El aprendizaje automático y los modelos estadísticos ayudan a los bomberos a identificar cómo y dónde pueden originarse y propagarse los incendios.
Los bomberos llevan décadas recurriendo a la analítica, pero la nueva tecnología de IA les está ayudando a avanzar.
A medida que empeora el cambio climático, los incendios forestales son cada vez más intensos, lo que significa que los recursos de extinción están cada vez más estirados.
Estas herramientas permiten a los equipos de extinción trabajar con recursos limitados.
El último verano, mientras Will Harling dirigía un camión de bomberos que intentaba controlar un incendio forestal que había surgido del Bosque Nacional Klamath, en el norte de California, había superado un cortafuegos y avanzaba hacia su ciudad natal, recibió un frustrante correo electrónico.
Se trataba de un análisis estadístico del investigador forestal de la Universidad Estatal de Oregón Chris Dunn, que predecía que el punto donde los bomberos habían construido el cortafuegos, sobre una cresta a pocas millas de la ciudad, solo tenía un 10 % de probabilidades de detener las llamas.
«Habían gastado tantos recursos en construir ese cortafuegos inútil», dijo Harling, director del Consejo de la Cuenca del Medio Klamath y bombero forestal de la tribu local Karuk.
«El índice mostraba que no tenía ninguna posibilidad», le dijo a la Fundación Thomson Reuters en una entrevista telefónica.
El Índice de Dificultad de Supresión (SDI, por sus siglas en inglés) es una de varias herramientas analíticas Dunn y otros expertos en tecnología de extinción de incendios están desarrollando para llevar al mundo de la lucha contra incendios los últimos avances en aprendizaje automático, macrodatos y predicción.
A medida que el cambio climático y las carencias en la gestión forestal generan temporadas de incendios forestales más intensas y mortíferas, los recursos de extinción están cada vez más al límite.
Investigadores como Dunn esperan que sus herramientas ayuden a aliviar esa presión garantizando que los escasos recursos contra incendios se desplieguen con la mayor eficiencia posible.
Dunn afirmó que, hasta ahora, los bomberos de la mitad de los bosques nacionales utilizan una herramienta analítica muy extendida que él ayudó a desarrollar, denominada Delimitaciones Operativas Potenciales (PODs).
Combina el conocimiento local de los bomberos con análisis espaciales avanzados para ayudar a los equipos a planificar dónde actuar ante un incendio incluso antes de que se produzca.
La herramienta superpone varios modelos estadísticos, como el SDI, sobre un mapa de la región para que los gestores de incendios y las comunidades puedan planificar con antelación sus líneas de control y sus planes de ataque.
«Nunca se puede eliminar el factor personal de la lucha contra incendios», afirmó Brad Pietruszka, gestor de incendios del Bosque Nacional San Juan, de 1,8 millones de acres (728 000 hectáreas), que utiliza herramientas analíticas avanzadas como los PODs desde 2017.
«Pero las personas toman malas decisiones bajo presión: no pueden procesar todos estos datos por sí solas. Se trata de reducir la incertidumbre y ayudar a los bomberos a tomar mejores decisiones»
Ávidos de datos
Durante décadas, los bomberos han recurrido a la analítica para predecir el posible comportamiento de los incendios, utilizando una amplia gama de datos, desde patrones meteorológicos hasta imágenes satelitales de posibles combustibles y del comportamiento histórico del fuego.
Ahora, los avances en informática e inteligencia artificial (IA) les permiten apoyarse cada vez más en tecnologías predictivas para potenciar sus propias conclusiones.
«Cuando me preguntaron por primera vez si podíamos utilizar la inteligencia artificial para combatir incendios, dije: “De ninguna manera. Hay demasiada incertidumbre”», recordó David Calkin, investigador veterano del Servicio Forestal de los EE. UU. (USFS).
«Pero luego pensé: “¿Y si planificáramos una agenda de investigación que avanzara en esa dirección?”»
Al combinar el aprendizaje automático con años de investigación, analistas de incendios como Calkin y Dunn elaboran modelos que añaden capas de datos al conocimiento institucional de las cuadrillas locales de extinción, explicó Rick Stratton, analista de incendios del USFS.
«Los bomberos solo ven una parte limitada, sus carreras son cortas, pero ahora podemos modelar miles de temporadas artificiales y extraer todo tipo de conocimientos», afirmó Stratton, quien gestiona un panel en línea que permite a los gestores de incendios consultar en tiempo real los análisis de su territorio.
«Hace 15 años no habríamos podido hacer eso. No teníamos la potencia informática necesaria.»
Una de las herramientas más complejas desarrolladas por los investigadores en los últimos años es el algoritmo de Ubicaciones de Control Potenciales (PCL), que utiliza el aprendizaje automático para sugerir dónde deben situar los bomberos sus líneas de control durante un incendio.
«Es muy exigente en cuanto a datos», explicó Dunn. «Tiene en cuenta las distancias a las carreteras, dónde hay crestas y terreno llano, qué tipo de combustible hay en el suelo, y también toma muestras de los perímetros históricos de los incendios.»
Armados con una sopa de letras de herramientas analíticas (PCL, SDI, PODs y otras), los bomberos reciben una ayuda crucial para decidir hacia dónde dirigir sus esfuerzos en temporadas de incendios cada vez más descontroladas, señaló Pietruszka.
«Cada vez vemos con más frecuencia múltiples regiones con grandes incendios, y la competencia por los recursos de extinción es realmente extrema: simplemente no hay suficientes personas», afirmó.
«Necesitamos saber qué hacer con nuestros recursos limitados; esa es la promesa de estas herramientas.»
El hombre y la máquina
Dunn y los demás expertos subrayan que estos modelos funcionan mejor cuando se combinan con la perspicacia humana, y cuando las personas que viven en zonas propensas a los incendios forestales comprenden el proceso.
Uno de los ejercicios que recomiendan a las comunidades antes de la temporada de incendios es cartografiar las prioridades locales, explicó Dunn.
Esto incluye decidir qué ubicaciones deben defenderse del fuego a toda costa y qué zonas pueden quedar expuestas a las llamas para ayudar a reducir la densidad de la vegetación del paisaje y garantizar que los incendios futuros sean menos intensos.
Chris Chambers, jefe de bomberos de Ashland (Oregón), ha visto cómo se traduce eso sobre el terreno.
En los últimos meses ha dedicado tiempo a cartografiar la hierba y la maleza seca de la ciudad, e introducir esos datos en los modelos de Dunn, que a su vez le han ayudado a identificar zonas para quemas controladas, dónde construir defensas y dónde desplegar recursos cuando se produce un incendio.
«Antes, simplemente imprimía un mapa y anotaba todos los lugares donde quería intentar eliminar combustible», afirmó.
Chambers prevé distribuir mapas detallados que muestren los distintos índices a las cuadrillas temporales de extinción que llegan cada temporada de incendios.
Mientras la temporada de incendios de este año arde en el oeste de Estados Unidos, Calkin, investigador del USFS, avanza con su agenda de investigación, con la esperanza de generar conocimientos sobre todo, desde dónde deben lanzar los aviones el retardante de fuego hasta cómo se reparten durante un incendio las cuadrillas hotshot, unidades de élite de extinción.
Aun así, le preocupa la viabilidad a largo plazo de estas tácticas.
«El dilema es que, cuando modelas, solo dispones de datos históricos», afirmó. «Y a medida que el cambio climático crea un futuro sin precedentes, puede resultar cada vez más difícil modelar lo que no se conoce.»
