Zonas susceptibles a incendios forestales basado en algoritmos de aprendizaje automático (Machine Learning) en el cantón Macará, Loja – Ecuador

Abstract

Los incendios forestales representan una amenaza significativa, especialmente en áreas con vegetación densa y condiciones climáticas adversas como los bosques secos, así mismo pueden destruir bosques, reducir la biodiversidad, degradar el suelo y aumentar el dióxido de carbono en la atmósfera, agravando el cambio climático. Este estudio se centra en identificar las zonas susceptibles a incendios forestales en el cantón Macará, Loja, Ecuador, utilizando algoritmos de aprendizaje automático para desarrollar un modelo predictivo para la gestión y prevención de estos eventos. Se analizaron variables topográficas, índices de vegetación y factores antropogénicos, utilizando datos de Sentinel-2A y puntos de calor del sensor VIIRS (2018- 2021). Posteriormente, se extrajo la información para crear una base de datos. Se emplearon algoritmos de aprendizaje automático como regresión logística, árboles de decisión y splines de regresión adaptativa multivariante (MARS). El modelo MARS mostró el mejor desempeño con un AUC de 0.97 y un índice Kappa de 0.91, indicando alta precisión en la predicción de áreas susceptibles a incendios forestales. Las áreas con mayor susceptibilidad se encontraron en zonas con alta densidad de vegetación, alta accesibilidad y significativa interacción humana. Este modelo permite crear un mapa de susceptibilidad a incendios forestales, crucial para la planificación y ejecución de estrategias de prevención y mitigación por parte de las autoridades locales. En conclusión, este estudio proporciona un análisis detallado de los factores que influyen en los incendios forestales en Macará mediante el modelo MARS destacando la importancia de la distancia a zonas antrópicas, ríos y la humedad (Moisture), además de que proporciona un mapa de susceptibilidad a incendios forestales, lo cual es una herramienta práctica para su gestión, contribuyendo a la conservación de los ecosistemas y al bienestar de las comunidades locales. Las limitaciones incluyen la necesidad de datos meteorológicos y la nubosidad, la cual limita la obtención de datos.