Predicción de Incendios Forestales mediante ESS-IM: Análisis de Variación Dinámica de la Representación del Terreno

MIGUEL MENDEZ GARABETTI; GERMÁN BIANCHINI; MARÍA LAURA TARDIVO; PAOLA CAYMES SCUTARI

Buenos Aires

Encuentro; Décimo Encuentro del "International Center for Earth Sciences" (E-ICES10); 2014

ICES, CNEA

Los incendios forestales constituyen uno de los fenómenos que se manifiestan con mayor frecuencia -y cuyo origen se debe en un gran porcentaje a la negligencia humana-, causando año tras año grandes pérdidas y daños en diferentes partes del mundo. Debido a estas consecuencias, resulta de importancia elaborar y/o perfeccionar métodos que permitan su predicción o ayuden a controlarlos. Generalmente tales métodos operan en ambientes computacionales, donde un frecuente problema que debe ser afrontado es la falta de precisión o incertidumbre en los parámetros que alimentan a los modelos en cuestión. En este contexto, nuestro método denominado ESS-IM (Sistema Estadístico Evolutivo con Modelo de Islas), ha demostrado un buen desempeño en términos de calidad de predicción. ESS-IM, basado en Análisis Estadístico, Computación de Alto Rendimiento y Algoritmos Evolutivos Paralelos, es un método de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales, donde el comportamiento del fuego es evaluado en terrenos cuya superficie es representada en el modelo como un conjunto de celdas (pequeñas parcelas) de tamaño fijo. El tamaño de celda utilizado trata de mantener una relación de compromiso entre el tiempo de procesamiento y la calidad en la representación del fenómeno. No obstante, debido a que ESS-IM opera con un modelo de islas, sería posible que cada isla trabajase con un tamaño diferente de celda, permitiendo que aquellas islas que utilicen celdas de mayor tamaño puedan finalizar antes y determinar (con un menor nivel de resolución) la posible tendencia del incendio. Esta información adicional, al ser introducida en la cadena de predicción del sistema, puede ayudar a guiar el proceso brindando mejoras en la reducción de incertidumbre, beneficiando así la calidad de predicción y el tiempo de procesamiento.