De la habilidad de pronóstico al valor económico: pronósticos de potencial de incendios forestales subhorarios en las regiones australianas

Antecedentes. El riesgo de incendios forestales está aumentando con el cambio climático, sin embargo, la mayoría de los pronósticos operativos se basan en índices diarios que no capturan los cambios climáticos rápidos subdiarios que preceden a la ignición. Pronósticos precisos, oportunos y económicamente justificados son críticos para la advertencia temprana y la asignación de recursos. Objetivos. Este estudio evalúa un sistema de pronóstico por aprendizaje automático (ML) subhorario para el potencial de incendios utilizando datos de estaciones meteorológicas de tres regiones australianas: Sunshine Coast, Brisbane y Hobart, y cuantifica su valor económico utilizando un marco de costos y pérdidas. Métodos. Se entrenaron clasificadores de ML con datos de estaciones meteorológicas automáticas subhorarias y se compararon con el Índice de Comportamiento del Fuego (FBI). La discriminación de pronósticos se evaluó utilizando tasas de verdaderos positivos y falsos positivos, así como un análisis de valor económico potencial (PEV), durante más de 15 años para cada región, complementado por pruebas de curva de aprendizaje sobre la suficiencia de datos y la transferibilidad entre regiones. Resultados clave. El modelo de ML mejoró la habilidad de pronóstico en un 30 % en Sunshine Coast, 20 % en Hobart y 10 % en Brisbane. La evaluación económica mostró beneficios netos consistentes, con el sistema de ML duplicando el ahorro potencial en comparación con el FBI bajo supuestos realistas de supresión y pérdidas. Los diagnósticos de curva de aprendizaje indicaron que se logra un rendimiento estable después de ~30 eventos de incendio, lo que permite su aplicación en regiones con escasez de datos. Conclusiones. El marco de pronóstico de ML demuestra no solo una habilidad predictiva mejorada, sino también un valor económico medible, destacando su potencial para sistemas de advertencia temprana escalables y rentables. Implicaciones. Al vincular la habilidad de pronóstico directamente a resultados financieros y operativos, este enfoque proporciona una base cuantitativa para priorizar la inversión en herramientas de advertencia sobre incendios basadas en datos y a tiempo en regiones con datos limitados y presupuestos restringidos.