Realizado por Helena Liz López, Javier Huertas Tato y David Camacho Fernández, profesores de la Universidad Politécnica de Madrid e investigadores el grupo Applied Intelligence and Data Analysis research group

La Inteligencia Artificial (IA) y el Deep Learning, son los cimientos de la revolución tecnológica actual, han trascendido barreras para infiltrarse en diversas esferas de nuestra sociedad

Estas tecnologías no solo han modificado la forma en que interactuamos con la tecnología, sino que también han demostrado ser herramientas vitales en la resolución de problemas complejos. En este tejido intrincado de innovación, destacamos la aplicación específica de la IA y el Deep Learning en la gestión de recursos para combatir uno de los desafíos más apremiantes de nuestro tiempo: los incendios forestales. En este artículo queremos dar un paseo por lo que implica, desde un punto de vista mixto entre la ciencia de datos y la meteorología, afrontar una problemática real usando las herramientas más modernas de IA que han aparecido en los últimos 5 años, usando como vehículo los incendios forestales.

Definir la Inteligencia Artificial implica sumergirse en la capacidad de las máquinas para incorporar patrones de grandes cuerpos de datos y replicar dichos patrones en nuevos escenarios nunca antes vistos por dichas máquinas. Este campo abarca desde sistemas capaces de aprender de la experiencia hasta aquellos que realizan tareas específicas de manera autónoma, todo con el objetivo de optimizar procesos, mejorar el rendimiento y agilizar el trabajo de expertos de diversos dominios.

Dentro de esta esfera amplia pero enfocada, el Deep Learning emerge como una disciplina fascinante. Inspirado en la complejidad de la mente humana, este enfoque utiliza redes neuronales artificiales para capacitar a las máquinas en el reconocimiento de patrones complejos. Estas redes, con su capacidad para procesar grandes cantidades de información de manera no lineal, abren un abanico de posibilidades en la resolución de problemas previamente intratables.

En este artículo se habla principalmente de los incendios forestales y una posible aproximación a la lucha contra incendios habilitada por Deep Learning, inviables sin un sistema sofisticado de IA. Vamos a hacer una fugaz visita a los puntos más importantes de cómo resolver esta problemática mediante el uso de técnicas modernas de Deep Learning [1].

La evolución de los incendios forestales en los últimos años

En los últimos años, la misión Copernicus Sentinel-3 registró 16000 incendios forestales en todo el mundo en agosto de 2018 y 79000 en el mismo periodo de 2019, lo que supone un aumento del 393% respecto a 2018 [2]. En España, aunque el número total de incendios no ha aumentado significativamente en 2022 respecto a los registros de 2013 a 2021, sí que se ha observado un gran aumento de superficie quemada y número de grandes incendios. La superficie quemada en 2022 fue de 247.667 hectáreas, una superficie casi cinco veces mayor respecto al año anterior, 51.571 hectáreas. En cuanto al número de grandes incendios ha pasado de 16 incendios en 2021 a 51 entre enero y agosto de 2022, lo que supone un aumento del 218%. Por tanto, ya se había alcanzado la cifra más alta desde 2012, que se registraron un total de 34 grandes incendios^[1].

Algunos países europeos también muestran un número creciente de incendios forestales y la zona quemada, según recoge el Sistema Europeo de Información sobre Incendios Forestales (EFFIS). Rumanía, Italia y Francia han incrementado el número de incendios y de superficie quemada, mostrando un aumento del doble en 2022 respecto a la media anual entre 2006 y 2021^[2]. Estos datos revelan un panorama desafiante que destaca la urgencia de abordar la gestión de incendios forestales con una perspectiva renovada y estrategias más efectivas. La escalada en la frecuencia y magnitud de estos eventos no solo impacta a España, sino que resuena a nivel global, exigiendo una respuesta colectiva y acciones concretas. La necesidad de un cambio se manifiesta claramente en la acelerada expansión de la superficie quemada y el aumento en el número de grandes incendios.

^[1] https://www.epdata.es/datos/incendios-forestales-datos-estadisticas-cifras/267

^[2] https://effis.jrc.ec.europa.eu/apps/effis.statistics/estimates

¿Por qué gestionar los incendios en vez de predecirlos?

Las causas de los incendios forestales se pueden clasificar en dos categorías principales: naturales y antropogénicas. Las causas naturales incluyen, entre otros, la actividad volcánica, rayos y combustiones espontáneas debido a la descomposición de materiales orgánicos. Los incendios provocados por rayos son una de las manifestaciones más comunes de causas naturales. Las descargas eléctricas durante tormentas pueden generar igniciones en áreas boscosas, donde la vegetación se convierte en un combustible vulnerable. Este fenómeno es particularmente frecuente en regiones propensas a climas secos y tormentas eléctricas.

Las causas antropogénicas, a su vez, se dividen en dos tipos fundamentales: accidentales, resultado de la negligencia humana, y provocadas, causadas deliberadamente por incendiarios o pirómanos. Mientras que los incendiarios actúan por diversas motivaciones, como venganza o fraude, los pirómanos experimentan una compulsión psicológica, conocida como piromanía, que los impulsa a iniciar fuegos sin un motivo aparente más allá de la satisfacción personal.

Aunque la clasificación de las causas antropogénicas proporciona cierta comprensión, en la mayoría de los casos, la raíz exacta de los incendios forestales permanece desconocida. Sin embargo el origen de los incendios forestales es más fácil de discernir, se destaca que más del 90% de los incendios forestales son de origen humano [3]. Esta realidad añade una capa adicional de complejidad a la tarea de prever estos eventos, ya que el comportamiento humano sigue siendo inherentemente impredecible, por lo que un modelo de predicción de incendios que se basa en el comportamiento humano individual se enfrenta a desafíos insuperables.

Sin embargo, la gravedad de un incendio está intrínsecamente vinculada a las condiciones ambientales y al estado de la vegetación previos al evento. Por lo tanto, es posible estimar la magnitud del impacto observando estas condiciones antes de que se produzca el incendio. Este enfoque orientado hacia la gestión se torna esencial, ya que, si bien la predicción exacta puede ser esquiva, la preparación e implementación de estrategias de gestión efectivas son herramientas cruciales para mitigar el impacto de los incendios forestales. Esto nos motiva a desarrollar una técnica de gestión y no de predicción, ya que será más efectiva ante la problemática real.

Desafíos y soluciones a la aplicación de Deep Learning

Los modelos de Deep Learning requieren volúmenes ingentes de datos, en particular si se desea detectar los recursos asociados a un incendio, se va a necesitar la aparición de un incendio y sus recursos asociados para que la máquina aprenda a relacionar la climatología y orografía, entre otros datos, con las medidas que deseamos estimar.

Sin embargo, el orden de magnitud que requiere un modelo profundo como el que planteamos requiere un volumen de datos extremo, superando los 1000 incendios para obtener algo mediocre y estimando los 10000 para llegar a crear un modelo de calidad. Si suponemos que nuestro objetivo es la península Ibérica, esto plantea un problema: no tenemos suficientes datos anotados para aprender sobre ellos.

Una aproximación moderna a afrontar problemas con pocos recursos es utilizar modelos Auto-supervisados. Se caracterizan por ser modelos capaces de aprender tendencias y patrones directamente de los datos, generando representaciones del conocimiento entendibles por una máquina. En nuestro caso, podemos aprender la estructura de las variables meteorológicas y aplicar ese conocimiento adquirido sobre los datos anotados con información de incendios.

El modelo propuesto para la gestión de incendios forestales se trata de un sistema basado en Deep Learning que trata de estimar los recursos que se necesitarían en caso de que se produjera un incendio en una ubicación concreta utilizando las información de los alrededores. Las variables que se desea estimar mediante este sistema son: la superficie total que se quemaría, el tiempo de control y extinción y los recursos humanos, pesados y aéreos que serían necesarios en caso de incendios.

Los datos utilizados para llevar a cabo esta tarea son diferentes variables: atmosféricas, como pueden ser: columna de ozono total, componentes del viento o diferentes mediciones de la radiación solar; y el índice de verdor, que muestra la relación entre la reflectancia en el canal verde en comparación con los otros dos canales de luz visible, rojo y azul, es decir es una medida de la calidad de la vegetación en un área determinada. La principal diferencia entre ambos tipos de variables es que el índice de verdor es una imágen de satélite, mientras que las variables atmosféricas no lo son.

Aunque las diferentes variables no tengan la misma estructura están georeferenciadas, es decir se podrían analizar como imágenes y combinarse para poder analizarlas con técnicas de Deep Learning como son las Redes Neuronales Convolucionales, que son un tipo de técnica especializada en el procesamiento de imagen.

Primero queremos lograr entender los patrones de los datos de entrada, las variables meteorológicas e índice de verdor. En la figura podemos ver un esquema del modelo propuesto. Para conseguir este objetivo ocultamos parte de la imagen que el modelo tiene que rellenar generando una predicción que podemos comparar contra la información que ocultamos originalmente.

El segundo reto al que nos enfrentamos fue que el calcular los recursos necesarios si se produce un incendio en un punto concreto puede ser poco informativo y limitar su aplicación en escenarios reales. Por ello decidimos generar mapas de predicciones, uno por cada etiqueta, para el área de estudio, en este caso, Castilla y León.

El resultado final de nuestro modelo es este mapa que ofrece indicadores de los recursos que requerirá un incendio, así como el impacto potencial que podría desencadenar sobre un área. Las estimaciones no tienen que ser completamente precisas punto a punto del mapa, simplemente señalar áreas que sean particularmente conflictivas para que la gestión de recursos sea acorde a la peligrosidad de un potencial incendio.

La gestión sostenible de nuestros ecosistemas y la protección contra los incendios forestales deben convertirse en prioridades fundamentales. La adopción de tecnologías avanzadas, junto con prácticas de conservación y concienciación pública, puede marcar la diferencia en la preservación de nuestros recursos naturales y la seguridad de las comunidades. Solo a través de un esfuerzo conjunto y una acción decidida podemos aspirar a revertir la tendencia actual y construir un futuro más resiliente frente a los desafíos del cambio climático y la degradación ambiental.

Referencias

[1] Liz-López, H., Huertas-Tato, J., Pérez-Aracil, J., Casanova-Mateo, C., Sanz-Justo, J., & Camacho, D. (2023). Spain on Fire: A novel wildfire risk assessment model based on image satellite processing and atmospheric information. Knowledge-Based Systems

Volume 283, 11 January 2024, 111198. DOI: 10.1016/j.knosys.2023.111198

[2] Fernández, J., Fernández, C., Féménias, P., Peter, H., 2016. The copernicus sentinel-3 mission, in: ILRS workshop, pp. 1–4. [3] Menezes, L. S., de Oliveira, A. M., Santos, F. L., Russo, A., de Souza, R. A., Roque, F. O., & Libonati, R. (2022). Lightning patterns in the Pantanal: Untangling natural and anthropogenic-induced wildfires. Science of the Total Environment, 820, 153