Un estudio hecho por investigadores de CIGIDEN, que lleva por nombre “Modelación de la vulnerabilidad de entornos urbanos a incendios en la interfaz urbano-rural en Chile”, publicado en la revista científica Natural Hazards and Earth System Sciences (https://nhess.copernicus.org/articles/24/1521/2024/), da cuenta, a través de un análisis de los parámetros de vulnerabilidad que contribuyen al riesgo de incendios, cuáles son los factores que se podrían manejar para disminuir el impacto de futuros incendios en la interfaz urbano-rural. 

Este estudio tiene como propósito proporcionar información para el diseño, la planificación y la gobernanza de estas áreas en Chile, ayudando al desarrollo de estrategias de mitigación de riesgos tanto para las estructuras construidas como para el área territorial más amplia.

El equipo de esta investigación está compuesto por las investigadoras asociadas, la académica de Ingeniería UC Paula Aguirre y la académica de Arquitectura UDD Constanza González-Mathiesen, junto al  investigador principal, el académico del Departamento de Arquitectura UTFSM Jorge León, y otros autores como el arquitecto UTFSM Randy Román, la geógrafa PUCV Manuela Penas y el ingeniero civil en matemáticas UTFSM Alonso Ogueda.

Factores de vulnerabilidad

El impacto de los incendios forestales depende de diversos factores, y las áreas de interfaz urbano-rural implican un mayor riesgo al haber más vidas humanas y bienes materiales expuestos. Además, estos riesgos se acrecientan por una urbanización que va en aumento y por el cambio climático, que ha provocado un cambio en las condiciones meteorológicas, afectando a la probabilidad, intensidad y velocidad de propagación de incendios forestales. 

Según la investigación, algunos de los factores identificados que inciden en la probabilidad de daños a causa del incendio son: la proximidad de la vivienda a los vecinos, la distancia a la vegetación, la proximidad al límite de los grupos de viviendas y la distancia desde el origen del incendio. 

Para esto, realizaron un análisis de siete casos de incendios en Chile central: Melipilla, Cerro Rocuant en Valparaíso, Viña del Mar, Limache, Laguna Verde, Quilpué y Rodelillo. 

Fuente: Equipo de investigadores CIGIDEN

En palabras del investigador principal de CIGIDEN Jorge León, la planificación urbana es un sistema ordenado y coordinado de acciones con un componente espacial-territorial, el cual, a partir de un profundo y detallado análisis de las condiciones actuales y de una imagen objetiva de desarrollo, permite consolidar mejoras (cuantitativas y cualitativas) tanto en el medio ambiente construido como en la calidad de vida de las personas que lo habitan. 

“Esto cobra especial importancia en el caso de la Gestión de Riesgos de Desastres de origen natural, ya que la planificación es una herramienta que permite tanto la mitigación de las condiciones actuales como de los escenarios posibles de riesgo futuro. Por lo tanto, es pertinente desarrollar y actualizar permanentemente los instrumentos de planificación que ejecuten esta gestión en el territorio y fomenten la resiliencia de las comunidades frente a los desastres”, explica.

Investigación pionera en Chile

Según consignan los investigadores en el documento, “hasta donde sabemos, no se han realizado estudios similares en América Latina y Chile, por lo que esta investigación aporta un conjunto de datos único” que (i) pertenece a una región geográfica donde la vulnerabilidad física a los incendios en la Interfaz Urbano-Rural no se ha estudiado sistemáticamente; (ii) incluye un conjunto de variables relativas a las estructuras individuales y a su ubicación en relación con la vegetación, la fuente del peligro y el entorno urbano, que se cuantifican tanto para las viviendas dañadas como para las no dañadas; (iii) comprende varios estudios de caso que suman un total de 729 unidades dañadas,  es significativamente mayor que los estudios comparables; y (iv) se construyó mediante el uso intensivo de métodos de teledetección y análisis de imágenes que podrían avanzarse y escalarse aún más utilizando enfoques de aprendizaje automático.

Para el análisis de dichos datos, realizaron un entrenamiento de modelo con base en el Machine Learning (ML) -una rama de la Inteligencia Artificial- con el cual identificaron las cinco variables más importantes para predecir el daño: 

Elevación: La altura relativa a la unidad más baja en el área estudiada. 

Distancia al vecino más cercano: La proximidad a la vivienda más cercana.

Distancia al borde del grupo de viviendas: La cercanía al límite del conjunto de casas. 

Distancia al área vegetada: La distancia a la vegetación circundante. 

Distancia al punto probable de ignición del incendio: La proximidad al lugar donde es más probable que se inicie un incendio. 

También identificaron variables “de baja importancia” como el material de las viviendas, puesto que, por el contexto socioeconómico de las regiones estudiadas, hay una gran mayoría de viviendas que están construidas con materiales ligeros. 

Y en un nivel intermedio, identificaron cinco variables tales como número de pisos, área de piso, preparación y pendiente, relación de parcela-superficie, las cuales proporcionaron diferentes factores que influyen en la vulnerabilidad de las viviendas en áreas propensas a incendios.

La investigadora asociada de CIGIDEN e investigadora principal del Centro Nacional de Inteligencia Artificial, Paula Aguirre, estuvo a cargo de esta componente de la investigación. “Las herramientas de Machine Learning (ML) pueden ser de gran utilidad para el estudio de riesgo de desastres, no sólo en el caso de incendios, sino de otras amenazas también”, explica Aguirre. 

Según la experta, los algoritmos de ML pueden ayudar por ejemplo en el análisis de grandes cantidades de imágenes satelitales para detectar automáticamente zonas incendiadas, de manera de generar mapas de recurrencia de amenaza, y “pueden servir también para desarrollar modelos predictivos de daño, que son entrenados a partir de grandes bases de datos etiquetadas recolectadas en eventos anteriores”. Agrega que “sin embargo, para ello se requiere avanzar mucho en la recolección de datos post-desastre, de manera de tener un registro detallado de todas las viviendas dañadas, y de sus características” tales como el  nivel de daño, ubicación, material, tipo de estructura, antigüedad y mantención; entre otros datos. 

Respecto a la metodología desarrollada, a los aportes en la Gestión del Riesgo de Desastres en Chile, una de las limitaciones son los datos para ampliar esta investigación. “Esta metodología puede (debe) aplicarse sistemáticamente para futuros incendios de interfaz en cualquier lugar de Chile, de manera de seguir aumentando la base de datos, mejorar nuestra capacidad predictiva, y generar finalmente mapas de riesgo e información útil para la gestión del riesgo de desastres”, indica.

El impacto en las políticas públicas

Según la arquitecta e investigadora del Centro, Constanza González-Mathiesen, “uno de los pasos importantes es mejorar el marco normativo nacional, por ejemplo el artículo 2.1.17 de la OGUC, de tal forma que guíe y coordine de manera más clara y efectiva la incorporación de los riesgos en planes reguladores para que el crecimiento de las ciudades considere los incendios y se eviten factores de vulnerabilidad”, explica. Este artículo de la Ordenanza General de Urbanismo y Construcciones (OGUC) de Chile se refiere a las “zonas no edificables” o “áreas de riesgo” y establece que en los planes reguladores se pueden definir las áreas donde no se permite construir.

Y otra de las propuestas que hace González-Mathiesen es establecer planes y programas que reduzcan la vulnerabilidad en asentamientos ya construidos, como programas de mejoramiento de barrios para la reducción del riesgo de incendios forestales. 

El estudio realizado por CIGIDEN ofrece un análisis detallado y pionero sobre los factores de vulnerabilidad que afectan las áreas de interfaz urbano-rural en Chile, un tema crítico dado el creciente riesgo de incendios forestales exacerbado por el cambio climático y la expansión urbana. A través del uso de herramientas avanzadas como el Machine Learning, los investigadores han identificado variables clave que pueden ayudar a predecir el daño y a diseñar estrategias efectivas de mitigación.