Modelos de Regresión Aditivos Estructurados (STAR) con respuesta ...
Modelos de Regresión Aditivos Estructurados (STAR) con respuesta ...
Modelos de Regresión Aditivos Estructurados (STAR) con respuesta ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Mo<strong>de</strong>los</strong> 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 <strong>de</strong> información Akaike (AIC), criterio <strong>de</strong> información Bayesiano(BIC), y validación cruzada generalizada (GCV) para los dos mo<strong>de</strong>los.4.2. Mo<strong>de</strong>lización a partir <strong>de</strong> grupos <strong>de</strong> mo<strong>de</strong>los<strong>de</strong> combustibleComo ya se comentó anteriormente, la probabilidad <strong>de</strong> incendio <strong>de</strong>pen<strong>de</strong> <strong>de</strong>factores complejos como el tipo <strong>de</strong> estructura <strong>de</strong> la vegetación entre otros, que enalgunos casos favorece la ignición <strong>de</strong> un incendio y en otros pue<strong>de</strong> frenar su avance(Nunes, et al. 2005).En esta sección se presentan aplicaciones <strong>de</strong> los mo<strong>de</strong>los <strong>de</strong> regresión <strong>STAR</strong> parapara la ourrencia <strong>de</strong> incendios forestales totales y provocados a partir <strong>de</strong> variables<strong>de</strong> tipo <strong>de</strong> vegetación en cada cuadrícula que posteriormente se agrega por <strong>con</strong>cello.4.2.1. Mo<strong>de</strong>lización <strong>de</strong> los incendios forestales totalesPartiendo <strong>de</strong>l análisis <strong>de</strong> los datos, en este apartado se trata <strong>de</strong> mo<strong>de</strong>lizar laocurrencia <strong>de</strong> incendios forestales totales <strong>con</strong> las variables <strong>de</strong> tipos <strong>de</strong> mo<strong>de</strong>los <strong>de</strong>combustible agrupados en sin asignar mo<strong>de</strong>lo, pastos, matorral, hojarasca bajo arboladoy por último el grupo <strong>de</strong> restos <strong>de</strong> cota y operaciones selvícolas.El mo<strong>de</strong>lo se representa por:logit(P k ) =( )Pk= log =1 − P k= β 0 + f 1 (altitud) + f 2 (Sin A signar M o<strong>de</strong>lo) + f 3 (P astos)++ f 4 (Matorral) + f 5 (Hojarasca) + f 6 (Restos)++ f estr (cd<strong>con</strong>c) + f estr (cd<strong>con</strong>c)(4.5)En don<strong>de</strong> se <strong>con</strong>si<strong>de</strong>ra k como el índice <strong>de</strong>l <strong>con</strong>junto <strong>de</strong> voxels espacio-tiemposobre el área <strong>de</strong> estudio y periodo, por lo tanto P k <strong>de</strong>notan la probabilidad <strong>de</strong>ignición en el voxel k teniendo en cuenta el <strong>con</strong>junto <strong>de</strong> covariables observadas correspondientesa cada voxel. Nuestros mo<strong>de</strong>los seleccionados <strong>con</strong>tiene un interceptoβ 0 . Los términos f i son funciones suavizadas que <strong>de</strong>scriben la relación no lineal entre