13 de febrero de 2025incendios-en-argentina.netlify.app

Incendios en Argentina: Un Proyecto con Datos Satelitales

Cómo transformé mi preocupación por los incendios forestales en Argentina en una aplicación web que hace que los datos satelitales sean accesibles para todos.

Introducción

Comenzando el año 2025 llegaron noticias de incendios y focos de calor en el sur de mi país. Al principio la información llegaba de forma indirecta, a través de videos, imágenes y mensajes de personas que estaban en las zonas afectadas. Los grandes medios fueron tomando estas noticias gradualmente, pero la información seguía siendo escasa y fragmentada. Impulsado por mi interés por la montaña y la naturaleza, decidí buscar más información por internet. Mientras más profundizaba, más notaba que los datos disponibles eran limitados y poco actualizados. Me pregunté: ¿existe algún recurso que muestre en un mapa qué zonas están afectadas, qué focos siguen activos o qué áreas ya están reducidas a cenizas? Suponiendo que esta información existía a nivel satelital, imaginé que alguna entidad ya habría creado una visualización accesible. Para mi sorpresa, no era así. O al menos, no de forma sencilla y directa. Existían servicios como FIRMS de la NASA o el catálogo de focos de calor de la CONAE, pero la mayoría estaban enterrados en portales gubernamentales con interfaces poco amigables o requerían conocimientos técnicos específicos para su interpretación. Ahí surgió mi proyecto: ¿cómo construir un mapa interactivo que permita visualizar los focos de calor en Argentina en tiempo real, de manera sencilla e intuitiva? Visita la aplicación

Idea

Comencé explorando FIRMS, analizando cómo funcionaba su plataforma. Aunque he trabajado con mapas anteriormente, siempre había consumido datos de APIs externas diseñadas específicamente para mapas. Con FIRMS descubrí que ofrecen servicios WFS (Web Feature Service) y WMS (Web Map Service) con datos abiertos extraídos y procesados de los sensores MODIS y VIIRS de la NASA. Como los datos son globales, realicé una primera prueba limitando el área a la Patagonia Argentina y posicionando los elementos del GeoJSON en un mapa personalizado con react-leaflet. Al evaluar el resultado, noté que los datos no eran muy completos y solo proporcionaban el ]nivel de confianza (útil para determinar si un foco de calor es efectivamente un incendio activo y no, por ejemplo, una zona con actividad volcánica). Al visualizar el mapa con los marcadores, detecté que no se podía diferenciar entre focos de calor de distinta magnitud o intensidad. En este punto, tenía:

El mapa básico funcionando
La lógica para posicionar marcadores

Solo faltaba mejorar la fuente de datos. Profundizando en mi investigación, descubrí que la CONAE (Comisión Nacional de Actividades Espaciales) de Argentina procesa y distribuye información similar para Sudamérica, extraída de los mismos sensores y satélites. La diferencia crucial es que sus datos incluyen información mucho más valiosa:

Temperatura de brillo del pixel (FP_T21/FP_T31 para MODIS, FP_TI4/FP_TI5 para VIIRS)
Potencia radiativa (FP_Power en MW)
Nivel de confianza de la detección (FP_Confidence)
Dimensiones precisas del pixel (SCAN/TRACK)
División política (provincia/departamento)

Sin embargo, acceder a estos datos presentaba desafíos importantes:

Documentación fragmentada: La información técnica estaba dispersa en múltiples documentos PDF y páginas web.
Interfaces poco intuitivas: La aplicación web oficial requería múltiples pasos para realizar consultas básicas.
Proceso de registro obligatorio: Para descargar cualquier dato era necesario registrarse.
Visualización limitada: Las herramientas de visualización eran básicas y poco interactivas.

A pesar de estos obstáculos, descubrí que la CONAE expone estos datos mediante servicios web geoespaciales (WFS), lo que simplificaba mi trabajo a solo cambiar el servicio que consumía inicialmente.

Tecnología

Para implementar mi idea, decidí crear un prototipo rápido con tecnologías que conocía bien:

Vite + React: Por su rapidez en el desarrollo y despliegue
React-Leaflet: Una biblioteca que facilita la integración de mapas interactivos en aplicaciones React
ArgenMap: Como proveedor de tiles base, ofreciendo mapas detallados de Argentina
GeoJSON: Para procesar los datos vectoriales de focos de calor obtenidos del servicio WFS de CONAE

El proceso de desarrollo siguió estos pasos:

Obtención de datos sobre focos de calor: Tras mi experiencia inicial, decidí que en un futuro cercano desarrollaría mi propia extracción y procesamiento de datos. Para preparar esta escalabilidad, diseñé una clase que gestiona la obtención de datos de forma modular:

class FireService {
    private static readonly WFS_BASE_URL = "https://geoservicios.conae.gov.ar/geoserver/GeoServiciosCONAE/wfs";

    private static async fetchWFSFires(layerName: string, startDate?: Date, endDate?: Date): Promise<WFSResponse> {
        const params: Record<string, string> = {
            service: "WFS",
            version: "2.0.0",
            request: "GetFeature",
            typeName: `GeoServiciosCONAE:${layerName}`,
            outputFormat: "application/json",
            srsName: "EPSG:4326"
        };

        try {
            const response = await axios.get<WFSResponse>(this.WFS_BASE_URL, {
                params,
                headers: {
                    Accept: "application/json, text/plain, */*",
                    "Accept-Language": "en-US,en;q=0.9,es;q=0.8"
                }
            });

            let filteredFeatures = response.data.features;

            filteredFeatures = filteredFeatures.filter((feature) => {
                const confidence = feature.properties?.FP_Confidence as number;
                return confidence >= MIN_CONFIDENCE_TOLERANCE;
            });

            const formattedResponse = {
                ...response.data,
                features: filteredFeatures,
                numberMatched: filteredFeatures.length,
                numberReturned: filteredFeatures.length,
                totalFeatures: filteredFeatures.length
            };
            if (startDate && endDate) {
                return this.filterByDate(formattedResponse, startDate, endDate);
            }
            return formattedResponse;
        } catch (error) {
            console.error(`Error fetching ${layerName} data:`, error);
            throw new Error(`Failed to fetch ${layerName} fire data`);
        }
    }

    private static filterByDate(data: WFSResponse, startDate: Date, endDate: Date): WFSResponse {
        const startStr = startDate.toISOString().split("T")[0];
        const endStr = endDate.toISOString().split("T")[0];

        const filteredFeatures = data.features.filter((feature) => {
            const featureDateStr = (feature.properties?.Dia as string).split("T")[0];

            return featureDateStr >= startStr && featureDateStr <= endStr;
        });

        return {
            ...data,
            features: filteredFeatures,
            numberMatched: filteredFeatures.length,
            numberReturned: filteredFeatures.length,
            totalFeatures: filteredFeatures.length
        };
    }

    private static async fetchMODISFires(startDate?: Date, endDate?: Date): Promise<WFSResponse> {
        return this.fetchWFSFires("FocosDeCalor", startDate, endDate);
    }

    private static async fetchVIIRSFires(startDate?: Date, endDate?: Date): Promise<WFSResponse> {
        return this.fetchWFSFires("FocosDeCalorVIIRS", startDate, endDate);
    }

    public static async getAllFires(startDate?: Date, endDate?: Date): Promise<WFSResponse> {
       // Acá podemos obtener todos los datos juntos y preprocesarlos de ser necesario
    }
};

La nueva información sobre los focos de calor me permitió dimensionar los marcadores según el tamaño del pixel y la potencia radiativa (FP_Power), logrando una representación visual mucho más informativa.

Integración con WMS para contexto geográfico: Agregué una capa WMS que muestra asentamientos humanos y centros poblados, permitiendo visualizar rápidamente qué comunidades podrían estar en riesgo:

<WMSTileLayer
    url="https://wms.ign.gob.ar/geoserver/idera/bahra/ows"
    layers="bahra"
    format="image/png"
    transparent={true}
    version="1.3.0"
/>

Desafíos y soluciones

Durante el desarrollo enfrenté varios desafíos técnicos que requirieron soluciones creativas:

1. Volumen de datos

El servicio WFS podía devolver miles de puntos para períodos extensos, lo que impactaba negativamente el rendimiento del navegador y la experiencia del usuario. Solución: Implementé una estrategia de clustering que agrupa focos cercanos cuando el zoom del mapa está alejado, mejorando drásticamente el rendimiento sin perder información crítica.

<MarkerClusterGroup
    iconCreateFunction={createClusterCustomIcon}
    maxClusterRadius={30}
    zoomToBoundsOnClick={true}
    spiderfyDistanceMultiplier={2}
    showCoverageOnHover={false}
    animate={true}
>
    {fires && (
        <GeoJSON
            data={fires}
            pointToLayer={createFireIcon}
            onEachFeature={createFirePopup}
        />
    )}
</MarkerClusterGroup>

Esta solución no solo mejoró el rendimiento, sino que también proporcionó una visualización más clara de las concentraciones de focos de calor.

2. Límites del servicio

El servicio WFS de CONAE tiene limitaciones en cuanto al número de features que puede devolver en una sola consulta, lo que dificultaba obtener datos históricos o de áreas extensas. Solución: Desarrollé un sistema de consultas paginadas y paralelas que solicitan datos en lotes más pequeños y luego los combinan en el cliente, permitiendo visualizar períodos más extensos sin exceder los límites del servicio.

Impacto y próximos pasos

Este proyecto, nacido de una preocupación personal, ha evolucionado rápidamente. Para potenciar su impacto, mis próximos pasos incluyen:

Integración de datos de áreas quemadas: La CONAE ofrece productos de áreas quemadas mensuales derivados de datos MODIS que permitirán analizar el impacto post-incendio y la evolución de las zonas afectadas a lo largo del tiempo.
Sistema de alertas personalizadas: Permitir a los usuarios definir áreas de interés (como propiedades, reservas naturales o comunidades) y recibir notificaciones cuando se detecten nuevos focos en esas zonas.
Migración a NextJS: Para mejorar la escalabilidad, planeo migrar el proyecto a NextJS, aprovechando sus capacidades de caché y renderizado en servidor (SSR) para optimizar el procesamiento y entrega de datos.
Optimización para dispositivos móviles: Mejorar la experiencia en smartphones y tablets, crucial para usuarios en campo como brigadistas, guardaparques o productores rurales.
Modelos predictivos: Integrar datos meteorológicos y modelos de propagación para estimar el riesgo y posible expansión de incendios activos, transformando la herramienta de informativa a preventiva.

Conclusión

Este proyecto demuestra el poder de democratizar datos científicos mediante interfaces intuitivas. La información satelital sobre incendios ya existía, pero permanecía efectivamente "escondida" tras interfaces complejas y procesos engorrosos, inaccesible para quienes más la necesitan. Visita la aplicación en vivo para explorar el resultado final. La tecnología más sofisticada pierde relevancia si no es accesible para sus potenciales beneficiarios. Mi objetivo con esta aplicación es tender puentes entre las instituciones científicas y las comunidades, especialmente en situaciones donde el acceso oportuno a información puede marcar la diferencia entre prevención y tragedia.