Integrated Wildfire Risk Assessment of Natural and Anthropogenic (Español)

Revista Internacional de Reducción del Riesgo de
Desastres
Volumen 78, agosto de 2022, 103129
Evaluación integrada del riesgo de incendios forestales de los ecosistemas

naturales y antropogénicos basada en modelos de simulación y fusión de
datos de teledetección
de persona StavrosSakellariou un, b, Athanassios Sfougarisun, Olga Christopouloub, Stergios Tampekisc
Mostrar más
Outline Compartir Cite
https://doi.org/10.1016/j.ijdrr.2022.103129 Obtener derechos y contenido
Resúmenes
• Evaluación del riesgo de incendios forestales a través de modelos de simulación y
análisis de efectos de incendio.
• Estimación de la respuesta de los recursos a los niveles de intensidad de incendio a

través del sistema de expertos.
• Estimación de un índice espacial de cambio de valor neto para recursos naturales y

antropogénicos.
• La fusión de datos por teledetección mejora la credibilidad y la fiabilidad del

modelado de incendios.
• Los resultados permiten la racionalización del manejo estratégico del fuego a través
de un modelo jerárquico basado en prioridades.
Abstracto
Even though wildfires constitute a natural phenomenon, fires of high intensity may provoke profound ecological
and socioeconomic implications. Primary aim of the paper constitutes the integrated wildfire risk assessment of a
fire-prone region in Greece through the simulation modeling of burn probability (BP) and fire intensity to natural
and anthropogenic resources (forests, birds’ habitats, built-up areas, agricultural fields, energy networks etc.), as
well as the identification of resources response to fires of differentiated intensity. So, fire modeling constitutes the
primary input to wildfire effects determination through the contribution of fire and resources specialists. The
predicted fire effects were quantified and mapped through a spatial index of Net Value Change which aggregates
the total predicted change in terms of area gained (e.g. forest regeneration) or lost due to fire impacts. The greatest
loss from the total area of each resource/asset was predicted to electricity and renewable energy sources networks
(−0.48%), followed by mixed forests (−0.47%), residential buildings and assets (−0.43%), coniferous forests
(−0.43%), shrubs (−0.4%), broad-leaved forests (−0.27%) and agricultural crops (−0.19%). The mapping of this
index demonstrated that the resources which are at high risk are located close to compact flammable material,
following the pattern of increased fire intensity and BP. Hence, this framework can strategically and operationally
be used to establish a hierarchical priority-based model for optimal allocation of fire resources. This two-stage of
analysis allows for an objective quantification of fire effects to a spatial level (i.e. prefecture) where many
biophysical attributes might heavily affect the fire modeling outcomes enhancing the credibility of results.
Resumen gráfico
Descargar : Descargar imagen de alta resolución (291KB) Descargar : Descargar imagen a tamaño completo
Artículo anterior Siguiente
Palabras clave
Incendios forestales; Evaluación de riesgos; Modelado de simulación; Probabilidad de; quemaduras
Efectos de incendio; SIG; Teledetección
1. Introducción
Aunque los incendios forestales constituyen un fenómeno natural, los incendios de alta intensidad pueden
provocar profundas implicaciones ecológicas y socioeconómicas. Algunos de estos impactos están relacionados con:
pérdidas y lesiones humanas (incluidos problemas respiratorios) [1,2]; degradación de los ecosistemas y pérdida de
biodiversidad [3,4]; consecuencias socioeconómicas debidas a daños extensos a la red urbana, monumentos
históricos y religiosos, y otros activos privados y públicos (por ejemplo, cultivos agrícolas; locales turísticos;
servicios públicos); destrucción de infraestructuras (por ejemplo, redes de transporte y energía) [5]. La
complejidad de la coexistencia e interacción de todos estos elementos naturales y antropogénicos requiere enfoques
más holísticos, pasando de una determinación única del peligro de incendio [[6], [7], [8], [9]] a una evaluación
integrada del riesgo de incendio. La evaluación del riesgo de incendios forestales generalmente implica el modelado
de simulación de la probabilidad de quemaduras (BP) y la intensidad del fuego a los recursos naturales y
antropogénicos, así como la identificación de la respuesta de los recursos a los incendios de intensidad diferenciada
[[10], [11], [12], [13], [14], [15], [16], [17]].
La importancia de los productos de modelado de simulación de incendios forestales ha sido destacada por
numerosos estudios que explotan los resultados de BP y la intensidad del fuego para avanzar en la naturaleza
estratégica y operativa de la gestión racional de incendios forestales. Algunos casos incluyen: el uso de bp para
determinar las regiones más susceptibles que requieren tratamientos de combustible para reducir el aumento del
riesgo [18,19]; la exploración de los lugares de ignición afectan a los patrones de PA [20]; la evaluación de la
supresión inmediata de la reducción de la PA [21]; la estimación de la transmisión de incendios forestales [22,23];
la optimización espacial de los recursos contra incendios en función del grado escalable de BP [24].
Por otro lado, la identificación de los efectos del fuego sobre los recursos naturales o los activos y locales
antropogénicos requiere el cálculo de productos de modelado de incendios, de modo que podamos determinar la
magnitud de los impactos a estos recursos / activos. Este proceso es de suma importancia, ya que los efectos de los
incendios forestales pueden provocar impactos directos e indirectos en: i) los servicios de los ecosistemas y los
valores ecológicos (biodiversidad, fragmentación del hábitat, etc.) [25]; ii) Wildland Urban Interface (WUI)
[26,27]; bienes de carácter cultural y religioso [28]; características del suelo forestal [29,30]; madera [31] etc. Por
lo tanto, el modelado de incendios constituye el insumo principal para la determinación de los efectos de los
incendios forestales a través de la contribución de especialistas en incendios y recursos [16].
Para lograr un análisis de riesgo de incendios forestales realista y dinámico, existe una creciente necesidad de
adquirir una gran cantidad de datos geoespaciales confiables. Solo entonces, podemos afirmar que podemos
explotar los resultados de la evaluación de riesgos con fines estratégicos y operativos. Con este fin, la integración y
el manejo adecuado de los datos geoespaciales de múltiples fuentes remotas ha sido una prioridad. Los
investigadores que recuperan, editan e integran cada vez más datos geoespaciales de teledetección para estudiar
muchos aspectos del fenómeno de los incendios forestales [8,[32], [33], [34]] mejoran la credibilidad y la validez de
los resultados de la investigación.
El valor agregado del documento radica en la aplicación de la evaluación cuantitativa geoespacial integrada del
riesgo de incendios forestales de una región propensa a incendios, explotando insumos geoespaciales a escala fina
(es decir, unidad de mapeo mínima: 50 m) de múltiples fuentes de teleobservación. Por lo tanto, se abandona la
adopción de insumos a escala de curso (lo que lleva a un alto grado de generalización) que permiten incluir muchos
más detalles de los elementos biofísicos (es decir, cambios abruptos de los combustibles forestales y la densidad en
el espacio) en el proceso de modelado del fuego. Este hecho facilita y mejora la credibilidad de la cuantificación de
los impactos de los incendios forestales en los ecosistemas naturales y antropogénicos. Por lo tanto, el primer
objetivo radica en el proceso de modelado de simulación de incendios forestales que involucró submódulos
probabilísticos y estocásticos para representar un régimen de incendios lo más realista posible. Con este fin,
calculamos la PA y la intensidad del fuego, considerando el efecto sinérgico de la reacción de los combustibles al
fuego (es decir, el comportamiento del fuego), la topografía, la frecuencia de incendio a largo plazo (tanto en
términos estadísticos como espaciales), el entorno de combustión (análisis de series temporales del clima del fuego,
la interacción del viento y la topografía con el comportamiento del fuego) y la fenología de la vegetación. . El
segundo objetivo se centra en la contribución del sistema de expertos a la determinación de la respuesta al fuego de
todos los recursos naturales y/o antropogénicos en una variedad de niveles de intensidad de fuego (efectos del
fuego). El último módulo (tercer objetivo) estimó el cambio de valor neto de cada recurso para cada píxel. Este
marco se puede utilizar estratégica y operativamente para establecer un modelo jerárquico basado en prioridades
para la asignación óptima de recursos contra incendios.
2. Materiales y métodos
2.1. Área de estudio

La prefectura de Calcídica se encuentra en la parte norte de Grecia (Latitud: 40°20′N; Longitud: 23°30′E.) (Figura.
A1) y administrativamente pertenece a la región de Macedonia Central. El área de Chalkidiki es de 2933 km2 donde
viven 105,908 residentes permanentes. La densidad poblacional es de 36 personas por km2 [35].
La altitud del dominio de estudio oscila entre 0 (nivel del mar) y 1162 m (Fig. 1a). Casi la mitad de la región (48,5%)
está ocupada por la superficie de las tierras bajas (0-200 m), mientras que el 33,5% y el 18% están ocupados por
territorios semimontañosos (200-500 m) y montañosos (>500 m), respectivamente. La pendiente del área de
estudio es suave (40% de toda la región <10°), pero algunas regiones albergan territorios con pendiente más alta
(57,5% de toda la región: 11-25°) y extrema (2% de toda la región >25°). El aspecto superficial generalmente se
distribuye uniformemente entre todas las direcciones de orientación, sin embargo, el aspecto sur (que está
relacionado con el mayor riesgo de incendio forestal) ocupa el 37% de toda la región [36].
Descargar : Descargar imagen de alta resolución (2MB) Descargar : Descargar imagen a tamaño completo
Figura 1. a) Elevación; b) Cubiertas primarias de tierras; c) Mapa compuesto de los tipos de combustible FBP; d)
Asentamientos humanos y estructuras de la red de carreteras.
El clima de Calcídica es mediterráneo con veranos calurosos e inviernos suaves. Las temperaturas medias más altas
se han registrado en julio (28,1 °C) y agosto (27,7 °C), mientras que las temperaturas máximas medias se han
vuelto a observar en julio (32,4 °C) y agosto (32,3 °C) durante un período de 20 años (1997-2017). La humedad
relativa media más baja se ha registrado en julio (49,4%), seguida de agosto (52%). La altura de precipitación más
baja se ha observado en agosto (16,2 mm). La velocidad media del viento para la temporada de verano (junio-
agosto) oscila entre 10,8 y 11,4 km/h. La velocidad máxima diaria del viento más alta registrada en los meses de
verano oscila entre 38,2 y 49,5 km/h [37].
La Fig. 1b presenta la disposición espacial de las cubiertas terrestres primarias. La superficie boscosa (incluidos los
arbustos) cubre casi la mitad del área de estudio (44%), seguida de los campos agrícolas (32%). Las regiones
urbanizadas ocupan aproximadamente el 2% de la prefectura, mientras que muchas otras cubiertas terrestres (por
ejemplo, pastizales, áreas quemadas, etc.) complementan las partes restantes. La Fig. 1c muestra el mapa de
combustible compuesto que fusiona los tipos actuales de combustible forestal y las cubiertas terrestres. Los tipos de
combustible presentados se han clasificado según el Sistema de Predicción del Comportamiento del Fuego (FBP),
tal y como se describe detalladamente en el apartado de metodología.
Una dimensión crítica más constituye la asignación espacial de estructuras antropogénicas. La Fig. 1d muestra la
distribución de los asentamientos humanos y la red de carreteras. Hay 161 ciudades / pueblos y 8027 km de red de
carreteras clasificados en varias categorías según el propósito al que sirven.
Finalmente, la fuente vital de información está relacionada con la historia de los incendios (2000-2017).
Centrándose en los incendios forestales potencialmente destructivos (>3 ha), las regiones boscosas han sido las
más afectadas (5500 ha-91% del área total quemada), seguidas de los campos agrícolas (535 ha-9% del total) y la
hierba (52 ha-1% del total) [38].
2.2. Materiales
La estructura del documento requiere varias categorías de datos para cumplir con los objetivos de la investigación.
Las categorías primarias consisten en datos geoespaciales, datos estadísticos de series temporales, así como datos
no espaciales que están relacionados con la información derivada por el sistema de expertos.
El modelado de simulación de incendios forestales exige una gran cantidad de datos geoespaciales y estadísticos,
como los tipos de combustible reclasificados (basados en el sistema FBP), datos de topografía, datos de historial de
incendios, series temporales de datos meteorológicos y datos del sistema de expertos (es decir, propiedades
fenológicas de la vegetación, horas de combustión en condiciones máximas). La segunda parte está asociada con los
efectos de los incendios forestales en los principales tipos de recursos, a saber, las zonas urbanizadas; los locales
históricos y religiosos (por ejemplo, sitios arqueológicos, monasterios); los ecosistemas naturales y las cubiertas
terrestres (diferentes tipos de bosques, pastizales, campos agrícolas); la infraestructura de la energía; y el hábitat de
las aves. La Tabla A1 en el Apéndice describe detalladamente el tipo y la forma de los datos utilizados junto con su
resolución espacial, el propósito de cada tipo de datos servidos en el proyecto y la fuente primaria donde se
recuperaron los datos sin procesar.
2.3. Metodología
La metodología del documento se centra en un análisis en dos etapas. El primero trata sobre el modelado (espacial)
de simulación de incendios forestales, mientras que la segunda parte explota los resultados (BP e intensidad de
incendio) del primer análisis para determinar los efectos acumulativos del fuego en diferentes tipos de ecosistemas,
activos y valores en riesgo. Los efectos previstos de los incendios se cuantificaron en términos de Cambio Total
Equivalente (TCE) [un índice espacial de Cambio de Valor Neto (NVC)] de cada tipo de recurso/infraestructura en
comparación con las condiciones iniciales (no afectadas por los incendios). Además, una serie de mapas temáticos
representan el rango previsto de ECT para cada recurso con el objetivo de la adopción (jerárquica) de las medidas
preventivas más apropiadas.
Higo. A2 representa el diagrama de flujo de los datos primarios utilizados, la metodología y los productos finales.
En resumen, el modelado de simulación de incendios forestales incluye: i) la edición de datos geoespaciales (por
ejemplo, combustibles forestales, topografía); ii) el módulo de igniciones (análisis geoespacial y estadístico de los
patrones históricos de ignición de incendios); iii) el módulo de condiciones de combustión (análisis estadístico de
series temporales de datos meteorológicos de incendios a largo plazo; simulación de campos de viento
espacialmente variables para incendios forestales); iv) módulo de crecimiento de incendios (ajuste de la fenología
de la vegetación); v) calibración de los resultados de modelado y remodelación basada en el régimen histórico de
incendios. El análisis de los efectos del fuego recibe los resultados del proceso anterior y continúa con: i) el mapeo
de los recursos naturales y antropogénicos críticos; ii) determinación de la respuesta al fuego para cada recurso
para cualquier nivel potencial de intensidad de incendio; iii) estimación de NVC y TCE: estos índices se utilizan
para la estimación de la magnitud de los impactos del incendio.
2.3.1. Modelización de simulación de incendios forestales

Burn-P3 es un modelo espacial de simulación de incendios forestales que simula la ignición y evolución de un
número significativo de incendios. El motor de crecimiento de incendios, llamado Prometheus [39], está integrado
en Burn P3 contribuyendo al desarrollo de ciertos productos contra incendios, como el BP, la intensidad y
propagación del fuego y las estadísticas de simulación de incendios. Los componentes principales del modelado de
simulación de incendios son el módulo de entradas geoespaciales, el módulo de encendido de incendios, el módulo
de condiciones de combustión y el módulo de crecimiento de incendios [40].
2.3.1.1. Módulo de entradas geoespaciales
Los principales insumos geoespaciales requeridos para el modelado de simulación de incendios forestales consisten
en combustibles forestales, cobertura terrestre y el Modelo Digital de Elevación (DEM). Uno de los parámetros más
significativos constituyen los combustibles forestales que están relacionados con el comportamiento previsto del
fuego. Los combustibles forestales griegos [41] se han asignado con los respectivos tipos de combustible
canadienses, ya que el software Burn P3 utiliza estos tipos específicos para la predicción de la propagación del
fuego en función de las características inherentes de los combustibles forestales [42]. Con este fin, los combustibles
forestales y los expertos en incendios de ambos países (agencias forestales y universidades) asignaron los tipos de
combustible griegos a los canadienses que se basaron principalmente en las propiedades comunes de los
combustibles contra los incendios forestales (es decir, el comportamiento estimado del fuego). La Tabla A2 en el
Apéndice describe a fondo este proceso [es decir, la determinación del comportamiento de la carga ponderada de
combustible según lo interpretado previamente por un panel de expertos en Sakellariou et al. [24], asignando cada
tipo de tipo de combustible forestal griego al canadiense respectivo. Sin embargo, había una parte significativa del
área de estudio que consiste en otras cubiertas terrestres (excepto bosques) y debería haber participado en el
modelado de simulación. Por lo tanto, para llenar este vacío (que consiste en material quemable como campos
agrícolas), recuperamos fuentes adicionales de información geográfica, como las cubiertas terrestres recientes,
capturadas por observaciones satelitales [43]. Estos tipos de cobertura terrestre se ajustaron a las especificaciones
del registro de tipos de combustible Burn P3 y complementaron el mapa de territorios quemables pero no
boscosos. En consecuencia, la conjunción de estos dos tipos de fuentes geoespaciales creó un Mapa de Combustible
de Predicción de Comportamiento de Incendios Compuesto (Fig. 1c) que cubre toda el área de estudio. Este proceso
fue crítico, ya que muchos incendios (especialmente en Grecia) podrían estallar en los campos agrícolas y
transmitirse a los bosques vecinos.
Una cuestión crítica más constituye el efecto de la topografía (elevación, pendiente y aspecto) en los incendios
forestales. La topografía juega un papel distinto y a veces decisivo en el comportamiento del fuego [[44], [45],
[46]]. Por lo tanto, tuvimos que integrar el DEM (5 m) en el modelado de simulación, ya que DEM proporciona
toda la información relativa sobre elevación, pendiente (Fig. A3a) y aspecto (Fig. A3b).
2.3.1.2. Módulo de encendido contra incendios

El módulo de encendidos de incendios determina el régimen de igniciones de incendios a través del patrón
estacional y espacial de igniciones de incendios. Inicialmente, tuvimos que determinar el número simulado de
igniciones por iteración (es decir, cada iteración constituye una simulación de fuego de un año). Para evitar el
efecto marginal de los incendios de baja intensidad, definimos un umbral de 3 ha de área quemada para cada
simulación. Los eventos de incendio que resultan en un área quemada inferior a 3 ha son descartados
automáticamente por el sistema. La frecuencia de incendio del área de estudio varía de 0 a 14 igniciones durante un
período de tiempo de 18 años (2000-2017). Las inconsistencias en el gráfico de frecuencia de incendios nos
hicieron proceder a un ajuste estadístico de este tipo de datos con el fin de aliviar valores extremos o
inconsistentes. Después de la evaluación comparativa de diferentes tipos de funciones estadísticas (lineales,
logarítmicas, etc.), la más adecuada fue la función polinómica de segundo grado (R2 = 0,48) (Fig. A4). La ecuación
definida derivada de este ajuste se describe mediante la siguiente función:
(1)
donde x es igual al número anual de igniciones de incendios.
La Tabla A3 presenta la distribución de frecuencia (utilizada en Burn P3) para cada número potencial de igniciones
después del ajuste estadístico polinómico.
A continuación, tuvimos que desarrollar un mapa que representara las regiones más vulnerables en términos de
igniciones de incendios (desde el punto de vista geográfico). Con este fin, creamos un esquema espacialmente
ponderado de igniciones de incendios basado en las siguientes hipótesis. En primer lugar, una indicación de
susceptibilidad al fuego constituye la historia del fuego. Las regiones afectadas repetidamente por incendios
forestales pueden verse afectadas de nuevo en el futuro, muy probablemente debido a la inflamabilidad de los
combustibles forestales [47]. Por lo tanto, geocodificamos los eventos de incendios anteriores a través de la base de
datos del Sistema Europeo de Información de Incendios Forestales [48] que incorpora todas las anomalías
térmicas de MODIS y VIIRS para el período de tiempo solicitado. Se han creado zonas de amortiguamiento de 1 km
alrededor de estos focos de incendio. Estas zonas han sido clasificadas como regiones de mayor probabilidad de
ignición de incendios recibiendo el peso de 3. A continuación, creamos zonas de amortiguamiento de 1 km
alrededor de todas las estructuras antropogénicas, a saber, la red residencial y de carreteras, ya que muchos
eventos de incendio comienzan en estas zonas debido al aumento de la actividad [49]. Estas zonas recibieron el
peso de 2, mientras que todas las demás regiones recibieron el menor peso (1), lo que indica la menor probabilidad
de ignición de incendios (principalmente bosques compactos con la menor accesibilidad). Higo. A5 muestra el
patrón espacialmente ponderado de las igniciones de fuego.
La última parte establece la distribución de las igniciones de incendios por temporada y causa. Tsagari et al. [50]
han explorado las causas habituales de los incendios en el área de estudio durante 25 años (1983-2005). 3 sobre 4
incendios se encienden por causas antropogénicas y solo 1 sobre 4 incendios se debe a causas naturales. La Tabla
A4 resume las igniciones de incendios por temporada de 2000 a 2017, mientras que la Tabla A5 representa la
distribución ponderada de las igniciones de incendios por causa y temporada utilizada en el modelado de
simulación.
2.3.1.3. Módulo de condiciones de combustión
El módulo de condiciones de combustión simula las condiciones climáticas que son propicias para eventos de
incendio significativos en términos de intensidad de fuego. La piedra angular de este módulo constituye la lista de
clima de incendios. Esta lista incorpora todas las condiciones meteorológicas diarias cruciales, como la
temperatura media, la humedad relativa media, la velocidad y dirección media del viento y los niveles de
precipitación para cada día calendario. Todos estos parámetros se introducen en el Sistema de Índice
meteorológico contra incendios (FWIS) [51], para que podamos calcular la humedad en las capas más profundas
del suelo (es decir, código de humedad de combustible fino, código de humedad Duff, código de sequía), así como
los índices relacionados con el comportamiento del fuego debido al efecto del viento y los combustibles (índice de
propagación inicial, índice de acumulación). La integración de todos estos índices nos llevó a la estimación del
índice final, llamado Fire Weather Index (FWI) que describe las condiciones climáticas más severas que pueden
provocar eventos extremos de incendio. Todos los índices de humedad del suelo y comportamiento del fuego de
FWIS se calcularon diariamente en el lenguaje estadístico "R" bajo el paquete "cffdrs" [52].
Para considerar completamente la variabilidad de las condiciones climáticas, necesitábamos un número

significativo de registros meteorológicos [53]. Según Parisien [40]; requerimos datos de series temporales a largo
plazo para capturar la variabilidad espaciotemporal de estas condiciones; sin embargo, el marco de tiempo de los
datos requeridos no debe ser enorme debido al efecto de otras fuerzas dominantes (cambio climático; patrones
espaciales diferenciados de igniciones de incendios, etc.). Por lo tanto, recuperamos datos meteorológicos de los
últimos 21 años (1997-2017) de la Agencia Meteorológica Helénica (40,53 N; 22,97 E). A continuación, activamos el
método secuencial de las condiciones meteorológicas (selección de días en el orden en que aparecen en la lista de
clima de incendios) en lugar de una elección aleatoria, ya que constituye una opción más realista [53].
Como se mencionó anteriormente, el módulo debe capturar solo estos días con condiciones climáticas específicas
que pueden conducir a eventos de incendio destructivos. Con este fin, se realizó un filtrado de toda la lista
meteorológica de incendios. El umbral para la selección de días propicios para el incendio se definió con la
condición de que el FWI para cada día sea superior a 19, ya que tales condiciones meteorológicas diarias pueden
desencadenar incendios de alta intensidad [54]. A continuación, se ha creado la distribución de frecuencia de los
días de "evento de propagación" (es decir, los días con la mayor área quemada) en función del tiempo que necesita
la agencia local de bomberos para controlar los eventos de incendios forestales severos. Sin embargo, debido a la
escasez de datos, se consideró esencial un ajuste estadístico de esta distribución. Aplicamos la función exponencial
negativa que se considera apropiada para tales fenómenos [24,40]. Higo. A6 representa el ajuste estadístico de los
días de spread-event (R2 = 0,94). La ecuación general de la función exponencial negativa se define como: f (x) =
e−λx, donde λ = 1/media de días de evento de propagación, y x es igual al número de días de evento de propagación.
El ajuste estadístico arrojó la siguiente ecuación:
(2)
En consecuencia, la Tabla A6 presenta la distribución de frecuencia requerida por Burn P3 para la selección de días
de evento de propagación para cada iteración.
Finalmente, tuvimos que determinar el efecto del viento en relación con la topografía. La superficie rugosa con
vientos severos puede intensificar los efectos del fuego. Por lo tanto, desarrollamos 8 cuadrículas de velocidad del
viento y 8 cuadrículas de dirección del viento a través del software WindNinja [55], basado en el DEM y las
características de viento proporcionadas por la Lista meteorológica de incendios. Estas rejillas están integradas en
Burn P3 y actúan como multiplicadores cuando las condiciones son favorables (por ejemplo, pendientes
pronunciadas y vientos feroces) [40].
2.3.1.4. Módulo de crecimiento de incendios

Este último módulo es un modelo determinista de crecimiento de incendios que se integra en Burn P3 y se
denomina modelo de crecimiento de incendios Prometheus [39]. Ajustamos la configuración de comportamiento
del fuego por temporada de la siguiente manera. El primer parámetro está relacionado con el número de horas de
combustión en condiciones máximas. Esa es una aproximación bastante difícil, sin embargo, el proceso de
calibración y la experiencia local proporcionaron algunos valores óptimos. Por lo tanto, definimos 4 h de
combustión en condiciones máximas para la temporada de verano y 3 h para primavera y otoño.
The other two settings deal with the phenological features of vegetation. Specifically, the grass curing (i.e.
percentage of dead grass which may provoke severe fire events favoring the fire spread) has been defined to 68% in
the summer, 60% in the spring and 58% in the autumn. These figures were adjusted based on the trend of relative
humidity and precipitation through seasons. Lastly, we defined the seasons when the deciduous trees fall and
retrieve their leaves, a fact which may have a distinct effect on fires. Hence, we defined the autumn season as the
season when the trees fall their leaves and the spring and summer when the trees retrieve their leaves. All these
parameters have been defined with the contribution of experts (academics and professional foresters).
2.3.1.5. Simulation
The total number of iterations for the simulation modeling has been defined to 8000 (more than 30,000 simulated
fires). This number of iterations produced a stable BP map. After this threshold, the cumulative relative change of
BP map had been marginal (<3%) (Fig. A7).
2.3.1.6. Outputs – calibration
The outputs of the simulation modeling consist of a BP map, a fire intensity map, a fire spread map along with an
accompanying statistical table which contains the details of all simulated fire events (e.g. area burned per fuel type;
number of spread-event days; the fuel where the fire ignited etc.) that are used for calibration. The first two
products would be the intermediate inputs for fire effects analysis.
Before reaching the final products of simulation modeling, a constant calibration process took place. The
calibration may involve all the parameters of each module. However, the most significant ones are related with the
burning conditions and the fire growth modules, where there is a certain amount of uncertainty given the shortage
of relative data. To this end, we re-adjusted for several times the spread-event days and the burning hours under
maximum conditions until we reach the optimal values (these parameters were characterized by the highest
uncertainty). The selection of optimal values made the simulation results to bear great resemblance with the actual
burned area distribution.
Higo. A8 representa la mejor similitud posible entre la frecuencia real y simulada del área quemada. Cabe señalar
que las principales diferencias se deben a dos razones. El primero está relacionado con la falta de historial de
incendios para el área de estudio. Por lo tanto, para determinar relativamente el régimen de incendios, recopilamos
datos para las regiones administrativas superiores (con características similares). Esa fue considerada la segunda
mejor opción. Además, debe saberse que cualquier evento de incendio forestal se suprime inmediatamente debido
a las características biofísicas del país (es decir, muchos bosques son asentamientos humanos cercanos u otros
activos valiosos), por lo que es razonable tener muchos eventos de incendio con áreas quemadas limitadas como se
muestra en la Fig. A8. Por el contrario, Burn P3 no tiene en cuenta ninguna actividad de supresión.
Por último, la Fig. A9 presenta la evaluación comparativa de distribuciones diferenciadas después de varias
modificaciones a través del proceso de calibración (escenarios alternativos – entradas modificadas).
2.3.2. Análisis de los efectos de los incendios forestales

El análisis de los efectos del fuego tiene como objetivo investigar y determinar los efectos de los incendios de
intensidad variable en los recursos naturales y culturales críticos del área de estudio. En primer lugar, se deben
estimar las funciones de respuesta de cada recurso a cualquier nivel potencial de intensidad de incendio (es decir,
el cambio porcentual estimado, ya sea beneficioso o perjudicial, de cada recurso para cada nivel de intensidad de
incendio).
El NVC para cualquier recurso natural o activo cultural se estima a través de la multiplicación de BP y el cambio
respectivo debido a la intensidad de fuego pronosticada para cada píxel [12,16,[56], [57], [58]]. El cambio previsto
viene dado por la siguiente fórmula [57,58]:
(3)
donde E(NVC) es el cambio total de cada recurso debido a incendios forestales; p(Fi) es el BP para cada nivel de
intensidad de fuego y RFr(Fi) es la función de respuesta estimada de cada recurso (natural o antropogénico) en
cualquier nivel de intensidad de incendio.
Debido al alto grado de incertidumbre de conocimiento en la respuesta de los recursos a los diferentes niveles de
intensidad de incendio, se ha adoptado el sistema de expertos [16,[56], [57], [58]]. Los expertos consisten en
académicos y silvicultores profesionales de todo el país y especialmente aquellos con conocimientos locales.
2.3.2.1. Cartografía de los recursos naturales y antropogénicos

La selección de los recursos e infraestructuras más importantes se realizó en función de su valor para el entorno
natural y cultural, sin que ello implique que otros recursos no tengan utilidad propia.
1) Zonas urbanizadas (edificios y entidades artificiales): Las áreas urbanizadas constituyen uno de los recursos
más importantes en el análisis de efectos, ya que varios asentamientos son adyacentes o se encuentran cerca de
combustibles inflamables (bosques u otros tipos de vegetación). Para maximizar la fiabilidad de este tipo de
datos, combinamos imágenes satelitales y fotografías aéreas. En concreto, los datos de las zonas urbano-
residenciales se recuperaron mediante la edición de imágenes de satélite de alta resolución (2,5 × 2,5 m) a
través del Mapa Europeo de Asentamientos 2017 [59]. Al mismo tiempo, utilizamos ortofotos para optimizar
este Mapa de Asentamiento. Después de la evaluación comparativa de imágenes satelitales y ortofotos,
definimos el umbral más apropiado (en el valor de píxeles de la imagen satelital) que distingue las áreas
construidas reales, liberadas de errores significativos. Es decir, se estableció el umbral de 0.2 para cada píxel, y
los píxeles con un valor mayor que 0.2 se clasifican adecuadamente como áreas construidas. Higo. A10
representa la clasificación de las áreas construidas reales.
2) Religious and historical premises (churches, monasteries, archaeological sites): This special category of
resources and premises is characterized by significant similarities with the previous category, however, it was
considered appropriate to distinctly be examined for the following reasons: First, these specific types of assets
frequently present different morphology of the surrounding space of the buildings (parks, clusters of trees,
conjunction of open archaeological sites with various types of vegetation that facilitates the transmission of
fire). Second, the historical, religious and cultural value of these resources is very different from that of simple
buildings, even if the effects of fires are similar in both cases.
3) Energía - Redes eléctricas y fuentes de energía renovables (FER): Las redes eléctricas y las energías renovables
constituyen un recurso vital para el desarrollo socioeconómico y la prosperidad de cada región. Los incendios
pueden afectar a la infraestructura en sí, así como al espacio circundante inmediato. Así, se han creado distintas
zonas espaciales (buffers) de 50 m y 100 m para incluir el espacio de actuación de diferentes tipos de
infraestructura (líneas de transmisión de circuito simple y doble respectivamente). Higo. A11 muestra el diseño
espacial de las redes eléctricas y parques eólicos que participarán en el análisis de los efectos del incendio.
4) Recursos naturales y tipos de cubierta terrestre: La preservación y protección integrada de los recursos
naturales es de suma importancia. Estimamos el impacto de los efectos del fuego en cubiertas terrestres
específicas, tales como: i) bosques de coníferas; ii) Bosques de hoja ancha; iii) Bosques mixtos; iv) Vegetación
esclerófila – arbustos; v) Pastizales naturales y vi) campos agrícolas.
5) Hábitat de las aves: La protección del hábitat de las aves constituye un factor clave en la riqueza de la
biodiversidad. Con este fin, mapeamos los hábitats de las aves primarias que prosperan en el área de estudio.
En concreto, el Tribunal estimó el impacto de los efectos del fuego en los hábitats que albergan especies
migratorias y en peligro de extinción (Directiva 2009/147/CE). Estos hábitats han sido cartografiados e
incluidos en la red de zonas especialmente protegidas (ZEPA) en virtud de la Directiva 92/43/CEE sobre
hábitats [60]. Los hábitats de las aves potencialmente afectadas albergan las siguientes especies de avifauna: i)
Milvus migrans; ii) Falco biarmicus; iii) Glareola pratincola pratincola; iv) Motacilla flava; v) Numenius
tenuirostris; vi) Himantopus himantopus [61]. Higo. A12 representa la asignación espacial del hábitat de las
aves.
2.3.2.2. Determinación de las funciones de respuesta por nivel de intensidad de fuego para cada
recurso (sistema de expertos)
Un elemento crítico más de la metodología es la estimación de la respuesta de cada recurso (natural y

antropogénico) en cualquier nivel de intensidad de incendio. Por ejemplo, los ecosistemas adaptados al fuego son
mucho más resistentes en comparación con el hábitat de las aves vulnerables. Por lo tanto, debido al alto grado de
incertidumbre en la respuesta al fuego para cada recurso, desarrollamos un cuestionario para ser llenado por
expertos en incendios y recursos (profesores universitarios y silvicultores profesionales) con conocimiento local
[16].
Las funciones de respuesta se estimaron para cada recurso/infraestructura (los valores promedio de todas las
respuestas al cuestionario) del dominio del estudio. Cuando hubo un alto grado de desviación en los porcentajes
estimados (debido a la incertidumbre inherente de varios recursos), ajustamos el cambio porcentual estimado en
función de la literatura [57,58,62].
En el cuadro 1 se resumen las funciones de respuesta para todos los recursos/infraestructuras posiblemente
afectados por niveles diferenciados de intensidad de incendio.
Tabla 1. Funciones de respuesta (cambio porcentual estimado) de recursos e infraestructura para cada nivel de
intensidad de incendio (x102).
Recursos/Infraestructura Baja intensidad Intensidad de fuego Alta intensidad Intensidad de fuego

de fuego moderada de fuego muy alta
0–20 Kw/m 20–40 Kw/m 40–100 Kw/m >100 Kw/m
Variación porcentual estimada por nivel de intensidad de incendio
Bosques de coníferas +30 −20 −70 −90
Bosques de hoja ancha 0 −20 −50 −70
Bosques mixtos +10 −20 −50 −80
Vegetación esclerófila – arbustos +10 0 −20 −50
Pastizales naturales +30 +20 −10 −60
Campos agrícolas −20 −40 −60 −80

Recursos/Infraestructura Baja intensidad Intensidad de fuego Alta intensidad Intensidad de fuego
de fuego moderada de fuego muy alta
0–20 Kw/m 20–40 Kw/m 40–100 Kw/m >100 Kw/m
Áreas urbanizadas −30 −50 −70 −90
Lugares religiosos/históricos −20 −40 −70 −90
Redes eléctricas y fuentes de 0 −20 −70 −90

energía renovables
Hábitat de las aves +10 −20 −60 −80
2.3.2.3. Estimación del cambio del valor neto (NVC) y del equivalente de cambio total (ECT)
El núcleo de esta sección es el cálculo de NVC de cada recurso/infraestructura basado en la ecuación (3). Este
índice numérico tiene que ser convertido en algo más tangible para uso operativo. Con este fin, calculamos el TCE
que estima el NVC por píxel. El total de las ECT indicaría la posible superficie equivalente (en hectáreas u otra
unidad geográfica) ganada o perdida debido a los efectos de los incendios forestales. Esto ocurre al agregar los
diferentes efectos del fuego de cada recurso en toda el área de estudio. Por ejemplo, si la distribución espacial de un
recurso determinado (por ejemplo, infraestructura energética) ocupa 30 ha, la ECT se calculará de la siguiente
manera: [30 ha * ((BP * RF(i)) + (BP * RFj)) ...)] donde cada parte puede constituir la combinación de BP y el
cambio estimado debido a la intensidad de fuego calculada para cada píxel único. En particular, un incendio de
baja intensidad en ecosistemas adaptados al fuego sería beneficioso debido a la regeneración forestal y a la
eliminación de la biomasa acumulada (evitando futuros incendios de alta intensidad). Por otro lado, los incendios
de intensidad moderada a alta pueden afectar en gran medida a elementos únicos del patrimonio cultural
(monasterios, sitios históricos, etc.). En el mismo contexto, las implicaciones sociales se diferenciarían por el grado
de intensidad del fuego (desde daños leves de la red urbana hasta pérdida de vidas humanas).
Por lo tanto, la interacción de BP, la intensidad del fuego y las funciones de respuesta de los activos críticos
proporcionan los impactos cuantitativos de los incendios forestales a cualquier recurso potencial. Más allá del
punto de vista cuantitativo, la dimensión cualitativa se considera de vital importancia proporcionando el mapeo de
todos estos impactos. La estimación de NVC y TCE se llevó a cabo mediante la ejecución de scripts de Python
(explotando los paquetes de computación científica de Python, numpy y scipy) en un entorno SIG.
3. Resultados
3.1. Resultados de la modelización de simulación de incendios forestales

Los resultados primarios del modelado de simulación consisten en un mapa bp, un mapa de intensidad de
incendio, un mapa de propagación de incendios y una tabla de estadísticas que incorpora todos los detalles de la
simulación. La Fig. 2 presenta los dos resultados más importantes, a saber, el mapa BP y el mapa de intensidad de
fuego, que se utilizarán para el análisis de efectos de fuego e integrados a los respectivos módulos de Python.
Figura 2. a) Mapa de probabilidad de quemaduras, b) Mapa de intensidad de incendios.
Con base en la Fig. 2a, observamos que la segunda extensión de la península y la parte noroeste de la prefectura
concentran la BP más alta (>0.02), mientras que la parte restante del área de estudio se caracteriza por un grado
bajo a moderado de BP con pocas áreas dispersas de BP aumentada. La alta pais en la segunda prórroga ha sido
confirmada por un reciente (2019) incendio forestal que tuvo lugar en esta región (afectando a regiones habitadas).
En general, la alta presión arterial parece ser impulsada por los tipos de combustible dominantes susceptibles al
fuego, como los arbustos, los bosques mixtos y de coníferas. Además, estos tipos de combustible facilitan la
transmisión del fuego a los territorios vecinos (principalmente en campos agrícolas y, en algunos casos, en nodos
residenciales altamente poblados).
La Fig. 2b representa la intensidad media de los incendios simulados. Una parte significativa del área de estudio se
caracteriza por incendios de baja intensidad (donde existen áreas residenciales y rurales), especialmente en la parte
occidental de la prefectura. Los incendios de alta y muy alta intensidad se localizan desde la parte noroeste de la
prefectura hasta el final de la segunda extensión, mientras que los incendios de intensidad moderada se localizan
principalmente en la parte centro-oriental del área de estudio. Las regiones de mayor intensidad de fuego se
caracterizan por cargas de material inflamable compacto (coexistencia de arbustos y árboles de coníferas). Cabe
destacar que las regiones con alta intensidad de incendio prevista incorporan regiones habitadas, especialmente en
las dos extensiones de península así como en la parte central de la zona de estudio donde existen varios
asentamientos humanos montañosos.
3.2. Análisis de los efectos de los incendios forestales

En el cuadro 2 se presentan los resultados del análisis de los efectos de los incendios en cualquier
recurso/infraestructura en términos de ECT. Por lo tanto, ese es el marco que se puede utilizar para establecer un
modelo jerárquico basado en prioridades, que permita que se tomen medidas de gestión de incendios más suaves
cuando sea posible (por ejemplo, en ecosistemas adaptados al fuego). Cuantificando el NVC a un índice espacial
(TCE), se estima que los hábitats de las aves tienen las mayores pérdidas (382 ha), seguidos de arbustos (258 ha),
cultivos agrícolas (230 ha), bosques de hoja ancha (147 ha), bosques mixtos (100 ha), bosques de coníferas (55 ha),
electricidad y redes RES (15 ha), mientras que se espera que los edificios y activos residenciales se vean afectados
en el menor grado (8 ha).
Tabla 2. Cambio total Equivalente para los recursos e infraestructura de Calcídica.
Recursos/Infraestructura Superficie (ha) Cambio total equivalente (ha) % Beneficio/Pérdida
Bosques de coníferas 12,837 −54.598 −0,4253
Bosques de hoja ancha 54,550 −147.248 −0,2699
Bosques mixtos 21,408 −100.038 −0.4673
Vegetación esclerófila – arbustos 63,793 −258.516 −0.4052
Pastizales naturales 1180 −1.766 −0.1497
Campos agrícolas 120,481 −230.771 −0.1915
Áreas urbanizadas 2083 −8.873 −0.4259
Sitios religiosos e históricos 65 −0.031 −0.0470
Redes eléctricas y fuentes de energía renovables 3287 −15.615 −0.4751
Hábitat de las aves 184,031 −382.299 −0.2077
Suma −1199.755 −3.0646
Suma sin hábitat de aves −817.455 −2.857
En total, las pérdidas estimadas para la prefectura de Calcídica ascienden a 1199 ha, mientras que los sitios
religiosos e históricos parecen estar en el riesgo más bajo con las menores pérdidas posibles para el año siguiente.
Sin embargo, todos los valores anteriores se expresan en términos absolutos. Al traducir estas pérdidas en términos
relativos (es decir, un cambio porcentual en el área total de cada recurso/infraestructura), la jerarquía de los
recursos afectados cambia drásticamente. La mayor pérdida se prevé para las redes eléctricas y de energías
renovables (-0,48%), seguidas de los bosques mixtos (-0,47%), los edificios y activos residenciales (-0,43%), los
bosques de coníferas (-0,43%), los arbustos (-0,4%), los bosques de hoja ancha (-0,27%) y los cultivos agrícolas
(-0,19%).
Ahora, examinamos los efectos acumulativos de los incendios forestales en cualquier tipo distinto de
recurso/infraestructura, tanto en términos cuantitativos como cualitativos, mapeando las ECT estimadas. La Fig. 3
muestra las diferentes ECT en todos los tipos de bosques. Los bosques de coníferas ocupan menos área en
comparación con otros tipos de bosques. El mayor cambio estimado se localiza en la segunda extensión del
dominio de estudio (gran cambio perjudicial estimado), mientras que hay regiones que se benefician de incendios
de baja intensidad (especialmente en la parte noreste y oeste de la prefectura) (Fig. 3 a). La Fig. 3b muestra la
variabilidad de las ECT en los bosques de hoja ancha. Podemos observar un cambio relativamente pequeño
(marginal) en lugares específicos donde existe una intensidad de fuego relativamente mayor. Esto ocurre en
regiones específicas de la segunda extensión de la península, donde la intensidad de los incendios es muy alta, pero
también en áreas específicas en la parte noreste de la prefectura. Los bosques mixtos (Fig. 3c) presentan un cambio
variable (de marginalmente positivo a negativo) en la segunda extensión de la península debido a la escalada de
intensidad de los incendios. Además, hay regiones dispersas en toda el área de estudio con alta variabilidad de las
ECT. Por otro lado, la vegetación y los arbustos esclerófilos se caracterizan por niveles fluctuantes de cambio (de
cambio positivo a negativo) que pueden localizarse en toda el área de estudio (Fig. 3d), guiados por los patrones de
intensidad del fuego y PA.
Figura 3. Estimación y cartografía de las ECT en a) bosques de coníferas, b) bosques de hoja ancha, c) bosques
mixtos y d) vegetación de esclerophylloys - arbustos.
Se prevé que las áreas agrícolas enfrentarán un cambio negativo debido a su carga limitada de combustible (lo que
lleva a incendios de baja intensidad). De acuerdo con la Fig. 4a, estas regiones se encuentran principalmente cerca
de áreas residenciales y costeras. Algunos territorios agrícolas de mayor cambio negativo se encuentran cerca de
áreas altamente inflamables (es decir, áreas boscosas). Los pastizales naturales ocupan una parte limitada del área
de estudio y se caracterizan por niveles fluctuantes de cambio positivo y negativo (Fig. 4b). Las aves son
particularmente sensibles a los efectos del fuego. Por lo tanto, los incendios de intensidad moderada y alta podrían
tener un profundo efecto negativo en sus áreas de distribución (cría y presencia de aves), mientras que los
incendios de baja intensidad pueden beneficiar a este tipo de hábitats a largo plazo (al evitar futuros incidentes de
extrema intensidad, etc.). La Fig. 4c muestra las regiones que pueden ser más afectadas y ubicadas principalmente
en la segunda península de la prefectura donde hay una alta presión arterial de incendios severos, mientras que los
hábitats del norte parecen verse beneficiados por incendios de baja intensidad. La Fig. 4d muestra el área
construida en el contexto del análisis de los efectos del fuego. La mayoría de estas áreas se caracterizan por un
cambio negativo marginal que los incendios de baja intensidad pueden provocar. La mayoría de estas regiones
urbanizadas se encuentran en la parte costera de la prefectura, pero también en el continente, rodeadas de
territorio rural. Las áreas residenciales cercanas a tipos de combustible altamente inflamables (bosques) exhiben
un mayor cambio negativo.
Figura 4. Estimación y cartografía de las ECT en a) Campos agrícolas, b) Pastizales naturales, c) Hábitat de las aves
y d) Regiones urbanizadas.
La Fig. 5a ilustra la ECT estimada en infraestructura energética. Este tipo de infraestructuras incorporan redes
eléctricas e instalaciones de parques eólicos. Observamos que las redes eléctricas parecen verse afectadas en menor
medida en comparación con los parques eólicos. Esto ocurre debido a que los parques eólicos están ubicados en
áreas de alta BP e intensidad (cerca de combustibles inflamables, como arbustos y bosques de coníferas). En cuanto
a los bienes y locales de categorías especiales (religiosas e históricas), el número de estas instalaciones es
relativamente pequeño debido a la escala espacial de análisis (unidad mínima de mapeo: 0,25 ha). Todas estas
categorías se caracterizan por un cambio marginal negativo, ya que se ubican en áreas alejadas de material
inflamable (cerca de áreas residenciales o campos agrícolas). Algunas variaciones se deben a la PA escalable y la
intensidad cerca de estas regiones, por lo que parecen caracterizarse por un mayor riesgo (Fig. 5b).
Descargar : Descargar imagen de alta resolución (473KB) Descargar : Descargar imagen a tamaño completo
Figura 5. Estimación y cartografía de las ECT en a) Redes eléctricas y RES, b) Locales religiosos e históricos.
4. Discusión
En este artículo, aplicamos un análisis de riesgo de incendios forestales de prueba de concepto en el nivel
geográfico más bajo posible en una región frecuentemente afectada por incendios en Grecia. El análisis y la
evaluación del riesgo de incendio forestal implican la interacción del peligro de incendio y el cambio estimado de
los recursos (ya sea beneficioso o perjudicial) a través de la respuesta a diferentes niveles de intensidad del fuego
[11,12,16,57,58].
Para estimar los efectos de los incendios forestales en cualquier recurso/infraestructura potencial, necesitábamos
un análisis sólido de la PA que constituyera el impulsor del análisis de exposición. Uno de los problemas más
desafiantes fue la conversión de los tipos de combustible griegos a los canadienses (en términos de
comportamiento del fuego), ya que Burn P3 ha sido diseñado para funcionar en paisajes canadienses. Refinamos
este proceso basándonos en el conocimiento adquirido por expertos en combustibles e incendios de Canadá y
Grecia [24]. Debido a los tipos de combustible adicionales / nuevos para el área de estudio actual, empleamos
expertos adicionales con conocimiento local para que esta conversión sea exitosa. Además, cabe destacar que la
escala espacial desempeña un papel distinto en la adquisición y fiabilidad de los datos. Con este fin, seleccionamos
un nivel espacial apropiado (NUTS 3: Prefectura) que conserva muchos detalles geográficos críticos, pero también
permite la recuperación de muchos más datos geoespaciales mejorando la credibilidad del modelado de
simulación. Por lo tanto, más allá de los detalles específicos de la historia de incendios proporcionados por el HFB
[38]; adquirimos y editamos datos geoespaciales de una variedad de fuentes de teledetección [ESM [59] y CLC
(2012) de Copernicus; MODIS/VIIRS (2018) de EFFIS; Monitoreo de áreas quemadas a través de imágenes
Landsat recuperadas por NOA; Geoportales nacionales y europeos, etc.] lo que contribuyó en gran medida a la
credibilidad y representabilidad de los productos de simulación.
Teniendo en cuenta el valor añadido de los productos de modelado de simulación de incendios forestales para
tratamientos de combustibles [19], el cálculo de la transmisión de incendios forestales [22] y el cálculo de la
eficiencia de supresión [21], con el objetivo de reducir la PA, utilizamos los resultados de la modelización de
incendios para estimar los efectos del fuego y el cambio previsto de un cierto número de recursos e
infraestructuras. Ampliamos la investigación de Thompson et al. [57] centrándonos en la escala geográfica más
baja posible (NUTS 3) en lugar de en todo el país. Esto permite la evaluación de los resultados tanto desde el punto
de vista estratégico como operativo. Esta escala espacial permitió la integración de recursos y activos que no han
sido considerados anteriormente. Con este fin, examinamos los efectos del fuego en tipos específicos de entorno
natural y cultural. Por ejemplo, a pesar de que los efectos del fuego podrían ser similares para todas las entidades
artificiales, como edificios individuales, iglesias, monasterios, servicios públicos y sitios históricos, el valor cultural
sería totalmente diferente. En el mismo contexto, la morfología del entorno circundante para estos activos
específicos (especialmente para monasterios, sitios arqueológicos, etc.) es, en la mayoría de los casos, diferenciada
en comparación con los grupos residenciales. Por lo tanto, la jerarquía de prioridades podría ser bastante diferente.
Estos detalles no pudieron ser capturados por datos de menor resolución espacial. Desde el punto de vista
operativo, es muy importante determinar los posibles efectos del fuego y el riesgo para la interfaz urbana y silvestre
(WUI), que es una característica común en los países mediterráneos [26,63,64]. Si algunos de estos territorios
están en alto riesgo, necesitamos optimizar espacialmente los recursos de fuego para el ataque inmediato para
salvar vidas humanas [65,66]. Del mismo modo, McFayden et al. [67] estimaron los impactos del fuego en recursos
y activos de alta importancia socioeconómica (por ejemplo, pérdida de belleza natural y usos culturales; pérdida de
edificios e infraestructura). Se han empleado expertos para determinar los pesos de la categoría de impactos
(sociales, económicos, de respuesta a emergencias), así como para decidir qué recursos puntuales, lineales y areales
se incluirán en el análisis, junto con su respuesta a los niveles diferenciados de intensidad de incendio.
El análisis de los efectos del fuego en nuestra área de estudio destacó algunas cuestiones importantes. En primer
lugar, los incendios de baja intensidad pueden contribuir a una ECT positiva, especialmente en ecosistemas
adaptados al fuego y resistentes, como diferentes tipos de bosques, arbustos y pastizales naturales. Sin embargo, el
efecto beneficioso de los incendios se considera marginal, ya que el modelado de simulación indicó el predominio
de los incendios de alta intensidad. Eso es razonable debido a la interacción de condiciones climáticas severas
(altas temperaturas, vientos feroces, condiciones secas) y el alto grado de mezcla de usos de la tierra (aumentando
el área de WUI) en Grecia. Por otro lado, las entidades artificiales (viviendas, monasterios, monumentos culturales)
siempre se ven afectadas negativamente por los incendios forestales en todos los niveles de intensidad de fuego. Sin
embargo, se predice que algunos de ellos estarán en mayor riesgo que otros (debido a la proximidad a
características biofísicas específicas) [68,69]. Esto se justificó cuando estimamos el cambio previsto en términos
relativos en lugar de absolutos. Más allá de las pérdidas esperadas en las regiones vegetativas, los recursos más
afectados (en términos de área perdida) consisten en áreas urbanizadas e infraestructura energética. Por lo tanto,
los responsables de la toma de decisiones podrían establecer fácilmente un modelo jerárquico basado en
prioridades. El cambio estimado de todos los recursos se cuantificó en términos de ECT debido al hecho de que
existe una dificultad inherente para monetizar el valor de los recursos naturales [12,57,58,62,[70], [71], [72]]. Sin
embargo, el análisis de efectos, que implica la estimación del cambio de recursos a diferentes niveles de intensidad
de incendio, permitió el cálculo objetivo del riesgo de incendio para cada tipo de recurso/infraestructura.
Además, distinguimos el cambio estimado de todos los recursos/infraestructuras con y sin hábitat de aves. Esto
ocurrió porque la distribución de las aves se superpone a una parte significativa del área de estudio inflando las
pérdidas totales. Definitivamente, esta distribución no coincide con las regiones de reproducción de las aves, sino
principalmente con la presencia de las aves. Sin embargo, existe una fuerte relación entre la intensidad del fuego y
la biodiversidad de la avifauna. En consecuencia, los incendios de baja intensidad pueden provocar aspectos
positivos, mientras que los incendios de alta intensidad pueden tener profundas implicaciones en este tipo de
recurso susceptible, como lo respaldan Albanesi et al. [73]. Por lo tanto, los administradores de incendios deben ser
conscientes de esta distinción antes de tomar cualquier decisión.
Finalmente, no debemos ignorar las limitaciones inherentes a este tipo de análisis. El problema más crítico está
relacionado con los diferentes tipos de incertidumbre relacionados con el modelado de simulación de incendios y el
análisis de efectos de incendios [56,58,[74], [75], [76]]. El primero se aborda adecuadamente mediante el proceso
de calibración que tiene lugar en el modelado de incendios. Logramos producir productos contra incendios
similares con los eventos de incendio reales. Estos últimos, a pesar de que obtuvimos la mejor información
disponible sobre la respuesta de cada recurso a los incendios a través del juicio de expertos [67], abordamos casos
con alto grado de incertidumbre de conocimiento (es decir, contradiciendo la clasificación de los efectos del fuego
con respecto a pocos recursos).1). Para tratar este problema, ajustamos estos índices en función de la literatura y las
peculiaridades de las condiciones locales como sugieren Thompson et al. [56]. Sin embargo, el sistema del experto
constituye la mejor opción disponible cuando existe un alto grado de incertidumbre y escasez de datos [77];
Penman et al., 2015; [8].
Otra limitación tiene que ver con la resolución espacial de las fuentes de datos. A pesar de que adquirimos datos de
alta resolución, el modelado de simulación está restringido a la resolución espacial de combustibles (es decir, 50
m). Por lo tanto, las entidades aisladas con un área inferior a 0,25 ha se "pierden" inevitablemente. Por otro lado,
puede haber varias particularidades en los combustibles forestales que no son obvias en la escala de 0,25 ha. Puede
haber especies de árboles fotófilos o sombreados dentro de un solo píxel que pueden verse afectados de manera
diferente. En el mismo contexto, no somos capaces de estimar exactamente la presencia y estructura del
sotobosque en diferentes especies de árboles, como podría describirse en datos de muy alta resolución. Por lo tanto,
la mejora de la resolución espacial podría ser una solución factible para determinar el riesgo de incendio en
regiones más pequeñas propensas a incendios. Finalmente, se podría implementar un enfoque financiero
estimando las pérdidas previstas en activos e infraestructura específicos (solo aquellos que están sujetos a
monetización), como la estimación de daños en madera, infraestructura energética, viviendas, cultivos, etc. En este
contexto, Molina et al. [78] interrelacionaron la importancia económica del paisaje y los recursos recreativos con la
magnitud necesaria de los programas de prevención de incendios.
Finalmente, como perspectiva futura, podríamos estimar un NVC/TCE ponderado para cada activo/recurso basado
en la importancia relativa de cada activo a través de un análisis de decisión multicriterio que proporciona un
modelo jerárquico más concreto basado en prioridades [57].
5. Conclusiones
En este artículo, desarrollamos una evaluación de riesgo de incendio de prueba de concepto en una región griega
propensa a incendios. Los resultados de este análisis en dos etapas podrían proporcionar la información esencial a
los responsables de la toma de decisiones y a los gestores de incendios para una prevención integrada de los
incendios forestales. La delimitación del aumento de las regiones bp y la cuantificación de los efectos del fuego en
los ecosistemas y activos naturales y antropogénicos permite la racionalización de la gestión estratégica y operativa
del fuego en un análisis costo-beneficio (es decir, un modelo jerárquico basado en prioridades). Por lo tanto, más
allá de la protección integrada de los valores ecológicos, el análisis actual proporciona el marco para la
determinación de las zonas más adecuadas para todas las actividades productivas (agricultura, turismo, industria,
etc.) minimizando su exposición a los efectos perjudiciales del fuego. En el mismo contexto, la planificación eficaz y
racional del uso del suelo establecerá limitaciones de expansión urbana promoviendo el desarrollo sostenible real
de la región en un entorno más seguro para los seres humanos.
Declaración de interés concurrente

Los autores declaran que no tienen intereses financieros en competencia conocidos o relaciones personales que
podrían haber parecido influir en el trabajo reportado en este artículo.
Reconocimientos
Esta publicación científica tuvo lugar en el marco del proyecto "Grant for Post-Doctoral Research" de la
Universidad de Tesalia, que se está implementando en la Universidad de Tesalia y financiado por la Fundación
Stavros Niarchos.
Además, los autores desean agradecer a Vlachopoulos Konstantinos por sus valiosos consejos sobre el hábitat de las
aves.
Apéndice A. Datos complementarios

Los siguientes son los datos complementarios de este artículo:
Descargar : Descargar documento de Word (2MB)
Componente multimedia 1.
Recommended articles
Referencias
[1] Y. Kim, S. Knowles, J. Manley, V. Radoias
Consecuencias a largo plazo de la contaminación del aire para la salud: evidencia de los
incendios forestales de Indonesia de 1997
Econ. Hum. Biol., 26 (2017), pp. 186-198
Artículo Descargar PDF Ver registro en Scopus Google Académico
[2] P. Mateus, P.M. Fernandes

Incendios forestales en Portugal: dinámicas, causas y políticas
Contexto y políticas forestales en Portugal, Springer, Cham (2014), pp. 97-115
View PDF CrossRef Google Académico
[3] R. Durán-Medraño, E. Varela, D. Garza-Gil, A. Prada, M.X. Vázquez, M. Soliño

Valoración de las pérdidas de biodiversidad terrestre y marina causadas por los incendios
forestales
J. Comportarse. Exper. Econ., 71 (2017), págs. 88-95
[4] J.M. Silveira, J. Louzada, J. Barlow, R. Andrade, L. Mestre, R. Solar, ..., M.A. Cochrane
Una evaluación multitaxón del cambio de biodiversidad después de incendios forestales
únicos y recurrentes en una selva amazónica brasileña
Biotropica, 48 (2) (2016), pp. 170-180
View PDF CrossRef Ver registro en Scopus Google Académico
[5] D. Thomas, D. Butry, S. Gilbert, D. Webb, J. Fung

Los costos y pérdidas de los incendios forestales
Publicación especial del NIST (2017), p. 1215
Ver registro en Scopus Google Académico
[6] H. Abedi Gheshlaghi, B. Feizizadeh, T. Blaschke

Mapeo de riesgos de incendios forestales basado en SIG utilizando el proceso de red analítica
y la lógica difusa
J. Medio Ambiente. Plann. Manag., 63 (3) (2020), págs. 481-499
[7] S. Sakellariou, S. Tampekis, F. Samara, M. Flannigan, D. Jaeger, O. Christopoulou, A. Sfougaris
Determinación del riesgo de incendio para ayudar a la gestión del fuego en zonas insulares:
el caso de una pequeña isla griega
J. Por. Res., 30 (2) (2019), pp. 589-601
[8] S. Sakellariou, P. Cabral, M. Caetano, F. Pla, M. Painho, O. Christopoulou, ..., C. Vasilakos

Fusión de datos por teledetección para el análisis geoestadístico espaciotemporal del peligro
de incendio forestal
Sensores, 20 (17) (2020), p. 5014
[9] D. Tien Bui, K.T.T. Le, V.C. Nguyen, H.D. Le, I. Revhaug
Tropical forest fire susceptibility mapping at the cat Ba national park area, hai phong city,
vietnam, using GIS-based kernel logistic regression
Rem. Sens., 8 (4) (2016), p. 347
View PDF CrossRef Google Scholar
[10] F.J. Alcasena, M. Salis, A.A. Ager, R. Castell, C. Vega-García

Assessing wildland fire risk transmission to communities in northern Spain
Forests, 8 (2) (2017), p. 30
View PDF CrossRef View Record in Scopus Google Scholar
[11] A. Fairbrother, J.G. Turnley

Predicting risks of uncharacteristic wildfires: application of the risk assessment process
For. Ecol. Manag., 211 (1–2) (2005), pp. 28-35
Article Download PDF View Record in Scopus Google Scholar
[12] M.A. Finney

The challenge of quantitative risk analysis for wildland fire
For. Ecol. Manag., 211 (1–2) (2005), pp. 97-108
[13] K. Kalabokidis, P. Palaiologou, E. Gerasopoulos, C. Giannakopoulos, E. Kostopoulou, C. Zerefos

Effect of climate change projections on forest fire behavior and values-at-risk in
southwestern Greece
Forests, 6 (6) (2015), pp. 2214-2240
[14] C. Miller, A.A. Ager

A review of recent advances in risk analysis for wildfire management
Int. J. Wildland Fire, 22 (1) (2013), pp. 1-14
Google Scholar
[15] A.C. Teodoro, L. Duarte

Forest fire risk maps: a GIS open source application–a case study in Northwest of Portugal
Int. J. Geogr. Inf. Sci., 27 (4) (2013), pp. 699-720
[16] M.P. Thompson, J.R. Haas, J.W. Gilbertson-Day, J.H. Scott, P. Langowski, E. Bowne, D.E. Calkin
Development and application of a geospatial wildfire exposure and risk calculation tool
Environ. Model. Software, 63 (2015), pp. 61-72
[17] M.P. Thompson, J.W. Gilbertson-Day, J.H. Scott

Integrating pixel-and polygon-based approaches to wildfire risk assessment: application to a
high-value watershed on the Pike and San Isabel National Forests, Colorado, USA
Environ. Model. Assess., 21 (1) (2016), pp. 1-15
[18] M.A. Cochrane, C.J. Moran, M.C. Wimberly, A.D. Baer, M.A. Finney, K.L. Beckendorf, ..., Z. Zhu
Estimation of wildfire size and risk changes due to fuels treatments
View Record in Scopus Google Scholar
[19] M. Salis, L. Del Giudice, B. Arca, A.A. Ager, F. Alcasena-Urdiroz, O. Lozano, ..., P. Duce
Modeling the effects of different fuel treatment mosaics on wildfire spread and behavior in a
Mediterranean agro-pastoral area
J. Environ. Manag., 212 (2018), pp. 490-505
[20] A.B. Massada, A.D. Syphard, T.J. Hawbaker, S.I. Stewart, V.C. Radeloff
Effects of ignition location models on the burn patterns of simulated wildfires
Environ. Model. Software, 26 (5) (2011), pp. 583-592
Google Scholar
[21] J. Reimer, D.K. Thompson, N. Povak

Measuring initial attack suppression effectiveness through burn probability
Fire, 2 (4) (2019), p. 60
[22] A.A. Ager, C.R. Evers, M.A. Day, H.K. Preisler, A.M. Barros, M. Nielsen-Pincus
Network analysis of wildfire transmission and implications for risk governance
PLoS One, 12 (3) (2017), Article e0172867
[23] J.R. Haas, D.E. Calkin, M.P. Thompson

Wildfire risk transmission in the Colorado front range, USA
Risk Anal., 35 (2) (2015), pp. 226-240
[24] S. Sakellariou, M.A. Parisien, M. Flannigan, X. Wang, B. de Groot, S. Tampekis, ..., O. Christopoulou
Spatial planning of fire-agency stations as a function of wildfire likelihood in Thasos, Greece
Sci. Total Environ., 729 (2020), Article 139004
[25] E. Chuvieco, S. Martínez, M.V. Román, S. Hantson, M.L. Pettinari

Integration of ecological and socio‐economic factors to assess global vulnerability to wildfire
Global Ecol. Biogeogr., 23 (2) (2014), pp. 245-258
[26] I. Mitsopoulos, G. Mallinis, M. Arianoutsou
Wildfire risk assessment in a typical Mediterranean wildland–urban interface of Greece
Environ. Manag., 55 (4) (2015), pp. 900-915
[27] A.D. Syphard, J.E. Keeley, A.B. Massada, T.J. Brennan, V.C. Radeloff
Housing arrangement and location determine the likelihood of housing loss due to wildfire
PLoS One, 7 (3) (2012), Article e33954
[28] G. Mallinis, I. Mitsopoulos, E. Beltran, J. Goldammer

Assessing wildfire risk in cultural heritage properties using high spatial and temporal
resolution satellite imagery and spatially explicit fire simulations: the case of Holy Mount
Athos, Greece
Forests, 7 (2) (2016), p. 46
[29] G. Certini, C. Nocentini, H. Knicker, P. Arfaioli, C. Rumpel

Wildfire effects on soil organic matter quantity and quality in two fire-prone Mediterranean
pine forests
Geoderma, 167 (2011), pp. 148-155
[30] J. Rodríguez, J.A. González-Pérez, A. Turmero, M. Hernández, A.S. Ball, F.J. González-Vila, M.E. Arias
Wildfire effects on the microbial activity and diversity in a Mediterranean forest soil
Catena, 158 (2017), pp. 82-88
[31] L. Ferreira, M.F. Constantino, J.G. Borges, J. Garcia-Gonzalo

Addressing wildfire risk in a landscape-level scheduling model: an application in Portugal
For. Sci., 61 (2) (2015), pp. 266-277
[32] R.S. Allison, J.M. Johnston, G. Craig, S. Jennings

Airborne optical and thermal remote sensing for wildfire detection and monitoring
Sensors, 16 (8) (2016), p. 1310
[33] M.A. Matin, V.S. Chitale, M.S. Murthy, K. Uddin, B. Bajracharya, S. Pradhan
Understanding forest fire patterns and risk in Nepal using remote sensing, geographic
information system and historical fire data
[34] M.C. Valdez, K.T. Chang, C.F. Chen, S.H. Chiang, J.L. Santos
Modelling the spatial variability of wildfire susceptibility in Honduras using remote sensing
and geographical information systems
Geomatics, Nat. Hazards Risk, 8 (2) (2017), pp. 876-892
[35] HSA
Hellenic Statistical Authority
(2018)
Available from:
http://www.statistics.gr/2011-census-pop-hous, Accessed 17th Apr 2018
accessed on
Google Scholar
[36] NCMA
Hellenic Cadastre. Copyright 2012
National Cadastre & Mapping Agency S. A (2012)
Available from:
https://www.ktimatologio.gr/, Accessed 15th Jun 2018
accessed on
Google Scholar
[37] HNMS
Hellenic National Meteorological Service
(2018)
Available from:
http://www.hnms.gr/emy/en/index_html?, Accessed 10th Feb 2018
accessed on
Google Scholar
[38] HFB
Hellenic fire brigade
Fire Events (2018)
Available from:
https://www.fireservice.gr/el_GR/stoicheia-symbanton, Accessed 17th Apr 2018
accessed on
Google Scholar
[39] C. Tymstra, R.W. Bryce, B.M. Wotton, S.W. Taylor, O.B. Armitage
Development and Structure of Prometheus: the Canadian Wildland Fire Growth Simulation
Model. Information Report NOR-X-417. Edmonton (AB): Natural Resources Canada
Canadian Forest Service, Northern Forestry Centre (2010), p. 102
[40] M.-A. Parisien, V.G. Kafka, K.G. Hirsch, B.M. Todd, S.G. Lavoie, P.D. Maczek
Mapping Fire Susceptibility with the Burn-P3 Simulation Model. Natural Resources Canada
Canadian Forest Service, Northern Forestry Centre, Edmonton, Alberta (2005)
Information Report NOR-X-405
Google Scholar
[41] P. Toukiloglou, G. Eftychidis, I. Gitas, M. Tompoulidou

ArcFuel methodology for mapping forest fuels in Europe
First International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2013),
vol. 8795, International Society for Optics and Photonics (2013, August), p. 87951J
[42] FCFDG
Forestry Canada Fire Danger Group. 1992. Development and Structure of the Canadian
Forest Fire Behavior Prediction System
Forestry Canada, Ottawa, ON (1992)
Information Report ST-X-3
Google Scholar
[43] CLMS
Copernicus Land Monitoring Service, 2012. CORINE Land Cover
(2018)
Available from:
https://land.copernicus.eu/pan-european/corine-land-cover, Accessed 22nd Mar 2018
accessed on
Google Scholar
[44] AU
Auburn University. Topography's Effect on Fire Behavior
(2018)
Available from:
http://www.auburn.edu/academic/forestry_wildlife/fire/topos_effect.htm, Accessed 22nd Mar 2018
accessed on
Google Scholar
[45] M.J. Broncano, J. Retana

Topography and forest composition affecting the variability in fire intensity and post-fire
regeneration occurring after a large fire in the Mediterranean basin
[46] L. Holsinger, S.A. Parks, C. Miller

Weather, fuels, and topography impede wildland fire spread in western US landscapes
For. Ecol. Manag., 380 (2016), pp. 59-69
[47] Y. Carmel, S. Paz, F. Jahashan, M. Shoshany

Assessing fire risk using Monte Carlo simulations of fire spread
For. Ecol. Manag., 257 (1) (2009), pp. 370-377
[48] EFFIS
Data and Services (Fire History)
(2018)
Available from:
http://effis.jrc.ec.europa.eu/applications/data-and-services/, Accessed 20th Jun 2018
accessed on
Google Scholar
[49] G. Narayanaraj, M.C. Wimberly

Influences of forest roads on the spatial patterns of human-and lightning-caused wildfire
ignitions
Appl. Geogr., 32 (2) (2012), pp. 878-888
[50] K. Tsagari, G. Karetsos, N. Proutsos

Forest Fires in Western and Central Macedonia, 1983–2005
WWF Hellas and NAGREFIMFE and FPT (2011) (2011)
(In Greek)
Google Scholar
[51] C.E. Van Wagner

Development and Structure of the Canadian Forest Fire Weather Index System
Canadian Forestry Service. Forestry Technical Report 35, Ottawa (1987)
Google Scholar
[52] X. Wang, B.M. Wotton, A.S. Cantin, M.A. Parisien, K. Anderson, B. Moore, M.D. Flannigan
cffdrs: an R package for the Canadian forest fire danger rating system
Ecol. Process., 6 (1) (2017), p. 5
Article Download PDF Google Scholar
[53] WPWFS
Western Partnership for Wildland Fire Science
(2017)
Burn-P3. Burn Probability Model (Burn-P3, Version 4.7, User’s Manual, 2017)
Google Scholar
[54] J. Podur, M. Wotton

Defining fire spread event days for fire-growth modeling
Int. J. Wildland Fire, 20 (2011), pp. 497-507
[55] USDA
Programa de Ciencias del Fuego, Combustible y Humo. Estación de Investigación de las
Montañas Rocosas
(2018)
Disponible en:
http://www.firelab.org/project/windninja, consultado el 13 de septiembre de 2018
accedido el
Google Académico
[56] M.P. Thompson, D.E. Calkin

Incertidumbre y riesgo en la gestión de incendios forestales: una revisión
J. Medio Ambiente. Manag., 92 (8) (2011), págs. 1895-1909
[57] M.P. Thompson, D.E. Calkin, M.A. Finney, A.A. Ager, J.W. Gilbertson-Day
Evaluación integrada a escala nacional del riesgo de incendios forestales para los valores
humanos y ecológicos
Stoch. Medio ambiente. Res. Risk Assess., 25 (6) (2011), págs. 761-780
[58] M.P. Thompson, D.E. Calkin, J.W. Gilbertson-Day, A.A. Ager

Análisis de efectos avanzados para una evaluación integrada del riesgo de incendios
forestales a gran escala
Medio ambiente. Monit. Assess., 179 (1-4) (2011), págs. 217-239
[59] Esm
Mapa europeo de asentamientos (Copérnico)
(2017)
Disponible en:
https://land.copernicus.eu/pan-european/GHSL/european-settlement-map, Consultado el 20 de junio de
2018
accedido el2017
Google Académico
[60] EC
Comisión Europea. La Directiva sobre las aves
(2021)
Disponible en:
https://ec.europa.eu/environment/nature/legislation/birdsdirective/index_en.htm, consultado el 20 de
junio de 2021
accedido el
Google Académico
[61] HMEE
Ministerio Helénico de Medio Ambiente y Energía. Áreas Especialmente Protegidas –
Caracterización de Especies
(2021)
Disponible en:
https://ypen.gov.gr/wp-
content/uploads/legacy/Files/Perivallon/Diaxeirisi%20Fysikoy%20Perivallontos/Evropaiko%20Oikologiko
%20Diktyo%20NATURA%202000/20200324_zones_prostasias_natura.pdf, Consultado el 10 de junio de
2021
accedido el
Google Académico
[62] D.E. Calkin, A.A. Ager, J. Gilbertson-Day

Riesgo y peligro de incendio forestal: Procedimientos para la primera aproximación. RMRS-GTR-235, vol.
62, Departamento de Agricultura de los Estados Unidos, Servicio Forestal, Estación de Investigación de las
Montañas Rocosas, Fort Collins, CO (2010), p. 235
Ver registro en Scopus
[63] M. Conedera, M. Tonini, L. Oleggini, C.V. Orozco, M. Leuenberger, G.B. Pezzatti

Enfoque geoespacial para definir la interfaz salvaje-urbana en el entorno alpino
Informática. Medio ambiente. Urban Syst., 52 (2015), págs. 10-20
[64] C. Lampin-Maillet, M. Jappiot, M. Long, D. Morge, J.P. Ferrier

Characterization and mapping of dwelling types for forest fire prevention
Comput. Environ. Urban Syst., 33 (3) (2009), pp. 224-232
S. Sakellariou, F. Samara, S. Tampekis, A. Sfougaris, O. Christopoulou
[65]
Development of a Spatial Decision Support System (SDSS) for the active forest-urban fires
management through location planning of mobile fire units
Environ. Hazards, 19 (2) (2020), pp. 131-151
[66] S. Sakellariou, A. Sfougaris, O. Christopoulou

Location Planning of Fire Service Fleet Based on Forest Fire Susceptibility, vol. 16, WSEAS Transactions on
Environment and Development (2020), pp. 643-648
View PDF CrossRef View Record in Scopus
[67] C.B. McFayden, D. Boychuk, D.G. Woolford, M.J. Wheatley, L. Johnston

Impacts of wildland fire effects on resources and assets through expert elicitation to support
fire response decisions
[68] J.D. Cohen

Prevención de desastres: inflamabilidad del hogar en la interfaz urbano-silvestre
J. For., 98 (3) (2000), págs. 15 a 21
[69] V.C. Radeloff, D.P. Helmers, H.A. Kramer, M.H. Mockrin, P.M. Alexandre, A. Bar-Massada, ..., S.I. Stewart
El rápido crecimiento de la interfaz urbano-silvestre de los Estados Unidos aumenta el riesgo
de incendios forestales
Proc. Natl. Acad. Sci. USA, 115 (13) (2018), págs. 3314-3319
[70] M. Bordt
Discursos en contabilidad de ecosistemas: una encuesta a la comunidad de expertos
Ecol. Econ., 144 (2018), págs. 82-99
[71] J. Temel, A. Jones, N. Jones, L. Balint

Límites de la monetización en la protección de los servicios de los ecosistemas
Conservar. Biol., 32 (5) (2018), págs. 1048-1062
[72] T.J. Venn, D.E. Calkin

Acomodar los valores no de mercado en la evaluación del manejo de incendios forestales en
los Estados Unidos: desafíos y oportunidades
Int. J. Wildland Fire, 20 (3) (2011), págs. 327-339
[73] S. Albanesi, S. Dardanelli, L.M. Bellis

Efectos de la perturbación del fuego en las comunidades de aves y especies del bosque
serrano de montaña en el centro de Argentina
J. Por. Res., 19 (1) (2014), pp. 105-114
[74] A. Benali, A.R. Ervilha, A.C. Sá, P.M. Fernandes, R.M. Pinto, R.M. Trigo, J.M. Pereira
Descifrar el impacto de la incertidumbre en la precisión de las simulaciones de propagación
de grandes incendios forestales
Sci. Total Environ., 569 (2016), pp. 73-85
[75] R.E. Keane, E. Karau

Evaluación de los beneficios ecológicos de los incendios forestales mediante la integración de
modelos de simulación de incendios y ecosistemas
Ecol. Modelo., 221 (8) (2010), pp. 1162-1172
[76] K. Riley, M. Thompson

Un análisis de incertidumbre del modelado de incendios forestales. Evaluación de la
incertidumbre de los peligros naturales: modelización y apoyo a la toma de decisiones
Monografía, 223 (2017), pp. 193-213
Google Académico
[77] C.J. Dunn, C. D O'Connor, J. Abrams, M.P. Thompson, D.E. Calkin, J.D. Johnston, ..., J. Gilbertson-Day
La ciencia del riesgo de incendios forestales facilita la adaptación de los sistemas
socioecológicos propensos a los incendios a la nueva realidad del fuego
Medio ambiente. Lett., 15 (2) (2020), Artículo 025001
[78] J.R. Molina, R. Moreno, M. Castillo, F.R. y Silva

Susceptibilidad económica de paisajes propensos a incendios en áreas naturales protegidas
del sur de la Cordillera de los Andes
Sci. Total Environ., 619 (2018), pp. 1557-1565
Citado por (0)
Resiliencia territorial a través del análisis de visibilidad para la detección inmediata de incendios
forestales que integran la susceptibilidad al fuego, las características geográficas y los métodos de
optimización
2022, Revista Internacional de Ciencia del Riesgo de Desastres
1 Vale la pena mencionar que los expertos coinciden principalmente con respecto a los impactos estimados de los incendios en los
ecosistemas naturales (es decir, en todos los tipos de bosques, incluidos los pastizales naturales y los campos agrícolas), pero la
desviación más alta (desviación estándar ∼ 30%) se ha observado en los impactos en las entidades artificiales (áreas urbanas;
redes eléctricas). Esto podría deberse a una mayor incertidumbre con respecto a los tipos de viviendas (por ejemplo, materiales de
construcción) y el entorno circundante (por ejemplo, tejido urbano discontinuo; interfaz urbana de tierras silvestres; viviendas
aisladas en áreas boscosas) para cada región.
Ver resumen
© 2022 Elsevier Ltd. Todos los derechos reservados.

Copyright © 2022 Elsevier B.V. o sus licenciantes o colaboradores.
ScienceDirect® is a registered trademark of Elsevier B.V.

Integrated Wildfire Risk Assessment of Natural and Anthropogenic (Español)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Integrated Wildfire Risk Assessment of Natural and Anthropogenic (Español)

Uploaded by

Copyright:

Available Formats

Revista Internacional de Reducción del Riesgo de

Evaluación integrada del riesgo de incendios forestales de los ecosistemas

Outline Compartir Cite

https://doi.org/10.1016/j.ijdrr.2022.103129 Obtener derechos y contenido

• Estimación de la respuesta de los recursos a los niveles de intensidad de incendio a

• Estimación de un índice espacial de cambio de valor neto para recursos naturales y

• La fusión de datos por teledetección mejora la credibilidad y la fiabilidad del

Artículo anterior Siguiente

2.1. Área de estudio

2.3.1. Modelización de simulación de incendios forestales

2.3.1.1. Módulo de entradas geoespaciales

2.3.1.2. Módulo de encendido contra incendios

donde x es igual al número anual de igniciones de incendios.

2.3.1.3. Módulo de condiciones de combustión

Para considerar completamente la variabilidad de las condiciones climáticas, necesitábamos un número

2.3.1.4. Módulo de crecimiento de incendios

2.3.1.6. Outputs – calibration

2.3.2. Análisis de los efectos de los incendios forestales

2.3.2.1. Cartografía de los recursos naturales y antropogénicos

Un elemento crítico más de la metodología es la estimación de la respuesta de cada recurso (natural y

Recursos/Infraestructura Baja intensidad Intensidad de fuego Alta intensidad Intensidad de fuego

0–20 Kw/m 20–40 Kw/m 40–100 Kw/m >100 Kw/m

Variación porcentual estimada por nivel de intensidad de incendio

Bosques de coníferas +30 −20 −70 −90

Bosques de hoja ancha 0 −20 −50 −70

Bosques mixtos +10 −20 −50 −80

Vegetación esclerófila – arbustos +10 0 −20 −50

Pastizales naturales +30 +20 −10 −60

Campos agrícolas −20 −40 −60 −80

0–20 Kw/m 20–40 Kw/m 40–100 Kw/m >100 Kw/m

Áreas urbanizadas −30 −50 −70 −90

Lugares religiosos/históricos −20 −40 −70 −90

Redes eléctricas y fuentes de 0 −20 −70 −90

Hábitat de las aves +10 −20 −60 −80

3.1. Resultados de la modelización de simulación de incendios forestales

Figura 2. a) Mapa de probabilidad de quemaduras, b) Mapa de intensidad de incendios.

3.2. Análisis de los efectos de los incendios forestales

Tabla 2. Cambio total Equivalente para los recursos e infraestructura de Calcídica.

Recursos/Infraestructura Superficie (ha) Cambio total equivalente (ha) % Beneficio/Pérdida

Bosques de coníferas 12,837 −54.598 −0,4253

Bosques de hoja ancha 54,550 −147.248 −0,2699

Bosques mixtos 21,408 −100.038 −0.4673

Vegetación esclerófila – arbustos 63,793 −258.516 −0.4052

Pastizales naturales 1180 −1.766 −0.1497

Campos agrícolas 120,481 −230.771 −0.1915

Áreas urbanizadas 2083 −8.873 −0.4259

Sitios religiosos e históricos 65 −0.031 −0.0470

Redes eléctricas y fuentes de energía renovables 3287 −15.615 −0.4751

Hábitat de las aves 184,031 −382.299 −0.2077

Suma −1199.755 −3.0646

Suma sin hábitat de aves −817.455 −2.857

Declaración de interés concurrente

Apéndice A. Datos complementarios

Descargar : Descargar documento de Word (2MB)

[2] P. Mateus, P.M. Fernandes

[3] R. Durán-Medraño, E. Varela, D. Garza-Gil, A. Prada, M.X. Vázquez, M. Soliño

[5] D. Thomas, D. Butry, S. Gilbert, D. Webb, J. Fung

[6] H. Abedi Gheshlaghi, B. Feizizadeh, T. Blaschke

[8] S. Sakellariou, P. Cabral, M. Caetano, F. Pla, M. Painho, O. Christopoulou, ..., C. Vasilakos

[10] F.J. Alcasena, M. Salis, A.A. Ager, R. Castell, C. Vega-García

[11] A. Fairbrother, J.G. Turnley

[12] M.A. Finney

[13] K. Kalabokidis, P. Palaiologou, E. Gerasopoulos, C. Giannakopoulos, E. Kostopoulou, C. Zerefos