FireProtect360
Comunicaciones 5G, Geolocalización, Inteligencia Artificial y Sensores IoT al servicio de quienes se enfrentan al fuego
El proyecto FireProtect360 está financiado por el Fondo de Recuperación de la Unión Europea - NextGenerationEU, y fue publicado en el portal de Ayudas del Ministerio para la Transformación Digital y de la Función Pública, dentro del programa de ayudas UNICO SECTORIAL, para la realización de proyectos de desarrollo experimental en el marco de la tecnología 5G, en el marco del Plan de Recuperación, Transformación y Resiliencia (PRTR).
Solución de Kyndryl para medir la exposición a gases de los bomberos durante las tareas de extinción así como la prevención de incendios en urbanizaciones próximas a zonas forestales, aplicando tecnologías de red 5G privado, sensores IoT, analítica de datos e inteligencia artificial, apoyándose en una plataforma Cloud.
La extinción de incendios es una tarea peligrosa y exigente, especialmente cuando se trata de incendios forestales. Estos incendios presentan desafíos únicos en comparación con los incendios urbanos, ya que abarcan áreas muy extensas, lo que dificulta el seguimiento de los movimientos de los bomberos en el terreno. Los bomberos se enfrentan a riesgos como la inhalación de gases peligrosos, temperaturas extremas, humo denso y un trabajo físicamente exigente. También están expuestos a riesgos crónicos para la salud debido a la exposición repetida al humo, las sustancias químicas y el esfuerzo físico.
La existencia en algunos casos de urbanizaciones cerca de zonas forestales pueden suponer un peligro para sus residentes en caso de un incendio cercano. La evacuación o el confinamiento son decisiones fundamentales a la hora de salvar vidas humanas, y el tiempo de respuesta es clave.
La solución integral de Kyndryl incluye sensores IoT configurados para capturar datos sobre el terreno. Los bomberos usan un dispositivo portátil llamado LION, que se integra a la perfección con su equipo y captura datos críticos. También usan un reloj inteligente que funciona como interfaz para la comunicación, las alertas y la monitorización en tiempo real. El teléfono inteligente funciona como un punto central que recopila datos tanto del dispositivo LION como del reloj inteligente.
Estos dispositivos recopilan diversos datos cruciales, como gases como el monóxido de carbono y el dióxido de nitrógeno, la temperatura ambiente, las coordenadas GPS, la frecuencia cardíaca, la saturación de oxígeno y otros signos vitales. Los datos procesados se muestran en un panel en tiempo real accesible para los coordinadores de incendios y los responsables de seguridad, que proporciona una visión general de todo el equipo de bomberos y destaca las alertas y tendencias críticas. Al mismo tiempo se recibe información de fuentes meteorológicas externas y mapas de estado de carreteras para facilitar la preparación de posibles planes de evacuación o confinamiento.
Con esta información el equipo de coordinación de incidentes puede tomar decisiones informadas basadas en la información en tiempo real. Todos los datos capturados se almacenan de forma segura en la nube de AWS para su análisis histórico, que puede utilizarse para identificar patrones, evaluar el impacto a largo plazo en la salud y mucho más.
La principal ventaja de esta solución es la seguridad de bomberos y civiles.
El producto de protección de bomberos permite que la ubicación, la exposición a gases tóxicos y las constantes vitales se monitoricen a tiempo real. En base a estos datos, los bomberos reciben alertas con distintos niveles de riesgo. Los datos históricos ayudan a garantizar el bienestar del personal de primera respuesta con planes de recuperación personalizados según los niveles de exposición a gases tóxicos, acceso a informes de riesgos laborales e información que facilite la toma de decisiones de futuras intervenciones. Durante incidentes en vivo, el responsable de la coordinación del incendio puede tomar decisiones basadas en datos en tiempo real, para desplegar y retirar efectivos si están en peligro o riesgo elevado.
Para las urbanizaciones, la predicción de incendios en las proximidades de zonas habitadas permite la toma temprana de decisiones que ayuda a minimizar el riesgo de pérdida de vidas humanas de la población civil afectada.
Con el objetivo de garantizar y mejorar la seguridad de los bomberos, el servicio FireProtect360 emplea sensores IoT (Internet de las Cosas) y dispositivos portátiles encargados de recopilar datos en tiempo real.
A través del dispositivo LION detectamos la exposición a gases tóxicos como monóxido de carbono (CO) e hidróxido de nitrógeno (NO2), mientras que el smartwatch monitorea los signos vitales y envía alertas de seguridad. Los datos se almacenan y procesan en AWS (Amazon Web Services), optimizando su análisis y visualización mediante machine learning para detectar patrones y predecir riesgos.
Para la infraestructura de comunicaciones, desplegamos una red privada 5G en modo Standalone. Esta red proporciona conectividad de alta velocidad, baja latencia y gran capacidad, adaptada a las exigencias de entornos operativos críticos.
Para integrar los dispositivos IoT con la red 5G, se ha implementado un gateway que actúa como puente entre la red LoRa y la infraestructura 5G, permitiendo una interoperabilidad entre ambas tecnologías .El acceso a internet se realiza mediante conectividad satelital a través del servicio Starlink, y como respaldo ante posibles contingencias, se dispone de un router que proporciona conectividad a través de la red 5G pública, ofreciendo redundancia y continuidad operativa en caso de fallos del canal principal.
Entre las medidas de protección destaca el uso de posicionamiento GPS, permitiendo rastrear la ubicación exacta del bombero en todo momento. Esto es crucial en situaciones de emergencia, ya que permite al control de mando tomar decisiones informadas sobre la exposición al riesgo del personal directamente involucrado en la extinción del fuego. La toma de decisiones en el control de mando se ve significativamente mejorada gracias a la integración de estas tecnologías, mejorando la seguridad de los bomberos y optimizando la eficacia de las operaciones de rescate.
Para la ejecución del proyecto se han tenido en cuenta diferentes fases de estudio y desarrollo iterativas basadas en la metodología ágil.
El proyecto Prometeo, ganador del concurso Call For Code evolucionó a FireProtect360. Tras un extenso análisis del estado del arte, se desarrolló la primera iteración de la solución que culminó un producto mínimo viable testado en una prueba de campo (Torroella de Montgrí). Mas adelante, se realizó una sesión de cocreación con distintos stakeholders( Prevencion de riesgos laborales, GRAF, Bomberos de Madrid y Valencia, CSIC) y sendas reuniones temáticas de profundización en detalles técnicos y necesidades de los usuarios. En base a esta información, se desarrollaron mejoras del producto en una segunda iteración.
Referencias bibliográficas
El estado del arte de la solución de FireProtect360 se divide en cuatro verticale
- Soluciones de predicción y clasificación de inteligencia artificial referentes a los incendios,
- soluciones de datos,
- estudios sobre efectos adversos en la salud de materias o gases encontrados en incendios y
- estado del arte de detección de incendios. Esta información, complementada con las formaciones aportadas por los usuarios, constituyen la base teórica de la arquitectura de datos.
1. Inteligencia Artificial
- Jain, Piyush & Coogan, Sean & Subramanian, Sriram & Crowley, Mark & Taylor, S.W. & Flannigan, Mike. (2020). A review of machine learning applications in wildfire science and management. Environmental Reviews. 10.1139/er-2020-0019.
Dos Santos SMB, Duverger SG, Bento-Gonçalves A, Franca-Rocha W, Vieira A, Teixeira G. Remote Sensing Applications for Mapping Large Wildfires Based on Machine Learning and Time Series in Northwestern Portugal. Fire. 2023; 6(2):43.
Ghali R, Akhloufi MA. Deep Learning Approaches for Wildland Fires Remote Sensing: Classification, Detection, and Segmentation. Remote Sensing. 2023; 15(7):1821
Bot K, Borges JG. A Systematic Review of Applications of Machine Learning Techniques for Wildfire Management Decision Support. Inventions. 2022; 7(1):15.
2. Soluciones de datos
- Solmaz, SE, Gedik, B, Ferhatosmanoğlu, H, Sözüer, S, Zeydan, E, Etemoğlu, ÇÖ. ALACA: A platform for dynamic alarm collection and alert notification in network management systems. Int J Network Mgmt. 2017; 27:1979.
J. Xu, S. Zhou, Y. Tang, D. Huang and Q. Zhu, "Alarm Ranking Model for Intelligent Management of Metro Systems Based on Statistical Machine Learning Methods," 2020 Global Reliability and Prognostics and Health Management (PHM-Shanghai), 2020, pp. 1-8.
3. Umbrales de exposición a gas y efectos adversos de salud
- Instituto Nacional de Seguridad y Salud en el Trabajo (INSST) Monóxido de carbono, Dióxido de Nitrógeno. Retrieved from https://bdlep.insst.es/LEP/vlapr.jsp?CAS=630-08-0&nombre=Mon%C3%B3xido%20de%20carbono&pDesde=I.
United States Environmental Protection Agency (EPA). Carbon monoxide Results - AEGL Program. Int J Network Mgmt. 2025; 27:1979. Retrieved from https://www.epa.gov/aegl/carbon-monoxide-results-aegl-program.
Adetona, Olorunfemi, et al. "Exposure of wildland firefighters to carbon monoxide, fine particles, and levoglucosan." Annals of occupational hygiene 57.8 (2013): 979-991.
Henn, S. A., Butler, C., Li, J., Sussell, A., Hale, C., Broyles, G., & Reinhardt, T. (2019). Carbon monoxide exposures among U.S. wildland firefighters by work, fire, and environmental characteristics and conditions. Journal of Occupational and Environmental Hygiene, 16(12), 793–803. https://doi.org/10.1080/15459624.2019.1670833
Henn, S. A., Butler, C., Li, J., Sussell, A., Hale, C., Broyles, G., & Reinhardt, T. (2019). Carbon monoxide exposures among U.S. wildland firefighters by work, fire, and environmental characteristics and conditions. Journal of Occupational and Environmental Hygiene, 16(12), 793–803. https://doi.org/10.1080/15459624.2019.1670833
Basic Information about Carbon Monoxide (CO) Outdoor Air Pollution | US EPA
4. Detección de incendios
- Michele R. Crist, Rethinking the focus on forest fires in federal wildland fire management: Landscape patterns and trends of non-forest and forest burned area, Journal of Environmental Management. Journal of Environmental Management. 2023, 327:116718.
- Maureen Essen and Sarah McCaffrey and Jesse Abrams and Travis Paveglio, Improving wildfire management outcomes: shifting the paradigm of wildfire from simple to complex risk, Journal of Environmental Planning and Management, 2023, 66(5):909-927.
- McFayden, C.B. et al. (2023). A Conceptual Framework for Knowledge Exchange in a Wildland Fire Research and Practice Context. In: Woolford, D.G., Kotsopoulos, D., Samuels, B. (eds) Applied Data Science. Studies in Big Data, vol 125. Springer, Cham.
- Referencia a estándares o patrones nacionales: Strategic guidelines for wildland fire management in Spain, ministry for the ecological transition and the demographic challenge.
- Referencia a estándares internacionales: Risk Management: Core Principles and Practices, and their Relevance to Wildland Fire, United States Department of Agriculture, 2016 & Wildland fire management - Handbook for trainers, FAO, 2010. & ISO/TS 19677:2019(en) Guidelines for assessing the adverse impact of wildland fires on the environment and to people through environmental exposure
- Especificación de las patentes de referencia: & EP3058556B1, European Patent Office, Method and device for the automated early detection of forest fires by means of the optical detection of clouds of smoke. & US11615685B2, United States, System and methods for detecting, confirming, classifying, and monitoring a fire.
- Modelos de inflamabilidad y combustibilidad de Cataluña