Forest fire danger modeling in Portugal

Abstract

Wildfires represent a significant socio-ecological threat worldwide, with severe impacts in the Mediterranean region, particularly in Portugal. Accurate modeling of wildfire susceptibility and hazard is crucial for preventive planning and effective mitigation. This thesis aimed to advance the spatial and temporal assessment of wildfires in central Portugal by employing geoprocessing and machine learning approaches. The central research problem stems from the need to overcome the limitations of traditional models, which frequently rely on static annual averages and overlook the seasonal dynamics of driving factors and the protective effect of fuel memory. The global methodology of the thesis was divided into two complementary approaches: the first focused on wildfire susceptibility mapping using the Random Forest algorithm with 13 socio-environmental variables;the second investigated fire hazard through seasonally-disaggregated models generated via a data-driven Spatial Multi-Criteria Evaluation (SMCE) and Simple Additive Weighting (SAW) approach, and tested the incorporation of fuel age via the Fire Return Interval (FRI). Consolidated results demonstrated that susceptibility models achieved high predictive accuracy (AUC of 84.68%) by identifying the specific contribution of structural variables. Furthermore, evidence showed that seasonally disaggregated models (High, Medium, and Low seasons) systematically outperform overall annual models. A fundamental conclusion of this thesis is that, during the critical periods of the high-fire season, extreme weather conditions override the constraints imposed by fuel memory (recently burned areas), refuting the hypothesis that the FRI strictly limits fire spread. These findings highlight the absolute need to integrate both structural spatial drivers and dynamic seasonal components for more resilient wildfire management. Keywords: machine learning; fire susceptibility; fire probability; fire return interval (fri)

Os incêndios florestais representam uma ameaça socioecológica significativa em todo o mundo, com impactos severos na região do Mediterrâneo, especialmente em Portugal. A modelagem precisa da suscetibilidade e do perigo de incêndios é fundamental para o planejamento e a mitigação destes eventos extremos. Esta tese teve como objetivo geral avançar na avaliação espacial e temporal dos incêndios florestais na região central de Portugal, empregando abordagens de geoprocessamento e aprendizado de máquina. O problema central da pesquisa baseia-se na necessidade de superar as limitações dos modelos tradicionais, que frequentemente utilizam médias anuais estáticas e negligenciam a dinâmica sazonal dos fatores causais e o efeito limitante da memória do combustível. A metodologia global da tese dividiu-se em duas abordagens complementares: a primeira focou no mapeamento da suscetibilidade ao fogo utilizando o algoritmo Random Forest alimentado por 13 variáveis socioambientais; a segunda investigou o perigo de incêndio por meio de modelos sazonalmente desagregados (Alta, Média e Baixa estação), gerados via Avaliação Multicritério Espacial (SMCE) guiada por dados e ponderação aditiva (SAW), e testou a incorporação da idade do combustível, via Intervalo de Retorno do Fogo (FRI). Os resultados consolidados demonstraram que os modelos de suscetibilidade obtiveram alta precisão preditiva (AUC de 84,68%) ao identificar a contribuição específica de variáveis estruturais. Em adição, evidenciou- se que modelos de perigo desagregados por estação superam o desempenho dos modelos anuais globais. Uma conclusão fundamental da tese é que, durante os períodos críticos da estação de alto risco, as condições meteorológicas extremas anulam a restrição imposta pela memória do combustível, refutando a hipótese de que o FRI restringe intrinsecamente a propagação do fogo. Estes resultados destacam a necessidade de integrar fatores espaciais estruturais e dinâmicas sazonais para um gerenciamento mais resiliente dos incêndios florestais. Palavras-chave: aprendizado de máquina; susceptibilidade de incêndios; probabilidade de incêndios; intervalo de retorno do fogo (irf)