Un equipo de investigadores de la Universidad de León (ULe) ha desarrollado CROWNFIRE-AI, una plataforma innovadora diseñada para estimar la posible formación de fuegos de copa. Estos eventos, caracterizados por su capacidad de propagarse rápidamente a través de la cima de las masas arbóreas, representan uno de los mayores desafíos para la gestión de emergencias forestales debido a su elevada intensidad y velocidad de avance. La novedad de este sistema radica en su capacidad para anticipar estos escenarios con un margen de hasta 16 días antes de su aparición.
Para alcanzar este nivel de anticipación, el proyecto integra el uso de inteligencia artificial y observaciones orbitales. El sistema se fundamenta en un modelo de aprendizaje automático basado en el algoritmo Random Forest, el cual ha sido entrenado mediante el análisis de más de 18.000 observaciones de siniestros forestales ocurridos en territorio español. A diferencia de otros modelos que dependen de escenarios simulados, CROWNFIRE-AI utiliza registros reales, lo que, según la institución, permite respaldar científicamente su capacidad predictiva.
El funcionamiento de la plataforma se basa en el cruce masivo de datos provenientes de diversas fuentes. En primer lugar, recurre a imágenes y datos de satélites de la NASA, específicamente a través del instrumento MODIS, y de la Agencia Espacial Europea (ESA) mediante la misión Sentinel-2, integrada en el programa Copernicus. Esta información orbital se complementa con previsiones meteorológicas detalladas obtenidas de los modelos ERA5-Land y GFS.
El análisis simultáneo de estas fuentes permite al sistema evaluar variables críticas como la humedad y la estructura de la vegetación, la altitud y la pendiente del terreno, así como múltiples factores atmosféricos. Al combinar estos datos, la IA es capaz de identificar patrones críticos que indican condiciones favorables para que las llamas alcancen las copas de los árboles, permitiendo así señalar las áreas más vulnerables antes de que se inicie el fuego.
Desde el punto de vista técnico, el modelo ha demostrado un desempeño sólido. El análisis de los datos provenientes del satélite Sentinel-2 permitió que la herramienta alcanzara una precisión del 90% y un F1-score de 0,88. Es importante precisar que el sistema no predice la ocurrencia de eventos exactos en un punto y momento preciso, sino que calcula la probabilidad de que ciertos terrenos reúnan los factores de riesgo necesarios para desarrollar incendios de copa.
Para evitar que la información se presente como datos técnicos dispersos y difíciles de interpretar, toda la información procesada se sintetiza en mapas regionales de riesgo. Esta visualización es posible gracias a la infraestructura en la nube de Google Earth Engine, que transforma datos complejos en resultados claros y utilizables. El objetivo central es que esta información sea accesible para la gestión forestal, la planificación de emergencias y la protección general del territorio.
La utilidad práctica de CROWNFIRE-AI se centra en la anticipación y la gestión eficiente de los recursos. Al contar con alertas tempranas, los equipos de protección civil pueden distribuir sus medios estratégicamente, diseñar planes de evacuación con mayor margen de tiempo y aplicar tratamientos preventivos para controlar el combustible vegetal en las zonas de mayor riesgo. Este enfoque pretende superar el estándar actual de monitoreo de incendios a gran escala, moviendo el foco desde la detección del fuego activo hacia la anticipación de comportamientos extremos.
En cuanto a su acceso, la herramienta es gratuita, aunque requiere que los usuarios se registren en Google Earth Engine. Su interfaz ha sido diseñada para ser interactiva y permitir el procesamiento de mapas y escenarios geoespaciales sin que el usuario necesite poseer competencias informáticas complejas.
Finalmente, los desarrolladores aclaran que, debido a que el modelo fue construido utilizando registros específicos de España, su implementación en otras regiones del mundo requeriría de calibraciones adicionales con información local. Por este motivo, la plataforma se consolida actualmente como un soporte decisional adaptativo más que como una solución universal inmediata para todo el planeta.
