Predicción de la Evolución de los Incendios Forestales Guiada Dinámicamente por los Datos
Desde hace años los incendios forestales son una amenaza para la calidad de vida en nuestro planeta, dado que la cantidad y magnitud de los mismos se ha incrementado de forma alarmante. <br/>Actualmente, existe un intenso trabajo para la lucha contra estos incendios y la disminución rápida y e...
| Autor: | |
|---|---|
| Tipo de documento: | tese |
| Estado: | Versão publicada |
| Data de publicação: | 2009 |
| País: | España |
| Recursos: | CBUC, CESCA |
| Repositório: | TDR. Tesis Doctorales en Red |
| OAI Identifier: | oai:www.tdx.cat:10803/5776 |
| Acesso em linha: | http://www.tdx.cat/TDX-0322111-153520 http://hdl.handle.net/10803/5776 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Autorendimiento Simulación Informática Tecnologies 51 |
| Resumo: | Desde hace años los incendios forestales son una amenaza para la calidad de vida en nuestro planeta, dado que la cantidad y magnitud de los mismos se ha incrementado de forma alarmante. <br/>Actualmente, existe un intenso trabajo para la lucha contra estos incendios y la disminución rápida y efectiva de su avance, de sus consecuencias y de sus peligros. <br/>La predicción del comportamiento del fuego en incendios forestales es un tema que se está desarrollando hace tiempo en este marco. <br/>Desde la informática, se han desarrollado diversos simuladores del comportamiento del fuego en incendios forestales [3] [4] [5] [14] [17]. Estos simuladores calculan el avance del fuego, dependiendo de su estado inicial y de las características del lugar donde dicho incendio se desarrolla. Esto es, características de la topografía, vegetación [2], humedad del combustible, humedad relativa del ambiente, estado del viento, etc. <br/>Estos simuladores son utilizados para predecir el avance del fuego en un lugar y momento específicos. En este marco, una predicci ón es realmente útil si es de buena calidad (se corresponde con la real propagaci on del fuego) y si la respuesta est a dentro de un llímite de tiempo acotado. Por lo tanto, necesitamos simulaciones con alta calidad de respuesta, que realmente realmente reflejen el real avance del fuego, y respuestas que se obtengan velozmente, minimizando el tiempo de la misma. Estos dos factores son necesarios y determinan caracter ísticas importantes de nuestro trabajo<br/>Un problema frecuentemente encontrado en la utilización de estas herramientas informáticas para predecir el comportamiento del fuego es la cantidad y complejidad de los datos de entrada. Normalmente, este tipo de simuladores necesita numerosos datos de entrada, que describan de forma correcta el entorno donde se desarrolla el fuego. Topografía, meteorología y vegetación del entorno del fuego deben estar descriptos de forma adecuada en el nivel de abstracción y detalle que el simulador utilizado requiera. <br/>En la realidad, es muy difícil disponer de una correcta descripción de todas estas variables (y sus interacciones). Esta dificultad radica principalmente en: naturaleza dinámica de algunos factores (que varían y siguen su propio patrón de comportamiento), parámetros que no pueden ser medidos directamente (por lo que se utilizan estimaciones de los mismos), parámetros que no pueden ser medidos en todos los puntos (utilizándose interpolaciones), mapas (topográficos, vegetación, etc.), los cuales pueden estar desactualizados, o utilizar discretizaciones que representan de forma incorrecta las características que están representando, etc. <br/>Es necesario disponer una correcta descripción del entorno del fuego, dado que predicciones con datos de entrada que no sean correctos, no serán útiles, pues predecirán un fuego en un entorno que no es el real. <br/>En este trabajo de investigación se ha propuesto un framework donde se tiene como objetivo mejorar la calidad de los datos de entrada del simulador utilizado. Además, se pone gran esfuerzo en minimizar los tiempos de respuesta. En este trabajo se utiliza el simulador fireLib [5], un simulador que implementa el modelo de propagación de fuego desarrollado por Rothermel [20] [21]. <br/>Para mejorar la calidad de los datos de entrada, se realiza un procesamiento sobre el espacio de búsqueda que es el resultado de considerar todas las posibles combinaciones de los parámetros de entrada en sus rangos de variación. Esto da como resultado un espacio de búsqueda muy grande. Con el objetivo de evitar que esta búsqueda penalice el tiempo de respuesta, se utiliza un algoritmo genético [16] [19] guiado dinámicamente por los datos: Dynamic Data Driven Genetic Algorithm [7] [8] [9]. <br/>Se ha desarrollado este framework que consta de dos etapas [1] [6]: etapa de ajuste y etapa de predicción. Durante la etapa de ajuste, se buscará la mejor combinación de los datos de entrada para el incendio que se desea predecir. Un individuo del Algoritmo Genético, es una combinación determinada de valores para los parámetros de entrada del simulador utilizado. El objetivo de la etapa de ajuste es encontrar el mejor individuo, el que minimice el error en la simulación del avance del fuego. <br/>Para esto, se consideran tres instantes de tiempo en el avance del fuego: ti, ti+1 y ti+2. Los primeros dos instantes, se utilizarán durante la etapa de ajuste para buscar valores correctos de los parámetros de entrada. A su vez, la predicciá para el ultimo<br/>on efectiva se realizar´´instante de tiempo (ti+2). <br/>De esta forma, se simula el avance del fuego desde el instante ti hasta el instante ti+1. El resultado de la simulación es comparada con el avance del fuego real para ese mismo instante de tiempo. El resultado de esta comparación sirve como feedback para mejorar la elección de los valores de entrada. El resultado de la etapa de ajuste es un unico individuo, <br/>él que ha mostrado la simulación de mayor calidad. Luego, este individuo es utilizado como entrada para la etapa de predicción, la cual recibe el mapa del incendio en el instante ti+1 para predecir el avance del fuego hasta el instante de tiempo ti+2. <br/>De esta forma, durante la etapa de predicción se está buscando un conjunto de parámetros de entrada que representen de forma correcta el entorno del fuego que se desea predecir. Estos valores que logran buenas simulaciones (por lo tanto, buena descripción del entorno del fuego), son utilizados en la etapa posterior para obtener la predicción. Esta forma de trabajo, se basa en la hipótesis de que las características del entorno se mantengan durante las etapas que dicho proceso involucra (etapas de ajuste y predicción). <br/>De esta forma, el algoritmo genético recorre el espacio de búsqueda y descubre buenos valores para los parámetros de entrada en base a la comparación con el mapa del avance real del fuego. Esta forma de trabajo, permite mejoras en el algoritmo genético y estas mejoras son las principales aportaciones de este trabajo. <br/>Se proponen y desarrollan dos métodos para guiar el algoritmo genético. Ambos se basan en conocimiento aportado por el análisis del mapa del fuego real. De esta forma, el avance real del fuego desde el instante ti hasta el instante ti+1, aporta características que permiten definir datos útiles del entorno, los cuales se inyectan de forma dinámica durante el algoritmo genético para guiar la búsqueda hacia zonas con valores correctos para los parámetros de entrada. <br/>Aunque muchos factores influyen en el comportamiento del fuego, es sabido que la pendiente del terreno y el viento son factores determinantes en la forma y la velocidad de avance del fuego. <br/>En nuestra aplicación, se considera que las características del terreno son conocidas (pendiente y orientación de la misma, parámetros estáticos en el tiempo). <br/>Mediante el análisis del avance del fuego real desde el instante de tiempo ti hasta el instante ti+1 se obtienen sus principales características, y gracias a la composición de esta información con los datos de la pendiente, se puede determinar cuáles son las condiciones necesarias del viento para lograr un avance similar al real observado. Entonces, en vez de que la combinación del viento y pendiente determinen el avance del fuego, en nuestro caso, conociendo el avance del fuego y la pendiente, determinamos los valores del viento necesarios para que haya ocurrido el avance del fuego observado. <br/>De esta forma, se inyecta este conocimiento para mejorar la calidad en los datos de entrada y converger de manera más rápida hacia buenos resultados. Teniendo en cuenta que el viento es un factor dinámico, que tiene su propio patrón de comportamiento (el cual es muy difícil de predecir en el entorno de un incendio), se está inyectando valores para el mismo obtenidos a partir de la propagación real del fuego. <br/>El framework desarrollado constó de una primera implementación secuencial y de otra paralela, la cual permite aprovechar los recursos de hardware paralelos disponibles en la actualidad. <br/>Además, se han desarrollado dos métodos para guiar dinámicamente el algoritmo genético [10] [11] [12] [13]: método computacional y método analítico. El método computacional es totalmente independiente del simulador subyacente y del framework en sí. Utiliza una base de datos con información de distintos incendios para encontrar los valores necesarios. A su vez, el método analítico fue desarrollado como método de validación del primero, y se basa en los cálculos hechos por el simulador, por lo tanto, totalmente dependiente del mismo. <br/>La implementación en paralelo del algoritmo fue realizada utilizando el paradigma master/worker [15] [18], donde el total de los individuos de cada población es distribuida entre los distintos workers. El trabajo se ha distribuido de forma tal que cada worker realiza la simulación y la comparación con el mapa real con un grupo de individuos de la población. De esta forma se han distribuido las poblaciones de individuos, donde la aplicación muestra más requerimiento de tiempo de CPU. Distribuyendo los individuos en grupos, se logra balance de carga y disminuir la comunicación, aumentando la granulaidad de la aplicación. <br/>Se han desarrollado distintas pruebas con mapas sintéticos (esto es, avances de fuegos simulados) como así también con mapas reales. Los resultados obtenidos son satisfactorios, guiar la búsqueda del algoritmo genético ha logrado aumentar la calidad de las simulaciones, por lo tanto de las predicciones. Los resultados del método computacional fueron corroborados por correlación con los resultados del método analítico. <br/>Además, el algoritmo paralelo permite utilizar poblaciones de mayor dimensión, lo que mostró mejorar los resultados sin penalizar el tiempo de respuesta. También, la disminución del error en las simulaciones en este método que incluye una primer etapa de ajuste mostró ser mucho más efectiva (más calidad de predicción) que cuando no se hace este preprocesamiento con los parámetros de entrada. Se ha logrado mejorar las predicciones, sin mejorar el simulador, sino, mejorando la calidad en los parámetros utilizados. El método propuesto se ha implementado de forma tal que el simulador se vea como una "caja negra", la cual se puede cambiar y el método sería aún útil (con los cambios necesarios en formato de entradas y salidas). |
|---|