Predicción de incendios forestales mediante índices espectrales y Deep Learning: un estudio preliminar
DOI:
https://doi.org/10.22201/dgtic.26832968e.2025.13.54Palabras clave:
Deep Learning, incendios forestales, índices espectrales, Landsat-8, redes neuronales convolucionales (CNN)Resumen
La creciente incidencia de incendios forestales representa una amenaza ecológica y económica significativa. La detección temprana de zonas de alto riesgo es fundamental para una gestión forestal proactiva. Este artículo presenta los resultados preliminares de un sistema para la identificación de áreas con riesgo de incendio utilizando imágenes satelitales de acceso libre (Landsat-8) y un modelo de Red Neuronal Convolucional (CNN). Se definieron tres clases de riesgo a partir del análisis de índices espectrales (NDVI y NBR). El modelo fue entrenado y validado utilizando los recursos del Espacio de Innovación UNAM-HUAWEI, específicamente servidores Huawei Atlas 800. El modelo CNN alcanzó una exactitud global preliminar del 22% en el conjunto de validación para el Bosque de la Primavera (Jalisco, México). Si bien la exactitud es baja, el estudio identifica desafíos clave como el sobreajuste del modelo y la necesidad de incorporar variables adicionales, sentando las bases para futuras investigaciones.
Descargas
Citas
[1] V. M. Cvetković, J. Gačić, and V. Jakovljević, “Geospatial and temporal distribution of forest fires as natural disasters,” Vojno Delo, vol. 68, no. 2, pp. 108–127, Jan. 2016, doi: 10.5937/vojdelo1602108c.
[2] M. Gill, S. L. Stephens, and G. J. Cary, “The worldwide ‘wildfire’ problem,” Ecological Applications, vol. 23, no. 2, pp. 438–454, Sep. 2012, doi: 10.1890/10-2213.1.
[3] M. Ponce and A. Virgen, “Vulnerability of biodiversity to land use change and climate change in Mexico,” 2016. [Online]. Available: https://era.ed.ac.uk/handle/1842/21701
[4] R. Kanwal, W. Rafaqat, M. Iqbal, and S. Weiguo, “Data-Driven Approaches for wildfire mapping and prediction Assessment using a Convolutional Neural Network (CNN),” Remote Sensing, vol. 15, no. 21, p. 5099, Oct. 2023, doi: 10.3390/rs15215099
[5] J. R. Dymond, A. Bégue, and D. Loseen, “Monitoring land at regional and national scales and the role of remote sensing,” International Journal of Applied Earth Observation and Geoinformation, vol. 3, no. 2, pp. 162–175, Jan. 2001, doi: 10.1016/s0303-2434(01)85008-x
[6] Y. Wang, Z. Lu, Y. Sheng, and Y. Zhou, “Remote sensing applications in monitoring of protected areas,” Remote Sensing, vol. 12, no. 9, p. 1370, Apr. 2020, doi: 10.3390/rs12091370.
[7] D. Montero, C. Aybar, M. D. Mahecha, F. Martinuzzi, M. Söchting, and S. Wieneke, “A standardized catalogue of spectral indices to advance the use of remote sensing in Earth system research,” Scientific Data, vol. 10, no. 1, Apr. 2023, doi: 10.1038/s41597-023-02096-0.
[8] M. İ. Gürsoy, O. Orhan, and S. Tekin, “Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques,” Forest Ecology and Management, vol. 538, p. 121006, May 2023, doi: 10.1016/j.foreco.2023.121006.
[9] G. Zhang, M. Wang, and K. Liu, “Deep neural networks for global wildfire susceptibility modelling,” Ecological Indicators, vol. 127, p. 107735, Apr. 2021, doi: 10.1016/j.ecolind.2021.107735.
[10] “NBR Index-Based Fire detection using Sentinel-2 images and GIS: A case study in Mosul Park, Iraq,” International Journal of Geoinformatics, pp. 67–74, May 2023, doi: 10.52939/ijg.v19i3.2607
[11] Santopaolo, S. S. Saif, A. Pietrabissa, and A. Giuseppi, “Forest Fire Risk Prediction from Satellite Data with Convolutional Neural Networks,” 2022 30th Mediterranean Conference on Control and Automation (MED), pp. 360–367, Jun. 2021, doi: 10.1109/med51440.2021.9480226.
[12] J. L. Ibarra-Montoya and F. M. Huerta-Martínez, “Modelado espacial de incendios: una herramienta predictiva para el Bosque La Primavera, Jalisco México,” Ambiente E Agua - an Interdisciplinary Journal of Applied Science, vol. 11, no. 1, Jan. 2016, doi: 10.4136/ambi-agua.1536.
[13] N. P. A. M and N. P. Ankalkoti, “Forest Wildfire Detection from Satellite Images using Deep Learning,” International Journal of Advanced Research in Science Communication and Technology, pp. 578–583, Jul. 2023, doi: 10.48175/ijarsct-12086.
[14] S. A. Azzouzi, “Técnicas de detección de cambios mediante teledetección para el desarrollo sostenible y la desertificación,” 2019. doi: 10.4995/thesis/10251/117994.
[15] M. Naderpour, H. M. Rizeei, and F. Ramezani, “Forest fire Risk prediction: A spatial deep neural Network-Based framework,” Remote Sensing, vol. 13, no. 13, p. 2513, Jun. 2021, doi: 10.3390/rs13132513.
[16] L. Knopp, “Development of a burned area processor based on Sentinel-2 data using deep learning,” PFG – Journal of Photogrammetry Remote Sensing and Geoinformation Science, vol. 89, no. 4, pp. 357–358, Aug. 2021, doi: 10.1007/s41064-021-00177-6.
[17] Y. Michael, D. Helman, O. Glickman, D. Gabay, S. Brenner, and I. M. Lensky, “Forecasting fire risk with machine learning and dynamic information derived from satellite vegetation index time-series,” The Science of the Total Environment, vol. 764, p. 142844, Oct. 2020, doi: 10.1016/j.scitotenv.2020.142844.
[18] M. Gonçalves, T. Brandão, and J. C. Ferreira, “Wildfire Detection with Deep Learning—A Case study for the CICLOPE Project,” IEEE Access, vol. 12, pp. 82095–82110, Jan. 2024, doi: 10.1109/access.2024.3406215.
[19] Karimi et al., “Evaluating Models and Effective Factors Obtained from Remote Sensing (RS) and Geographic Information System (GIS) in the Prediction of Forest Fire Risk, Structured Review,” Journal of Geography and Cartography, vol. 1, no. 4, Sep. 2018, doi: 10.24294/jgc.v1i4.618.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Kevin Manuel Galván Lara, Yosune Miquelajauregui Graf
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
TIES, Revista de Tecnología e Innovación en Educación Superior, es una publicación semestral de acceso abierto bajo la licencia Creative Commons Atribución-No Comercial 4.0 Internacional (CC BY-NC 4.0).
ISSN 22683-2968 • © 2025 Universidad Nacional Autónoma de México. TIES, Revista de Tecnología e Innovación en Educación Superior es editada por la Universidad Nacional Autónoma de México a través de la Dirección General de Cómputo y de Tecnologías de Información y Comunicación (DGTIC). Circuito exterior s/n, Ciudad Universitaria, Alcaldía Coyoacán, C.P. 04510, Ciudad de México, México • Reserva de Derechos de Autor otorgado por INDAUTOR: 04-2019-011816190900-203.
El contenido de los artículos es responsabilidad de los autores y no refleja el punto de vista del Comité editorial, del Editor o de la Universidad Nacional Autónoma de México. Hecho en México, 2025.
