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

Abstract

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.

This project implements and evaluates predictive models for estimating forest fires using advanced machine learning techniques. Two approaches were compared: a Random Forest model and a Bayesian model (Gaussian Naive Bayes). For this comparison, historical, meteorological, topographical, and socio-economic data were integrated, allowing for a comprehensive evaluation of the factors influencing the occurrence of forest fires. Additionally, the CRISP-DM methodology (Cross Industry Standard Process for Data Mining) and K-Fold cross-validation were employed, ensuring the robustness and generalization capability of the developed models. The results indicated that the Random Forest model outperformed the Gaussian Naive Bayes in terms of predictive accuracy, achieving 83%, while the Bayesian model recorded 64%, thus evidencing the superiority of Random Forest for this type of prediction. The most influential variables identified were brightness temperature, fire radiative power, and fire scan size, which provided critical information for forest fire prediction. This study not only demonstrates the effectiveness of machine learning in predicting forest fires but also offers valuable insights for future research and prevention strategies. Moreover, it significantly contributes to the field of data science applied to natural disaster management, highlighting the importance of developing and refining these predictive techniques for risk management and implementing preventive measures that can save lives and protect the environment.