Los incendios de turba son un gran peligro para la salud humana y animal y pueden afectar negativamente los medios de vida. Una vez que los incendios de turba comienzan a arder, son difíciles de extinguir y pueden continuar ardiendo durante meses, destruyendo biomasa y contribuyendo a las emisiones de carbono a nivel global. En áreas con accesibilidad limitada y períodos de densa neblina y niebla, estos incendios son difíciles de detectar, localizar y abordar. Para abordar este problema, las cámaras térmicas infrarrojas montadas en drones pueden proporcionar una solución potencial, ya que permiten inspeccionar grandes áreas de manera relativamente rápida y pueden detectar radiación térmica de incendios por encima y por debajo de la superficie de la turba. Este documento describe un pipeline de aprendizaje profundo que detecta y segmenta incendios de turba en imágenes térmicas. Se construyeron incendios de turba controlados bajo diversas condiciones ambientales y se tomaron imágenes térmicas para formar un conjunto de datos para nuestro pipeline. Se adoptó un enfoque semi-automatizado para etiquetar imágenes utilizando la técnica de umbral adaptativo de Otsu, que reduce significativamente el esfuerzo requerido que a menudo se necesita para etiquetar objetos en imágenes. El método propuesto utiliza un modelo ResNet-50 preentrenado como columna vertebral (codificador) para la extracción de características y se complementa con un conjunto de capas de aumento de muestreo y conexiones de salto, similar a la arquitectura UNet. Los resultados experimentales muestran que el modelo puede alcanzar una puntuación IOU del 87.6% en un conjunto de prueba no visto de imágenes térmicas que contienen incendios de turba. En comparación, un modelo MobileNetV2 entrenado bajo las mismas condiciones experimentales logró una puntuación IOU del 57.9%. Además, el modelo es robusto ante falsos positivos, lo que se indica por una precisión igual al 94.2%. Para demostrar su utilidad práctica, el modelo también se probó en incendios forestales de turba reales, y los resultados son prometedores, como lo indica una alta puntuación IOU del 90%. Finalmente, se presenta un algoritmo de geolocalización para identificar la ubicación GNSS de estos incendios una vez que se detectan en una imagen para ayudar en las respuestas de extinción de incendios. El esquema propuesto se construyó utilizando una plataforma basada en la web que realiza detección fuera de línea y permite geolocalizar incendios de turba.