Desarrollan modelos de IA para predecir incendios forestales provocados por rayos

Con el aumento de incendios forestales provocados por rayos, los investigadores del Departamento de Ciencias de la Computación de la Universidad Bar Ilan marcaron un avance significativo al desarrollar modelos de aprendizaje automático (ML) diseñados para caracterizar y predecir estos incendios a nivel mundial.

Según los datos compartidos en su estudio, estos modelos no solo mejoran las capacidades predictivas, sino que también permiten una respuesta más eficiente ante emergencias, beneficiando a los más vulnerables.

Los incendios forestales representan un desafío global debido a su contribución al cambio climático y al riesgo que imponen a las poblaciones.

Aunque en menor medida que los provocados por actividades humanas, los incendios iniciados por rayos juegan un papel sustancial en las emisiones de carbono y suelen dominar las áreas quemadas en ciertas regiones, tal y como se describe en la investigación.

Estos incendios, que tienden a originarse en zonas remotas, presentan dificultades para ser controlados rápidamente, lo que a menudo resulta en quemas extensas y devastadoras.

El cambio climático intensificó la frecuencia y severidad de estos incendios, especialmente en regiones extratropicales. El caso de California refleja esta tendencia al alza, según la investigación.

Además, los bosques de alta latitud, que dependen en gran medida de la actividad de rayos, muestran patrones preocupantes debido a su significativo impacto en las emisiones de carbono.

Frente a las limitaciones de los modelos computacionales tradicionales, adaptados generalmente a características regionales específicas, el equipo de la Universidad Bar Ilan implementó modelos de aprendizaje automático que permiten una caracterización y predicción más global de los incendios por rayos.

El estudio subraya que estos modelos permiten diferenciar entre incendios por rayos y antropogénicos, y al mismo tiempo estiman la probabilidad de ignición con alta precisión, considerando factores como condiciones meteorológicas y vegetación.

La aplicación de Inteligencia Artificial Explicable (XAI) se presenta como un recurso crucial para desentrañar las influencias detrás de estos modelos predictivos.

Los investigadores señalan que el uso de valores SHAP para analizar el impacto de características clave, como la precipitación, la humedad relativa y los índices meteorológicos de incendio, permite una comprensión más profunda y accesible para humanos.

Este enfoque mejora la capacidad de los modelos para discernir patrones y predicciones relevantes en diferentes contextos climáticos y geográficos.

La investigación destaca un aumento promedio anual del 1% en el riesgo de incendios por rayos a nivel global, con variaciones significativas en distintas regiones.

Según sus proyecciones, el riesgo de ignición por rayos podría incrementarse en un 50% para el año 2100, lo que subraya la necesidad de desarrollar políticas preventivas efectivas basadas en estos modelos predictivos.

A pesar de su éxito, los modelos aún enfrentan retos, especialmente en la clasificación de incendios por la variabilidad en su duración y la incertidumbre en los tiempos de retardo.

La investigación sugiere que la detección temprana de incendios latentes podría ofrecer una oportunidad crucial para disminuir los efectos devastadores de estos siniestros. El estudio también prevé futuras investigaciones que podrían ampliar los análisis de proyecciones climáticas y mejorar la capacidad de predicción.

La Universidad Bar Ilan subraya la importancia de estos avances en modelos de predicción como una herramienta vital para optimizar las estrategias de respuesta ante incendios forestales.

Al proporcionar una evaluación temprana y precisa del riesgo, estas innovaciones además de ayudar a proteger los recursos naturales y las comunidades humanas, también fortalecen las capacidades de adaptación y mitigación frente a los desafíos del cambio climático.