En el marc del projecte SOSVITI (https://sosviti.egemap.eu/), centrat en la gestió sostenible del sòl i la resiliència en la viticultura, els incendis forestals s’han convertit en una preocupació creixent. L’estudi presenta un mètode ràpid per avaluar els danys causats pels incendis en vinyes mitjançant imatges de dron i intel·ligència artificial, donant suport a una presa de decisions més àgil i a estratègies de recuperació en paisatges vitivinícoles afectats pel foc arreu d’Europa.

Dins del marc dels projectes SOSVITI, millorar la resiliència de les vinyes davant el risc d’incendis forestals s’està convertint en una prioritat clau de recerca. L’estudi presenta un flux de treball híbrid d’intel·ligència artificial (IA) dissenyat per avaluar ràpidament els danys causats pels incendis forestals en vinyes utilitzant imatges UAV d’ultra alta resolució.

Aquesta recerca és el resultat d’una col·laboració internacional entre la Universitat de Granada —a través del Departament d’Anàlisi Geogràfica Regional, EGEMAP (TerraLab 2 UGR) i DaSCI— i socis com Gaia Robotics (Grècia), la Universitat de València i l’Institut de Sistemes Industrials (ISI, Centre de Recerca Athena). L’estudi es va dur a terme en col·laboració amb el celler Orfanos Estate de Patres (Grècia), que va proporcionar accés a vinyes reals afectades per incendis.

Després de l’incendi forestal d’agost de 2025 a prop de Patres, l’estudi va utilitzar imatges RGB captades amb dron, amb una resolució aproximada d’1,5 cm, per cartografiar els impactes del foc a escala de parcel·la. La metodologia combina dos enfocaments complementaris.

En primer lloc, un flux de treball interpretable basat en índexs de vegetació RGB (com ExG, NGRDI, GRVI i VARI), integrats mitjançant anàlisi de components principals (PCA) i agrupament k-means, permet la identificació de patrons de severitat dels danys causats pel foc. Aquest enfocament és ràpid, requereix un volum mínim de dades i proporciona resultats clars i explicables.

En segon lloc, l’estudi va aplicar un model d’aprenentatge profund (U-Net) per generar mapes d’alta resolució de la vegetació danyada i la vegetació supervivent, assolint una elevada precisió espacial (al voltant del 91 % de mIoU). Aquest model refina el detall espacial dels danys per incendi, especialment al llarg de les files de la vinya i els seus límits.

La principal contribució de l’estudi rau en la combinació d’ambdós mètodes dins d’un marc híbrid d’IA. Mentre que l’enfocament clàssic explica els patrons subjacents del dany, l’aprenentatge profund millora la precisió espacial. Aquest equilibri entre interpretabilitat i exactitud resulta especialment valuós en contextos d’emergència.

Els resultats indiquen que la major part de la vinya va experimentar danys baixos a moderats, i que els impactes més severs es concentren en àrees específiques. La capacitat de produir avaluacions ràpides i fiables utilitzant dades UAV de baix cost fa que aquest enfocament sigui altament rellevant per al seu ús operatiu.

En integrar mètodes avançats d’IA amb tecnologies accessibles, l’estudi dona suport als objectius de FIRE WINE, contribuint a una gestió més resilient de les vinyes i a una millor resposta davant els impactes dels incendis forestals en un context de canvi climàtic.

Autors de l'estudi:

2. Andalusian Research Institute in Data Science and Computational Intelligence, DaSCI, University of Granada, 18071, Granada, Spain

3. RNM-197 research group.

Terra-lab 2 (UGR): EGEMAP: Environmental Geography and Mapping (www.egemap.eu)