Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales

Autores
Méndez Garabetti, Miguel
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
libro
Estado
versión publicada
Descripción
La presente tesis doctoral aborda la problemática de la incertidumbre existente en todo sistema de predicción, focalizando en el desarrollo de métodos de reducción de incertidumbre aplicados a la predicción de fenómenos naturales. Debido a que estos fenómenos suelen causar gran impacto en las comunidades, la flora y la fauna, el ecosistema, entre otros, los sistemas de predicción deben proporcionar respuesta en el menor tiempo posible. Por estos motivos, los métodos propuestos han sido desarrollados utilizando capacidades de alto rendimiento. El primer método desarrollado en esta tesis (ESS-IM), comenzó con el objetivo de lograr una mejora a una metodología previamente desarrollada denominada ESS (Sistema Estadístico Evolutivo). Específicamente se trabajó en el incremento del paralelismo de la metaheurística interna, incorporando una arquitectura basada en modelo de islas bajo un esquema de migración. Este desarrollo logró incrementar la capacidad de búsqueda de la metaheurística interna, impactando de forma directa en un incremento en la calidad de predicción del método. En la validación, ESS-IM fue aplicado en una serie de casos de quemas controladas e incendios forestales. Es importante destacar que, en forma conjunta, al desarrollo de la tesis, se llevaron a cabo diferentes investigaciones complementarias, tales como: estudios de sintonización de parámetros, desarrollo de un sistema de generación de mapas de incendios forestales a partir de imágenes satelitales, entre otros. Finalmente, en la última etapa de la tesis, se implementó una versión híbrida basada en metaheurísticas evolutivas bajo una estrategia colaborativa basada en islas. El método HESS-IM, se implementó de forma heterogénea (a nivel de hardware), logrando que los resultados obtenidos incrementen la calidad de predicción y eficiencia del método.
Tesis doctoral de la Universidad Nacional de San Luis. Grado alcanzado: Doctor en Ciencias Informáticas. Director de tesis: Germán Bianchini. La tesis, presentada en el año 2020, obtuvo el Premio "Dr. Raúl Gallard" en el 2021.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Predicción
Incertidumbre
Fenómenos naturales
Paralelismo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/135115
Acceder
id SEDICI_3184a4135c448eec7b9b4d92a9e24c27
oai_identifier_str oai:sedici.unlp.edu.ar:10915/135115
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturalesMéndez Garabetti, MiguelCiencias InformáticasPredicciónIncertidumbreFenómenos naturalesParalelismoLa presente tesis doctoral aborda la problemática de la incertidumbre existente en todo sistema de predicción, focalizando en el desarrollo de métodos de reducción de incertidumbre aplicados a la predicción de fenómenos naturales. Debido a que estos fenómenos suelen causar gran impacto en las comunidades, la flora y la fauna, el ecosistema, entre otros, los sistemas de predicción deben proporcionar respuesta en el menor tiempo posible. Por estos motivos, los métodos propuestos han sido desarrollados utilizando capacidades de alto rendimiento. El primer método desarrollado en esta tesis (ESS-IM), comenzó con el objetivo de lograr una mejora a una metodología previamente desarrollada denominada ESS (Sistema Estadístico Evolutivo). Específicamente se trabajó en el incremento del paralelismo de la metaheurística interna, incorporando una arquitectura basada en modelo de islas bajo un esquema de migración. Este desarrollo logró incrementar la capacidad de búsqueda de la metaheurística interna, impactando de forma directa en un incremento en la calidad de predicción del método. En la validación, ESS-IM fue aplicado en una serie de casos de quemas controladas e incendios forestales. Es importante destacar que, en forma conjunta, al desarrollo de la tesis, se llevaron a cabo diferentes investigaciones complementarias, tales como: estudios de sintonización de parámetros, desarrollo de un sistema de generación de mapas de incendios forestales a partir de imágenes satelitales, entre otros. Finalmente, en la última etapa de la tesis, se implementó una versión híbrida basada en metaheurísticas evolutivas bajo una estrategia colaborativa basada en islas. El método HESS-IM, se implementó de forma heterogénea (a nivel de hardware), logrando que los resultados obtenidos incrementen la calidad de predicción y eficiencia del método.Tesis doctoral de la Universidad Nacional de San Luis. Grado alcanzado: Doctor en Ciencias Informáticas. Director de tesis: Germán Bianchini. La tesis, presentada en el año 2020, obtuvo el Premio "Dr. Raúl Gallard" en el 2021.Red de Universidades con Carreras en InformáticaEditorial de la Universidad Nacional de La Plata (EDULP)2022info:eu-repo/semantics/bookinfo:ar-repo/semantics/libroinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_2f33application/pdfhttp://sedici.unlp.edu.ar/handle/10915/135115spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8475-41-7info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-15T11:26:09Zoai:sedici.unlp.edu.ar:10915/135115Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:26:10.074SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
title Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
spellingShingle Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
Méndez Garabetti, Miguel
Ciencias Informáticas
Predicción
Incertidumbre
Fenómenos naturales
Paralelismo
title_short Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
title_full Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
title_fullStr Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
title_full_unstemmed Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
title_sort Método de reducción de incertidumbre basado en algoritmos evolutivos y paralelismo orientado a la predicción y prevención de desastres naturales
dc.creator.none.fl_str_mv Méndez Garabetti, Miguel
author Méndez Garabetti, Miguel
author_facet Méndez Garabetti, Miguel
author_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Predicción
Incertidumbre
Fenómenos naturales
Paralelismo
topic Ciencias Informáticas
Predicción
Incertidumbre
Fenómenos naturales
Paralelismo
dc.description.none.fl_txt_mv La presente tesis doctoral aborda la problemática de la incertidumbre existente en todo sistema de predicción, focalizando en el desarrollo de métodos de reducción de incertidumbre aplicados a la predicción de fenómenos naturales. Debido a que estos fenómenos suelen causar gran impacto en las comunidades, la flora y la fauna, el ecosistema, entre otros, los sistemas de predicción deben proporcionar respuesta en el menor tiempo posible. Por estos motivos, los métodos propuestos han sido desarrollados utilizando capacidades de alto rendimiento. El primer método desarrollado en esta tesis (ESS-IM), comenzó con el objetivo de lograr una mejora a una metodología previamente desarrollada denominada ESS (Sistema Estadístico Evolutivo). Específicamente se trabajó en el incremento del paralelismo de la metaheurística interna, incorporando una arquitectura basada en modelo de islas bajo un esquema de migración. Este desarrollo logró incrementar la capacidad de búsqueda de la metaheurística interna, impactando de forma directa en un incremento en la calidad de predicción del método. En la validación, ESS-IM fue aplicado en una serie de casos de quemas controladas e incendios forestales. Es importante destacar que, en forma conjunta, al desarrollo de la tesis, se llevaron a cabo diferentes investigaciones complementarias, tales como: estudios de sintonización de parámetros, desarrollo de un sistema de generación de mapas de incendios forestales a partir de imágenes satelitales, entre otros. Finalmente, en la última etapa de la tesis, se implementó una versión híbrida basada en metaheurísticas evolutivas bajo una estrategia colaborativa basada en islas. El método HESS-IM, se implementó de forma heterogénea (a nivel de hardware), logrando que los resultados obtenidos incrementen la calidad de predicción y eficiencia del método.
Tesis doctoral de la Universidad Nacional de San Luis. Grado alcanzado: Doctor en Ciencias Informáticas. Director de tesis: Germán Bianchini. La tesis, presentada en el año 2020, obtuvo el Premio "Dr. Raúl Gallard" en el 2021.
Red de Universidades con Carreras en Informática
description La presente tesis doctoral aborda la problemática de la incertidumbre existente en todo sistema de predicción, focalizando en el desarrollo de métodos de reducción de incertidumbre aplicados a la predicción de fenómenos naturales. Debido a que estos fenómenos suelen causar gran impacto en las comunidades, la flora y la fauna, el ecosistema, entre otros, los sistemas de predicción deben proporcionar respuesta en el menor tiempo posible. Por estos motivos, los métodos propuestos han sido desarrollados utilizando capacidades de alto rendimiento. El primer método desarrollado en esta tesis (ESS-IM), comenzó con el objetivo de lograr una mejora a una metodología previamente desarrollada denominada ESS (Sistema Estadístico Evolutivo). Específicamente se trabajó en el incremento del paralelismo de la metaheurística interna, incorporando una arquitectura basada en modelo de islas bajo un esquema de migración. Este desarrollo logró incrementar la capacidad de búsqueda de la metaheurística interna, impactando de forma directa en un incremento en la calidad de predicción del método. En la validación, ESS-IM fue aplicado en una serie de casos de quemas controladas e incendios forestales. Es importante destacar que, en forma conjunta, al desarrollo de la tesis, se llevaron a cabo diferentes investigaciones complementarias, tales como: estudios de sintonización de parámetros, desarrollo de un sistema de generación de mapas de incendios forestales a partir de imágenes satelitales, entre otros. Finalmente, en la última etapa de la tesis, se implementó una versión híbrida basada en metaheurísticas evolutivas bajo una estrategia colaborativa basada en islas. El método HESS-IM, se implementó de forma heterogénea (a nivel de hardware), logrando que los resultados obtenidos incrementen la calidad de predicción y eficiencia del método.
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/book
info:ar-repo/semantics/libro
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_2f33
format book
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/135115
url http://sedici.unlp.edu.ar/handle/10915/135115
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8475-41-7
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Editorial de la Universidad Nacional de La Plata (EDULP)
publisher.none.fl_str_mv Editorial de la Universidad Nacional de La Plata (EDULP)
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846064311177314304
score 13.22299

Publicaciones similares