Creación de un modelo de predicción de riesgos de incendios forestales usando una red neuronal convolucional sobre datos históricos de meteorología de California

Abstract

The main aim of this project was to create a model able to predict the chances of fire ignition in a specific geographical point under specific weather conditions. In order to create this prediction model, first it was needed to create a program to collect the available information about the relevant elements involved on the fire ignition, as topography, vegetation and meteorology. Then, using the geographical positions of the ignition of the fires in California from 2000 to 2020, information matrixes of the area around these points were created. Simultaneously, for every ignition point, on the basis of the same day weather information, random points of areas ¿not on fire¿ from the California area were selected, and for each point a matrix was also created. The two groups of matrixes where labelled and used to train a Convolutional Neurological Network to differentiate between the conditions of the areas with fire and the ones with no fire. After trying different models based on several structures of the CNN, and checked with the prediction from historical fires and random ¿no fire¿ points, eventually, the best model got an accuracy of 95%. Using this model, a system to create a fire ignition probability heatmap of any area in California with 500m terrain definition was made.

Este TFM surge del interés del autor por la prevención de los incendios forestales y de la voluntad de colaborar con la empresa Tecnosylva que, desde la punta de lanza en la materia, ha accedido a participar en la orientación del trabajo y a compartir datos claves para la creación de este proyecto. El objetivo de este trabajo ha sido desarrollar un modelo capaz de predecir el riesgo de incendio forestal en un punto geográfico determinado con unas condiciones meteorológicas determinadas. Para ello se preparó un programa que a partir de un punto geográfico recogía diversas capas de información que influye en la aparición de fuegos, como la topografía, la vegetación y la meteorología. A continuación, a partir del historial de fuegos de California de los últimos 20 años, se crearon matrices con los datos entorno a los puntos de ignición. Simultáneamente, para cada incendio, y en base a la misma información meteorológica del día, también se recogieron matrices con la información de puntos elegidos al azar fuera del alcance de dichos incendios. A partir de esta información se entrenaron diversos modelos de variaciones de una red neuronal convolucional, para diferenciar las características de las zonas incendiadas de las no incendiadas. Al comprobar la predicción de estos modelos sobre puntos de incendios ocurridos y otros elegidos aleatoriamente, se llega al 95% de aciertos. El modelo con mejor resultado fue usado para crear un programa que genera heatmaps de probabilidad de incendio de áreas de California a 500m de definición.

Aquest TFM sorgeix de l'interès de l'autor per la prevenció dels incendis forestals i de la voluntat de col·laborar amb l'empresa Tecnosylva que, des de la punta de llança en la matèria, ha accedit a participar en l'orientació del treball i a compartir dades claus per a la creació d'aquest projecte. L'objectiu d'aquest treball ha estat desenvolupar un model capaç de predir el risc d'incendi forestal en un punt geogràfic determinat amb unes condicions meteorològiques determinades. Per a això es va preparar un programa que a partir d'un punt geogràfic recollia diverses capes d'informació que influeix en l'aparició de focs, com la topografia, la vegetació i la meteorologia. A continuació, a partir de l'historial de focs de Califòrnia dels últims 20 anys, es van crear matrius amb les dades entorn als punts d'ignició. Simultàniament, per a cada incendi, i sobre la base de la mateixa informació meteorològica del dia, també es van recollir matrius amb la informació de punts triats a l'atzar fora de l'abast d'aquests incendis. A partir d'aquesta informació es van entrenar diversos models de variacions d'una xarxa neuronal convolucional, per a diferenciar les característiques de les zones incendiades de les no incendiades. En comprovar la predicció d'aquests models sobre punts d'incendis ocorreguts i altres triats aleatòriament, s'arriba al 95% d'encerts. El model amb millor resultat va ser usat per a crear un programa que genera heatmaps de probabilitat d'incendi d'àrees de Califòrnia a 500m de definició.