Modelos predictivos para la estimación de trayectorias de recursos de vigilancia y contingencia de desastres naturales

Abstract

La mala gestión de los recursos disponibles es una de las principales causas de la rápida expansión de los incendios y también puede ocasionar víctimas. Esa es la razón por la cual es importante planificar los recursos disponibles, así como la geolocalización de cada unidad (la posición en la que cada unidad estará en cada momento). Por ello se creará una red neuronal que nos permita saber de antemano dónde estará cada unidad disponible. Para crear la red neuronal, se usarán diferentes tipos de regresores obteniendo una precisión de cada uno de ellos. Para concluir, se pretende decidir cuál de todos los métodos utilizados genera datos más precisos a partir de las predicciones obtenidas.

Baliabide erabilgarrien kudeaketa okerra suteen hedapen azkarraren arrazoi nagusietako bat da eta hildakoak sor ditzake. Hori dela eta, eskuragarri dauden baliabideak eta unitate bakoitzaren geolokalizazioa (unitate bakoitza une bakoitzean egon dadin) planifikatzea garrantzitsua da. Horregatik, sare neuronal bat sortuko da eskuragarri dagoen unitate bakoitzerako posizioa aldez aurretik jakin dezagun. Sare neuronala sortzeko, erregresio mota ezberdinak erabiliko dira, haien zehaztasuna lortuz. Amaitzeko, erabilitako metodo guztien artean zeinek sortzen dituen iragarpenik zehatzenak zehaztuko da.

The mismanagement of available resources is one of the main causes of the rapid expansion of fires and can also result in casualties. That is the reason why it is important to plan available resources, as well as the geolocation of each unit (the position where each unit will be at each moment). That is why a neural-network is going to be created, which will allow us to know in advanced where each available unit will be. To create the neural-network, different types of regressors are going to be used obtaining precision from each of them. To conclude, it is intended to decide which of all methods used for prediction generates more accurate data from the obtained precisions.