Detección inteligente de incendios en la agricultura mediante aprendizaje automático y sistemas embebidos para prevención de riesgos y mayor sostenibilidad

Por qué es importante proteger las explotaciones agrícolas contra los incendios

En todo el mundo, los agricultores sufren las consecuencias de un clima más cálido y seco y de incendios forestales más frecuentes. Un solo fuego puede arrasar cosechas, dañar el suelo y amenazar el abastecimiento local de alimentos. Este trabajo presenta una forma práctica de detectar incendios de forma temprana en las explotaciones, usando un pequeño dispositivo electrónico de bajo coste y programas informáticos inteligentes, de modo que el peligro pueda identificarse a tiempo incluso en campos remotos con poco o ningún acceso a internet.

Explotaciones en riesgo en un mundo que se calienta

La agricultura moderna depende de un clima estable, sin embargo el cambio climático está provocando olas de calor más largas, sequías y más incendios forestales. Los métodos tradicionales de vigilancia contra incendios, como patrullas o cámaras remotas, son lentos, costosos y a menudo no detectan focos pequeños. Para muchas comunidades rurales, especialmente las alejadas de ciudades e infraestructuras de red, existe una necesidad urgente de herramientas sencillas que vigilen los cultivos las 24 horas, alerten del peligro en cuestión de segundos y ayuden a proteger la producción de alimentos sin depender de servicios en la nube complejos.

Una caja pequeña que vigila humo y llamas

Los investigadores construyeron una unidad autónoma de detección de incendios alrededor de un microordenador de tamaño de palma Raspberry Pi 3 B+. Este dispositivo se conecta directamente a sensores de humo y llama colocados en el campo. Los sensores miden de forma continua la presencia de humo y llama, y la Raspberry Pi registra estas lecturas localmente con marcas temporales precisas. Una pequeña pantalla muestra el nivel de peligro actual y un zumbador suena cuando el riesgo se vuelve alto, permitiendo que los trabajadores cercanos reaccionen de inmediato. Dado que todo funciona en el propio dispositivo, el sistema puede operar en explotaciones aisladas que carecen de internet fiable o servidores centralizados.

Enseñar al dispositivo a juzgar el peligro de incendio

Simplificar la detección a solo medir humo y llama no es suficiente; el sistema también debe decidir cuán grave es la situación. Para ello, el equipo entrenó varios modelos de aprendizaje automático—métodos informáticos que aprenden patrones a partir de datos—con mediciones reales recogidas con su prototipo. Definieron tres categorías: condiciones normales sin fuego, un estado de advertencia con posible peligro y fuegos confirmados. Usando un conjunto de datos relativamente pequeño pero cuidadosamente limpiado, aplicaron modelos llamados regresión logística y bosque aleatorio (random forest), junto con regresión lineal para producir una puntuación de riesgo continua. Los modelos aprendieron cómo las combinaciones de niveles de humo y llama corresponden a estos estados de riesgo y cómo las variaciones rápidas a lo largo del tiempo señalan un aumento del peligro.

Cómo el software inteligente mejora la fiabilidad

En las pruebas, el modelo de random forest destacó. Clasificó correctamente los niveles de riesgo de incendio con aproximadamente un 99% de precisión y puntuaciones igualmente altas en cuanto a cuántos incendios reales detectó y cuántos pasó por alto. El modelo más simple de regresión logística también funcionó bien, pero random forest manejó patrones más complejos en los datos y resultó más estable en ensayos repetidos. Para protegerse contra sensores defectuosos o condiciones ambientales extrañas, los investigadores añadieron un paso de detección de anomalías usando un enfoque llamado Isolation Forest. Esta capa adicional marca lecturas inusuales que no concuerdan con el comportamiento normal, lo que puede indicar tanto un patrón de fuego oculto como un sensor en fallo. El equipo también analizó cuándo tienden a ocurrir los incidentes durante el día, identificando franjas horarias en las que una supervisión más estrecha puede ser especialmente útil.

Hacia una agricultura más inteligente y resiliente

Combinando hardware económico, procesamiento local de datos y métodos de aprendizaje automático bien seleccionados, el sistema propuesto ofrece a los agricultores una herramienta práctica de alerta temprana contra incendios. No depende de conexiones rápidas a internet ni de grandes centros de datos, por lo que es adecuado para regiones agrícolas remotas. Los resultados sugieren que tales sistemas embebidos e inteligentes pueden reducir significativamente el riesgo de daños por incendios, apoyar una producción de alimentos más segura y ayudar a las explotaciones a adaptarse a un clima cambiante. Con futuras mejoras—como más sensores ambientales, algoritmos mejorados y posiblemente energía solar—este enfoque podría evolucionar hacia una plataforma más amplia de seguridad y gestión de recursos en la granja que proteja tanto los cultivos como el entorno circundante.

Cita: Morchid, A., Elbasri, A., Qjidaa, H. et al. Intelligent fire detection in agriculture using machine learning and embedded systems for risk prevention and improved sustainability. Sci Rep 16, 9773 (2026). https://doi.org/10.1038/s41598-026-40378-w

Palabras clave: agricultura inteligente, detección de incendios, aprendizaje automático, sistemas embebidos, sostenibilidad rural