5CFE01-422

2/11
La prediccin diaria de incendios forestales por causas humanas: Estado actual
PADILLA PARELLADA, M.1 y VEGA-GARCA, C.1
1

Departamento de Ingeniera Agroforestal, ETSEA, Universidad de Lleida.

Resumen
En este trabajo se revisan los modelos generados para la prediccin diaria de incendios
forestales causados por personas. Existe un considerable nmero de trabajos en esta lnea en
numerosos pases, aunque su aplicacin operativa ha sido muy variable. Las estadsticas
demuestran la influencia que tienen las personas en la ocurrencia de incendios a nivel
mundial. An as, los sistemas de prediccin diaria de incendios no suelen integrar el riesgo
humano en sus esquemas de clculo. Por este motivo creemos que resulta interesante realizar
una recopilacin y revisin de los trabajos cientficos que han aportado avances ms
importantes en la materia, con el fin de evaluar sus posibilidades futuras en la gestin de
incendios forestales.
Palabras clave
Estado actual, incendio forestal, ocurrencia, causa humana, prediccin, largo plazo, corto
plazo.

1. Introduccin
La actividad antrpica es responsable de gran parte de los incendios en Espaa. Entre
1996 y 2005 mas del 80 % de los incendios han sido causados por personas (DGMNPF,
2006). Por este motivo resulta de especial inters incluir variables antrpicas en los sistemas
de prediccin de incendios.
La escala temporal de dichos sistemas de prediccin del riesgo de incendios puede
orientarse hacia un horizonte temporal a corto o a largo plazo. Una prediccin a largo plazo se
centra en las caractersticas estructurales del medio que no varan en el tiempo, y su utilidad
es mayor en la prevencin de incendios. Una prediccin a corto plazo incluye factores del
riesgo que varan en el tiempo, ya sea de forma diaria, semanal o estacional y su inters radica
en su potencial aplicacin operativa en la deteccin y extincin de incendios.
Los sistemas de prediccin de escala temporal a corto plazo pueden intentar modelizar
diferentes caractersticas de los incendios que van a ocurrir. Numerosos trabajos han intentado
estimar el peligro de propagacin para cuantificar el rea quemada en un incendio, por
ejemplo. Algunos estudios se han centrado en la estimacin del peligro de ignicin, es decir,
el nmero de incendios en la fecha concreta. Esta ltima aproximacin tiene una relacin ms
estrecha con la actividad humana (SYPHARD et al., 2008) y es en la que se centra esta
revisin.
Los principales organismos a nivel mundial con competencias en prevencin de
incendios generan cartografa de peligro de incendios. Dicha cartografa es utilizada como

3/11
apoyo a la toma de decisiones en la distribucin de recursos de vigilancia, deteccin y
extincin para que sea ms eficiente.
La ocurrencia de incendios por causas humanas viene influenciada por la presencia del
agente causal y la meteorologa (CHUVIECO et al., 2003). Por agente causal se entiende la
actividad humana fuente de ignicin, ya sea accidental o intencionada. La meteorologa
influye en las condiciones de humedad del combustible, que determinan la facilidad de
ignicin.
La distribucin de los incendios no es aleatoria. Las condiciones del territorio y las
actividades humanas influyen en la ocurrencia de incendios (BADIA-PERPINY &
PALLARES-BARBERA, 2006). Esta es la premisa que adoptan los estudios que integran el
factor humano en las predicciones de peligro de incendio.
Habitualmente los datos de meteorologa estn disponibles de forma diaria mediante el
registro de las estaciones meteorolgicas. No sucede de la misma forma con las variables de
actividad antrpica. Los agentes causales de ignicin tambin varan en el tiempo y en el
espacio sin quedar registrados de forma sistemtica. Por consiguiente, los datos necesarios
para la evaluacin da a da del peligro humano, como son el trnsito por carreteras
secundarias, la concurrencia de visitantes o la actividad agrcola, no estn generalmente
disponibles. Esto induce a utilizar las variables geogrficas disponibles para la obtencin
indirecta de estimaciones de la distribucin de los agentes causales. Por ejemplo, la distancia
a carreteras es ampliamente utilizada como indicador de la accesibilidad en la zona.
2. Prediccin de incendios a corto plazo
Los organismos con competencias en prevencin de incendios de los diferentes pases
que generan cartografa diaria de riesgo de incendios emplean, de forma generalizada, los
llamados modelos fsicos. Estos modelos tratan de integrar los diferentes aspectos del
riesgo de incendio de una forma similar a la que ocurre en la realidad. Comnmente se
centran en el riesgo meteorolgico aunque en algunos casos tambin intentan modelar el
componente del riesgo humano como en EEUU el National Fire Danger Rating System
(NFDRS) (L. BRADSHAW et al., 1983; DEEMING et al., 1977), en Canad el Canadian
Forest Fire Danger Rating System (CFFDRS) (VAN WAGNER & PICKETT, 1985) o el
Grado Actual de Peligro de Incendios Forestales elaborado por el antiguo Instituto Nacional
para la Conservacin de la Naturaleza (ICONA) en Espaa. El ndice americano considera el
factor antrpico mediante el The Man Caused Occurrence Index (MCOI) que integra, adems
de informacin meteorolgica y datos histricos de incendios, un ndice de carcter subjetivo,
aportado por un experto, acerca de la actividad humana para el da y el territorio determinado
(MARTNEZ, 2004).
Otros estudios utilizan la evaluacin multi-criterio para integrar los diferentes aspectos
del riesgo de incendios para la generacin de predicciones diarias. El proyecto Firemap,
descrito en CHUVIECO et al. (2009), utiliza esta metodologa para integrar en un ndice
sinttico, el peligro de ignicin, el de propagacin de incendio forestal y la vulnerabilidad del
territorio. Se asume que es igual de problemtico un da de mltiples incendios que uno solo
pero de gran extensin, y si coinciden ambos escenarios el peligro de incendio sera mximo.
Se utiliza la misma idea para integrar el peligro proveniente del estado hdrico del
combustible y del peligro del agente causal. Es interesante comentar que el clculo de dos
ndices intermedios, el peligro asociado a la actividad humana y a los rayos, se ha realizado

4/11
mediante regresin logstica. Otro estudio realizado por CASTRO & CHUVIECO (1998)
emplea una evaluacin multi-criterio similar para la prediccin diaria del peligro de incendio
en Valparaso, Chile.
GARCA DIEZ et al. (2000) utiliza la proporcin de cambio del estado de la atmsfera
y el nmero de incendios en el da anterior para la prediccin diaria del nmero de incendios
en el global de Galicia. El estado atmosfrico se evala mediante la estabilidad y el dficit de
saturacin de vapor en las capas bajas de la atmsfera.
Otros estudios emplean mtodos estadsticos multivariantes para encontrar la funcin
emprica que relacione las distintas variables ambientales con la ocurrencia de incendios. El
ajuste estadstico tiene una baja capacidad de generalizacin en contraposicin a los modelos
fsicos. No es extrapolable a otras zonas geogrficas, ya que el ajuste estadstico trata de
adaptarse lo mximo posible a las caractersticas locales del rea de estudio.
El desarrollo de un modelo estadstico toma en consideracin el registro histrico de
incendios y el de las correspondientes variables apropiadas. En los estudios de prediccin
diaria de peligro de incendios hay una entrada del registro histrico para cada da y para
cada unidad mnima del territorio. Esta entrada contiene el dato de ocurrencia de incendio y
los datos de las dems variables elegidas para explicar el fenmeno. La regresin estadstica
utiliza esta muestra de datos histricos para encontrar la funcin emprica ajustada. La unidad
mnima del territorio se refiere al rea que utiliza el estudio para dividir el territorio. La
unidad mnima puede ser la celda de una cuadrcula que divide el territorio de forma regular o
su delimitacin puede seguir otros criterios como por ejemplo los lmites administrativos.
El primer estudio fue, en la dcada de los cincuenta, de CROSBY (1954) que emple la
regresin lineal para predecir la ocurrencia de incendios en Clark National Forest, Missouri, a
partir del ndice utilizado entonces en EEUU.
MARTELL et al. (1987), basndose en los ndices del Canadian Forest Fire Danger
Rating System (CFFDRS) (VAN WAGNER & PICKETT, 1985), ajust un modelo logstico
para cada estacin del ao y grupo causal para predecir la probabilidad de da con incendio en
Ontario, EEUU. El ndice Fine Fuel Moisture Content (FFMC) fue el de mayor capacidad
predictiva para todas los tipos de causas en primavera. Posteriormente, MARTELL et al.
(1989) agrupa los tipos de causas en dos categoras y refleja la variabilidad estacional
mediante funciones trigonomtricas del da juliano y del FFMC.
Durante la dcada de los 80 el Instituto Forestal Nacional de Petawawa (PNFI) origin
el modelo PEOPLE en Ontario que posteriormente fue adoptado por TODD & KOURTZ
(1991) en Quebec, Canad. Este modelo utiliza la regresin logstica para predecir
diariamente el nmero de incendios producidos por causas humanas. TODD & KOURTZ
(1991) emplea como variables explicativas los ndices del (CFFDRS) y la velocidad del
viento. TITHECOTT (1990a; 1990c; 1990b) publica la evaluacin en Ontario de tres
modelos de prediccin: (1) el modelo de Martell, (2) el modelo PEOPLE y (3) un sistema
experto basado en la lgica difusa -FUZZY- tambin desarrollado por el PNFI.
Siguiendo la misma metodologa que MARTELL et al. (1987) el estudio de VEGAGARCA et al. (1995) en Whitecourt Forest of Alberta, en Canad, aadi variables de
meteorologa, de vegetacin y de infraestructuras antrpicas. Con los mismos datos VEGAGARCA et al. (1996) emplea la modelizacin mediante redes neuronales artificiales

5/11
(KLIMASAUSKAS, 1991) obteniendo una mejora en la fiabilidad de la prediccin. VEGAGARCA et al. (2004) aplica en Catalua la regresin logstica con el mismo tipo de variables
de en sus estudios anteriores, obteniendo una fiabilidad global parecida.
PREISLER et al. (2004) trata de predecir, en Oregon, EEUU, la probabilidad de
ocurrencia de incendio, ya sean de causa humana o no, y la probabilidad de que ste se
convierta en un gran incendio forestal. Este estudio solo incluye variables meteorolgicas e
ndices del NFDRS derivados de ellas. El estudio encuentra que la localizacin espacial
(coordenadas) y el da en el ao influyen en la ocurrencia de igniciones. Para encontrar la
probabilidad de un gran incendio, el estudio encuentra significativos la localizacin espacial y
ciertos ndices de sequa.
Tambin es importante el estudio de ANDREWS et al. (2003) que, aunque no realiza
predicciones, evala la capacidad predictiva de tres ndices del NFDRS americano. Relaciona
los tres ndices, el componente de velocidad de propagacin (SC), el componente de
liberacin de energa (ERC) y el ndice integrado (BI), con la ocurrencia de incendio diaria
(mnimo un incendio), das de mltiples incendios (ms de cinco) y los das de incendio de
cierto tamao (ms de 4 ha).
Resulta interesante consultar los estudios de riesgo de incendio a largo plazo donde
exponen de forma extensa las influencias del hombre en la ocurrencia de incendios. Como se
ha explicado anteriormente casi la totalidad de informacin del factor humano que se tiene es
de carcter estructural, esttico en el tiempo. Por este motivo, abundan los estudios que
intentan relacionar las variables geogrficas humanas (p.ej., infraestructura antrpicas, datos
del censo, etc.) invariables en un plazo medio-largo de tiempo con la ocurrencia de incendios
para un cierto perodo de tiempo, normalmente varios aos.
3. Prediccin de incendios a largo plazo
Como en el caso de la prediccin a corto plazo, tambin abundan los estudios que
emplean la evaluacin multi-criterio para la estimacin del peligro estructural (esttico en el
tiempo) como los de ALCZAR et al. (1998) en Barcelona, CHUVIECO & CONGALTON
(1989) en Valencia, JAIN et al. (1996) en ndia, Bradshaw et al. (1987) en EEUU y SALAS
& CHUVIECO (1994) en la Sierra de Gredos, Espaa.
Los siguientes estudios se agrupan segn el tipo de modelo estadsticos o matemtico
que emplean para la prediccin estructural, a largo plazo, del peligro de incendio.

Regresin logstica, de Poisson y Redes Neuronales

CHOU et al. (1993) trat de predecir la ocurrencia de incendios mediante regresin

logstica con variables topogrficas, de uso del suelo y de infraestructuras antrpicas en
California, EEUU. El estudio encuentra una prediccin ms precisa si se incorpora como
variable explicativa el efecto de la vecindad espacial de las igniciones.
CARDILLE et al. (2001) estudiaron la ocurrencia de incendios a partir de variables
medioambientales y sociales mediante regresin logstica o de Poison segn se centre,
respectivamente, en la ocurrencia o en el nmero de incendios en el noroeste de EEUU. El
estudio encuentra diferencias entre las variables que afectan a los incendios segn su tamao
y segn la resolucin espacial del estudio.

6/11

SYPHARD et al. (2008) ha tratado de predecir la probabilidad de presencia de rea

quemada y de su frecuencia, es decir, cuntas veces se ha quemado durante el perodo
temporal analizado. La presencia de rea quemada (s o no) se predice a partir de un anlisis
de regresin logstica, en cambio se utiliza la regresin de Poisson para la prediccin de la
frecuencia de incendios. El estudio incluye tanto variables biofsicas y climticas como
caractersticas humanas del medio. El estudio concluye que las caractersticas humanas
influyen ms en la ocurrencia, entendida como presencia de rea quemada. Por otro lado, las
variables biofsicas influyen ms en la frecuencia de ocurrencia.
CATRY et al. (2008) ha predicho la ocurrencia de incendios mediante regresin
logstica y variables humanas y ambientales en Portugal. A partir del anlisis por separado de
los incendios mayores a 500 ha puede llegar a la conclusin que estos empiezan en reas de
baja poblacin y ms distantes a la red viaria. En contraposicin, las igniciones estn
altamente relacionadas con la presencia y actividad humana.
MARTNEZ et al. (2009) utiliza tambin el modelo de la regresin logstica para la
prediccin de la probabilidad de encontrar una alta ocurrencia de incendios a nivel municipal
en Espaa. Las variables incluidas son del tipo socio-econmico, de fragmentacin del paisaje
y abandono agrcola, sin incluir variables climticas. El estudio concluye que las dos variables
que influyen ms en la ocurrencia son la densidad de maquinaria agrcola y la fragmentacin
de las parcelas agrcolas.
Por ltimo, VASCONCELOS et al. (2001) en Portugal, compara las predicciones
obtenidas mediante regresin logstica y redes neuronales, encontrando que estas ltimas
presentan un mejor ajuste.

Regresin geogrfica ponderada

KOUTSIAS et al. (2005) ha explorado el potencial de la regresin geogrfica ponderada

(GWR) (FOTHERINGHAM et al., 2002). GWR se basa en que la relacin entre las variables
explicativas y la respuesta no es constante en el espacio, as la tcnica permite ajustar modelos
locales a lo largo de la zona de estudio.

Weights of Evidence

Los dos siguientes estudios utilizan el modelo weights of evidence (WOE, BONHAMCARTER et al., 1989), proveniente de la estadstica bayesiana, para la prediccin estructural
de la ocurrencia de incendios.
DICKSON et al. (2006) se ha centrado en los incendios mayores de 20 ha. El estudio
incluye variables topogrficas, de vegetacin, de clima y de infraestructuras humanas. En este
caso se observa que la probabilidad de ocurrencia de gran incendio es ms alta en zonas de
alta accidentalidad del terreno y de baja densidad viaria.
ROMERO-CALCERRADA et al. (2008) han producido mapas de peligrosidad de
incendio para el sur-este de Madrid a partir de caractersticas humanas del medio. El estudio
encuentra una alta relacin entre el patrn espacial de la ignicin y la accesibilidad.

7/11

Anlisis de clasificacin y rboles de regresin (CART) y divisiones de regresiones

multivariadas adaptativas (MARS)

El estudio de STURTEVANT & CLELAND (2007) utiliza el anlisis de clasificacin y

rboles de regresin (CART) (DE'ATH & FABRICIUS, 2000) para la prediccin estructural
de la ocurrencia de incendios agrupados segn su tamao. Las variables explicativas del
trabajo son biofsicas del medio y humanas. El estudio concluye que la densidad de casas es el
indicador ms importante para el nmero de igniciones, a medida que va aumentando el
tamao del incendio va creciendo la importancia de las variables biofsicas de cobertura del
suelo y de humedad edfica. En otras palabras se afirma que el nmero de igniciones est
influenciado por la actividad humana, mientras que los factores biofsicos determinan si estos
se harn ms grandes.
AMATULLI & CAMIA (2007) tambin predicen la ocurrencia estructural de incendios
mediante divisiones de regresiones multivariadas adaptativas (MARS) y clasificacin y
rboles de regresin (CART). Incluyen variables topogrficas, de poblacin y de la red viaria
para predecir la densidad de puntos de ignicin en la cuenca del ro Arno, en el centro de
Italia.
Los dos siguientes estudios no tratan de obtener predicciones de peligro de incendio y
se centran en analizar las relaciones entre los factores de riesgo humano y la ocurrencia de
incendios.
BADIA-PERPINY & PALLARES-BARBERA (2006) analiza la distribucin espacial
de igniciones en dos zonas de estudio bien diferenciadas, una zona urbanizada representada
por el rea Metropolitana de Barcelona y una zona de carcter rural representada por la
comarca del Bages, en Catalua. El estudio concluye que la distribucin espacial de las
igniciones es diferente segn el tipo de rea. Las igniciones son causadas por diferentes
factores dependiendo de si se trata de una rea urbana o rural. Por ejemplo, se observa que en
la zona rural las igniciones no dependen, significativamente, de la distancia a carreteras.
MAINGI & HENRY (2007) incluyen tambin variables biofsicas del medio en
Kentuchy, EEUU. Las variables explicativas comprenden el ndice de sequa Palmer Drought
Severity Index (PDSI) (PALMER, 1965), variables de topografa e de infraestructuras
antrpicas. El estudio encuentra una alta relacin entre el nmero de incendios y la
proximidad a poblaciones y a carreteras. Tambin se observa una relacin significativa entre
el ndice PDSI y el rea quemada.
4. Conclusiones
El objetivo principal del presente trabajo ha sido realizar la revisin bibliogrfica de los
estudios de prediccin diaria de riesgo de incendios producidos por causas humanas.
Efectivamente, se han encontrado estudios que slo tienen en cuenta aquella informacin que
se actualiza de forma diaria o peridica, como por ejemplo, la meteorolgica. Sin embargo,
tambin se ha encontrado estudios que incorporan informacin referida a los factores
humanos para el clculo del riesgo, como el ndice parcialmente subjetivo MCOI del NFDRS
(DEEMING et al., 1977), la evaluacin multi-criterio del proyecto Firemap (CHUVIECO et
al., 2009) y los ajustes estadsticos mediante regresin logstica y redes neuronales de VEGAGARCA et al. (1995; 1996; 2004).

8/11
La revisin de los estudios del riesgo estructural de incendio forestal, a largo plazo,
muestran de forma mas explicita la influencia de factores antrpicos en la ocurrencia de
incendios. Estos estudios demuestran que: (1) la densidad de maquinaria y parcelas agrcolas
(MARTNEZ et al., 2009) y la accesibilidad (ROMERO-CALCERRADA et al., 2008) tienen
una alta relacin con la ocurrencia de incendios, (2) el nmero de igniciones est influenciado
por la actividad humana, mientras que los factores biofsicos determinan ms si estos se harn
grandes o no (SYPHARD et al., 2008; STURTEVANT & CLELAND, 2007; MAINGI &
HENRY, 2007), (3) los grandes incendios empiezan en zonas abruptas y de baja densidad
viaria y de poblacin (CATRY et al., 2008; DICKSON et al., 2006) y (4) la importancia de
los factores del riesgo antrpico vara segn el tipo de territorio, urbano o rural (BADIAPERPINY & PALLARES-BARBERA, 2006). KOUTSIAS et al. (2005) propone abordar la
variabilidad espacial de la relacin entre las variables del medio y la ocurrencia mediante la
regresin geogrfica ponderada.
La mayora de estos estudios adolecen de las mismas limitaciones: (1) la calidad de los
datos disponibles, (2) la dificultad de modelizar sucesos estadsticamente raros, (3) la
independencia espaciotemporal de las observaciones, (4) la alta correlacin entre las variables
utilizadas, (5) la incapacidad de la mayora de modelos en predecir valores extremos, y (6) las
incertidumbres de los factores de ignicin en condiciones futuras.
Sin embargo, la consideracin conjunta de la informacin y experiencia acumuladas en
estos trabajos permiten establecer que su utilidad potencial en el mbito operativo a pasado de
ser un reto a una posibilidad real.
5. Agradecimientos
La presente revisin bibliogrfica se ha realizado en el marco de la creacin de un
sistema de prediccin diaria de incendios por causas humanas dentro del proyecto Servicio
Digital de Prevencin de Incendios Forestales financiado por el Parc Cientfic i Tecnolgic
Agroalimentari de Lleida.
6. Bibliografa

ALCZAR, J.; VEGA-GARCA, C.; GRAUET, M.; PELMN, J.; FERNNDEZ, A. ;1998.
Human risk and fire danger estimation trought multicriteria evaluation methods for forest fire
prevention in Barcelona, Spain. III International Conference on Forest Fire Research 14th
Conference on Forest Fire Meteorology. 1 2379-2387
AMATULLI, G.; CAMIA, A. ;2007. Exploring the relationships of fire occurrence variables
by means of CART and MARS models. Proceedings of the 4th International Wildland Fire
Conference. Seville.
ANDREWS, P. L.; LOFTSGAARDEN, D. O.; BRADSHAW, L. S. ; 2003. Evaluation of fire
danger rating indexes using logistic regression and percentile analysis. Int J Wildland Fire
12(2) 213-226

9/11
BADIA-PERPINY, A.; PALLARES-BARBERA, M. ; 2006. Spatial distribution of
ignitions in Mediterranean periurban and rural areas: The case of Catalonia. Int J Wildland
Fire 15(2) 187-196
BONHAM-CARTER, G. F.; AGTERBERG, F. P.; WRIGHT, D. F. ; 1989. Weights of
evidence modeling: A new approach to mapping mineral potential. Statistical Applications in
the Earth Sciences (9) 171-183
BRADSHAW, L.; DEEMING, J.; BURGAN, R. E.; COHEN, J. ; 1983. The 1978 National
Fire-Danger Rating System: Technical Documentation. USDA, Forest Service, Intermountain
Forest and Range Experiment Station GTRINT-169 41
BRADSHAW, W. G.; WEBSTER, A. L.; MCRAE, S. D. ;1987. GIS and wildland fire
prevention planning: an on-the-ground test. GIS '87.Proc.2nd international conference. San
Francisco. 2 563-568
CARDILLE, J. A.; VENTURA, S. J.; TURNER, M. G. ; 2001. Environmental and social
factors influencing wildfires in the Upper Midwest, United States. Ecolo Appl 11(1) 111-127
CASTRO, R.; CHUVIECO, E. ; 1998. Modeling forest fire danger from geographic
information systems. Geocarto Int 13(1) 15-23
CATRY, F. X.; REGO, F. C.; MOREIRA, F.; BACAO, F. ; 2008. Characterizing and
modelling the spatial patterns of wildfire ignitions in portugal: Fire initiation and resulting
burned area. En: J. De las Heras; C. A. Brebbia; D. X. Viegas; V. Leone (eds.): Forest fires:
Modelling, monitoring and management of forest fires. 213-224. WIT Press.
CHOU, Y. H.; MINNICH, R. A.; CHASE, R. A. ; 1993. Mapping probability of fire
occurrence in San Jacinto Mountains, California, USA. Environ Manage 17(1) 129-140
CHUVIECO, E.; AGUADO, I.; YEBRA, M.; NIETO, H.; SALAS, J.; MARTN, M. P.;
VILAR, L.; MARTNEZ, J.; MARTN, S.; IBARRA, P.; DE LA RIVA, J.; BAEZA, J.;
RODRGUEZ, F.; MOLINA, J. R.; HERRERA, M. A.; ZAMORA, R. ; 2009. Development
of a framework for fire risk assessment using remote sensing and geographic information
system technologies. Ecol Model in Press
CHUVIECO, E.; ALLGOWER, B.; SALAS, F. J. ; 2003. Integration of physical and human
factors in fire danger assessment. En: E. Chuvieco (ed.): Wildland fire danger estimation and
mapping: The role of remote sensing data. 197-218. World Scientific Publishing Company.
CHUVIECO, E.; CONGALTON, R. G. ; 1989. Application of remote sensing and geographic
information systems to forest fire hazard mapping. Remote Sens Environ 29(2) 147-159
CROSBY, J. S. ; 1954. Probability of fire occurrence can be predicted. USDA, Forest Service,
Central States Forest Experiment Station, Techincal Paper 143 14
DE'ATH, G.; FABRICIUS, K. E. ; 2000. Classification and regression trees: A powerful yet
simple technique for ecological data analysis. Ecology 81(11) 3178-3192

10/11
DEEMING, J. E.; BURGAN, R. E.; COHEN, J. D. ; 1977. The national fire-danger rating
system-1978. USDA for Serv Gen Tech Rep INT-39
DGMNPF. ;2006. Los incendios forestales en Espaa. Decenio 1996-2005. Ministerio de
Medio Ambiente. Madrid
DICKSON, B. G.; PRATHER, J. W.; XU, Y.; HAMPTON, H. M.; AUMACK, E. N.; SISK,
T. D. ; 2006. Mapping the probability of large fire occurrence in northern Arizona, USA.
Landscape Ecol 21(5) 747-761
FOTHERINGHAM, A. S.; BRUNSDON, C.; CHARLTON, M. ;2002. Geographically
weighted regression: The analysis of spatially varying relationships. Whiley. 282 pp.
GARCA DIEZ, E. L.; RIVAS SORIANO, L.; DE PABLO, F.; GARCA DIEZ, A. ; 2000.
Prediction of the Daily Number of Forest Fires. Int J Wildland Fire 9(3) 207-211
JAIN, A.; RAVAN, S. A.; SINGH, R. K.; DAS, K. K.; ROY, P. S. ; 1996. Forest fire risk
modelling using remote sensing and geographic information system. Curr Sci 70(10) 928-933
KLIMASAUSKAS, C. C. ; 1991. Applying neural networks. PC AI 5(3) 20-24
KOUTSIAS, N.; MARTNEZ, J.; CHUVIECO, E.; ALLOGOWER, B. ;2005. Modeling
wildland fire occurrence in southern Europe by a geographically weighted regression
approach. Proceedings of the 5th International Workshop on Remote Sensing and GIS.
Applications to Forest Fire Management: Fire Effects Assessment. 51-55
MAINGI, J. K.; HENRY, M. C. ; 2007. Factors influencing wildfire occurrence and
distribution in eastern Kentucky, USA. Int J Wildland Fire 16(1) 23-33
MARTELL, D. L.; BEVILACQUA, E.; STOCKS, B. J. ; 1989. Modelling seasonal variation
in daily people-caused forest fire occurrence. Can J for Res 19(12) 1555-1563
MARTELL, D. L.; OTUKOL, S.; STOCKS, B. J. ; 1987. A logistic model for predicting
daily people-caused forest fire occurrence in Ontario. Can J for Res 17 394-401
MARTNEZ, J. ; 2004. Anlisis, estimacin y cartografa del riesgo humano de incendios
forestales. Universidad de Alcal. 337. Alcal de Henares
MARTNEZ, J.; VEGA-GARCIA, C.; CHUVIECO, E. ; 2009. Human-caused wildfire risk
rating for prevention planning in Spain. J Environ Manage 90(2) 1241-1252
PALMER, W. C. ; 1965. Meteorological drought. U.S. Weather Bureau Research Paper 45
58
PREISLER, H. K.; BRILLINGER, D. R.; BURGAN, R. E.; BENOIT, J. W. ; 2004.
Probability based models for estimation of wildfire risk. Int J Wildland Fire 13(2) 133-142
ROMERO-CALCERRADA, R.; NOVILLO, C. J.; MILLINGTON, J. D. A.; GOMEZJIMENEZ, I. ; 2008. GIS analysis of spatial patterns of human-caused wildfire ignition risk in
the SW of Madrid (Central Spain). Landscape Ecol 23(3) 341-354

11/11
SALAS REY, F. J.; CHUVIECO SALINERO, E. ; 1994. Forest fires risk mapping using
geographic information systems and remote sensing: a test study in the Gredos Sierra.
Estudios Geograficos 55(217) 683-710
STURTEVANT, B. R.; CLELAND, D. T. ; 2007. Human and biophysical factors influencing
modern fire disturbance in northern Wisconsin. Int J Wildland Fire 16(4) 398-413
SYPHARD, A. D.; RADELOFF, V. C.; KEULER, N. S.; TAYLOR, R. S.; HAWBAKER, T.
J.; STEWART, S. I.; CLAYTON, M. K. ; 2008. Predicting spatial patterns of fire on a
southern California landscape. Int J Wildland Fire 17(5) 602-613
TITHECOTT, A. G. ; 1990a. Evaluation of Martell's logistic regression model for peoplecaused fire occurrence prediction. Ontario Ministry of Natural Resources. AFMC Publication
273
TITHECOTT, A. G. ; 1990b. Evaluation of People (a daily fire occurrence prediction
system). Ontario Ministry of Natural Resources. AFMC Publication 274
TITHECOTT, A. G. ; 1990c. People-caused fire occurrence prediction project. Ontario
Ministry of Natural Resources. AFMC Publication 275
TODD, B.; KOURTZ, P. H. ; 1991. Predicting the daily occurrence of people-caused forest
fires. Canadian Forestry Service, Information Report PI-X-103
VAN WAGNER, C. E.; PICKETT, T. L. ; 1985. Equations and FORTRAN program for the
Canadian Forest Fire Weather Index System. Forestry Technical Report 33
VASCONCELOS, M. J. P.; SILVA, S.; TOM, M.; ALVIM, M.; PEREIRA, J. M. C. ; 2001.
Spatial prediction of fire ignition probabilities: Comparing logistic regression and neural
networks. Photogramm Eng Rem S 67(1) 73-81
VEGA-GARCA, C.; ORTIZ, C.; CANET, R.; SNCHEZ, I.; QUERALT, D. ;2004.
Aplicacin operativa de un modelo diario de prediccin de ocurrencia de incendios forestales
por causas humanas en Catalua. 2nd Symposium on Fire Economics, Planning and Policy: A
global view. Crdoba, Spain.
VEGA-GARCA, C.; LEE, B. S.; WOODARD, P. M.; TITUS, S. J. ; 1996. Applying neural
network technology to human-caused wildfire occurrence prediction. AI Applications 10(3) 918
VEGA-GARCA, C.; WOODARD, P. M.; TITUS, S. J.; ADAMOWICZ, W. L.; LEE, B. S. ;
1995. A logit model for predicting the daily occurrence of human caused forest fires. Int J
Wildland Fire 5(2) 101-111