Tuned Forest Fire Prediction: Static Calibration of the Evolutionary Component of ESS

Abstract

Los incendios forestales representan un factor de alto riesgo con fuerte impacto a nivel ecológico-ambiental como socio-económico, por lo que resulta importante su estudio y modelado. No obstante, tales modelos suelen presentar un cierto nivel de incertidumbre en los parámetros a raíz de la dificultad de medirlos en tiempo real, por lo que suelen ser estimados. Ello ha originado el desarrollo de diversos métodos de reducción de incertidumbre, cuyo compromiso entre precisión y complejidad puede variar notablemente. El sistema ESS (Evolutionary-Statistical System) es un método orientado a la reducción de incertidumbre que aplica Análisis Estadístico, Computación de Alto Rendimiento (HPC) y Algoritmos Evolutivos Paralelos (AEP). Estos últimos involucran en su funcionamiento diversos parámetros que requieren ajuste, y que determinan la calidad de su utilización. Dicho ajuste resulta una tarea crucial para el buen desempeño de los mismos. En este trabajo se ha realizado un estudio empírico del ajuste estático de los parámetros de sintonización para evaluar la efectividad de las distintas configuraciones y el impacto sobre la aplicación de Incendios Forestales.

Forest fires are a major risk factor with strong impact at eco-environmental and socio-economical levels, reasons why their study and modeling are very important. However, the models frequently have a certain level of uncertainty in some input parameters given that they must be approximated or estimated, as a consequence of diverse difficulties to accurately measure the conditions of the phenomenon in real time. This has resulted in the development of several methods for the uncertainty reduction, whose trade-off between accuracy and complexity can vary significantly. The system ESS (Evolutionary-Statistical System) is a method whose aim is to reduce the uncertainty, by combining Statistical Analysis, High Performance Computing (HPC) and Parallel Evolutionary Algorithms (PEAs). The PEAs use several parameters that require adjustment and that determine the quality of their use. The calibration of the parameters is a crucial task for reaching a good performance and to improve the system output. This paper presents an empirical study of the parameters tuning to evaluate the effectiveness of different configurations and the impact of their use in the Forest Fires prediction.