Machine Learning Prediction of Early-Season Wildfire Risk in Ghana’s Guinea Savannah Using Multi-Source Data and CMIP6 Climate Scenarios

Resumen Técnico: Predicción mediante Aprendizaje Automático del Riesgo de Incendios Forestales de Inicio de Temporada en la Sabana de Guinea de Ghana

Planteamiento del Problema
Los incendios forestales en la zona de la sabana de Guinea en Ghana afectan anualmente entre 2 y 3 millones de hectáreas, principalmente durante la estación seca (noviembre–marzo), con impactos significativos en la agricultura, la biodiversidad y los medios de vida. A pesar de la gravedad del problema, Ghana carece de una herramienta de peligro de incendios de inicio de temporada, calibrada localmente y diseñada específicamente para el norte de la sabana. Los estándares globales existentes, como el Índice de Clima de Incendios (FWI) de Canadá, no son adecuados para esta región debido a las discrepancias en las características del combustible (predominio de pastizales frente a bosques boreales), la baja densidad de estaciones meteorológicas y la omisión de fuentes de ignición antropogénicas (que representan más del 90% de los incendios), así como el descuido de la humedad del combustible vivo y la memoria de la humedad del suelo.

Metodología
El estudio desarrolló y evaluó un marco de aprendizaje automático (ML) para predecir el riesgo de incendios para la ventana de noviembre a enero utilizando un conjunto de datos de cuadrícula de 1 km que abarca el periodo 2001–2024.

• Integración de Datos: El modelo integra datos de múltiples fuentes, incluyendo áreas quemadas de MODIS y detecciones de incendios activos de FIRMS, variables climáticas de ERA5-Land, precipitación de CHIRPS, humedad del suelo de FLDAS (cuatro capas), productos de vegetación de MODIS (NDVI, EVI, LAI, FPAR), topografía SRTM y variables de acceso humano (WorldPop, GRIP, GHSL, luces nocturnas).
• Ingeniería de Características: Veintiuna variables base se expandieron a 123 características. Esto incluyó variables rezagadas (1–12 meses) para capturar condiciones antecedentes, estadísticas móviles (ventanas de 3, 6 y 12 meses), anomalías climáticas, índices de sequía (SPI, SPEI) e indicadores estacionales.
• Estrategia de Muestreo: Para abordar el severo desequilibrio de clases en la cuadrícula completa (prevalencia de fuego de aproximadamente el 1.7%), se creó una muestra estratificada de aproximadamente 500,000 celda-mes con una tasa de fuego de ~33% para el desarrollo del modelo. El conjunto de datos se dividió temporalmente: entrenamiento (2001–2016), validación (2017–2019) y prueba (2020–2024).
• Algoritmos: Se compararon cinco algoritmos: Random Forest, XGBoost, LightGBM, CatBoost y un Perceptrón Multicapa (MLP). Los hiperparámetros se ajustaron mediante Optuna con validación cruzada espacial para mitigar la fuga de datos (leakage).
• Métricas de Evaluación: La discriminación se evaluó mediante AUC-ROC (independiente de la prevalencia). Las métricas dependientes del umbral (Precisión, F1, MCC, puntuación Brier) se reportaron como condicionadas a la muestra y ajustadas para la prevalencia operativa (~1.7%) cuando fue aplicable. La calibración se evaluó mediante el escalado de Platt y la regresión isotónica.
• Interpretabilidad: Se utilizaron valores SHAP (SHapley Additive exPlanations) para cuantificar la importancia de las características y sus interacciones. Se realizó un estudio de ablación espacial para distinguir entre la señal predictiva genuina y la "memorización espacial" de variables estáticas.
• Proyecciones Futuras: Se utilizaron escenarios climáticos CMIP6 corregidos por sesgo (SSP2-4.5 y SSP5-8.5) de dos modelos del sistema de la Tierra (MPI-ESM1-2-LR y MRI-ESM2-0) para proyectar el riesgo a finales de siglo, manteniendo constantes las variables humanas estáticas.

Resultos Clave

• Desempeño del Modelo: Los modelos basados en árboles demostraron una alta discriminación en el conjunto de prueba temporal, con valores de AUC entre 0.960 y 0.962. LightGBM alcanzó el AUC más alto (0.9621), seguido de cerca por XGBoost (0.9615) y CatBoost (0.9611). El MLP fue ligeramente inferior (0.9501). Las pruebas de DeLong indicaron que XGBoost superó significativamente a Random Forest, pero las diferencias entre los tres mejores modelos de árboles no fueron estadísticamente significativas.
• Comparación con FWI: Los modelos de ML con características completas superaron significativamente al FWI mensual agregado de Canadá (AUC 0.68), logrando una ganancia absoluta de AUC de aproximadamente 0.28. Los autores señalan que esta ganancia refleja la inclusión de la humedad del suelo, la vegetación y los factores humanos, no solo el algoritmo de ML en sí.
• Importancia de las Características: Ninguna variable única dominó. Los impulsores clave incluyeron el rango de temperatura, la densidad de población, la presión superficial, la memoria de la precipitación (rezagada y móvil), el estado de la vegetación y la memoria de la humedad del suelo. El análisis SHAP reveló relaciones no lineales y umbrales, particularmente para la densidad de población (umbral en -0.35 unidades estandarizadas) y el rezago de la precipitación.
• Memorización Espacial: Un estudio de ablación que eliminó los predictores espaciales estáticos (elevación, pendiente, distancia a carreteras/asentamientos) mostró que, si bien estas variables contribuyen, su eliminación solo redujo el AUC en 0.013 (de 0.9439 a 0.9309). En algunos casos, la eliminación de variables estáticas específicas mejoró el desempeño, lo que sugiere redundancia. Esto indica que el modelo depende principalmente de variables ambientales dinámicas en lugar de simplemente memorizar ubicaciones.
• Calibración: Aunque la discriminación fue alta, la calibración de probabilidad inicial varió. Random Forest requirió el escalado de Platt para mejorar la fiabilidad, mientras que los árboles potenciados (XGBoost, CatBoost) estuvieron mejor calibrados inicialmente.
• Proyecciones Futuras: Bajo los escenarios CMIP6, se proyecta un aumento del riesgo de incendios a finales de siglo (2080–2099) del 15–16% bajo SSP2-4.5 y del 34–36% bajo SSP5-8.5. Estos resultados se presentan como experimentos de sensibilidad, señalando que los ensambles de árboles no pueden extrapolar más allá de los rangos de los datos de entrenamiento y que los impulsores humanos se mantuvieron constantes.

Significancia y Reivindicaciones
El artículo posiciona el marco desarrollado como un prototipo de investigación para el cribado del riesgo de incendios forestales de inicio de temporada, no como un sistema de alerta operativa totalmente validado. Su principal significancia radica en demostrar que un enfoque de ML de múltiples fuentes y calibrado localmente puede superar sustancialmente a los índices estándar basados únicamente en el clima en el contexto de la sabana de África Occidental.

Contribuciones clave incluyen:

1. Demostrar el valor de la integración de múltiples fuentes: Mostrar que la combinación de clima, vegetación, humedad del suelo y factores humanos produce una discriminación superior en comparación con los índices de solo clima.
2. Abordar la preocupación de la "memorización espacial": Proporcionar evidencia empírica, mediante estudios de ablación, de que la capacidad del modelo es impulsada principalmente por procesos ambientales que varían temporalmente (producción y secado de combustible) en lugar de una codificación geográfica estática.
3. Identificar umbrales no lineales: Revelar umbrales críticos en la densidad de población y la precipitación antecedente que definen los regímenes de riesgo de incendios, ofreciendo información para la gestión focalizada.
4. Establecer una línea base para trabajos futuros: El estudio hace un llamado explícito para que el despliegue operativo futuro incluya la evaluación en la cuadrícula completa, la calibración bajo la prevalencia real y la incorporación de escenarios socioeconómicos dinámicos para las proyecciones climáticas.

Los autores mantienen un tono modesto, enfatizando que el modelo actual es un prototipo que requiere validación prospectiva, validación cruzada de bloques espaciales y pruebas externas independientes antes de su implementación operativa.