Microsoft, Azure y la tecnología de IA combaten los riesgos de incendios forestales en California

Microsoft invierte en la detección de incendios forestales basada en la inteligencia artificial; Juan Lavista Ferres, vicepresidente corporativo y científico jefe de datos, analiza estrategias para mitigar el daño medioambiental.

Según la NASA, el cambio climático afecta a todos los habitantes de la Tierra y se manifiesta en forma de aumento de las temperaturas, alteraciones en los patrones de precipitaciones y subida del nivel del mar.

La NASA afirma que existen pruebas inequívocas de que la Tierra se está calentando a un ritmo sin precedentes, siendo la actividad humana el principal factor impulsor.

A medida que aumentan las temperaturas globales, los incendios forestales suponen una amenaza cada vez mayor.

En EE. UU., el aumento de las temperaturas, las sequías prolongadas y la expansión urbanística acentúan los riesgos para las comunidades y los ecosistemas.

El año pasado se registraron casi 78 000 incendios forestales en todo el país, lo que supone un aumento del 20 % con respecto al año anterior.

En California, donde los incendios han moldeado históricamente los bosques, las praderas y los paisajes costeros, el reto consiste cada vez más en gestionar la forma en que las comunidades conviven con los efectos del cambio climático.

Científicos, bomberos y el AI for Good Lab de Microsoft están aprovechando la IA para detectar los incendios forestales antes, lo que proporciona a los equipos de emergencia más tiempo de respuesta.

Nuestro objetivo es que esta tecnología sea accesible a nivel mundial.

Juan Lavista Ferres, vicepresidente y científico jefe de datos del AI for Good Lab de Microsoft.

Microsoft ha destinado 5 millones de dólares a impulsar la detección de incendios forestales mediante IA, financiando la expansión de sistemas de visión artificial en tiempo real que muestran nuevos enfoques para aplicar el aprendizaje automático en la vigilancia medioambiental, donde el tiempo es un factor crítico.

Cómo ayuda la tecnología a prevenir la propagación de los incendios forestales

Visión artificial a gran escala

Durante décadas, la detección de incendios forestales se basaba en que las personas avistaran el humo desde las carreteras, los miradores o las comunidades cercanas antes de alertar a los servicios de emergencia.

ALERTCalifornia, fundada en la Universidad de California en San Diego, está transformando este enfoque con una red de casi 1.300 cámaras repartidas por las zonas del estado propensas a los incendios.

El sistema supervisa continuamente las imágenes en directo de las cámaras y utiliza la inteligencia artificial para identificar posibles indicios de humo.

Compara diferentes ángulos de cámara, verifica la ubicación de los incendios y envía alertas a los equipos de emergencia en cuestión de minutos.

En sus dos primeros meses, la red detectó 77 incidentes antes de que se notificaran a través de otros canales.

El sistema procesa ahora más de siete millones de imágenes al día, identificando incendios forestales hasta 2,5 horas antes de la primera llamada al 911.

El modelo de inteligencia artificial debe distinguir los indicios reales de incendio del ruido ambiental, como las nubes, la niebla y las condiciones de iluminación variables a lo largo del día y de las estaciones.

Este reto de clasificación se ve agravado por la diversidad de los paisajes supervisados, que van desde bosques densos hasta praderas y regiones costeras.

El Dr. Neal Driscoll, geofísico y fundador de ALERTCalifornia, afirma: «Los datos revelan algo más que el aspecto del paisaje».

Dr. Neal Driscoll, geofísico y fundador de ALERTCalifornia. Crédito: Emily Zheng a través de Microsoft

«Nos ayudan a comprender cómo cambia con el tiempo».

Según los datos operativos del proyecto, la detección de incendios 2,5 horas antes que los métodos tradicionales indica que el umbral de sensibilidad del modelo se ha calibrado para identificar el humo en sus primeras fases, al tiempo que se mantiene una precisión aceptable.

Rendimiento del modelo en producción

La implementación del sistema pone de relieve consideraciones prácticas para los sistemas de IA que operan en escenarios de detección críticos.

El procesamiento de siete millones de imágenes al día requiere una infraestructura capaz de gestionar la inferencia continua a gran escala, y la subvención de Azure, que forma parte de la contribución de 5 millones de dólares de Microsoft, podría cubrir las necesidades computacionales.

Datos sobre incendios forestales de Earth.Org

• Los incendios forestales requieren tres condiciones clave para iniciarse: vegetación seca (combustible), aire rico en oxígeno y una fuente de calor. Los vientos fuertes pueden acelerar su propagación.
• Los rayos desencadenan incendios forestales de forma natural: los rayos son una de las principales fuentes naturales de ignición, y los rayos más calientes y prolongados tienen más probabilidades de provocar incendios. Un estudio de 2014 reveló que un aumento de la temperatura de 1 °C podría incrementar la frecuencia de los rayos en un 12 %.
• Más del 80 % de los incendios forestales en EE. UU. son de origen humano: actividades como las hogueras desatendidas, los cigarrillos, las barbacoas y los fuegos artificiales representan alrededor del 84 % de los incendios forestales en EE. UU.
• Los incendios forestales provocan una contaminación atmosférica generalizada: el humo contiene gases y partículas finas que recorren largas distancias, penetran profundamente en los pulmones y aumentan los riesgos para la salud respiratoria y cardiovascular.
• El cambio climático alarga las temporadas de incendios forestales: el aumento de las temperaturas, la sequía y la reducción de las precipitaciones hacen que haya más vegetación seca e inflamable. En EE. UU., las temporadas de incendios, que antes duraban cuatro meses, ahora se prolongan entre seis y ocho meses, o incluso más.
• Los incendios forestales crean un círculo vicioso climático: los incendios a gran escala liberan cantidades considerables de gases de efecto invernadero al tiempo que destruyen la vegetación que almacena carbono, lo que contribuye a un mayor calentamiento y aumenta la probabilidad y la intensidad de futuros incendios forestales.

En 2023, las capacidades de detección del sistema ayudaron a contener el incendio «Trotter» en el condado de Kern (EE. UU.) en 52 acres; las proyecciones sugieren que, sin la intervención de la IA, podría haber alcanzado casi 4.000 acres.

Estos resultados en el mundo real ofrecen casos prácticos para evaluar el impacto de los modelos más allá de las métricas de precisión estándar.

El papel que desempeñó esta tecnología durante el incendio «Kincade» del condado de Sonoma (EE. UU.) en 2019, al facilitar la evacuación de más de 180 000 residentes sin que se produjeran víctimas mortales, demuestra cómo los sistemas de alerta temprana influyen en los protocolos de respuesta ante emergencias.

«Obtenemos información muy valiosa en los primeros cinco minutos», afirma Zachary Wells, subjefe del Cuerpo de Bomberos del condado de Kern y subdirector de operaciones de ALERTCalifornia.

Zachary Wells, subjefe del Cuerpo de Bomberos del condado de Kern y subdirector de Operaciones de ALERTCalifornia. Crédito: Emily Zheng

«Esa comprensión temprana determina todas las acciones posteriores».

Escalabilidad y adaptación del despliegue

La estructura de financiación de Microsoft, que comprende 2 millones de dólares para el desarrollo tecnológico y una subvención de 3 millones de dólares para Azure, pone de manifiesto las prioridades tanto en la mejora de los modelos como en la infraestructura computacional.

«Queremos que esta tecnología esté al alcance de personas de todo el mundo», afirma Juan Lavista Ferres, vicepresidente y científico jefe de datos del AI for Good Lab de Microsoft.

Juan Lavista Ferres, vicepresidente corporativo y científico jefe de datos de Microsoft

Ampliar el enfoque más allá de California plantea retos técnicos relacionados con la generalización del modelo y el aprendizaje por transferencia.

Los riesgos de incendios forestales varían significativamente según la ubicación, lo que significa que los sistemas deben tener en cuenta los paisajes locales, la vegetación, las condiciones meteorológicas y las estructuras de respuesta ante emergencias.

Un modelo entrenado principalmente con datos de California puede requerir un ajuste o un nuevo entrenamiento cuando se implemente en regiones con diferentes tipos de vegetación, topografía o patrones climáticos.

El proyecto también está desarrollando capacidades más allá de la detección inicial, incorporando casi 98 000 millas cuadradas de datos LiDAR para crear modelos digitales detallados del paisaje.

Esta expansión hacia la cartografía del terreno, la monitorización del estado de los bosques y la evaluación de riesgos tras los incendios sugiere una arquitectura de flujo de datos más amplia.

La combinación de la visión artificial para la detección de humo con datos medioambientales derivados del LiDAR permite enfoques de aprendizaje multitarea que mejoran la inteligencia general del sistema y proporcionan casos de uso adicionales para la infraestructura y los conjuntos de datos subyacentes.

Las imágenes basadas en IA aceleran la detección de incendios forestales

Datos clave sobre el clima de las Naciones Unidas

• La temperatura global de la superficie ha aumentado más rápidamente desde 1970 que en cualquier otro período de 50 años durante al menos los últimos 2 000 años.
• La Tierra es ahora aproximadamente 1,42 °C más cálida que en la era preindustrial (1850-1900).
• 2024 fue el año más cálido del que se tienen registros, con una temperatura media global cerca de la superficie de 1,55 °C por encima del nivel de referencia preindustrial.
• El período 2015-2024 fue la década más cálida registrada.
• Cada fracción de grado de calentamiento importa. Con cada incremento adicional del calentamiento global, aumentan los cambios en los fenómenos extremos y los riesgos.
• El dióxido de carbono (CO₂) se está acumulando en la atmósfera a un ritmo más rápido que en cualquier otro momento de la historia de la humanidad, con un aumento de más del 10 % en tan solo dos décadas.

Proyectos del AI for Good Lab de Microsoft

Predicción de auroras:El proyecto «Aurora Forecasting» de Microsoft utiliza un modelo base de IA con 1.300 millones de parámetros para analizar datos atmosféricos y mejorar las previsiones meteorológicas y climáticas. El modelo da soporte a aplicaciones como la predicción meteorológica, la modelización de la calidad del aire y el análisis de fenómenos meteorológicos extremos, lo que demuestra cómo la IA puede procesar conjuntos de datos ambientales complejos para mejorar la comprensión de las condiciones atmosféricas y apoyar la planificación de la resiliencia.

Aprendizaje automático geoespacial: El AI for Good Lab de Microsoft combina datos geoespaciales, imágenes satelitales y aéreas con el aprendizaje automático, en colaboración con universidades, organismos de conservación, ONG y la Presidencia de Gestión de Desastres y Emergencias del Ministerio del Interior de Turquía. Entre los proyectos se incluyen la evaluación de los daños en edificios causados por terremotos, la cartografía de glaciares y de la cobertura del suelo, la cartografía de granjas avícolas y la supervisión de las energías renovables, lo que contribuye a la respuesta ante desastres, la conservación, la acción humanitaria y la planificación medioambiental.

Cartografía de glaciares: El AI for Good Lab de Microsoft utiliza el aprendizaje automático e imágenes de satélite para apoyar la cartografía de glaciares y el seguimiento ecológico en la región del Hindu Kush-Himalaya. El proyecto identifica y delimita tanto los glaciares de hielo puro como los cubiertos de escombros, mientras que una herramienta web permite a los expertos revisar y corregir las predicciones del modelo. El enfoque tiene como objetivo acelerar la cartografía y mejorar la comprensión de los ecosistemas glaciales afectados por el cambio climático.

Cartografía de las energías renovables: El proyecto «Renewable Energy Mapping» de Microsoft utiliza el aprendizaje automático geoespacial para cartografiar y supervisar el desarrollo de las energías renovables a gran escala. Esta tecnología ayuda a las organizaciones a comprender dónde se están desarrollando infraestructuras de energía renovable y a realizar un seguimiento de los cambios en amplias zonas. Al combinar la IA con la información geoespacial, el proyecto demuestra cómo el aprendizaje automático puede contribuir a la planificación de las energías renovables y proporcionar datos para supervisar la transición hacia una energía más limpia.

Bioacústica: El «AI for Good Lab» de Microsoft colabora con organizaciones conservacionistas y laboratorios de investigación para aplicar el aprendizaje automático y el aprendizaje profundo a grandes volúmenes de grabaciones de fauna silvestre. Entre los proyectos destaca el «Proyecto Guacamaya», en colaboración con el Instituto Humboldt, que utiliza la bioacústica para la identificación de especies en la Amazonía. Otros trabajos apoyan el seguimiento de las belugas y la clasificación automatizada de los cantos de aves y anfibios, lo que impulsa la investigación y la conservación de la biodiversidad.

Aceleración de los estudios de biodiversidad: el laboratorio «AI for Good» de Microsoft, Microsoft Research y Microsoft AI for Earth colaboran con NOAA Fisheries, Sieve Analytics y LILA BC para acelerar los estudios de biodiversidad mediante el aprendizaje automático. Los proyectos analizan imágenes y audio procedentes de cámaras trampa, cámaras aéreas y micrófonos, lo que reduce la necesidad de anotaciones manuales. Este trabajo tiene como objetivo proporcionar a los conservacionistas datos sobre las poblaciones de fauna silvestre con mayor rapidez, lo que respalda las decisiones sobre la protección del hábitat, las infraestructuras y las iniciativas contra la caza furtiva.

Cartografía de la cobertura del suelo: El proyecto de cartografía de la cobertura del suelo de Microsoft utiliza la visión artificial para convertir los datos de teledetección en información sobre el uso y la cobertura del suelo. Este enfoque reduce el tiempo que los científicos medioambientales y los analistas geoespaciales dedican a cartografiar manualmente las zonas, lo que les permite centrarse más en el análisis y la toma de decisiones. Al automatizar partes del proceso de cartografía, Microsoft apoya la vigilancia medioambiental y ayuda a las organizaciones a trabajar con conjuntos de datos geoespaciales a gran escala.