Dada la creciente frecuencia y severidad de los incendios forestales a nivel mundial, es imperativo desarrollar tecnologías avanzadas de detección y segmentación para mitigar su impacto. Para abordar los desafíos de estas tecnologías, el desarrollo de la vigilancia de incendios forestales basada en aprendizaje profundo se ha acelerado significativamente. Sin embargo, la integración de redes neuronales convolucionales de grafos (GCNs) en la detección de incendios forestales sigue siendo relativamente inexplorada. En este contexto, introducimos una nueva red neuronal convolucional de grafos basada en superpíxeles (SCGCN) para la segmentación de imágenes de incendios forestales. Nuestro método propuesto utiliza superpíxeles para transformar imágenes en una estructura de grafo, reinterpretando así el desafío de la segmentación de imágenes como una tarea de clasificación de nodos. Además, trasladamos la operación de convolución espacial de grafos a un mecanismo de convolución de grafos GraphSAGE, mitigando el problema del desequilibrio de clases y mejorando la versatilidad de la red. Incorporamos una función de pérdida innovadora para hacer frente a las inconsistencias en las dimensiones de los píxeles dentro de los clústeres de superpíxeles. La eficacia de nuestra técnica se valida en dos conjuntos de datos diferentes de incendios forestales, demostrando un rendimiento superior en comparación con cuatro metodologías de segmentación alternativas.