A P L I C A Ç Õ E S E S TAT Í S T I C A S E M A N Á L I S E

D E C AT Á S T R O F E S N AT U R A I S
O C A S O D A O C O R R Ê N C I A E I M PA C T O D O S I N C Ê N D I O S
S O B R E A F L O R E S TA E M P O R T U G A L

M A N U E L A M . O L I V E I R A • I S A B E L N AT Á R I O • S U S E T E M A R Q U E S
J O R D I G A R C I A - G O N Z A L O • B R I G I T E B O T E Q U I M • J O S É G . B O R G E S
M A R G A R I D A T O M É • J O S É M . P E R E I R A • J O S É T O M É
C L A R I C E G . B . D E M É T R I O

1. I N T R O D U Ç Ã O
Muito antes do aparecimento do Homem na Terra já vários acontecimentos geofı́sicos, como cheias,
sismos, secas, etc., ocorriam ameaçando a fauna e flora então existente. Passado bastante tempo, a
presença humana transformou esses acontecimentos geofı́sicos em desastres/catástrofes naturais [3].
O nosso planeta é cenário de vários processos dinâmicos como os causados pelas catástrofes 235
naturais, nomeadamente o surgimento de terramotos, tsunamis, tempestades, cheias, fogos e outros. A
redução das consequências dos desastres naturais tem forçosamente de passar pela prevenção e, para
a sua aplicação, é necessário conhecer bem a vulnerabilidade da entidade ameaçada. Nesta tarefa,
naturalmente multi-disciplinar, a matemática desempenha um papel central no esforço cientı́fico para
entender e lidar com os processos envolvidos. Em particular, destaca-se a estatı́stica como a ciência
que permite modelar, estimar e fazer previsão sobre o conjunto destes fenómenos (determinı́sticos ou
aleatórios) e das suas dinâmicas, com base em dados observados anteriormente sobre os mesmos.
Assim, neste capı́tulo, faz-se uma descrição sumária da contribuição da estatı́stica para o desenvolvi-
mento, em geral, de polı́ticas de avaliação, prevenção e protecção de catástrofes naturais, incluindo
secas, cheias, terramotos, tsunamis e incêndios (secção 2.), focando-se depois, em detalhe, na catástrofe
incêndios florestais em Portugal, caracterizando os mesmos em território nacional (secção 3.), anali-
sando o risco de ocorrência de incêndios nos principais ecossistemas florestais em Portugal (secção 4.)
e os danos e a mortalidade por eles aı́ provocados (secção 5.).

2. P R E V E N Ç Ã O E D E F E S A C O N T R A C AT Á S T R O F E S N AT U R A I S
Os chamados perigos naturais são acontecimentos ameaçadores, capazes de produzir danos, que
podem ser duradores nas suas consequências, ao espaço fı́sico e social onde ocorrem. Quando essas
consequências têm um impacto significativo na sociedade tornam-se desastres ou catástrofes naturais [3].
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

As catástrofes naturais têm efeitos devastadores nas vidas das pessoas, afetando o seu funcionamento
e causando muitas perdas de vidas e bens. é crucial que se possa ter uma boa compreensão das
caracterı́sticas e das idiossincrasias das várias catástrofes possı́veis, para que se possa estar bem
preparado para gerir os seus efeitos quando ocorrem. Naturalmente que determinadas zonas do globo
terrestre são mais fustigadas por um ou outro tipo de catástrofes, e é por isso natural que os estudos
desenvolvidos nessas regiões o reflitam, como por exemplo as secas em Espanha, as cheias na China,
os sismos no Japão, os incêndios na Austrália. A modelação estatı́stica destes fenómenos permite
ganhar um conhecimento mais aprofundado dos processos por detrás destes fenómenos, permite testar
hipóteses sobre esses modelos que ajudam a explicar a sua ocorrência, e permitem a previsão de
cenários futuros.
Em situações relacionadas com catástrofes naturais é necessário recorrer a modelos matemáticos
representativos, definidos como abstrações de um sistema real, que possam ser utilizados com os
propósitos de predição. No entanto, se por um lado o modelo deve servir como uma aproximação
razoavelmente precisa do sistema real e deve conter a maior parte dos aspetos importantes do mesmo,
por outro lado não deve ser tão complexo que se torne impossı́vel compreendê-lo e tratá-lo.
As secas constituem a principal catástrofe natural no planeta Terra. A sua previsão (a curto e a
longo prazo) é muitı́ssimo importante para que os seus efeitos devastadores nos recursos hı́dricos
236 possam ser mitigados (abastecimento doméstico, agricultura, pecuária, floresta, funcionamento de
infra-estruturas como barragens e centrais térmicas, etc.). Os métodos estatı́sticos desenvolvidos
para este fenómeno assentam essencialmente na análise de séries temporais hidrológicas, tais como
a precipitação, precipitação efetiva (precipitação menos a evaporação), nı́veis dos caudais dos rios,
temperatura, humidade dos solos, etc., ou ı́ndices que combinem estas várias variáveis. São diversas as
metodologias estatı́sticas aplicadas a este problema, salientando-se a teoria estatı́stica das sequências
[58], com base em comportamentos sequencialmente idênticos das séries de dados, modelos de
cadeias de Markov não homogéneas para a caracterização do comportamento estocástico das secas
[32], processos de Poisson, que modelam as ocorrências de secas em determinados perı́odos [61], e
processos de renovamento que o generalizam, sendo um renovamento o tempo entre secas consecutivas
juntamente com o perı́odo da seca propriamente dito [33]. Mais recentemente, têm-se aplicado os
métodos de séries temporais, que permitem a incorporação de tendências e sazonalidades, [40, 41].
Para ultrapassar problemas de não-linearidades e não estacionaridades das séries de dados envovidas,
métodos não paramétricos de estimação também já foram aplicados [26]. De forma a não modelar
apenas o comportamento médio da seca, mas também a sua variabilidade, métodos de re-amostragem e
métodos baseados em árvores de regressão foram ainda propostos [12].
A teoria das cópulas, usada para descrever, por exemplo, a relação de dependência entre a duração,
severidade e frequência do fenómeno em causa, é outro método já empregue na modelação não só
das secas [62] como também de uma outra catástrofe natural que assola certas regiões do planeta,
as cheias, provocadas por quantidades de chuva anormalmente grandes que não conseguem ser
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

drenadas, provocando transbordamentos. As cópulas permitem neste contexto modelar, por exemplo, a
probabilidade conjunta de ocorrência de tempestades e de chuvas torrenciais num tufão [45].
Em muitas situações, é frequente lidar-se com conjuntos de variáveis que servem para modelar um
determinado fenómeno a explicar. Recorre-se, então, a métodos estatı́sticos que estudam e modelam
as relações existentes entre grupos de variáveis, isto é, tem de se considerar o carácter multivariado
dos fenómenos em estudo. Surge, assim, a necessidade de se recorrer a distribuições, a técnicas e a
modelos estatı́sticos multivariados. Estes métodos têm sido empregues na análise das cheias, com
destaque para os modelos de regressão multivariada que tentam explicar, por exemplo, uma particular
variável hidrológica através de um conjunto de descritores fı́sicos dos pontos de captação de água que
drenam para o local de interesse [27], e para a teoria dos extremos, que foca a estimação e predição dos
fenómenos menos frequentes e mais extremos, como sejam os máximos anuais da quantidade de chuva
diária [36]. Também a teoria dos conjuntos difusos foi usada para melhor levar em conta a imprecisão
e incompletude frequentemente inerente a dados deste tipo de fenómenos [30].
No estudo de catástrofes naturais é ainda frequente ocorrências multifatoriais reais onde existem
por vezes fatores que atuam efetivamente sobre uma variável, dita resposta ou dependente, do tipo
categórica, influenciando-a. Para modelar estes fenómenos seleciona-se um método estatı́stico apropri-
ado, que nestas situações são a análise discriminante e a regressão logı́stica. Este último modelo foi
utilizado, por exemplo, para avaliar os danos do vento e da neve na floresta do norte da Finlândia [24]. 237
Estudos feitos na avaliação de acontecimentos com perdas na agricultura e sobre o meio ambiente
dão origem a uma grande variedade de dados, qualitativos e quantitativos, contı́nuos e discretos. Os
modelos lineares e não lineares clássicos não permitem o tratamento adequado de todos os tipos de
dados. Os modelos lineares ou não lineares de efeitos mistos correspondem a uma opção atual e
eficiente, mas o seu uso precisa ser adequado aos diversos tipos de dados, principalmente àqueles
resultantes de ensaios longitudinais ou com medidas repetidas [17, 71].
A ocorrência de sismos ou tremores de terra é outro fenómeno natural que pode resultar em perdas
tremendas de vidas e bens. Os modelos estatı́sticos propostos para o estudo da actividade sı́smica
ajudam a explicar e a testar hipóteses sobre a mesma. Destes destacam-se os que se descrevem de
seguida. Quando tanto os locais como a ocasião da ocorrência de sismos podem ser considerados
aleatórios, a teoria dos processos pontuais no espaço e no tempo pode ser empregue na sua modelação
[68], permitindo a estimação do risco de sismo. Também o estudo das distribuições de probabilidade
do tempo entre ocorrências sucessivas de sismos é essencial na compreensão da variação das suas
ocorrências a longo prazo [65]. Adicionalmente, o estudo da distribuição da magnitude dos sismos é
mais uma caracterı́stica que pode ser útil na predição tão necessária deste tipo de fenómenos [28]. A
predição de sismos pode ser considerada de dois tipos diferentes: a predição estatı́stica, baseada em
ocorrências de sismos do passado, e a predição determinı́stica, feita a partir dos sinais de prenuncio de
sismo, tais como aumentos das quantidades emitidas de alguns gases (rádon e metano, por exemplo).
Atualmente ainda não é possı́vel prever correctamente a ocorrência do próximo grande sismo [72],
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

sendo uma das razões principais o não existirem dados suficientes que sustentem tais predições (já que
se trata de um acontecimento raro). No entanto, tal não evitou que, em outubro de 2012, um tribunal
italiano condenasse a penas de prisão meia dúzia de cientistas e peritos da Commissione Nazionale
dei Grandi Rischi por não terem sido capazes de prever um sismo que ocorreu em 2009 na cidade de
L’Aquila e que provocou mais de três centenas de mortos!
Quando o sismo tem o seu epicentro no mar pode originar a ocorrência de um maremoto, ou tsunami,
provocando ondas gigantescas que galgam em terra e arrastam tudo à sua passagem. O conhecimento
sobre a frequência deste tipo de fenómenos é importante para estabelecer, por exemplo, onde se deve
autorizar a construção de edifı́cios. A estimação de frequência de acontecimentos extremos [21] é
uma metodologia da área de estimação de risco que foi empregue neste tipo de estudos, tendo esta
metodologia já sido utilizada no estudo de outros tipos de catástrofes naturais, como sismos e cheias.
Também a estatı́stica Bayesiana foi usada na produção de um emulador estatı́stico de um modelo de
tsunamis que permite fazer predições e quantificar as incertezas associadas aos tsunamis quase em
tempo real, permitindo, desta forma expedita, mitigar as consequências de um tsunami [59]. Este é um
exemplo óbvio de aplicação de estatı́stica computacional, campo que é mais ou menos transversal a
todos os métodos estatı́sticos já referidos. A estimação dos modelos estatı́sticos e a previsão que a partir
daı́ se faz exige o recurso a métodos computacionais tanto mais complexos quando mais sofisticado é
238 o referido método. A programação de métodos numéricos de resolução de equações, de integrais, e
de simulação é uma constante nestes trabalhos, sendo de destacar o programa de distribuição gratuita
R-project [53] nesse percurso, http://www.r-project.org/.
Os fogos florestais são um grande problema em paı́ses florestados com verões muito quentes. O seu
aparecimento está usualmente associado a fatores de condições atmosféricas, tipo de florestamento,
proximidade a populações, caracterı́sticas que têm sido incorporadas em modelos de regressão para
a estimação de caracterı́sticas que lhe estão inerentes, como o risco de incêndio ou a proporção de
área ardida [35]. é sem dúvida um fenómeno ao qual está associada uma variabilidade espacial e
temporal, que deve ser levada em conta na modelação do seu risco, por exemplo através de um modelo
hierárquico Bayesiano [46]. Nas próximas secções detalham-se métodos aplicados neste contexto em
Portugal, nomeadamente para a avaliação do impacto dos incêndios na floresta portuguesa, a modelação
do seu risco de ocorrência e a avaliação de dados causados.
Todas as catástrofes naturais resultam em perdas mais ou grandes para a humanidade. Estas podem
ser minoradas pela existência de seguros, que podem cobrir, pelo menos parcialmente, os danos
associados. Claro que tal induz também uma necessidade premente da existência de modelos que
possam prever, o melhor possı́vel, risco destes fenómenos, bem como as suas consequências. A
modelação do risco de catástrofes tem sido usada pelos atuários e pelas companhias de seguros como
uma ferramenta de gestão de risco [9]. Os modelos estatı́sticos mais frequentemente aqui envolvidos são
modelos lineares generalizados, com particular incidência no modelo de regressão logı́stica, métodos de
análise de sobrevivência e funções de risco. A incerteza envolvida nas perdas deste tipo de estudo levou
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

ainda ao uso de um modelo de redes neuronais [25], que não é mais do que um modelo matemático
que emula o comportamento do cérebro humano e oferece uma capacidade de identificar padrões entre
grupos de variáveis, sem nenhum pressuposto sobre uma relação a elas subjacente—um modelo de
classificação. Muitos métodos modernos de classificação e regressão são, de certa, forma semelhantes
à regressão passo a passo, pois é feita uma procura computacional num conjunto muito grande de
modelos, até um modelo final ser escolhido, usando, por exemplo, validação cruzada. De uma forma
geral, se a amostra for suficientemente grande, estes métodos conseguem resultados muito bons; sofrem,
no entanto, do problema de serem aquilo que se designa, usualmente, por “caixa-negra”, pois a estrutura
do classificador final pode ser de difı́cil compreensão. No entanto, tal pode não ser um problema,
porque, por um lado, como estes modelos são desenhados para predição, a opacidade do modelo reduz
a tentação de tirar conclusões causais injustificadas, e, por outro lado, têm geralmente um desempenho
muito bom. Outra metodologia de classificação, que tem sido recentemente muito desenvolvida e
empregue, são as técnicas ditas de “data mining”, um processo de extracção de conhecimento dos
dados. Este método foi também empregue na previsão de eventuais catástrofes naturais com base em
dados recolhidos por satélite sobre caracterı́sticas terrestres, marı́timas e atmosféricas, numa grelha
espacial e temporal apertada [8].
Finalmente, uma vez que as catástrofes naturais têm usualmente um grande impacto no cresci-
mento económico das nações, é essencial que este impacto possa ser estimado. No entanto, estas 239
estimativas estão sujeitas a uma grande dose de incerteza, a começar pela natureza dos fenómenos
que lhe dão origem, que deve ser incorporada nos modelos estatı́sticos ou, mais precisamente, nos
chamados modelos econométricos. A econometria usa a estatı́stica para dar expressão concreta às leis
gerais postuladas pela teoria económica, com o objectivo de as testar e prever tendências futuras. A
econometria testa estatisticamente os modelos económicos, com o objectivo de ajudar a estabelecer
relações entre determinadas grandezas e a situação económica em análise. No contexto deste capı́tulo,
a ideia básica subjacente é a avaliação do impacto das catástrofes naturais em medidas como o produto
interno bruto (PIB) dos paı́ses. Alguns exemplos destes modelos são construı́dos com base em modelos
de regressão múltipla [11], modelos de séries temporais [29], estudos de dados de painel [52] e até
modelos mais sofisticados, como a chamada modelação de avaliação da vulnerabilidade dos desastres
naturais, [57].

3. O C A S O D A O C O R R Ê N C I A E I M PA C T E D O S I N C Ê N D I O S S O B R E A
F L O R E S TA E M P O R T U G A L
3.1 C A R A C T E R I Z A Ç Ã O D O S I N C Ê N D I O S F L O R E S TA I S E M P O R T U G A L

Nas últimas décadas a incidência de fogos florestais aumentou de forma substancial em Portugal e
no Mediterrâneo [48, 49, 67]. Em Portugal, a área ardida atingiu um total de 3, 8 × 106 hectares no
perı́odo entre 1975 e 2007, o que equivale a cerca de 40% da área do território continental [34]. Os
fogos têm um impacto substancial a nı́vel económico, social e mesmo ambiental e têm-se tornado
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

uma calamidade pública e um desastre ecológico que afeta consideravelmente o nosso paı́s. Este
contexto sugere a necessidade de desenvolver polı́ticas de prevenção eficazes e apoiadas por métodos e
instrumentos inovadores e que permitam integrar actividades de planeamento da gestão da gestão da
floresta e dos fogos que são atualmente desenvolvidas de forma independente.

Neste contexto destaca-se também a necessidade de caracterizar o atual regime de fogos e entender
os determinantes ecológicos e humanos em áreas queimadas. Vários fatores podem explicar a ignição
bem como a propagação de incêndios florestais, tais como as caracterı́sticas do combustı́vel [2, 55, 56],
condições climáticas, fontes de ignição e topografia [1, 5, 39, 51, 70]. No entanto, devido à presença
humana, é mais fácil de detectar e suprimir incêndios nestas áreas [50, 60]. As práticas agrı́colas
tradicionais que envolvem o uso do fogo (como por exemplo a renovação de pastagens) também
podem levar à ocorrência de incêndios florestais [60]. Em Portugal, as tendências demográficas e
socio-económicas que levaram ao abandono em grande escala de áreas rurais, têm contribuı́do para
aumentar a gravidade dos incêndios [43].

A abordagem à caracterização do fogo em Portugal discutida nesta secção alarga o âmbito de estudos
anteriores (por exemplo, [20, 60]), reconhecendo as mudanças do uso do solo ao longo do tempo,
incluindo variáveis socio-económicas [73] e aplicando modelos lineares generalizados ponderados,
em vez de modelos lineares generalizados clássicos, permitindo levar em conta a importância relativa
240 da área associada com caracterı́sticas ecológicas e socio-económicas ao avaliar o seu impacto sobre a
proporção da área ardida.

Este estudo foi fundamental para a análise de variações da área ardida, número de fogos e distribuição
de fogo em Portugal. Serviu também para examinar a influência da topografia, uso do solo, variáveis
socio-económicas e climáticas sobre a probabilidade de ocorrência de incêndio. Especificamente, foi
modelada a proporção de área queimada, de forma a derivar as relações entre caracterı́sticas ecológicas
e socio-económicas e ocorrência de incêndio.

A metodologia proposta combinou o uso de sistemas de informação geográfica e técnicas de análise

estatı́stica. Mapas com os diferentes fatores que influenciam a área ardida e os perı́metros dos incêndios
florestais levaram à determinação da proporção de área queimada e à sua modelação através de análise
de regressão ponderada. Além disso, utilizando-se uma média ponderada, em vez de um modelo linear
generalizado clássico para desenvolver a análise de regressão múltipla [47], foi essencial para levar em
conta a importância relativa da área ocupada por cada classe de uso de solo.

3.2 M AT E R I A L E M É T O D O S

Portugal continental ocupa uma área de cerca de 89000 km2 . As altitudes variam entre 0 e 2000
metros, sendo que as zonas com maiores altitudes se concentram no centro e norte do paı́s. A
temperatura média anual apresenta um gradiente de aumento e a precipitação de diminuição de
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

noroeste para sudoeste, variando entre 7 e 18◦ C e 400 − 2800mm, respectivamente. As paisagens
portuguesas têm, claramente, um padrão definido, sendo a silvicultura um dos elementos chave na
sua definição. A floresta e os bosques ocupam mais de 1/3 do território nacional. Dados da DGRF
1 de 2006 mostram que embora exista uma elevada diversidade ecológica, resultado de influências

climáticas, que vão desde o Mediterrâneo ao Atlântico, mais de 80% da área de floresta é ocupada por
quatro espécies: pinheiro bravo (Pinus pinaster Ait.), eucalipto (Eucalyptus globulus Labil.), sobreiro
(Quercus suber) e azinheira (Quercus rotundifolia); 25% das terras são ocupadas por matos e cerca de
30% da área nacional está a ter utilizade para fins agrı́colas [13]. A análise descritiva das ocorrências
incêndios em Portugal baseou-se na informação histórica de áreas ardidas para um perı́odo de 33 anos
(1975-2007), produzidas anualmente através de um processo semi-automatico de classificação de alta
resolução de imagens de Landsat Scanner Multi-Espectral (MSS), Landsat Thematic Mapper (TM), e
Landsat TM.

Com o objectivo de analisar a variação no número e dimensão dos incêndios florestais, este horizonte
temporal foi classificado de acordo com a disponibilidade de mapas atualizados de cobertura do solo,
em três sub-perı́odos de cinco anos (1987 − 1991, 1990 − 1994 e 2000 − 2004). A criação destes
intervalos derivou do compromisso entre ter um maior tamanho da amostra e uma minimização do
impacto do tempo nas mudanças de cobertura do solo [44]. Para este estudo foram utilizados dois tipos
de cartas de cobertura de solo, uma com maior precisão, fazendo a distinção de espécies florestais, e 241
uma outra menos precisa, apenas distinguindo os diferentes tipos de florestas (folhosas e resinosas),
sendo estas respectivamente as cartas CORINE Land Cover (CLC 2 ) e a Carta de Ocupação de Solo
(COS 3 ). à data de realização do estudo estavam disponı́veis dois mapas CLC, de 1990 e de 2000, e
apenas um mapa COS de 1990.

Por forma a avaliar a relação entre os fatores ecológicos, socioeconómicos e a ocorrência de

incêndios, nos três sub-perı́odos, foram considerados para além do uso do solo, quatro outras variáveis
(altitude, declive, densidade populacional e proximidade às estradas), classificadas de acordo com a
Tabela 1. A selecção destas e respectiva segmentação baseou-se numa análise de dados preliminar
exaustiva.

O Modelo Digital do Terreno (MDT) foi utilizado para a obtenção de mapas sobre altitudes e
declives, recorrendo ao ARCGIS 9.2. Os dados sobre população usados para cálculo da densidade
populacional ao longo do paı́s, em cada uma das freguesias, foram obtidos através dos dados dos

1 Aquando da realização do estudo citado (2008/2009), DGRF - Direcção Geral dos Recursos Florestais. Atualmente (2013)
tem a designação de Instituto de Conservação da Natureza e das Florestas (ICNF)
2 CORINE Land Cover - Estes mapas têm por objectivo produzir cartografia de ocupação e uso do solo de Portugal Continental

com uma escala de 1 : 100000, unidade mı́nima cartográfica (UMC) de 25 hectares, através de imagens de satélite.
3 COS - A Carta de Ocupação de Solos é também um mapa de cartografia de ocupação e uso de solo produzido a uma escala

nominal de 1 : 25000 e uma UMC de 1 hectare, para Portugal Continental

 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

TA B E L A 1 .
Descrição das variáveis usadas para caracterizar a ocorrência de fogos
Variáveis Classes
Uso do solo Sem combustı́vel, Culturas anuais,
Culturas permanentes, Agro-florestal,
Matos,Resinosas, Eucaliptos,
Folhosas, Resinosas com eucalipto,
Folhosas e resinosas misturadas com eucalipto
Altitude (m) < 200, 200 − 400, 400 − 700, > 700
Declive (%) 0 − 5, 5 − 10, > 10
Densidade Populacional (hab/km2 ) < 25, 25 − 100, > 100
Proximidade às estradas (km) < 1, > 1

Censos Demográfico de 1991 e 2001, fornecidos pelo Instituto Nacional de Estatı́stica. O ARCGIS
9.2 também foi usado para criar uma faixa envolvente de 1 km em torno de estradas e caminhos no
mapa de fornecido pelas Estradas de Portugal, S.A., e pelo Instituto Geográfico do Exercito. Para este
estudo assumiu-se que a densidade da população e a proximidade das estradas não se alterou durante
242
os 5 anos, em cada sub-perı́odo. Recorrendo ao mesmo software, foram sobrepostos os mapas com as
diferentes variáveis para cada um dos sub-perı́odos, produzindo 3 mapas onde cada polı́gono representa
uma unidade homogénea contigua (designada por estrato). Os mapas produzidos com os estratos foram
posteriormente intercetados com a área ardida em cada sub-perı́odo. Este processo forneceu-nos dados
necessários para a estimação da proporção da área ardida em cada estrato.
Por forma a avaliar a relação entre os fatores ecológicos, socioeconómicos e a proporção de
área ardida, nos três sub-perı́odos, recorreu-se a modelos linear generalizados ponderados (weighted
generalized linear models, WGLM). Foram consideradas como variáveis preditas, transformações
da proporção de área ardida (logı́stica e arco-seno) em cada estrato i e como variáveis preditoras as
covariáveis tipo de cobertura do solo, altitude, declive, proximidade à estrada, e densidade populacional.
A modelação através destes modelos permitiu a utilização na estimação dos parâmetros de pesos que
consideram a importância relativa da área de cada estrato. Os WGLM são adequados a situações em
que a variância não é constante e/ou quando os erros não têm uma distribuição gaussiana, como é
frequente acontecer no caso das variáveis resposta serem proporções [47].
Na modelo de regressão logı́stica, os parâmetros foram estimados pelo método da máxima verosimi-
lhança, tendo-se recorrido ao software R, versão 2.7 [53]. Para selecionar o melhor modelo para cada
sub-perı́odo de 5 anos usaram-se ambos o pseudo coeficiente de determinação (R2 ) e o critério de
informação de Akaike (AIC). Para a validação do modelo recorreu-se à estatı́stica desvio, que mede a
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

discrepância entre os valores ajustados e os valores observados. Se L denota a função de verosimilhança

e D o desvio do modelo envolvendo p parâmetros, o desvio pode ser simplesmente definido como

ln − b
D = 2(b lp)

onde b
ln e b
l p são os máximos do logaritmo da função de verosimilhança para os modelos saturado (com
o máximo de factores) e corrente (a avaliar, com menos factores), respectivamente. Para variáveis
respostas com distribuição binomial e Poisson pode assumir-se que o desvio segue aproximadamente
2 .
uma distribuição χn−p

3.3 R E S U LTA D O S

Pela análise da Figura 1 verifica-se que no perı́odo de 33 anos (1975 − 2007) registaram-se 35194
incêndios com área superior ou igual a 5 ha. No total, arderam 3, 89 × 106 ha. Da análise dos dados,
observa-se que a área ardida anual varia entre 15500 ha registados em 1977 e 440000 ha em 2003.
Neste mesmo ano, um único perı́metro atingiu cerca de 58000 ha. Da análise descritiva dos dados,
observa-se que o elevado número de fogos se deve a incêndios com dimensões inferiores a 50 ha,
atingindo um valor médio anual de cerca de 74% do número total de fogos registados. Em termos
de área ardida, são os poucos fogos registados com maiores dimensões que tem maior impacto na 243
percentagem de área ardida total. No terceiro sub-perı́odo, observou-se que 4 incêndios queimaram
mais de 20000 ha.
A combinação das áreas ardidas com as variáveis ecológicas, topográficas e socio-económicas
ajudam a explicar as variações do número de fogos e área ardida bem como ajudam a identificar
padrões de ocorrência de incêndios a nı́vel da paisagem, permitindo identificar as áreas que são mais
susceptı́veis ao fogo. Tanto no primeiro (1987-1991), como no segundo (1990-1994) sub-perı́odos,
a maior percentagem de área ardida ocorreu no estrato com matos em altitudes acima de 400 m,
localizado a mais de 1 km de estradas e com densidade populacional inferior a 25 habitantes por
km2 . No terceiro sub-perı́odo (2000-2004), o estrato com a maior percentagem de área ardida foi o de
folhosas, em altitudes entre 200 e 400 m em áreas com baixa densidade populacional e a mais de um
quilómetro da estrada. Este estrato ocupa uma área de aproximadamente 28500 ha. No caso de outros
estratos, a importância relativa da percentagem de área queimada foi aproximadamente a mesma em
todos os três sub-perı́odos.
Os modelos em que se considerou a transformação logı́stica apresentaram melhores resultados
que aqueles em que se recorreu à transformação arco-seno (Tabela 2 ). Os valores do desvio foram
0, 316, 0, 317 e 0, 242, com 523, 698 e 542 graus de liberdade, para os três sub-perı́odos, mostrando
evidência de bom ajustamento do modelo logı́stico. Para além disso todos os valores das distâncias
de Cook foram menores do que 0, 05. Os valores dos fatores generalizados de inflação de variância
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

(GVIF) variaram, aproximadamente, entre 1, 001 e 1, 01, evidenciando que as covariáveis não estavam
correlacionadas e que a multicolinearidade não era um problema.

A metodologia dos modelos lineares generalizados ponderados confirmaram que, em geral, as áreas
ocupadas por matos foram zonas com maior propensão a arder. Povoamentos mistos, resinosas e
folhosas, ocupam as segundas, terceiras e quartas posições nas ocupações com maior proporção de área
queimada. Como esperado, a classe sem combustı́vel e as culturas permanentes (CultPerm) tiveram um
impacto negativo sobre a proporção de área queimada. No que se refere a altitudes, os coeficientes de
regressão indicaram que os maiores valores de altitude estão associados a uma maior proporção de área
ardida. A proximidade às estradas teve um efeito semelhante, ou seja, as distâncias maiores conduzem
a um aumento da proporção de área queimada. Por outro lado, o aumento da densidade populacional
leva a uma diminuição na proporção de área queimada.

Estes resultados podem ajudar os gestores e formuladores de polı́ticas no desenvolvimento de

polı́ticas eficazes de prevenção de incêndio, e confirmou que a gestão florestal pode desempenhar um
papel fundamental para a prevenção, com sucesso, de incêndios.

244

FIGURA 1.
Área ardida (linha) e número de fogos (colunas) registados no perı́odo 1975-2007 em Portugal.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

4. O R I S C O D E O C O R R Ê N C I A D E I N C Ê N D I O S N O S P R I N C I PA I S
E C O S S I S T E M A S F L O R E S TA I S E M P O R T U G A L
Em Portugal, cerca de 85% da area florestal esta ocupada com pinheiro bravo (Pinus pinaster),
eucalipto (Eucalyptus globulus), sobreiro (Quercus suber) e azinheira (Quercus ilex). As plantações de
eucalipto estão presentes em cerca de 20% do total da área, sendo estas a principal fonte de matéria
prima para a indústria da polpa e do papel. Já o pinheiro bravo é largamente utilizado para as serrações
e indústria da madeira e ocupa cerca de 22% da área de floresta nacional [13].
Na secção anterior mostrou-se o quão devastador podem ser os incêndios, e que estes são um dos
fatores com maior impacto na saúde e economia dos ecossistemas florestais (e.g. [43, 48]). Devido
às mudanças socio-económicas, durante a última década, muitos dos campos agrı́colas ou foram
abandonados, com a invasão posterior de matos, ou cobertas por plantações florestais extensas. Este
aumento de acumulação de combustı́vel facilitou o número e tamanho dos incêndios florestais em
Portugal, bem como noutros paı́ses do Mediterrâneo [31, 48, 67, 69]. Por exemplo, a área ocupada
pelo pinheiro bravo caiu de cerca de 30% para 22% entre os dois últimos inventários (1995 a 2005),
especialmente devido aos incêndios [13].
Portanto, o desenvolvimento da gestão florestal preventiva, incluindo estratégias de redução de risco
de incêndio, deve ser de primordial importância em Portugal. O termo “risco” tem sido definido de
várias formas na variada literatura [19, 23, 35]. Neste contexto encaramos o risco como a probabilidade 245
de um qualquer povoamento ser afetado por um incêndio (ou seja, a probabilidade de ocorrência),
independentemente da causa que originou a ignição do mesmo. Neste sentido, o uso de variáveis
do povoamento para prever risco de incêndio abre uma oportunidade clara para a inclusão de risco
de incêndio no planeamento da gestão dos povoamentos florestais. Estes modelos podem permitir
quantificar o impacto das intervenções florestais para o risco de incêndio e, portanto, permitiriam
minimizar o risco de incêndio como função objectivo nos modelos de gestão. Neste contexto, o
principal objectivo desta secção foi o desenvolvimento de modelos para previsão do risco de incêndio
para uma vasta gama de povoamentos florestais em Portugal, incluindo diferentes povoamentos puros
de pinheiro bravo, eucalipto, povoamentos mistos e irregulares.

4.1 M AT E R I A L E M É T O D O S

Este estudo recorreu à informação recolhida nos dois últimos Inventários Florestais Nacionais (IFN) .
As parcelas de cada inventário foram baseadas em duas malhas diferentes e, por conseguinte, não temos
acesso a dados de parcelas permanentes. Além disso, o número de parcelas medidas varia de inventário
para inventário. Neste estudo utilizou-se adicionalmente a informação recolhida sobre as áreas ardidas
anualmente entre e após a realização de cada um dos inventários, portanto entre 1997 e 2007. Neste
perı́odo registaram-se 13765 registos de incêndios com área superior a 5ha, que queimaram cerca
de 1.68 × 106 ha. Com recurso ao ARCGIS 9.2 as parcelas dos inventários foram intercetadas com
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

TA B E L A 2 .
Resultados dos modelos estimados para cada perı́odo
Perı́odo 1 (1987-1991)
Estimador Erro padrão Valor t p-value
β0 −4, 801 0, 144 −33, 513 < 0, 0001
β1 Coberto florestal
Culturas anuais 0,564 0,108 5,230 < 0, 0001
Folhosas 1,511 0,119 12,730 < 0, 0001
FolResEuc 2,439 0,143 17,074 < 0, 0001
Sem combustivel -1,045 0,176 -5,950 < 0, 0001
CultPerm -0,343 0,139 -2,460 0,01423
Matos 2,858 0,12 23,777 < 0, 0001
Resinosas 2,308 0,133 17,409 < 0, 0001
β2 Altitude
Alt > 700 1,112 0,091 12,233 < 0, 0001
Alt 400-700 0,906 0,08 11,588 < 0, 0001
Alt 200-400 0,536 0,062 8,639 < 0, 0001
β3 Slope S0 − 5 -0,933 0,09 -10,426 < 0, 0001
S5 − 10 -0,301 0,096 -3,130 0,00185
β4 DistEst DistEst > 1Km 0,252 0,046 5,471 < 0, 0001
β5 População
Pop > 100 -0,312 0,076 -4,099 < 0, 0001
Pop25 − 100 0,386 0,059 6,554 < 0, 0001
R2 0,89
AIC 1,762
Periodo 2 (1990-1994)
Estimador Erro padrão Valor t p-value
−4, 66 0, 123 −37, 760 < 0, 0001
β1 Coberto florestal
Culturas anuais -0,505 0,092 5,493 < 0, 0001
Euc 1,06 0,125 8,477 ¡0.0001
Folhosas 0,09 0,1 - 0,899 0,369
FolResEuc 0,668 0,136 4,895 < 0, 0001
246 Sem combustivel -0,964 0,13 -7,430 < 0, 0001
CultPerm -0,688 0,11 -6,319 < 0, 0001
Matos 1,823 0,1 18,451 < 0, 0001
Resinosas 1,478 0,107 13,934 < 0, 0001
ResinosasEuc 1,484 0,155 9,547 < 0, 0001
β2 Altitude
Alt > 700 1,38 0,079 17,441 < 0, 0001
Alt 400-700 1,158 0,067 17,241 < 0, 0001
Alt 200-400 0,468 0,054 8,709 < 0, 0001
β3 Slope S0 − 5 -0,617 0,078 -7,883 < 0, 0001
S5 − 10 0,008 0,084 0,099 0,921
β4 DistEst DistEst > 1Km 0,228 0,053 4,842 < 0, 0001
β5 População
Pop > 100 -0,308 0,066 -4,651 < 0, 0001
Pop25 − 100 0,57 0,051 11,205 < 0, 0001
R2 0,87
AIC 2,182
Periodo 3 (2000-20094)
Estimador Erro padrão Valor t p-value
-3,662 0,125 -29,263 < 0, 0001
β1 Coberto florestal
Culturas anuais 0,388 0,094 4,108 < 0, 0001
Folhosas 1,587 0,103 15,485 < 0, 0001
FolResEuc 1,597 0,127 12,599 < 0, 0001
SemCombustivel -1,687 0,141 -11,932 < 0, 0001
CultPerm 0,159 0,124 1,322 0,187
Matos 2,159 0,103 20,955 < 0, 0001
Resinosas 1,793 0,119 15,102 < 0, 0001
β2 Altitude
Alt > 700 0,553 0,079 6,994 < 0, 0001
Alt 400-700 0,525 0,067 7,824 < 0, 0001
Alt 200-400 0,553 0,053 10,368 < 0, 0001
β3 Slope S0 − 5 -0,542 0,078 -6,968 < 0, 0001
S5 − 10 -0,011 0,083 -0,133 0,894
β4 DistEst DistEst > 1Km 0,293 0,04 6,422 < 0, 0001
β5 População
Pop > 100 -0,908 0,065 - 13,913 < 0, 0001
Pop25 − 100 -0,23 0,051 -4,477 < 0, 0001
R2 0,88
AIC 1,681
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

os mapas anuais de áreas ardidas, por forma a determinar quais as parcelas ardidas e não ardidas
(Figura 2). Com o fim de selecionar as parcelas a utilizar na modelação utilizou-se a base de dados
oficial de incêndios do atual ICNF, que armazena informação anual sobre as coordenadas aproximadas
das ignições de cada perı́metro de incêndio, para a criação de buffers em torno de cada ponto, para que
todas parcelas ardidas fossem incluı́das e se eliminassem todas aquelas que não arderam, por estarem
de tal forma distantes de um ponto de ignição que não foram atingidas pelo incêndio. O conjunto de
variáveis explicativas testadas incluı́ram variáveis biométricas (por exemplo, número de árvores, a
carga de biomassa de matos sob coberto, idade, diâmetro médio quadrático, área basal), bem como
dados não-biométricos (variáveis climáticas, topográficas e socio-económicas - informação proveniente
de [34], descrito na secção anterior). Uma vez que os IFN não oferecem informação sobre a carga
de combustı́vel mas apenas informação que descreve a estrutura vertical, composição da vegetação,
tipo de arbusto, cobertura e altura, estes foram utlizados para obter a estimativa da biomassa (Ton/ha)
por espécie, multiplicando a altura do estrato arbustivo (m), pela sua cobertura do solo (m2 /ha) e pela
densidade especifica da espécie. Com o objectivo de obter uma probabilidade anual de um incêndio,
surgiu a necessidade de projectar as variáveis biométricas de cada parcela ano a ano, desde a data do
inventário até ao ano em que ardeu ou até à data do inventário seguinte. Para tal, foi necessário recorrer
aos modelos de crescimento desenvolvidos para cada espécie. Para fins de modelação foi criada uma
variável categórica para cada observação onde 0 indica que a parcela não ardeu nesse ano e 1 a parcela
247
ardeu. Se a variável tomar valor 1 a projecção é interrompida, caso contrário a projecção será feita para
o ano seguinte. Como consequência das projecções de crescimento ao longo do tempo, cada ponto do
IFN resulta em várias observações.
A ocorrência de um incêndio numa parcela num determinado perı́odo é uma resposta binária, sendo
por isso, usualmente, modelada através de regressão logı́stica [42, 66]. Este método assume uma
distribuição Bernoulli para a variável resposta, que vale 1 no caso de sucesso e 0 caso contrário, sendo a
probabilidade de sucesso p o parâmetro da distribuição, que se modela à custa dos preditores x1 , . . . , xk
através de [22]:

1
p= .
1 + e−(β0 +β1 x1 +...+βk xk )

Nesta análise, foram consideradas três tipo de florestas: Resinosas, Folhosas e Eucalipto. O modelo
multivariado final foi obtido usando todas as possı́veis combinações das variáveis. A construção dos
modelos considerou a consistência ecológica dos preditores, a importância das variáveis em termos
do inventário florestal e o manejo bem como a sua simplicidade e significância estatı́stica (nı́vel de
significância 0, 05). Para a seleção final do modelo, foram usados o teste da razão de verosimilhanças e
o teste de Wald bem como o critério de AIC. O ajuste do modelo foi verificado usando a estatı́stica de
Hosmer-Lemeshow e a curva ROC (Receiver Operations Characteristic Curve) [22]. A curva de ROC
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

248

FIGURA 2.
O mapa mostra os perı́metros de incêndios florestais em Portugal em dois perı́odos: 1997 − 2004 e
2005 − 2007 e as parcelas de povoamentos puros e regulares de pinheiro bravo (a), subconjunto de
parcelas do inventário florestal nacional (NFI) usadas no estudo (b), eliminação de parcelas não
ardidas devido à distância aos pontos de ignição (c).

foi usada para avaliar a fiabilidade discriminatória do modelo. Modelos com valores da curva ROC
iguais a 0, 7, 0, 8 e 0, 9 apresentam uma discriminação aceitável, boa e excelente, respectivamente,
entre ocorrência de incêndio e a não ocorrência [22]. Uma avaliação qualitativa foi feita para verificar
a consistência de acordo com os processos biológicos. Isso foi feito comparando-se os sinais dos
parâmetros estimados com o esperado teoricamente, com base em conhecimentos prévios de ocorrência
de fogos. O desempenho do modelo foi testado comparando-se os valores observados com os preditos.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

Por forma a estimar as probabilidades de ocorrência em cada ecossistema florestal, os dados

foram agrupados em classes de acordo com a amplitude das diferentes variáveis do modelo (por
exemplo, a densidade do povoamento ou o diâmetro médio quadrático). Cada uma das observações
(parcelas) foi atribuı́da à classe correspondente. A proporção de parcelas ardidas em cada classe
corresponde à probabilidade de incêndio observada nessa classe. O valor da probabilidade estimada
pelo modelo foi calculado para cada classe usando o ponto médio da mesma. Em seguida, os valores
observados e estimados foram comparados graficamente. Esta comparação permite identificar eventuais
discrepâncias e situações em que o modelo se comporta menos satisfatoriamente.

O modelo logı́stico prediz a probabilidade de uma ocorrência variando continuamente entre 0

e 1. Caso se pretenda utilizar o modelo para estimar a probabilidade de propagação de incêndio
não é necessário um ponto de corte. No entanto, em algumas aplicações é necessária uma variável
dicotómica (por exemplo para concluir se arde ou não). Nestes casos, pode-se definir um ponto de
corte e compará-lo com cada probabilidade estimada [22]. Neste estudo, calculou-se, com recurso
ao método sugerido por [42], um ponto de corte como um valor indicativo e por forma a encontrar a
percentagem observada média de ocorrência do incêndio nos dados originais.

4.2 R E S U LTA D O S
249
Após a análise de todas as combinações, os modelos selecionados para determinação da probabili-
dade de risco de incêndio, por tipos de povoamentos foram:

Para pinheiro bravo4

1
PburnPB = . (1)
1 + e−(−2,0216+0,0204Slp+0,0597SBiom−0,0153Prec−0,5856G/dg)

Para eucalipto5

1
PburnEuc = . (2)
1 + e−(−5.4005−0.054hdom+0.0.3959SBiom+0.5372RoadDist+0.3166G/dg)

4 Slp: declive (graus), SBiom: biomassa total de matos (Mg ha-1), Prec: número de dias de precipitação superior a 1mm, G:
área basal do povoamento(m2 ha-1) e dg: diâmetro quadrático médio do povoamento (cm). O preditor G/dg relaciona-se de
forma não linear com o número de árvores por hectare (m2 ha-1 cm-1), oferece informação sobre densidade e dimensão das
árvores.
5 hdom: altura dominante do povoamento (m), RoadDist: variável binária que indica a distância à rede de estradas; caso a

distância seja inferior a 1Km, RoadDist toma o valor 0, caso contrário toma o valor 1
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

Para outros6
1
PburnAll = (3)
1 + e−(4.9888+0.0433Sbiom−0.0279dg−0.00053N−0.0124Phard−0.02109Prec−0.2192Temp)

Da análise dos modelos apresentados nas expressões (1), (2) e (3) parece-nos razoável afirmar
que maiores cargas de biomassa de matos aumentam a probabilidade de um povoamento arder. O
aumento dos valores das variáveis biométricas e climatéricas (temperatura e precipitação) tem, em
geral, um impacto negativo nesta probabilidade. Todos os parâmetros estimados nas expressões acima
foram considerados significativamente diferentes de zero, ao nı́vel de 0, 05%, tal como avaliado pela
estatı́stica de χ 2 [22]. Todos os modelos foram bem sucedidos na predição da incidência (percentagens
de concordância superiores a 80%. A adequação dos modelos foi ainda avaliada por meio da análise
da curva ROC a partir do modelo de regressão logı́stica, indicando a discriminação excelente [22]. A
avaliação mostrou não existir colinearidade entre as variáveis incluı́das nos modelos.
A gestão florestal requer informações adicionais (ou seja, modelos de gestão orientados) que podem
ajudar na conceção de polı́ticas adequadas de prevenção (por exemplo: limpezas, desbastes). Neste
estudo desenvolveram-se modelos de gestão que incluem variáveis que são facilmente mensuráveis
250 e/ou controláveis pelos gestores florestais (por exemplo: a carga de combustı́vel de matos, número
de árvores por hectare, etc.). Uma vez que a gestão dos incêndios é, usualmente, realizada de forma
independente da gestão florestal, este estudo permitiu desenvolver modelos para prever a probabilidade
de incêndio, o que dá a possibilidade de integrar as práticas florestais para reduzir o risco de incêndio.
Além disso, os resultados são fundamentais para compreender a influência de algumas variáveis sobre
a probabilidade de propagação de incêndios em povoamentos florestais puros e mistos. Por exemplo,
o controle da carga de biomassa de matos permite que o gestor florestal possa incluir a redução do
risco de incêndio como um objectivo alternativo no planeamento da gestão da sua floresta. Além
da redução do risco de incêndio, vários estudos também indicam que os tratamentos de combustı́vel
(isto é, redução de combustı́veis em florestas) pode mudar o comportamento do fogo e melhorar a
eficácia da tática de extinção de incêndios [38]. Em qualquer caso, a quantificação dos riscos, prevista
pelos modelos selecionados, pode ajudar os gestores florestais a projetar o combustı́vel adequado e a
desenhar as estratégias de gestão.
Existem outros fatores incontroláveis não considerados no estudo, que podem influenciar a pro-
babilidade de ocorrência e propagação de incêndios. Por exemplo, é possı́vel que variáveis como a
velocidade do vento ou temperaturas máximas possam ser abordadas por pesquisas futuras. Além disso,
é importante salientar que a ocorrência de um incêndio não esta apenas dependente das caracterı́sticas

6 N: número de árvores (ha-1), Phard: percentagem de folhosas no povoamento e Temp: temperatura média anual (C◦ ).
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

intrı́nsecas do povoamento mas é, também, influenciada pela estrutura da paisagem. Muitas vezes um
povoamento arde porque o fogo se propagou se um povoamento vizinho, pelo que seria importante ter
em conta as variáveis biométricas dos vizinhos [44, 63].

5. O S D A N O S E A M O R TA L I D A D E P R O V O C A D O S P E L O S I N C Ê N D I O S
N O S P R I N C I PA I S E C O S S I S T E M A S F L O R E S TA I S E M P O R T U G A L
Os fogos florestais ameaçam as populações, destroem propriedade rural e urbana, e provocam danos
na floresta. O impacto do fogo será, na maior parte dos casos, variável em função da interacção entre
uma série de fatores como o regime do fogo (intensidade do fogo, época do ano), as caracterı́sticas do
local (solos, topografia, clima) e as caracterı́sticas de cada árvore (espécie, vigor vegetativo, tamanho,
idade). A capacidade de sobrevivência após fogo pode depender ainda de outros fatores adicionais de
perturbação (seca, pragas e doenças) [10].
Decisões de gestão florestal são baseadas em informações sobre o estado atual e futuro da floresta.
Para compreender e prever o crescimento da floresta e o seu rendimento, necessitamos de informações
sobre fatores que conduzem à mortalidade das árvores. Se as decisões de gestão florestal são feitas
sem considerar o risco de incêndio, podemos vir a tomar decisões não-óptimas de sobrestimação das
receitas. A necessidade de abordar o risco de incêndio no planeamento da gestão é evidente. Novos
métodos e ferramentas podem fornecer informações sobre a probabilidade de uma árvore morrer ou 251
sobreviver em caso de um incêndio ocorrer (por exemplo, a predição de mortalidade pré-fogo) e são
necessários para incluir o perigo de incêndio no planeamento florestal: Este tipo de planeamento da
gestão orientado é feito recorrendo a variáveis facilmente controláveis pelo gestor, pois podem ajudar
a antecipar os resultados de diferentes alternativas de gestão, reduzindo a incerteza [16]. Também
ajudam a identificar alternativas de gestão que reduzem as perdas esperadas devido a incêndio.
Recorreu-se a uma estratégia de modelação em três passos para desenvolver modelos de previsão
de mortalidade no povoamento e na árvore recorrendo a métodos de regressão logı́stica. Este estudo
é a primeira tentativa de desenvolver modelos de mortalidade pós-fogo para qualquer estrutura de
povoamento florestal em Portugal, que pode ser usado para incorporar considerações de gestão do fogo
em actividades silvı́colas, e no planeamento de gestão global da floresta e da paisagem. Estes modelos
são fundamentais para enfrentar o risco e a incerteza numa estrutura adaptável.

5.1 M AT E R I A L E M É T O D O S

Foi recolhida informação de inventário florestal sobre em 12237 parcelas no IFN 2005/2006, bem
como informação anual relativa aos perı́odos de incêndios florestais no perı́odo entre 2006 e 2008.
Neste perı́odo registaram-se 3436 eventos de fogo, que destruı́ram cerca de cento e vinte cinco mil
hectares. Para identificar quais as parcelas do IFN que anualmente foram percorridas por incêndios,
foram intercetados, com recurso ao software ARCGIS 9.2, os mapas com as parcelas e os perı́metros
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

dos fogos (Figura 3). Este processo foi repetido anualmente, por dois anos consecutivos. No total do
perı́odo em estudo foram identificadas apenas 38 parcelas com 795 árvores que haviam ardido. Uma
vez que o número se mostrou ser insuficiente, foram identificadas 203 outras parcelas “não IFN”, com
1725 árvores, localizadas em perı́metros de incêndios. O conjunto das 241 parcelas foi inventariado
após a ocorrência do fogo.

252

FIGURA 3.
Localização das parcelas de inventário. a) O mapa apresenta a distribuição dos perı́metros de
incêndio florestais com mais de 5 ha em Portugal nmo perı́odo 2006-2008

Os inventários pós-fogo envolveram tanto a medição de variáveis biométricas (por exemplo, altura,
diâmetro à altura do peito) como dano de fogo (por exemplo: espessura de casca ardida, altura
de queimada, o grau de destruição toco, copa queimada). Outros dados e informações, tais como
localização geográfica e caracterização da parcela (por exemplo: altitude declive, presença de erosão
do solo, espécies de arbustos) foram ainda adquiridos. Como o objetivo da modelação foi a previsão da
mortalidade pós-fogo em longos horizontes de planeamento, as variáveis biométricas testadas, bem
como as caracterı́sticas do povoamento, são facilmente mensurável e/ou previsı́vel. Estas variáveis
permitem ao gestor da floresta prever o efeito das mudanças na estrutura e composição de espécies
sobre a mortalidade esperada. No caso das 203 parcelas adicionais que não tinham sido medidas antes
da ocorrência incêndio, recorreu-se aı́ a um processo de engenharia inversa, para a reconstituição da
parcela anterior ao fogo [14].
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

A ocorrência de mortalidade numa parcela de árvores, durante um determinado perı́odo de tempo, é

um resultado binomial, o qual pode ser modelado por regressão logı́stica [22]. Este método é o mais
utilizado [42, 66] uma vez que é matematicamente flexı́vel, fácil de usar, e tem uma interpretação
significativa [22]. A variável dependente é dicotómica podendo tomar o valor 0 ( morte da árvore) e 1
(sobrevivência da árvore).

Estimativa de existência de mortalidade numa parcela

A fim de prever se a mortalidade ocorrerá numa parcela depois de um incêndio, foi criada uma
variável binária que indica se houve ou não mortalidade. Esta variável tem o valor 1 se alguma
mortalidade ocorreu dentro do povoamento, ou seja, pelo menos uma árvore morreu, e o valor 0 se
nenhuma árvore morreu, como sugerido em [15]. Assim, os dados utilizados para desenvolver este
modelo incluı́ram todas as parcelas, com e sem ocorrência de mortalidade.

Estimativa da proporção de mortalidade pós-fogo

Para quantificar a mortalidade pós-fogo em povoamentos onde ocorreu mortalidade (153 em 241
parcelas), duas variáveis foram criadas. Estas variáveis indicam o número de árvores que morreram em
consequência de um incêndio florestal (ou seja, o número de eventos) e o número total de árvores no
povoamento (ou seja, o número de tentativas). Em seguida, usam-se estes valores para ajustar o modelo 253
de regressão logı́stica. Portanto, este modelo é descrito como a proporção de árvores que morreram
no povoamento por hectare como consequência de um incêndio ou seja, número de árvores mortas
dividido pelo total de árvores no povoamento (árvores/ha).

Estimativa de mortalidade de árvores pós-fogo

Neste terceiro passo, a variável prevista foi a probabilidade de uma árvore morrer após ter sido
queimada por um fogo. Para fins de modelação, foi criada uma variável binária que toma o valor 1 se a
árvore morre e 0 se a árvore sobrevive. No total, 2520 árvores de várias espécies foram inventariadas
em áreas queimadas, das quais 1905 estavam mortas em consequência de um incêndio.

5.2 R E S U LTA D O S

Os resultados da modelação estatı́stica são apresentados na Tabela 3. Os resultados sugerem que os

modelos podem prever com precisão os danos pós-fogo em qualquer estrutura de povoamento florestal
em Portugal ao longo de um longo horizonte de planeamento. No âmbito do planeamento da gestão as
equações apresentadas ajudam a prever se haverá mortalidade ou não num determinado povoamento.
Caso se preveja mortalidade, determina-se qual a intensidade da mortalidade, isto é, qual a proporção
de árvores mortas. Estes modelos, permitem-nos, também, avaliar quais são as árvores que se prevêem
que morram, quando são afetadas por um incêndio.
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

TA B E L A 3 .
Modelos estimados
Espécie Mortalidade no povoamento
1
P. Bravo Psd =
1 + e−(2,1231+2,3943G/Dg−0,1134AVGDBH)
1
Eucalipto Psd =
1 + e−(−1,1742+3,8942Sd/Dg)
1
Todas Psd =
1 + e−(−0,7882+1,1079PBr+2,1698PC−0,5553G+4,328G/Dg+3,2549Sd/Dg)
Espécie Proporção de mortas
1
P. Bravo Pmort =
1+e −(0,7065+0,00491 Alt+0,1158Slope−0,1649AVGDBH+0,1456Sh)
1
Eucalipto Pmort =
1+e −(0,4654+0,00119 Alt+0,0214Slope+0,00401G −0,1027Sh)
1
Todas Pmort =
1+e −(0,3579−0,1361 PEc−1,3872PBr+0,0525Slope+0,0017Alt−0,0393AVGDBH)

Espécie Mortalidade da árvore individual

1
P. Bravo Ptd =
1 + e−(−3,0126−0,00396DBG+0,5707BAL+6,9632Pd)
1
Eucalipto Ptd =

254 1 + e−(3,6381−0,271DBH−0,174G+0,4311Sh)
1
Todas Ptd =
1 + e−(1,2699+1,038Con+0,505Ec−0,8551Oak+0,0112Slope+2,622BAL−0,1581G)
1
Ptd =
1 + e−(1,5896+1,1315Con+0,6714Ec−0,9362Oak+0,0128Slope−0,0846G−0,0679Hest+0,000697N)

Onde: Psd é a probabilidade de ocorrer mortalidade num povoamento; G é a área basal (m2 /ha); Dg é o diâmetro
quadrático médio das árvores (cm). O preditor G/Dg é indicador da densidade de um povoamento por hectare;
AVGDBH é o diâmetro da altura do peito, medido a 1,30m (cm); PBr é a proporção de folhosas num povoamento
(0 indica que não existe nenhuma e 1 indica que o povoamento é puro (só tem folhosas)); PC é a proporção de
pinheiro bravo num povoamento (%); Sd é o desvio padrão do diâmetro à altura do peito em relação à média (cm).
O predictor Sd/dg expressa a variabilidade dos diâmetros das árvores; Alt é a altitude (m); Slope é o declive,
medido em graus; Sh é o desvio padrão da altura da árvore em relação à média (cm) [quanto maior é este valor,
mais irregular é o povoamento]; PEc é a proporção de eucaliptos num povoamento; Ptd é a probabilidade de uma
árvore individual morrer; dbh é o diâmetro da árvore à altura do peito, a 1, 3 m (cm); BAL é o somatório da área
basal das árvores maiores que a árvore em estudo (m2 /ha) [este indicador dá-nos o ı́ndice de competição entre
árvores, quantificando quanto uma árvore é dominada pelas restantes; quanto maior for o valor de BAL mais esta
árvore é dominada]; Ptd é a proporção de árvores mortas num povoamento; N é o número de árvores por ha; Hest
é a altura toral da árvore; Con, Ec, Oak são variáveis binárias que indicam se a árvore é uma conı́fera, um
eucalipto ou carvalho.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

Todos os parâmetros estimados nas equações acima foram considerados significativamente diferentes
de zero, ao nı́vel de 0, 05%, tal como avaliado pela estatı́stica χ 2 , [22]. Todos os modelos foram bem
sucedidos na predição da mortalidade e respetiva proporção (percentagens de concordância superiores
a 82%), (Tabela 5.2). A adequação dos modelos foi ainda avaliada por meio da análise da curva ROC a
partir do modelo de regressão logı́stica, indicando a discriminação excelente [22]. A avaliação mostrou
não existir colinearidade entre as variáveis incluı́das nos modelos.

A abordagem de modelação logı́stica utilizada neste estudo foi usada anteriormente para prever
a mortalidade de árvores em consequência de danos provocados pelo fogo [6, 7, 18, 20, 37, 54, 64].
Além disso, a abordagem de modelação em diferentes etapas, foi também utilizada para modelar a
mortalidade de árvores [15, 4]. Isso mostra a adequação da técnica de modelação utilizada. A vantagem
do método de três passos usado neste estudo, em comparação com outros métodos tradicionais, é
a possibilidade de deteção de parcelas onde não ocorre mortalidade. Caso contrário, os modelos
tradicionais geram sempre mortalidade em todas as parcelas [15].

Modelos de previsão de mortalidade pós-fogo são uma valiosa ferramenta de planeamento da gestão
[20], pois fornecem informações sobre o impacto dos incêndios em diversas condições da floresta.
Assim, podemos concluir que estes modelos são fundamentais para o desenho de estratégias silvı́colas
que podem diminuir os danos causados por incêndios. A utilidade dos modelos de danos pós-fogo no
255
planeamento da gestão depende, em muito, da informação que podem vir a fornecer sobre o impacto
na mortalidade, recorrendo a variáveis que poderão ser estimadas ou preditas razoavelmente e que são
facilmente controláveis pelo gestor florestal (por exemplo: o número de árvores, ou o seu diâmetro
médio). A inclusão do risco de incêndio e mortalidade pode, agora, ser facilmente considerada nos
planos de gestão florestal.

AG R A D E C I M E N T O S

O trabalho de IN foi financiado por fundos nacionais através da FCT - Fundação para a Ciência e a
Tecnologia - no âmbito do projecto PEst-OE/MAT/UI0006/2011.

R E F E R Ê N C I A S

[1] J.K. Agee, File ecology of Pacific Northwest forests, Island Press, Washington DC, 1993.

[2] , F.A. Albini, Estimating wild fire behavior and effects, USDA forest service general technical
report INT-30, Ogden UT, USA, 1976

[3] I. Alcántara-Ayala, Geomorphology, natural hazards, vulnerability and prevention of natural

disasters in developing countries, Geomorphology, 47 (2002) 107–124.
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

[4] J.G. Álvarez-González, F. Castedo-Dorado, A.D. Ruiz-González, C.A. López-Sánchez, K. von

Gadow, A two-step mortality model for even-aged stands of Pinus radiata d. in Galicia (Northwes-
tern Spain), Annals of Forest Science,61 (2004) 439–448.
[5] A.M. Barton, Gradient analysis of relationships among fire, environment and vegetation in a
Southwestern USA mountain range, Bulletin Torrey Botanical Club, 121 (1994) 251–265.
[6] J.L. Beverly, D.L. Martell, Modeling Pinus strobus mortality following prescribed fire in Quetico
Provincial Park, northwestern Ontario, Canadian Journal of Forest Research, 33 (2003) 740–751.
[7] H.S. Botelho, P.M. Fernandes, L.L.S. Ruas, Modeling pinus pinaster induced by up-slope wind
driven prescribed fires in northern Portugal, in: R. Weber (ed.), Proceedings of the 13th Confe-
rence on Fire and Forest Meteorology, Lorne, Australia. International Association of Wildland
Fire, Fairfield WA, 1996. pp. 473–476.
[8] M.C. Bowman, K. Foster, M. Wilkerson, An evaluation of potential natural disaster response
using the National Polar-orbiting Operational Environmental Satellite System (NPOESS): im-
proving data response timelines, in: 2009 17th International Conference on Geoinformatics:
Proceedings of a meeting held 12-14 August 2009, Fairfax VA, Institute of Electrical and Electro-
nics Engineers, 2009. pp. 1179–1182.
256 [9] A. Calder, A. Couper, J. Lo, Aspen, Catastrophe model blending: techniques and governance,
The Actuarial Profession, (2012). http://www.actuaries.org.uk/
[10] F.X. Catry, F.S. Silva, P. Fernandes, Efeitos do fogo na vegetação,in: In F. Moreira, F.X. Catry,
F.S. Silva, F. Rego (eds.), Ecologia do fogo e gestão de áreas ardidas, ISA Press, Lisboa, 2010.
[11] E. Cavallo, I. Noy, The economics of natural disasters - a survey, Inter-American Development
Bank (IDB) Working Paper Series IDB-WP-124, Washington DC, 2010
[12] J. Chen, M. Li, W. Wang, Statistical uncertainty estimation using random forests and
its application to drought forecast, Math. Probl. in Eng., (2012) Article ID 915053.
doi:10.1155/2012/915053.
[13] DGRF, Resultados do Inventário Florestal Nacional 2005/2006, 5a Revisão, Direcção-Geral dos
Recursos Florestais, Lisboa, 2006.
[14] U. Diéguez-Aranda, M. Barrio-Anta, F. Castedo-Dorado, M. Balboa-Murias, M., Estimación del
diámetro normal y del volumen del tronco a partir de las dimensiones del tocón para seis espécies
forestales comerciales de Galicia, Investigación Agraria: Sistemas y Recursos Forestales, 12 (2),
(2003) 131–139.
[15] J. Fridman, G. Stahl, A three-step approach for modelling mortality in Swedish forest, Scandina-
vian J. of Forest Research, 16 (2001) 455–466.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

[16] K. von Gadow, Evaluating risk in forest planning models, Silva Fennica, 34 (2), (2000) 181–191.
[17] N.W. Galwey, Introduction to mixed modelling: beyond regression and analysis of variance, John
Wiley, Chichester, 2008.
[18] J. Garcia-Gonzalo, T. Pukkala, J. Borges, Integrating fire risk in stand management schedu-
ling. An application to Maritime pine stands in Portugal, Ann. Oper. Res., 185 (2011). doi:
10.1007/s10479-011-0908-1.
[19] J.R. González, M. Palahı́, T. Pukkala, A fire probability model for forest stands in Catalonia
(North-East Spain), Annals of Forest Science, 63 (2006) 1–8.
[20] J.R. González, A. Trasobares, M Palahı́, T. Pukkala, Predicting stand damage and tree survival in
burned forests in Catalonia (North-East Spain), Annals of Forest Science, 64 (2007) 733–742.
[21] J.R.M. Hosking, Towards statistical modeling of tsunami occurrence with regional frequency
analysis, Journal of Math-for-Industry, 4 (A), (2012) 41–48.
[22] D.W. Hosmer, S. Lemeshow, Applied logistic regression, 2nd Ed., Wiley Series in Probability and
Mathematical Statistics, John Wiley, New York, 2000.
[23] H. Jactel, B.C. Nicoll, M. Branco, J.R. González-Olabarria, W. Grodzki, B. Langstrom, F. Moreira,
S. Netherer, The influences of forest stand management on biotic and abiotic risks of damage, 257
Annals of Forest Science, 66 (7), (2009) 701.
[24] A. Jalkanen, U. Mattila, Logistic regression models for wind and snow damage in northern
Finland based on the National Forest Inventory data, Forest Ecology and Management, 135
(2000) 315–330.
[25] R. Jemli, N. Chtourou, R. Feki, R., Insurability challenges under uncertainty: an attempt to use
the artificial neural network for the prediction of losses from natural disasters, Panoeconomicus,
57 (1), (2010) 43–60. doi:10.2298/PAN1001043J.
[26] T. Kim, J. Valdés, C. Yoo, Nonparametric approach for estimating return periods of droughts in
arid regions, J. Hydrol. Eng., 8 (5), (2003) 237–246.
[27] T.R. Kjeldsen, D.A. Jones, A.C. Bayliss, Statistical modelling of flood risk at ungauged sites,
Second IMA International Conference on Flood Risk Assessment, Plymouth.. Institute of Mathe-
matics and its Applications, 2007. http://nora.nerc.ac.uk/2591/2/KjeldsenIMA2007Paper.pdf.
[28] H. Konsuk, S. Aktas, Estimating the recurrence periods of earthquake data in Turkey, Open
Journal of Earthquake Research, 2 (2013) 21–24. doi:10.4236/ojer.2013.21002.
[29] C. Kousky, Informing climate adaptation: a review of the economic costs of natural disasters,
their determinants, and risk reduction options, Resources for the Future Discussion Papers, 2012.
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

[30] Q. Li, Fuzzy approach to analysis of flood risk based on variable fuzzy sets and improved
information diffusion methods, Nat. Hazards Earth Syst. Sci., 13 (2013) 239–249.

[31] F. Lloret, E. Calvo, X. Pons, R. Dı́az-Delgado, Wildfires and landscape patterns in Eastern
Iberian Peninsula, Landscape Ecology, 17 (2002) 745–759.

[32] V.K. Lohani, G.V. Loganathan, An early warning system for drought management using the
Palmer drought index, JAWRA Journal of the American Water Resources Association, 33 (6),
(1997) 1375–1386.

[33] H.A. Loáiciga, On the probability of droughts: the compound renewal model, Water Resources
Res., 41 (2005). doi:10.1029/2004WR003075

[34] S. Marques, J.G. Borges, J. Garcia-Gonzalo, F. Moreira, J.M.B. Carreiras, M.M. Oliveira, A.
Cantarinha, B. Botequim, J.M.C. Pereira, Characterization of wildfires in Portugal, Eur. J. of
Forest Research, 130 (2011) 775–784.

[35] S. Marques, J. Garcia-Gonzalo,B. Botequim, A. Ricardo, J.G. Borges, M. Tomé, M.M Oliveira,
Assessing wildfire occurrence probability in Pinus pinaster Ait. stands in Portugal, Forest Systems,
21 (1), (2012) 111–120.

258 [36] M. McAleer, L.F. Chu, C.C. Chang, Statistical modelling of extreme rainfall in Taiwan, in: H.Q.
Mao (ed.), Proceedings of the 2012 2nd international conference on computer and information
application (ICCIA 2012), Atlantis Press, Amsterdam/Paris, 2012. pp. 1389–1392.

[37] C.W. McHugh, T.E. Kolb, Ponderosa pine mortality following in northen Arizona, Int. J. of
Wildland Fire, 12 (2003) 7–22.

[38] D.E. Mercer, R.G. Haight, J.P. Prestemon, Analyzing trade-offs between fuels management,
suppression, and damages from wildfires, in; T. P. Holes, J.P. Prestemon, K.L. Abt (eds). The
Economics of forest disturbances: wildfires, storms, and invasive species, Forestry Sciences
vol.79, Springer, New York, 2008. pp. 247–272.

[39] M. Mermoz, T. Kitzberger, T.T. Veblen, Landscape influences on occurence and spread of
wildfires in patagonian forests and shrublands, Ecol., 86 (2005) 2705–2715.

[40] A.K. Mishra, V.R. Desai, Drought forecasting using stochastic models, Stoch. Environ. Res. Risk
Assess., 19 (5) (2005) 326–339.

[41] R. Modarres, Streamflow drought time series forecasting, Stoch. Environ. Res. Risk Assess., 21
(3) (2007) 223–233.

[42] R.A. Monserud, H. Sterba, Modelling individual tree mortality for austrian forest species, Forest.
Ecology and Management, 113 (1999) 109–123.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

[43] F. Moreira, F.C. Rego, P. Godinho-Ferreira, Temporal (1958-1995) pattern of change in a cultural
landscape of northwestern Portugal: implications for fire occurrence, Landscape Ecol., 16 (6)
(2001) 557–567.

[44] F. Moreira, P. Vaz, A.F. Catry, J.S. Silva, Regional variations in wildfire susceptibility of land-
cover types in Portugal: implications for landscape management to minimize fire hazard, Int. J.
of Wildland Fire, 18 (2009) 563–574.

[45] J.Y. Nai, E. van Beek, P.H.A.J.M. van Gelder, P.J.M.A. Kerssens, Z.B. Wang, Copula approach
for flood probability analysis of the Huangpu river during barries closure, in: Proceedings
ICCE2004, Lisboa, 2004.

[46] I. Natário, M.M. Oliveira, S. Marques, Using INLA to Estimate a Highly Dimensional Spatial
Model for Forest Fires in Portugal, in: Studies in Theoretical and Applied Statistics: Selected
Papers of the Statistical Societies, Springer-Verlag, 2013.

[47] J. Nelder, P. McCullagh, Generalized linear models, 2nd ed., Chapman and Hall, London 1989.

[48] J.P. Pausas, J. Llovet, A. Rodrigo, R. Vallejo, Are wildfires a disaster in the Mediterranean basin:
a review, Int. J. of Wildland Fire, 17 (6), (2008) 713–723.

[49] J.M.C. Pereira, J.M.B. Carreiras, J.M.N. Silva, M.J. Vasconcelos, Alguns conceitos básicos sobre 259
fogos rurais em Portugal, in: J.S. Pereira, J.M.C. Pereira, F.C. Rego, J.M.N. Silva, T.P. Silva
(eds.), Incêndios florestais em Portugal, ISA Press, Lisboa 2006. pp. 133–161.

[50] J.M.C. Pereira, M.T. Santos, Áreas queimadas e risco de incêndio em Portugal, Direcção Geral
das Florestas, Ministério da Agricultura, Desenvolvimento Rural e Pescas. Lisboa, 2003

[51] M.G. Pereira, R.M. Trigo, C.C. Camara, J.M.C. Pereira, S.M. Leite, Synoptic patterns associated
with large summer forest fires in Portugal, Agric. Forest. Meteorol, 139 (2005) 11-25.

[52] G. von Peter, S. von Dahlen, S. Saxena, Unmitigated disasters? new evidence on the macro-
economic cost of natural catastrophes, BIS Working Papers No. 394, Bank for International
Settlements, Basel, 2012

[53] R Core Team, R: A Language and Environment for Statistical Computing, R Foundation for
Statistical Computing, Vienna, 2012. http://www.R-project.org.

[54] E. Rigolot, Predicting postfire mortality of Pinus halepensis Mill. and Pinus pinea L., Plant
Ecology, 171 (2004) 139–151.

[55] R.C. Rothermel, A mathematical model for predictiong fire spread in wildland fuels, Intermountain
Forest and Range Experiment Station Research Paper INT-115, U.S. Department of Agriculture,
Forest Service, Ogden UT, 1972.
 IV M AT E M Á T I C A D O P L A N E TA H U M A N O

[56] R.C. Rothermel, How to predict the spread and intensity of forest and range fires, Forest Service
Technical Report INT - 143, U.S. Department of Agriculture, Forest Service, Ogden UT, 1983.

[57] M.A. Ruiz-Estrada, D. Park, An introduction to the natural disaster vulnerability evaluation
modeling (NDVE-modeling): theory and application, Munich Personal RePEc Archive, 2011.
http://mpra.ub.uni-muenchen.de/.

[58] J. Saldarriaga, V. Yevjevich, Applications of run-lenghts to hydrologic series, Hydrological Papers

No. 40, Colorado State University, Fort Collins CO, 1970

[59] A. Sarri, S. Guillas, F. Dias, Statistical emulation of a tsunami model for sensitivity analy-
sis and uncertainty quantification, Nat. Hazards Earth Syst. Sci., 12 (2012) 2003–2018.
doi:10.5194/nhess-12-2003-2012

[60] A. Sebastián-López, R. Salvador-Civil, J. Gonzalo-Jiménez, J. SanMiguel-Ayanz, Integration of

socio-economic and environmental variables for modeling fire danges in Southern Europe, Eur. J.
Forest Res., 127 (2008) 149–163.

[61] Z. Sen, Statistical analysis of hydrologic critical droughts, Journal of the Hydraulics Division,
106 (1), (1980) 99–105.
260
[62] J.T. Shiaua, R. Modarres, Copula-based drought severity-duration-frequency analysis in Iran,
Meteorological Applications, 16 (2009) 481–489.

[63] J.S. Silva, F. Moreira, P. Vaz, F. Catry, P. Godinho Ferreira, Assessing the relative fire proneness
of different forest types in Portugal, Plant Biosystems, 143 (3), (2009) 597–608.

[64] S.L. Stephens, M.A. Finney, Prescribed fire mortality of Sierra Nevada mixed conifer tree species:
effects of crown damage and forest floor combustion, Forest Ecology and Management, 162
(2002) 261–271.

[65] T. Utsu, Estimation of parameters for recurrence models of earthquakes, Bull. of the Earthquake
Res. Inst., 59 (1984) 53–66.

[66] J.K Vanclay, Modelling forest growth and yield: application to mixed tropical forests, CAB
International, Wallingford, 1994.

[67] R. Velez, A defesa da floresta contra incêndios florestais: estratégias, recursos, organização, in:
J. S. Pereira, J. M. Pereira, F. C. Rego, J. N. Silva E T. P. Silva (eds.), Incêndios florestais em
Portugal: caracterização, impactes e prevenção, ISA Press, Lisboa, 2006. pp. 355–368.

[68] D. Vere-Jones, Stochastic models for earthquake occurrence,, J. Royal Stat. Soc. Series B
(Methodological), 32 (1), (1970) 1–62.
 A P L I C A Ç Õ E S E S TAT Í S T I C A S E M C AT Á S T R O F E S N AT U R A I S

[69] O. Viedma, J.M. Moreno, I. Riero, Interactions between land use/cover change, forest fires and
landscape structure in Sierra de Gredos (Central Spain), Environmental Conservation, 33 (3),
(2006) 212–222. doi:10.1017/S0376892906003122.

[70] D.X. Viegas, M.T. Viegas, A relationship between rainfall and burned area for Portugal, Int. J.
Wildland Fire, 4 (1994) 11–16.

[71] K.B. Welch, B. West, A.T. Galecki, Linear mixed models: a practical guide using statistical
software, Chapman and Hall/CRC, London, 2006.

[72] S. Wiemer, Earthquake statistics and earthquake prediction research, Earthquake Statistics
Group, ETH Zürich. thhp://www.earthquake.ethz.ch/education/NDK/NDK (Acedido em janeiro
2013).

[73] L. Wittenberg, D. Malkinson, Spatio-temporal perspectives of forest fires regimes in a maturing

Mediterranean mixed pine landscapes, Eur. J. Forest Res., 128 (2009) 297–304.

261