Detección automática de la estación de fuegos a escala global: Aplicación para el desarrollo de un sistema predictivo de incendios

Abstract

RESUMEN: En la primera parte de este trabajo describimos un procedimiento de aprendizaje automático no supervisado basado en la técnica de Gaussian Mixtures con el objetivo de determinar la estación de fuegos a escala global a partir de datos de satélite de área quemada a una resolución espacial de 0.5◦ . Nuestro método permite la identificación de ciclos anuales de tipo unimodal y multimodal, así como la determinación del inicio, fin y momento de máxima actividad de incendios, con la ventaja adicional de proporcionar un procedimiento totalmente automatizado que puede ser utilizado a múltiples escalas espacio-temporales. La caracterización de la estación de fuegos aquí presentada desvela un patrón inequívoco y espacialmente coherente, que es consistente con estudios previos sobre la estacionalidad de incendios. Nuestro método puede ser fácilmente adaptado por el usuario mediante el ajuste de unos pocos parámetros sencillos para adecuarlo a bases de datos de incendios de distinta naturaleza, extensión geográfica y resolución espacio-temporal. A continuación, se parte de la zonificación proporcionada por las Gaussian mixtures para el desarrollo de modelos predictivos de área quemada —durante la estación de fuegos principal— a nivel de clúster, tomando como única información predictora una serie de índices que representan los patrones de teleconexión climática más relevantes a escala global. Para ello se consideran modelos lineales, random forest y k-vecinos cercanos, en cuyo ajuste se aplican técnicas de validación cruzada. Nuestros resultados muestran que, cuando se consideran como predictores aquellos índices que están más fuertemente correlacionados con el área quemada, incluso los modelos lineales más simples son capaces de proporcionar predicciones de área quemada fiables en determinadas zonas del planeta. Este trabajo abre la puerta para el futuro desarrollo e implementación de un sistema operativo de alerta temprana de incendios en base a modelos climáticos de predicción estacional. Todos los análisis realizados son totalmente reproducibles a través de los datos post-procesados, scripts y notebooks que están disponibles en un repositorio público.

ABSTRACT: In the first part of this project, we describe an unsupervised machine learning procedure based on Gaussian mixtures in order to determine the fire season at a global scale, using remotely sensed data of burned area at a 0.5◦ spatial resolution. Our results allow the identification of unimodal and multimodal annual cycles as well as the start, end and timing of bulk fire activity, with the added advantage of providing a fully automated procedure that can be used at multiple temporal and spatial scales. The fire season characterization presented unveils an unambiguous, spatially coherent pattern, consistent with previous studies on fire seasonality. Our method can be easily tuned by the user through the manipulation of a few simple parameters in order to accommodate fire databases of varying nature, geographical extent and spatial and temporal resolutions. Next, using the fire season definition given by the Gaussian mixtures, predictive models of burned area are developed at a global scale using a set of the most relevant climate teleconection indices as predictors. We consider linear models, random forests and k-nearest neighbours, fitted following a cross-validation setup. Our results show that, when only the most correlated indices with the fire intensity are considered as predictors, even the simplest linear models are able to give accurate predictions in certain parts of the world. This study paves the way for the implementation of an operational early-warning wildfire system based on seasonal forecasting climate models. All the analyses undertaken are fully reproducible through the post-processed data, scripts and notebooks available through a dedicated open repository.