Search

Models of human-caused ignition probability are typically developed from static or structural points of view. This research analyzes the intra-annual dimension of fire occurrence and fire-triggering factors in NE Spain and moves forward towards more accurate predictions. Applying the Maximum Entropy algorithm (MaxEnt) and using wildfire data (2008–2011) and GIS and remote sensing data for the explanatory variables, we construct eight occurrence data scenarios by splitting wildfire records into the four seasons and then separating each season into working and non-working days. We assess model accuracy using a cross-validation k-fold procedure and an operational validation with 2012 data. Results report a substantial contribution of accessibility across models, often coupled with Land Surface Temperature. In addition, we observe great temporal variability, with WAI strongly influencing winter models, whereas distance to roads stands out during working days. Model performances stand consistently above 0.8 AUC in all temporal scenarios, with outstanding predictive effectiveness during summer months. The comparison among static-to-dynamic approaches reveals superior performance of simulations considering temporal scenarios, with AUC values from 0.7 to 0.85. Overall, we believe our approach is reliable enough to derive dynamic predictions of human-caused fire occurrence. Highlights Wildfires exhibit differential spatial patterns at seasonal and daily levels. Accessibility by road and human pressure on wildlands govern ignition probability. Dynamic modelling through temporal scenarios enhances prediction. Winter fires display a stronger relationship to agricultural activities (WAI).

Múltiples investigadores creen que el estudio del comportamiento y movilidad espacial de la población ha alcanzado un cuello de botella debido a la rigidez de los métodos tradicionales de investigación en el campo y a la dificultad de acceso a información relevante y de confianza. La sombra digital geoespacial es una de las oportunidades más prometedoras para poder desarrollar y probar nuevas hipótesis en el estudio del comportamiento espacial, pero la aplicación de estos nuevos métodos todavía no ha sido suficientemente explorada en el campo de los riesgos y desastres. Este artículo recoge los últimos avances en este ámbito centrándose en la capacidad de la sombra digital geoespacial de redes sociales (Twitter) como un método innovador para el estudio del comportamiento espacial humano durante emergencias. Esta investigación rastrea las localizaciones de usuarios de Twitter durante el periodo pre-desastre para producir estimaciones del número de evacuados, y en los meses posteriores al desastre para estimaciones de desplazados y del impacto del evento en el turismo.

Múltiples investigadores creen que el estudio del comportamiento y movilidad espacial de la población ha alcanzado un cuello de botella debido a la rigidez de los métodos tradicionales de investigación en el campo y a la dificultad de acceso a información relevante y de confianza. La sombra digital geoespacial es una de las oportunidades más prometedoras para poder desarrollar y probar nuevas hipótesis en el estudio del comportamiento espacial, pero la aplicación de estos nuevos métodos todavía no ha sido suficientemente explorada en el campo de los riesgos y desastres. Este artículo recoge los últimos avances en este ámbito centrándose en la capacidad de la sombra digital geoespacial de redes sociales (Twitter) como un método innovador para el estudio del comportamiento espacial humano durante emergencias. Esta investigación rastrea las localizaciones de usuarios de Twitter durante el periodo pre-desastre para producir estimaciones del número de evacuados, y en los meses posteriores al desastre para estimaciones de desplazados y del impacto del evento en el turismo.