Diseño de un sistema de detección temprana de incendios forestales para el gran Valparaiso basada en Internet Of Things, Fog Computing y Redes Mesh

Abstract

Esta memoria aborda la crítica vulnerabilidad de las Zonas de Interfaz Urbano-Forestal del Gran Valparaíso frente a incendios forestales catastróficos, exacerbada por factores climáticos y una compleja topografía que limitan la efectividad de los sistemas de detección tradicionales. Se diseña la arquitectura completa de un sistema de detección temprana que integra sinérgicamente tecnologías de Internet de las Cosas, Fog Computing y Redes Mesh para superar las barreras de latencia, cobertura y resiliencia. El sistema se basa en una red de sensores autónomos y de bajo consumo que capturan una "multi-firma" del fuego (radiación IR, gases, partículas y variables termohigrométricas). Los datos son procesados en el borde de la red por Nodos Fog, los cuales ejecutan un algoritmo heurístico para el análisis de riesgo y la confirmación de ignición, garantizando una alerta en minutos sin depender de una conexión constante a la nube. La arquitectura, detallada mediante el modelo C4, específica una solución resiliente, escalable y costo-efectiva, concluyendo con un plan de verificación para una implementación piloto y explorando futuras mejoras, como la integración de Edge Al, para fortalecer la capacidad de respuesta ante desastres en la región. This thesis addresses the critical vulnerability of the Wildland-Urban Interface areas of Gran Valparaíso to catastrophic wildfires, a risk exacerbated by climatic factors and complex topography that limit the effectiveness of traditional detection systems. It presents the complete architectural design of an early detection system that synergistically integrates Internet of Things, Fog Computing, and Mesh Networks technologies to overcome latency, coverage, and resilience barriers. The system is based on a network of autonomous, low-power sensor nodes that capture a multi-signature profile of a fire (IR radiation, gases, particulates, and thermo-hygrometric variables). Data is processed at the network edge by Fog Nodes, which run a heuristic algorithm for risk analysis and ignition confirmation, ensuring an alert within minutes without relying on a constant cloud connection. The architecture, detailed using the C4 model, specifies a resilient, scalable, and cost-effective solution. The work concludes with a verification plan for a pilot implementation and explores future enhancements, such as the integration of Edge AI, to strengthen disaster response capabilities in the region.