Browsing by Author "Cruz Santos, Edwin Ferney"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Publication
    Algoritmo computacional para el análisis y toma de decisiones de puntos calientes en el año 2021 y 2022 utilizando estrategias de machine learning
    (Corporación Universitaria Remington, 2024) Cruz Santos, Edwin Ferney; Briñez de León, Juan Carlos
    Durante la ejecución del proyecto actual de Machine learning en tiempo de datos, se inicia con la identificación de variables para su análisis, recurriendo a los historiales de empresas u organizaciones dedicadas a recopilar la información necesaria en formato de conjuntos de datos. Estos conjuntos de datos son esenciales para facilitar el aprendizaje del modelo y la toma de decisiones adecuadas, así como para fomentar un aprendizaje continuo a partir de la información que se recopila diariamente. Para llevar a cabo este proceso, se han seleccionado las condiciones climáticas que podrían haber desencadenado posibles incendios forestales en Colombia durante el año 2022. A partir de estos mismos datos, es posible identificar las zonas más afectadas durante el período mencionado. Esto, a su vez, permite desarrollar estrategias para abordar la situación en dichas zonas, teniendo en cuenta la magnitud del impacto. La extensión geográfica de los incendios y su intensidad son variables clave que se tienen en cuenta al diseñar acciones preventivas y de respuesta. Es importante destacar que el análisis de datos no se limita únicamente a la identificación de áreas afectadas, sino que también implica la evaluación de factores subyacentes que contribuyen a la propagación y la severidad de los incendios forestales. Esto puede incluir factores como la densidad forestal, la presencia de vías de acceso, la disponibilidad de recursos para combatir incendios y las condiciones climáticas locales. En resumen, el proyecto actual de Machine learning en tiempo de datos se centra en la identificación y análisis de variables clave relacionadas con los incendios forestales en Colombia en el año 2022, con el objetivo de desarrollar estrategias efectivas para la prevención y respuesta ante futuros eventos similares. Este enfoque integrado, que combina la recopilación y análisis de datos con técnicas avanzadas de modelado predictivo, es fundamental para mejorar la capacidad de anticipación y gestión de riesgos en el contexto de la gestión forestal y la protección del medio ambiente.