Modelos de IA muestran que los incendios forestales son más caóticos de lo que se creía

La forma en que se propagan los incendios forestales es mucho más caótica de lo que describen los modelos estándar utilizados en Canadá. Esa es la conclusión de un nuevo estudio de la UBC Okanagan, donde investigadores aplicaron herramientas avanzadas de visión computacional y modelos de inteligencia artificial para analizar el comportamiento del fuego con un nivel de detalle que hace apenas unos años era imposible. Sus resultados ponen en evidencia que gran parte del movimiento del fuego responde a variaciones inesperadas y aleatorias, un desafío importante para los sistemas actuales de predicción y respuesta ante incendios.

El trabajo, publicado en la revista Fire, fue dirigido por Ladan Tazik, investigadora y estudiante de doctorado en UBC Okanagan. Tazik utilizó el modelo “Segment Anything”, una herramienta de IA desarrollada para extraer objetos de imágenes con alta precisión, y lo aplicó a videos de quemas experimentales cuadro por cuadro. Este enfoque permitió mapear con exactitud el perímetro del fuego en tiempo real y reconstruir cómo cambia su forma y dirección incluso bajo condiciones aparentemente constantes. A diferencia de los modelos tradicionales, que asumen comportamientos más estables, el análisis reveló variaciones abruptas que no se repiten de un ensayo a otro.

El hallazgo más contundente es que la aleatoriedad domina gran parte de la propagación. Aunque los bomberos conocen intuitivamente que el fuego tiende a avanzar cuesta arriba, el análisis cuantitativo mostró que la velocidad y la forma de propagación no solo cambian según la pendiente, sino que pueden variar drásticamente entre áreas casi idénticas. Los datos de Tazik demuestran que dos incendios expuestos al mismo tipo de viento, combustible y topografía no necesariamente evolucionan igual. Esto contradice la idea de que basta con aplicar un único factor de corrección para predecir el avance del fuego en terrenos inclinados.

Al comparar las mediciones con el Sistema Oficial de Predicción del Comportamiento del Fuego de Canadá, los investigadores encontraron discrepancias importantes. En muchos casos, los incendios reales se propagaban más rápido de lo previsto, mientras que en otros la influencia de la pendiente no seguía el patrón esperado. Estos desajustes, según el estudio, provienen de pequeñas variaciones en el combustible, la estructura del terreno o turbulencias locales del viento que los modelos deterministas no incorporan. El resultado es una propagación muy sensible a condiciones locales que pueden cambiar de manera impredecible incluso en escalas muy pequeñas.

La investigación utilizó combustibles de pino ponderosa y abeto Douglas, ambos comunes en estudios de incendios forestales y en ecosistemas del oeste de Norteamérica. Pero incluso con materiales estandarizados, la propagación nunca se repitió exactamente igual. Esta variabilidad confirma que el comportamiento del fuego no es simplemente una función de parámetros medibles, sino también del componente estocástico que surge de la interacción entre las llamas, el flujo de aire y la estructura del combustible. Para los autores, este punto es clave: los modelos de predicción necesitan integrar no solo estimaciones de propagación, sino también medidas explícitas de incertidumbre.

El supervisor del estudio, W. John Braun, destaca que la visión computacional abre una nueva etapa en la ciencia del fuego. Herramientas como la segmentación automática de perímetros permiten recopilar datos de alta resolución de manera más rápida y precisa, lo que antes requería procesos manuales lentos o mediciones indirectas. Estos avances, explica, sientan las bases para modelos probabilísticos más sólidos, capaces de reflejar mejor la realidad y ofrecer estimaciones más útiles durante incendios activos, cuando las decisiones deben tomarse con rapidez y bajo presión.

El equipo también subraya que los modelos actuales, al suavizar el comportamiento del fuego para simplificar el cálculo, pueden transmitir una falsa sensación de predictibilidad. El fuego, según Tazik, no se mueve de manera ordenada y lineal, sino como un sistema dinámico donde pequeñas diferencias iniciales producen grandes variaciones en el resultado. Este tipo de complejidad es difícil de capturar sin herramientas de IA que analicen cada fotograma y reconstruyan el comportamiento real del incendio.

De cara al futuro, los investigadores planean extender su método a más tipos de combustible, a distintos pendientes y a condiciones ambientales más variables. También esperan integrar imágenes aéreas y satelitales, aprovechar tecnologías de teledetección y colaborar con organismos de gestión forestal para aplicar estos análisis durante incendios reales. La meta es construir modelos que incorporen la naturaleza inherentemente incierta del fuego, en lugar de ocultarla detrás de ecuaciones simplificadas.

El estudio concluye que aceptar la aleatoriedad no significa renunciar a la predicción, sino reconocer que los modelos deben expresar rangos de probabilidad y no valores fijos. En un contexto donde las temporadas de incendios forestales son cada vez más intensas y frecuentes, comprender esa variabilidad no es solo un avance científico, sino una necesidad urgente para mejorar la seguridad, la planificación y la respuesta sobre el terreno.