El objetivo principal de este trabajo es desarrollar un modelo de inteligencia artificial que prediga la severidad de un incendio forestal a partir de unas condiciones de inicio del incendio. Para ello, se utilizó la base de datos del EGIF (Estadística General de Incendios Forestales), que incluye datos meteorológicos, topográficos, temporales, de vegetación, factores humanos y otros elementos relevantes. Además, se obtuvieron distintas variables derivadas, como la densidad de población o la densidad de incendios en la zona y se extrajo el FWI (Fire Weather Index) para complementar la base de datos y mejorar la capacidad predictiva del modelo. El análisis permitió identificar patrones relevantes para discernir entre las distintas clases de incendios: conato, incendio y gran incendio forestal (GIF). Utilizando técnicas de machine learning, se entrenaron diferentes modelos con la finalidad de encontrar el que mejor se adaptara al objetivo. Los modelos empleados fueron Random Forest, CatBoost, XGBoost y LightGBM. Los resultados obtenidos muestran que, en general, todos los modelos tienen dificultades para predecir la clase minoritaria, es decir, los grandes incendios forestales (GIFs), debido a su baja representación en la base de datos. En cuanto a los resultados, CatBoost ha demostrado ser el modelo con el mejor rendimiento global para predecir los GIFs, logrando un equilibrio moderado entre precision (0,73) y recall (0,80) tras la validación cruzada. Este modelo podría ser el punto de partida para desarrollar herramientas más avanzadas que mejoren la predicción de los GIFs, lo que a su vez facilitaría la implementación de estrategias más efectivas en la prevención y gestión de incendios forestales.

L'objectiu principal d'aquest treball és desenvolupar un model d'intel·ligència artificial que prediu la severitat d’un incendi forestal a partir d’unes condicions inicials de l’incendi. Per a això, s’ha utilitzat la base de dades de l’EGIF (Estadística General d’Incendis Forestals), que inclou dades meteorològiques, topogràfiques, temporals, de vegetació, factors humans i altres elements rellevants. A més, s’han obtingut diferents variables derivades, com la densitat de població o la densitat d’incendis a la zona, i s’ha extret el FWI (Fire Weather Index) per complementar la base de dades i millorar la capacitat predictiva del model. L’anàlisi ha permès identificar patrons rellevants per discernir entre les diferents classes d’incendis: conat, incendi i gran incendi forestal (GIF). Utilitzant tècniques de machine learning, s’han entrenat diferents models amb la finalitat de trobar el que millor s’adapti a l’objectiu. Els models emprats han estat Random Forest, CatBoost, XGBoost i LightGBM. Els resultats obtinguts mostren que, en general, tots els models tenen dificultats per predir la classe minoritària, és a dir, els grans incendis forestals (GIFs), a causa de la seva baixa representació a la base de dades. Pel que fa als resultats, CatBoost ha demostrat ser el model amb el millor rendiment global per predir els GIFs, aconseguint un equilibri moderat entre precisió (0,73) i recall (0,80) després de la validació creuada. Aquest model podria ser el punt de partida per desenvolupar eines més avançades que millorin la predicció dels GIFs, cosa que al seu torn facilitaria la implementació d’estratègies més efectives en la prevenció i gestió d’incendis forestals.

The main objective of this work is to develop an artificial intelligence model to predict the severity of a forest fire based on the initial conditions of the fire. For this, the EGIF (General Statistics of Forest Fires) database was used, which includes meteorological, topographic, temporal, vegetation, human factors, and other relevant elements. Additionally, various derived variables, such as population density and fire density in the area, were obtained, and the FWI (Fire Weather Index) was extracted to complement the database and improve the predictive capacity of the model. The analysis of these data allowed the identification of relevant patterns to distinguish between the different classes of fires: incipient fire, fire, and large forest fire (GIF). Using machine learning techniques, different models were trained to find the one that best fits the objective. The models used were Random Forest, CatBoost, XGBoost, and LightGBM. The results show that, in general, all models have difficulty predicting the minority class of large forest fires (GIFs) due to their low representation in the database. Regarding the results, CatBoost has proven to be the model with the best overall performance in predicting GIFs, achieving a well-balanced combination of precision (0.73) and recall (0.80) after cross-validation. This model could serve as a starting point for developing more advanced tools that improve GIF prediction, which in turn would facilitate the implementation of more effective strategies in forest fire prevention and management.