Panorama general

Los gestores de riesgos de las empresas eléctricas se enfrentan a un reto de enormes proporciones: predecir con precisión y mitigar el riesgo de incendios forestales en un entorno cada vez más volátil.

Los Avisos de Bandera Roja, emitidos por el Servicio Meteorológico Nacional, se utilizan a menudo como herramienta crítica en este esfuerzo. Proporcionan una indicación aparentemente clara de las condiciones meteorológicas de alto riesgo de incendio. Sin embargo, la realidad es mucho más compleja.

El desfase entre las amplias advertencias y las necesidades específicas de los servicios públicos es el problema central que debe abordarse.

Aunque los Avisos de Bandera Roja son esenciales para la concienciación del público en general, no llegan a proporcionar la información precisa y procesable que las empresas eléctricas necesitan para proteger sus infraestructuras y comunidades.

El truco

Difusión vs. Inicio: Por qué es importante esa diferencia

Hay una diferencia fundamental entre la propagación y el inicio de un incendio. El objetivo principal de los Avisos de Bandera Roja es la propagación de los incendios existentes. Esto es crucial para la seguridad pública, pero no se traduce directamente en el riesgo de ignición de la infraestructura eléctrica u otras fuentes.

La mayor preocupación de una compañía eléctrica, y su capacidad para mitigar un incendio, suele ser la chispa inicial, que puede desencadenarse por condiciones aparentemente menos graves que las que se acaban de examinar para la rápida propagación del fuego. Por tanto, basar las decisiones operativas únicamente en los Avisos de Bandera Roja puede llevar a una reacción excesiva o insuficiente.

Los Avisos de Bandera Roja abarcan amplias zonas geográficas, a menudo condados o regiones enteras. Las empresas eléctricas, sin embargo, necesitan identificar los riesgos a nivel de circuito, de modo que puedan actuar para mitigar la amenaza.

La falta de granularidad del Aviso de Bandera Roja puede conducir a una asignación ineficiente de recursos y a interrupciones operativas innecesarias, o peor aún, a la inacción.

El rayo seco añade complejidad oculta

Además, cuando las empresas eléctricas basan su conocimiento de la situación en los Avisos de Bandera Roja, pueden malinterpretar las consecuencias de los «rayos secos», que se incluyen en el ámbito de la Bandera Roja pero representan un perfil de riesgo fundamentalmente distinto.

Los rayos secos son rayos que caen sobre el suelo en ausencia de precipitaciones importantes. Esto lo hace especialmente peligroso porque puede prender fácilmente la vegetación seca, provocando incendios forestales sin la supresión natural de la lluvia que los acompaña.

Por qué esto puede convertirse rápidamente en una espiral

Esto puede dar lugar a numerosas igniciones simultáneas, una situación que puede desbordar rápidamente los recursos, independientemente de la velocidad del viento o de la humedad.

Esto requiere una respuesta operativa completamente distinta a la de los avisos impulsados por el viento, e ignorar los retos únicos de los rayos secos puede dejar a las empresas eléctricas vulnerables a incendios generalizados e incontrolables.

Confiar únicamente en los Avisos de Bandera Roja puede llevar a:

• Reacción exagerada: Implantar medidas costosas y perturbadoras, como el PSPS generalizado, cuando el riesgo real para la infraestructura está localizado o es menos grave y un enfoque quirúrgico tendría la misma eficacia contra el incendio.
• También una reacción insuficiente: No tomar las precauciones necesarias cuando los riesgos de ignición localizados son elevados, aunque el Aviso de Bandera Roja general no parezca grave.
• Recurso Ineficiente: Asignación: Desplegar recursos en una zona amplia cuando el verdadero riesgo se concentra en lugares concretos igniciones.
• Exposición a la responsabilidad: Tomar decisiones operativas basadas en datos incompletos, lo que puede provocar igniciones evitables y las consiguientes repercusiones legales.

Cómo pueden responder y mejorar las empresas de servicios públicos

Los Avisos de Bandera Roja son una pieza valiosa del rompecabezas, pero no el cuadro completo. Para cambiar, los gestores de riesgos de las empresas eléctricas pueden

• Comprende los matices: Reconoce que no todos los Avisos de Bandera Roja son iguales. Forma a los equipos para que se hagan preguntas más profundas sobre lo que ocurre en su entorno, y sobre cómo deben reaccionar ante las distintas condiciones. Los avisos de relámpagos secos, por ejemplo, requieren una respuesta diferente a los avisos basados en el viento y la baja humedad.
• Operacionaliza los Datos Granulares: No confíes únicamente en el amplio alcance geográfico de los Avisos de Bandera Roja. Compleméntalos con datos más precisos que señalen áreas específicas de riesgo dentro de su territorio de servicio, y operativiza la respuesta a los datos granulares en el despliegue de recursos, el refuerzo de activos, la gestión de la vegetación y los planes PSPS.
• Integrar con información más amplia y evaluación de riesgos: Utiliza los Avisos de Bandera Roja como una información más en una evaluación exhaustiva del riesgo de incendio forestal. Ten en cuenta factores como las condiciones del combustible, la topografía y la proximidad a infraestructuras de servicios públicos.

Los Avisos de Bandera Roja son un valioso punto de partida, pero sólo representan una fracción de la información que necesitan los gestores de riesgos de las empresas eléctricas.

El problema central es la necesidad de evaluaciones de riesgo precisas, localizadas y centradas en la ignición.

Al reconocer las limitaciones de las alertas públicas generales y buscar activamente datos más granulares, las empresas de servicios públicos pueden ir más allá de las respuestas reactivas y desarrollar estrategias proactivas que salvaguarden sus infraestructuras, comunidades y estabilidad financiera.

Los incendios forestales son una gran amenaza para las comunidades y sus efectos pueden ser devastadores. Por eso es tan importante disponer de información precisa sobre el momento y la probabilidad de que un incendio forestal alcance una zona concreta. Aquí es donde entra en juego el modelo de desencadenamiento de decisiones sobre incendios forestales. Ayuda a las agencias de bomberos a evaluar la exposición al fuego y a crear planes de evacuación con suficiente tiempo de aviso.

Pero hay un aspecto clave que no ha recibido mucha atención: la incertidumbre de los datos de entrada. Para solucionarlo, Technosylva dirigió un estudio revisado por pares de 2019, publicado en la revista académica Science of The Total Environment, en el que se muestra un nuevo método de modelización de desencadenamiento de decisiones por simulación estocástica de incendios que tiene en cuenta las posibles variaciones de los datos de entrada para evaluar la probabilidad de impacto de los incendios forestales.

Conclusiones de la investigación

Predecir con exactitud el comportamiento de los incendios forestales es un reto debido a las incertidumbres de los datos de entrada y a las limitaciones inherentes a los modelos de incendios. Las simulaciones de incendios forestales, que utilizan diversos modelos y datos para predecir su comportamiento, han sido cruciales para la gestión de los incendios forestales. Estas simulaciones ayudan a las agencias de gestión de incendios a planificar quemas controladas, evaluar los riesgos de incendio y desarrollar estrategias de extinción en tiempo real.

Se han desarrollado varios tipos de modelos de propagación del fuego, desde modelos basados en la física hasta modelos empíricos y matemáticos. Estos modelos tienen en cuenta diversos factores, como la vegetación, las condiciones meteorológicas y la humedad del combustible, para estimar parámetros críticos del comportamiento del fuego, como la velocidad de propagación y la intensidad de las llamas.

Proteger las zonas vulnerables, como las interfaces urbano-forestales (WUI), es una de las principales preocupaciones de los servicios de extinción de incendios. Necesitan predicciones precisas de cuándo y dónde podrían afectar los incendios a estas zonas para tomar decisiones informadas sobre evacuaciones o estrategias de refugio en el lugar. Sin embargo, la precisión de esas predicciones depende de la incertidumbre asociada a los datos de entrada, incluidos factores como la topografía, el tipo de combustible y las condiciones meteorológicas.

Para abordar estos retos, el estudio presenta un enfoque innovador que aprovecha la modelización del desencadenamiento de decisiones sobre incendios forestales. Para ello se utilizan modelos semiempíricos de propagación de incendios bien establecidos y se incorporan elementos estocásticos para simular topes de activación de decisiones alrededor de las zonas que deben protegerse. Estos amortiguadores representan el tiempo que tardaría un incendio en alcanzar la zona protegida en diversas condiciones de entrada, proporcionando probabilidades de impacto.

Definición del modelo en la investigación

El modelo incorpora elementos aleatorios a una simulación, lo que refleja mejor la naturaleza caótica e impredecible de los incendios forestales. Al utilizar entradas de datos aleatorias, puedes producir una serie de resultados posibles, en lugar de una única predicción determinista. Al simular distintos escenarios, produce un mapa de probabilidades de la llegada del fuego a las zonas que hay que proteger.

Para demostrar el concepto de modelización de desencadenamiento de decisiones, el estudio utilizó datos del incendio de Tubbs, uno de los incendios forestales más destructivos de California. El análisis realizó simulaciones de incendios hacia atrás en el tiempo, desde los puntos de ignición seleccionados hasta el límite de la WUI en torno a Santa Rosa. Las simulaciones estimaron el tiempo que tardaría un incendio en llegar a la WUI, y los resultados se compararon con la progresión real del incendio para validar la exactitud del método de modelización del desencadenamiento de decisiones.

El método de modelado de activación de decisiones utiliza un enfoque de conjunto, variando las condiciones de entrada, como la velocidad y dirección del viento y el contenido de humedad del combustible, para tener en cuenta las incertidumbres de los datos de entrada. Genera múltiples simulaciones de incendios en diferentes condiciones para proporcionar estimaciones probabilísticas de los tiempos de llegada de los incendios.

Resultados de la investigación

El estudio descubrió que las simulaciones de incendios realizadas con el método de modelado de desencadenamiento por decisión tenían un alto grado de precisión cuando se comparaban con la propagación real del fuego durante el incendio de Tubbs. Los topes de activación de evacuación estimados por el modelado de activación de decisiones predijeron correctamente la hora de llegada del incendio al borde de la WUI. El método de conjunto utilizado para las condiciones meteorológicas mostró que la tasa de propagación (ROS) prevista variaba significativamente en función de las condiciones de entrada. Esta variabilidad puso de relieve la importancia de considerar la incertidumbre meteorológica en la modelización del comportamiento del fuego.

El método de modelización de desencadenantes de decisiones ofrece un marco valioso para estimar la probabilidad de impacto de los incendios forestales en las zonas que hay que proteger en tiempo real, teniendo en cuenta las incertidumbres de los datos de entrada. Proporciona a los responsables de la toma de decisiones información sobre la propagación potencial del fuego y las probabilidades asociadas, ayudando en la planificación de la evacuación y el desarrollo de estrategias de extinción de incendios.

El estudio destacó la necesidad de tener en cuenta las incertidumbres más allá de las condiciones meteorológicas, incluidas las limitaciones de los modelos, las interacciones fuego-atmósfera y la calidad de los datos. Aunque el método de modelización del desencadenante de decisiones resultó prometedor, es esencial combinarlo con el conocimiento y el juicio de expertos para una toma de decisiones más precisa.

Próximos pasos de la investigación

El enfoque de modelización del desencadenamiento de decisiones sobre incendios forestales presentado en este estudio ofrece una forma novedosa de predecir los impactos de los incendios forestales en zonas vulnerables. Al incorporar las incertidumbres de los datos de entrada y proporcionar estimaciones probabilísticas, el modelado de desencadenamiento de decisiones mejora el apoyo a la toma de decisiones de las agencias de gestión de incendios.

Sin embargo, el estudio destaca la importancia de tener en cuenta diversas fuentes de incertidumbre para mejorar la precisión de las predicciones del comportamiento del fuego en entornos operativos. El modelado de desencadenamiento de decisiones tiene el potencial de convertirse en una valiosa herramienta para evaluar el riesgo de incendio y proteger a las comunidades ante la creciente amenaza de incendios forestales.

Infórmate sobre cómo se pone en práctica esta ciencia.

A pesar de que California es uno de los principales focos de incendios de América, no existe un análisis científico exhaustivo de los modelos operativos de propagación de incendios que permita analizar su rendimiento y los factores que provocan las imprecisiones de los modelos. Los recientes avances tecnológicos han permitido monitorizar la progresión del fuego de la mayoría de los incendios forestales cada 15 min en Estados Unidos a través de la plataforma National Fireguard Detections. Estos datos, cuando están disponibles para su uso en un incendio, proporcionan capacidades sin precedentes para analizar los factores que influyen en el comportamiento del fuego y comparar el modelado de la tasa de propagación de incendios forestales (ROS) observada y prevista en incendios distribuidos por paisajes diferentes y complejos.

Basándose en otros estudios que analizaron estas técnicas de modelización, Technosylva colaboró con CAL FIRE y lideró un estudio revisado por pares en 2023, publicado en el International Journal of Wildland Fire, que evalúa el rendimiento de los modelos de propagación del fuego utilizados en California comparando los datos observados de crecimiento del incendio con los datos simulados. El análisis examinó configuraciones operativas bajo distintas condiciones ambientales utilizando 1.853 incendios forestales ocurridos en California entre 2019 y 2021, con el fin de determinar en qué condiciones los modelos actuales pueden sobreestimar o subestimar la velocidad de propagación (ROS) y, en consecuencia, la superficie quemada y los impactos del incendio en edificios y otros activos.

Conclusiones de la investigación

Los modelos de propagación de incendios forestales desempeñan un papel crucial en la predicción de cómo se propagan los incendios, pero su precisión se ve influida por diversos factores, como la disponibilidad de combustible, la topografía y el clima. Entre estos modelos, el modelo semiempírico de Rothermel se ha utilizado ampliamente por su sencillez y eficiencia computacional. Sin embargo, las limitaciones y suposiciones inherentes a estos modelos, junto con la calidad de los datos de entrada, pueden afectar a su fiabilidad.

Este estudio, realizado en California, pretendía evaluar la precisión predictiva de los modelos de propagación de incendios forestales en diferentes condiciones ambientales. Utilizó datos de alta resolución del producto National Fireguard Detections para comparar las Tasas de Propagación (ROS) observadas y previstas de 1853 incendios forestales ocurridos entre 2019 y 2021. El análisis pretendía identificar las condiciones en las que los modelos sobrestimaban o subestimaban la ROS, lo que en última instancia afectaba a la superficie quemada y al impacto del incendio en edificios y bienes.

Principales observaciones y conclusiones de la Investigación

• Datos de progresión de incendios: El estudio utilizó los datos del producto National Fireguard Detections, que ofrecen una alta resolución temporal para controlar la progresión de los incendios cada 15 minutos. Se empleó un algoritmo de agrupación de crecimiento en cuadrícula para clasificar los polígonos en incidentes de incendios individuales, lo que permitió un análisis cuantitativo del comportamiento del fuego.
• Modelización de incendios con WFA-e: Se realizaron simulaciones de incendios con WFA-e, incorporando varios modelos de propagación de incendios, incluidos los modelos de propagación de incendios de superficie y de copas de Rothermel. Se integraron datos de tipo de combustible, topografía y meteorología para realizar las simulaciones.
• Análisis estadístico: La precisión de los modelos de propagación del fuego se evaluó utilizando métricas de error como los residuos ROS, el error medio absoluto (MAE), el error medio de sesgo (MBE) y el error medio porcentual absoluto (MAPE).
• Factores medioambientales: El estudio reveló que la precisión de las predicciones de propagación del fuego estaba influida por variables ambientales como la velocidad del viento y el contenido de humedad del combustible (tanto vivo como muerto). Las velocidades del viento bajas y los niveles altos de humedad del combustible tendían a llevar a subestimaciones de ROS, mientras que las velocidades del viento altas daban lugar a sobreestimaciones.
• Tipos de combustible: Los distintos tipos de combustible desempeñaron un papel importante en la precisión de las predicciones. Los modelos funcionaron relativamente bien para los tipos de combustible arbustivo, herbáceo y herbáceo-arbustivo, mientras que para los tipos de combustible maderero no predijeron sistemáticamente el ROS.
• Precisión general del modelo: Los modelos tuvieron un MAPE medio del 47% en las simulaciones automáticas de incendios, con un mejor rendimiento en los tipos de combustible arbustivo, herbáceo y herbáceo-arbustivo. Los tipos de combustible leñoso mostraron el MAPE más alto (aproximadamente un 67%).

El estudio constató que los errores y sesgos del modelo eran razonables para las simulaciones realizadas automáticamente. Identificó variables ambientales que podrían sesgar las predicciones de ROS, sobre todo en zonas madereras, donde algunos modelos de combustible podrían subestimar el ROS. En general, el rendimiento de los modelos de propagación de incendios para California coincide con los estudios desarrollados en otras regiones, y se considera que los modelos son lo bastante precisos como para utilizarlos en tiempo real para evaluar los incendios de ataque inicial.

Próximos pasos de la investigación

El estudio puso de relieve los retos relacionados con la piroconvección, los campos de vientos locales y la estimación de ROS en zonas madereras. Recomendó el desarrollo de modelos mejorados de propagación del fuego para abordar estos retos y mejorar la precisión de la predicción.

El estudio concluyó que, aunque los modelos actuales de propagación de incendios tienen limitaciones y sesgos, son lo bastante precisos como para utilizarlos en entornos operativos en tiempo real, sobre todo con la capacidad de realizar ajustes y calibraciones manuales. Sin embargo, se necesitan mejoras continuas, especialmente para modelizar la propagación del fuego en zonas madereras, predecir el comportamiento de los incendios de copas y considerar los efectos de la piroconvección. Esta investigación aporta valiosas ideas a la predicción y gestión de los incendios forestales, destacando la importancia de refinar y mejorar continuamente los modelos predictivos ante las crecientes amenazas de incendios forestales.

La investigación subraya la importancia de los simuladores de incendios forestales para apoyar la planificación y el análisis de incidentes en tiempo real, a pesar de las posibles incertidumbres derivadas de la calidad de los datos de entrada y las imprecisiones del modelo. Además, el estudio proporciona información sobre el rendimiento de los modelos de propagación de incendios en California, ofreciendo una base para comprender y mejorar potencialmente los modelos operativos actuales en el futuro.

Infórmate sobre cómo se pone en práctica esta ciencia.