WLF · Aprendizaje automático
Incendios forestales
XGBoost · CV con bloques espaciales · negativos emparejados por envolvente climática · AUC hold-out 0.94 · v1.1 · pending
vista previa pendiente
La vista previa se publicará cuando termine el reentrenamiento global v1.1
Probabilidad por aprendizaje automático entrenada con detecciones satelitales de fuegos activos: vegetación, clima y factores de ignición.
Qué incluye
Surfaces — probabilidad calibrada de 0 a 1 por píxel, con incertidumbre por conjunto bootstrap.
Cada versión: puntuación de 0 a 1 · banda de 5 clases · incertidumbre por píxel · máscara de cobertura de entradas · elemento STAC · documento de metodología.
Entradas
NDVI en el pico de la temporada de incendios, altura del dosel, meses secos, densidad de rayos, cobertura del suelo (categórica), carreteras, envolvente climática
Validación
AUC hold-out con bloques espaciales 0.94 — los bloques de validación cruzada evitan la fuga de información entre píxeles cercanos.
Historial de versiones
Qué cambió entre versiones: las mismas notas que se publican con los datos. De más reciente a más antigua.
v1.1
2026-05
global retrain in progress. The v1.1 global model is being retrained; the showcase preview and full global coverage publish once it completes.
- Machine-learning wildfire likelihood. Gradient-boosted trees (XGBoost) trained on satellite active-fire detections with spatially-blocked cross-validation and climate-envelope-matched negatives (hold-out AUC 0.94). Inputs include peak-fire-season NDVI, canopy height, dry-month count, lightning density, categorical land cover, roads, and a climate envelope. Ships with a bootstrap-ensemble uncertainty layer and coverage.
Otros peligros
DeslizamientosAvalanchasTerremotosVendavalesCalor extremoFrío extremoHeladasRayosErosión del sueloHuracanesSequíaErupciones volcánicasTsunamiMarea meteorológica