Modelos de Regresión Aditivos Estructurados (STAR) con respuesta ...

Modelos 2xlog-likelihood g.l. AIC BIC GCVBinomial (totales) 13632.5 160.732 13954 15623.6 0.057Binomial (provocados) 10830.9 119.137 11069.2 12306.7 0.045Cuadro 4.3: Criterio de información Akaike (AIC), criterio de información Bayesiano(BIC), y validación cruzada generalizada (GCV) para los dos modelos.4.2. Modelización a partir de grupos de modelosde combustibleComo ya se comentó anteriormente, la probabilidad de incendio depende defactores complejos como el tipo de estructura de la vegetación entre otros, que enalgunos casos favorece la ignición de un incendio y en otros puede frenar su avance(Nunes, et al. 2005).En esta sección se presentan aplicaciones de los modelos de regresión STAR parapara la ourrencia de incendios forestales totales y provocados a partir de variablesde tipo de vegetación en cada cuadrícula que posteriormente se agrega por concello.4.2.1. Modelización de los incendios forestales totalesPartiendo del análisis de los datos, en este apartado se trata de modelizar laocurrencia de incendios forestales totales con las variables de tipos de modelos decombustible agrupados en sin asignar modelo, pastos, matorral, hojarasca bajo arboladoy por último el grupo de restos de cota y operaciones selvícolas.El modelo se representa por:logit(P k ) =( )Pk= log =1 − P k= β 0 + f 1 (altitud) + f 2 (Sin A signar M odelo) + f 3 (P astos)++ f 4 (Matorral) + f 5 (Hojarasca) + f 6 (Restos)++ f estr (cdconc) + f estr (cdconc)(4.5)En donde se considera k como el índice del conjunto de voxels espacio-tiemposobre el área de estudio y periodo, por lo tanto P k denotan la probabilidad deignición en el voxel k teniendo en cuenta el conjunto de covariables observadas correspondientesa cada voxel. Nuestros modelos seleccionados contiene un interceptoβ 0 . Los términos f i son funciones suavizadas que describen la relación no lineal entre