Machine Learning y AHP como herramientas para identificar focos de incendios
Los bosques desempeñan un papel fundamental en la gestión de recursos y la preservación del medio ambiente. Como el ecosistema más extendido en la Tierra, se caracterizan por su gran diversidad de especies, estructuras complejas y variados recursos. La capacidad de los bosques para capturar carbono es una contribución esencial para mantener el equilibrio ecológico y ejerce un impacto significativo en la lucha contra el cambio climático.
A nivel global, los devastadores incendios forestales tienen un impacto negativo en la biodiversidad, el hábitat de la vida silvestre y las características de los ecosistemas. Aproximadamente el 84% de las ecorregiones en todo el mundo se ven amenazadas por incendios forestales, lo que conlleva graves consecuencias para la diversidad de especies. Los bosques, que cumplen un papel crucial como sumideros de carbono, pueden transformarse en fuentes de emisiones de carbono hacia la atmósfera incluso después de que los incendios se hayan extinguido, debido a la muerte de los árboles en las áreas afectadas por el fuego.
De acuerdo con el Quinto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático (IPCC), las emisiones anuales de carbono resultantes de los incendios forestales oscilan entre 2,5 y 4 mil millones de toneladas de dióxido de carbono.
Como resultado de los incendios forestales se producen grandes cantidades de cenizas, carbono y sustancias tóxicas que contaminan el aire, el agua y el suelo, y el aire, el agua y el suelo contaminados afectan los nutrientes y microorganismos del suelo, alterando la productividad del suelo.
La prevención de incendios es una herramienta esencial y una política pública importante para ayudar a reducir los gases de efecto invernadero. Según el Centro Nacional Interagencial de Bomberos, el coste medio de 10 años de extinción de incendios en Estados Unidos se estima en 2.358.603.800 dólares. En este contexto, un Mapa de Peligro de Incendio puede ayudar a los agentes implicados en el proceso de lucha contra los incendios forestales a reducir la aparición de incendios a un coste mucho menor.
La gestión del riesgo de incendio comienza con una evaluación de los lugares más inflamables y las medidas necesarias para limitar su impacto, especialmente cuando existe riesgo de incendio forestal (FFH). Presentamos una metodología que combina el aprendizaje automático con variables asociadas con la ignición, la dispersión y el material combustible para la evaluación de FFH que produce mapas temáticos con una alta resolución espacial (10 m), lo que nos permite identificar ubicaciones críticas hasta el nivel de propiedad y puntos críticos. por ocurrencia de incendio.
En el contexto del cambio climático y los desafíos relacionados con la deforestación y los incendios en la cuenca del Amazonas, hemos puesto a prueba y desarrollado nuestra metodología en múltiples ubicaciones, incluyendo los estados de Amazonas en Brasil, Portugal y el condado de El Dorado en California.
Materiales e métodos
Esta investigación se dividió en tres áreas geográficas distintas:
1) Humaitá: un municipio ubicado en el estado brasileño de Amazonas.
2) El Dorado: un condado en California, Estados Unidos, que abarca el Bosque Nacional Eldorado.
3) Belmonte: una ciudad situada en la región portuguesa de la Serra da Estrela.
La metodología propuesta se fundamentó en investigaciones previas y evaluó un total de 12 factores, que incluyeron elementos tanto fijos como dinámicos. Para determinar su relevancia en el cálculo del riesgo de incendio forestal (FFH), empleamos técnicas de aprendizaje automático y el Proceso de Jerarquía Analítica (AHP). Estos métodos permitieron asignar pesos a cada uno de estos factores en el cálculo del FFH, respaldado por un algoritmo innovador.
Los valores predictivos permiten predecir el FFH por hasta 10 días actualizando diariamente algunos factores (datos de nanosatélites). La Figura 1 muestra el diagrama de flujo de procesamiento de datos utilizado para calcular el FFH y mostrarlo en la plataforma Flareless.
Figura 1: Procesamiento del flujo de trabajo
Discusión
Los mapas temáticos del riesgo de incendio forestal (FFH) para las tres ubicaciones, teniendo en cuenta las fechas específicas, se presentan en la Figura 2:
a) Humaitá: desde el 29 de julio hasta el 28 de agosto de 2021.
b) El Dorado: desde el 12 de agosto hasta el 25 de septiembre de 2021.
c) Belmonte: desde el 1 de julio hasta el 31 de julio de 2022.
Figura 2: Peligro de incendio forestal para a) Belmonte, b) Humaitá y c) El Dorado.
Los datos se compararon con las áreas quemadas encontradas en los días inmediatamente posteriores al cálculo para verificar la precisión de los mapas. El caso más destacado se dio en El Dorado, donde se identificó un alto riesgo con hasta 45 días de antelación, y posteriormente se produjo el incendio Caldor. Los resultados de esta correlación se presentan en la Figura 3.
Conclusiones:
Cuando se compararon las áreas de alto y extremadamente alto riesgo con las áreas afectadas por incendios, la metodología establecida demostró una precisión de alrededor del 80%. La precisión en la identificación de áreas con un riesgo de incendio alto o muy alto se mejora significativamente con la incorporación de datos meteorológicos precisos. Las investigaciones futuras se enfocarán en la determinación de la cantidad de carbono sobre el suelo (AGC), la mejora de la predicción de incendios peligrosos y la provisión de información detallada sobre la cantidad de AGC conservado.
Referencias:
Parisino, MA; Molinero, C.; Parques, SA; DeLancey , ER; Robinne , F.-N.; Flannigan, MD La influencia espacialmente variable del ser humano en la probabilidad de incendio en América del Norte. Reinar. Res. Letón. 2016, 11, 075005.
Tariq, A.; Shu, H.; Li, Q.; Altan, O.; Khan, señor; Baqa, MF; Lu, L. Análisis cuantitativo de incendios forestales en el sureste de Australia utilizando datos SAR. Sensores remotos 2021 , 13, 2386.
* Dr Marcos Benedito Schimalski es Ingeniero Cartográfico, Doctor en Ciencias Geodésicas y Director de Investigación en Quiron; MSc. Bill Herbert es Ingeniero Forestal, Master en Ingeniería Forestal, Investigador en Quiron; Roni Pavarin es Ingeniero Forestal e Investigador en Quiron.