{rfName}
Sp

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

24

Altmetrics

Análisis de autorías institucional

Liz López, HelenaAdaptadorCasanova Mateo, CarlosAutor o CoautorHuertas Tato, JavierAutor o CoautorPerez Aracil, JorgeAutor o CoautorLiz-López H, Huertas-Tato J, Pérez-Aracil J, Casanova-Mateo C, Sanz-Justo J, Camacho DAutor (correspondencia)

Compartir

7 de diciembre de 2023
Publicaciones
>
Artículo
Sí

Spain on fire: A novel wildfire risk assessment model based on image satellite processing and atmospheric information

Publicado en:Knowledge-Based Systems. 283 111198- - 2024-01-11 283(), DOI: 10.1016/j.knosys.2023.111198

Autores: Liz-López, H; Huertas-Tato, J; Pérez-Aracil, J; Casanova-Mateo, C; Sanz-Justo, J; Camacho, D

Afiliaciones

Univ Alcala, Signal Theory & Commun Dept, Plaza San Diego S-N, Alcala De Henares 28801, Spain - Autor o Coautor
Univ Politecn Madrid, Comp Syst Dept, Calle Alan Turing S-N, Madrid 28031, Spain - Autor o Coautor
Univ Valladolid, Remote Sensing Lab, LATUV, Plaza Santa Cruz, Valladolid 47002, Spain - Autor o Coautor
Universidad de Alcalá - Autor o Coautor
Universidad de Valladolid - Autor o Coautor
Universidad Politécnica de Madrid - Autor o Coautor
Ver más

Resumen

Each year, wildfires destroy larger areas of Spain, threatening numerous ecosystems. Humans cause 90% of them (negligence or provoked) and the behaviour of individuals is unpredictable. However, atmospheric and environmental variables affect the spread of wildfires, and they can be analysed by using deep learning. In order to mitigate the damage of these events, we proposed the novel Wildfire Assessment Model (WAM). Our aim is to anticipate the economic and ecological impact of a wildfire, assisting managers in resource allocation and decision-making for dangerous regions in Spain, Castilla y León and Andalucía. The WAM uses a residual-style convolutional network architecture to perform regression over atmospheric variables and the greenness index, computing necessary resources, the control and extinction time, and the expected burnt surface area. It is first pre-trained with self-supervision over 100,000 examples of unlabelled data with a masked patch prediction objective and fine-tuned using a very small dataset, composed of 445 samples. The pretraining allows the model to understand situations, outclassing baselines with a 1,4%, 3,7% and 9% improvement estimating human, heavy and aerial resources; 21% and 10,2% in expected extinction and control time; and 18,8% in expected burnt area. Using the WAM we provide an example assessment map of Castilla y León, visualizing the expected resources over an entire region.

Palabras clave

atmospheric variablesautoencoderdeep learningfew-shot learningfusionregression modelAtmospheric variablesAutoencoderConvolutional neural-networksDeep learningFew-shot learningFusionRegression modelWildfire risk assessment

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Knowledge-Based Systems debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2024 aún no existen indicios calculados, pero en 2023, se encontraba en la posición 26/204, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence.

2025-11-03:

  • Google Scholar: 2
  • WoS: 8
  • Scopus: 9

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-11-03:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 41.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 39 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 1.
  • El número de menciones en la red social X (antes Twitter): 1 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/81551/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 219
  • Descargas: 80

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (CAMACHO FERNANDEZ, DAVID) .

el autor responsable de establecer las labores de correspondencia ha sido CAMACHO FERNANDEZ, DAVID.