Elaboración de modelos espaciales predictivos de ocurrencia de incendios forestales asociada a la actividad humana
Bibliographic record
Abstract
Los incendios forestales son un fenómeno de gran importancia a nivel global, con importantes consecuencias a todos los niveles (ecológico, económico, social, etc.). En los ambientes mediterráneos han estado ligados a lo largo de la historia al manejo del territorio, aunque el equilibrio se ha roto en las últimas décadas. En estas áreas, la mayor parte de los incendios obedecen a causas humanas. Para llevar a cabo unas buenas labores de prevención resulta de utilidad contar con sistemas de predicción de riesgo de incendio. Es necesario, para ello, contar con información adecuada acerca del fenómeno. El objetivo principal desarrollado en esta tesis ha sido la elaboración de modelos predictivos de ocurrencia de incendios asociada a la actividad humana, los cuales han formado parte de un índice integrado de riesgo de incendio forestal a disposición de gestores en materia de incendios, en el marco del proyecto Firemap. Las áreas de estudio han sido la C. de Madrid, Aragón, C. Valenciana y provincia de Huelva en España. Los modelos se han elaborado a partir de variables de tipo socioeconómico y de ocurrencia de incendios por causa humana, mediante el empleo de regresión logística y a una resolución de 1km2. Para la elaboración y manejo de la información espacial requerida se han empleado Sistemas de Información Geográfica. Estos modelos se han comparado con otros obtenidos a partir de otras técnicas estadísticas (Árboles de Clasificación y Redes Neuronales). A continuación, se ha procedido al empleo de información de ocurrencia de incendios espacialmente más precisa para la obtención de nuevos resultados en la C. de Madrid. Los nuevos modelos se ajustaban mejor a la realidad territorial del fenómeno. A continuación, en dicha área (en la que se contaba con más información disponible), se han elaborado modelos que incluyen la componente temporal y física para la predicción de incendios por causa humana. Para ello, se han empleado Generalized Additive Models, extensión de los modelos lineales generales a los que pertenece la regresión logística, y variables socioeconómicas y meteorológicas junto con la elevación del terreno. Los resultados obtenidos muestran un grado de ajuste satisfactorio a partir del empleo de una variable de ocurrencia de incendios más precisa espacialmente y la inclusión de variables de tipo dinámico. Finalmente, los modelos de ocurrencia por causa humana se han integrado con los de causa rayo, comparando dos áreas de estudio de diferente causalidad de incendio, C. de Madrid y Aragón. Los resultados obtenidos señalan la necesidad de contar con información precisa de la localización del origen de los incendios pero señalan la importancia en el desarrollo metodológico para integrar ambos modelos predictivos. La elaboración de modelos predictivos de incendios forestales resulta de gran interés debido a que es la causa principal de incendios, siendo difícil debido a que el comportamiento humano es difícil de predecir y modelizar. El empleo de Sistemas de Información Geográfica constituye una herramienta fundamental para el manejo de la información espacial.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".