Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial

Autores
Méndez Garabetti, Miguel; Tardivo, María Laura; BIanchini, Germán; Caymes Scutari, Paola
Año de publicación
2014
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En la predicción de cualquier fenómeno natural, la precisión constituye un aspecto altamente crítico ya que determina la confiabilidad del modelo y de todo el proceso predictivo. La predicción del comportamiento de los incendios forestales no es una excepción; éstos afectan año a año la biodiversidad, las tierras, los recursos hídricos y la salud. Sin embargo, para alcanzar cierto grado de precisión al momento de predecirlos, es menester enfrentarse al problema que representa la falta de exactitud en los parámetros de entrada (incertidumbre) que alimentan al modelo, ya que esto puede producir consecuencias drásticas si la salida del modelo proporciona predicciones erróneas. A la vez, deben tenerse en cuenta las limitaciones impuestas por los propios modelos, las restricciones que agregan las soluciones numéricas, etc. Por esto, resulta de gran interés el desarrollo de métodos/herramientas dedicados al tratamiento de la incertidumbre para lograr una predicción más confiable. En este trabajo presentamos un proyecto de desarrollo de una nueva versión del método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo, el cual plantea reemplazar el Algoritmo Evolutivo Paralelo utilizado como método de optimización, por otro tipo de algoritmo evolutivo denominado Evolución Diferencial con implementación paralela, esperando mejorar la calidad de predicción.
Eje: Procesamiento Distribuido y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
Software
Parallel processing
Incendios Forestales
predicción de incendios forestales
Distributed architectures
reducción de incertidumbre
evolución diferencial
HPC
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/42751

id SEDICI_ba1325db2e2fbc07533edc2baf85419f
oai_identifier_str oai:sedici.unlp.edu.ar:10915/42751
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución DiferencialMéndez Garabetti, MiguelTardivo, María LauraBIanchini, GermánCaymes Scutari, PaolaCiencias InformáticasSoftwareParallel processingIncendios Forestalespredicción de incendios forestalesDistributed architecturesreducción de incertidumbreevolución diferencialHPCEn la predicción de cualquier fenómeno natural, la precisión constituye un aspecto altamente crítico ya que determina la confiabilidad del modelo y de todo el proceso predictivo. La predicción del comportamiento de los incendios forestales no es una excepción; éstos afectan año a año la biodiversidad, las tierras, los recursos hídricos y la salud. Sin embargo, para alcanzar cierto grado de precisión al momento de predecirlos, es menester enfrentarse al problema que representa la falta de exactitud en los parámetros de entrada (incertidumbre) que alimentan al modelo, ya que esto puede producir consecuencias drásticas si la salida del modelo proporciona predicciones erróneas. A la vez, deben tenerse en cuenta las limitaciones impuestas por los propios modelos, las restricciones que agregan las soluciones numéricas, etc. Por esto, resulta de gran interés el desarrollo de métodos/herramientas dedicados al tratamiento de la incertidumbre para lograr una predicción más confiable. En este trabajo presentamos un proyecto de desarrollo de una nueva versión del método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo, el cual plantea reemplazar el Algoritmo Evolutivo Paralelo utilizado como método de optimización, por otro tipo de algoritmo evolutivo denominado Evolución Diferencial con implementación paralela, esperando mejorar la calidad de predicción.Eje: Procesamiento Distribuido y ParaleloRed de Universidades con Carreras en Informática (RedUNCI)2014-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf690-694http://sedici.unlp.edu.ar/handle/10915/42751spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:34:14Zoai:sedici.unlp.edu.ar:10915/42751Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:34:15.206SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
title Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
spellingShingle Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
Méndez Garabetti, Miguel
Ciencias Informáticas
Software
Parallel processing
Incendios Forestales
predicción de incendios forestales
Distributed architectures
reducción de incertidumbre
evolución diferencial
HPC
title_short Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
title_full Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
title_fullStr Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
title_full_unstemmed Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
title_sort Predicción del Comportamiento de Incendios Forestales mediante un Método de Reducción de Incertidumbre basado en HPC y Evolución Diferencial
dc.creator.none.fl_str_mv Méndez Garabetti, Miguel
Tardivo, María Laura
BIanchini, Germán
Caymes Scutari, Paola
author Méndez Garabetti, Miguel
author_facet Méndez Garabetti, Miguel
Tardivo, María Laura
BIanchini, Germán
Caymes Scutari, Paola
author_role author
author2 Tardivo, María Laura
BIanchini, Germán
Caymes Scutari, Paola
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Software
Parallel processing
Incendios Forestales
predicción de incendios forestales
Distributed architectures
reducción de incertidumbre
evolución diferencial
HPC
topic Ciencias Informáticas
Software
Parallel processing
Incendios Forestales
predicción de incendios forestales
Distributed architectures
reducción de incertidumbre
evolución diferencial
HPC
dc.description.none.fl_txt_mv En la predicción de cualquier fenómeno natural, la precisión constituye un aspecto altamente crítico ya que determina la confiabilidad del modelo y de todo el proceso predictivo. La predicción del comportamiento de los incendios forestales no es una excepción; éstos afectan año a año la biodiversidad, las tierras, los recursos hídricos y la salud. Sin embargo, para alcanzar cierto grado de precisión al momento de predecirlos, es menester enfrentarse al problema que representa la falta de exactitud en los parámetros de entrada (incertidumbre) que alimentan al modelo, ya que esto puede producir consecuencias drásticas si la salida del modelo proporciona predicciones erróneas. A la vez, deben tenerse en cuenta las limitaciones impuestas por los propios modelos, las restricciones que agregan las soluciones numéricas, etc. Por esto, resulta de gran interés el desarrollo de métodos/herramientas dedicados al tratamiento de la incertidumbre para lograr una predicción más confiable. En este trabajo presentamos un proyecto de desarrollo de una nueva versión del método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo, el cual plantea reemplazar el Algoritmo Evolutivo Paralelo utilizado como método de optimización, por otro tipo de algoritmo evolutivo denominado Evolución Diferencial con implementación paralela, esperando mejorar la calidad de predicción.
Eje: Procesamiento Distribuido y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
description En la predicción de cualquier fenómeno natural, la precisión constituye un aspecto altamente crítico ya que determina la confiabilidad del modelo y de todo el proceso predictivo. La predicción del comportamiento de los incendios forestales no es una excepción; éstos afectan año a año la biodiversidad, las tierras, los recursos hídricos y la salud. Sin embargo, para alcanzar cierto grado de precisión al momento de predecirlos, es menester enfrentarse al problema que representa la falta de exactitud en los parámetros de entrada (incertidumbre) que alimentan al modelo, ya que esto puede producir consecuencias drásticas si la salida del modelo proporciona predicciones erróneas. A la vez, deben tenerse en cuenta las limitaciones impuestas por los propios modelos, las restricciones que agregan las soluciones numéricas, etc. Por esto, resulta de gran interés el desarrollo de métodos/herramientas dedicados al tratamiento de la incertidumbre para lograr una predicción más confiable. En este trabajo presentamos un proyecto de desarrollo de una nueva versión del método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo, el cual plantea reemplazar el Algoritmo Evolutivo Paralelo utilizado como método de optimización, por otro tipo de algoritmo evolutivo denominado Evolución Diferencial con implementación paralela, esperando mejorar la calidad de predicción.
publishDate 2014
dc.date.none.fl_str_mv 2014-05
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/42751
url http://sedici.unlp.edu.ar/handle/10915/42751
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
690-694
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_ 1842260192193937408
score 13.13397