Modelo espacial bayesiano de Cox log-gaussiano usando SPDE para estimar la ocurrencia de incendios forestales en el Perú

Abstract

Los incendios forestales se han venido incrementando en las últimas cuatro décadas a nivel mundial. En el Perú de acuerdo a los datos del INDECI, en los últimos 10 años se evidencia una tendencia creciente. La ocurrencia de estos eventos representa la degradación de la calidad del aire, de la flora y pone en grave riesgo a muchas personas y zonas agrícolas. Para una adecuada evaluación de uno de los componentes del riesgo generado por estos eventos, se requiere analizar la intensidad de su ocurrencia a través de herramientas flexibles. En este contexto se estudia el patrón puntual de estos eventos, a través del modelo espacial bayesiano de Cox log-gaussiano (LGCP) bajo el enfoque de ecuaciones diferenciales parciales estocásticas (SPDE). Los distintos modelos que se evalúan corresponden a la clase de modelos gaussianos latentes y jerárquicos, lo cual nos permite realizar su estimación bajo inferencia bayesiana empleando la aproximación de Laplace anidada integrada (INLA), en tiempos que posibilitan una respuesta rápida y eficiente ante el riesgo generado por estos eventos.Forest fires have been increasing in the last four decades worldwide. In Peru according to INDECI data, there has been an increasing trend in the last 10 years. The occurrence of these events represents the degradation of air quality, flora and puts many people and agricultural areas at serious risk. For an adequate evaluation of one of the risk components generated by these events, it is necessary to analyze the intensity of their occurrence through flexible tools. In this context, the point pattern of these events is studied, through the Bayesian spatial model of the log Gaussian Cox process(LGCP) under the approach of stochastic partial differential equations (SPDE). The different models that are evaluated correspond to the class of latent and hierarchical Gaussian models, which allows us to estimate them under Bayesian inference using the integrated nested Laplace approximation (INLA), in times that allow a quick and efficient response to the risk generated by these events.