Please use this identifier to cite or link to this item:
http://hdl.handle.net/10609/110146
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Bonet-Vilela, Fidel | - |
dc.date.accessioned | 2020-02-24T20:04:37Z | - |
dc.date.available | 2020-02-24T20:04:37Z | - |
dc.date.issued | 2019-12-31 | - |
dc.identifier.uri | http://hdl.handle.net/10609/110146 | - |
dc.description.abstract | L'objectiu d'aquest treball final de màster és l'obtenció de models de predicció espacial del risc d'incendi forestal mitjançant l'ús combinat d'intel·ligència artificial, sistemes d'informació geogràfica i big data. S'han utilitzat diversos conjunts de dades d'incendis, meteorològiques, orogràfiques i de vegetació per tal de predir les zones de risc d'incendi i estimar-ne la probabilitat mitjançant tècniques d'aprenentatge automàtic: classificació per a estimar el risc d'incendi forestal, regressió per a predir la mida dels incendis en el moment d'ignició i agrupament per a obtenir zones de risc d'incendi segons les condicions meteorològiques. S'han obtingut models robustos amb precisions de fins al 90% en la predicció del risc i del 99% en l'agrupament de nous exemples en categories de risc en funció de les condicions meteorològiques. Els millors resultats s'han assolit amb l'ús d'aprenentatge profund. Concretament, s'han utilitzat algorismes genètics per tal d'optimitzar l'arquitectura d'un perceptró multicapa. En darrer lloc, els resultats del projecte permeten obtenir mapes de risc amb prou detall per a diversos àmbits (comarques, municipis, espais naturals, etc.) i vàlids per àrees concretes com ara un parc natural on els resultats assolits han permès estimar el risc d'incendi per a les diverses zones del parc i, fins i tot, en determinats indrets sensibles com, per exemple, els principals senders i les zones d'estacionament de vehicles. | ca |
dc.description.abstract | El objetivo de este trabajo final de master es la obtención de modelos de predicción espacial del riesgo de incendio forestal mediante el uso combinado de inteligencia artificial, sistemas de información geográfica y big data. Se han usado varios conjuntos de datos de incendios, meteorológicos, orográficos y de vegetación para predecir las zonas de riesgo de incendio y estimar la probabilidad mediante diversas técnicas de aprendizaje automático: clasificación para prever el riesgo de incendio forestal, regresión para predecir el tamaño de los incendios en el momento de ignición y agrupamiento para obtener zonas de riesgo de incendio según las condiciones meteorológicas. Se han obtenido modelos robustos con precisiones de hasta el 90% en la predicción el riesgo y del 99% en el agrupamiento de nuevos ejemplos en categorías de riesgo en función de las condiciones meteorológicas. Los mejores resultados se han logrado con el uso de aprendizaje profundo. Concretamente, se han utilizado algoritmos genéticos para optimizar la arquitectura de un perceptrón multicapa. Por último, los resultados del proyecto permiten obtener mapas de riesgo con suficiente detalle para varios ámbitos (comarcas, municipios, espacios naturales, etc.) e incluso válidos para áreas concretas como un parque natural donde los resultados alcanzados han permitido estimar el riesgo de incendio para las diversas zonas del parque e incluso en determinados lugares sensibles como, por ejemplo, los principales senderos y las zonas de estacionamiento de vehículos. | es |
dc.description.abstract | The goal of this final master's project is to obtain spatial prediction models of forest fire risk through the combined use of artificial intelligence, geographic information systems and big data. Several sets of fire, meteorological, orographic and vegetation data have been used to predict fire risk areas and to estimate the probability by means of several machine learning techniques: classification to predict the risk of forest fire, regression to predict the size of the fires at the moment of ignition and clustering to obtain fire risk areas according to the meteorological conditions. Robust models have been obtained with accuracies of up to 90% in predicting risk and 99% in grouping new examples into weather-dependent risk categories. The best results have been obtained with the use of deep learning. Specifically, genetic algorithms have been used to optimize the architecture of a multilayer perceptron. Finally, the results of the project allow us to obtain risk maps with sufficient detail for various areas (counties, municipalities, natural spaces, etc.) and valid for specific areas such as a natural park where the results achieved have allowed us to estimate the wildfire risk for the various areas of the park and even in certain sensitive places such as the main paths and vehicle parking areas. | en |
dc.format.mimetype | application/pdf | - |
dc.language.iso | cat | - |
dc.publisher | Universitat Oberta de Catalunya (UOC) | - |
dc.rights | CC BY-NC-ND | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | aprenentatge automàtic | ca |
dc.subject | aprendizaje automático | es |
dc.subject | machine learning | en |
dc.subject | sistemes d'informació geogràfica | ca |
dc.subject | sistemas de información geográfica | es |
dc.subject | geographic information systems | en |
dc.subject | big data | ca |
dc.subject | big data | es |
dc.subject | big data | en |
dc.subject | canvi climàtic | ca |
dc.subject | cambio climático | es |
dc.subject | climate change | en |
dc.subject | incendis forestals | ca |
dc.subject | incendios forestales | es |
dc.subject | forest fires | en |
dc.subject.lcsh | Big data -- TFM | en |
dc.title | Avaluació de models basats en intel·ligència artificial per a la predicció espacial del risc d'incendi forestal | - |
dc.type | info:eu-repo/semantics/masterThesis | - |
dc.audience.educationlevel | Estudis de Màster | ca |
dc.audience.educationlevel | Estudios de Máster | es |
dc.audience.educationlevel | Master's degrees | en |
dc.subject.lemac | Dades massives -- TFM | ca |
dc.subject.lcshes | Datos masivos -- TFM | es |
dc.contributor.director | Ventura, Carles | - |
dc.contributor.tutor | Kanaan-Izquierdo, Samir | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Appears in Collections: | Bachelor thesis, research projects, etc. |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
fbonetviTFM0120memòria.pdf | Memòria del TFM | 33,52 MB | Adobe PDF | View/Open |
fbonetviTFM0120presentació.pdf | Presentació del TFM | 40,29 MB | Adobe PDF | View/Open |
Share:
This item is licensed under a Creative Commons License