Título:	Predicción de la propagación de incendios forestales en la región patagónica: Calibración de un modelo basado en física e impulsado por datos
Autor(es):	Becerra, Lucas Agustín Laneri, Karina Denham, Mónica Malen
Fecha de publicación:	30-oct-2025
Editorial:	Uncuyo
Citación:	Título del trabajo: Predicción de la propagación de incendios forestales en la región patagónica: Calibración de un modelo basado en física e impulsado por datos. Autores: Lucas Becerra, Karina Laneri, Mónica Malen Denham Evento: I Reunión Trinacional de Ecología Organizadores: Asociación Argentina de Ecología, Sociedad de Ecología de Chile, Comunidad Ecológica del Uruguay Fechas: 5 al 10 de Octubre de 2025 Lugar: Ciudad de Mendoza, Mendoza Presentación Oral
Resumen:	Los incendios forestales representan uno de los mayores riesgos ecológicos a nivel global. En la región patagónica, más de 50.000 hectáreas de bosques, plantaciones y zonas residenciales se incendiaron en 2025. En un esfuerzo para abordar este problema, desarrollamos un modelo basado en el marco epide- miológico SIR que simula la propagación del fuego en una grilla. El modelo integra términos de reacción, difusión y convección, capturando la dinámica del fuego bajo condiciones ambientales realistas. Las si- mulaciones se paralelizan con CUDA C++ y Python (CuPy), logrando alta performance computacional. Además, generamos visualizaciones dinámicas para asistir equipos de brigadistas en la región. Incluimos datos satelitales de vegetación, pendientes del terreno y campos de viento. Los parámetros del modelo (coeficientes de difusión, tasas de ignición para pastizales, matorrales y bosques, e intensidad del viento y pendiente) son desconocidos a priori y requieren calibración. Ajustamos el modelo a incendios sinté- ticos empleando técnicas de optimización como muestreo de Monte Carlo y algoritmos genéticos. Con ambos métodos logramos recuperar exitosamente los parámetros mencionados y para la misma cantidad de incendios simulados (570000), el algoritmo genético logró recuperar los parámetros originales con una precisión 69.9% mejor que el método de Monte Carlo. Como innovación, implementamos una red neuronal informada por la física (physics-informed neural network, PINN), que combina leyes físicas con datos empíricos para ajustar parámetros. En este trabajo logramos implementar PINNs en casos sintéti- cos sobre terrenos homogéneos, obteniendo buenos resultados tanto en precisión como en tiempos de cálculo, superando a los métodos anteriores en varios aspectos.
URI:	http://rid.unrn.edu.ar/handle/20.500.12049/14382
Aparece en las colecciones:	Objetos de conferencia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons