Detección temprana de incendios forestales con el uso de cámaras utilizando redes neuronales profundas

Abstract

Los incendios forestales han tenido un impacto devastador en Chile durante las últimas décadas, exacerbados por el cambio climático y condiciones ambientales adversas. Según la Corporación Nacional Forestal (CONAF), el número de incendios ha aumentado un 30 % en los últimos diez años, afectando anualmente un promedio de 100,000 hectáreas. Esto ha generado pérdidas económicas significativas y daños ecológicos irreparables, mientras que las sequías prolongadas y el aumento de temperaturas han intensificado su recurrencia y severidad.

En este contexto, este trabajo de título desarrolla un sistema de detección temprana de incendios forestales basado en imágenes y redes neuronales profundas, con énfasis en identificar los primeros instantes de formación de los siniestros. Para ello, se construyó el conjunto de datos PyroNear2024, que integra fuentes como ALERTWildfire, FigLib y datos sintéticos, ofreciendo una representación diversa de escenarios climáticos y geográficos.

El sistema propuesto incluye un modelo basado en YOLO para detecciones en imágenes individuales y un modelo secuencial CNN+LSTM para incorporar análisis temporal. Los resultados muestran que el conjunto de datos PyroNear2024, con bounding boxes más pequeñas y una gran diversidad de videos, mejora la generalización y robustez del modelo en comparación con otros conjuntos disponibles. La integración del análisis temporal no solo incrementa significativamente las métricas de detección, sino que también demuestra su efectividad en videos, alcanzando un F1-Score de 0.768, resaltando su potencial para aplicaciones en sistemas de alerta temprana.