Previsión de la Potencia Radiativa de Incendios Forestales en Brasil

Campos, João Pedro Granzotto; Vicari, Lauro Marques

doi:10.22167/2675-6528-202602238

Artículo

15 de septiembre de 2026

Previsión de la Potencia Radiativa de Incendios Forestales en Brasil

João Pedro Granzotto Campos; Lauro Marques Vicari

DOI: 10.22167/2675-6528-202602238

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Este estudio investigó los determinantes climáticos y de uso del suelo que impulsan la intensidad de los incendios, medida por la Potencia Radiativa del Fuego (FRP). La investigación combinó inferencia estadística clásica, a través de un modelo econométrico de datos de panel con Efectos Fijos, y modelado predictivo avanzado utilizando el algoritmo Random Forest. Los resultados del modelo econométrico revelaron que el índice de deforestación ejerció el mayor impacto positivo y estructural en la intensidad del fuego, mientras que las áreas de agricultura, pastoreo y silvicultura no presentaron significancia estadística. El modelo Random Forest, optimizado vía Grid Search con validación cruzada, explicó el 36,26% de la varianza predictiva del fenómeno. Presentó un Error Medio Absoluto (MAE) de 0,62 en escala logarítmica, indicando robustez en las predicciones. El análisis de interpretabilidad con valores SHAP confirmó el protagonismo de la dinámica atmosférica, con la humedad relativa del aire como principal factor de mitigación de incendios y la temperatura máxima y el número de días sin lluvia como mayores catalizadores. Se concluyó que los incendios de alta severidad resultan de la superposición de extremos macroclimáticos combinados a la disponibilidad de combustible oriundo de la deforestación reciente.

Palabras clave: Econometría de Panel; Machine Learning; Potencia Radiativa del Fuego; Random Forest; Valores SHAP.

1. Introducción

Las quemas y los incendios forestales representan un desafío ambiental y socioeconómico significativo para Brasil, con impactos anuales sobre extensas áreas de sus biomas. Datos del Instituto Nacional de Investigaciones Espaciales (INPE) indican que, en 2024, se registraron 278.299 focos de incendio en el país, un aumento del 46,5% en relación con el año anterior. La Amazonía y el Cerrado figuran como los biomas más afectados (CNN Brasil, 2025). Este escenario es influenciado por una combinación de factores, como períodos de sequía prolongada, prácticas inadecuadas de manejo del suelo y la deforestación, que pueden aumentar la vulnerabilidad de los bosques a la propagación del fuego (Nobre et al., 2016).

Las consecuencias de un incendio forestal abarcan severas alteraciones en el ecosistema. En el medio físico, se observa la erosión, la reducción de la materia orgánica del suelo y la liberación de carbono a la atmósfera. En el medio biótico, los impactos se manifiestan en la muerte de animales y la destrucción de sus hábitats, afectando todo el proceso de sucesión ecológica (Guimarães et al., 2014).

En este contexto, la cuantificación de la intensidad y la energía liberada por un incendio es crucial para su monitoreo y manejo eficaz. Una de las métricas ampliamente utilizadas para este fin es la Potencia Radiativa del Fuego (FRP), definida como la tasa de energía radiativa emitida por un incendio, medida en Watts (Wooster et al., 2005). La medición de la FRP, realizada por sensores de satélite, tiene una correlación directa con la tasa de consumo de biomasa por el fuego, permitiendo evaluar la intensidad de un incendio y estimar la cantidad de biomasa consumida y, consecuentemente, las emisiones de contaminantes a la atmósfera (Roberts et al., 2005).

La aplicación de la FRP en la gestión de incendios es diversa. La información sobre la intensidad del fuego puede ser utilizada en la asignación de recursos de combate, permitiendo que los equipos prioricen los frentes de fuego con mayor liberación de energía. El análisis de la FRP también puede ser empleado en la evaluación de daños potenciales a la vegetación, en el soporte a planes de evacuación de áreas de riesgo y en la formulación de políticas de prevención y manejo del fuego. La previsibilidad de quemas e incendios es, por lo tanto, fundamental para la acción del poder público, visando la mitigación de los daños y acciones preventivas (Viganó et al., 2017).

La estimación de la FRP es una tarea compleja, ya que depende de múltiples variables dinámicas, como las condiciones meteorológicas (temperatura, humedad, viento), las características de la vegetación (tipo, densidad, humedad del combustible) y la topografía (Wooster et al., 2005; Roberts et al., 2005; Viganó et al., 2017). En este escenario, las técnicas de aprendizaje automático (machine learning) presentan un potencial significativo para el desarrollo de modelos predictivos, diseñados para identificar patrones y relaciones en grandes conjuntos de datos (Juvanhol et al., 2023). Estos modelos pueden ser utilizados para analizar el comportamiento de los incendios forestales y permitir una previsibilidad del riesgo y el impacto de las variables sobre los eventos, incluyendo modelos de regresión, redes neuronales y árboles de decisión (Viganó et al., 2017; Juvanhol et al., 2023).

La aplicación de estas técnicas, específicamente para la predicción de la FRP, es un campo de investigación en desarrollo. Al entrenar algoritmos con datos históricos de focos de incendio, variables meteorológicas y otra información geoespacial, se busca desarrollar modelos predictivos robustos. Aunque existen estudios basados en aprendizaje automático enfocados en regiones específicas de América Latina, la presente investigación se diferencia al actuar en la extensión del territorio brasileño.

La problemática que este trabajo busca abordar es la posibilidad de estimar la intensidad de un incendio, representada por la FRP, a través de un conjunto de variables descriptivas y modelos de aprendizaje automático. La investigación se basa en la necesidad de desarrollar herramientas cuantitativas para la gestión de quemas en Brasil, aplicando la ciencia de datos para el análisis de un relevante desafío ambiental del país, esperando proporcionar una herramienta de apoyo a la decisión para los órganos de gestión ambiental y defensa civil. El objetivo general es el desarrollo de un modelo de aprendizaje automático para estimar la Potencia Radiativa del Fuego (FRP) de focos de incendio en Brasil, a partir de datos del Instituto Nacional de Investigaciones Espaciales (INPE) y de variables ambientales complementarias, identificando las variables de mayor importancia para la determinación de la FRP.

2. Material y Métodos

El estudio adoptó un enfoque cuantitativo y explicativo, con un diseño centrado en la implementación de algoritmos de machine learning. La instrumentación se basó en investigación documental, utilizando registros oficiales del INPE como fuente de datos.

Recopilación de datos

La recopilación de datos se realizó entre 2019 y 2023, utilizando el catálogo de focos de incendio del INPE como base principal. Esta base proporcionó información sobre latitud, longitud, fecha, satélite, estado, municipio, bioma, número de días sin lluvia, riesgo de incendio y Potencia Radiativa del Fogo (FRP).

Para enriquecer el análisis, se incorporaron bases de datos auxiliares. El proyecto PRODES (Base auxiliar 1) aportó datos anualizados de deforestación e hidrografía por municipio y bioma. La base del IBGE (Base auxiliar 1.1) se utilizó para fusionar datos, conteniendo identificadores y nombres de municipios y estados. MapBiomas (Base auxiliar 2) proporcionó información anualizada sobre cobertura del suelo, incluyendo áreas de agricultura, pastizal y silvicultura por estado, municipio, bioma y año.

Se recopilaron datos meteorológicos diarios a través de la API de NASA Power (Base auxiliar 3), que abarcan latitud, longitud, año, fecha, temperatura media y máxima, humedad relativa, velocidad del viento, precipitación y humedad del suelo. Para optimizar la recopilación, las coordenadas de latitud y longitud de la base principal se redondearon en intervalos de 0,5°, agrupando las localidades en una cuadrícula de aproximadamente 55 km.

Estructuración de los Datos

La estructuración de los datos implicó la fusión de las bases auxiliares con la base principal. Inicialmente, las claves de fusión se estandarizaron en tipo de datos. La base principal tuvo la columna “Fecha” convertida a formato de fecha, latitud y longitud redondeadas a 0,5°, y se crearon columnas de año y mes. Las bases auxiliares 1, 1.1 y 2 se conectaron a la base principal utilizando uniones internas basadas en columnas como año, bioma, municipio, estado e ID del municipio. La base auxiliar 3 se conectó a la base principal mediante latitud (redondeada), longitud (redondeada) y fecha.

Debido a las diferentes granularidades, la base principal (foco de incendio individual) se combinó con las bases auxiliares 1 y 2 (resolución macroespacial por municipio y bioma) y con la base auxiliar 3 (mayor precisión espacio-temporal por fecha y coordenadas).

Preprocesamiento y Preparación de Datos

La etapa de preprocesamiento y preparación de datos incluyó el tratamiento de datos faltantes, eliminando observaciones con valores nulos o códigos de error (-999) en las variables “número de días sin lluvia”, “riesgo de fuego” y FRP. Se realizó ingeniería de atributos, creando índices de Deforestación, Hidrografía, Pastizal, Agricultura y Silvicultura, calculados como la razón entre el área específica y el área total del bioma en el municipio.

La variable dependiente, FRP, que presentaba una distribución asimétrica, fue transformada utilizando el logaritmo natural para mitigar la varianza y la influencia de valores extremos, según la ecuación:

ln(FRP) = ln (FRPit + 1)

donde se añadió la constante 1 para evitar la indefinición en valores nulos o cercanos a cero (Shumway y Stoffer, 2017; Wooldridge, 2010).

Se limpiaron o limitaron datos inválidos, como la ocupación del suelo superior al área total o porcentajes superiores al 100%. El filtrado de datos seleccionó solo registros del satélite AQUA M-T, siguiendo la recomendación del INPE (2025). Finalmente, los datos se agregaron en formato de panel, utilizando una clave primaria de municipio, estado y bioma, para capturar la dinámica histórica y las variaciones climáticas. Las variables se agregaron por media aritmética (para FRP transformado y no transformado, precipitación, riesgo de incendio, índices de deforestación, pastos, silvicultura, agricultura, velocidad del viento, humedad relativa, temperatura media, humedad del suelo e hidrografía), por máximo (para días sin lluvia y temperatura máxima del día), y por suma y conteo (para FRP no transformado y focos).

El resultado de la estructuración de los datos consistió en dos bases: una en formato de panel (agregada por municipio, bioma, año y mes) para el modelo econométrico, y otra a nivel de eventos (resolución original de foco de incendio individual) para el análisis exploratorio y el modelo Random Forest.

Análisis exploratorio de los datos

El análisis exploratorio de los datos buscó comprender la estructura de las variables, patrones de distribución y validar premisas para la modelización. Incluyó estadísticas descriptivas (media, desviación estándar, mediana), análisis temporal y de estacionalidad de la cantidad de focos de incendio, distribución de la variable dependiente tras transformación logarítmica y análisis de correlación entre los datos.

Correlación entre variables

La multicolinealidad entre las variables explicativas fue evaluada por la Prueba de Inflación de la Varianza (VIF), calculada como VIFi = 1 / (1-R²), donde R² es el coeficiente de determinación de la regresión de la variable predictora i contra las demás (Hair et al., 2009). Para mitigar este problema, las variables “temperatura media” y “humedad del suelo” fueron eliminadas, manteniendo “temperatura máxima” y “humedad relativa”. También se aplicó una matriz de correlación de Pearson para identificar patrones de asociación entre las variables climáticas y la intensidad del fuego.

Desarrollo y Entrenamiento de los Modelos Predictivos

Para la predicción de la intensidad de las quemas (logaritmo de la FRP), se utilizó un enfoque híbrido, combinando modelos econométricos basados en panel con un algoritmo de machine learning supervisado. Los datos se dividieron en 80% para entrenamiento y 20% para prueba y validación. La implementación se realizó en Python, utilizando las bibliotecas Pandas para manipulación de datos, Scikit-learn para machine learning y Linearmodels para análisis en panel.

Regresión con Datos de Panel (Efectos Fijos)

Para la regresión, se utilizó un modelo de Datos de Panel con Efectos Fijos, que considera la estructura longitudinal y transversal de los datos (Wooldridge, 2010). La elección del estimador de Efectos Fijos se justificó por la prueba de Hausman, que evalúa la consistencia de los estimadores. La estadística de la prueba se calcula por m = q’V(9)¯¹9, donde ĝ es la diferencia entre los coeficientes (Fijos – Aleatorios) y V(ĝ) es la varianza de esa diferencia. El rechazo de la hipótesis nula de la prueba de Hausman (Hausman, 1978) indicó la preferencia por el modelo de Efectos Fijos. La ecuación general del modelo es:

Yit = β₀ + β₁Xit + … + βkXkit + αi + Uit

donde Yit es el logaritmo del FRP en el municipio i en el mes t, Xit son las variables explicativas (Precipitación, Riesgo de Fuego, etc.), β son los coeficientes, αi es el efecto fijo de cada municipio y Uit es el término de error (Wooldridge, 2010).

Árboles de decisión y Random Forest Regressor

El modelo de Random Forest se empleó como algoritmo de machine learning supervisado para regresión, debido a su robustez y capacidad para modelar interacciones no lineales. Este algoritmo de ensemble construye un “bosque” de árboles de decisión, donde la predicción final es la media de los resultados de los árboles individuales (Breiman, 2001). La arquitectura de Random Forest se basa en Bagging (Bootstrap Aggregating), que crea múltiples muestras de entrenamiento aleatorias con reemplazo para entrenar cada árbol, y Selección Aleatoria de Features, donde un subconjunto aleatorio de variables explicativas se considera en cada división del nodo del árbol. El proceso se ilustra en la Figura 1.

Figura 1. Diagrama del modelo “Random Forest”

Fuente: David (2020)

Optimización de hiperparámetros (“Grid Search”)

La optimización de los hiperparámetros del modelo Random Forest se realizó utilizando la técnica de Grid Search con validación cruzada, con el objetivo de maximizar la capacidad predictiva y mitigar el sobreajuste (Kuhn y Johnson, 2013). Los hiperparámetros optimizados incluyeron: número de estimadores (cantidad de árboles), profundidad máxima (límite de crecimiento de los árboles), features máximas (número de variables explicativas sorteadas por nodo), muestras mínimas para el nodo (mínimo de observaciones para subdivisión) y muestras mínimas para la hoja (mínimo de eventos en nodo final).

La mejor combinación de hiperparámetros se definió basándose en el estimador MAE y la validación cruzada de 3 partes, lo que resultó en una profundidad máxima de 25, features máximas con Raíz Cuadrada, muestras mínimas para el nodo de 2, muestras mínimas para la hoja de 1 y 300 estimadores.

Evaluación de los modelos

La evaluación del rendimiento predictivo de los modelos se realizó en la muestra de prueba (20% de los datos). Las métricas estadísticas utilizadas para la selección del mejor modelo fueron el Coeficiente de Determinación (R²), la Raíz del Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE), todas reflejando la precisión en la escala logarítmica de la variable dependiente (ln(FRP + 1)).

El R² cuantifica la proporción de la variabilidad de la variable dependiente explicada por el modelo, calculado como:

R² = SSR/SST = 1 – SSRes/SST

donde SSR es la Suma de Cuadrados de la Regresión, SST es la Suma de Cuadrados Total y SSRes es la Suma de Cuadrados de los Residuos (Montgomery, Peck y Vining, 2012).

El RMSE mide la magnitud promedio de los errores de predicción, representando la desviación estándar de los residuos, calculada por:

RMSE = sqrt( (1/n) * sum( (yi – y_hat_i)^2 ) )

donde n es el número de observaciones, yi es el valor real y y_hat_i es el valor predicho (Hastie, Tibshirani y Friedman, 2009).

El MAE mide la magnitud promedio de las diferencias absolutas entre las predicciones y los valores reales, y se calcula mediante:

MAE = (1/n) * sum( |yi – y_hat_i| )

El MAE es menos sensible a outliers que el RMSE (Hastie, Tibshirani y Friedman, 2009).

Análisis de Importancia de las Variables e inferencia

Para comprender los determinantes de la intensidad del fuego, se realizó un análisis interpretativo de las variables predictoras, utilizando técnicas específicas para cada modelo.

Interpretación en el Modelo Econométrico (Panel)

En el modelo econométrico de Regresión con Datos de Panel, la importancia de las variables fue evaluada por la significancia estadística y la magnitud de los coeficientes, utilizando la Prueba t de Student (Wooldridge, 2020). Los coeficientes fueron interpretados en términos de elasticidad o semi-elasticidad, indicando el impacto marginal y la dirección de la relación (+/-) con la FRP.

Se aplicaron pruebas de diagnóstico para validar las inferencias estadísticas. La normalidad de los residuos se evaluó mediante la prueba de Jarque-Bera (Jarque y Bera, 1980), y la varianza constante mediante la prueba de Breusch-Pagan (Breusch y Pagan, 1979). Para corregir la heterocedasticidad diagnosticada, la estimación final del modelo utilizó Errores Estándar Robustos Agrupados (Wooldridge, 2020).

Interpretación en el Modelo de “Machine Learning” (“Random Forest”)

En el algoritmo Random Forest, la importancia de las variables se midió mediante la métrica de reducción media de la varianza, que calcula la suma total de la reducción del error proporcionada por cada variable a lo largo de los árboles del bosque (Hastie, Tibshirani y Friedman, 2009). Para complementar, se incorporó el análisis de Valores SHAP (Shapley, 1953; Lundberg y Lee, 2017) para cuantificar la contribución marginal de cada variable en la predicción individual e identificar la direccionalidad de los efectos (positivos o negativos).

3. Resultados y Discusión

Análisis de la Distribución y Tratamiento de la Variable Objetivo (FRP)

El análisis inicial de la variable Potencia Radiativa del Fuego (FRP) confirmó una alta asimetría en la distribución, con la mayoría de los registros concentrándose en valores bajos de energía. Una pequeña cantidad de eventos extremos, caracterizados por incendios de gran magnitud, desplazaba la media y elevaba la varianza, como se ilustra en la Figura 2.

Figura 2. Distribución de la Intensidad Media (FRP)

Fuente: resultados originales de la investigación

Para mitigar esta asimetría y estabilizar la varianza, se aplicó la transformación logarítmica natural (ln(FRP + 1)). Este enfoque demostró ser eficaz al reducir significativamente la amplitud de variación y la influencia desproporcionada de valores extremos, permitiendo la inclusión de observaciones de alta magnitud en el modelo sin necesidad de exclusión, como muestra la Figura 3.

Figura 3. Distribución de la Intensidad Media (Log FRP)

Fuente: resultados originales de la investigación

Correlaciones entre variables

La prueba de Inflación de la Varianza (VIF) indicó valores altos para la temperatura media y máxima, y moderados para la humedad relativa, la deforestación y la humedad del suelo. Para evitar la multicolinealidad, se eliminaron las variables de temperatura media y humedad del suelo, manteniendo la temperatura máxima y la humedad relativa para preservar información crucial sobre el pico de temperatura y las condiciones climáticas a corto plazo.

Tabla 1. Tabla VIF para variables

Nombre de la variable	Unidad de medida	Clase	Descripción
Latitud	Grado	Decimal	Latitud en la que ocurrió el foco
Longitud	Grado	Decimal	Longitud en la que ocurrió el foco
Datos	Datos	Fecha/Hora	Fecha de registro Satélite que realizó el registro del foco
Satélite	Rotunda	Escrito	Nombre del Satélite que realizó el registro del foco
Condición	Rotunda	Escrito	Nombre del estado brasileño
Municipio	Rotunda	Escrito	Nombre del municipio
Ecosistema	Rotunda	Escrito	Nombre del bioma
Número de días sin lluvia	Días	Entero	Número de días sin lluvia hasta la detección del foco
Riesgo de incendio	Sin dimensiones	Decimal	Valor del Riesgo de Incendio previsto para el día de la detección del foco.
Potencia radiativa del fuego	MW	Decimal	La potencia del fuego detectado

Fuente: resultados originales de la investigación

La matriz de correlación de Pearson reveló patrones de asociación entre las variables climáticas y la intensidad del fuego. Se observó que la Temperatura Máxima (0,25), el Riesgo de Fuego (0,19) y el Número de días sin lluvia (0,14) presentaron las mayores correlaciones positivas con la variable objetivo, sugiriendo que la severidad energética de un incendio está directamente ligada al pico de temperatura, al riesgo de incendio y al período de sequía. En contraste, la Humedad relativa (-0,27) demostró una correlación negativa, indicando ser un factor que contribuye a la disminución de la intensidad de los incendios, según la Figura 4.

Figura 4. Matriz de Correlación de Pearson

Fuente: resultados originales de la investigación

Dinámica temporal

El análisis temporal identificó una estacionalidad expresiva en la ocurrencia de focos de incendio. Los niveles más bajos se observaron entre enero y abril, con un aumento a partir de mayo, alcanzando el pico en septiembre y disminuyendo a continuación. El período de agosto a octubre concentró la mayor parte de los focos, reforzando la relevancia del mes como una variable predictiva para el modelo Random Forest, como se ilustra en la Figura 5.

Figura 5. Estacionalidad: Distribución Total de Focos por Mes

Fuente: resultados originales de la investigación

Modelo Econométrico de Datos en Panel

La estimación del modelo econométrico de Efectos Fijos, que controló características no observables e invariantes en el tiempo, explicó el 18,41% (Rwithin= 0.1841) de la variabilidad interna de la intensidad del fuego (log FRP) en los paneles a lo largo del tiempo. Los coeficientes del modelo representan tasas de crecimiento porcentual, indicando el aumento porcentual en la FRP por cada unidad de aumento de la variable.

El análisis de los coeficientes, presentado en la Tabla 2, reveló que la dinámica atmosférica ejerce una influencia estadísticamente significativa (p < 0.01) sobre la intensidad del fuego. La temperatura máxima (0.0261) y la velocidad media del viento (0.0469) presentaron coeficientes positivos, indicando que picos de calor y vientos fuertes elevan la intensidad del fuego. La humedad relativa, por su parte, demostró una relación negativa (-0.0089) con la intensidad de las llamas. Esta dinámica corrobora estudios que señalan la combinación de factores térmicos, vientos fuertes y baja humedad como un ambiente propicio para la intensificación de incendios forestales (Nobre et al., 2016).

El coeficiente de deforestación (1.3612) fue el de mayor magnitud y significancia estadística (p < 0.01). Em contraste, os coeficientes para as áreas de pastagem, silvicultura e agricultura não apresentaram significância estatística (p > 0.05). Este hallazgo sugiere que la quema de “limpieza” en áreas de deforestación reciente consume combustibles pesados, liberando mayores cantidades de energía, mientras que las quemadas de manejo en pastos o agricultura, que consumen combustibles finos, liberan energía radiativa rápidamente, sin generar alteraciones estadísticas estructurales en el orden de magnitud del FRP municipal (Roberts et al., 2005). La prueba t de Student confirmó que todas las variables, con excepción de pastos, silvicultura y agricultura, contribuyen de hecho al FRP.

Tabla 2. Resultados de la estimación del modelo de efectos fijos (PanelOLS) para el Log de FRP

Nombre de la variable	Unidad de medida	Clase	Descripción
Año	Año	Entero	Año registrado
Id del Municipio	Rotunda	Entero	Código identificador del municipio
Ecosistema	Rotunda	Escrito	Nombre del bioma
Superficie total	Km²	Decimal	Área total del bioma en el municipio
Desbrozado	Km²	Decimal	Área deforestada del bioma en el municipio
Hidrografía	Km²	Decimal	Área de hidrografía del bioma en el municipio

Fuente: resultados originales de la investigación

Modelo Random Forest

El modelo Random Forest se elaboró utilizando el log del FRP como variable dependiente y un conjunto de características que incluyeron temperatura máxima, humedad relativa, velocidad del viento, precipitación, número de días sin lluvia, riesgo de incendio, deforestación, índices de pastoreo, silvicultura, agricultura, hidrografía y mes. La optimización de los hiperparámetros se realizó mediante Grid Search con validación cruzada, según las opciones presentadas en la Tabla 3.

Tabla 3. Cuadrícula de hiperparámetros utilizada en la “Grid Search”

Nombre de la variable	Unidad de medida	Clase	Descripción
Id del Municipio	Rotunda	Entero	Código identificador del municipio
Nombre	Rotunda	Escrito	Nombre del municipio
Condición	Rotunda	Escrito	Nombre del estado brasileño

Fuente: resultados originales de la investigación

El modelo con mejor rendimiento, tras la optimización, resultó en un poder explicativo R² de 0.3626, con un Error Absoluto Medio (MAE) de 0.62 y una Raíz del Error Cuadrático Medio (RMSE) de 0.79 en la base de pruebas. El error se refleja en unidades logarítmicas. Al volver a la escala original, el MAE indica que las predicciones del modelo se desvían, en promedio, por un factor de aproximadamente 1.8, siendo capaces de anticipar el orden de magnitud del incendio. La proximidad entre los valores de RMSE y MAE sugiere la ausencia de valores atípicos extremos y sistémicos en las predicciones, lo que indica consistencia predictiva en torno a la media del error (Chai y Draxler, 2014). Aunque el R² es relativamente bajo, capturar más de un tercio de la varianza en sistemas ecológicos complejos y no controlados puede indicar que el modelo ha mapeado impulsores estructurales (Moller y Jennions, 2002).

Las principales variables que impactan la intensidad del fuego, según el grado de importancia del modelo Random Forest, fueron la humedad relativa, la temperatura máxima y el número de días sin lluvia, como muestra la Figura 6.

Figura 6. Variables con mayor impacto en la intensidad del fuego

Fuente: resultados originales de la investigación

El análisis de Valores SHAP complementó la comprensión de la direccionalidad de estos impactos. La humedad relativa demostró ser un fuerte factor de disminución de la intensidad del fuego, mientras que la temperatura máxima y el número de días sin lluvia presentaron una contribución positiva al aumento de la intensidad, conforme a la Figura 7. Valores más cercanos al rojo indican alto valor en la variable y impacto positivo en la FRP, mientras que valores azules indican bajo valor en la variable e impacto negativo.

Figura 7. Valores SHAP de las variables del modelo

Fuente: resultados originales de la investigación

La identificación de estos principales vectores de incendios de alta intensidad posibilita la planificación de estrategias preventivas y la asignación anticipada de recursos de contingencia. El modelado desarrollado permite prever el orden de magnitud de los eventos, contribuyendo a una movilización más ágil y eficaz en el combate de incendios de grandes proporciones.

En resumen, los resultados de ambos modelos indicaron la influencia de las condiciones de sequía, viento y temperatura en la intensidad del fuego, además del impacto significativo de la deforestación. Estos hallazgos demuestran que los incendios de alta severidad resultan de la superposición de extremos macroclimáticos y de la disponibilidad de combustible proveniente de la deforestación reciente. Con acceso a información y modelos predictivos, es posible actuar en la prevención y control de estos fenómenos.

4. Conclusión

Este estudio buscó desarrollar un modelo de aprendizaje automático para estimar la Potencia Radiativa del Fuego (FRP) de focos de incendio en Brasil, a partir de datos del Instituto Nacional de Investigaciones Espaciales (INPE) y de variables ambientales complementarias, identificando los factores más importantes para su determinación. Se verificó, por medio de un modelo econométrico de datos en panel, que el índice de deforestación ejerció el mayor impacto positivo y estructural en la intensidad del fuego, mientras que las áreas de agricultura, pastoreo y silvicultura no presentaron significancia estadística. Complementariamente, el modelado predictivo con el algoritmo Random Forest demostró que las condiciones climáticas poseen un impacto significativo en la propagación e intensidad del fuego. La humedad relativa del aire fue identificada como el principal factor de mitigación, al paso que la temperatura máxima y el número de días sin lluvia actuaron como los mayores catalizadores. Los resultados de ambos modelos convergieron al indicar que los incendios de alta severidad resultan de la superposición de extremos macroclimáticos combinados a la disponibilidad de combustible oriundo de la deforestación reciente.

La principal contribución de este trabajo reside en la oferta de una herramienta cuantitativa de apoyo a la decisión para órganos de gestión ambiental y defensa civil, permitiendo la predicción del orden de magnitud de los eventos de incendio y, consecuentemente, una movilización más ágil y eficaz en el combate a focos de grandes proporciones. La identificación de los principales vectores de incendios de alta intensidad viabiliza la planificación de estrategias preventivas y la asignación anticipada de recursos de contingencia. Sin embargo, una limitación del estudio provino de la disponibilidad de recursos, que impidió la ampliación de la cantidad de variables y el aumento de los años considerados para el análisis. Se sugiere, para estudios futuros, la exploración de un conjunto más abarcador de variables y una serie histórica extendida, lo que podría refinar aún más la capacidad predictiva y explicativa de los modelos.

Referencias Bibliográficas

Breiman, L. 2001. Random Forests. Machine Learning 45(1): 5-32.

CNN Brasil. 2025. Brasil registrou 278,3 mil focos de incêndio em 2024, diz Inpe. Disponível em: https://www.cnnbrasil.com.br/nacional/brasil-registrou-2783-mil-focos-de-incendio-em-2024-diz-inpe/. Acesso em: 28 set. 2025.

David, Davis. Random forest classifier tutorial: how to use tree-based algorithms for machine learning. freeCodeCamp, 6 ago. 2020. Disponível em: https://www.freecodecamp.org/news/how-to-use-the-tree-based-algorithm-for-machine-learning/. Acesso em: 14 abr. 2026.

Guimarães, P. P.; Souza, S. M.; Fiedler, N. C.; Silva, A. G. 2014. Análise dos Impactos Ambientais de um Incêndio Florestal. Agrarian Academy 1(1): 38-60.

Hair Jr., J. F.; Black, W. C.; Babin, B. J.; Anderson, R. E.; Tatham, R. L. 2009. Análise Multivariada de Dados. 6. ed. Bookman, Porto Alegre, RS, Brasil.

Hausman, Jerry A. Specification tests in econometrics. Econometrica, v. 46, n. 6, p. 1251-1271, 1978.

INPE (Instituto Nacional de Pesquisas Espaciais). Programa Queimadas: Monitoramento dos Focos Ativos por Satélite. Disponível em: http://terrabrasilis.dpi.inpe.br/queimadas/portal/pages/secao_informacoes/faq/. Acesso em: 26 jan. 2026.

Juvanhol, R. S.; Fiedler, N. C.; Santos, A. R.; Peluzio T. M. O.; Silva W. B.; Pinheiro C. J. G; Sousa H. C. P. 2023. Use of machine learning as a tool for determining fire management units in the brazilian atlantic forest. Anais da Academia Brasileira de Ciências 95(2): e20201039.

Kuhn, M.; Johnson, K. Applied Predictive Modeling. Nova York: Springer, 2013.

Montgomery, D. C.; Peck, E. A.; Vining, G. G. 2012. Introduction to Linear Regression Analysis. 5. ed. Wiley, Hoboken, NJ, USA.

Nobre, C. A.; Sampaio, G.; Borma, L. S.; Castilla-Rubio, J. C.; Silva, J. S.; Cardoso, M. 2016. Land-use and climate change risks in the Amazon and the need of a novel sustainable development paradigm. Proceedings of the National Academy of Sciences 113(39): 10759-10768.

Roberts, G.; Wooster, M. J.; Perry, G. L. W.; Kaufman Y. J. 2005. Retrieval of biomass combustion rates and totals from fire radiative power observations: FRP derivation and calibration relationships between biomass consumption and fire radiative energy release. Journal of Geophysical Research: Atmospheres 110(D24311).

Shumway, R. H.; Stoffer, D. S. Time Series Analysis and Its Applications: With R Examples. 4. ed. Cham: Springer, 2017

Viganó, H. H. G.; Souza, C. C.; Cristaldo, M. F.; Jesus, L. 2017. Redes Neurais Artificiais na Previsão de Queimadas e Incêndios no Pantanal. Revista Brasileira de Geografia Física 10(5): 1355-1367.

Wooldridge, J. M. Econometric Analysis of Cross Section and Panel Data. 2. ed. Cambridge: MIT Press, 2010.

Wooster, M. J.; Roberts, G.; Perry, G. L.; Drake, N.; Rebelo, L. M.; Dipotso, F. 2005. Retrieval of fire radiative energy from MODIS: Application to southern African savanna fires using geostationary SEVIRI imagery. Journal of Geophysical Research: Atmospheres 110(D21111).

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]

Mba Ejecutivo En Liderazgo Y Gestión

29 de junio de 2026

Calificación de Proveedores: Estandarización y Riesgo

Isis Penelope Sumarelli Albuquerque Huang; Vítor Melão Cassânego Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La creciente complejidad de las cadenas de suministro agroalimentarias, impulsada por la globalización, ha generado una demanda intensificada de transparencia, seguridad y trazabilidad en los sistemas alimentarios. La integridad y la autenticidad […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Jurídico: de centro de costo a socio estratégico

Adriana Ehiar Ribeiro Petry; Ana Carla Fernandes Gasques Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario de expansión en el mercado brasileño, a pesar de ser prometedor para empresas de bienes de consumo, presenta desafíos significativos que exigen un enfoque estratégico y adaptable. Con una población […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Cultura: Profesionalización y crecimiento en empresas familiares

Yashmin Meirelles Oliveira Araujo; Gilmar Martinelli Junior Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario económico brasileño está marcadamente influenciado por la expresiva representatividad de las empresas familiares, que constituyen aproximadamente el 90% de los emprendimientos del país, según datos de PwC (2023). Dentro de este vasto universo, […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Equipos Semifijos: Compromiso y Cohesión en el Campo

Wesley Araújo Martins; Odair Silva Soares Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El sector operativo de una empresa especializada en servicios técnicos de campo, activa en el mantenimiento de transformadores de potencia en entornos industriales y concesionarias de energía, enfrenta desafíos significativos relacionados con […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

IA en preventas: Generación automatizada de propuestas

Vitor Luis Genaro; Felipe Carvalhal Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El mercado de consultoría en tecnología exige de las organizaciones una eficiencia operativa creciente, aliada a la capacidad analítica y a la velocidad de respuesta al cliente. En este escenario dinámico, el área de preventas asume […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

PMaaS: Impulsando proyectos en PYMEs sin PMO

Vitor Conceição Faria; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. El escenario empresarial contemporáneo, marcado por alta competitividad y una transformación digital acelerada, impone desafíos complejos a las empresas, especialmente a las de pequeño y mediano tamaño. Muchas de estas organizaciones, aunque comprometidas […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Gestión Ágil del Ciclo de Vida en Fomento Público

Vinícius Nascimento Garcia; Ana Carla Gasques Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La agencia pública estatal de fomento enfrentaba un escenario de desarrollo reactivo y fragmentado de sus líneas de crédito, caracterizado por el bajo uso de datos y la ausencia de una gobernanza […]

Mba Ejecutivo En Liderazgo Y Gestión

26 de junio de 2026

Mentoría y Onboarding: Desarrollando Talentos en GC

Vinícius Andrade de Carvalho; Ewerton Mauro Visotto Faria Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La demanda de servicios de outsourcing ha experimentado un crecimiento notable tanto en Brasil como a nivel mundial, impulsando a las empresas a expandir sus operaciones externalizadas. Informes como la “Global Outsourcing Survey […]