BERMEJA: cuando los datos meteorológicos se convierten en una decisión
En septiembre de 2021 ardió Sierra Bermeja. Fue un incendio intencionado, iniciado la noche del 8 de septiembre en Jubrique (Málaga), que quemó 8.401 hectáreas y afectó a varios municipios de la zona, sobre todo a Estepona. El bombero forestal Carlos Martínez Haro murió en acto de servicio al día siguiente. Según la propia crónica del suceso, aquellos días se alcanzó el nivel de peligrosidad más alto bajo una regla conocida como “30/30/30”: humedad relativa por debajo del 30 %, temperatura por encima de 30 °C y viento por encima de 30 km/h.
En 1º de Bachillerato de CDYPC del IES Monterroso hemos convertido esa regla real en una herramienta de aula: BERMEJA. Antes de nada, una aclaración que también aparece dentro de la propia aplicación: esto es una simplificación pedagógica para entender cómo se toman decisiones con datos inciertos, no una herramienta operativa real de gestión de emergencias.
BERMEJA tiene cinco pestañas. Esto es lo que se puede hacer en cada una.
CSV sintético
La primera pestaña usa datos inventados, generados por un pequeño script en Python con una semilla fija (los mismos números salen siempre que se ejecuta). Los rangos están calibrados sobre los datos reales de Estepona de septiembre de 2021, pero se etiquetan siempre como sintéticos: sirven para practicar sin gastar peticiones contra la API real de AEMET y para cuando no hay conexión en el aula. Cada fila muestra la temperatura máxima, la humedad mínima, la racha de viento y el nivel de riesgo que resulta de aplicar la regla 30/30/30 graduada (bajo, moderado, alto o extremo), junto con la alerta recomendada.
Histórico real — septiembre de 2021
Aquí los datos ya no son inventados: son los valores reales de la estación de AEMET de Estepona (indicativo 6058I) del 1 al 15 de septiembre de 2021, traídos directamente de AEMET OpenData. Los días 8 y 9 aparecen destacados. El día 8 es, con los datos reales, nivel extremo: se superan los tres umbrales a la vez. El día 9 es un buen ejemplo de honestidad con los datos: el registro de AEMET no tiene racha de viento ese día — es un hueco real, no un cero — y la aplicación lo señala como dato incompleto en lugar de inventar un valor o forzar el nivel más alto.
En vivo (AEMET)
Esta pestaña llama a la API real de AEMET en el momento, para la estación y la fecha que se elijan. La clave de acceso a AEMET vive en un fichero fuera del código y solo la usa el servidor: el navegador del alumnado nunca la ve ni la recibe.
Valores a mano
Aquí es donde se puede jugar de verdad con la regla. Tres deslizadores —temperatura, humedad y viento— reclasifican el nivel de riesgo al instante, sin botón, para ver en qué punto exacto el nivel salta de bajo a extremo. Junto a ellos hay un botón para generar una reflexión con un modelo de IA local (LM Studio, sin salir del propio equipo): redacta en pocas frases por qué esos datos producen ese nivel, pero con límites claros — no inventa cifras, no menciona el suceso real de 2021, no dice que va a avisar a nadie, y el texto aparece siempre marcado como generado por IA, para que quede claro que la alerta que manda es la de la tabla de decisión fija, no lo que diga el modelo.
Sensibilidad de umbrales
La última pestaña deja cambiar los propios umbrales de la regla 30/30/30 y ver, sobre los 15 días reales de septiembre de 2021, cuántos habrían saltado cada nivel con otro criterio. Bajar el umbral de viento, por ejemplo, dispara muchos más días a “alto” o “extremo”. Es la forma más directa de ver el punto central de todo el proyecto: una predicción meteorológica, por sí sola, no protege a nadie — hace falta una regla de decisión encima, y esa regla tiene un coste distinto según en qué sentido te equivoques.
