Algoritmo computacional para el análisis y toma de decisiones de puntos calientes en el año 2021 y 2022 utilizando estrategias de machine learning

Durante la ejecución del proyecto actual de Machine learning en tiempo de datos, se inicia con la identificación de variables para su análisis, recurriendo a los historiales de empresas u organizaciones dedicadas a recopilar la información necesaria en formato de conjuntos de datos. Estos conjuntos de datos son esenciales para facilitar el aprendizaje del modelo y la toma de decisiones adecuadas, así como para fomentar un aprendizaje continuo a partir de la información que se recopila diariamente. Para llevar a cabo este proceso, se han seleccionado las condiciones climáticas que podrían haber desencadenado posibles incendios forestales en Colombia durante el año 2022. A partir de estos mismos datos, es posible identificar las zonas más afectadas durante el período mencionado. Esto, a su vez, permite desarrollar estrategias para abordar la situación en dichas zonas, teniendo en cuenta la magnitud del impacto. La extensión geográfica de los incendios y su intensidad son variables clave que se tienen en cuenta al diseñar acciones preventivas y de respuesta. Es importante destacar que el análisis de datos no se limita únicamente a la identificación de áreas afectadas, sino que también implica la evaluación de factores subyacentes que contribuyen a la propagación y la severidad de los incendios forestales. Esto puede incluir factores como la densidad forestal, la presencia de vías de acceso, la disponibilidad de recursos para combatir incendios y las condiciones climáticas locales. En resumen, el proyecto actual de Machine learning en tiempo de datos se centra en la identificación y análisis de variables clave relacionadas con los incendios forestales en Colombia en el año 2022, con el objetivo de desarrollar estrategias efectivas para la prevención y respuesta ante futuros eventos similares. Este enfoque integrado, que combina la recopilación y análisis de datos con técnicas avanzadas de modelado predictivo, es fundamental para mejorar la capacidad de anticipación y gestión de riesgos en el contexto de la gestión forestal y la protección del medio ambiente.

• Autores: Cruz Santos, Edwin Ferney
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/2653
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/2653
• Palabra clave: Puntos calientes; Atención de emergencias; Análisis de datos; Cambios climáticos; Aprendizaje automático (Inteligencia artificial); Toma de decisiones
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)