CROWNFIRE-AI, la inteligencia artificial de la Universidad de León que anticipa el riesgo de que un incendio alcance las copas de los árboles

• La herramienta ha sido entrenada con 18.874 parcelas de referencia procedentes de 33 grandes incendios forestales y alcanza una exactitud superior al 90% en la identificación de estas situaciones
• El sistema integra imágenes y datos de la NASA y la ESA con información sobre la vegetación, el terreno y las condiciones meteorológicas para generar mapas de riesgo

Ponferrada, 24 de agosto de 2026.  Investigadores de la Universidad de León (ULE) han desarrollado CROWNFIRE-AI, una herramienta basada en inteligencia artificial (IA) y teledetección que permite estimar, para una zona y una fecha determinadas, el riesgo de que un incendio forestal desarrolle comportamiento de copa, uno de los tipos de propagación más peligrosos por su elevada intensidad, rapidez de avance y dificultad de extinción.

A diferencia de los sistemas destinados a estimar la probabilidad de que se inicie un incendio, CROWNFIRE-AI analiza las condiciones que pueden favorecer que, una vez iniciado el fuego, este alcance las copas de los árboles y se propague a través del dosel forestal. Para ello combina información sobre el tipo, estructura y estado hídrico de la vegetación, la configuración del terreno y las condiciones meteorológicas.

El desarrollo científico ha sido encabezado por José Manuel Fernández Guisuraga, profesor del Área de Ecología adscrito al Campus de Ponferrada, junto con Leonor Calvo Galván, directora del Grupo de Investigación GEAT, y Alfonso Fernández Manso, además de investigadores de la Universidad de Valladolid y de la empresa tecnológica leonesa Vexiza SL, en el marco del proyecto FIREXT-AI, financiado por la Agencia Estatal de Investigación.

Más de 18.000 observaciones para entrenar la inteligencia artificial

Para desarrollar CROWNFIRE-AI, los investigadores analizaron 33 grandes incendios forestales de más de 500 hectáreas ocurridos en España entre 2017 y 2024. A partir de imágenes de muy alta resolución anteriores y posteriores a los incendios se construyó una base de datos de 18.874 parcelas de referencia, clasificadas según hubieran experimentado o no comportamiento de copa. Esta información permitió entrenar un algoritmo de inteligencia artificial capaz de reconocer las combinaciones de factores ambientales asociadas a una mayor probabilidad de propagación del fuego por las copas.

El sistema integra imágenes de los satélites Sentinel-1 y Sentinel-2 de la Agencia Espacial Europea (ESA), datos MODIS de la NASA, información de inventarios y cartografía forestal, variables topográficas y predicciones meteorológicas del Global Forecast System (GFS).

“No estamos tratando de predecir dónde se va a iniciar un incendio, sino de identificar dónde existen condiciones que pueden favorecer que, si se produce un fuego, este evolucione hacia un comportamiento de copa”, explica José Manuel Fernández Guisuraga, que destaca que la herramienta permite incorporar en un mismo análisis factores relacionados con la vegetación, el terreno y la meteorología y trasladar toda esa información a un mapa de riesgo que pueda ser útil para la gestión forestal.

EXACTITUD SUPERIOR AL 90%

La configuración basada en imágenes Sentinel-2, que permite trabajar con información de la vegetación a una resolución espacial de 20 metros, alcanzó una exactitud global del 90,15% durante el proceso de validación cruzada del modelo. Además, el algoritmo fue evaluado con datos de campo completamente independientes procedentes de los grandes incendios de Sierra de la Culebra, en 2022, y Navalacruz, en 2021, obteniendo una exactitud global del 91,25%.

CROWNFIRE-AI dispone también de una segunda configuración basada en datos MODIS, de menor resolución espacial, pero con una frecuencia de observación mucho mayor. De esta forma, el usuario puede optar entre una caracterización espacial más detallada mediante Sentinel-2 o una mayor disponibilidad temporal de información mediante MODIS.

PREDICCIONES METEOROLÓGICAS DE HASTA 16 DÍAS

La herramienta permite generar mapas tanto para las condiciones actuales como para fechas futuras utilizando las predicciones meteorológicas del modelo GFS, que proporciona información hasta un horizonte máximo de 16 días y se actualiza cuatro veces al día.

Este horizonte debe interpretarse con cautela, ya que la incertidumbre de las predicciones meteorológicas aumenta conforme se amplía el periodo. Por ello, los escenarios correspondientes a los primeros días, especialmente en horizontes de tres o cuatro días, presentan un mayor interés operativo, mientras que los periodos más alejados deben entenderse como escenarios orientativos que deben actualizarse con las nuevas predicciones disponibles.

La exactitud superior al 90% obtenida en la validación del algoritmo tampoco debe confundirse con la fiabilidad de una predicción meteorológica a 16 días: ese porcentaje mide la capacidad del modelo de inteligencia artificial para discriminar entre condiciones asociadas a fuego de copa y aquellas en las que este comportamiento no se produce.

DE LA INVESTIGACIÓN A UNA HERRAMIENTA OPERATIVA

CROWNFIRE-AI traslada metodologías de teledetección, análisis geoespacial y aprendizaje automático a una aplicación web de utilización directa por gestores y técnicos. El usuario puede delimitar sobre un mapa el área que desea analizar, seleccionar la fecha y el tipo de información satelital y obtener mapas tanto categóricos como probabilísticos del riesgo de fuego de copa. Todo el procesamiento se realiza mediante computación en la nube, sin necesidad de descargar y procesar grandes volúmenes de información geoespacial. La aplicación es de acceso libre y gratuito mediante registro y se encuentra alojada en servidores de la Universidad de León https://crownfire-ai.unileon.es/

De este modo, CROWNFIRE-AI puede facilitar la identificación de áreas con mayor riesgo de desarrollar comportamiento de copa y apoyar la planificación y gestión preventiva de los incendios forestales.

Aunque la herramienta ha sido entrenada y validada con incendios ocurridos en España, su metodología podría trasladarse en el futuro a otras regiones con problemática de grandes incendios forestales. Para ello sería necesario disponer de datos locales que permitieran reentrenar y validar independientemente el modelo frente a las características específicas de sus combustibles, ecosistemas y regímenes meteorológicos.