Descripcion y Objetivos

Existen varias aproximaciones para intentar predecir el comportamiento de los incendios y sus consecuencias. Muchas de ellas están enfocadas a la construcción de complicados modelos, que tratan de determinar la peligrosidad a la hora, por ejemplo, de transitar los medios de extinción. En este TFM queremos explotar las técnicas de aprendizaje automático, de modo que se trate de predecir la severidad potencial de un incendio en un punto determinado. La idea es conocer de antemano cuán grave sería, de cara a la destrucción e hipotética regeneración (o no)  de vegetación, un incendio en un determinado punto. La finalidad sería poder anticiparse, y proporcionando esta información predicha a las autoridades competentes, poder diseñar planes de actuación o intervención.

En colaboración con el grupo de investigación en ECOLOGIA FORESTAL Y LIMNOLOGIA, liderado por Jorge de las Heras, y perteneciente a la facultad  ETSIAM de la UCLM, se ha diseñado un protocolo de recolección de datos GIS de diferentes áreas de Castilla-La Mancha sobre incendios ocurridos en la región. Partiendo de las imágenes y datos proporcionados por ellos, se pretende hacer generación de mapas, extracción de datos, análisis de esos, y procesado, para posteriormente desarrollar modelos predictivos capaces de estimar la severidad potencial de incendio.

 

Metodología y Competencias

Para desarrollar este trabajo existen varias etapas diferenciadas:

1.- Estudio preliminar de los datos iniciales, y de las herramientas existentes para trabajar con ellos.

2.- Extracción de características a partir de las capas ráster GIS, e integración con otras variables climáticas.

3.- Análisis y preprocesado de los datos. Esta fase puede conllevar un proceso iterativo hacia atrás, paso 2, donde algunos datos se pueden extraer o procesar diferente.

4.- Establecimiento de una variable objetivo: se probará con estimar el valor dNBR numéricamente, abordándolo como una tarea de regresión o predicción numérica. También se probará el enfoque de clasificación, en cuyo caso se pretende trabajar con unos niveles básicos que serían bajo, medio-bajo, medio-alto y alto.

5.- Estudio de diferentes paradigmas de modelos y parametrizaciones, y su rendimiento en cuanto a evaluación con métricas, y su validación por los expertos.

6.- Aplicar dos o tres paradigmas de clasificadores para aprender diferentes modelos.

7.- Evaluación de los resultados.

8.- Implementación de una aplicación/calculadora para poder estimar la severidad de un punto dado las características de entrada.

Mediante la realización de este TFM se trabajarán, en distinto grado de profundidad, las siguientes competencias:

• CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
• CG08 - Capacidad para la aplicación de los conocimientos adquiridos y de resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar estos conocimientos.
• CE10 - Capacidad para comprender y poder aplicar conocimientos avanzados de computación de altas prestaciones y métodos numéricos o computacionales a problemas de ingeniería
• CE12 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento
• CE16 - Realización, presentación y defensa, una vez obtenidos todos los créditos del plan de estudios, de un ejercicio original realizado individualmente ante un tribunal universitario, consistente en un proyecto integral de Ingeniería en Informática de naturaleza profesional en el que se sinteticen las competencias adquiridas en las enseñanzas

 

Medios a utilizar

Se prevé que gran parte de la implementación se desarrolle en Python, pues es el lenguaje donde se encuentran las herramientas de pre-procesado de datos y los clasificadores de Machine Learning. Por tanto, se espera que el alumno tenga un dominio de dicho lenguaje de programación, y buenas habilidades como programador. Se necesitará un ordenador de rendimiento CPU medio-alto, buena memoria RAM y buena capacidad de almacenamiento en disco. Cuando los datos sean de alta dimensionalidad, se emplearán los medios del laboratorio RETICs.

 

Bibliografía

• Apuntes de Computación de Altas Prestaciones        
• Apuntes de Desarrollo de Sistemas Inteligentes
• “Python Machine Learning” by Sebastian Raschka and Vahid Mirjalili: