Predicción de Focos de Fuego Usando Machine Learning

• Preprocesamiento de Datos:

  • Escalado y normalización de variables con StandardScaler.
  • Creación de etiquetas binarias (fuego/no fuego) según el nivel de confianza.

• Entrenamiento del Modelo:

  • Uso de RandomForestClassifier con balanceo de clases.
  • División de datos en conjuntos de entrenamiento y prueba.

• Evaluación del Modelo:

  • Métricas de clasificación como precisión, recall, y F1-score.
  • Generación de matriz de confusión y reporte gráfico.

• Visualizaciones:

  • Gráficos de barras para evaluar el desempeño por clase.
  • Mapas interactivos generados con Folium para mostrar los resultados de las predicciones.

• Predicciones Futuras:

  • Evaluación de nuevos datos satelitales para identificar zonas de riesgo.

Tecnologías Utilizadas

• Librerías de Machine Learning y Procesamiento de Datos:
  • pandas, numpy, scikit-learn
• Visualización:
  • matplotlib, seaborn, folium
• Análisis y Métricas:
  • classification_report, confusion_matrix

Archivos Incluidos

• main.py: Script principal que contiene el flujo del proyecto.
• classification_report.png: Gráfico de métricas de clasificación.
• confusion_matrix.png: Matriz de confusión visual.
• Predicciones_Focos_Fuego_Noviembre.csv: Predicciones generadas para el mes de noviembre.
• Predicciones_Focos_Fuego_Noviembre_Mapa.html: Mapa interactivo con las predicciones realizadas.

Datos de Entrada

Los datos satelitales se encuentran en formato CSV e incluyen las siguientes columnas relevantes:

• Latitud, Longitud: Coordenadas geográficas.
• FP_T21, FP_T31: Temperaturas relacionadas con los puntos detectados.
• FP_Power: Potencia del foco detectado.
• SCAN, TRACK: Tamaño de los píxeles detectados.
• FP_Confidence: Nivel de confianza del foco detectado.

Ejemplo de Preprocesamiento:

Se define como "fuego" aquellos registros donde FP_Confidence ≥ 50.

Link del proyecto:

https://prediccion-de-focos-de-fuego-saocom.netlify.app/

5. Los resultados se generarán en los siguientes archivos:

   • classification_report.png
   • confusion_matrix.png
   • Predicciones_Focos_Fuego_Noviembre.csv
   • Predicciones_Focos_Fuego_Noviembre_Mapa.html

Interpretación de Resultados

• Clase 0 (Sin Fuego): Alta precisión indica que el modelo clasifica correctamente zonas sin fuego, reduciendo falsos positivos.
• Clase 1 (Con Fuego): Buen recall asegura que la mayoría de los focos de fuego son identificados correctamente.

---

Este proyecto fue desarrollado como parte de una iniciativa para abordar problemas ambientales utilizando tecnologías avanzadas.