Evaluación del riesgo de incendio mediante técnicas de aprendizaje automático: un estudio de caso de la ciudad de Jinan, China

Por qué el riesgo de incendio en una ciudad importa para todos

A medida que las ciudades crecen y los veranos se vuelven más calurosos, los incendios que antes parecían raros son ahora más frecuentes y dañinos. Este estudio analiza Jinan, una ciudad de rápido crecimiento en el este de China, para plantear una pregunta simple pero urgente: ¿dónde y cuándo es más probable que se produzcan incendios? Al combinar datos satelitales, mapas de la ciudad y técnicas informáticas modernas, los investigadores muestran cómo podemos identificar con detalle las zonas de mayor riesgo y usar ese conocimiento para proteger mejor a las personas, las viviendas y los bosques cercanos.

Ver el incendio como un patrón urbano

En lugar de tratar cada incendio como un accidente aislado, el equipo consideró Jinan como un sistema completo. Recopilaron registros de más de 7.500 incendios detectados por satélite entre 2001 y 2024 y los emparejaron con 15 factores ambientales. Estos incluyeron el clima (como precipitación, temperatura, viento y humedad), la forma del terreno (altitud, pendiente y orientación), la vegetación (grado de verdor y tipo de cobertura del suelo) y señales de actividad humana (densidad de población y distancia a carreteras y ríos). Todos estos datos se convirtieron en capas cartográficas con la misma resolución para que cada punto de la ciudad pudiera describirse de la misma manera: cuánto tiende a estar húmedo o seco, qué pendiente tiene, qué grado de verdor presenta y cuánta actividad humana hay.

Enseñar a las máquinas a reconocer zonas de peligro

Para transformar este cúmulo de información en previsiones útiles, los autores probaron cinco enfoques distintos de aprendizaje automático. Estos iban desde métodos bien conocidos como Random Forests y Support Vector Machines hasta técnicas más avanzadas, incluidas Light Gradient‑Boosting Machines y un sistema de aprendizaje profundo llamado Red Neuronal Convolucional (CNN). Cada modelo se entrenó para distinguir ubicaciones donde se habían producido incendios de otras ubicaciones similares donde no se registró ninguno. Los modelos se evaluaron según su capacidad para clasificar nuevas ubicaciones no vistas, empleando métricas como la precisión global, el equilibrio entre incendios perdidos y falsas alarmas, y una puntuación basada en curvas conocida como AUC que refleja qué tan bien el modelo separa las áreas de riesgo de las seguras.

Qué revelan los mapas sobre dónde y cuándo ocurren los incendios

Las herramientas de mejor rendimiento fueron la CNN y el modelo LightGBM, ambos prediciendo correctamente las ubicaciones propensas a incendios más de cuatro de cada cinco veces y logrando puntuaciones AUC muy altas. La CNN tuvo una leve ventaja, especialmente para trazar límites nítidos entre áreas más seguras y más riesgosas. Sus mapas mostraron un patrón distintivo descrito como “tres zonas de alto riesgo y dos cinturones de riesgo”. En términos sencillos, los lugares más propensos a incendios se agrupan en y alrededor de los distritos urbanos centrales y del sur, conectados por dos franjas de riesgo elevado que atraviesan y recorren la ciudad. Las llanuras del norte y las montañas altas en el extremo sur presentan, en general, menos riesgo. El análisis también destacó cuáles son los factores más determinantes: el uso y la cobertura del suelo, junto con el verdor de la vegetación, resultaron ser los impulsores más fuertes, más que los promedios climáticos a largo plazo de temperatura o precipitación. En otras palabras, cómo las personas moldean y fragmentan el paisaje y la cantidad de combustible disponible importan al menos tanto como el clima de fondo.

Estaciones, barrios y hábitos humanos

El riesgo de incendio en Jinan no es constante a lo largo del año. Al introducir datos específicos de cada estación en la CNN, los autores encontraron que la primavera y el verano destacan. La primavera muestra la mayor extensión de áreas de alto riesgo, en parte vinculada a rituales tradicionales al aire libre que usan fuego abierto cerca de pastos y bosques secos. El verano registra el mayor número de incendios reales, concentrados en distritos urbanizados donde el calor, el alto consumo eléctrico y las actividades al aire libre se combinan. El otoño trae riesgos dispersos a lo largo de bordes agrícolas y montañosos, asociados con la quema de residuos de cultivos, mientras que en invierno la atención se desplaza a la vegetación seca y a las prácticas de calefacción en zonas rurales y forestales. Al sumar los riesgos por distrito, Huaiyin surgió como la máxima prioridad para la prevención, seguida de Tianqiao, Gangcheng y Zhangqiu, lo que sugiere dónde los servicios contra incendios y la educación pública podrían tener mayor impacto.

Qué implica esto para ciudades más seguras

Para un público no especializado, la conclusión principal es que los incendios en y alrededor de las ciudades no son ni aleatorios ni inevitables. Al aprender de eventos pasados y leer señales sutiles en el clima, la tierra, la vegetación y la actividad humana, los algoritmos modernos pueden trazar mapas de riesgo detallados que muestran exactamente dónde centrar patrullas, actualizar instalaciones eléctricas antiguas, gestionar la vegetación y regular las quemas abiertas. En Jinan, el estudio muestra que el crecimiento urbano que empuja contra espacios verdes inflamables es una combinación clave para el problema. El mismo patrón aparece en muchas ciudades del mundo. Enfoques como los mapas basados en CNN utilizados aquí ofrecen a las autoridades locales una manera práctica de adelantarse a la próxima temporada de incendios en lugar de reaccionar siempre después de los hechos.

Cita: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

Palabras clave: riesgo de incendio urbano, aprendizaje automático, datos satelitales, redes neuronales convolucionales, prevención de desastres