Cloud-based urgent computing for forest fire spread prediction

Abstract

El foc és un element natural de molts ecosistemes. No obstant això, cada any els incendis forestals causen danys a la biodiversitat, l'atmosfera i les activitats econòmiques. Les estratègies de prevenció d'incendis forestals per a la detecció i la supressió han millorat significativament al llarg dels anys, però les dades d'entrada que descriuen els escenaris d'incendi estan subjectes a nivells elevats d'incertesa. S'han d'ajustar paràmetres desconeguts i, en aquest treball, es porta a terme una fase de calibració de dades d'entrada seguint una estratègia d'algorisme genètic. L'entrada calibrada es canalitza a la fase de predicció real. Aquest esquema de predicció en dues etapes s'aprofita pel paradigma de computació en núvol, que permet un alt nivell de paral·lelisme a la demanda, elasticitat, escalabilitat i un baix cost. Utilitzem una funció sòlida de bondat d'ajust juntament amb una tècnica d'avaluació adaptativa capaç de reduir el temps global de calibratge en un 60% en comparació amb els enfocaments actuals basats en dades. També hem creat un estudi experimental per validar la plataforma contra un incendi forestal desafiant.

El fuego es un elemento natural de muchos ecosistemas. Sin embargo, cada año los incendios forestales provocan daños a la biodiversidad, la atmósfera y las actividades económicas. Las estrategias de detección y supresión de incendios forestales han mejorado significativamente a lo largo de los años, pero los datos de entrada que describen escenarios de incendios están sujetos a altos niveles de incertidumbre. Es necesario ajustar los parámetros desconocidos y, en este trabajo, se lleva a cabo una fase de calibración de datos de entrada siguiendo una estrategia de algoritmo genético. La entrada calibrada luego se canaliza a la fase de predicción real. Este esquema de predicción de dos etapas se aprovecha del paradigma de computación en la nube, que permite un alto nivel de paralelismo bajo demanda, elasticidad, escalabilidad y bajo costo. Utilizamos una función sólida de bondad de ajuste junto con una técnica de evaluación adaptativa capaz de reducir el tiempo total de calibración en un 60 % en comparación con los enfoques actuales basados en datos. También hemos puesto en marcha un estudio experimental para validar la plataforma contra un incendio forestal desafiante.

Fire is a natural element of many ecosystems. Nevertheless, every year forest fires cause damages to biodiversity, atmosphere, and economy activities. Forest fire prevention' strategies for detection and suppression have improved significantly through the years, but input data describing fire scenarios are subject to high levels of uncertainty. Unknown parameters need to be adjusted, and, in this work, an input data calibration phase is carried over following a genetic algorithm strategy. The calibrated input is then pipelined into the actual prediction phase. This two-stage prediction scheme is leveraged by the cloud computing paradigm, which enables high level of parallelism on demand, elasticity, scalability, and a low-cost. We use a sound goodness-of-fit function together with an adaptive evaluation technique capable of reducing the overall calibration time by 60% when compared to current data-driven approaches. We have also set up an experimental study to validate the platform against a challenging wildfire.