Machine Learning para la detección y predicción de incendios forestales

💡Idea

Una de las principales amenazas para los ecosistemas, calidad del aire y salud humana son los incendios forestales, los cuales han tomado especial relevancia en Sur América y en el Caribe en los últimos años. Cuando importantes cantidades de biomasa son quemadas, los materiales liberados liberan variedades de gases como el monóxido de Carbono (CO), carbono negro (BC), dióxido de carbono (CO2), compuestos volátiles y semivolátiles, así como material particulado. Dichos materiales pueden ser transportados por largas distancias y afectar regiones en áreas adyacentes a donde se encuentra la fuente. 

Las condiciones variables de precipitación, temperatura, patrones de viento en escalas mensuales, estacionales e interanuales pueden llevar a mayor probabilidad de incendios forestales. En el norte de Sur América, eventos de escala interanual como El Niño-Oscilación del Sur puede generar condiciones anómalas que pueden propiciar la formación de incendios forestales. 

Por ello, el estudio conjunto de la variabilidad de las condiciones atmosféricas para la detección y predicción de incendios forestales, así como la relación emisión de gases asociados a los incendios forestales a diferentes escalas es crucial para lograr una alerta temprana y gestión del riesgo efectiva. 

Los sensores satelitales favorecen la detección y cuantificación de variables meteorológicas y emisiones asociadas a incendios, proveyendo observaciones frecuentes, en tiempo cuasi real y con relativa alta resolución. Bajo este concepto, y la limitada cantidad de estudios y herramientas en Sur América con un enfoque amplio y aprovechando las herramientas que proveen los datos disponibles proporcionados por Copernicus, el presente proyecto pretende usar herramientas de inteligencia artificial y aprendizaje automático para la caracterización de la exposición, detección temprana y predicción en tiempo cuasi real de los incendios forestales en Colombia. 

Objetivos:

• Desarrollar un panel de visualización online con datos históricos de los últimos 20 años caracterizando la exposición departamental a los incendios forestales del territorio continental Colombiano. 
• Determinar las regiones más vulnerables a incendios forestales en el territorio continental Colombiano 
• Generar un panel de visualización histórico con las emisiones de gases de incendios forestales por departamento. 
• Establecer regiones con mayor vulnerabilidad para concentrar esfuerzos de monitoreo usando datos en tiempo cuasi-real usando imágenes del Copernicus Dataset Ecosystem (Sentinel-2) para la detección de incendios forestales 
• Uso de herramientas de machine learning, deep learning e inteligencia artificial para la detección automatizada de incendios forestales usando imágenes Sentinel-2 
• Proponer a futuro un sistema de pronóstico de incendios forestales teniendo en cuenta condiciones meteo-atmosféricas en tiempo cuasi-real usando herramientas y datos de alta resolución. 

⚙️ Tecnologías espaciales de la UE

Caracterización departamental de la exposición de incendios forestales: 

• NASA FIRMS: detección de puntos calientes, permitiendo identificar ubicación y extensión de incendios forestales en tiempo real
• Copernicus Global Fire Emisions - GFAS: datos de emisiones de gases de incendios forestales, incluyendo monóxido de carbono, dióxido de carbono, carbono negro, entre otros. (datos hasta el presente)
• Estado de las oscilaciones climáticas principales, que tengan influencia sobre las variables océano-atmosféricas con incidencia en incendios forestales (ej. El Niño-Oscilación del Sur) durante la ocurrencia de eventos 

Monitoreo automatizado de incendios forestales 

• Imágenes Sentinel-2A y Sentinel-2B (Bandas 4, 8A, 11, 12)

🚀 ¿Cuál de los 3 retos está resolviendo y cómo contribuye a resolver los problemas a los que se enfrentan la reducción del riesgo de desastres?

• Predecir y prepararse para futuros desastres: 
  • La caracterización histórica espacio-temporal de los incendios forestales y emisiones de gases asociadas permitirá tener un marco de referencia para la preparación de futuras catástrofes, determinando las regiones con mayor riesgo, permitiendo centrar los esfuerzos en emitir alertas a comunidades con mayor riesgo. La caracterización temporal permitirá tomar medidas proactivas teniendo en cuenta el estado de variables meteo-atmosféricas y de variabilidad climática para determinar condiciones que generen mayor o menor vulnerabilidad. 
• Preservar la biodiversidad y hábitats en peligro 
  • El uso del machine learning e inteligencia artificial para el monitoreo y detección de incendios forestales en tiempo cuasi-real permitirá a los responsables la toma de decisiones informadas sobre estrategias de adaptación pertinentes según las condiciones meteo-atmosféricas y el estado de los incendios forestales en regiones de mayor vulnerabilidad. Los esfuerzos de monitoreo, detección y pronóstico permitirán rastrear la intensidad y posibles zonas afectadas, reducuendo la vulnerabilidad de las comunidades a los desastres, generando una contribución a entornos de vida más seguros y sostenibles

👥 Equipo 

• Yeimi Ibañez: Incendios forestales, programación, machine learning.
• Eduardo León: Manejo de datos, SIG, desarrollo de proyectos. 
• José Echeverría: Descarga de imágenes y datos océano-atmosféricos, machine learning, detección y modelación.
• Camilo Soto: Implementación de tecnologías de machine learning e inteligencia artificial. 
• Gabriel Gutiérrez: Uso de sensores remotos, manejo de herramientas Copernicus, estudios de variabilidad climática.