iaintel·ligènciaartificial.cat← Portada

Secció · Ciència, salut i robòtica

Laura Moreno i Juan B. Pedro (Earthpulse): què veu la IA en una imatge de satèl·lit quan busca el risc d'incendi

Els fundadors d'Earthpulse, una empresa de Barcelona que analitza imatges de satèl·lit amb intel·ligència artificial, expliquen què pot preveure avui un mapa de risc d'incendi i què encara no, com hi afecta el canvi climàtic i què caldria perquè aquesta tecnologia es fes servir més en la prevenció.

1. Què fa exactament Earthpulse i com va néixer?

Earthpulse és una empresa de Barcelona que converteix les dades dels satèl·lits d'observació de la Terra en informació útil per prendre decisions. Va néixer el 2020. La vam fundar la Laura Moreno, enginyera de telecomunicacions que havia treballat al centre tecnològic de l'Agència Espacial Europea (ESTEC), i en Juan B. Pedro, doctor en enginyeria aeronàutica i expert en intel·ligència artificial, amb experiència en la confluència entre la IA i l'observació de la Terra.

Partíem d'un problema clar. Els satèl·lits generen moltíssimes dades, i moltes són gratuïtes. Però gairebé ningú de fora del sector les pot fer servir. Cal conèixer a fons el fenomen que es vol modelitzar. També cal conèixer les particularitats i els usos dels diferents tipus d'imatges de satèl·lit, saber-les processar i saber construir un model d'IA. Nosaltres volíem que aquestes dades es transformessin en informació rellevant, i no només que fossin accessibles.

Per això vam crear SPAI, la nostra plataforma d'anàlisi geoespacial. SPAI processa imatges de satèl·lit amb intel·ligència artificial i les combina amb dades meteorològiques i del terreny. A sobre de SPAI construïm els Pulses. Cada Pulse és una solució preparada per a una necessitat concreta, com el risc d'incendi, les esllavissades, les fuites d'aigua o la vegetació que envaeix les infraestructures.

La nostra visió és construir eines que permetin a qualsevol organització consultar, entendre i fer servir informació sobre els seus actius sense necessitat de saber de satèl·lits, d'IA o de geoprocessament. Volem fer la Terra «consultable». Una empresa podria fer una pregunta sobre els seus actius, els seus riscos, les seves operacions o la seva cadena de subministrament, i rebria una resposta traçable, útil per actuar i integrada en els seus processos.

Avui treballem amb operadors d'infraestructures i amb organitzacions públiques i privades. Entre elles hi ha Telefónica, Abertis, l'Agència de la Unió Europea per al Programa Espacial (EUSPA) i l'Agència Espacial Europea (ESA). El 2026 vam guanyar el Grand Marathon de l'ESA Φ-lab amb una solució per a la resposta als incendis forestals.

2. Què «veu» un model d'aprenentatge profund en una imatge de satèl·lit que li permeti estimar el risc d'incendi?

En el cas del risc d'incendi, els nostres models avaluen les condicions que més influeixen perquè comenci un foc. Entre aquestes hi ha les condicions meteorològiques, com la temperatura i el vent, i l'estat de la vegetació. Alguns d'aquests elements s'obtenen de les imatges de satèl·lit, com la vegetació o la proximitat a infraestructures crítiques. Per fer-ho fem servir models d'aprenentatge profund.

Les imatges de satèl·lit mesuren la llum que reflecteix o emet la superfície en diverses longituds d'ona, sobretot fora de l'espectre visible. Amb aquestes imatges el model estima l'estat de la vegetació: detecta quanta n'hi ha, si és verda o seca i quanta aigua conté. També estima la temperatura de la superfície.

Una sola imatge diu poca cosa. Però si la comparem amb una sèrie temporal de diversos anys, podem saber si la vegetació és especialment seca per a aquella zona i aquella època de l'any. Quan analitzem la vegetació, veiem directament l'efecte de les condicions meteorològiques en un context de canvi climàtic.

Després hi afegim altres capes: la previsió meteorològica (temperatura, humitat i vent), el pendent i l'orientació del terreny, el tipus de coberta del sòl i l'historial d'incendis. El model aprèn dels incendis passats quines combinacions d'aquestes variables solen precedir un foc i com es pot propagar.

El resultat és un mapa de risc. Indica on les condicions són més favorables perquè un incendi comenci i es propagui en les 24 a 72 hores següents. No diu que hi haurà un incendi en un punt concret.

3. Què pot preveure avui de manera fiable un sistema com aquest, i què encara no?

Podem preveure amb fiabilitat on les condicions meteorològiques i l'estat de la vegetació afavoreixen un incendi. Funciona com una previsió del temps. Un 70 % de probabilitat de pluja no vol dir que plogui a tot arreu, sinó que les condicions ho fan més probable. Un mapa de risc funciona igual: ordena el territori de més a menys perill i ajuda a decidir on cal mobilitzar els recursos o actuar primer.

També funciona bé abans i després de l'incendi. Abans, entre altres coses, mesura l'estat de la vegetació i com n'és de seca; després, permet quantificar-ne l'impacte a partir de la superfície cremada i la gravetat dels danys.

El que encara no podem preveure és quan i on començarà exactament un incendi. La ignició depèn de factors poc controlables, com un llamp o un descuit humà, per exemple fer servir maquinària en condicions molt adverses. Un model pot dir que el bosc és sec, però no pot dir exactament quan ni on començarà el foc.

Convé distingir tres conceptes que sovint es confonen. La perillositat indica on és més probable que es produeixi un incendi; la detecció localitza un incendi que ja s'ha declarat; i el risc hi afegeix qui i què hi està exposat: persones, béns i infraestructures. El nostre objectiu no és predir desastres, sinó assenyalar on el sistema és més vulnerable quan es troba sota pressió.

4. Qui fa servir aquestes alertes (bombers, administracions, asseguradores, propietaris forestals) i com en canvien les decisions?

Cada usuari gestiona i decideix coses diferents.

Avui els nostres usuaris principals són els operadors d'infraestructures: empreses d'energia, de telecomunicacions i de carreteres, que gestionen línies, torres i vies que travessen zones forestals. En molts casos, les podes i les inspeccions es planifiquen per calendari. Un mapa de risc integra la informació de manera que es poden prioritzar els trams on la vegetació és més seca i l'exposició (de persones o de recursos) és més gran.

Els gestors forestals i els projectes de carboni fan servir la informació per planificar la prevenció i per documentar els danys després d'un incendi.

Els equips d'emergència són els destinataris del Wildfire Confirm & Act Pulse, la solució que va guanyar el Grand Marathon de l'ESA Φ-lab. Aquesta solució encreua les alertes d'incendi amb dades de satèl·lit i meteorològiques. Ajuda a decidir si una alerta és real, a qui s'ha de traslladar i quins actius hi estan exposats. En les primeres hores, aquesta confirmació redueix les falses alarmes i permet prioritzar.

Les asseguradores i les administracions poden fer servir la mateixa informació per avaluar l'exposició de carteres i territoris, i per orientar la inversió en prevenció.

En tots els casos el canvi és semblant: es passa de reaccionar a anticipar-se, i d'actuar per calendari a actuar per prioritats.

5. El canvi climàtic està alterant el règim d'incendis a Catalunya i a la Mediterrània: els models entrenats amb dades del passat encara serveixen?

Un model que només aprèn del passat coneix les combinacions de condicions que van precedir els incendis que ja s'han produït. Els nostres models s'entrenen amb episodis de tot el món, i per això han vist una gran varietat d'escenaris climàtics. Si en altres zones ja han vist temperatures tan altes com les que pot arribar a tenir Catalunya, poden aplicar-hi el que han après. Però si l'escenari climàtic és nou a escala global, el model treballa fora del que coneix. En aquest cas cal mesurar i validar-ne la precisió amb els episodis nous. Si el clima canvia de manera que els incendis es propaguen molt més de pressa, hem d'ensenyar aquest comportament al model amb episodis passats perquè aprengui les noves condicions.

Els estudis sobre el règim d'incendis a Catalunya indiquen que el clima, l'abandonament del territori i l'estratègia d'extinció el modifiquen alhora. Un treball de recerca de la Universitat de Lleida adverteix que els climes nous poden provocar incendis extrems. El 2025, la consellera d'Interior, Núria Parlon, va parlar d'un «nou paradigma de risc», amb focs més ràpids i menys previsibles.

Per això un bon model no pot dependre només del registre històric: ha de fer servir l'estat actual del territori. La vegetació, la seva humitat i la previsió meteorològica ja reflecteixen l'efecte del clima d'avui, i aquestes dades s'actualitzen amb cada imatge i cada previsió.

També cal tornar a entrenar els models amb les temporades recents i validar-los amb els incendis extrems més nous. I cal dir clarament quina incertesa té cada resultat.

Les projeccions climàtiques ajuden a una altra escala. Serveixen per a la planificació a llarg termini, per exemple per avaluar l'exposició d'un actiu en els anys vinents. Per a les decisions de la setmana, compta més l'estat actual de la zona estudiada.

6. Quins límits té treballar amb imatges de satèl·lit (núvols, resolució, freqüència de pas)?

Els núvols. Els sensors òptics, com el Sentinel-2 (programa Copernicus de l'ESA), no poden veure a través dels núvols ni del fum, i això deixa buits de dades precisament en els moments més crítics. Els satèl·lits de radar, com el Sentinel-1, funcionen amb qualsevol temps, però les seves imatges són més difícils d'interpretar per caracteritzar la vegetació.

La resolució espacial. El Sentinel-2 dona una resolució d'entre 10 i 60 metres per píxel, adequada per avaluar l'estat d'una massa forestal o d'una franja de vegetació, però insuficient per identificar focus petits. Hi ha imatges comercials de més resolució, com les de Planet o Maxar, però cobreixen menys territori i són molt més cares.

La freqüència de pas. El Sentinel-2 torna a observar un mateix punt aproximadament cada cinc dies. Altres satèl·lits ofereixen cobertura diària, però amb una resolució espacial força menor. En general, com més detall, menys freqüència d'observació, i a l'inrevés.

Cap satèl·lit no ho resol tot. Per això combinem diverses fonts: els Sentinel de la Unió Europea, satèl·lits de la NASA i proveïdors comercials. També hi sumem dades meteorològiques i del terreny, que no depenen dels núvols. Com diu la Laura Moreno, consellera delegada d'Earthpulse, un sol satèl·lit o una sola constel·lació no resol mai el problema.

A més, el satèl·lit és una capa més. Funciona juntament amb sensors, càmeres i l'experiència dels equips d'extinció.

7. Què caldria (dades, regulació, col·laboració pública) perquè aquesta tecnologia es fes servir més en la prevenció?

Calen quatre coses: dades, regles clares, col·laboració entre el sector públic i el privat, i eines accessibles i escalables per a persones no expertes.

Dades. Les dades obertes de satèl·lit, com les de Copernicus, ja hi són; el que falta són dades de terreny de bona qualitat. Per exemple, mapes actualitzats de combustible forestal, un registre comú i detallat dels incendis passats i dades de les operacions d'extinció. Els models milloren quan es poden comparar amb el que va passar de debò. Compartir aquestes dades entre administracions, en formats oberts, ajudaria molt.

Regulació. Les administracions han de poder contractar serveis d'observació de la Terra de manera senzilla. La compra pública sol ser lenta i està pensada per a productes clàssics. També ajudarien uns criteris comuns per validar aquests models: què es mesura, amb quines dades i amb quin grau d'encert. Així els equips d'emergència podrien confiar en els resultats i comparar solucions.

Col·laboració. El més útil són les proves pilot reals amb bombers, protecció civil i gestors forestals. Els equips proven l'eina durant una temporada sencera i diuen què els serveix i què no. Amb aquesta resposta, les empreses ajustem el producte a les decisions reals.

Eines accessibles. Avui, fer servir dades de satèl·lit exigeix coneixements de satèl·lits, d'IA i de geoprocessament, i poques organitzacions tenen aquest perfil. Calen eines que qualsevol gestor pugui fer servir sense ser-ne expert. També han de ser escalables, per treballar amb molts territoris i actius alhora.

Finalment, cal invertir en prevenció. Un estudi sobre Catalunya indica que la gestió activa del territori, com les cremes prescrites, pot compensar una part de l'efecte del clima. La informació de satèl·lit ajuda a decidir on aplicar-la.