Desarrollo de un modelo de estimación para la prevención de incendios forestales en Colombia

Este proyecto implementa y evalúa modelos predictivos para la estimación de incendios forestales mediante técnicas avanzadas de aprendizaje automático. Se compararon dos enfoques: un modelo de Random Forest y uno Bayesiano (Gaussian Naive Bayes). Para esta comparación, se integraron datos históricos, meteorológicos, topográficos y socioeconómicos, permitiendo una evaluación exhaustiva de los factores que influyen en la ocurrencia de incendios forestales. Adicionalmente, se empleó la metodología CRISP-DM (Cross Industry Standard Process for Data Mining) y la validación cruzada K-Fold, asegurando la robustez y capacidad de generalización de los modelos desarrollados. Los resultados indicaron que el modelo de Random Forest superó al Gaussian Naive Bayes en términos de precisión predictiva, alcanzando un 79%, mientras que el modelo Bayesiano registró un 64%, evidenciando así la superioridad del Random Forest para este tipo de predicciones. Las variables más influyentes identificadas fueron la temperatura de brillo, la potencia radiativa del fuego y el tamaño del escaneo del fuego, las cuales proporcionaron información crítica para la predicción de incendios forestales. Este estudio no solo demuestra la eficacia del aprendizaje automático en la predicción de incendios forestales, sino que también ofrece valiosos insights para investigaciones futuras y estrategias de prevención. Asimismo, contribuye significativamente al campo de la ciencia de datos aplicada a la gestión de desastres naturales, subrayando la importancia de continuar desarrollando y perfeccionando estas técnicas predictivas para la gestión de riesgos y la implementación de medidas preventivas que pueden salvar vidas y proteger el medio ambiente.

• Autores: Anzola, Juan David; Fuentes, Luis Daniel; Rodríguez, Edilberto Mario
• Fecha de publicación: 2024
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/11968
• Acceso en línea: http://hdl.handle.net/10584/11968
• Palabra clave: Predicción de Incendios Forestales, Aprendizaje Automático, Random Forest, Modelo Bayesiano, Validación Cruzada K-Fold, CRISP-DM, Datos Meteorológicos, Datos Topográficos, Datos Socioeconómicos, Prevención de Incendios; Forest Fire Prediction, Machine Learning, Random Forest, Bayesian Model Machine Learning, Random Forest, Bayesian Model, Cross Validation, K-Fold K-Fold Cross Validation, CRISP-DM, Meteorological Data, Topographical Data, Socioeconomic Data, Fire Topographical Data, Socio-economic Data, Fire Prevention
• License: Universidad del Norte