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

Los incendios forestales representan una amenaza significativa, especialmente en áreas convegetación densa y condiciones climáticas adversas como los bosques secos, así mismo puedendestruir bosques, reducir la biodiversidad, degradar el suelo y aumentar el dióxido de carbonoen la atmósfera, agravando el cambio climático. Este estudio se centra en identificar las zonassusceptibles a incendios forestales en el cantón Macará, Loja, Ecuador, utilizando algoritmosde aprendizaje automático para desarrollar un modelo predictivo para la gestión y prevenciónde estos eventos. Se analizaron variables topográficas, índices de vegetación y factoresantropogénicos, 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 emplearonalgoritmos de aprendizaje automático como regresión logística, árboles de decisión y splinesde regresión adaptativa multivariante (MARS). El modelo MARS mostró el mejor desempeñocon un AUC de 0.97 y un índice Kappa de 0.91, indicando alta precisión en la predicción deáreas susceptibles a incendios forestales. Las áreas con mayor susceptibilidad se encontraronen 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 laplanificación y ejecución de estrategias de prevención y mitigación por parte de las autoridadeslocales. En conclusión, este estudio proporciona un análisis detallado de los factores queinfluyen en los incendios forestales en Macará mediante el modelo MARS destacando laimportancia de la distancia a zonas antrópicas, ríos y la humedad (Moisture), además de queproporciona un mapa de susceptibilidad a incendios forestales, lo cual es una herramientapráctica para su gestión, contribuyendo a la conservación de los ecosistemas y al bienestar delas comunidades locales. Las limitaciones incluyen la necesidad de datos meteorológicos y lanubosidad, la cual limita la obtención de datos.