Modelos de Riesgo de Incendios en Coberturas Vegetales "Region Andina"

0713-B3

Yolanda GONZALEZ HERNANDEZ^[1]

Resumen

En el presente trabajo, se expone una metodología para la obtención del Pronóstico Mensual del Riesgo de Incendios Superficiales de la Cobertura Vegetal en la Región Andina Norte de Colombia, el cual se basa en el análisis de las variables meteorológicas, climatológicas, antrópicas, de cobertura vegetal, suelos y relieve. Tanto la metodología aquí expuesta como el pronóstico que de ella se obtiene, serán utilizados no solo por el Servicio de Información Ambiental del IDEAM, para la emisión de avisos, boletines y alertas referentes a este fenómeno sino también por el Ministerio del Medio Ambiente para sustentar las políticas pertinentes con este problema ambiental en Colombia.

Palabras claves: Colombia, incendios, cobertura vegetal, pronóstico, riesgo, modelo estadístico, clima, tropico.

Introducción

La flora y la fauna junto con algunas actividades humanas se ven directamente afectadas por la ocurrencia de los incendios superficiales de cobertura vegetal. La predicción oportuna

del riesgo de ocurrencia de este fenómeno permite a las autoridades, tanto municipales como departamentales y nacionales lo mismo que a los diferentes organismos de atención de desastres, tomar las medidas necesarias que permitan evitar o mitigar la ocurrencia y afectación de los incendios superficiales de la cobertura vegetal en Colombia.

La ocurrencia y la propagación de los incendios superficiales de la cobertura vegetal dependen de una parte de las actividades antrópicas y de otra de las condiciones meteorológicas y climatológicas de la región, ya que éstas definen no solamente los periodos seco y húmedo sino también las relaciones culturales entre el hombre y el medio ambiente.

En Colombia, las temporadas seca y lluviosa están directamente asociadas no solo con la Zona de Confluencia Intertropical (ZCIT) sino también con la variabilidad de la circulación general de la atmósfera, como es la Oscilación Cuasibienal, la cual esta relacionada con la magnitud e intensidad de los eventos cálido y frío del Pacífico Tropical, es decir, de los fenómenos "El Niño" y "La Niña" respectivamente. (ZEA y otros 2000).

De otra parte, en el país existe una cultura, un poco generalizada, del uso del fuego en las diferentes actividades desarrolladas por el hombre, algunas de las cuales están asociadas directamente con la preparación de los terrenos con fines agrícolas y pecuarios. Ellas, casi siempre, generan altos riesgos de ocurrencia de incendios superficiales de la cobertura vegetal y afectan, especialmente, a los bosques nativos y eventualmente a los plantados, ya que los procesos de tala, roza y quema ocurren en sitios circundantes a éstos.

Los estudios realizados en USA, Canadá y Australia sobre este problema, recomiendan la conformación de un Sistema de Pronóstico de Peligro de Incendio, ya que las causas físicas y el control del desarrollo de los incendios de la cobertura vegetal en estos países son equivalentes con los que se producen en los países tropicales. Por lo tanto, desde un punto de vista eminentemente práctico es viable el desarrollo de un Sistemas de Pronostico de Peligro de Incendio en nuestros países, con base en la información metodología que sustenta los estudios adelantados por ellos. (Oquntala y otros 1982)

Metodología

1. Regionalizaciòn con fines de pronóstico de riesgo de incendios de la cobertura vegetal
2. Selección del área de estudio
3. Identificación de componentes y variables que favorecen la ocurrencia de incendios
4. Selección de estaciones meteorológicas
5. Definición de escala cartográfica
6. Diseño y construcción de bases de datos región andina norte

6.1 Base de datos inferencial: Tiene como propósito servir de soporte para la construcción de un modelo estadístico, el cual le permita al Servicio de Información Ambiental del IDEAM, obtener el pronóstico mensual del riesgo de incendios superficiales de la cobertura vegetal en la región Andina Norte de Colombia. Esta "base de datos" está conformada por los valores que alcanzan las variables que constituyen las siguientes unidades experimentales: meteorológica, climatológica, antrópica y fenomenológica.

6.2 Base de datos descriptiva: se conformó una segunda "base de datos" la cual tiene como finalidad caracterizar y ayudar a describir la región Andina Norte a través de sus pisos térmicos. Esta información es de naturaleza cuantitativa pero su unidad de observación es el "piso térmico"; se obtuvo registrando el número de Hectáreas que por piso térmico tiene cada una de las variables que conforman las diferentes unidades experimentales (cobertura vegetal, suelos y relieve). Dichas variables son las siguientes: Cobertura Vegetal: Área total de la región (Há), Área cubierta por vegetación (Há), Área cubierta de "Bosque Andino" (Há), Área cubierta de "Bosque Andino Fragmentado" (Há), Área cubierta de "Bosque Andino Plantado" (Há), Área cubierta de "Bosque Basal Fragmentado" (Há), Área cubierta de "Bosque Basal Plantado" (Há), Área cubierta de "Agroecosistema Andino" (Há), Área cubierta de "Agroecosistema Andino-interandino" (Há), Área cubierta de "Agroecosistema Basal" (Há), Área cubierta de "Páramo" (Há), Área cubierta de "Xerofitia Andina" (Há), Suelo, paisajes de: Cordillera, Planicie aluvial del piedemonte, Colinas, Formas aluviales y/o Lacustres, Altiplanos; Relieve: Valle, Peneplanicie, Planicie, Lomerio, Montaña, Altiplanicie, orden de suelos: Alfisoles, Andisoles, Capital, Entisoles, Histosoles, Inceptisoles, Molisoles y características como nivel freático y erosión de los suelos

6.3.Bases de datos espaciales: En cuanto a las bases de datos espaciales se definió una escala cartográfica homogénea 1:500.000, para la identificación, localización y cálculo de áreas, con base en la cartografía básica de cobertura vegetal Mapa de Cobertura Vegetal, uso y ocupación del territorio Año 1996, suelos y relieve del IDEAM. Lo anterior se realizo tanto para la región en general como para los siete diferentes rangos altitudinales los cuales fueron establecidos según la distribución homogénea de la vegetación.

7. Construcción de modelos estadísticos para pronóstico de riesgo de incendios

Para cada uno de los rangos previamente definidos (siete), se evaluaron los conjuntos de variables cuantitativas, para el conjunto meteorológico en cada rango se realizo una depuración de la base de datos

8 Ajuste y validación de modelos

8.1 Modelos de Regresión Logística

Se aplico análisis de regresión logística a los datos, considerando como variable respuesta, la presencia o ausencia de incendio con valores (1,0) respectivamente y como variables explicativas las variables meteorológicas. Distinguiendo cada rango por medio de variables Dummy denominadas R1... R6.

Los modelos fueron seleccionados conjuntamente por las metodologías de selección de modelos como son FORWARD, BACKWARD, STEPWISE. Se considero para la selección, criterios tales como la significación de los parámetros, porcentaje de pares concordantes y discordantes, medidas de asociación y predicción como son d de Somers, Gamma y Tau-a.

Se ajusto un modelo por cada vía de selección y posteriormente se compararon los modelos obtenidos por cada una de estas vías, y si por medio de las tres vías se llegaba al mismo modelo, es decir que consideraran las mismas variables explicativas, indicaba que este modelo explica adecuadamente los datos correspondientes al rango estudiado. Para los modelos donde dos de las metodologías de selección coincidían o ninguna coincidía la elección del modelo se realizaba con los criterios de selección enunciados anteriormente.

Resultados

1 Modelos de regresión logística

1.1 Modelo de regresión logística Rango 1 (0- 600 metros sobre el nivel del mar.)

Variable respuesta: Y

Modelo para el Rango 1:

El modelo en el rango 1 esta explicado por las variables Brillo solar, Temperatura Media y temperatura Máxima.

Las metodologías de selección coincidieron en enunciar que este era el modelo que mejor ajustaba a los datos

Diagnóstico

El 98,6% de buena predicción del modelo es aceptable debido a que 1010 observaciones coincidieron con las predicciones.

1.2 Modelo de regresión logística Rango 2 (601- 1200 metros sobre el nivel del mar.)

Variable respuesta: Y

Modelo para el Rango 2:

El modelo en el rango 2 esta explicado por las variables, Número de días mensual con precipitación, Humedad Relativa, Brillo solar y temperatura media de Máximos.

La metodología de selección del modelo fue BACkWARD.

Diagnóstico

El 90,8% de buena predicción del modelo es aceptable debido a que 1063 de 1170 observaciones coincidieron con las predicciones.

1.3 Modelo de regresión logística Rango 3 (1201- 1800 metros sobre el nivel del mar.)

Variable respuesta: Y

Modelo para el Rango 3:

El modelo en el rango 3 esta explicado por las variables M1 Precipitación media mensual, Número de días mensual con precipitación, Brillo solar, Índice de precipitación estandarizado a tres meses y Temperatura Máxima.

La metodología de selección del modelo fue BACkWARD.

Diagnóstico

El 87,8% de buena predicción del modelo es aceptable debido a que 1330 de 1515 observaciones coincidieron con las predicciones.

1.4 Modelo de regresión logística Rango 4 (1801- 2300 metros sobre el nivel del mar.)

Variable respuesta: Y

Modelo para el Rango 4:

El modelo en el rango 4 esta explicado por la variable M2 Número de días con precipitación

Diagnóstico

El 82,9% de buena predicción del modelo es aceptable debido a que 929 de1121 observaciones coincidieron con las predicciones.

1.5 Modelo de regresión logística Rango 5 (2301- 2700 metros sobre el nivel del mar.)

Variable respuesta: Y

Modelo para el Rango 5:

El modelo en el rango 5 esta explicado por las variables Número de días mensual con precipitación, Número de días consecutivos sin precipitación, Índice de precipitación estandarizado a un mes, Índice de precipitación estandarizado a 3 meses y temperatura Máxima.

La metodologías de selección FORWARD, STEPWISE coincidieron en enunciar que este era el modelo que mejor ajustaba los datos

Diagnóstico

El 84,5% de buena predicción del modelo es aceptable debido a que 1548 de1831 observaciones coincidieron con las predicciones.

1.6 Modelo de regresión logística Rango 6 (2701- 3200 metros sobre el nivel del mar

Variable respuesta: Y

Modelo para el Rango 6:

El modelo en el rango 6 esta explicado por las variables precipitación media mensual, Número de días mensual con precipitación, Número de días consecutivos con precipitación, Índice de precipitación estandarizado a 6 meses, Temperatura Máxima y Temperatura media de máximos.

La metodología de selección en enunciar que este era el modelo que mejor ajustaba a los datos fue STEPWISE

Diagnóstico

El 80,8% de buena predicción del modelo es aceptable debido a que 677 de 838 observaciones coincidieron con las predicciones.

1.7 Modelo de regresión logística Rango 7 ( > 3.200 metros sobre el nivel del mar)

Variable respuesta: Y

Modelo para el Rango 7:

El modelo en el rango 7 esta explicado por las variables precipitación máxima diaria, Número de días consecutivos sin precipitación, Humedad Relativa, Brillo solar, Índice de precipitación estandarizado a un mes, Índice de precipitación estandarizado a 6 meses y Temperatura Media.

La metodología de selección BACKWARD enuncia que es el modelo que mejor se ajusta a los datos

Diagnóstico

El 98,1% de buena predicción del modelo es aceptable debido a que 212 de216 observaciones coincidieron con las predicciones.

1.8 Modelo de regresión logística para todos los rangos altitudinales:

Variable respuesta: Y

Modelo de regresión logística para todos los rangos altitudinales:

El modelo para todos los rangos esta explicado por las variables Número de días mensual con precipitación, precipitación máxima diaria, Número de días consecutivos con precipitación, Número de días consecutivos sin precipitación, Brillo solar, Índice de precipitación estandarizado a tres meses, Temperatura Máxima y los rangos R1 Rango 1, R2 Rango 2, R3 Rango 3, R5 Rango 5 y R6 Rango 6.

La metodología de selección FORWARD enuncia que es el modelo que mejor se ajusta a los datos

Diagnóstico modelo para todos los rangos:

El 87,38% de buena predicción del modelo es aceptable debido a que 6008 de 6875 observaciones coincidieron con las predicciones.

Obras citadas

Oquntala, A,B., and Rapporteur C, 1982. Wildland Fires particulary in tropical World Meteorological Organization Agricultural Meteorology CagM Report No 10 Pag 29.

Zea, J., Leon, G y Eslava, J, 2000.La oscilación cuasibienal y algunas relaciones con los eventos cálidos y fríos del Pacifico. Bogotá. D.C. Colombia..Revista Meteorología. Colombiana.(1):51-58