A medida que la urbanización se acelera, la prevalencia de incidentes de incendios conlleva riesgos significativos. Mejorar la precisión de los sistemas de detección remota de incendios mientras se reduce la complejidad computacional y el consumo de energía en hardware de borde es crucial. Por lo tanto, este documento investiga un innovador método liviano de Red Neuronal Convolucional Espiking (CSNN) para la detección de incendios basado en acústica. En este modelo, se consideran y comparan estrategias de codificación de Poisson y codificación de convolución. Además, el estudio investiga el impacto de los pasos de tiempo de observación, las funciones de gradiente sustitutas, y el umbral y la tasa de decaimiento del potencial de membrana en el rendimiento de la red. Se realiza una comparación entre las métricas de clasificación de los enfoques tradicionales de Redes Neuronales Convolucionales (CNN) y el método liviano CSNN propuesto. Para evaluar el rendimiento de generalización del método liviano propuesto, se fusionan conjuntos de datos disponibles públicamente con nuestros datos experimentales para el entrenamiento, lo que resulta en una alta precisión del 99.02%, una precisión del 99.37%, una recuperación del 98.75%, y una puntuación del 99.06% en los conjuntos de datos de prueba.