Sistemas de alerta temprana e inteligencia artificial para la gestión del riesgo de incendios forestales en Colombia
Los incendios forestales y la contaminación atmosférica representan amenazas críticas para los ecosistemas, la salud pública y el bienestar socioeconómico en Colombia y la región amazónica. En este contexto, los tres estudios presentados abordan el diseño e implementación de sistemas de alerta temprana (SAT) basados en técnicas de inteligencia artificial y aprendizaje automático (ML), orientados a la gestión del riesgo de desastres en diferentes territorios colombianos.
El primer estudio construye un SAT para incendios forestales en Cundinamarca y Magdalena integrando dos modelos de ML: una red neuronal convolucional 3D (3D-CNN) que estima condiciones meteorológicas a partir de datos satelitales, y una red convolucional de corrección de sesgo del modelo WRF. Sus resultados permiten calcular el Índice Meteorológico de Incendio (FWI) diario y, combinados con un clasificador Naïve-Bayes sobre cobertura del suelo, estiman la probabilidad de ocurrencia de incendios 24 horas antes del evento. La integración de la vulnerabilidad ecológica y socioeconómica permite generar mapas de riesgo diario y formular medidas preventivas para autoridades territoriales.
El segundo estudio analiza la dinámica territorial en Cartagena del Chairá, Amazonía colombiana, identificando la interacción entre factores meteorológicos, cobertura del suelo y condiciones socioeconómicas —particularmente el índice de Gini, bajo nivel educativo y desplazamiento por grupos armados— como los principales impulsores de la susceptibilidad a incendios. Mediante escenarios climáticos futuros y análisis de sensibilidad con ML, el estudio demuestra que el calentamiento proyectado podría generar condiciones propicias para incendios durante todo el año.
El tercer estudio diseña un SAT para calidad del aire (PM2.5) en Bogotá, combinando un modelo estocástico con una red neuronal recurrente bidireccional convolucional (1D-BDLM), logrando una precisión del 93 ± 4 % en la predicción del riesgo por grupos poblacionales con 24 horas de anticipación. En conjunto, estos estudios demuestran que la integración de ML, datos satelitales, modelos meteorológicos y análisis socioeconómico constituye un enfoque robusto y replicable para el fortalecimiento de la gestión territorial del riesgo de desastres en Colombia.
Sistemas de alerta temprana, Incendios forestales, Calidad del aire, Aprendizaje automático, Gestión del riesgo de desastres
Perfil quién presenta el trabajo: Ellie Anne López-Barrera es PhD en Ciencias Ambientales, investigadora principal del Grupo IDEASA-Medio Ambiente y Sostenibilidad (A1, MinCiencias), adscrito a la Universidad Sergio Arboleda. Su trabajo se centra en el análisis ambiental aplicado, la gestión del riesgo de desastres y el uso de herramientas de inteligencia artificial para el estudio de amenazas como incendios forestales, contaminación del aire y eventos hidrometeorológicos extremos. Ha liderado proyectos financiados por MinCiencias y CYTED en Colombia e Iberoamérica, con publicaciones en revistas Q1 y participación en redes internacionales de investigación ambiental.