El aprendizaje automático y la inteligencia artificial impulsan la previsión de incendios forestales

El tema de la previsión de incendios forestales no es nuevo. Sin embargo, en los últimos años la atención de los medios de comunicación en torno al tema ha aumentado a medida que temporadas de incendios forestales sin precedentes en Australia (2019/2020) y Canadá (2023) han provocado una devastación generalizada de los ecosistemas y las comunidades locales.

Estos eventos tienen consecuencias de gran alcance tanto para la calidad del aire como para las emisiones de gases de efecto invernadero, como señala el Servicio de Vigilancia Atmosférica de Copernicus (CAMS), implementado por el ECMWF en nombre de la Unión Europea.

Previsión de incendios forestales por técnicas tradicionales

Durante casi medio siglo, los pronósticos de peligro de incendios se han basado en un método que vincula las condiciones del tiempo con la actividad de los incendios para crear un índice de riesgo de incendio, siendo el Índice del tiempo Canadiense de Incendios (FWI, por sus siglas en inglés) el más utilizado. Sin embargo, este enfoque tiene sus limitaciones.

Un incendio necesita combustible, y en el caso de los incendios forestales, ese combustible es tanto vegetación viva como muerta. La abundancia y disposición de ese combustible se conoce como "lecho de combustible". En igualdad de condiciones, cuanto más seco esté el lecho de combustible, mayor será el riesgo de incendio. El FWI estima principalmente el estado de la humedad del combustible basándose en las condiciones meteorológicas que afectan a un lecho de combustible forestal típico canadiense predeterminado. Sin embargo, un lecho de combustible típico no captura controles como los niveles de humedad en la vegetación viva, la composición de los tipos de vegetación o la abundancia real de combustible disponible. En consecuencia, el FWI tiende a sobreestimar el riesgo de incendio en áreas con combustible limitado. Además, como el FWI se desarrolló originalmente para los bosques canadienses, su aplicabilidad se vuelve compleja cuando se extrapola a diferentes ecosistemas.

Estas deficiencias resaltan la necesidad de técnicas de pronóstico más avanzadas para evaluar con precisión el riesgo de incendios forestales en diversos paisajes.

Todo esto es incluso antes de que consideremos los factores que podrían iniciar un incendio forestal en primer lugar (conocidos como igniciones). El noventa por ciento de las igniciones son causadas por el comportamiento impredecible de los humanos, lo que los hace caóticos por naturaleza y difíciles de predecir.

Revolución del aprendizaje automático

En los últimos meses se ha producido un crecimiento notable en la integración del aprendizaje automático en los sistemas de previsión meteorológica. Dada la intrincada dinámica que rige los incendios forestales, parece natural explorar aplicaciones similares del aprendizaje automático en la predicción de incendios.

El ECMWF ha desarrollado una nueva herramienta, conocida como Probabilidad de incendio, o PoF, que utiliza técnicas de aprendizaje automático para pronosticar eficazmente la aparición de incendios a nivel mundial en alta resolución, con hasta diez días de antelación. Una fortaleza clave de PoF se encuentra no solo en las predicciones precisas sino también en el costo computacional. El modelo en sí es extremadamente económico de ejecutar en comparación con los modelos físicos más tradicionales, lo que nos permite realizar pronósticos globales de 1 km.

La base de PoF radica en la utilización de diversos conjuntos de datos, incluida información del Sistema Integrado de Pronóstico (IFS) del ECMWF, datos de cobertura del suelo y un modelo de características de combustible recientemente desarrollado.

La formación de PoF es posible gracias a la gran cantidad de observaciones históricas de incendios activos realizadas desde satélites. El modelo imita lo que anticipa que detectarán los satélites en los próximos días. En consecuencia, sólo podría esperar funcionar tan bien como el satélite, lo que enfatiza la importancia de contar con datos satelitales precisos para el entrenamiento. El satélite utilizado, MODIS, captura instantáneas de los incendios activos una vez al día, posiblemente pasando por alto los incendios que arden en diferentes momentos del día, así como los incendios pequeños y los oscurecidos por la capa de nubes.

Una vía prometedora para mejorar PoF consiste en entrenarlo con observaciones de múltiples sensores satelitales que representen una cobertura más amplia y una precisión mejorada.

Incendios forestales canadienses en 2023

En 2023, Canadá experimentó una devastadora temporada de incendios forestales que puso de relieve la importancia de una previsión precisa de los incendios. Los incendios forestales, alimentados por condiciones climáticas adversas y actividades humanas, plantearon desafíos importantes para las comunidades y los ecosistemas locales.

En las primeras etapas de la temporada de incendios forestales, la mayoría de los incendios se registraron en las regiones occidentales de Alberta y Columbia Británica. A mitad de temporada, los incendios forestales habían invadido regiones densamente pobladas, incluidas partes de Ontario y Quebec, lo que provocó preocupación generalizada y esfuerzos de evacuación.

Fue en ese momento cuando los medios de comunicación mundiales volvieron sus ojos hacia los inusuales cielos rojos que se extendían por América del Norte y la extremadamente mala calidad del aire que se experimentaba en Nueva York. CAMS informó de un importante transporte de humo procedente de los incendios que llegó hasta Europa.

Dado que la temporada de incendios forestales de Canadá en 2023 fue significativamente más extendida que cualquier otra vista en los datos de entrenamiento utilizados por PoF, nos preguntamos: ¿puede PoF funcionar en condiciones para las que no fue entrenado?

Nuestras observaciones revelaron que ambas versiones del pronóstico PoF, una versión estándar de 9 km y una versión experimental de 1 km, ofrecieron predicciones precisas de la actividad extrema de los incendios canadienses, ofreciendo información valiosa con hasta diez días de anticipación (ver Figuras 1 y 2).

Si bien PoF pronostica con precisión el inicio de la actividad de incendios el 15 de mayo, no logra capturar con precisión la persistencia de la actividad causada por los incendios forestales que se propagaron durante los días siguientes.

Esta es un área donde el modelo se desarrollará en el futuro. El momento y la ubicación del inicio de la actividad extrema de incendios forestales en el pronóstico muestran la capacidad de PoF. Estos resultados resaltan un paso adelante en nuestra capacidad para pronosticar la aparición de incendios forestales y proporcionar una herramienta útil para las estrategias de manejo de incendios.

¿Al tiempo le importan los incendios?

¡Absolutamente! Los incendios tienen un impacto significativo y multifacético en los patrones regionales del tiempo. Una de las muchas formas en que los incendios influyen en el tiempo es mediante la liberación de calor y humedad a la atmósfera. Este intercambio conduce a un fenómeno conocido como piroconvección, donde columnas ascendentes de aire caliente pueden desencadenar la formación de pirocúmulos o pirocumulonimbos, lo que potencialmente influye en las condiciones meteorológicas locales.

Además, el humo emitido por los incendios forestales contiene una mezcla de aerosoles, partículas y gases. Estos componentes interactúan con la radiación solar entrante y la radiación reflejada hacia arriba, lo que resulta en una compleja interacción de efectos de calentamiento y enfriamiento dependiendo de factores como la composición y la altitud.

Además, los incendios tienen efectos indirectos a largo plazo en el paisaje. La eliminación de la vegetación reduce el potencial de evapotranspiración y las cicatrices de las quemaduras que quedan en el paisaje influyen en la permeabilidad del suelo. Ambos resultan en cambios en la dinámica de la humedad de la superficie y del suelo. El intercambio de energía con la atmósfera también se ve influenciado por los cambios en el albedo provocados por los daños causados por el fuego.

Comprender la magnitud de estos impactos a escala global es un área crítica de investigación. Para abordar esto, el ECMWF está integrando un modelo de incendio llamado SPARKY en el IFS. Esta integración tiene como objetivo establecer un acoplamiento bidireccional, donde las condiciones atmosféricas pueden influir en el comportamiento del fuego y, a su vez, los incendios pueden retroalimentarse del tiempo, creando una comprensión integral de las complejas interacciones entre los incendios y la atmósfera.