Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros

Abstract

El modelado de cualquier fenómeno natural representa un gran desafío desde el punto de vista matemático y computacional. Pronosticar el comportamiento de los incendios forestales no es la excepción. Los modelos de predicción de incendios forestales generalmente son alimentados por parámetros de entrada que representan el estado del terreno en el instante previo a la predicción, así como también las condiciones de las variables que intervienen en el desarrollo del incendio (velocidad y dirección del viento, humedad del terreno, tipo de vegetación). Sin embargo, para lograr cierto grado de precisión al momento de la predicción se hace necesario contar con el valor real de cada parámetro de entrada. La falta de exactitud o incertidumbre sobre el valor de los parámetros de entrada es un problema crucial que puede producir graves consecuencias si la salida del modelo proporciona predicciones erróneas. Los métodos de reducción de incertidumbre permiten mejorar la calidad de predicción contrarrestando los efectos negativos que produce la imposibilidad de cuantificar los valores de los parámetros en tiempo real. Tal es el caso del método ESSIM-DE (Evolutionary Statistical System with Island Model and Differential Evolution), el cual ha sido aplicado al problema de predicción del comportamiento de incendios forestales. ESSIM-DE utiliza análisis estadístico, cómputo paralelo/distribuido y la metaheurística Evolución Diferencial como estrategia para la búsqueda de nuevas soluciones. En el uso de toda metaheurística, es importante realizar una correcta elección de los parámetros de entrada propios de la metaheurística, ya que de ellos depende el comportamiento de la estrategia, y en consecuencia también condiciona la calidad de la predicción. En este trabajo se desarrolla un análisis de sintonización estática de los parámetros evolutivos de ESSIMDE a fin de encontrar mejor calidad de predicción.

Description

Keywords

Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido

Citation

Mecánica Computacional Vol XXXIV

Endorsement

Review

Supplemented By

Referenced By

Creative Commons license

Except where otherwised noted, this item's license is described as openAccess