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

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 parámet...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Tardivo, María, Caymes Scutari, Paola, Bianchini, Germán, Méndez Garabetti, Miguel
Formato: Artículo acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
Acceso en línea:http://hdl.handle.net/20.500.12272/8006
Aporte de:
RIA - Repositorio Institucional Abierto (UTN) de Universidad Tecnológica Nacional
id I68-R174-20.500.12272-8006
record_format dspace
spelling I68-R174-20.500.12272-80062023-06-08T13:08:33Z Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros Tardivo, María Caymes Scutari, Paola Bianchini, Germán Méndez Garabetti, Miguel Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido 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. Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina Peer Reviewed 2023-06-08T13:08:32Z 2023-06-08T13:08:32Z 2016-11-08 info:eu-repo/semantics/article acceptedVersion Mecánica Computacional Vol XXXIV 1666-6070 http://hdl.handle.net/20.500.12272/8006 spa openAccess http://creativecommons.org/publicdomain/zero/1.0/ CC0 1.0 Universal Facultad Regional Mendoza. Universidad Tecnológica Nacional Atribución pdf Mecánica Computacional (34) 2903-2917 (2016)
institution Universidad Tecnológica Nacional
institution_str I-68
repository_str R-174
collection RIA - Repositorio Institucional Abierto (UTN)
language Español
topic Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
spellingShingle Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
Tardivo, María
Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
topic_facet Reducción de Incertidumbre, Algoritmos Evolutivos, Predicción, Evolución Diferencial, Cómputo Paralelo/Distribuido
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.
format Artículo
acceptedVersion
author Tardivo, María
Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
author_facet Tardivo, María
Caymes Scutari, Paola
Bianchini, Germán
Méndez Garabetti, Miguel
author_sort Tardivo, María
title Reducción de incertidumbre con evolución diferencial en la predicción de incendios forestales: sintonización y análisis de parámetros
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
publishDate 2023
url http://hdl.handle.net/20.500.12272/8006
work_keys_str_mv AT tardivomaria reducciondeincertidumbreconevoluciondiferencialenlapredicciondeincendiosforestalessintonizacionyanalisisdeparametros
AT caymesscutaripaola reducciondeincertidumbreconevoluciondiferencialenlapredicciondeincendiosforestalessintonizacionyanalisisdeparametros
AT bianchinigerman reducciondeincertidumbreconevoluciondiferencialenlapredicciondeincendiosforestalessintonizacionyanalisisdeparametros
AT mendezgarabettimiguel reducciondeincertidumbreconevoluciondiferencialenlapredicciondeincendiosforestalessintonizacionyanalisisdeparametros
_version_ 1768720909245349888

Ejemplares similares