A Neural Network-Based Predictive Model for Forest Fire Management in Michoacán
DOI:
https://doi.org/10.61467/2007.1558.2026.v17i1.1156Keywords:
forest fire management, predictive modeling, , artificial neural networks, MichoacánAbstract
This study presents a predictive model based on neural networks to estimate the area affected by forest fires in Michoacán, with the aim of optimising resource management. A total of 929 historical fire records (2015–2024) from 18 localities were analysed, including six within the Monarch Butterfly Biosphere Reserve. Using variables such as operational cost, fire duration, impact, and firefighting personnel, several machine learning models were evaluated, including linear regression, decision trees, random forest, and a neural network. The neural network achieved the highest performance (R² = 0.84) and identified firefighting personnel, impact, and duration as the most influential factors. Although the dataset lacked key environmental variables, the neural network demonstrated a comparatively strong predictive capacity, suggesting potential applicability in future studies employing more comprehensive datasets. Overall, the findings provide a methodological basis that may support improvements in planning and decision-making for wildfire prevention and response when operating under real-world data constraints.
Smart citations: https://scite.ai/reports/10.61467/2007.1558.2026.v17i1.1156
Dimensions.
Open Alex.
References
Bassaber, A. I., Maldonado, M. M., Curiel, S., Rojas, M. L., & Valdez, J. S. (2024). Revisión de causas, consecuencias y medidas de respuesta frente a los incendios forestales: Un enfoque en el estado de Jalisco. Revista Científica e-CUCBA, (21), 100–114. https://doi.org/10.32870/e-cucba.vi21.327
Bassaber, A. I., Maldonado, M. M., Curiel, S., Rojas, M. L., & Valdez, J. S. (2024). Revisión de causas, consecuencias y medidas de respuesta frente a los incendios forestales: Un enfoque en el estado de Jalisco. Revista Científica e-CUCBA, (21), 100–114. https://doi.org/10.32870/e-cucba.vi21.327
Comisión Nacional para el Conocimiento y Uso de la Biodiversidad. (2024). Áreas protegidas. https://www.biodiversidad.gob.mx/region/areasprot
Cruz, X., & Bulnes, E. (2019). Emission impact of wildfires: El Tepozteco 2016. Atmósfera, 32(2), 85–93. https://doi.org/10.20937/ATM.2019.32.02.01
España, M., Champo, O., & Uribe, M. (2024). Extensión y severidad de incendios forestales en Michoacán en 2021 a partir de imágenes Sentinel-2. Polibotánica, (57), 125–144. https://doi.org/10.18387/polibotanica.57.7
Flores, J. G. (2021). Antecedentes y perspectivas de la investigación en incendios forestales en el INIFAP. Revista Mexicana de Ciencias Forestales, número especial. https://doi.org/10.29298/rmcf.v12iEspecial-1.981
González, I., Farfán, M., Morales, L. M., Pérez, D. R., Garza, J. J., & Medina, A. (2023). Índices y modelos para la predicción de la ocurrencia de incendios forestales: Una revisión para México. Revista Geográfica de América Central, 71(2), 193–219. https://doi.org/10.15359/rgac.71-2.7
González, A., & Ortiz, C. F. (2022). Superficie forestal afectada por incendios en México: Apuntes iniciales hacia un modelo de manejo preventivo. Revista de Ciencias Ambientales, 56(1), 1–27. https://doi.org/10.15359/rca.56-1.1
Huerta, M. H., Parra, M. R., & Ianni, E. (2024). Relación entre pobreza y conservación del capital natural desde los medios de vida sustentables en Villaflores, Chiapas, México. Revista de Ciencias Ambientales, 58(1), 1–19. https://doi.org/10.15359/rca.58-1.9
Ibarra, J. L., & Huerta, F. M. (2016). Cambio climático y predicción de incendios al 2050 en el Bosque La Primavera, Jalisco. Revista Mexicana de Ciencias Forestales, 7(37), 39–50.
Martínez, A., & Ezequiel, P. (2023). Predicción de incendios forestales mediante modelos de machine learning. En Actas del XXVIII Congreso Argentino de Ciencias de la Computación (CACIC 2022). Red de Universidades con Carreras en Informática. http://sedici.unlp.edu.ar/handle/10915/149568
Neger, C., Manzo, D. L., & Galicia, S. L. (2022). La investigación geográfica de los incendios forestales en México: Una perspectiva bibliométrica y territorial. Investigaciones Geográficas, (108), e60488. https://doi.org/10.14350/rig.60488
Neger, C., León, J. F., Galicia, L., & Manzo, L. D. (2022). Dinámica espaciotemporal, causas y efectos de los megaincendios forestales en México. Madera y Bosques, 28(2), e2822453. https://doi.org/10.21829/myb.2022.2822453
Pérez, L., Vega, M., Díaz, J., & Guadamuz, D. (2024). Determinación de los efectos ambientales causados por eventos hidrometeorológicos extremos que inciden en el manejo del fuego en sitios del Área de Conservación Guanacaste (ACG), Guanacaste, Costa Rica. Revista de Ciencias Ambientales, 58(1). https://doi.org/10.15359/rca.58-1.12
Román, R. M., & Martínez, J. (2006). Effectiveness of protected areas in mitigating fire within their boundaries: Case study of Chiapas, Mexico. Conservation Biology, 20(4), 1074–1086. https://doi.org/10.1111/j.1523-1739.2006.00478.x
Santelices, R., Cabrera, A., Silva, P., & Navarro, R. M. (2022). Assessment of a wildfire in the remaining Nothofagus alessandrii forests, an endangered species of Chile, based on satellite Sentinel-2 images. International Journal of Agriculture and Natural Resources, 49(2), 85–96. https://doi.org/10.7764/ijanr.v49i2.2337
Vilchis, A. Y., Díaz, C., Magaña, D., Ba, K. M., & Gómez, M. A. (2015). Modelado espacial para peligro de incendios forestales con predicción diaria en la cuenca del río Balsas. Agrociencia, 49, 803–820.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 International Journal of Combinatorial Optimization Problems and Informatics
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
