“Lo que me llevó a iniciar todo este camino fue el horror de ver mi comunidad arder”: Satellites on Fire, la startup que detecta incendios en minutos

Franco Rodríguez Viau es un claro ejemplo de cómo la innovación y el compromiso con el medio ambiente pueden ir de la mano. En 2020 fundó Satellites on Fire, una plataforma que emplea inteligencia artificial y satélites para prever incendios forestales con una anticipación sin precedentes.

Lo que comenzó como una respuesta a la tragedia de un incendio cercano en su Córdoba natal, hoy se convirtió en una herramienta fundamental para salvar miles de hectáreas de bosques y proteger a comunidades vulnerables.

Gracias a su plataforma, que en sus primeros cinco años de vida fue utilizada en más de 400 siniestros, ayudó a disminuir los riesgos para los bomberos y también logró optimizar las respuestas a emergencias en países de Latinoamérica.

Rodríguez Viau, con su capacidad visionaria y su equipo de expertos, está demostrando cómo las startups pueden tener un impacto real en la protección del medio ambiente y en las comunidades afectadas. Su modelo de negocio, basado en software y con un esquema freemium, trajo la atención de grandes empresas como Quilmes y Genneia, quienes se sumaron a esta causa.

¿Qué fue lo que te inspiró a fundar Satellites on Fire con tan solo 16 años?

Lo que me llevó a iniciar todo este camino fue el horror y el impacto personal de ver mi propia comunidad arder.

Tenía 16 años, era la época de la pandemia, y los incendios forestales estaban arrasando Córdoba. Vi el humo quemando los tejados, sentí la ansiedad constante por las noticias y, lo más duro de todo, tuve seres queridos que perdieron sus casas. Aunque afortunadamente pudieron salir a tiempo, fue una experiencia muy fuerte. El desastre cobró vidas y quemó 60,000 hectáreas.

No podía quedarme paralizado. Me obsesioné con una pregunta: ¿Cómo es posible que en pleno siglo XXI sigamos dependiendo de que alguien llame al 911 para detectar un incendio?

Ver esa catástrofe tan de cerca, sabiendo el costo que tiene para la naturaleza y las vidas humanas, hizo que decidiera canalizar esos sentimientos de frustración y dolor en algo útil.

Mi misión se convirtió en encontrar una solución real para detectar el fuego antes de que destruya todo. Esos sentimientos que tuve en Córdoba, en lugar de paralizarme, se convirtieron en la inspiración y la motivación para crear algo que realmente pueda ayudar a la gente y salvar vidas.

¿Cómo transformaste esa experiencia personal en una solución tecnológica?

Todo comenzó como un proyecto escolar cuando teníamos 16 años, en medio de la pandemia. Éramos tres amigos técnicos en la secundaria y estuvimos cuatro meses desarrollando esa solución inicial. Sin embargo, no queríamos que terminara ahí; nuestro objetivo era realmente ayudar y salvar vidas.

El gran salto técnico fue adaptar ese Producto Mínimo Viable (MVP) inicial, que extraía información de satélites, a las necesidades reales del terreno. Para lograrlo, tuvimos que hablar con cientos de bomberos, expertos y productores para entender el problema central: llegar a tiempo a los incendios que se desatan en áreas remotas.

No podíamos depender de que una persona llamara al 911 o de sistemas satelitales que detectan el fuego tarde, una vez que el incendio ya se descontroló, provocando miles de pérdidas económicas, de biodiversidad y de hogares.

Fue entonces cuando dimos el paso crucial: contratamos a expertos que trabajaron en proyectos de la NASA y de la Agencia Espacial Europea (ESA), y a consultores de Machine Learning de la Universidad de Oxford. Este expertise fue esencial para poder desarrollar nuestro modelo propio de inteligencia artificial.

Este modelo nos dio el diferencial que hoy nos destaca: la capacidad de detectar los incendios antes que cualquier otro sistema, incluso el de la NASA (FIRMS), que es el más utilizado en LATAM.

¿Podrías explicarnos, en palabras simples, cómo funciona la plataforma y cómo integra inteligencia artificial, satélites y otros datos?

El sistema opera mediante una vigilancia constante para detectar incendios en sus primeros minutos, garantizando que los operadores reciban la información más rápida y precisa.

El sistema no depende de una sola fuente satelital; utiliza dos tipos que trabajan en conjunto para optimizar la detección:

• Los satélites rápidos (GEO): estos actúan como los “ojos fijos” del sistema. Al estar en órbita geoestacionaria, miran continuamente la misma zona y capturan imágenes cada 10 minutos. Aunque su resolución es baja, su velocidad es esencial para emitir la primera señal de alarma inmediata.
• Los satélites precisos (LEO): estos pasan con menos frecuencia, pero capturan imágenes de alta definición. Una vez que los satélites GEO detectan un posible foco, la información de los satélites LEO se utiliza para confirmar la ubicación exacta del incendio con gran precisión.

La IA es el componente clave que refina y acelera el proceso de alerta:

• Mejora de imagen (super resolución): el sistema utiliza algoritmos de IA para tomar la imagen rápida, pero de baja calidad de los satélites GEO y la mejora digitalmente hasta alcanzar una precisión similar a la de las imágenes LEO. Esto permite combinar la velocidad de la alerta inicial con una precisión superior, minimizando el tiempo de respuesta.
• Detección ultra-temprana por cámaras: Si el operador tiene cámaras de vigilancia instaladas, el sistema emplea modelos de IA para analizar el video continuamente en busca de humo. Esta capacidad permite detectar un incendio en los primeros 3 minutos, mucho antes de que la vigilancia satelital pueda registrarlo.

¿Qué pasa despues con esa información?

Toda la información de los satélites, las detecciones por IA y las cámaras se centraliza en una plataforma única que evita la dispersión de datos y crea un “punto único de verdad”.

A la alerta de incendio, el sistema añade información vital para la toma de decisiones: datos de Meteorología (viento, humedad y temperatura) para evaluar el riesgo de propagación. También se integran alertas externas de deforestación para ofrecer un contexto completo sobre el estado de la cubierta forestal.

El resultado es la emisión de una alerta completa (vía SMS, WhatsApp y correo electrónico) con todos los detalles necesarios. Esto permite a los operadores actuar en minutos, y no en horas.

¿Qué diferencia a tu sistema de otros sistemas de alerta temprana, como NASA FIRMS?

El sistema Satellites on Fire (SoF) supera a servicios como NASA FIRMS principalmente en la rapidez y la integración de la información, lo que garantiza una mejor respuesta en campo.

Detección aumentada con IA

SoF integra múltiples satélites con IA propia. Utiliza Super Resolution para mejorar las imágenes de baja calidad (2 km a 375 m). Esto permite detectar aproximadamente un 30% más de incendios. En cambio, FIRMS no usa esta IA para aumentar la precisión en tiempo real.

Alerta casi instantánea (10 Minutos)

SoF procesa imágenes de forma independiente y envía alertas en solo 10 minutos, mientras que con FIRMS, los focos pueden tardar varias horas en aparecer en el sistema.

Alertas por múltiples canales

SoF garantiza la redundancia crítica enviando avisos por diferentes canales. Por su parte, FIRMS solo ofrece notificaciones por correo electrónico, lo que puede generar retrasos.

Aviso de fuego en zonas cercanas

SoF alerta automáticamente sobre focos activos en predios vecinos o zonas próximas. Esto permite al equipo prepararse antes de que el fuego ingrese a su área. FIRMS no incluye esta funcionalidad de alerta de proximidad.

Datos meteorológicos integrados

SoF incluye información de viento, humedad y el Índice de Peligro de Incendio directamente en las alertas, junto con pronósticos de hasta 10 días. Mientras que, por otro lado, FIRMS no integra estos datos meteorológicos, lo que obliga a los operadores a consultar servicios externos.

¿Cómo entrenan y mejoran los algoritmos de IA para anticipar incendios con mayor precisión?

El sistema SoF enfoca el entrenamiento de su inteligencia artificial en dos grandes áreas:

IA para la detección de humo (alerta ultra-temprana)

Esta parte de la IA es fundamental porque permite detectar el 75% de los incendios en los primeros 3 minutos, mucho antes que los satélites.

¿Cómo se Entrena? Se utiliza una técnica llamada aprendizaje supervisado con redes neuronales, específicamente versiones adaptadas de algoritmos como YOLO.

La red se alimenta con una enorme cantidad de imágenes de humo en diversos escenarios (diferente luz, nubes, distancias, calidad, etc.). El objetivo es que la IA aprenda a reconocer la “firma” visual del humo en cualquier condición de cámara o terreno.

El punto más importante es la retroalimentación del usuario. Cuando el sistema emite una alerta de humo, el personal de campo debe indicar si fue un incendio real, una falsa alarma o si no se pudo confirmar. Esta información se usa para ajustar y hacer que el modelo sea más preciso.

IA para la detección satelital (super resolution)

Esta parte de la IA se enfoca en mejorar la información de los satélites geoestacionarios.

La IA de SoF, llamada sr-goes-v2, se entrena para tomar las imágenes rápidas, pero de baja resolución (2 km) de satélites como GOES, y aumentar su precisión hasta 375 metros.

Con esto se consigue la velocidad de la captura cada 10 minutos de los satélites GEO, pero con la capacidad de detectar incendios más pequeños. Al optimizar los algoritmos de detección de calor con IA, el sistema logra detectar aproximadamente un 30% más de incendios de lo que harían los sistemas satelitales tradicionales sin este procesamiento.

¿Cómo utilizan tus clientes la plataforma en la práctica?

Para los brigadistas y jefes de operaciones, la plataforma Satellites on Fire es una herramienta que se utiliza tanto para la acción inmediata ante un incendio como para la planificación estratégica a largo plazo.

Demo - Satellites on Fire

Respuesta táctica

El uso más crítico del sistema es su velocidad para movilizar recursos de forma eficiente:

• Detección inmediata: los operadores confían en la rapidez del sistema, que detecta focos de calor cada 10 minutos usando satélites e IA. Si hay cámaras instaladas, la IA detecta rastros de humo en los primeros 3 minutos. Esto permite la movilización inmediata de las brigadas.
• Comunicaciones seguras: se utiliza la redundancia de alerta para garantizar que la ubicación exacta del incendio llegue a los brigadistas, incluso en áreas donde la señal de internet es débil.
• Análisis rápido: los brigadistas utilizan la alerta integrada para consultar datos meteorológicos importantes que les indican la posible dirección y severidad del fuego antes de llegar al lugar.
• Preparación: la función de detección en predios vecinos permite a los equipos recibir alertas sobre peligros inminentes que se acercan a su zona, lo que facilita una defensa preventiva.

Gestión estratégica

Los datos de la plataforma se utilizan para tomar decisiones de planificación y justificar inversiones en prevención:

• Identificación de zonas calientes: los clientes generan reportes automatizados que analizan el área quemada históricamente (desde 2014) para identificar los meses y zonas de mayor riesgo. Esta información se usa para desplegar recursos preventivos en los puntos más vulnerables.
• Monitoreo ambiental: empresas forestales y de conservación utilizan las alertas integradas de deforestación para monitorear alteraciones en la cubierta arbórea (como tala ilegal) que podrían aumentar el riesgo de incendio en el futuro.
• Retroalimentación: el personal de campo proporciona activamente retroalimentación al sistema sobre las alertas (confirmando si fue un incendio real o una falsa alarma). Esto es vital para que los modelos de IA sigan aprendiendo y mejoren la precisión del sistema.

Coordinación de equipos

La plataforma configura múltiples contactos por zona de interés. Esto asegura que las alertas personalizadas lleguen solo al personal relevante de ese sector.

¿Tenés ejemplos de decisiones que se tomaron gracias a la información que brinda Satellites on Fire?

Decisión táctica por la velocidad de alerta

La rapidez de detección del sistema es la ventaja más citada, lo que permite actuar de forma mucho más temprana.

• Situación: se detecta un foco de calor activo en la madrugada (por ejemplo, a la 01:40 a.m.).
• Decisión que se toma: el equipo de respuesta recibe inmediatamente la alarma con coordenadas exactas vía WhatsApp o SMS (gracias a la baja latencia de SoF). Esto posibilita que los equipos se puedan movilizar antes del amanecer o antes de que el fuego se propague sin control.

Decisiones estratégicas y gestión de recursos

El sistema proporciona datos históricos que influyen en cómo se asignan los recursos a largo plazo.

• Situación: un jefe de operaciones necesita planificar dónde ubicar los equipos de prevención y vigilancia para la próxima temporada de sequía.
• Decisión que se toma: gracias al análisis histórico de incendios que ofrece la plataforma, se identifican los meses y las zonas específicas de mayor riesgo histórico. Con base en estos datos, el jefe decide concentrar el personal y las labores preventivas en esas áreas y durante esos meses.
• Resultado: se justifica la inversión y la asignación de recursos con datos concretos de riesgo.

Decisiones por detección de proximidad

La función que avisa sobre incendios en “predios vecinos” permite tomar acciones preventivas antes de que el fuego ingrese a la propiedad.

• Situación: el sistema detecta un foco de calor a 3.5 km del área de interés, pero el viento sopla en dirección a la propiedad.
• Decisión que se toma: el sistema envía una alerta de “Foco de Calor – Fuera del Área” que incluye la información integrada del clima (dirección y velocidad del viento). En lugar de movilizar equipos para atacar el fuego externo, el brigadista prepara inmediatamente equipos de defensa y contención en el perímetro de la propiedad que está en riesgo por el viento.

¿Qué aprendiste liderando un equipo internacional de expertos en IA y espacio tan joven?

Aprendí a confiar. Antes estaba intentando de supervisar todo o atento a todo. Y ahora simplemente confío en el equipo y logro delegar más para que, en todo caso, el equipo se equivoque y aprenda de eso. La idea también es que tengan más responsabilidad en la empresa, y que de esa forma dependa menos de mí.