Marco CNN-MLP para la predicción de áreas quemadas en bosques usando el algoritmo PSO-WOA

Por qué importa predecir el daño por incendios

Los incendios forestales son cada vez más calientes, extensos y frecuentes a medida que el clima se calienta y la actividad humana se expande en zonas boscosas. Para los equipos de extinción y las comunidades locales, una de las preguntas más apremiantes durante un brote no es solo si se iniciará un incendio, sino cuánta superficie es probable que queme. Este estudio muestra cómo un nuevo tipo de inteligencia artificial puede tomar mediciones sencillas de meteorología y sequía y convertirlas en estimaciones muy precisas del área final quemada, lo que podría dar a los gestores de emergencias una ventaja importante cuando cada hora cuenta.

De los datos meteorológicos crudos al impacto del fuego

Los investigadores se centran en un conjunto de datos bien conocido de un parque nacional portugués que registra 517 incendios forestales. Para cada incendio saben dónde y cuándo ocurrió, la temperatura del aire, la humedad, la velocidad del viento, las lluvias recientes y varios índices meteorológicos de incendios que describen cuán secos están distintos estratos de combustible forestal. El desafío es que la mayoría de los incendios en el registro son diminutos, mientras que unos pocos son muy grandes, y la relación entre las lecturas meteorológicas y el área quemada es altamente enrevesada y no lineal. Métodos anteriores, incluidos herramientas estándar de aprendizaje automático como máquinas de vectores de soporte y redes neuronales simples, tuvieron dificultades con este patrón complejo y produjeron predicciones solo moderadamente precisas.

Dejar que los algoritmos decidan qué entradas importan

En lugar de alimentar todas las variables disponibles a un modelo, el equipo deja primero que un algoritmo inspirado en las luciérnagas busque la combinación de entradas más informativa. En este esquema, cada “luciérnaga” propone una decisión sí-o-no para cada característica: incluir la temperatura, excluir la lluvia, incluir uno de los índices de sequía, etc. Las luciérnagas más brillantes representan combinaciones que rinden predicciones más precisas usando un modelo de prueba mientras mantienen el número de entradas pequeño. A lo largo de muchas rondas, las luciérnagas menos brillantes se desplazan hacia las más brillantes, y el proceso converge en un conjunto reducido de factores clave. Este procedimiento destaca de forma consistente cinco impulsores principales del área quemada: la temperatura, la humedad relativa, dos medidas de sequía que capturan la sequedad a medio y largo plazo, y una coordenada sencilla que indica dónde del parque ocurrió el fuego.

Una red neuronal híbrida ajustada por búsqueda inspirada en la naturaleza

Con esas entradas principales en mano, los autores construyen una red neuronal ligera pero especializada. Una parte, llamada red convolucional unidimensional, busca patrones en cómo interactúan las características seleccionadas—por ejemplo, la combinación de alta temperatura, baja humedad y sequía profunda en ciertas ubicaciones. Su salida fluye luego a una perceptrón multicapa más tradicional que realiza el paso final de regresión para estimar el área quemada. Elegir todos los parámetros internos de este modelo híbrido—cuántas capas, cuántas neuronas, qué velocidad de aprendizaje—es en sí un problema complejo. Para abordarlo, el equipo combina otros dos métodos de búsqueda inspirados en la naturaleza, uno modelado en bandadas de aves (optimización por enjambre de partículas) y el otro en la estrategia de caza de las ballenas. Trabajando por etapas, estos algoritmos exploran muchos diseños posibles de la red y se concentran gradualmente en aquellos que minimizan el error de predicción sobre datos de validación reservados.

Casi coincidencia perfecta con incendios reales

Tras este ajuste automático, el modelo híbrido optimizado se prueba frente a varios competidores sólidos de aprendizaje profundo: redes convolucionales independientes, redes feed-forward clásicas y modelos orientados a secuencias como LSTM y GRU. Todos se entrenan y comparan con las mismas particiones de los datos. El sistema híbrido CNN–MLP sale claramente vencedor. Sus predicciones coinciden con las áreas quemadas observadas con un coeficiente de determinación de aproximadamente 99,9 por ciento, y sus errores medios—medidos en hectáreas—son extremadamente pequeños. La validación cruzada, en la que los datos se barajan y dividen repetidamente en distintos pliegues de entrenamiento y prueba, muestra que este rendimiento es estable y no una casualidad debida a una partición afortunada. Análisis adicionales usando SHAP, una herramienta para explicar decisiones de modelos, confirman que temperaturas más altas y sequías más profundas empujan las predicciones hacia áreas quemadas mayores, mientras que una mayor humedad las frena, en consonancia con la ciencia establecida del fuego.

Qué significa esto para la gestión del fuego

Para los no especialistas, el mensaje central es que una combinación cuidadosamente diseñada de IA moderna y optimización puede convertir un puñado de lecturas rutinarias de meteorología y sequía en estimaciones muy fiables sobre cuánto bosque es probable que consuma un incendio. Al seleccionar automáticamente las entradas más informativas y afinar los ajustes internos del modelo, el enfoque ofrece tanto precisión como interpretabilidad. Si bien el estudio se centra en un parque de Portugal y en un conjunto de datos relativamente pequeño, el marco puede, en principio, extenderse a datos más ricos y a otras regiones. A medida que estos sistemas maduren y se conecten a flujos meteorológicos en tiempo real, podrían ayudar a las agencias a priorizar zonas de alto riesgo, planificar evacuaciones con mayor antelación y asignar recursos de extinción de manera más eficiente, reduciendo en última instancia el coste humano y ecológico de los incendios forestales.

Cita: Mousa, M.H., Algamdi, A.M., Fouad, Y. et al. CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Sci Rep 16, 4982 (2026). https://doi.org/10.1038/s41598-026-35836-4

Palabras clave: predicción de incendios forestales, área quemada, aprendizaje profundo, índice meteorológico de incendios, riesgo de incendio forestal