Modelo predictivo mediante Machine Learning para el envío de mensajes SAE ante la ocurrencia de incendios forestales en el territorio nacional

Abstract

<p>Esta investigaci&oacute;n desarrolla un modelo predictivo basado en <em>Machine Learning</em> para optimizar la activaci&oacute;n del Sistema de Alerta de Emergencia (SAE) ante incendios forestales en Chile, superando las limitaciones de las evaluaciones manuales actuales que retrasan la obtenci&oacute;n de informaci&oacute;n de activar la alerta SAE.</p> <p><br>Metodol&oacute;gicamente, se consolid&oacute; un dataset con datos hist&oacute;ricos de CONAF (meteorolog&iacute;a, topograf&iacute;a y combustible), registros de SENAPRED y cartograf&iacute;a de Riesgo Territorial. Se integr&oacute; el D&eacute;ficit de Presi&oacute;n de Vapor (VPD) como indicador clave y se aplic&oacute; un filtrado condicional para corregir el desbalance de clases. Se compar&oacute; el desempe&ntilde;o de los algoritmos Random Forest y XGBoost bajo un enfoque de gesti&oacute;n de riesgos prioritario en la seguridad p&uacute;blica.</p> <p><br>Los resultados demostraron que el modelo XGBoost result&oacute; superior, identificando al Riesgo Territorial como la variable predictora dominante (39.4%), seguida por la humedad y el viento. Mediante un ajuste operativo del umbral de decisi&oacute;n, se estableci&oacute; un umbral de decisi&oacute;n de 0.30, logrando una sensibilidad (Recall) del 89.9%. Este ajuste permiti&oacute; detectar un 7% adicional de alertas reales en comparaci&oacute;n con el umbral est&aacute;ndar, priorizando la reducci&oacute;n de falsos negativos. El estudio concluye que el modelo se alinea con el principio de prevenci&oacute;n de SENAPRED, consolid&aacute;ndose como una herramienta estrat&eacute;gica de apoyo a la toma de decisiones para la protecci&oacute;n civil.</p>