Modelaje del peligro de incendio forestal en las zonas afectadas por el huracán Dean

Modeling forest fire danger in the zones affected by hurricane Dean

Dante A. Rodríguez–Trejo¹*, Hubert Tchikoué¹, Carlos Cíntora–González¹, Rafael Contreras–Aguado², Alfonso de la Rosa–Vázquez³

¹ División de Ciencias Forestales, Universidad Autónoma Chapingo. 56230. Km. 38.5 Carretera México–Texcoco, Chapingo, Estado de México. *Autor responsable: (dantearturo@yahoo.com) (tchikoue@hotmail.com) (c_c_glz@yahoo.com).

² Consultora Forestal. 77028. Donato Guerra 32. Fraccionamiento Plutarco Elias Calles. Chetumal, Quintana Roo. (rcontreag@yahoo.com).

Recibido: diciembre, 2010.
Aprobado: junio, 2011.

Resumen

Las selvas afectadas por huracanes acumulan grandes cargas de combustibles forestales en corto de tiempo, que junto con el mal uso local del fuego y la sensibilidad de los bosques tropicales, las hacen vulnerables a la ocurrencia de incendios catastróficos. En 2007 el Huracán Dean afectó las selvas de Quintana Roo, Campeche y Yucatán. Con el propósito de generar información útil para formular planes de manejo del fuego en la región por las autoridades estatales y federales, los objetivos de este estudio fueron estimar las cargas de combustibles forestales generadas por el paso del huracán, modelar el peligro de incendio e identificar áreas prioritarias de protección. Se muestrearon 165 conglomerados en Quintana Roo, Campeche y Yucatán, en 2007. El peligro de incendio combinó riesgo (perímetro de áreas agropecuarias) y peligro de incendio forestal (carga de combustibles). Las estimaciones espaciales se hicieron usando modelos multivariados (kriging), con las que se elaboraron mapas en un sistema de información geográfica (SIG). La moda para cargas fue 40–60 Mg ha^–1, la media 40 Mg ha^–1 y el máximo 137 Mg ha^–1. En total 992 000 ha tuvieron peligro muy alto–extremo. Los mayores impactos fueron al este de Quintana Roo y se redujeron hacia el oeste, conforme el huracán perdió fuerza por la fricción con la tierra.

Palabras clave: disturbios, fuego, selvas.

Abstract

Key words: disturbances, fire, tropical forests.

INTRODUCCIÓN

Históricamente los combustibles generados por huracanes aumentan el peligro de incendio, como ha sucedido con los huracanes Carmen (en 1974), Gilberto (en 1988), Roxanne (en 1995), Emily y Wilma (en 2005) (CONAFOR, 2006)^[*]. A pesar de ser comunes y del extenso efecto que con frecuencia originan estos meteoros, su impacto ha sido poco estudiado.

La interacción entre huracanes e incendios forestales en los bosques tropicales ocurre desde hace millones de años (López et al., 1990; Myers y van Lear, 1998). Si se agrega el efecto de factores antrópicos, como el cambio de uso del suelo y el mal uso del fuego, resulta deforestación y fragmentación en los bosques tropicales, sensibles al fuego. Asi, Rodriguez et al. (2008) anotan que la superficie de áreas perturbadas o el apoyo financiero al productor agropecuario, entre otros factores, se correlacionan con la superficie afectada por incendios en México.

El 21 de agosto de 2007 el huracán Dean arribó a la costa de Quintana Roo y se dirigió al oeste con una velocidad de 260 km h^–1 y rachas de hasta 315 km h^–1. El meteoro damnificó a la población, incrementó el peligro de incendio, afectó las existencias maderables, los avances en ordenamiento y manejo forestal, proyectos ecoturisticos, plantaciones comerciales, infraestructura de caminos y aserraderos (CONAFOR–SEMARNAT, 2007)^[**]. Las selvas resguardan gran parte de la biodiversidad mundial y de México (Challenger y Soberón, 2008), pero el paso del huracán, el peligro de incendio derivado del mismo y la sensibilidad de estos ecosistemas al fuego, amenazan tal biodiversidad.

El peligro de incendio forestal es resultado de factores constantes y variables que afectan el inicio, la propagación y la dificultad de su control. Entre tales factores destacan topografia, carga de combustibles y tiempo atmosférico (Chandler et al., 1983). La topografia es sensiblemente plana en Quintana Roo, por lo que se consideró que su efecto es relativamente uniforme y no se tomó en cuenta. El huracán Dean produjo distintas acumulaciones de combustibles forestales a lo largo y ancho del área afectada, y su carga si fue contemplada. Muchos indices emplean variables meteorológicas, pero otros no (Pyne et al., 1996). En el presente estudio no se incluyeron dichas variables, pero si las relativas a actividades agropecuarias (43 % de las causas de incendio en México).

Para estimar el peligro de incendio forestal, se integra los factores de peligro elegidos en uno o más indices numéricos o cualitativos relacionados con la necesidad de protección (Chandler et al., 1983). La investigación sobre estimación de peligro de incendio en áreas tropicales afectadas por huracanes es muy escasa. En el Amazonas, Maeda et al. (2011) utilizaron análisis vectorial para estimar el riesgo de incendio forestal con las variables áreas agricolas y bosque con diferentes niveles de perturbación, o con variables de uso del suelo y su dinámica de cambio, empleando redes neuronales artificiales (Maeda et al., 2009). Para estimar el peligro de incendio en áreas templadas de la Sierra Madre Oriental, México, Muñoz et al. (2005) integraron variables de carga de combustibles forestales, meteorológicas y antrópicas usando análisis espacial multicriterio. En zonas templadas de Nueva Inglaterra (EE.UU.), la elevada carga de combustibles acumulada tras el paso de huracanes es el principal factor que incrementa el peligro de incendio (Uriarte y Papaik, 2007).

Por lo anterior, los objetivos del presente estudio fueron: 1) determinar la disposición espacial y patrones de distribución de cargas de combustibles forestales producto del Huracán Dean, 2) evaluar el peligro de incendio, y 3) determinar áreas de protección prioritaria y elaborar la cartografia respectiva. La hipótesis fue que el peligro de incendio forestal aumenta con la carga de combustibles forestales y con el número de áreas agricolas o su superficie o su perimetro, asi como con la densidad o la longitud de caminos.

MATERIALES Y MÉTODOS

Área de estudio y muestreo de combustibles

El área de trabajo incluyó el centro y sur de Quintana Roo, el este de Campeche y el sur de Yucatán (Figura 1) y el muestreo se hizo al azar, por conglomerados, en el 2007. Cada conglomerado estuvo compuesto por tres lineas principales para muestreo de combustibles leñosos, según Brown (1974), orientadas a 0, 120 y 240° de azimut, y dos cuadros de 0.3×0.3 m para hojarasca y capa de fermentación (Flores et al., 2008).

Las lineas de muestreo tuvieron 14 m de longitud y se dividieron en cuatro segmentos para medir diferentes tipos de combustible, según el tiempo de retardo (TR) de los combustibles leñosos: 3.5 m (TR=1 h y TR=10 h), 7 m

(TR= 100 h) y 14 m (TR= 1000 h). Las muestras de hojarasca y capa de fermentación se recolectaron, se secaron en laboratorio y se calculó su carga. Se muestrearon 165 conglomerados: 330 sitios para hojarasca y capa de fermentación y 1980 lineas para combustibles leñosos. La intensidad de muestreo correspondió a una linea para muestreo de combustibles leñosos por cada 2803 ha. El centro de cada conglomerado fue georreferenciado con un geoposicionador (GPS). La muestra se distribuyó sobre 1 400 000 ha, obteniendo 81, 33 y 41 conglomerados en áreas de afectación alta, media y baja, más 10 colindantes con el área afectada. Los niveles de afectación fueron determinados por CONAFOR–SEMARNAT (2007)^[**], según el impacto en la cobertura de copas mediante recorridos aéreos: afectación baja cuando la cobertura se redujo en 30 % o menos, media con 30.1–60 % y alta con >60 %. Las clases de cargas de combustibles forestales establecidas fueron: <20, 20–39.9, 40–59.9, 60–79.9, 80–99.9 y >100 Mg ha^–1.

Índice de peligro de incendio forestal (IPIF)

El modelo de peligro de incendio forestal fue definido por un componente de riesgo (factores que causan el fuego) y otro de peligro (los que facilitan su inicio y desarrollo). Dado que las actividades agropecuarias son la causa más importante de incendios forestales en el área de estudio (CONAFOR, 2009)^[***] y que en Chiapas hay relación entre la superficie afectada por el fuego y la densidad de caminos (Cuesta y Martinez, 2006), se eligieron las variables para el componente de riesgo (Cuadro 1). Estas variables se usaron porque con un mayor número de terrenos agropecuarios, área o perimetro, seria más probable que alguna quema agropecuaria escape hacia la selva. En el caso de los caminos, es lógico que un mayor acceso aumente la probabilidad de incendios por fogatas, colillas, quema de derechos de via o por intención.

Las variables del Cuadro 1 se observaron en cartografia digital de usos del suelo de INEGI (2004) en cuadros de 5×5 km (2500 ha), cuyo centro correspondió a las coordenadas de los conglomerados muestreados. Además se contabilizó el número de puntos de calor diurnos por año y el total de puntos de calor para el periodo 2003–2007, dentro de los cuadros, a partir de una cartografia digital (formato shapefile) proporcionada directamente por la Comisión Nacional para la Biodiversidad (CONABIO).

La presencia/ausencia de puntos de calor en los cuadros referidos y las demás variables consideradas permitieron correr modelos logisticos (Hosmer y Lemeshow, 2000) con el procedimiento Logistic del programa SAS para microcomputadoras (v. 9.0) (SAS Institute, 2002), para obtener probabilidad de ocurrencia de incendio (P) y elegir los modelos significativos. Tal probabilidad no es predictiva, pero relaciona estadisticamente las áreas de mayor ocurrencia de 2003 a 2007 con las variables explicatorias elegidas. Después de correr pruebas con las variables y sus combinaciones, se obtuvo la siguiente expresión con el perímetro de áreas agropecuarias (X₁, en km), la única variable que resultó significativa (componente de riesgo):

El modelo fue significativo (p<0.0001), al igual que el intercepto y la variable explicatoria (p = 0.0228 y p<0.0001). Razón de momios = 1.23, intervalo de confianza (al 95 %) de 1.14 a 1.34, concordancia = 89.8 % (Figura 2).

Para el componente de peligro (Pe), de manera empirica se tomó en cuenta la proporción que la carga de un conglomerado dado representa con respecto a la carga máxima de combustibles:

donde, C = carga total de combustibles en el conglomerado×(Mg ha^–1); CM = carga máxima hallada en el muestreo (Mg ha^–1).

Si bien los combustibles ligeros tienden a gobernar el comportamiento del fuego, también es cierto que se descomponen rápidamente, y su aumento originado por el huracán durará poco tiempo. En cambio, la carga total es más representativa de la acumulación de combustibles a lo largo de varios años, pues la madera tarda más en descomponerse. Para que el indice de peligro de incendios sea válido durante varios años, se usó la carga total de combustibles en su estimación.

El peligro de incendio forestal (PI) propuesto se estableció como un promedio del componente de riesgo (P) y del componente de peligro (Pe):

donde, Máx PI = máximo peligro de incendio registrado.

Las clases del IPIF consideradas fueron: bajo (< 40), medio–bajo (40–49.9), medio (50–59.9), alto (60–69.9), muy alto (7079.9) y extremo (>80). En la definición de estas clases influyeron los valores minimo y máximo de IPIF obtenidos, asi como el número de categorias de peligro que usa el sistema canadiense (Van Wagner y Picket, 1985; Arnaldos et al., 2004).

Para definir las áreas prioritarias de protección se consideró el valor del peligro de incendio, además de variables subjetivas tipicas en la literatura (Pyne et al., 1996) para determinar este tipo de áreas, en este caso: la presencia de asentamientos humanos dentro del cuadro de 5×5 km (debido al peligro que puede representar el fuego para las poblaciones), áreas bajo aprovechamiento forestal (muchas de las zonas afectadas por el huracán estaban bajo aprovechamiento) y reservas de la biosfera (por su relevancia para la conservación de la biodiversidad).

Análisis espacial y elaboración de mapas

Para modelar el comportamiento de la carga de combustibles y del indice de peligro de incendio forestal, se efectuó un análisis estadistico espacial usando las coordenadas de cada sitio de muestreo, asi como varias respuestas asociadas a cada sitio. Se consideró de interés la predicción de la variable respuesta de interés, en puntos no muestreados, mediante la técnica geoestadistica de krigado (kriging) (Cressie, 1993; Ripley, 1981). La razón de usar esta técnica y no métodos elementales como distancia inversa o alguna de sus variantes, es que el krigado es un método de predicción óptima con sustento teórico sólido (Cressie, 1993), que permite efectuar predicciones de la respuesta en puntos no observados, asi como estudiar el posible efecto de covariables sobre tales predicciones.

El análisis espacial preliminar consideró un análisis del variograma, definido por 2γ (h) = Var (Z (s + h)), donde s es el punto asociado a coordenadas espaciales dadas y h es un vector que representa un punto especifico en el espacio de interés. Para seleccionar un semi–variograma teórico, γ (h), que representara la tendencia muestral, se analizó el semivariograma empirico robusto (Cressie, 1993), el cual se calculó con base en los datos observados. A partir de tal información se eligió el semivariograma exponencial como modelo teórico.

En la expresión anterior θ_j y α son parámetros, j = 1,2 y la variable respuesta es el valor del semi–variograma empirico; la estimación de los parámetros del semi–variograma teórico se efectuó mediante minimos cuadrados no lineales.

Para el presente caso, la variable respuesta de interés, digamos Z, representa una de dos variables especificas: el indice de peligro calculado para el sitio con longitud X y latitud Y, o bien la carga total de combustibles correspondiente a tal sitio. Usando como respuesta los valores del indice de peligro, se obtuvieron las estimaciones ₀=159.6, ₁ = 93.41 y = 2.798 , pseudo–R² = 0.92. Para decidir si existia componente de tendencia en los valores del indice, y la subsecuente necesidad de eliminar tal componente de tendencia se estimó un modelo de regresión cuadrático en las coordenadas, usando el indice de peligro como variable respuesta. Los resultados muestran que no existe efecto de tendencia significativo para tales datos ( = 0.72) por lo que se efectuó un krigado ordinario. El error estándar residual, obtenido de la estimación asumiendo un proceso estocástico Gausiano estacionario de segundo orden, fue 2.052 unidades del indice.

Con respecto a la variable carga total, el semi–variograma teórico sugerido por los datos también fue el exponencial; en este caso las estimaciones fueron ₀= 435.2, ₁ = 989.5, = 8.2506 y pseudo–R² = 0.94. El efecto de tendencia en las coordenadas fue no significativo (= 0.84), y debido a esto también se utilizó un krigado ordinario para predecir esta variable respuesta. El error estándar residual obtenido de la estimación fue 3.04 unidades de carga total.

Aunque en ocasiones se realizan particiones del conjunto de observaciones y con base en éstas se hacen predicciones que permiten la validación cruzada, aún hay controversia de la validez de tales técnicas bajo algunas estructuras de auto–correlación (Cressie, 1993). Asi, en este caso se consideraron criterios suficientes la optimalidad predictiva del krigado y el ajuste satisfactorio de los semi–varigramas muestrales. Las Figuras 3 y 4 muestran los semivariogramas estimados.

Las estimaciones requeridas se efectuaron usando funciones escritas por el usuario en el programa S–Plus y usando el módulo Spatial Statistics V 1.5 (Insightful Corporation, 2002). La sistematización de datos de los sitios de muestreo se realizó con el SIG Arc View (v. 3.2, Environmental Systems Research Institute, 1999), para obtener mapas.

RESULTADOS Y DISCUSIÓN

Carga de combustibles forestales

Forest fuel load

La categoria de carga más común fue del intervalo 20 a 40 Mg ha^–1 (2 200 000 ha; 43.1 % de la superficie), seguida por las clases de 40 a 60 Mg ha^–1 (1 200 000 ha; 22.9 %>) y < 20 Mg ha^–1 (1 400 000 ha; 28.1 %) (Cuadro 2). Las mayores cargas (>60 Mg ha^–1) se observaron en Quintana Roo, en selvas medianas (Cuadro 2), en áreas de importancia forestal o de conservación, como la Organización de Productores Canan ka'achx y parte de la Reserva Xian Kaan (Figura 5), destacando asi la necesidad de protegerlas. La carga media fue 40.4 Mg ha^–1 (máximo 137 y minimo 10.9 Mg ha^–1). La máxima se observó en selva mediana subperennifolia y fue menor al máximo de 179.1 Mg ha^–1 referido por CONAFOR et al. (2005)^[****] en áreas afectadas por el Huracán Wilma en 2005, aunque este último usó muestreo selectivo. Los combustibles leñosos con un TR de 1000 h representaron casi 30 % de la carga media (11.994 Mg ha^–1), en tanto que el total de los combustibles leñosos alcanzó casi 64 %.

En bosques tropicales húmedos no perturbados, 24.7 % de la carga correspondió a combustibles con TR de 1000 h, en tanto que 36.9 % fue hojarasca y capa de fermentación (Gould et al., 2008). Estas proporciones son semejantes a las halladas en el presente estudio. La proporción de combustibles con TR 1000 h no exhibió cambios importantes en los distintos niveles de afectación. Los promedios de la proporción de combustibles con TR 1000 h fueron 29.2, 28.9 y 27.1 % para las intensidades alta, media y baja. A su vez, la proporción de hojarasca y capa de fermentación fue 38.3, 39.0 y 30.7 %, con lo que todos estos combustibles mantienen su proporción a distintos niveles de afectación aunque su carga sí cambie (Cuadro 3).

Cargas por tipo de vegetación

En las zonas de alta afectación la selva mediana subperennifolia tuvo una carga media de 49.6 Mg ha^–1, mayor que en la selva baja subperennifolia (38.6 Mg ha ). La máxima carga (137 Mg ha ) correspondió a selva mediana con afectación alta (Cuadro 3). La carga media entre tipos de vegetación en la zona de alto impacto fue 48.8 Mg ha^–1. Respecto a zonas de afectación media, la selva mediana subcaducifolia (38.3 M g₁ ha^–1) y la mediana subperennifolia (38.2 Mg ha^–1) superaron a la selva baja subperennifolia (34.8 Mg ha^–1). En este nivel de afectación, la carga máxima fue 84.7 Mg ha^–1 en selva mediana subperennifolia y la media entre tipos de vegetación fue 38.2 Mg ha^–1. Para las áreas con baja afectación, la selva baja subperennifolia mostró el mayor promedio (37.4 Mg ha^–1), seguida por la mediana subperennifolia (33.7 Mg ha^–1) y la mediana subcaducifolia (16.2 Mg ha^–1). La carga media en este nivel de afectación fue 29.5 Mg ha^–1. Similarmente, Rodríguez et al. (1989) refieren que la carga aumentó en tipos de vegetación con más biomasa, como las selvas altas y medianas, luego del paso del huracán Gilberto.

Las medias de 49.6, 38.2 y 33.7 Mg ha^–1, para los niveles de afectación alto a bajo en selva mediana subperennifolia (2 700 000 ha afectadas), son superiores a las cargas reportadas por Gould et al. (2008) de 27.9 Mg ha^–1 y 19.7 Mg ha^–1 en bosques tropicales húmedos y en los secos, ambos no perturbados.

Análisis por clase de combustibles

Con base en las estimaciones (superficies de respuesta) de los combustibles forestales (no mostradas), la hojarasca y la capa de fermentación exhiben sus mayores valores hacia el noreste y el sureste de la zona estudiada. De los materiales leñosos con 1 h de TR, las mayores cargas se aprecian en los sectores sureste y centro–este de la zona de mayor afectación (este). La distribución de estos materiales finos es relevante porque, según Pyne et al. (1996), controlan la dirección de propagación del fuego. Además, el patrón y características de combustibles como hojarasca y capa de fermentación, influyen en la probabilidad de incendios subterráneos, los que emiten más partículas suspendidas a la atmósfera (Cochrane y Ryan, 2009). La capa de fermentación tarda más que la hojarasca en iniciar su combustión, pero libera más energía y hace más severos los incendios subterráneos, comparados con los superficiales (Neri et al., 2008). Los incendios subterráneos son difíciles de combatir y con frecuencia imparables. Los combustibles con 10 h de TR tuvieron una tendencia similar a los de 1 h de TR. La mayor concentración de combustibles con 100 h de TR está en la porción NE y en la centro–este. En análisis combinado de combustibles de 1–100 h de TR, la tendencia de los de 100 h prevalece.

Peligro de incendio forestal

El peligro de incendio fue alto en 2 400 000 ha (46 % de la superficie), muy alto en 906 000 ha (17 %), y extremo en 85 923 ha (1.6 %). En Campeche influye más el riesgo de incendio por igniciones agropecuarias, pero en Quintana Roo hay peligro y riesgo por la acumulación de combustibles y la presencia de agostaderos y áreas agrícolas. Considerando sólo selvas medianas en Quintana Roo, 1 800 000 ha tuvieron peligro de alto a extremo; el peligro es mayor al E (Figura 6). Los vientos del SE dominantes en la primavera (Suárez y Rivera, 1998), la temporada de incendios, implican peligro adicional pues dirigirán los incendios a áreas con más combustibles.

El aumento en la carga de combustibles indica peligro no sólo per se, sino también por la reducción en la cobertura de copas que facilita el secado y la combustión de los materiales derribados por huracanes (Myers y van Lear, 1998). En selvas, los incendios superficiales pueden propiciar incendios subterráneos, dependiendo de la profundidad de los materiales orgánicos (Cochrane y Schulze, 1999), entre otros factores, lo que genera más severidad al quemar el suelo (Jain et al, 2008).

Históricamente se han presentado incendios en regiones afectadas por huracanes en el sureste de México: 1) en las áreas afectadas por el huracán Janet (década de 1950), 2) en1989 hubo incendios en 119 233 ha en áreas afectadas por el huracán Gilberto (Villa et al., 1990), y 3) incendios forestales en 2009 en áreas impactadas por el huracán Wilma en 2005. Así, la conjugación de factores como sequía intensa relacionada con fenómenos como el Niño o la Niña, se presenta desde el mismo año o hasta unos cuatro años después del paso del huracán, propiciando los incendios forestales ante el continuo y amplio uso y mal uso del fuego en la región. Según Cooke et al. (2007), el paso de cualquier huracán aumenta combustibles y peligro de incendio, como Katrina, que incrementó de 3 a 13 % las áreas con muy alto peligro de incendio al sur del Mississippi.

Las cargas altas repercuten en incendios más severos y en una lenta recuperación ecológica y de la producción forestal, así como se favorece el cambio de uso del suelo. Rodríguez et al. (1989) reportan que 88 % de los árboles estaban derribados en las áreas afectadas por el huracán Gilberto (1988) e incendios forestales (1989), y 54 % en las áreas afectadas sólo por huracán.

Áreas prioritarias de protección

Estas áreas se concentran en Quintana Roo donde están las mayores cargas de combustibles; además están representadas por selvas medianas con aprovechamiento forestal, selvas medianas y otros tipos de vegetación, como los humedales en las áreas naturales protegidas de XianKaan, Quintana Roo, y Calakmul, Campeche. Hay áreas con aprovechamiento forestal que antes del huracán estaban en buena condición y con bajo riesgo de incendio por actividades agropecuarias. Sin embargo, luego de los embates de los vientos huracanados estas áreas pueden degradarse más en caso de incendios forestales, pues son ecosistemas sensibles al fuego. Las áreas prioritarias de protección están divididas en alta (gran acumulación de combustibles, selvas bajo manejo o de conservación), media (selvas bajas incluso en zonas con alto impacto del huracán) y baja (en Campeche, a reserva del riesgo de incendio por actividades agropecuarias) (Figura 7).

CONCLUSIONES

El mayor nivel de peligro correspondió a la región este, con elevadas cargas y uso agropecuario de fuego. Hacia el oeste, con menores cargas, las actividades agropecuarias imprimen riesgo. Las áreas prioritarias de protección, incluyen zonas con altos niveles de peligro, como las áreas bajo aprovechamiento forestal, las reservas de la biosfera y poblaciones.

La hipótesis se cumplió parcialmente pues de todas las variables probadas sólo el perímetro de las áreas agropecuarias resultó significativo para estimar la presencia de incendios forestales. Se considera que los modelos utilizados fueron apropiados para alcanzar los objetivos planteados.

La información de este estudio es útil para quienes toman decisiones de manejo del fuego y de ecosistemas en la región.

AGRADECIMIENTOS

A CONAFOR, que autorizó uso de datos del proyecto: "Programa de prevención y combate de incendios forestales y manejo del fuego en las áreas afectadas por el huracán Dean en las áreas tropicales del sureste de México", elaborado por la UACH. A: Ing. Víctor Sosa Cedillo, Ing. Roberto Martínez Domínguez, Dr. J. Germán Flores G., Dr. Juan de D. Benavides S., y a los Ings. o M.C. Kuc Uc Gener D., Juan O. Hernández L., Isaac Mendiola G., Mauricio R. Castañeda M., Rosa L. Carrillo, Diana Lahoz G., Karina Colín Y., Diana L. Sánchez V., G. Elena Islas M. y Elsa Berenice.

LITERATURA CITADA

Arnaldos V., J., X. Navalón N., E. Pastor F., E. Planas C., y L. Zárate L. 2004. Manual de Ingeniería Básica para la Prevención y Extinción de Incendios Forestales. Mundi Prensa. Madrid. 414 p.         [ Links ]

Brown, J. K. 1974. Handbook for Inventorying Downed Woody Material. USDA For. Serv. Gen. Tech. Rep. INT–16.         [ Links ]

Challenger, A., y J. Soberón M. 2008. Los ecosistemas terrestres. Vol. I. Conocimiento actual de la biodiversidad. In: Sarukhán K., J. Capital Natural de México. CONABIO. México, D. F. pp: 87–108.         [ Links ]

Chandler, C., P. Cheney, P. Thomas, L. Trabaud, and D. Williams. 1983. Fire in Forestry. Vol. II. Wiley. New York. 298 p.         [ Links ]

Cochrane, M. A., and M. D. Schulze. 1999. Fire as a recurrent event in tropical forests of the eastern Amazon: effects on forest structure, biomass and species composition. Biotropica 31: 2–16.         [ Links ]

Cochrane, M. A., and K. C. Ryan 2009. Fire and fire ecology: concepts and principles. In: Cochrane, M. A. (ed). Tropical Fire Ecology. Climate Change, Land Use and Ecosystem Dynamics. Springer–Praxis. Chichester, U.K. pp: 25–62.         [ Links ]

Cooke, W. H., K. Grala, D. Evans, and C. Collins. 2007. Assessment of pre– and post–Katrina fuel conditions as a component of fire potential modeling for Southern Mississippi. J. For. (Dec): 389–397.         [ Links ]

Cressie N., A. C. 1993. Statistics for Spatial Data. Wiley. New York. 900 p.         [ Links ]

Cuesta R., R. M., and J. Martínez V. 2006. Effectiveness of protected areas in mitigating fire within their boundaries: Case study of Chiapas, México. Cons. Biol. 20(4): 10741086.         [ Links ]

Environmental Systems Research Institute. 1999. Arc View GIS 3.2. Redland, California, USA.         [ Links ]

Flores G., J. G., O. G. Rodríguez Ch., M. Meléndez G., y O. G. Rosas A. 2008. Sitios de muestreo para el monitoreo de combustibles forestales SIMMCOF. Centro de Investigación Regional del Pacífico Centro, Campo Experimental Centro Altos de Jalisco, INIFAP. Folleto Técnico no. 1. 47 p.         [ Links ]

Gould, W., G. González, A. T. Hudak, T. Nettleton H., and J. Hollingsworth. 2008. Forest structure and downed woody debris in boreal, temperate, and tropical forest fragments. Ambio 37(7–8): 577–587.         [ Links ]

Hosmer, D. W., and S. Lemeshow. 2000. Applied Logistic Regression. Wiley. New York. 392 p.         [ Links ]

INEGI. 2004. Carta de Uso del Suelo y Vegetación, 1:250 000.         [ Links ]

Insightful Corporation. 2002. S–plus v. 8.p for Windows. Enterprise Developer Edition. Washington, USA.         [ Links ]

Jain, T. B., W. A. Gould, R. T. Graham, D. S. Pilliod, L. B. Lentile, and G. González. 2008. A soil burn severity index for understanding soil–fire relations in tropical forests. Ambio 37(7–8): 563–568.         [ Links ]

López P., J., M. Keyes, A González E., F. Cabrera, y O. Sánchez. 1990. Los incendios de Quintana Roo: ¿Catástrofe ecológica o evento periódico? Ciencia y Desarrollo 16(91): 43–57.         [ Links ]

Maeda, E. E., A. R. Formaggio, Y. E. Shimabukono, G. F. B. Arcoverde, and M. C. Hansen. 2009. Predicting forest fire in the Brazilian Amazon using Modis imagery and artificial neural networks. Int. J. Applied Earth Observation and Geoinformation 11(4): 265–272.         [ Links ]

Maeda, E. E., G. F. B. Arcoverde, P. K. E. Pellikka, and Y. E. Shimabukoro. 2011. Fire risk assessment in the Brazilian Amazon using Modis imagery and change vector analysis. Appl. Geography 31(1): 76–84.         [ Links ]

Muñoz R., C. A., E. J. Treviño G., J. Verástegui Ch., J. Jiménez P., y O. A. Aguirre C. 2005. Desarrollo de un modelo espacial para la evaluación del peligro de incendios forestales en la Sierra Madre Oriental de México. Investigaciones Geográficas 56: 101–117.         [ Links ]

Myers, R. K., and D. H. van Lear. 1998. Hurricane–fire interactions in coastal forests of the south: a review and hypothesis. For. Ecol. Manag. 103: 265–276.         [ Links ]

Neri, A. C., D. A. Rodríguez T., y R. Contreras A. 2008. Inflamabilidad de combustibles forestales en las selvas de Calakmul, Campeche. Universidad y Ciencia 25(2): 125–132.         [ Links ]

Pyne, S. J. , P. L. Andrews, and R. D. Laven. 1996. Introduction to Wildland Fire. 2nd. ed. Wiley. New York. 769 p.         [ Links ]

Ripley, B. D. 1981. Spatial Statistics. Wiley. New York. 252 p.         [ Links ]

Rodríguez F., C., G. Vera C., F. Carrillo A., J. Chavelas P., J. C. Escoto P., y C. Paraguirre L. 1989. Evaluación de daños en la zona afectada por el huracán Gilberto y el incendio ocurrido el presente año. CIFAP–Méx. Reporte Técnico. 100 p.         [ Links ]

Rodríguez T., D. A., H. Ramírez M., H. Tchikoué, y J. Santillán P. 2008. Factores que inciden en la siniestralidad de incendios forestales. Ciencia For. Méx. 33(104): 37–58.         [ Links ]

SAS Institute. 2002. Statistical Analysis System. v. 9.0 for Microcomputers. Cary, North Carolina, USA.         [ Links ]

Suárez M., E., y E. Rivera A. 1998. Zooplancton e hidrodinámica en zonas litorales y arrecifales de Quintana Roo, México. Hidrobiológica 8: 19–32.         [ Links ]

Uriarte, M., and M. Papaik. 2007. Hurricane impacts on dynamics, structure and carbon sequestration potential of forest ecosystems in southern New England, USA. Tellus 59A: 519–528.         [ Links ]

Van Wagner, C. E., and T. L. Picket. 1985. Equations and FORTRAN program for the Canadian Forest Fire Weather Index System. Forestry Technical Report 33. Canadian Forest Service. Ottawa, Ontario. 18 p.         [ Links ]

Villa S., A. B., E. A. Hernández O., y V. E. Sosa C. (eds). 1990. Plan de manejo silvícola integral de la zona norte de Quintana Roo. AMPF, A. C. México, D. F. 100 p.         [ Links ]

NOTAS

^* CONAFOR (Comisión Nacional Forestal). 2006. Evaluación del riesgo de incendios forestales por el huracán "Wilma". 2005, Quintana Roo. CONAFOR. Reporte técnico (inédito).

^** CONAFOR–SEMARNAT. 2007. Programa emergente para la prevención y combate de incendios forestales, zona centro–sur del estado de Quintana Roo. Reporte técnico (inédito).

^*** CONAFOR (Comisión Nacional Forestal). 2009. Reporte de incendios forestales. CONAFOR. Folleto.

^**** CONAFOR, SEMARNAT, CONANP, USDA FS, TNC, PRONATURA. 2005. Evaluación del riesgo de incendios forestales por el Huracán Wilma. Reporte inédito.