Efficient knowledge retrieval to calibrate input variables in forest fire prediction

Forest fires are a serious threat to humans and nature from an ecological, social and economic point of view. Predicting their behaviour by simulation still delivers unreliable results and remains a challenging task. Latest approaches try to calibrate input variables, often tainted with imprecision, using optimisation techniques like Genetic Algorithms. To converge faster towards fitter solutions, the GA is guided with knowledge obtained from historical or synthetical fires. We developed a robust and efficient knowledge storage and retrieval method. Nearest neighbour search is applied to find the fire configuration from knowledge base most similar to the current configuration. Therefore, a distance measure was elaborated and implemented in several ways. Experiments show the performance of the different implementations regarding occupied storage and retrieval time with overly satisfactory results.

Stable isotopes in arid and semi-arid forest systems

El empleo de isótopos estables en el ámbito de la ecología forestal ha ido creciendo progresivamente en las últimas dos décadas. Cabe esperar que esta tendencia se mantenga en el futuro, ya que éstos aportan una visión integradora de cómo las plantas, hoy y en el pasado, han interaccionado con el medio así como con otros organismos. Su implementación es particularmente relevante en climas secos debido a la fuerte limitación de recursos que en ellos acontece. Tras una breve introducción sobre las bases teóricas de los isótopos estables en fisiología vegetal, esta revisión destaca, sobre diferentes escalas espaciales y temporales, los últimos avances en ecología forestal empleando esta metodología y con un énfasis especial en los sistemas áridos y semiáridos.