Nueva técnica de inteligencia artificial puede mejorar las previsiones de incendios forestales

Los científicos del Centro Nacional de Investigación Atmosférica (NCAR) han desarrollado una nueva técnica que utiliza la inteligencia artificial (IA) para mejorar las previsiones de incendios forestales. La técnica ayuda a actualizar de manera eficiente los mapas de vegetación que se utilizan en los modelos de computadora de incendios forestales para predecir con precisión el comportamiento y la propagación del fuego.

El método se demostró utilizando el incendio East Troublesome de 2020 en Colorado. Durante este incendio, la tierra quemada se caracterizó incorrectamente en los inventarios de combustible como saludable. Sin embargo, el área que se quemó había sido afectada recientemente por escarabajos de pino y tormentas de viento, lo que dejó grandes porciones de madera muerta y caída.

Comparación de simulaciones de incendios forestales

El equipo comparó simulaciones del incendio generadas por un modelo de comportamiento de incendios forestales que utilizó el inventario de combustible estándar y otro que se actualizó con IA. Las simulaciones de IA funcionaron significativamente mejor al predecir el área quemada por el incendio.

Amy DeCastro es una científica del NCAR y autora principal del estudio.

“Uno de nuestros principales desafíos en la modelización de incendios forestales ha sido obtener datos de entrada precisos, incluidos los datos de combustible”, dijo DeCastro. “En este estudio, demostramos que el uso combinado de aprendizaje automático e imágenes de satélite proporciona una solución viable”.

Las simulaciones del modelo se ejecutaron en el Centro de Supercomputación NCAR-Wyoming en el sistema Cheyenne.

Los modelos destinados a simular con precisión los incendios forestales requieren mucha información detallada sobre las condiciones actuales, como el tiempo meteorológico local y el terreno. También requieren información sobre la materia vegetal, que actúa como combustible para el fuego.

El conjunto de datos LANDFIRE

El mejor conjunto de datos de combustible es producido por LANDFIRE, que es un programa federal que produce conjuntos de datos geoespaciales que contienen información sobre combustibles de incendios forestales. Para crear los conjuntos de datos de combustible de incendios forestales, los expertos necesitan mucha imágenes de satélite, simulaciones del paisaje e información de estudios de campo. Debido a la gran cantidad de datos requeridos, lleva mucho tiempo actualizar los conjuntos de datos. Al mismo tiempo, los combustibles disponibles en un área pueden cambiar rápidamente.

El equipo actualizó el conjunto de datos de combustible utilizando los satélites Sentinel, que pertenecen al programa Copernicus de la Agencia Espacial Europea. El Sentinel-1 proporciona datos sobre la textura de la superficie, que se pueden utilizar para identificar el tipo de vegetación. El Sentinel-2 proporciona datos que se pueden utilizar para inferir la salud de la planta a partir de su verdor. Estos datos de satélite se introdujeron en un modelo de aprendizaje automático que se entrenó en la Encuesta de Detección de Insectos y Enfermedades del Servicio Forestal de los Estados Unidos, que se realiza anualmente para estimar la mortalidad de árboles desde el aire.

Con estas nuevas adiciones, el modelo de aprendizaje automático pudo actualizar con precisión los datos de combustible de LANDFIRE.

“Los datos de LANDFIRE son super valiosos y proporcionan una base fiable para desarrollar el trabajo”, dijo DeCastro. “La inteligencia artificial demostró ser una herramienta efectiva para actualizar los datos de manera menos intensiva en recursos”.

Prueba del nuevo sistema

El equipo luego se dispuso a probar el efecto que tendría el inventario actualizado en las simulaciones de incendios forestales, por lo que utilizaron WRF-Fire, que fue desarrollado por el NCAR para simular el comportamiento de los incendios forestales.

Primero utilizaron WRF-Fire para simular el incendio East Troublesome con el conjunto de datos de combustible de LANDFIRE no ajustado, lo que resultó en que subestimara la cantidad de área que se quemaría. Sin embargo, cuando se ejecutó el modelo con el conjunto de datos ajustado, predijo esta área quemada con un grado mucho mayor de precisión. Lo hizo prediciendo que la madera muerta y caída ayudaría a propagar el incendio.

Este modelo de aprendizaje automático está diseñado actualmente para actualizar los mapas de combustible existentes, pero eventualmente podría llevar a la producción y actualización regular de mapas de combustible desde cero.

Los investigadores del NCAR también esperan que el aprendizaje automático resuelva otros desafíos importantes en esta área, como mejorar nuestra capacidad para predecir las propiedades de las brasas generadas por un incendio.

El científico del NCAR Timothy Juliano es coautor del estudio.

“Tenemos mucha tecnología y mucha potencia de computación y muchos recursos a nuestra disposición para resolver estos problemas y mantener a la gente a salvo”, dijo Juliano. “Estamos bien posicionados para tener un impacto positivo; solo necesitamos seguir trabajando en ello”.