Ítem
Acceso Abierto

Modelado predictivo de la ocurrencia de focos de incendios forestales en Colombia mediante técnicas de machine learning

Mostrar el registro sencillo de la publicación
dc.contributor.advisorSánchez Salazar, Fabián
dc.creatorNovoa Cardozo, Mateo
dc.creator.degreeMagíster en Matemáticas Aplicadas y Ciencias de la Computación
dc.date.accessioned2026-06-30T13:28:23Z
dc.date.available2026-06-30T13:28:23Z
dc.date.created2026-06-19
dc.descriptionEste trabajo desarrolla un modelo de machine learning para predecir la ocurrencia semanal de focos de incendios forestales en Colombia, a partir de variables climáticas, geográficas e históricas. Los resultados muestran que la información climática rezagada permite anticipar el riesgo de incendio con una semana de antelación, aportando una herramienta útil para la prevención y la gestión del riesgo.
dc.description.abstractWildfires have become an increasing risk to ecosystems and communities in Colombia, particularly under conditions of climate change and intensive land use. In response to this challenge, this study develops a model for the weekly prediction of wildfire hotspot occurrence, formulated as a binary classification problem using machine learning techniques. The model is built using historical municipal-level data from Colombia covering the 2010–2023 period, integrating climatic variables such as relative humidity, precipitation, and temperature, together with historical wildfire records and geographic features. Among the evaluated models, LightGBM achieved the best performance, reaching an AUC of 0.85 and an F1 score of 76% under temporal validation. In addition, the variable importance analysis showed that maximum temperature, minimum relative humidity, and maximum precipitation, with lags ranging from one to three weeks, were the most relevant predictors. Overall, these results show that climatic information can help anticipate wildfires one week in advance, providing a useful tool for prevention and risk management in Colombia.
dc.format.extent68 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47987
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47987
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ciencias e Ingenieríaspa
dc.publisher.programMaestría en Matemáticas Aplicadas y Ciencias de la Computaciónspa
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationJ.-D. Rodríguez-Acuña, “Los incendios forestales en Colombia y su relación con la calidad del aire,” 2022. [Online]. Available: https://medioambiente.uexternado.edu.co/los-incendios-forestales-en-colombia-y-su-relacion-con-la-calidad-del-aire/ [Accessed: Apr. 25, 2026].
dc.source.bibliographicCitationUnited Nations, “¿Qué es el cambio climático?,” s.f. [Online]. Available: https://www.un.org/es/climatechange/what-is-climate-change [Accessed: Apr. 25, 2026].
dc.source.bibliographicCitationIDEAM, “Día Internacional de los Bosques 2026: Colombia avanza con el Sistema Nacional de Monitoreo Forestal,” 2026. [Online]. Available: https://www.ideam.gov.co/sala-de-prensa/noticia/dia-internacional-de-los-bosques-2026-colombia-avanza-con-el-sistema-nacional-de-monitoreo-forestal [Accessed: Apr. 27, 2026].
dc.source.bibliographicCitationA. N. D. Malpica, “Alerta por incendios forestales en Cundinamarca: CAR llama a los municipios a tomar medidas preventivas,” El Tiempo, 2026. [Online]. Available: https://www.eltiempo.com/bogota/alerta-por-incendios-forestales-en-cundinamarca-car-llama-a-los-municipios-a-tomar-medidas-preventivas-3519930 [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationJ. Ruiz-Henestrosa, “Modelos de predicción de incendios forestales,” Universidad de Sevilla, 2024. [Online]. Available: https://hdl.handle.net/11441/165892 [Accessed: Apr. 23, 2026].
dc.source.bibliographicCitationB. T. Pham et al., “Performance Evaluation of Machine Learning Methods for Forest Fire Modeling and Prediction,” Symmetry, vol. 12, no. 6, p. 1022, Jun. 2020, doi: 10.3390/sym12061022.
dc.source.bibliographicCitationS. Choi, M. Son, C. Kim, and B. Kim, “A Forest Fire Prediction Model Based on Meteorological Factors and the Multi-Model Ensemble Method,” Forests, vol. 15, no. 11, p. 1981, Nov. 2024, doi: 10.3390/f15111981.
dc.source.bibliographicCitationIDEAM, “Incendios de la cobertura vegetal,” s.f. [Online]. Available: https://www.ideam.gov.co/nuestra-entidad/ecosistemas-e-informacion-ambiental/incendios [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationC. Sarasty and J. Esteban, “Prototipo web para predicción y detección de incendios forestales en los cerros orientales de Bogotá, mediante una red de sensores e inteligencia artificial,” Feb. 2021. [Online]. Available: http://repository.unipiloto.edu.co/handle/20.500.12277/9883 [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationUniversidad Sergio Arboleda, “Red de prevención y mitigación de incendios forestales: investigadores del IDEASA aportan a la innovación tecnológica a través de colaboración internacional para la gestión de riesgos,” 2025. [Online]. Available: https://www.usergioarboleda.edu.co/noticias/red-de-prevencion-y-mitigacion-de-incendios-forestales-investigadores-del-ideasa-aportan-a-la-innovacion-tecnologica-a-traves-de-colaboracion-internacional-para-la-gestion-de-riesgos/ [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationG. Archila, “Incendios forestales en Colombia: causas, consecuencias y aportes,” 2024. [Online]. Available: https://noticias.unad.edu.co/index.php/noticias-unad/incendios-forestales-en-colombia-causas-consecuencias-y-aportes [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationJ. MacCarthy, J. Richter, S. Tyukavina, M. Weisse, and N. Harris, “Los últimos datos confirman: los incendios forestales están empeorando,” Dec. 2023. [Online]. Available: https://es.wri.org/insights/los-ultimos-datos-confirman-los-incendios-forestales-estan-empeorando [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationWorld Meteorological Organization, “Climate change and heatwaves,” 2023. [Online]. Available: https://public.wmo.int/content/climate-change-and-heatwaves [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationOrganización Meteorológica Mundial, “Cambio climático, incendios forestales y contaminación atmosférica: un círculo vicioso,” 2025. [Online]. Available: https://wmo.int/es/news/media-centre/cambio-climatico-incendios-forestales-y-contaminacion-atmosferica-un-circulo-vicioso-que-acarrea [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationOrganización Panamericana de la Salud, “Incendios forestales,” 2025. [Online]. Available: https://www.paho.org/es/temas/incendios-forestales [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationArgentina.gob.ar, “¿Cuáles son las variables y qué factores las afectan?,” 2018. [Online]. Available: https://www.argentina.gob.ar/seguridad/servicio-nacional-de-manejo-del-fuego/que-es-y-como-funciona-el-servicio-nacional-de-7 [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationNational Geographic, “Los incendios forestales afectan el ciclo del agua: cómo impactan en la calidad de ese recurso,” 2024. [Online]. Available: https://www.nationalgeographicla.com/medio-ambiente/2024/09/los-incendios-forestales-afectan-el-ciclo-del-agua-como-impactan-en-la-calidad-de-ese-recurso [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationNASA Earth Science Data Systems, “FIRMS | NASA Earthdata,” 2024. [Online]. Available: https://www.earthdata.nasa.gov/data/tools/firms [Accessed: Mar. 31, 2026].
dc.source.bibliographicCitationD. Majumdar, “Decadal (2012–2023) account of spatio-temporal variability in satellite-detected biomass fires on Indian landmass and their fire radiative power,” Sci. Rep., vol. 15, Jul. 2025, doi: 10.1038/s41598-025-11200-w.
dc.source.bibliographicCitationA. Martínez Saucedo and P. E. Inchausti, “Predicción de incendios forestales mediante modelos de machine learning,” presented at CACIC, 2023. [Online]. Available: http://sedici.unlp.edu.ar/handle/10915/149568 [Accessed: Apr. 02, 2026].
dc.source.bibliographicCitationD. Rivera, “Cerca de 300 mil hectáreas de los ecosistemas colombianos son conservados y restaurados gracias a Masbosques y sus aliados,” 2023. [Online]. Available: https://masbosques.org/bosques-colombianos/ [Accessed: Apr. 25, 2026].
dc.source.bibliographicCitationWWF, “Colombia, la casa de los bosques,” 2025. [Online]. Available: https://www.wwf.org.co/?303630/Colombia-la-casa-de-los-bosques [Accessed: Jun. 25, 2025].
dc.source.bibliographicCitationD. M. J. S. Bowman et al., “Fire in the Earth System,” Science, vol. 324, no. 5926, pp. 481–484, Apr. 2009, doi: 10.1126/science.1163886.
dc.source.bibliographicCitationCAR, “¡Alto a las quemas en temporada de vientos! CAR advierte que el 90 % de incendios son por causas humanas,” 2025. [Online]. Available: https://www.car.gov.co/saladeprensa/alto-a-las-quemas-en-temporada-de-vientos-car-advierte-que-el-90-de-incendios-son-por-causas-humanas [Accessed: Aug. 24, 2025].
dc.source.bibliographicCitationConsejería de Medio Ambiente y Ordenación del Territorio, “Glosario de incendios forestales,” 2010. [Online]. Available: https://www.juntadeandalucia.es/medioambiente/web/participa_con_nosotros/campanas_comunicacion/infoca/2010/glosario.pdf
dc.source.bibliographicCitationD. S. Boshoff, “Understanding fire regimes: A biogeographical perspective,” Jàmbá J. Disaster Risk Stud., vol. 16, no. 1, p. 1673, Jul. 2024, doi: 10.4102/jamba.v16i1.1673.
dc.source.bibliographicCitationA. P. Rodríguez and M. L. Pérez, “Aplicación del modelo Rothermel a la gestión de riesgo de incendio en la región de la Chiquitanía, Santa Cruz Bolivia.”
dc.source.bibliographicCitationA. McEvoy, B. K. Kerns, and J. B. Kim, “Hazards of Risk: Identifying Plausible Community Wildfire Disasters in Low-Frequency Fire Regimes,” Forests, vol. 12, no. 7, p. 934, Jul. 2021, doi: 10.3390/f12070934.
dc.source.bibliographicCitationR. Ghali and M. A. Akhloufi, “Deep Learning Approaches for Wildland Fires Using Satellite Remote Sensing Data: Detection, Mapping, and Prediction,” Fire, vol. 6, no. 5, p. 192, May 2023, doi: 10.3390/fire6050192.
dc.source.bibliographicCitationT. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.
dc.source.bibliographicCitationT. M. Mitchell, Machine Learning. New York: McGraw-Hill, 1997.
dc.source.bibliographicCitationJ. Heaton, “Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning,” Genet. Program. Evolvable Mach., vol. 19, no. 1, pp. 305–307, Jun. 2018, doi: 10.1007/s10710-017-9314-z.
dc.source.bibliographicCitationS. Yang, M. Lupascu, and K. S. Meel, “Predicting Forest Fire Using Remote Sensing Data And Machine Learning,” Proc. AAAI Conf. Artif. Intell., vol. 35, no. 17, pp. 14983–14990, May 2021, doi: 10.1609/aaai.v35i17.17758.
dc.source.bibliographicCitationS. Sharma and P. Khanal, “Forest Fire Prediction: A Spatial Machine Learning and Neural Network Approach,” Fire, vol. 7, no. 6, p. 205, Jun. 2024, doi: 10.3390/fire7060205.
dc.source.bibliographicCitationC. S. Gannon and N. C. Steinberg, “A global assessment of wildfire potential under climate change utilizing Keetch-Byram drought index and land cover classifications,” Environ. Res. Commun., vol. 3, no. 3, p. 035002, Apr. 2021, doi: 10.1088/2515-7620/abd836.
dc.source.bibliographicCitationH. Singh et al., “A Comprehensive Review of Empirical and Dynamic Wildfire Simulators and Machine Learning Techniques used for the Prediction of Wildfire in Australia,” Technol. Knowl. Learn., vol. 30, no. 2, pp. 935–968, Jun. 2025, doi: 10.1007/s10758-025-09839-5.
dc.source.bibliographicCitationM. K. Al-Bashiti and M. Z. Naser, “Machine learning for wildfire classification: Exploring blackbox, eXplainable, symbolic, and SMOTE methods,” Nat. Hazards Res., vol. 2, no. 3, pp. 154–165, Sep. 2022, doi: 10.1016/j.nhres.2022.08.001.
dc.source.bibliographicCitationM. Mohajane et al., “Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area,” Ecol. Indic., vol. 129, p. 107869, Oct. 2021, doi: 10.1016/j.ecolind.2021.107869.
dc.source.bibliographicCitationP. Jain, S. C. P. Coogan, S. G. Subramanian, M. Crowley, S. Taylor y M. D. Flannigan, “A review of machine learning applications in wildfire science and management,” Environmental Reviews, vol. 28, no. 4, pp. 478–505, 2020. doi: 10.1139/er-2020-0019.
dc.source.bibliographicCitationK. M. Freitas et al., “Prediction of forest fire susceptibility using machine learning tools in the Triunfo do Xingu Environmental Protection Area, Amazon, Brazil,” J. South Am. Earth Sci., vol. 153, p. 105366, Feb. 2025, doi: 10.1016/j.jsames.2025.105366.
dc.source.bibliographicCitationM. V. F. Silveira et al., “Drivers of Fire Anomalies in the Brazilian Amazon: Lessons Learned from the 2019 Fire Crisis,” Land, vol. 9, no. 12, p. 516, Dec. 2020, doi: 10.3390/land9120516.
dc.source.bibliographicCitationM. D. G. Martínez et al., “Revisión de antecedentes para la predicción de incendios forestales mediante IA,” 2024. [Online]. Available: https://virtual.cuautitlan.unam.mx/intar/memoriasceiaait/wp-content/uploads/sites/19/2024/12/36-Revision-de-antecedentes-para-la-Prediccion-de-Incendios-Forestales-mediante-IA-EDITADO.pdf
dc.source.bibliographicCitationK. Ocampo-Zuleta and J. Beltrán-Vargas, “Modelación dinámica de incendios forestales en los Cerros Orientales de Bogotá, Colombia,” Madera Bosques, vol. 24, no. 3, 2018, doi: 10.21829/myb.2018.2431662.
dc.source.bibliographicCitationJ. S. Barreto and D. Armenteras, “Open Data and Machine Learning to Model the Occurrence of Fire in the Ecoregion of ‘Llanos Colombo–Venezolanos,’” Remote Sens., vol. 12, no. 23, p. 3921, 2020, doi: 10.3390/rs12233921.
dc.source.bibliographicCitationJ. D. Anzola, L. D. Fuentes, and E. M. Rodríguez, “Desarrollo de un modelo de estimación para la prevención de incendios forestales en Colombia,” 2024. [Online]. Available: https://manglar.uninorte.edu.co/handle/10584/11968 [Accessed: Apr. 06, 2026].
dc.source.bibliographicCitationPyCaret 3.0 | Docs, s.f. [Online]. Available: https://pycaret.gitbook.io/docs [Accessed: Apr. 08, 2026].
dc.source.bibliographicCitationW. Chen et al., “A survey on imbalanced learning: latest research, applications and future directions,” Artif. Intell. Rev., vol. 57, no. 6, p. 137, May 2024, doi: 10.1007/s10462-024-10759-6.
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectIncendios forestales
dc.subjectMachine learning
dc.subjectPredicción de incendios
dc.subjectVariables climáticas
dc.subjectColombia
dc.subjectLGBM
dc.subject.keywordForest fires
dc.subject.keywordMachine learning
dc.subject.keywordSpatiotemporal prediction
dc.subject.keywordClimatic variables
dc.subject.keywordColombia
dc.titleModelado predictivo de la ocurrencia de focos de incendios forestales en Colombia mediante técnicas de machine learning
dc.title.TranslatedTitlePredictive Modeling of Forest Fire Hotspot Occurrence in Colombia Using Machine Learning
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Modelado_predictivo_de_focos_de_incendios_forestales_en_Colombia_mediante_Machine_Learning.pdf
Tamaño:
1.63 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Matemáticas Aplicadas y Ciencias de la Computación