Un marco GeoIA explicable para la evaluación espacial de la susceptibilidad a incendios forestales en la subcuenca alta del río Ravi, Himalaya indio

Por qué los incendios en el Himalaya nos importan a todos

Los incendios forestales suelen imaginarse en paisajes secos del oeste, pero algunos de los riesgos de incendio que más rápidamente están cambiando se encuentran ahora en las montañas del Himalaya indio. Estos bosques almacenan agua, moderan el clima y sostienen a cientos de miles de personas. Cuando se queman, se ven afectados hogares, fauna e incluso la nieve y los ríos a distancia. Este estudio analiza una de esas regiones: la subcuenca alta del río Ravi en Himachal Pradesh, y muestra cómo las herramientas modernas de cartografía y la inteligencia artificial pueden revelar dónde es más probable que empiecen y se propaguen los incendios futuros, dando a las comunidades la oportunidad de actuar antes de que llegue la catástrofe.

Un valle montañoso bajo creciente presión por incendios

La subcuenca alta del Ravi es un paisaje empinado del Himalaya que se extiende desde las estribaciones subtropicales hasta alturas casi árticas. Sus bosques están cada vez más sometidos al estrés por temperaturas más altas, periodos secos más prolongados y actividades humanas como la construcción de carreteras, el turismo y la expansión de los asentamientos. Las agujas de pino que se acumulan en el suelo forestal forman una alfombra muy inflamable durante la estación seca, de febrero a junio. En los últimos años, Himachal Pradesh ha registrado algunos de los números más altos de incidentes de incendios forestales en India, con llamas que amenazan tanto laderas remotas como valles habitados. Sobre este trasfondo, los autores se propusieron elaborar un “mapa de susceptibilidad” detallado que muestre qué partes de la cuenca tienen más o menos probabilidad de experimentar incendios forestales.

Convertir satélites y mapas en una imagen del riesgo de incendio

Para crear este mapa, el equipo combinó muchas fuentes de información diferentes. Los datos satelitales proporcionaron detalles sobre la cobertura del suelo, la salud de la vegetación, la precipitación, la temperatura, la humedad del suelo y el viento. Los modelos de elevación capturaron lo escarpado y accidentado del terreno, mientras que proyectos de cartografía abierta suministraron las ubicaciones de carreteras, pueblos, lugares religiosos y puntos turísticos. Del sistema de detección de incendios de la NASA compilaron más de 20 años de ubicaciones de incendios pasados. En total, seleccionaron dieciséis “factores condicionantes” que podrían favorecer o dificultar los incendios —desde el ángulo de la pendiente y la velocidad del viento hasta la distancia a pueblos y carreteras. Cada punto del paisaje fue descrito por estos factores y etiquetado como quemado o no quemado en el registro histórico, produciendo el material bruto para el aprendizaje por computadora.

Hacer que un equipo de algoritmos llegue a un acuerdo

En lugar de confiar en un único modelo estadístico, los investigadores entrenaron varios métodos avanzados de aprendizaje automático especializados en encontrar patrones en datos complejos. Entre ellos se incluyeron enfoques populares basados en árboles como Random Forest, XGBoost, LightGBM y CatBoost. Finalmente, los combinaron en un enfoque de “apilamiento” (stacking), donde un modelo simple aprende la mejor forma de mezclar las fortalezas de los cuatro. Probados con datos independientes, todos los métodos pudieron distinguir bastante bien las zonas propensas al fuego de las más seguras, pero el modelo apilado fue el que mejor rendimiento ofreció, separándolas correctamente la mayor parte del tiempo. Su éxito sugiere que un comité de algoritmos diversos puede capturar mejor las influencias entrelazadas del clima, el terreno y las personas sobre el comportamiento del fuego en las montañas.

Asomarse al interior de la caja negra de la inteligencia artificial

Por potentes que sean, estos modelos a menudo se critican por ser opacos. Para abordar esto, los autores emplearon una técnica de explicabilidad que estima cuánto empuja cada factor la predicción hacia un mayor o menor riesgo de incendio. Los resultados destacaron un grupo claro de factores principales. Temperaturas del aire más altas y suelos más secos aumentaron la susceptibilidad, mientras que una mayor humedad del suelo y humedad relativa la redujeron. Los lugares más cercanos a los pueblos mostraron mayor riesgo, lo que señala el papel de las igniciones humanas. Las pendientes pronunciadas y ciertas orientaciones de ladera también fueron importantes, porque influyen en la rapidez con que se secan los combustibles y en cómo ascienden las llamas. En resumen, el modelo hizo eco de la intuición física: el terreno caliente, seco, empinado y cercano a la población es donde es más probable que empiecen los problemas.

Comprobar cuán estables son realmente las respuestas

Cualquier modelo solo es tan confiable como sus entradas, que pueden ser inciertas debido a errores de medición o a patrones meteorológicos cambiantes. Para probar la estabilidad, los investigadores “sacudieron” repetidamente sus datos de entrada dentro de un rango realista y ejecutaron el modelo miles de veces, una técnica conocida como simulación Monte Carlo. También aplicaron un método de sensibilidad global que mide cuánto contribuye cada factor —a solas y en combinación con otros— a los cambios en el riesgo predicho. Ambas comprobaciones señalaron a la humedad del suelo y la temperatura como los ingredientes más influyentes, seguidos por la precipitación y la humedad. Incluso cuando las entradas fueron alteradas, la capacidad del modelo cayó solo ligeramente, lo que sugiere que sus conclusiones principales son robustas y no meras coincidencias frágiles.

Una visión más clara de dónde pueden ocurrir los próximos incendios

Al superponer todos estos conocimientos, el estudio concluye que alrededor de una quinta parte de la subcuenca alta del Ravi se encuentra en susceptibilidad alta o muy alta a incendios forestales, principalmente en laderas empinadas y secas cerca de carreteras y asentamientos. Para los responsables locales, este mapa es más que un producto académico: indica dónde concentrar las labores de alerta temprana, gestión de combustibles y campañas de concienciación pública. Para un lector no especializado, el mensaje clave es directo. En este valle himalayo, la combinación de calor, sequedad y presencia humana está preparando silenciosamente ciertas laderas para arder. Las herramientas que combinan satélites, algoritmos inteligentes y explicaciones claras pueden ayudar a convertir ese patrón oculto en acción práctica —antes de que llegue la próxima temporada severa de incendios.

Cita: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

Palabras clave: susceptibilidad a incendios forestales, bosques del Himalaya, aprendizaje automático, humedad del suelo, clima e incendio