, les zones urbanitzades, o el pendent i l’altitud que s’identifiquen fàcilment amb l’accessibilitat a determinades àrees (Chou et al.1993; Badia i Pallarès, 2006; Yang et al. 2007).

1. Metodologia

El risc d’incendi s’interpreta en aquest estudi com la probabilitat que en un lloc i moment donats es produeixi un incendi. L’estadística, i concretament el mètode de RLO, ajuda a entendre i a explicar les relacions entre diverses variables: una variable dependent (els punts d’ignició o l’ocurrència d’incendis) i unes variables independents (distància a les zones urbanitzades, distància a les principals vies de comunicació, distància als espais PEIN, pendent, etc.). Són moltes les experiències en l’ús de RLO per a la determinació de la probabilitat d’ignició (Martell et al. 1987; Vasconcelos et al. 2001; Andrews et al. 2003; Martinez et al. 2009; Catry et al. 2009; Chuvieco et al. 2010).

El model de RLO és un mètode per a determinar les relacions entre variables explicatives independents (que poden ser contínues i/o discretes) i una variable dependent de tipus dicotòmic (0,1 o presència/absència). En el nostre cas d’estudi, s’estima la probabilitat de presència (1) o absència (0) d’un incendi utilitzant punts d’ignició. Per tant, l’objectiu és obtenir un mapa de probabilitat d’ignició utilitzant:

on Z és la combinació lineal de les variables independents X_i

essent B₀ una constant i B_i els coeficients a estimar

Un valor proper a 1 indica que hi ha una probabilitat alta d’ocurrència, en aquest cas d’incendis. Contràriament, com més s’acosta a 0 menys probabilitat d’ocurrència.

Un dels paràmetres que ens permet demostrar la fiabilitat del model és la bondat d’ajust, que es basa en la comparació entre el número de casos observats i el número de casos esperats, a partir del càlcul de l’estadístic khi quadrat. En el nostre cas s’ha utilitzat també l’anomenada corba Receiver Operating Characteristic (ROC) que compara el mapa final de probabilitat obtingut amb la regresssió i els valors reals.

Els SIG, han permès integrar les diferents variables espacials essent la plataforma per a l’aplicació de RLO i així representar espacialment la probabilitat d’ignició. El programari utilitzat ha estat Idrisi Andes per a les funcions d’estadística espacial i MiraMon per a totes les funcions de geoprocessament, bàsicament les que fan referència a la preparació de les variables i a l’explotació final de les dades.

2.  Àrea d’estudi

La província de Barcelona ha patit en les darreres dècades un procés de creixement accelerat de les ZIUF posant de manifest la vulnerabilitat d’aquestes àrees urbanes situades enmig del bosc en front dels incendis forestals. Aquest article aplica la RLO utilitzant els SIG, en una zona ja afectada per un gran incendi forestal, l’incendi de l’any 2003 a Sant Llorenç Savall, que va posar en evidència la manca de protecció d’aquestes àrees. El punt central de l’àrea d’estudi és tota la zona que envolta el Parc Natural de Sant Llorenç del Munt i la Serra de l’Obac arribant a incorporar altres espais protegits com Montserrat, Gallifa i Cingles del Bertí (Figura 1). La superfície total és de 1710 km² i comprèn 38 municipis entre els quals destaquen Manresa, Terrassa i Sabadell per la seva densitat de població.

Figura 1. Àrea d’estudi.

L’interès ecològic i la forta pressió antròpica juntament amb l’elevat nombre d’incendis ocorreguts fa que aquesta àrea sigui considerada òptima per a l’aplicació del model de RLO, ja que es tracta d’una zona representativa de gran part de les ZIUF dela regió.

3. Aplicació de la RLO

Com a variable dependent per a l’aplicació del model de RLO s’ha utilitzat els punts d’ignició ocurreguts durant el període 1987-2004, que suposen un total de 1314 incendis. Les coordenades d’aquests punts d’ignició provenen del Departament de Medi Ambient i Habitatge de la Generalitat de Catalunya. Les independents les configuren un conjunt de variables biofísiques i antròpiques (Figura 2). Com a variables biofísiques s’ha volgut tenir en compte l’estat fenològic de la coberta vegetal, per la qual cosa s’ha considerat el grau d’inflamabilitat expressat a través de mapes temàtics que determinen la major o menor facilitat d’ignició de les diferents espècies arbòries. A partir d’una imatge del satèl·lit Landsat TM de 30 metres de resolució d’un dia representatiu dels mesos estivals s’ha elaborat el Normalized Difference Vegetation Index (NDVI)¹ i el Gradient d’Estrès Diari (GED)². Les bases de dades territorials del Departament de Medi Ambient i Habitatge han estat la font de dades de les variables antròpiques. Així, la xarxa viària, les zones urbanitzades i els espais PEIN, han permès elaborar els mapes de distància a la xarxa viària, a les zones urbanitzades i als espais PEIN respectivament. La distància a la xarxa viària i a les zones urbanitzades són considerades com inversament proporcionals a la probabilitat d’ignició. La distància als espais PEIN és proporcional a la probabilitat d’ignició, ja que es considera que als voltants dels espais protegits, no a l’interior, és on hi ha més probabilitat d’ignició. Els usos del sòl permeten representar també la incidència humana sobre la localització espacial de les ignicions. Generalment els usos del sòl que es troben a les zones d’interfície, són els que tenen més ignicions. L’altitud i el pendent, derivat del model digital del terreny (MDT), s’han considerat també per a reflectir el grau d’accessibilitat a les zones forestals.

Figura 2. MaVariables territorials per a l’aplicació del RLO.

Model 1: usos del sòl / Model 2: usos del sòl, pendent / Model 3: usos del sòl, pendent, PEIN /  Model 4: usos del sòl, pendent, PEIN, altitud / Model 5: usos del sòl, pendent, PEIN, altitud, NDVI /
Model 6: usos del sòl, pendent, PEIN, altitud, NDVI, GED / Model 7: usos del sòl, pendent, PEIN, altitud, NDVI, GED, distància xarxa viària / Model 8: usos del sòl, pendent, PEIN, altitud, NDVI, GED, distància xarxa viària, distància superfície urbanitzada / Model 9 (Final): usos del sòl, altitud, distància xarxa viària, distància superfície urbanitzada.
Figura 3. Distribució dels valors ROC per a cadascun dels models.

La figura 3 mostra com en anar introduint variables independents el poder predicitiu tendeix a 1. S’observa un augment explicatiu de la probabilitat en el Model 3 i 4, des d’un valor ROC de 0.57 a un de 0.64, en introduir el MDT. Amb els models 5, 6, 7, el valor de ROC es manté constant, on les variables de NDVI i GED, no resulten ser significatives. Per tal d’arribar a un valor definitiu de 0.66, s’ha tingut en compte la distància a la superfície urbanitzada. Finalment, s’ha generat un model òptim amb un número reduït de variables: ús del sòl, MDT, distància a la xarxa viària distància a la superfície urbanitzada. S’han executat altres combinacions sense mai sobrepassar el valor de 0.66. Com es pot comprovar, les variables amb més correlació són les variables antròpiques. El mapa de probabilitat resultant es pot veure a la Figura 4. Les zones amb una probabilitat més gran que hi hagi una ocurrència d’incendi són les properes als nuclis urbans i xarxa principal de carreteres, on hi ha una altitud baixa i amb un tipus d’ús del sòl d’aciculifolis i conreus de secà. Les zones amb menys probabilitat són les de més altitud, precisament perquè són les de més difícil accés.

Figura 4. Mapa de probabilitat d’ocurrència d’incendis corresponent al Model 9.

Per tal de comprovar la viabilitat d’aquest model, s’ha creuat la capa de les ignicions amb el mapa de probabilitat final (Taula 1). Com es pot comprovar, el 70% de les ignicions es troben en una probabilitat alta i molt alta d’ocurrència d’incendis la qual cosa demostra uns resultats força ajustats.

Taula 1. Número d’incendis per probabilitat d’ignició.

4. Conclusions

Aquest article proposa l’aplicació del model RLO com a mètode de suport a la presa de decisions en matèria de prevenció d’incendis forestals en ZIUF. La capacitat d’integrar variables de diferent naturalesa explica que hagi estat un mètode molt utilitzat en la predicció de l’ocurrència d’incendis en àmbits geogràfics diferents. Un dels factors clau a l’hora d’aplicar aquest model és la disponibilitat d’una base de dades sobre el lloc d’inici dels incendis, variable que no resulta fàcil d’obtenir fora de Catalunya. Des de l’any 1987 a Catalunya es recullen les coordenades del lloc d’inici de l’incendi de forma regular, la qual cosa fa que es compti amb un registre important de freqüència d’incendis. A partir d’aquesta informació, com a variable dependent en el model RLO, ha estat possible explicar la distribució espacial de les ignicions a través d’un conjunt de variables independents amb un fort component humà. El valor de predicció ROC ha permès fer una selecció de les variables de manera més objectiva, donant més fiabilitat al model final. El resultat obtingut en aquest estudi en forma de mapa de probabilitat d’ignició, permet la seva integració en un SIG i així esdevé una capa d’informació indispensable per analitzar amb coherència la distribució territorial dels equipaments d’extinció. D’altra banda, la possibilitat de prioritzar unes zones per sobre de les altres amb criteris de vulnerabilitat dels assentaments humans, permet focalitzar els estudis de percepció del risc dels habitants de les ZIUF, indispensable per poder prendre decisions que siguin fàcilment assumibles i entenedores per la població.

Referències

Andrews, P.L.; Loftsgaarden, D.O. and Bradshaw, L.S. (2003) “Evaluation of fire danger rating indexes using logistic regression and percentile analysis”, International Journal of Wildland Fire, 12, 213-226.

Badia, A. and Pallares, M. (2006) “Spatial distribution of ignitions in Mediterranean periurban and rural areas: the case of Catalonia”, International Journal of Wildland Fire, 15, 187-196.

Bovio, G. and Camia, A. (2004) Incendi complessità ecosistemica. Ministero dell’ambiente e della tutela del territorio, 87-109.

Catry, F.X.; Rego, F.C.; Bação, F. and Moreira, F. (2009) “Modeling and mapping wildfire ignition risk in Portugal”, International Journal of Wildland Fire, 18, 921-931.

Chou, Y.; Minnich, R. and Chase, R. (1993) “Mapping probability of fire occurrence in San Jacinto Mountains, California, USA”, Environmental Management, 17(1), 129-140.

Chuvieco, E. and Salas J. (1996) “Mapping the spatial distribution of forest fire danger using GIS”, International Journal of Geographical Information Science, 10(3), 333-345.

Chuvieco, E.; Aguado, I.; Yebra, M.; Nieto, H.; Salas, J.; Martín, M.P.; Vilar, L.; Martínez, J.; Martín, S.; Ibarra, P;. de la Riva, J.; Baeza, J.; Rodríguez, F.; Molina, J.R.; Herrera, M.A.; and Zamora, R. (2010) “Development of a framework for fire risk assessment using remote sensing and geographic information system technologies”, Ecological Modelling, 221, 46-58.

Cardille, J.A.; Ventura, S.J. and Turner M.G. (2001) “Environmental and social factors influencing wildfires in the upper midwest, United States”, Ecological Applications, 11(1), 111-127.

Manzo-Delgado, L.; Sánchez-Colón, S. and Álvarez R. (2007) “Multitemporal analysis of NDVI and land surface temperature for modeling the probability of forest fire occurrence in central Mexico”, in IV International workshop on the analyisis of multitemporal remote sensing, Belgium, 177-181.

Maingi, J. and Henry, M. (2007) “Factors influencing wildfire occurrence and distribution in eastern Kentucky, USA”, International Journal of Wildland Fire, 16, 23-33.

Martell, D.L.; Otukol, S. and Stocks, B.J. (1987) “A logistic model for predicting daily people-caused forest fire occurrence in Ontario”, Canadian Journal of Forest Research, 17, 394-401.

Martínez, J.; Vega-García, C. and Chuvieco, E. (2009) “Human-caused wildfire risk rating for prevention planning in Spain”, Journal of Environmental Management, 90, 1241-1252.

Maselli, F.; Rodolfi, A.; Bottai, L.; Romanelli, S. and Conese, C. (2000) “Classification of Mediterranean vegetation by TM and ancillary data for the evaluation of fire risk”, International Journal of Remote Sensing, 21(17), 3303-3313.

Romero-Calcerrada, R.; Novillo, C.; Millington, J. and Gomez-Jimenez, I. (2008) “GIS analysis of spatial patterns of human-caused wildfire ignition risk in the SW of Madrid (Central Spain)”, Landscape Ecology, 23(3), 341-354.

Van Wagner, C.E. (1987) “Development and Structure of the Canadian Forest Fire Weather Index System”, Forestry Technical Report 35. Ottawa, Ontario: Canadian Forestry Service.

Vasconcelos, M.J.P.; Silva, S.; Tome, M.; Alvim, M. and Pereira, J.M.C. (2001) “Spatial prediction of fire ignition probabilities: comparing logistic regression and neural networks”, Photogrammetric Engineering and Remote Sensing, 67(1), 73-81.

Vega, C.; Woodard, P.M.; Titus, S.J.; Adamowicz, W.L. and Lee, B.S. (1995) “A logit Model for predicting the daily occurrence of human caused forest fires”, International Journal Widland Fire, 5(2), 101-111.

Vidal, A. and Devaux-Ros, C. (1995) “Evaluating forest fire hazard with a Landsat TM derived water stress index”, Agricultural and Forest Meteorology, 77, 107-224.

Vilar del Hoyo, L.; Martin, I. y Vega, M. (2008) “Empleo de técnicas de regresión logística para la obtención de modelos de riesgo humano de incendio forestal a escala regional”, Boletín de la Asociación de Geógrafos Españoles, 47, 357-361.

Vince, S.W.; Duryea, M.L.; Macie, E.A. and Hermansen, A. (2005) Forests at the Wildland-Urban Interface: Conservation and Management. New York: CRC Press (Integrative Studies in Water Management and Land Development).

Yang, J.; He, S.H.; Shifley, R.S. and Gustafon, J.E. (2007) “Spatial patterns of modern period human-caused fire occurrence in the Missouri Ozark Highlands”, Forest Science, 53, 1-15.

Notes

1. El Normalized Difference Vegetation Index (NDVI) és un quocient píxel a píxel entre les reflectàncies de dues bandes de la mateixa imatge. L’objectiu d’aquest índex és la discriminació de la coberta vegetal amb una resposta més elevada respecte de les cobertes sense vegetació. Es deriva del comportament radiomètric específic de la vegetació, la signatura espectral de la qual mostra un clar contrast entre la banda del vermell, on els pigments de la fulla absorbeixen la major part de l’energia electromagnètica rebuda del sol, i l’infraroig proper, on l’estructura interna de les fulles en reflecteixen la major part.

2. El Gradient d’Estrès Diari (GED) es basa en la relació entre la temperatura de la superfície terrestre (TST, mesurada mitjançant la informació del canal tèrmic d’imatges Landsat) i la temperatura de l’aire en el moment de pas del satèl·lit.