MODELANDO EL RIESGO DE INCENDIOS EN ARGENTINA – UNA CONTRIBUCIÓN A LAS POLÍTICAS DE MANEJO DEL FUEGO

Verónica Caride

doi:10.56503/rimf/Vol.2(2022)p.17-33

Verónica Caride Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Universidad Nacional de Formosa (UNaF)

DOI: https://doi.org/10.56503/rimf/Vol.2(2022)p.17-33

Palabras clave: Manejo del fuego. Riesgo de incendios. Políticas de gestión ambiental. Servicios eco-sistémicos. Argentina. Cambio climático.

Resumen

Según FAO (2021), el 90% de los incendios son explicados por causas humanas. Resulta por tanto fundamental incluir en los sistemas de evaluación de peligro y alerta temprana de incendios forestales y rurales factores antrópicos. Si bien la Argentina posee un sistema de evaluación de peligro y alerta temprana de incendios forestales y rurales basado en el sistema canadiense, sólo estima 1 de sus 3 componentes, el Índice climático del fuego o FWI por sus siglas en inglés (Fire Weather Index). El sistema nacional omite el componente de predicción de ocurrencia, más conocido como FOP por sus siglas en inglés (Fire Occurrence Prediction), basado en variables antrópicas. Este artículo presenta un modelo econométrico de ocurrencia de incendios para Argentina, incorporando información antrópica a nivel departamental y controlando por variables meteorológicas. El objetivo es generar información que permita desarrollar un sistema que garantice la eficacia y eficiencia en el manejo del fuego. Los resultados alcanzados nos indican que la actividad ganadera, las variables vinculadas a la calidad de vida, la densidad poblacional y la infraestructura vial tienen un impacto significativo sobre la ocurrencia de incendios. Como conclusión se puede afirmar que se recomienda para Argentina que las políticas públicas de manejo del fuego se focalicen en incorporar estrategias de prevención a partir de una mayor concientización y control de los incendios realizados en los establecimientos ganaderos y en aquellas zonas aledañas a los centros poblacionales y accesos viales, así como en mejorar la calidad de vida de las poblaciones rurales.

Citas

Anselin L. (Ed.) (1988). Spatial Econometrics: Methods and Models. Departments of Geography and Economics, University of California, Santa Barbara
Arndt N. et al. (2013). Modeling human-caused forest fire ingnition for assessing forest fire danger in Austria. Forest – Biogeosciences and Forestry, 6, 315-325.
Chuvieco E et al. (2010). Development of a framework for fire risk assessment using remote sensing and geographic information system technologies. Ecological Modelling, 221, 46–58.
doi:10.1016/J.ECOLMODEL.2008.11.017
Costafreda-Aumedes S., Comas C. y Vega-García C. (2017). Human-caused fire occurrence modelling in perspective: a review. International Journal of Wildland Fire, 26, 983-998.
Egolf P. (2017). Estudio econométrico sobre incendios forestales e incentivos económicos a partir de la ley de bosques en Argentina, Tesis de Maestría Universidad del CEMA. Doi:
http://hdl.handle.net/20.500.12123/1789
Elhost P. J. (Ed.) (2014). Spatial Econometrics From Cross-Sectional Data to Spatial Panels. Springer
Gujarati D. N. y Porter D.C. (Ed.) (2010). Econometría, Quinta Edición. Mc Graw Hill, México.
Herrera M. (2016). Econometría espacial usando STATA. Teoría y aplicaciones. CONICET-IELDE, Universidad Nacional de Salta.
Jennings Ch. (1999). Socioeconomic Characteristics and their Relationship to Fire Inceidence: A Review of Literature. Fire Technology, 35, (1).
Li Jin, Heap Andrew D. (2011). A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors. Ecological Informatics, 6, 228-241
Li W. et al. (2021). Prediction And Evaluation of Forest Fire In Yunnan of China Based On Geographically Weighted Logistic Regression Model. Research Square
Liu Y, Stanturf J, Goodrick S (2010) Trends in global wildfire potential in a changing climate. Forest Ecology and Management 259, 685–697.
López A.S. et al. (2008). Integration of socio-eonomic and environmental variables for modelling long-term fire danger in Sothern Europe. European Journal of Forest Research, 127, 149–163.
Lovelace R., Nowosad J. y Muenchow J. (2019). Geocomputation with R. Chapman & Hall, CRC Press.
Mancini L. D., Corona P. y Salvati L. (2018). Ranking the importance of Wildfires´ human drivers through a multi-model regression approach. Environmental Impact Assessment Review, 72, 177-186.
Martínez J., Chuvieco E. y Koutsias N. (2013). Modelling long-term fire occurrence factors in Spain by accounting for local variations with geographically weighted regression. Natural Hazards and Earth System Sciences, 13, 311–327.
Martínez J., Chuvieco E. y Martín P. (2004). Estuation of Risk Factors of Human Ignition of Fires in Spain by Means of Logistic Regression. Symposium on Fire Economics, Planning and Policy: A Global View.
Morello T.F. et al. (2020). Predicting fires for policy making: Improving accuracy of fire brigade allocation in the Brazilian Amazon. Ecological Economics, 169, 1-14.
Moritz MA, Parisien M-A, Batllori E, Krawchuck MA, van Dorn J, Ganz DJ, Hayhoe K (2012). Climate change and disruptions to global fire activity. Ecosphere 3, 1–22.
Plucinski M. P. (2012). A Review of Wildfire Occurence Research. CSIRO Ecosystem Science and CSIRO Climate Adaptation Flagship.
Rodrigues M., de la Riva J. y Fotheringham S. (2014). Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression. Applied Geography, 48, 52-63.
Sánchez S. et al. (2022). Determinación de regímenes de incendios y sequías usando información satelital y meteorológica para Córdoba, Argentina. Agriscientia, 39, (1): 1-13.
Secretaría de Ambiente y Desarrollo Sustentable de Argentina, Programa Nacional de Evaluación de Peligro de Incendios y Alerta Temprana. (2012). Sistema de Evaluación de Peligro de Incendios, Informe Técnicos N 1 del, Plan Nacional de Manejo del Fuego. Recuperado de
https://www.argentina.gob.ar/sites/default/files/ambiente-itn1_pnmf.pdf
Taylor S., Woolford D. y Martell D. (2013). Wildfire Prediction to Inform Management: Statistical Science Challenges. Statistical Science, 28 (4), 586-615.
Vilar del Hoyo L., Martín Isabel M. P. y Martínez Vega F. J. (2011). Logistic regression models for human-caused wildfire risk estimation: analyzing the effect of the spatial accuracy in the fire occurrence data. European Journal of Forest Research, 130, 983-996.
Woolford D.G. et al. (2020). The development and implementation of a human-caused wildland fire occurrence prediction system for the province of Ontario, Canada. Canadian Journal of Forest Research, 51, 303–325.
Wotton BM, Nock CA, Flannigan MD (2010) Forest fire occurrence and climate change in Canada. International Journal of Wildland Fire, 19, 253–271. doi:10.1071/WF09002
Xi D., Taylor S., Woolford D. y Dean C. (2019). Statistical Modelos of Key Components of Wildfire Risk. Annual Review of Statistics and Its Application, 6:197-222.