Hay incendios forestales y hay incendios capaces de cambiar por completo las reglas de una emergencia. Cuando las llamas abandonan el suelo y alcanzan las copas de los árboles pueden propagarse rápidamente a través del dosel, aumentar su intensidad y superar la capacidad de ataque directo de los equipos de extinción.
Un grupo de investigadores de la Universidad de León ha desarrollado ahora una herramienta para anticipar precisamente ese escenario. Se llama CROWNFIRE-AI y combina inteligencia artificial, información forestal, topografía, previsiones meteorológicas e imágenes de satélite para generar mapas del riesgo de incendio de copa hasta 16 días hacia el futuro.
El sistema acaba de ser presentado científicamente en Ecological Informatics. Y detrás de su interfaz relativamente sencilla hay un modelo entrenado con 18.874 observaciones reales clasificadas entre incendios de copa y otros tipos de fuego en España.
La IA no predice dónde empezará un incendio: predice dónde podría volverse extremo
Esta diferencia es fundamental. CROWNFIRE-AI no puede afirmar que dentro de 12 días aparecerá un incendio en una montaña concreta. Lo que calcula es la probabilidad de que, si se produce o llega un fuego, las condiciones permitan que ascienda hasta el dosel forestal.
Para hacerlo utiliza un algoritmo de Random Forest alimentado por distintas capas de información. Entre ellas están los inventarios forestales, la configuración del terreno, las condiciones meteorológicas y características del combustible vegetal obtenidas mediante teledetección. Para mirar hacia delante, el sistema incorpora además los pronósticos del Global Forecast System (GFS), que permiten extender el cálculo de riesgo hasta esos 16 días.
Ahí entran en juego también los ojos que tiene la herramienta en el espacio.
CROWNFIRE-AI puede trabajar con observaciones de Sentinel-1 y Sentinel-2, dentro del programa europeo Copernicus, y con datos del instrumento MODIS de la NASA. Sentinel-2 ofrece información multiespectral de alta resolución especialmente útil para estudiar la vegetación, mientras que MODIS aporta una cobertura temporal mucho más frecuente.
El modelo de Sentinel-2 es el que mejor funciona: ronda el 90% de precisión
Los resultados muestran precisamente el intercambio entre detalle y frecuencia. La versión basada en predictores obtenidos con Sentinel-2 logró un F1-score de 0,88, mientras que la configuración basada en MODIS se quedó en 0,79. La web oficial del proyecto resume el rendimiento de la primera como una precisión cercana al 90%.
¿Por qué mantener MODIS entonces? Porque Sentinel-2 ofrece imágenes mucho más detalladas, pero las nubes o el intervalo entre observaciones pueden dejar huecos. MODIS dispone de observaciones mucho más frecuentes y aumenta las posibilidades de contar con información reciente sobre el estado del combustible vegetal cuando hace falta elaborar una predicción.
Todo ese procesamiento ocurre en la nube mediante Google Earth Engine. El usuario termina viendo mapas regionales donde el territorio aparece clasificado según la probabilidad de desarrollar un incendio de copa, en lugar de tener que interpretar por separado decenas de variables meteorológicas, forestales y satelitales.
Tener 16 días puede cambiar lo que ocurre antes de que lleguen las llamas
Ahí está la parte especialmente interesante de CROWNFIRE-AI. Los satélites llevan años siendo fundamentales una vez que un incendio está activo: el sistema FIRMS de la NASA, por ejemplo, emplea MODIS y VIIRS para detectar focos de calor prácticamente en tiempo real.
Esta herramienta intenta desplazar parte de esa ventaja hacia antes de la emergencia.
Un mapa que muestre qué masas forestales tienen mayor posibilidad de desarrollar comportamiento extremo puede ayudar a priorizar tratamientos de combustible, colocar recursos de extinción con antelación o preparar la respuesta en las zonas más comprometidas. El objetivo, explican sus desarrolladores, es que esa enorme cantidad de datos pueda convertirse en una herramienta operativa para gestores forestales y servicios de emergencia.
Por ahora, el sistema ha sido construido y evaluado para ecosistemas forestales españoles, así que no debe interpretarse como una máquina universal capaz de predecir incendios en cualquier lugar del planeta.
Pero su mayor avance tampoco consiste en adivinar el futuro. Consiste en ganar algo especialmente escaso cuando un bosque está a punto de entrar en condiciones críticas: tiempo. Y, en el mejor de los casos, hasta 16 días de él.
