GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review
Esta revisión sistemática de 51 estudios destaca el creciente dominio de los modelos de aprendizaje automático como Random Forest y XGBoost, combinados con datos de teledetección como MODIS y Sentinel-2, en el mapeo y la evaluación del riesgo de incendios forestales, al tiempo que identifica brechas geográficas críticas en la investigación africana y hace un llamado a futuros avances en la resolución de datos, la validación de modelos y la cobertura global.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los incendios forestales son más que un simple espectáculo dramático de humo y llamas; son fuerzas poderosas que remodelan los paisajes, alteran el aire que respiramos y amenazan a las comunidades. Para gestionar estos riesgos, los científicos necesitan saber exactamente dónde se han quemado los incendios, qué tan severos fueron los daños y dónde podría comenzar el siguiente fuego. Durante décadas, la recopilación de esta información requería equipos de personas en el terreno, un proceso lento y peligroso que no podía cubrir vastos y remotos bosques. Hoy en día, la vista se ha desplazado del suelo al cielo. Los satélites que orbitan la Tierra actúan como observadores constantes, capturando imágenes de la superficie del planeta en luz visible y otras longitudes de onda invisibles. Estas imágenes revelan cambios en la vegetación y el calor que señalan la presencia de un incendio. Al combinar estas imágenes satelitales con programas informáticos que pueden detectar patrones —conocidos como aprendizaje automático (machine learning)—, los investigadores ahora pueden mapear los daños por incendios y predecir riesgos futuros con una velocidad y escala que antes eran imposibles.
Una nueva revisión sistemática realizada por Lucius Malalu y Henry Chinthuli reúne los trabajos más recientes en este campo, examinando cómo se están utilizando estas tecnologías para comprender los incendios forestales. Los investigadores analizaron 51 estudios publicados entre 2021 y 2026, buscando las formas más efectivas de mapear las áreas quemadas y evaluar el peligro de incendio. Su objetivo era ver qué herramientas utilizan los científicos con mayor frecuencia, dónde se está realizando la investigación y qué desafíos persisten. La revisión revela un campo que evoluciona rápidamente, pasando de simples comprobaciones manuales hacia sistemas complejos y automatizados que pueden procesar enormes cantidades de datos para proteger los bosques y a las personas.
Los investigadores encontraron que el trabajo está fuertemente concentrado en Asia, que representó casi dos tercios de los estudios revisados. Países como China, India y Turquía lideraron el camino, mientras que África, a pesar de tener riesgos significados de incendios forestales, estuvo representada por solo cuatro estudios. Esta brecha sugiere que, si bien la tecnología está avanzando, su aplicación aún no se distribuye de manera uniforme en todo el mundo. En cuanto a las herramientas utilizadas, la revisión destacó que el sensor satelital MODIS fue la opción más popular, apareciendo en 27 de los estudios. Este sensor es valorado por su capacidad para tomar imágenes frecuentes de la Tierra, lo que permite a los científicos rastrear los incendios a medida que ocurren. Sentinel-2, que proporciona imágenes más nítidas y detalladas, fue la segunda herramienta más común. La elección del sensor depende a menudo de la necesidad específica: MODIS para observar el panorama general a lo largo del tiempo, y Sentinel-2 para ver los detalles finos de un parche quemado específico.
Cuando se trata de los programas informáticos que analizan estas imágenes, el aprendizaje automático se ha convertido en el estándar. El modelo utilizado con mayor frecuencia fue Random Forest (Bosque Aleatorio), un método que construye muchos árboles de decisión para realizar una predicción final, apareciendo en 28 de los estudios. Le siguieron XGBoost y las Máquinas de Vectores de Soporte (Support Vector Machines). Estos programas son entrenados para reconocer las "firmas" únicas de la tierra quemada. Buscan una amplia gama de pistas, tales como la temperatura del suelo, cuánta lluvia cayó recientemente, la pendiente del terreno y qué tan cerca está el bosque de las carreteras o las ciudades. Una de las pistas más comunes utilizadas fue una medición llamada Índice de Vegetación de Diferencia Normalizada, que le dice a la computadora qué tan saludables son las plantas. Al introducir todos estos factores en la computadora, los modelos pueden crear mapas que muestran no solo dónde ardió un fuego, sino también qué tan probable es que un área se queme en el futuro.
A pesar de estos avances, la revisión señala que la tecnología no es perfecta. Un obstáculo importante es la resolución de las imágenes. Si la imagen satelital es demasiado borrosa, los incendios pequeños pueden pasar desapercibidos por completo, o los bordes de un área quemada podrían verse difusos. La calidad y disponibilidad de los datos también plantean problemas, especialmente en regiones donde la cobertura satelital es inconsistente o donde las nubes ocultan el suelo. Los autores señalan que, aunque los modelos están mejorando, todavía luchan por funcionar con la misma eficacia en todas las partes del mundo. Un modelo entrenado para incendios en un país podría no funcionar con precisión en otro porque los bosques, el clima y las actividades humanas son diferentes.
El camino a seguir, según la revisión, implica llenar los vacíos en la cobertura global, particularmente en África, y mejorar la calidad de los datos. Se alienta a los investigadores a combinar diferentes tipos de imágenes satelitales para obtener una imagen más clara y a utilizar técnicas de aprendizaje profundo (deep learning) más avanzadas que puedan aprender de las imágenes mismas sin necesidad de tantas instrucciones manuales. El objetivo final es crear sistemas que puedan monitorear los bosques continuamente y proporcionar información confiable y actualizada para ayudar a los gestores a tomar mejores decisiones. Al refinar estas herramientas, la comunidad científica espera convertir la naturaleza caótica de los incendios forestales en un riesgo manejable, utilizando los ojos en el cielo para proteger los bosques de abajo.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.