Modelos de predicción de propagación de incendios forestales con inteligencia artificial: qué tan confiables son hoy

De Rothermel a las redes neuronales

Casi todo simulador de propagación que se usa hoy en el mundo sigue apoyándose en el modelo de Rothermel (1972). Es una ecuación semiempírica que estima la velocidad de avance del frente a partir de tres grupos de variables: el combustible (carga, tamaño de partícula, humedad), el viento a media llama y la pendiente. Sobre esa base se construyeron FARSITE, FlamMap y BehavePlus en Estados Unidos, Prometheus en Canadá (que usa el sistema FBP) y Spark en Australia (CSIRO). En los últimos años se sumó una camada nueva de modelos de inteligencia artificial: redes convolucionales (CNN), ConvLSTM y emuladores entrenados con imágenes satelitales y simulaciones físicas. La pregunta que importa en la línea de fuego es concreta: ¿en qué le puedo creer a un mapa de propagación que hizo una IA?

Qué hace distinto un modelo de IA

Un modelo físico calcula la propagación a partir de ecuaciones. Un modelo de aprendizaje automático, en cambio, aprende patrones de miles de incendios pasados: perímetros detectados por satélite, viento, humedad, topografía e índices de vegetación como el NDVI. Sus ventajas reales son estas:

• Velocidad: un emulador entrenado puede devolver un mapa de probabilidad en segundos, mientras que una simulación física detallada de un incendio grande puede tardar minutos u horas.
• Integración de datos satelitales: los focos de calor del sensor VIIRS (resolución de 375 m) y MODIS (1 km), disponibles en NASA FIRMS, más los satélites geoestacionarios GOES (imágenes cada 5 a 10 minutos sobre Sudamérica), permiten corregir la predicción a medida que avanza el evento.
• Detección temprana: la constelación FireSat, cuyo primer satélite se lanzó en 2025, apunta a detectar focos de unos 5 x 5 metros con revisitas frecuentes.

Los números: qué tan bien aciertan

Hay que ser honestos con los datos. En el conjunto de referencia Next Day Wildfire Spread (Google Research, 2022), que se usa para comparar modelos que predicen el perímetro del día siguiente, los primeros modelos de redes neuronales obtuvieron un AUC-PR cercano a 0,3. En criollo: identifican bien la zona general de avance, pero generan muchos falsos positivos y se les escapan focos secundarios. Los trabajos más recientes mejoran esas cifras, pero siguen lejos de ser exactos a escala de manzana o de lote.

Los modelos físicos tampoco son infalibles. Una revisión de Cruz y Alexander (2013) sobre cientos de predicciones de velocidad de propagación encontró que apenas alrededor de un tercio caía dentro de un ±35% del valor observado, y que la tendencia general era a subestimar la velocidad en incendios intensos. Ese es justamente el escenario donde más gente queda expuesta.

Una regla práctica que sale de esa misma línea de investigación: en bosques y matorrales con condiciones secas, la velocidad del frente ronda el 10% de la velocidad del viento a 10 metros. Con 40 km/h de viento, pensá en un frente que avanza unos 4 km/h. Ningún modelo te va a avisar más rápido que esa cuenta mental.

Dónde fallan (y por qué importa en Argentina)

• Combustibles locales: la mayoría de los modelos se entrenaron con datos de California, Canadá, Australia o el Mediterráneo. Los pastizales pampeanos, el caldén, el monte chaqueño, los bosques andino-patagónicos con caña colihue o las plantaciones de pino en Corrientes y Misiones tienen otro comportamiento. Sin datos argentinos en el entrenamiento, el error crece.
• Comportamiento extremo: las pavesas a larga distancia, los pirocúmulos, las columnas convectivas que colapsan y los cambios bruscos de viento por frentes fríos son justo lo que peor predicen tanto la IA como Rothermel.
• Datos de entrada pobres: si la estación meteorológica más cercana está a 80 km, el modelo calcula con un viento que no es el que tenés vos en el terreno.
• Caja negra: muchas redes neuronales no explican por qué predicen lo que predicen, y eso complica la toma de decisiones bajo el sistema de comando de incidentes.

Qué dicen las normas

Ninguna norma certifica un modelo de IA como herramienta de seguridad táctica. Lo que sí hay es un marco que pone la seguridad del personal por encima de cualquier predicción:

• NFPA 1140 (edición 2022), que consolidó a las anteriores NFPA 1143 y 1051, exige planificación del manejo del fuego y competencias del personal forestal, incluida la lectura del comportamiento del fuego. El simulador sirve de apoyo, no reemplaza a la persona capacitada.
• ISO 22320, sobre gestión de emergencias y comando de incidentes, pide que la información que llega al puesto de comando sea trazable y verificada.
• NFPA 1877 (ex NFPA 1977), EN 15614 e ISO 16073 definen los requisitos del EPP forestal. Ninguna predicción justifica salir con equipo que no cumpla esas normas.
• En Argentina, la Ley 26.815 creó el Sistema Federal de Manejo del Fuego. El SMN publica a diario el Índice Meteorológico de Peligro de Incendios, basado en el sistema canadiense FWI, que hoy es la referencia oficial para medir el peligro. IRAM no tiene una norma específica para modelos de propagación, pero adopta normas ISO de gestión (por ejemplo, IRAM-ISO 9001) que aplican a cómo una organización valida sus herramientas.

Cómo usarlos sin jugarse la vida

• Tomá el mapa de la IA como escenario probable, no como pronóstico exacto. Planificá siempre pensando en el peor caso.
• Contrastá la predicción con la observación directa: vigías, drones y reportes de las cuadrillas.
• Prestá atención a la regla 30-30-30: más de 30 °C, menos de 30% de humedad relativa y viento de más de 30 km/h. Si se dan las tres, cualquier modelo probablemente esté subestimando el avance.
• Mantené el protocolo LACES (vigía, comunicaciones, rutas de escape, zonas de seguridad) sin importar lo que diga la pantalla.
• Reportá los perímetros reales a tu central. Cada incidente bien documentado sirve para que los futuros modelos se entrenen con fuego argentino.

Conclusión

La inteligencia artificial ya es útil para detectar focos temprano, priorizar recursos y anticipar la tendencia general de un incendio, sobre todo en eventos grandes y de varios días. Todavía no es confiable para decisiones tácticas finas, como dónde poner una cuadrilla o cuánto margen tenés antes de que el frente llegue a tu posición. Ahí siguen mandando la formación, la experiencia y la lectura del terreno. La herramienta suma, pero la seguridad la sigue garantizando la persona que está en la línea.

Foto: Jay Heike / Unsplash