Investigadores de la Universidad de León (ULE) han desarrollado CROWNFIRE-AI, una herramienta basada en inteligencia artificial (IA) y teledetección que permite estimar, para una zona y una fecha determinadas, el riesgo de que un incendio forestal desarrolle comportamiento de copa, uno de los tipos de propagación más peligrosos por su elevada intensidad, rapidez de avance y dificultad de extinción.

A diferencia de los sistemas destinados a estimar la probabilidad de que se inicie un incendio, CROWNFIRE-AI analiza las condiciones que pueden favorecer que, una vez iniciado el fuego, este alcance las copas de los árboles y se propague a través del dosel forestal. Para ello combina información sobre el tipo, estructura y estado hídrico de la vegetación, la configuración del terreno y las condiciones meteorológicas.

El desarrollo científico ha sido encabezado por José Manuel Fernández Guisuraga, profesor del Área de Ecología adscrito al Campus de Ponferrada, junto con Leonor Calvo Galván, directora del Grupo de Investigación GEAT, y Alfonso Fernández Manso, además de investigadores de la Universidad de Valladolid y de la empresa tecnológica leonesa Vexiza SL, en el marco del proyecto FIREXT-AI, financiado por la Agencia Estatal de Investigación.

Más de 18.000 observaciones para entrenar la inteligencia artificial

Para desarrollar CROWNFIRE-AI, los investigadores analizaron 33 grandes incendios forestales de más de 500 hectáreas ocurridos en España entre 2017 y 2024. A partir de imágenes de muy alta resolución anteriores y posteriores a los incendios se construyó una base de datos de 18.874 parcelas de referencia, clasificadas según hubieran experimentado o no comportamiento de copa. Esta información permitió entrenar un algoritmo de inteligencia artificial capaz de reconocer las combinaciones de factores ambientales asociadas a una mayor probabilidad de propagación del fuego por las copas.

El sistema integra imágenes de los satélites Sentinel-1 y Sentinel-2 de la Agencia Espacial Europea (ESA), datos MODIS de la NASA, información de inventarios y cartografía forestal, variables topográficas y predicciones meteorológicas del Global Forecast System (GFS).

"No estamos tratando de predecir dónde se va a iniciar un incendio, sino de identificar dónde existen condiciones que pueden favorecer que, si se produce un fuego, este evolucione hacia un comportamiento de copa", explica José Manuel Fernández Guisuraga, que destaca que la herramienta permite incorporar en un mismo análisis factores relacionados con la vegetación, el terreno y la meteorología y trasladar toda esa información a un mapa de riesgo que pueda ser útil para la gestión forestal.

La configuración basada en imágenes Sentinel-2, que permite trabajar con información de la vegetación a una resolución espacial de 20 metros, alcanzó una exactitud global del 90,15% durante el proceso de validación cruzada del modelo. Además, el algoritmo fue evaluado con datos de campo completamente independientes procedentes de los grandes incendios de Sierra de la Culebra, en 2022, y Navalacruz, en 2021, obteniendo una exactitud global del 91,25%.

CROWNFIRE-AI dispone también de una segunda configuración basada en datos MODIS, de menor resolución espacial, pero con una frecuencia de observación mucho mayor. De esta forma, el usuario puede optar entre una caracterización espacial más detallada mediante Sentinel-2 o una mayor disponibilidad temporal de información mediante MODIS.

Predicciones meteorológicas