[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118841-es":3,"doc-seo-118841-110":30,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":20,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},118841,549768064778,"Finn","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",41,"Investigación e Informes","Predicción de incendios forestales mediante modelos de Machine Learning","La severidad de los incendios forestales alcanza niveles preocupantes y exige herramientas predictivas para apoyar la prevención. El trabajo desarrolla y evalúa modelos de Machine Learning para estimar la ocurrencia y la magnitud de incendios en Pinamar, utilizando registros históricos locales. El entrenamiento se realiza con un pipeline de datos y modelos, alcanzando una sensibilidad del 88,4% mediante un árbol de decisión. El enfoque sienta bases para extender la predicción a localidades vecinas, incorporando variables meteorológicas, topográficas y de combustible.","# Predicción de incendios forestales mediantemodelos de Machine Learning\n\nAna Martínez Saucedo¹y Pablo Ezequiel Inchausti¹  \nUniversidad Argentina de la Empresa(UADE).Instituto de Tecnologia (INTEC).Buenos Aires,Argentina{anmartinez,pinchausti}Quade.edu.ar  \nResumen La severidad de los incendios forestales ha llegado a nivelespreocupantes tanto a nivel internacional como nacional.No obstante,gracias al avance de la tecnologia es posible predecir su ocurrencia ymagnitud a través de modelos de Machine Learning especialmente desa-rrollados para tal fin.En línea con diversas investigaciones realizadas enmateria de predicción espaciotemporal de incendios forestales,en el pre-sente trabajo el objetivo fue desarrollar un modelo de Machine Learningque contribuya a la prevención de incendios forestales en el Partido dePinamar.Para ello se entrenaron diversos modelos utilizando registrosde incendios históricos de la zona,alcanzando una sensibilidad del 88.4%para predecir la ocurrencia de incendios forestales a traves de un árbolde decisión.Gracias al desarrollo de un pipeline de datos y el entrena-miento automatizado de modelos se sentaron las bases necesarias paraposibilitar la predicción de incendios forestales en localidades vecinas.  \nPalabras claves:machine learning,aprendizaje supervisado,incendiosforestales,medioambiente.  \n## 1.  Introducción\n\nLas consecuencias ambientales,económicas y sociales que los incendios fo-restales provocan en el mundo llevaron a gobiernos e investigadores a estudiardiversas maneras de prevenirlos,sobre todo en los últimos tiempos donde ca-da vez se torna más dificil controlarlos.Tan solo en el 2020 en Argentina sequemaron más de 1,1 millones de hectáreas a causa de incendios forestales.Ade-más,se registraron en ese ano más de 74.113 focos activos,una cifra récord querepresenta un incremento del 251,9%con respecto al ano anterior [1].  \nEsta tendencia nacional tambien se vio reflejada en distintos puntos del pais.La ciudad balnearia de Pinamar,conocida por sus bosques de pino y dunas dearena,ha perdido según datos de incendios provistos por los bomberos localesmas de 3,5 kilómetros cuadrados de bosques en los ultimos seis anos a causade incendios forestales.Esta cifra representa aproximadamente el 10%de lasuperficie total cubierta por vegetación del partido,confirmando así la tendenciacreciente de incendios forestales en la zona detectada por bomberos y autoridadeslocales.Si bien en Argentina el 95%de los incendios forestales son originados  \npor el hombre [2],su magnitud y desarrollo dependen en gran medida de lascondiciones climáticas y ambientales del momento y lugar donde se desarrollan.  \nEn la literatura se han desarrollado modelos de Machine Learning(ML)queutilizan todas o combinaciones de algunas de las variables que conforman eldenominado Triángulo de Comportamiento del Fuego(TCF)para predecir in-cendios forestales,siendo estas la topografia,el combustible y la meteorologia.En efecto,las mismas definen bajo qué condiciones es más propenso que se pro-duzca un incendio forestal y cómo se desarrollará el mismo.Además,el IndiceMeteorologico de Peligro de Incendio(FWI)[3]permite estimar la probabili-dad de que se produzca un incendio a partir de variables meteorologicas y decombustible [4,5].Asimismo,el Indice de Vegetación de Diferencia Normalizada(NDVI)ha sido utilizado en varios estudios ya que es un indicador de la saludde la vegetación [6,7].Los investigadores han recurrido a fuentes como satélites,sensores remotos,mapas y estaciones meteorológicas para obtener estos datosy entrenar modelos predictivos.Entre los algoritmos aplicados para modelar laocurrencia de incendios forestales se encuentran árboles de decisión,máquinasde vectores de soporte,redes neuronales artificiales y redes bayesianas [8].  \nNo obstante,la mayor dificultad a la hora de estudiar la predicción de ocu-rrencia y magnitud de incendios forestales radica en la obtención de datos his-tóricos.En Argentina son pocos los cuartele","cbCaiarglc0l6mAo","https://ap.wps.com/l/cbCaiarglc0l6mAo","pdf",2720095,10,1,"Spanish","es",110,"# 1. Introducción\n# 2. Área de estudio y datos utilizados\n## variables explicativas\n## algoritmos de ML y métricas\n## metodología y evaluación\n## resultados y líneas futuras","[{\"question\":\"Cuál es el objetivo principal del trabajo en Pinamar?\",\"answer\":\"Desarrollar y evaluar modelos de Machine Learning para predecir la ocurrencia y la magnitud de incendios forestales en la ciudad de Pinamar, usando datos locales recopilados por bomberos.\"},{\"question\":\"Qué datos y variables se usan para entrenar los modelos?\",\"answer\":\"Se emplean registros históricos de incendios de la zona e incluye variables meteorológicas, además de variables topográficas y de combustible.\"},{\"question\":\"Qué modelo logró la mejor sensibilidad reportada?\",\"answer\":\"El árbol de decisión alcanzó una sensibilidad del 88,4% para predecir la ocurrencia de incendios forestales.\"}]","Predicción de incendios forestales mediante modelos de Machine Learning | PDF",1785720569,15,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"prediction-of-forest-fires-using-machine-learning-models","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/es/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/es/document/prediction-of-forest-fires-using-machine-learning-models/118841/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-31","2026-08-03",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo principal del trabajo en Pinamar?","Question",{"text":76,"@type":77},"Desarrollar y evaluar modelos de Machine Learning para predecir la ocurrencia y la magnitud de incendios forestales en la ciudad de Pinamar, usando datos locales recopilados por bomberos.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué datos y variables se usan para entrenar los modelos?",{"text":81,"@type":77},"Se emplean registros históricos de incendios de la zona e incluye variables meteorológicas, además de variables topográficas y de combustible.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué modelo logró la mejor sensibilidad reportada?",{"text":85,"@type":77},"El árbol de decisión alcanzó una sensibilidad del 88,4% para predecir la ocurrencia de incendios forestales.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":46,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":46,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":46,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]