Nahual: deep learning para anticipar incendios forestales
Modelo de riesgo de incendio forestal para México, con foco en el Bosque de la Primavera. Datos satelitales y un dataset honesto de fuegos no vistos.
El problema
Cada temporada, México pierde bosque a manos del fuego. Un caso emblemático es el Bosque de la Primavera, el pulmón verde junto a Guadalajara: arde casi todos los años, y para cuando el fuego es visible desde la ciudad, ya creció. La mayoría de los incendios empiezan pequeños (entre una y diez hectáreas), y anticipar dónde hay más riesgo, antes de que arda, cambiaría por completo cómo se reparten cuadrillas, vigilancia y recursos.
El detalle incómodo: los sistemas globales que “ven” incendios desde el espacio se construyeron para fuegos grandes. En México se les escapa la enorme mayoría de los pequeños, que son justamente los que sí se pueden atacar a tiempo.
Lo que estamos construyendo
Nahual es un modelo de riesgo probabilístico de incendio para México, entrenado con imágenes satelitales y variables ambientales. En vez de decir “aquí hay fuego” cuando ya es tarde, estima dónde es más probable que empiece, con la resolución fina que un mapa nacional no da. Lo estamos afinando primero sobre una zona de foco reconocible: el Bosque de la Primavera, en Jalisco.
Es un proyecto de investigación aplicada propio de Napa Labs, en desarrollo activo.
El verdadero reto no es el modelo
La parte vistosa de un proyecto de IA es la red neuronal. La parte que decide si sirve o no es la que nadie ve: los datos con los que aprende.
En incendios, el reto real es armar un conjunto de datos honesto para México. Los satélites de uso común omiten gran parte de los fuegos chicos; si entrenas un modelo con esas etiquetas incompletas, aprende a ignorar exactamente lo que quieres detectar. Buena parte del trabajo de Nahual es corregir eso: usar sensores de mayor detalle, tratar las zonas “sin fuego registrado” como lo que son (posiblemente fuego no detectado, no verdad limpia), y medir el desempeño con métricas que no se dejen engañar por lo raro que es un incendio en cualquier punto y día concretos.
La tecnología
- Percepción remota: imágenes satelitales de mayor resolución que el estándar global, más variables de clima, vegetación y topografía
- Modelo: deep learning con estimación de incertidumbre, comparado honestamente contra métodos clásicos (si un modelo más simple empata, se dice)
- Evaluación: métricas robustas al desbalance extremo y calibración medida por región, no un solo número nacional
- Datos versionados de punta a punta, para que cada resultado sea reproducible
Por qué importa
No existe un punto de referencia público de este tipo para México ni para Latinoamérica: todos vienen de Estados Unidos, Canadá o el Mediterráneo. Construir uno honesto, con las particularidades del terreno mexicano, es una contribución real, y la base para una herramienta que ayude a decidir dónde poner ojos y cuadrillas antes de que el monte arda.
Lo que estamos aprendiendo
Que en IA seria, el diferenciador rara vez es el modelo de moda. Es la disciplina de construir datos que no mientan y de reportar el desempeño sin maquillaje. Un modelo honesto que reconoce lo que no sabe vale más que uno impresionante que se equivoca con seguridad.