El problema de la predicción de la propagación de incendios forestales presenta un alto grado de complejidad debido en gran parte a las limitaciones para proporcionar parámetros de entrada precisos en tiempo real (por ejemplo, velocidad del viento, temperatura, humedad del suelo, etc.). Esta incertidumbre en los valores ambientales ha llevado al desarrollo de métodos computacionales que exploran el espacio de posibles combinaciones de parámetros (también llamados escenarios) para obtener mejores predicciones. Los métodos de vanguardia se basan en estrategias de optimización paralela que utilizan una función de aptitud para guiar esta búsqueda. Además, las predicciones resultantes se basan en una combinación de múltiples soluciones del espacio de escenarios. Estos métodos han mejorado la calidad de las predicciones clásicas; sin embargo, tienen algunas limitaciones, como la convergencia prematura. En este trabajo, evaluamos una nueva propuesta para la optimización de escenarios que sigue el paradigma. Los algoritmos basados en novedad reemplazan la función objetivo por una medida de la novedad de las soluciones, lo que permite que la búsqueda genere soluciones que sean novedosas (en su espacio de comportamiento) con respecto a las soluciones previamente evaluadas. Este enfoque evita los óptimos locales y maximiza la exploración. Nuestro método, Sistema Estadístico Evolutivo basado en Búsqueda de Novedad (ESS-NS), supera la calidad obtenida por sus competidores en nuestros experimentos. Los tiempos de ejecución son más rápidos que otros métodos en casi todos los casos. Por último, se proporcionan varias líneas de trabajo futuro con el fin de mejorar significativamente estos resultados.