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

Autores
Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
Descripción
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.
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
Peer Reviewed
Fuente
Mecánica Computacional (34) 2903-2917 (2016)
Materia
Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-06-08T13:08:32Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8006
Acceder
id RIAUTN_6726d2f5882e5032951f0fcdddb9dacc
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8006
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetrosTardivo, MaríaCaymes Scutari, PaolaBianchini, GermánMéndez Garabetti, MiguelReducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/DistribuidoEl 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.Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; ArgentinaPeer Reviewed2023-06-08T13:08:32Z2023-06-08T13:08:32Z2016-11-08info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfMecánica Computacional Vol XXXIV1666-6070http://hdl.handle.net/20.500.12272/8006Mecánica Computacional (34) 2903-2917 (2016)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacionalspainfo:eu-repo/semantics/openAccess2023-06-08T13:08:32Zhttp://creativecommons.org/publicdomain/zero/1.0/CC0 1.0 UniversalFacultad Regional Mendoza. Universidad Tecnológica NacionalAtribución2026-09-24T12:44:44Zoai:ria.utn.edu.ar:20.500.12272/8006instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:45.592Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
title Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
spellingShingle Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
Tardivo, María
Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
title_short Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
title_full Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
title_fullStr Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
title_full_unstemmed Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
title_sort Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
dc.creator.none.fl_str_mv Tardivo, María
Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
author Tardivo, María
author_facet Tardivo, María
Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
author_role author
author2 Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
author2_role author
author
author
dc.subject.none.fl_str_mv Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
topic Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
dc.description.none.fl_txt_mv 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.
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
Peer Reviewed
description 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.
publishDate 2016
dc.date.none.fl_str_mv 2016-11-08
2023-06-08T13:08:32Z
2023-06-08T13:08:32Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv Mecánica Computacional Vol XXXIV
1666-6070
http://hdl.handle.net/20.500.12272/8006
identifier_str_mv Mecánica Computacional Vol XXXIV
1666-6070
url http://hdl.handle.net/20.500.12272/8006
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-06-08T13:08:32Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Facultad Regional Mendoza. Universidad Tecnológica Nacional
Atribución
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-06-08T13:08:32Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Facultad Regional Mendoza. Universidad Tecnológica Nacional
Atribución
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv Mecánica Computacional (34) 2903-2917 (2016)
reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230886681837568
score 13.265058

Publicaciones similares