Investigadores de la USC están desarrollando un modelo computacional que combina datos satelitales y simulaciones basadas en la física para pronosticar la trayectoria, la intensidad y la velocidad de propagación de un incendio forestal. Si alguna vez ha sido evacuado de su hogar durante un incendio forestal, sabrá lo aterradora e impredecible que es la situación. Desde donde se encuentra, recogiendo rápidamente algunas pertenencias esenciales e intentando encontrar la mejor ruta hacia un lugar seguro, no hay forma de saber con qué rapidez se propaga el fuego ni qué dirección es probable que tome.
por la Universidad del Sur de California
Esa fue la experiencia de Assad Oberai, profesor Hughes de ingeniería aeroespacial y mecánica en la Escuela de Ingeniería Viterbi de la USC. Fue evacuado de su casa durante el incendio de Eaton en enero de 2025, uno de los incendios forestales más destructivos en la historia del sur de California, que ardió durante 24 días antes de ser controlado por completo y dejó más de 9400 estructuras destruidas y más de 1000 dañadas.
«Debido al cambio climático, estamos viendo más incendios extremadamente intensos, de esos que arden muy rápido y con mucha intensidad», reflexionó. «Tenemos los datos a mano. Todo depende de cómo los utilicemos».
Un avance inicial
Para Oberai, quien dirige el grupo de Computación y Descubrimiento Basado en Datos (CD3) en el Departamento de Ingeniería Aeroespacial y Mecánica de USC Viterbi, la imprevisibilidad de los incendios forestales planteó un problema computacional mucho antes de convertirse en parte de su experiencia personal. En julio de 2024, en colaboración con miembros de CD3 e investigadores de varias universidades, Oberai publicó un artículo que presenta un modelo que utiliza IA generativa para combinar datos satelitales y simulaciones basadas en la física para pronosticar la trayectoria, la intensidad y la tasa de crecimiento de un incendio forestal.
El artículo fue reconocido como un importante avance en la comprensión y predicción de incendios forestales. Sin embargo, Oberai y su coautor Bryan Shaddy, estudiante de doctorado y miembro de CD3, eran muy conscientes de que aún faltaban algunas piezas del rompecabezas.
Avanzando en el modelo
El sistema original se basaba en datos del VIIRS, un satélite de órbita polar que detecta señales térmicas con una resolución espacial relativamente alta (de unos pocos cientos de metros), pero que solo vuelve a visitar la misma ubicación dos veces al día. El resultado es información precisa pero intermitente; una secuencia de instantáneas separadas por largos intervalos en los que el fuego sigue evolucionando.
Un nuevo artículo publicado en la revista Remote Sensing presenta una mejora del modelo. El objetivo es reducir la incertidumbre sobre dónde y cuándo se originó un incendio, información crucial para predecir su propagación.
«Seguimos utilizando datos del VIIRS, pero ahora incorporamos observaciones del satélite geoestacionario GOES para obtener una medición más precisa del momento de la ignición», explicó Oberai. «Esta incorporación, junto con el hecho de que el nuevo modelo tenga en cuenta el terreno, permite realizar predicciones mejor fundamentadas y, por lo tanto, más precisas».
GOES observa continuamente la misma región y actualiza sus datos cada cinco minutos. Si bien este satélite geoestacionario no ofrece el mismo nivel de detalle espacial que VIIRS, proporciona algo que el modelo anterior no tenía: una estimación fiable del momento en que se originó un incendio. Esta información reduce una importante fuente de incertidumbre. Un incendio detectado en un momento dado puede tener historias muy diferentes según cuándo comenzó. Es precisamente en ese período inicial donde la predicción resulta más difícil y, a la vez, más trascendental.
El poder de la predicción
«Si se sabe cómo se propagó inicialmente un incendio, se puede predecir con mayor precisión su trayectoria posterior», explicó Oberai. «El momento de la ignición es clave para comprenderlo. Si sé que el incendio comenzó hace 10 horas, puedo hacerme una idea de su ritmo de propagación. Si el fuego ha cubierto la misma superficie en dos horas, sé que se está extendiendo rápidamente y eso me llevará a tomar decisiones diferentes».
Una mejora adicional del modelo considera las condiciones del terreno , teniendo en cuenta cómo la pendiente y la elevación influyen en la dirección y la velocidad de propagación del fuego. Por ejemplo, es bien sabido que el fuego tiende a propagarse más rápido hacia arriba en una pendiente. El nuevo modelo considera este tipo de efectos. Además, se entrena con simulaciones de incendios forestales reales en lugar de escenarios genéricos, capturando así la variabilidad del clima, la vegetación y la topografía que rigen el comportamiento real de los incendios.
En conjunto, estos cambios permiten que el modelo reconstruya la progresión del fuego con mayor precisión. Esto se demuestra por la estrecha concordancia de las reconstrucciones con los perímetros infrarrojos de alta resolución medidos por aeronaves: lo que antes era un proceso de observación, espera y toma de decisiones basado en observaciones, ahora es un proceso de predicción en tiempo real. En resumen, se trata de anticiparse al fuego.
¿Puede la computación ganarle al reloj?
«Cuando se trata de combatir un incendio de manera efectiva, esta herramienta tiene la capacidad de proporcionar estimaciones en tiempo real y una especie de vista aérea de cómo se ve el fuego en cualquier instante», dijo Oberai.
Para Shaddy, que creció en el Valle Central de California, donde los veranos se asocian con el humo de los incendios forestales, y para Oberai, que ahora tiene una estrategia para evacuar su casa con poca antelación, ese concepto de la vista aérea —la perspectiva general, el punto de vista informado— es una fuente de serenidad.
Dicho esto, son conscientes de que trabajan con plazos muy ajustados mientras perfeccionan continuamente su modelo de predicción de incendios forestales. Se prevé que las temporadas de incendios en el oeste de Estados Unidos sean más largas y severas, y el objetivo es poner estas herramientas a disposición de los equipos de primera intervención y los planificadores de la gestión de incendios forestales. Por ahora, es una carrera contrarreloj para convertir los datos en modelos de última generación que proporcionen información útil para quienes se encuentran en primera línea.
Más información
Bryan Shaddy et al., Algoritmos generativos para la reconstrucción de la progresión de incendios forestales a partir de mediciones satelitales multimodales de incendios activos y altura del terreno, Remote Sensing (2026). DOI: 10.3390/rs18020227
