La sequía en la modelación de riesgo de incendios forestales en la ...

AMH
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
LA SEQUÍA EN LA MODELACIÓN DE RIESGO DE INCENDIOS FORESTALES EN LA
Introducción
Como parte del proceso natural de regeneración del ambiente,
los incendios son importantes agentes de limpieza de los
ecosistemas forestales. No obstante, este proceso ha sido
desequilibrado por las actividades humanas. Entonces, la
ocurrencia y propagación de incendios dependen, tanto de las
actividades antrópicas como de las condiciones climatológicas
de una región. Estas últimas, definen no solamente los
periodos húmedos y secos, sino también las relaciones
culturales entre el hombre y el medio ambiente (González,
2003). Tomando en cuenta el régimen de lluvia mensual a
nivel nacional, los meses de marzo y abril son los más secos
del año. Esto provoca que durante esos meses los periodos de
sequía sean los más largos y que los combustibles naturales
como los pastos y matorrales, sean más susceptibles a los
incendios de alta severidad (CONAFOR, 2012).
De acuerdo con la FAO (2003), México se encuentra en el
12°sitio por sus 33.5 millones de hectáreas de bosques
(SEMARNAT, 2010). Tan sólo por la causa de incendios en el
país, en el 2010 se afectaron 19.14 hectáreas en promedio al
año, y el Estado de México ocupó el 14° lugar a nivel nacional
con una tasa promedio anual de 2.82 hectáreas por evento
(PROBOSQUE, 2010). Tanto a nivel mundial, como nacional
y estatal, los recursos forestales se encuentran amenazados por
los incendios. Durante la temporada de sequía del 2006 a
2009, en el Estado de México se presentaron 2,320 incendios
con una afectación de 3,779.39 hectáreas, de los cuales, para
la cuenca del río Lerma fue superior a 600 eventos con más de
2,500 hectáreas de afectación (PROBOSQUE, 2010). Aún
cuando en el Estado de México existen programas para el
combate y prevención de incendios, las pérdidas de bosque
continúan reflejándose en el cambio de paisaje en la entidad
cada año. Asimismo, el recurso forestal en la región está
sometido a presiones tanto económicas como sociales. Lo
anterior provoca que las acciones de manejo y conservación se
encuentren en desventaja ante el continuo aprovechamiento y
sobreexplotación de este recurso (Magaña, 2012).
Por lo tanto, se requiere diseñar metodologías para alerta,
mitigación y control de la pérdida de recursos forestales en el
Estado de México, en específico de la cuenca del río Lerma.
Esto puede darse a través de herramientas de apoyo en la toma
de decisiones de alerta y prevención de incendios forestales.
El objetivo de este trabajo consiste en proponer un modelo
dinámico a escala diaria, para detección de zonas de riesgo por
ignición de incendios, mediante el ajuste de un modelo
matemático de regresión logística aplicado a la cuenca del río
Lerma dentro del territorio del Estado de México. Para el
procesamiento de imágenes y su análisis estadístico, se utilizó
CUENCA LERMA, ESTADO DE MÉXICO
Vilchis-Francés, Aleida Yadira 1 , Díaz-Delgado, Carlos 2 ,Bâ, Khalidou Mamadou 3 , Gómez
Albores, Miguel Ángel 4 , Magaña Lona, Dolores 5
Centro Interamericano de Recursos del Agua, Universidad Autónoma del Estado de México. Carretera Toluca-
Atlacomulco km 14.5, Toluca, México.
aleidavfrances@gmail.com, cdiazd@uaemex.mx, khalidou@uaemex.mx, qfbmiguel_ga@yahoo.com.mx,
geodolores@yahoo.com.mx
AMH
el sistema Idrisi (Eastman, 2012). En este software se presenta
un módulo de regresión logística, que facilitó la evaluación de
las variables (fisiográficas, meteorológicas y de cargas de
combustible) que en combinación, fueron las posibles
precursoras de la ocurrencia de incendios para los años 2006 a
2009 en la cuenca.
Materiales y método
1. Marco geográfico
La aplicación de la metodología del presente estudio
corresponde a la cuenca del río Lerma, la cual se localiza en el
centro del Estado de México. La cuenca se origina en el
municipio de Almoloya del Río y su desembocadura estatal
limita al noroeste con Querétaro y Michoacán (figura 1). La
cuenca comprende aproximadamente una superficie de 5,035
km 2 y una longitud del cauce de 177 km (GEM, 2010a). Las
elevaciones en la zona fluctúan desde los 2,570 m en su
nacimiento hasta los 2,360 m en la salida (GEM, 2010a). Con
una temperatura media de 13 °C presentada en los climas de
templado lluvioso, templado lluvioso semifrío y frío, en la
región llueve al año 782 mm en promedio. Es una de las
regiones más pobladas del territorio mexiquense, pues en ésta
se encuentran alrededor de 2.3 millones de habitantes (GEM,
2010b).
Figura 1. Localización de la cuenca del río Lerma en el Estado de
México.

AMH
2. Características de los incendios en la cuenca Lerma
dentro del Estado de México
Los incendios impactan significativamente al medio ambiente,
tanto por la pérdida de bosques como por el daño a la flora y
fauna que en ellos se desarrollan (CENAPRED, 2007). Para el
Estado de México, la media anual de incendios es de 1,401
eventos que representan una afectación promedio de 2.82
ha/evento. En la cuenca Lerma, el número de incendios fue de
664 eventos durante los años 2006 a 2009 con afectación de
2,530 hectáreas (PROBOSQUE, 2010). En la región, la
temporada de incendios está definida de enero a junio. Para
caracterizar los incendios forestales en la zona de análisis
ocurridos en el período 2006 a 2009, se tomaron en cuenta
variables como: fecha, hora de ignición y causa de éstos, la
cobertura vegetal, el área afectada y la carga de combustible
asociada, además de su ubicación, el déficit acumulado de
humedad (ANES) y los días con déficit de humedad (CNS).
Distribución temporal: la temporada de incendios forestales
en la cuenca Lerma del Estado de México se encuentra
definida en los primeros meses del año, con énfasis en los
meses de marzo y abril. El 75% del total de incendios ocurrió
entre los meses de marzo y abril, antecedidos por 19% en los
dos primeros meses y por el 6% en los meses de mayo y junio
(PROBOSQUE, 2010).
Hora de ignición: los incendios se inician predominantemente
entre las 06:00 y las 18:00 horas, enfatizándose en el horario
de 12:00 a 15:00 horas, coincidiendo con las horas de mayor
insolación (PROBOSQUE, 2010). El comportamiento del
horario de inicio se aprecia homogéneo durante los cuatro
años de información procesados en este estudio. Poco más del
43% de los eventos acontece entre las 12:00 y las 15:00 horas
(Magaña, 2012).
Duración del incendio: debido que las brigadas para
prevención y combate de incendios en la cuenca Lerma,
atienden de inmediato el aviso de incendio, por lo que
principalmente la duración de estos eventos se encuentra entre
1 y 5 horas (PROBOSQUE, 2010). El 76% de los eventos en
la región tienen una duración general hasta 5 horas.
Amplitud de afectación del incendio: los 664 incendios
registrados en los bosques de la cuenca Lerma en el Estado de
México, impactaron 2,530 hectáreas entre los años 2006 y
2009 (PROBOSQUE, 2010). Se advierte un ligero aumento en
los incendios mayores a 4 hectáreas en el año 2009. No
obstante, la tendencia general son los eventos de áreas
menores a 4 hectáreas en el periodo 2006 a 2009. El 74% de
los incendios son iguales o menores a 4 hectáreas.
Cobertura vegetal: el bosque de encino es el más abundante
en la cuenca Lerma, por lo que resulta evidente que esta
especie sea la mayormente afectada por los incendios
forestales. El 42% de los incendios perturban a los bosques de
encino, seguidos los bosques de pino y oyamel con el 27% y
25%, respectivamente (PROBOSQUE, 2010).
Combustible: de acuerdo con el modelo de combustible
forestal de Estados Unidos y en concordancia con las
características de los bosques mexiquenses, se tiene que la
carga de combustible total, es decir vivo y muerto para el
pino, aile y cedro es de 29.68 ton/ha, para el palmar y la selva
baja caducifolia le corresponde una carga de 12.34 ton/ha, y
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
AMH
para el encino, oyamel, táscate y cuitaz una carga de 8.59
ton/ha (PROBOSQUE, 2010).
Causas que provocan incendios: respecto a las causas
registradas, PROBOSQUE (2010) reconoce 15 orígenes:
actividades agropecuarias, actividades forestales, otras
actividades productivas no agropecuarias y forestales, limpia
de derechos de vía, fumadores, fogatas de paseantes, quema de
basureros, litigios, rencillas, obtención de autorización para
aprovechamiento forestal, cazadores furtivos, descargas
eléctricas, cultivos ilícitos, ferrocarril y no determinada. Las
prácticas agrícolas y pecuarias originan el 35% de los
incendios, el 30% de los eventos se deben a causas no
determinadas, el 17% debido a fogatas y el 11% por
actividades forestales (Magaña, 2012).
3. Metodología
De manera gráfica, se representa la metodología general en la
figura 2 como un diagrama de flujo. En la figura 2 se observa
la manera como se involucra la variable explicativa, de
carácter dinámico-temporal (sequía), para la construcción del
modelo de riesgo de incendios. La metodología propuesta se
divide en tres módulos: A) obtención de indicadores de sequía,
B) identificación de regiones homogéneas y C) construcción
del modelo de regresión logística. De manera general, el
proceso inicia con la obtención de los indicadores de sequía a
través de la precipitación. Después se agrupa la superficie
analizada por semejanza de características, tanto geográficas,
topográficas, carga de combustible, incendios y suelos, así
como la superficie afectada por incendios en la zona de
análisis. Finalmente se construye el modelo matemático de
regresión logística que mejor se ajuste a las características de
la región de estudio para obtención de zonas de riesgo por
incendios.
3.1. Módulo A: Indicadores de sequía
Preparación de los datos de precipitación.
Base de datos de estaciones climatológicas: para el análisis de
condiciones de sequía en la zona, se toman en cuenta las
estaciones climatológicas con datos diarios de precipitación.
Dado que se estudia la condición de sequía como precursor de
incendios forestales, solamente se toma en cuenta el periodo
de estiaje en esta zona, comprendido por los meses de enero a
junio.
Años completos con información: de acuerdo con la base de
datos anterior, se consideran estaciones pluviométricas con
años completos de lluvia diaria. Lo anterior se debe a que el
indicador de precipitación efectiva en el cálculo de sequía,
requiere de esta variable a nivel diario. Se prepara la base de
datos con precipitación diaria con un mínimo de 30 años de
registro.
Estimación de indicadores de sequía efectiva. Se utiliza el
método del índice de sequía efectiva propuesto por Byun y
Wilhite (1999), el cual propone una serie de indicadores para
caracterizar de manera más completa una sequía. Para ello se
presenta el concepto de precipitación efectiva EP (Effective

AMH
precipitation, por sus siglas en inglés) como la reducción
diaria de la precipitación a través del tiempo.
Figura 2. Secuencia general de la metodología para construcción
del modelo matemático de regresión logística para predicción de
la amplitud de incendios.
Duración de días anteriores y elección de ecuación para
cálculo de precipitación efectiva: Byun y Wilhite proponen
que la duración de días precedentes para cálculo de la
precipitación efectiva (EP), puede ser de 15 ó 365 días. El
valor de 365 puede ser un valor representativo de los recursos
totales de agua disponible por ese periodo de tiempo.
Asimismo, el valor de 15 puede ser un dato representante del
valor de los recursos totales de agua almacenada en el suelo
para un corto periodo. En este caso se utilizó un valor de 15
días anteriores para cálculo de EP. Los autores sugieren
estimar el comportamiento temporal de EP (ecuación 1) como
la suma de la precipitación de m días anteriores.
∑
∑
……………………………………….(1)
Donde es la precipitación efectiva diaria (mm), es la
precipitación de m días anteriores (mm) e es la duración de la
suma de los días anteriores.
Obtención de la media de EP diaria: (MEP, Mean of EP por
sus siglas en inglés), la cual muestra las características
climatológicas de la reducción de la precipitación a nivel local
o regional. La MEP se estima como el promedio de varios
años atrás para el mismo período analizado.
Obtención de la desviación de EP: el método de sequía
efectiva de Byun y Wilhite (1999), continúa con el cálculo de
la desviación de EP con respecto a MEP (ecuación 2), al cual
se le denomina desviación de EP (DEP, Desviation of EP por
sus siglas en inglés).
………………………………………....(2)
Donde es la desviación de EP respecto a MEP (mm),
es la precipitación efectiva (mm) y es la media de la
precipitación efectiva (mm).
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
AMH
Obtención del valor estandarizado de EP: con DEP se estima
el segundo indicador de sequía efectiva al que se le denomina
precipitación efectiva estandarizada (SEP, Standardized value
of DEP por sus siglas en inglés). SEP es el valor normalizado
de DEP respecto a la desviación estándar de EP (ecuación 3).
…………………………..…………………..(3)
Donde es la precipitación estandarizada de EP, es la
desviación de EP respecto a MEP (mm) y es la
desviación estándar de EP (mm).
Identificación de períodos secos: con el cálculo de SEP es
posible detectar con precisión el inicio, fin, duración y
severidad de una sequía en la zona de análisis. La sequía se
presenta como el déficit de humedad normalizado en cada una
de las estaciones de observación (valores negativos de SEP).
Así, los valores negativos de SEP corresponden a períodos
secos y los positivos a los períodos húmedos. Para el propósito
de esta investigación, interesan solamente los períodos secos
(valores negativos de SEP).
Obtención de CNS y ANES: el tercer y cuarto indicador de
sequía efectiva propuesto por Byun y Wilhite, se obtienen para
conocer la gravedad de la sequía, expresada en términos del
déficit de precipitación. Entonces, a partir de SEP se obtiene la
severidad del déficit de humedad a nivel diario ANES
(Accumulation of consecutive negative SEP por sus siglas en
inglés) como la suma de valores de SEP negativos
consecutivos en un período seco. Finalmente, de acuerdo con
el número de días consecutivos con déficit de EP
estandarizada en cada período seco, se obtiene el indicador
CNS (Consecutive days of negative SEP, por sus siglas en
inglés) con el cual se determina la duración de cada período de
sequía en la zona de análisis. Para el objeto de este estudio, en
lo subsecuente, se llamarán las últimas variables como se
indica a continuación:
: é" # %#&'&(% ) * +&'* %
, : í%- #). é" # * +&'* %
3.2. Módulo B: Identificación de zonas homogéneas
Espacialización de la información. Se toman en cuenta
características de incendios como la amplitud de afectación, la
duración, la hora de inicio y la carga de combustible. También
se consideran dos características de tipo geográfico como
latitud y longitud. Asimismo, se analiza la influencia de las
variables de tipo climatológico CNS y ANES. Por último, se
integran a estas variables, las imágenes de cobertura de suelos.
La información de cada variable se interpola para generar sus
imágenes correspondientes a través del software Idrisi
(Eastman, 2012). En la tabla 1 se muestran los tipos de
variables para identificación de zonas homogéneas.

AMH
Tabla 1. Variables para la identificación de zonas homogéneas
TIPO DE
VARIABLE
VARIABLE
Amplitud de afectación (ha)
INCENDIOS
Duración (hrs)
Hora de inicio (hrs)
Carga de combustible (Ton/ha)
GEOGRÁFICA
Latitud (grados)
Longitud (grados)
CLIMATOLÓGICA
CNS: días con déficit de humedad (días)
ANES: déficit de humedad (mm)
SUELOS Cobertura y tipo de suelos
Identificación de grupos para regiones homogéneas. Para las
variables de restricción se toma en cuenta la carga de
combustible y el tipo de suelos. En la carga de combustible, se
consideran dos tipos (PROBOSQUE, 2010): 8.59 Ton/ha para
el encino, oyamel, táscate y cuitaz (carga de combustible 1) y
29.68 Ton/ha para el pino, aile y cedro (carga de combustible
3).
A continuación se realiza análisis por componentes principales
basado en las matrices de correlaciones y covarianzas, que el
software Idrisi (Eastman, 2012) tiene integrado (ecuaciones 4
a 6), para identificar la combinación de variables que más
incidencia tienen en la formación de grupos homogéneos
(clústeres). Cabe recordar que el análisis de componentes
principales (ACP) es una técnica estadística de síntesis de la
información, o reducción de la dimensión del número de
variables.
∑
5
6 / 7 ∑
6 0 7 ∑
5
5
/0
13 214 3
/ 8
59
08 59
……………………………………………….(4)
………………………………………...….(5)
……………………………………….……(6)
Donde S es el producto normalizado de dos variables; N es el
total de observaciones de las variables X e Y; 6 : ′ es la
desviación estándar de la variable X; 6 ; ′ es la desviación
estándar de la variable Y.
Identificación de regiones homogéneas. El proceso inicia con
la formación del primer grupo con todas las variables
independientes (amplitud, duración, inicio de incendio, latitud,
longitud, CNS y ANES). A continuación se realiza el análisis
de componentes principales en Idrisi (Eastman, 2012) para
obtener el nivel de significancia del grupo. Después se elimina
la variable que presenta mayor correlación con otra de las
variables y vuelve a realizarse el análisis por componentes
principales para identificar el nivel de significancia del nuevo
grupo. El proceso continúa hasta que se agotan las
combinaciones de variables. Al término del ACP, se
identifican aquellas características que más influyen en la
agrupación de variables por zonas homogéneas. Con estas
variables, se utiliza el método de “clúster” en Idrisi (Eastman,
2012) para obtener espacialmente las zonas con semejanza de
características.
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
AMH
3.3. Módulo C: Construcción del modelo de regresión
logística
Obtención de variables:
Variable dependiente: se determina como variable
dependiente la amplitud de afectación de los incendios, ya que
más del 80% de los eventos registrados en los años de 2006 a
2009, tuvieron la característica de presentarse en un área
menor a 4 hectáreas. Por lo tanto, la variable que pretende
explicarse es la amplitud del incendio por medio de las
variables independientes.
Variables independientes: éstas son las variables que ayudarán
a explicar que el evento de incendio se presente en un área
menor a 4 hectáreas. Estas variables son de tipo meteorológico
(precipitación y velocidad del viento) y de tipo fisiográfico
(pendiente y orientación de laderas):
Precipitación: tiene representatividad relevante en las zonas
boscosas al ser la fuente de la humedad contenida el suelo, en
el ambiente y en los combustibles. Este elemento
meteorológico interviene en la obtención de los indicadores de
sequía, específicamente de los días con déficit de humedad
(CNS).
Viento: la velocidad y dirección del viento favorecen el
calentamiento de los combustibles y la pérdida de humedad de
éstos, lo que propicia llegar a temperatura de deshidratación
con facilidad y desencadenar el proceso de combustión (Ayala
y Olcina, 2002).
Pendiente: por naturaleza, los terrenos forestales se encuentran
en zonas montañosas. Las pendientes suaves y abruptas
determinarán el comportamiento de propagación del fuego. En
los valles estrechos o vaguadas, el fuego transita con rapidez y
facilidad favoreciendo la temperatura de ignición y
combustión (Ruiz y Reyes, 2005).
Orientación de ladera: es la responsable de la cantidad de
insolación que reciben los combustibles. Las laderas
orientadas SW, S y SE (solanas) serán las que reciban mayor
cantidad de calor, por lo que los registros de temperatura serán
mayores y por ende la humedad de los combustibles será
menor (Ruiz y Reyes, 2005).
Una vez obtenidas las imágenes de las variables, con el
software Idrisi (Eastman, 2012) se obtienen las mismas
imágenes en función de las zonas homogéneas ya identificadas
(clústeres). Es decir, se reclasifican las variables a través de
imágenes por cobertura, clúster, mes y año. Adicionalmente,
se agrupan los datos de incendio por bimestre y de acuerdo
con el parámetro de afectación (menor a 4 hectáreas).
Una vez identificadas las variables explicativas que darán
respuesta a la presencia, o no, de un incendio con área de
afectación menor o igual a 4 hectáreas, se construye el modelo
de regresión logística multivariable para obtener la
probabilidad en la predicción de ignición de incendios
forestales causados por sequía meteorológica efectiva (en
función de los días con déficit de humedad -CNS-). El modelo
se construye con las variables independientes: CNS,

AMH
pendiente, orientación de laderas y viento; y la variable
dependiente como la amplitud de afectación del incendio. Se
tiene la ventaja que Idrisi (Eastman, 2012) tiene un módulo
que realiza este tipo de regresión, observando al mismo
tiempo su comportamiento espacial diario (donde se obtienen
imágenes diarias de probabilidad de ocurrencia de un
incendio). De igual forma, dentro de Idrisi (Eastman, 2012) se
realiza la programación de módulos para el identificar las
zonas con más alto peligro de incendio a nivel diario. Se
construye un modelo de regresión logística para cada una de
las zonas homogéneas y para cada bimestre. La base del
modelo de regresión es de acuerdo a las ecuaciones 7 y 8
(Pacheco et al., 2009 y Del Hoyo, s/f):
" <
=> ?@ ……………………………………………....(7)
< AB C A D C AEDE C ⋯ C AGDG ……………………….(8)
En la cual A B es la constante de la regresión y A G el factor de
ponderación de la variable D G. El resultado de la función " <
será un valor para cada celda entre 0 y 1 que estima la
probabilidad de ignición con afectación menor de 4 hectáreas.
4. Validación del método.
Para comprobar la efectividad del método propuesto a través
de regresión logística multivariable, se efectuó su validación
con los datos diarios para incendios correspondientes al año
2009.
Resultados
Se utilizó la información diaria de lluvia de 87 estaciones
climatológicas para el año 2006; 63 estaciones para el año
2007; 97 para 2008 y 44 estaciones para 2009. Se
identificaron 4 zonas homogéneas, denominadas de la
siguiente manera (figura 3): Cobertura1-Clúster1, Cobertura1-
Clúster2, Cobertura3-Clúster1 y Cobertura3-Clúster2. Donde:
cobertura1 corresponde al bosque de encino y oyamel con
8.59 Ton/ha de carga de combustible y cobertura3 al bosque
de pino y mesófilo de montaña con 29.68 Ton/ha de carga de
combustible. Para los datos de viento, se utilizó la información
de velocidad máxima registrada en los observatorios
sinópticos de Chapingo, México-DF, Morelia, Pachuca,
Puebla, Querétaro, Tlaxcala, Toluca y Tulancingo. Esta
información se encontró disponible de forma mensual
(CONAGUA, 2012), por lo que se interpolaron los datos de
los observatorios anteriores para construir imágenes
mensuales de velocidad de viento para la zona de análisis.
El modelo matemático de regresión logística para predicción
de incendios en áreas de al menos 4 hectáreas, se integró por
11 ecuaciones a nivel estatal, las cuales corresponden al tipo
de zona semejante y bimestre de análisis (enero-febrero,
marzo-abril y mayo-junio). En la tabla 2 se muestra la
ecuación de predicción correspondiente a la zona de análisis
que también son válidas para la cuenca en estudio.
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
Cobertura1-Clúster1
Cobertura1-Clúster2
Cobertura3-Clúster1 Cobertura3-Clúster2
AMH
Figura 3. Áreas semejantes con base en cobertura de suelo y carga
de combustible.
El modelo (integrado por las 11 ecuaciones) mostró un
excelente comportamiento de representación en todos los
clústeres y coberturas. La probabilidad de que se diera un
incendio en un área menor de 4 hectáreas para una fecha dada
y un sitio específico fue de 90%. Lo que indica que la
efectividad del modelo de predicción fue muy alta. Las
variables CNS (días con déficit de humedad), pendiente,
orientación de laderas y viento, fueron suficientes para
explicar la amplitud de afectación del incendio en el período
analizado para el Estado de México. Se propusieron 4
categorías de peligro de ignición de incendios de acuerdo al
porcentaje acumulado de datos de probabilidad. La categoría
de riesgo “BAJO” correspondió al 5% de los valores, la
categoría de riesgo “MODERADO” para el 15% acumulado,
“ALTO” y “MUY ALTO” para el 30% acumulado y mayor al
50% acumulado respectivamente.
En la figura 4 se muestra la probabilidad de ocurrencia de
incendios para el periodo analizado (enero a junio de los años
2006 al 2008). En la figura 5 se observan los valores de
probabilidad de ocurrencia de incendios como predicción del
año 2009. En ambas figuras se aprecia que el peligro de
incendio como categoría “MUY ALTO” se presenta en las
zonas altas de la región de análisis (parteaguas de la cuenca),
que son las mismas en donde se presentan las zonas boscosas
de los municipios de Acambay, Zinacantepec, Jocotitlán,
Ocoyoacac y Xalatlaco. Con la categoría de riesgo “ALTO” se
presentaron incendios en los municipios de Ixtlahuaca,
Atlacomulco, Jocotitlán y Joquicingo. Para riesgo
“MODERADO” en el municipio de Morelos. Finalmente en la
categoría de riesgo “BAJO” se presentaron incendios
mayormente en el municipio de Lerma.

AMH
Tabla 2. Ecuaciones del modelo matemático de regresión logística
para predicción de incendios en la cuenca Lerma (2006-2009)
ZONA
BIMESTRE
ECUACIÓN
Cobertura1-Clúster1
1
Enero-Febrero
F(z)=(1+e -(27.3329-0.0057X1-0.0516X2+0.5452X3+0.7903X4_1-3.9316X4_2) ) -1
Cobertura1-Clúster2
2
Enero-Febrero
F(z)=(1+e -(1.1963-0.0046X1-0.0067X2+0.1363X3+0.2248X4_1-0.0287X4_2) ) -1
Cobertura3-Clúster1
3
Enero-Febrero
4
5
6
7
8
9
10
11
F(z)=(1+e -(4.286+0.0211X1-0.0283X2+0.6454X3+8.609X4_1-8.292X4_2) ) -1
Cobertura3-Clúster2
Enero-Febrero
F(z)=(1+e -(9.4079+0.0009X1+0.0152X2-0.1887X3+4.8953X4_1-5.161X4_2) ) -1
Cobertura1-Clúster1
Marzo-Abril
F(z)=(1+e -(4.4349+0.0023X1-0.0031X2-0.0993X3-2.1876X4_1+1.8167X4_2) ) -1
Cobertura1-Clúster2
Marzo-Abril
F(z)=(1+e -(-0.736+0.0007X1-0.0078X2-0.0254X3-0.6016X4_1+0.8901X4_2) ) -1
Cobertura3-Clúster1
Marzo-Abril
F(z)=(1+e -(3.9386-0.0005X1-0.0011X2+0.0697X3-0.6272X4_1+0.2868X4_2) ) -1
Cobertura3-Clúster2
Marzo-Abril
F(z)=(1+e -(-9.2356+0.0012X1-0.0139X2-0.0853X3-2.1579X4_1+3.5455X4_2) ) -1
Cobertura1-Clúster1
Mayo-Junio
F(z)=(1+e -(16.1694-0.0671X1-1.5263X2-1.5662X3+10.4298X4_1-8.2412X4_2) ) -1
Cobertura1-Clúster2
Mayo-Junio
F(z)=(1+e -(3.8411+0.0029X1+0.1165X2-0.1751X3-0.7052X4_1+0.4657X4_2) ) -1
Cobertura3-Clúster1
Mayo-Junio
F(z)=(1+e -(9.6045+0.0109X1-0.2205X2-0.9803X3-0.164X4_1-0.1104X4_2) ) -1
X1: orientación de ladera (%); X2: días con déficit de humedad CNS
(días); X3: pendiente de ladera (%); X4_1: viento del primer mes del
bimestre (m/s); X4_2: viento del segundo mes del bimestre (m/s);
Figura 4. Probabilidad de ocurrencia de: Enero - Junio 2006 al
2008.
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
AMH
Figura 5. Probabilidad de ocurrencia de incendios: Enero – Junio
Predicción para 2009.
Conclusiones
El modelo matemático de regresión logística para predicción
de incendios en el Estado de México, fue obtenido a partir de
11 ecuaciones (3 bimestres de análisis en 4 zonas semejantes).
Este modelo estuvo conformado por una variable dependiente
(amplitud del incendio) y por 4 variables explicativas de tipo
independiente (velocidad del viento, orientación de laderas,
pendiente de laderas y sequía).
De las variables explicativas del modelo matemático de
regresión logística, sólo la sequía fue utilizada como una
variable dinámica. La sequía se construyó a partir de datos
diarios de precipitación. En específico, esta variable se tomó
en cuenta como los días acumulados con déficit de humedad
(CNS) de acuerdo al método del índice de sequía efectiva
propuesto por Byun y Wilhite (1999).
El modelo de regresión logística fue un buen método para
predicción de incendios 2009 en el Estado de México, ya que
se obtuvo el 90% de eventos con probabilidad de ocurrencia
mayor a 0.70. Asimismo, las variables: días con déficit de
humedad (CNS), pendiente, orientación de laderas y viento
son suficientes para explicar la amplitud del incendio. Se
propusieron 4 categorías de riesgo de incendios: bajo,
moderado, alto y muy alto. Estas categorías estuvieron en
función de probabilidades de ocurrencia acumuladas y
respectivamente correspondieron al 5%, 15%, 30% y mayor al
50%. Las zonas de máximo riesgo (categoría “MUY ALTO”)
de ignición de incendios con amplitud menor de 4 hectáreas se
presentaron mayormente en los municipios de Acambay,
Zinacantepec, Jocotitlán, Ocoyoacac y Xalatlaco. Los datos de
predicción de incendios para 2009 tuvieron el mismo
comportamiento que mostró el modelo de ocurrencia de
incendios para los años 2006 a 2008.
Asimismo, derivado de este trabajo se observaron algunas
deficiencias en la información de tipo climatológico por lo que
es necesario que se realicen estudios de tipo estadístico para

AMH
ubicación idónea de estaciones climatológicas para medición
de humedad del suelo, dirección y velocidad de viento. Esta
información sería de gran utilidad en los sistemas de alerta
contra incendios para reducir la afectación de los mismos en
las zonas más vulnerables de la zona de análisis.
Por otro lado, este estudio puede ser utilizado como una guía
para mejorar los sistemas de alerta contra incendios ya
instalados. De acuerdo a la probabilidad de ocurrencia de los
incendios, es posible mejorar los tiempos de respuesta en el
control de incendios así como mejorar los protocolos de
respuesta y cadena de suministro, al instalar en zonas
estratégicas los centros de control y mando de brigadistas.
Finalmente, esta investigación puede auxiliar en la
formulación de elementos básicos de planeación estratégica
para el control y mitigación de impactos ambientales y
económicos por incendios en la cuenca del río Lerma, Estado
de México.
Referencias
1.- Ayala C. F. J., Olcina C. J. (2002). Riesgos naturales.
Editorial Ariel Ciencia. ISBN: 84-344-8034-4. España.
2.- Byun, H. R. y Wilhite, D. A. (1999). “Objective
quantification of drought severity and duration”. Journal
of climate. American Meteorological Society. September
1999. Volume 12. pp. 2747-2756.CENAPRED. 2007.
3.- CENAPRED (2007). Características e impacto
socioeconómico de los principales desastres ocurridos en
la república mexicana en el año 2006. Centro Nacional de
Prevención de Desastres. Serie: Impacto socioeconómico
de los desastres en México, Vol. 8. México.
4.- CONAFOR (2012). Temporada de incendios 2012, alerta
ante sequía. Comisión Nacional Forestal (CONAFOR).
[Disponible en línea]
http://www.conafor.gob.mx/portal/index.php/component/c
ontent/article/6/356 [Página consultada 13-agosto-2012].
5.- CONAGUA (2012). Comisión Nacional del Agua -
Servicio Meteorológico Nacional. [Disponible en línea]
http://smn.cna.gob.mx/index.php?option=com_content&vi
ew=article&id=29&Itemid=93. [Página consultada 16marzo-2012].
6.- Del Hoyo, V. L. (s/f). “Empleo de regresión logística para
la obtención de modelos de riesgo humano de incendios
forestales”. El acceso a la información espacial y las
nuevas tecnologías geográficas. pp. 531-543.
7.- Eastman, J. R. (2012). Idrisi Selva Manual. Clark
University. Sitio web: www.clarklabs.org
8.- FAO (2003). Organización de las Naciones Unidas para la
Agricultura y la Alimentación. XII Congreso Forestal
Mundial. Canadá. Disponible en:
http://www.fao.org/forestry/5387/es/ [Página consultada
diciembre 2011].
9.- GEM (2010a). Diagnóstico ecosistémico Tomo III. Marco
físico-biótico. Gobierno del Estado de México (GEM),
Secretaría del Medio Ambiente. Plan Maestro para la
restauración ambiental de la cuenca alta del río Lerma.
229 pp. [Disponible en línea]
XXII CONGRESO NACIONAL DE HIDRÁULICA
ACAPULCO, GUERRERO, MÉXICO, NOVIEMBRE 2012
AMH
http://qacontent.edomex.gob.mx/idc/groups/public/docum
ents/edomex_archivo/carl_pdf_tomo3f.pdf [página
consultada 30-julio-2012].
10.- GEM (2010b). Diagnóstico ecosistémico Tomo IV.
Marco socioeconómico. Gobierno del Estado de México
(GEM), Secretaría del Medio Ambiente. Plan Maestro
para la restauración ambiental de la cuenca alta del río
Lerma. 238 pp. [Disponible en línea]
http://qacontent.edomex.gob.mx/idc/groups/public/docum
ents/edomex_archivo/carl_pdf_tomo4f.pdf [página
consultada 30-julio-2012].
11.- González (2003). “Modelos de riesgo de incendios en
coberturas vegetales, Región Andina. XII World Forestry
Congress, 6 pp. Québec City, Canada.
12.- INEGI (2012). Instituto Nacional de Estadística y
Geografía. [Disponible en línea]
http://www.inegi.org.mx/sistemas/mexicocifras/default.as
px?e=15 [Página consultada 20-abril-2012].
13.- Magaña L. D. (2012). Modelo de peligro de incendio
forestal para el Estado de México mediante análisis
espacio temporal del indicador de precipitación efectiva.
Tesis de Maestría en Ciencias del Agua. Centro
Interamericano de Recursos del Agua, Facultad de
Ingeniería, Universidad Autónoma del Estado de México.
México.
14.- Pacheco, C. E., Aguado, I. y Nieto, H. (2009). “Análisis
de ocurrencia de incendios forestales causados por rayo en
la España peninsular”. Revista internacional de ciencia y
tecnología de la información geográfica. GeoFocus Art.
No. 9, pp. 232-249.
15.- PROBOSQUE (2010). Protectora de Bosques del Estado
de México. Programa de prevención y combate de
incendios. México. [Disponible en línea]
http://www.edomex.gob.mx/portal/page/portal/probosque/
proteccion/incendios [Página consultada noviembre de
2010].
16.- Ruiz S J. D., y Reyes P. F. J. (2005). Geografía física
aplicada. Serie: Manuales. Universidad de Málaga España.
17.- SEMARNAT (2010). Inventarios forestales de México.
México Secretaria de medio ambiente y recursos naturales.
[Disponible en línea]
http://dgeiawf.semarnat.gob.mx:8080/ibi_apps/WFServlet
?IBIF_ex=D3_R_RFORESTA01_01&IBIC_user=dgeia_
mce&IBIC_pass=dgeia_mce [Página consultada en
noviembre de 2010].