franciscodevs / proyecto-de-prediccion-de-incendios

Proyecto de Data Science de Prediccion de Incendios Forestales

Predicción de Incendios en Galicia

Introducción al Proyecto 🚀

Los incendios forestales, de matorrales o vegetación pueden describirse como cualquier combustión o quema no controlada y no prescrita de plantas en un entorno natural como un bosque, una pradera, etc. Son uno de los mayores problemas ambientales y producen un daño ecológico, económico y humano, irreparables. Por tal motivo una detección prematura de los mismos es una herramienta vital que puede permitir una lucha más eficaz contra este flagelo.

Hoy en día los incendios forestales suponen un grave problema ecológico, social y económico y se trata de un problema que amenaza con intensificarse debido a los efectos del cambio climático. Poder saber cuándo y dónde se producen, así como cuál es su extensión, a qué vegetación afectan y, sobre todo, por qué se producen y quién o qué los causa, es algo fundamental para evitarlos, protegernos de ellos y así poder conservar nuestro patrimonio forestal.

Cabe destacar que la recuperación del estrato arbóreo podría demorar aproximadamente 60 años. Desde el punto de vista de las pérdidas económicas derivadas del incendio forestal, se cuentan las pérdidas económicas del bosque, el costo de la extinción del incendio y costo parcial de las pérdidas de infraestructura. Así, las personas residentes permanentes del área quemada, ven perjudicada su calidad de vida, tanto en su salud como en su economía y sus actividades cotidianas, cada vez que acontece dicho siniestro. Por esta razón, un sistema de prevención del fuego que informe de alertas tempranas podría ayudar a solventar muchas de estas pérdidas, alertando a la población y a las autoridades, para que prepare y dirija sus recursos en la posible zona de siniestro, y así evitar al mínimo pérdidas económicas, ecológicas y principalmente pérdidas de vidas humanas.

Objetivos y tareas📋

Este proyecto tiene como principal objetivo el obtener un mejor entendimiento de técnicas, desarrollo y construcción de un modelo de machine learning supervisado. La realización de tareas de Data Acquisition, Data Wrangling y EDA nos guiarán a la obtención de un modelo fiable, el cual es nuestra meta final.

Con nuestro modelo de machine learning pretendemos predecir cómo se relacionan las causas de incendios con las distintas variables para poder generar planes eficientes de control del fuego: brindar un sistema de soporte de decisión a la planeación estratégica de recursos destinados a incendios forestales.

Crear un modelo que ayude en la predicción de desarrollo de incendios a partir de sus causas haría mucho más eficiente la distribución de los recursos necesarios para la extinción y ayudaría también en la reducción de costes, daños y pérdidas. Aún teniendo en cuenta la gran dificultad que presenta el desarrollo de un modelo de predicción de incendios (por su complejidad y ser altamente no lineal debido a la incertidumbre asociada al comportamiento humano en relación al fuego), se intentará desarrollar un modelo basándonos en el histórico de datos de la Región de Galicia que es la de mayor afluencia de incendios en España y de la cual tenemos acceso a un dataset con abundantes registros. _

Adquisición de datos (Data Acquisition) 🔍

Como y de donde obtuvimos el dataset

Los datos originales fueron obtenidos de CIVIO y Aemet, pero estamos utilizando el dataset con un preprocesado mucho más específico y de un nivel mucho más alto, que crearon LenaMorianu y su equipo.

Análisis exploratorio de datos (EDA) 🔬

Llevamos a cabo una investigación inicial de los datos en búsqueda de patrones y anomalías mediante el cálculo de medidas estadísticas básicas y gráficas simples.

• Observamos las primeras y últimas 5 filas del dataset para tener un vistazo de los datos
• Ejecutamos códigos para obtener tamaño y para tipo de dato de cada columna.
• Buscamos datos nulos.
• La función “describe” nos muestra descriptores estadísticos básicos de nuestras columnas “df.describe().round()”

Hacer un análisis exploratorio de datos nos permite tener una idea de la distribución de variables en su conjunto (forma, sesgo, etc) . Utilizamos histogramas, gráficas de línea y boxplot en búsqueda de:

• Relaciones entre variables.
• Valores atípicos o puntos inusuales que puedan indicar problemas de calidad de los datos o conducir a descubrimientos interesantes.
• Patrones temporales

Conocimiento y Preparación de datos (Data Wrangling) 🔧

Ejecutamos códigos para ordenamiento y limpieza de nuestra raw data con el fin de detectar y eliminar errores de registro.

• Eliminamos columnas innecesarias.
• Verificamos que todos los datos cuenten con el mismo formato: Transformamos la columna 'fecha' a tipo numerico para luego dividir mejor las variables.

Una vez establecida la variable causa como variable target de nuestro proyecto, procedimos a la identificación de las variables más relevantes relacionadas con la primera.

• Agrupamos dentro del dataset según la variable causa –> df.groupby('causa').size()
• Mapeamos las variables categoricas que tienen un orden para que sean facilmente adaptables a los modelos.
• Dado que la variable idmunicipio contiene gran cantidad de posibilidades, que decidimos dropear la columna para no agregar varianza a los datos. Latitud y longitud brindan ya la información de ubicación.
• Dividimos el dataset en dos (datos categoricos y numericos) para optimizar su manejo.
• Utilizamos catboost para entender la importancia de las variables a la hora de predecir la causa. Observamos que a la hora de elegir una variable temporal, nos resulta conveniente inclinarnos por ‘Trimestre’ ya que es mejor predictor por sobre ‘mes’.

Desarrollo del modelo ⚙️

Ya planteadas todas las variables y las relaciones entre ellas, procedimos a crear y elegir el mejor modelo que se ajustara a nuestros objetivos.

• En primer lugar notamos que la técnica Random Under Sampling fue la que arrojó los peores resultados en métricas. Con lo cual podemos afirmar que eliminar datos para intentar balancear las clases no es recomendable para nuestro problema.
• Es importante complementar las distintas métricas y visualizar la matriz de confusión ya que se puede obtener buenas métricas a pesar de que el modelo no sea útil (específicamente nos referimos al caso de la Maquina de Soporte Vectorial que mencionamos en párrafos anteriores).
• Random Forest es el modelo que mejor perfoma en la métrica F1 Score; de todas formas notamos que en el caso de aplicación de las técnicas ROS (mejor F1 observado) y SMOTE, el tiempo requerido es muy alto frente a otros modelos.
• Por lo tanto, podríamos elegir entre dos modelos ganadores: KNN y Random Forest. El primero tiene tiempos muy bajos; A pesar de ello, notamos que (si bien Random Forest no tiene el valor mínimo de tiempo, tampoco es demasiado costoso) Random Forest le saca una leve ventaja en F1 (además de una mayor simpleza a la hora de construirlo) y termina siendo el modelo elegido.

Herramientas utilizadas en el proyecto 🛠️

Menciona las herramientas que utilizaste para crear tu proyecto

• Anaconda - La distribución usada
• Scikit-learn - Libreria usada para el modelo de ML
• Matplotlib & Seaborn - Librerias para la visualización de gráficos

Créditos 🤝

• Creditos a Lena Morianu y a su equipo por el dataset - Los incendios en Galicia - LenaMorianu

Autores ✒️

• Alejandro Nuñez - AleNunez5
• Carolina Vinagre - carovinagre
• Claudia Courau - clau-courau
• Francisco Gutierrez - franciscodevs