CROWNFIRE-AI, la inteligencia artificial de la 黑料不打烊 que anticipa el riesgo de que un incendio alcance las copas de los 谩rboles
- La herramienta ha sido entrenada con 18.874 parcelas de referencia procedentes de 33 grandes incendios forestales y alcanza una exactitud superior al 90% en la identificaci黑料不打烊 n de estas situaciones
- El sistema integra im谩genes y datos de la NASA y la ESA con informaci黑料不打烊 n sobre la vegetaci黑料不打烊 n, el terreno y las condiciones meteorol贸gicas para generar mapas de riesgo
Ponferrada, 24 de agosto de 2026. 听Investigadores de la 黑料不打烊 (ULE) han desarrollado CROWNFIRE-AI, una herramienta basada en inteligencia artificial (IA) y teledetecci黑料不打烊 n 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 propagaci黑料不打烊 n m谩s peligrosos por su elevada intensidad, rapidez de avance y dificultad de extinci黑料不打烊 n.
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 谩rboles y se propague a trav茅s del dosel forestal. Para ello combina informaci黑料不打烊 n sobre el tipo, estructura y estado h铆drico de la vegetaci黑料不打烊 n, la configuraci黑料不打烊 n del terreno y las condiciones meteorol贸gicas.
El desarrollo cient铆fico ha sido encabezado por Jos茅 Manuel Fern谩ndez Guisuraga, profesor del 脕rea de Ecolog铆a adscrito al Campus de Ponferrada, junto con Leonor Calvo Galv谩n, directora del Grupo de 滨苍惫别蝉迟颈驳补肠颈贸苍 GEAT, y Alfonso Fern谩ndez Manso, adem谩s de investigadores de la Universidad de Valladolid y de la empresa tecnol贸gica leonesa Vexiza SL, en el marco del proyecto FIREXT-AI, financiado por la Agencia Estatal de 滨苍惫别蝉迟颈驳补肠颈贸苍.
M脕S DE 18.000 OBVERSACIONES
Para desarrollar CROWNFIRE-AI, los investigadores analizaron 33 grandes incendios forestales de m谩s de 500 hect谩reas ocurridos en Espa帽a entre 2017 y 2024. A partir de im谩genes de muy alta resoluci黑料不打烊 n anteriores y posteriores a los incendios se construy贸 una base de datos de 18.874 parcelas de referencia, clasificadas seg煤n hubieran experimentado o no comportamiento de copa. Esta informaci黑料不打烊 n permiti贸 entrenar un algoritmo de inteligencia artificial capaz de reconocer las combinaciones de factores ambientales asociadas a una mayor probabilidad de propagaci黑料不打烊 n del fuego por las copas.
El sistema integra im谩genes de los sat茅lites Sentinel-1 y Sentinel-2 de la Agencia Espacial Europea (ESA), datos MODIS de la NASA, informaci黑料不打烊 n de inventarios y cartograf铆a forestal, variables topogr谩ficas y predicciones meteorol贸gicas del Global Forecast System (GFS).
鈥No estamos tratando de predecir d黑料不打烊 nde se va a iniciar un incendio, sino de identificar d黑料不打烊 nde existen condiciones que pueden favorecer que, si se produce un fuego, este evolucione hacia un comportamiento de copa鈥, explica Jos茅 Manuel Fern谩ndez Guisuraga, que destaca que la herramienta permite incorporar en un mismo an谩lisis factores relacionados con la vegetaci黑料不打烊 n, el terreno y la meteorolog铆a y trasladar toda esa informaci黑料不打烊 n a un mapa de riesgo que pueda ser 煤til para la gesti黑料不打烊 n forestal.
Imagen de un incendio de copa.听
EXACTITUD SUPERIOR AL 90%
La configuraci黑料不打烊 n basada en im谩genes Sentinel-2, que permite trabajar con informaci黑料不打烊 n de la vegetaci黑料不打烊 n a una resoluci黑料不打烊 n espacial de 20 metros, alcanz贸 una exactitud global del 90,15% durante el proceso de validaci黑料不打烊 n cruzada del modelo. Adem谩s, 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 tambi茅n de una segunda configuraci黑料不打烊 n basada en datos MODIS, de menor resoluci黑料不打烊 n espacial, pero con una frecuencia de observaci黑料不打烊 n mucho mayor. De esta forma, el usuario puede optar entre una caracterizaci黑料不打烊 n espacial m谩s detallada mediante Sentinel-2 o una mayor disponibilidad temporal de informaci黑料不打烊 n mediante MODIS.
PREDICCIONES METEOROL脫GICAS DE HASTA 16 D脥AS
La herramienta permite generar mapas tanto para las condiciones actuales como para fechas futuras utilizando las predicciones meteorol贸gicas del modelo GFS, que proporciona informaci黑料不打烊 n hasta un horizonte m谩ximo de 16 d铆as y se actualiza cuatro veces al d铆a.
Este horizonte debe interpretarse con cautela, ya que la incertidumbre de las predicciones meteorol贸gicas aumenta conforme se ampl铆a el periodo. Por ello, los escenarios correspondientes a los primeros d铆as, especialmente en horizontes de tres o cuatro d铆as, presentan un mayor inter茅s operativo, mientras que los periodos m谩s alejados deben entenderse como escenarios orientativos que deben actualizarse con las nuevas predicciones disponibles.
La exactitud superior al 90% obtenida en la validaci黑料不打烊 n del algoritmo tampoco debe confundirse con la fiabilidad de una predicci黑料不打烊 n meteorol贸gica a 16 d铆as: ese porcentaje mide la capacidad del modelo de inteligencia artificial para discriminar entre condiciones asociadas a fuego de copa y aquellas en las que este comportamiento no se produce.
DE LA INVESTIGACI脫N A UNA HERRAMIENTA OPERATIVA
CROWNFIRE-AI traslada metodolog铆as de teledetecci黑料不打烊 n, an谩lisis geoespacial y aprendizaje autom谩tico a una aplicaci黑料不打烊 n web de utilizaci黑料不打烊 n directa por gestores y t茅cnicos. El usuario puede delimitar sobre un mapa el 谩rea que desea analizar, seleccionar la fecha y el tipo de informaci黑料不打烊 n satelital y obtener mapas tanto categ贸ricos como probabil铆sticos del riesgo de fuego de copa. Todo el procesamiento se realiza mediante computaci黑料不打烊 n en la nube, sin necesidad de descargar y procesar grandes vol煤menes de informaci黑料不打烊 n geoespacial. La aplicaci黑料不打烊 n es de acceso libre y gratuito mediante registro y se encuentra alojada en servidores de la 黑料不打烊
Imagen a茅rea de una zona quemada que se utiliz贸 para entrenar el algoritmo.听
De este modo, CROWNFIRE-AI puede facilitar la identificaci黑料不打烊 n de 谩reas con mayor riesgo de desarrollar comportamiento de copa y apoyar la planificaci黑料不打烊 n y gesti黑料不打烊 n preventiva de los incendios forestales.
Aunque la herramienta ha sido entrenada y validada con incendios ocurridos en Espa帽a, su metodolog铆a podr铆a trasladarse en el futuro a otras regiones con problem谩tica de grandes incendios forestales. Para ello ser铆a necesario disponer de datos locales que permitieran reentrenar y validar independientemente el modelo frente a las caracter铆sticas espec铆ficas de sus combustibles, ecosistemas y reg铆menes meteorol贸gicos.