Análisis de factores de condicionamiento en Cuenca, Ecuador, para la generación de mapas de susceptibilidad a deslizamientos de tierra utilizando métodos de aprendizaje automático
Autores: Bravo-López, Esteban; Fernández Del Castillo, Tomás; Sellers, Chester; Delgado-García, Jorge
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis de factores de condicionamiento en Cuenca, Ecuador, para la generación de mapas de susceptibilidad a deslizamientos de tierra utilizando métodos de aprendizaje automático
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Deslizamientos de tierra
Métodos de aprendizaje automático
Factores de condicionamiento
Mapas de susceptibilidad
Bosques aleatorios
XGBoost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los deslizamientos de tierra son eventos que causan un gran impacto en diferentes partes del mundo. Su capacidad destructiva genera pérdida de vidas y daños económicos considerables. En esta investigación, se exploraron varios métodos de Aprendizaje Automático (ML) para seleccionar los factores de condicionamiento más importantes, con el fin de evaluar la susceptibilidad a deslizamientos de tierra rotacionales en un sector alrededor de la ciudad de Cuenca (Ecuador) y con ellos elaborar mapas de susceptibilidad a deslizamientos de tierra (LSM) mediante ML. Los métodos implementados para analizar la importancia de los factores de condicionamiento verificaron la multicolinealidad (análisis de correlación y VIF) y, con un enfoque basado en ML llamado selección de características, se determinaron los factores más importantes basados en Árboles de Clasificación y Regresión (CART), Selección de Características con Bosques Aleatorios (FS RF) y los algoritmos Boruta y Eliminación Recursiva de Características (RFE). Los LSM se implementaron con métodos de Bosques Aleatorios (RF) y Aumento de Gradiente Extremo (XGBoost) considerando un inventario de deslizamientos actualizado hasta 2019 y 15 factores de condicionamiento disponibles (topográficos (10), uso del suelo (3), hidrológicos (1) y geológicos (1)), de los cuales, basándose en los resultados de los análisis mencionados, se eligieron los seis más importantes. Los LSM se elaboraron considerando todos los factores disponibles y los seis más importantes, con los métodos de ML previamente mencionados, y se compararon con el resultado generado por una Red Neuronal Artificial con retropropagación resiliente (ANN rprop-) con seis factores de condicionamiento. Los resultados obtenidos fueron validados mediante el valor AUC-ROC y mostraron una buena capacidad predictiva para todos los casos, destacando los obtenidos con XGBoost, que, además de un alto valor AUC (>0.84), obtuvo un buen grado de coincidencia de deslizamientos en niveles de susceptibilidad alta y muy alta (>72%). A pesar de los hallazgos de esta investigación, es necesario estudiar en profundidad los métodos aplicados para el desarrollo de futuras investigaciones que contribuirán a desarrollar un enfoque preventivo en el área de estudio.
Descripción
Los deslizamientos de tierra son eventos que causan un gran impacto en diferentes partes del mundo. Su capacidad destructiva genera pérdida de vidas y daños económicos considerables. En esta investigación, se exploraron varios métodos de Aprendizaje Automático (ML) para seleccionar los factores de condicionamiento más importantes, con el fin de evaluar la susceptibilidad a deslizamientos de tierra rotacionales en un sector alrededor de la ciudad de Cuenca (Ecuador) y con ellos elaborar mapas de susceptibilidad a deslizamientos de tierra (LSM) mediante ML. Los métodos implementados para analizar la importancia de los factores de condicionamiento verificaron la multicolinealidad (análisis de correlación y VIF) y, con un enfoque basado en ML llamado selección de características, se determinaron los factores más importantes basados en Árboles de Clasificación y Regresión (CART), Selección de Características con Bosques Aleatorios (FS RF) y los algoritmos Boruta y Eliminación Recursiva de Características (RFE). Los LSM se implementaron con métodos de Bosques Aleatorios (RF) y Aumento de Gradiente Extremo (XGBoost) considerando un inventario de deslizamientos actualizado hasta 2019 y 15 factores de condicionamiento disponibles (topográficos (10), uso del suelo (3), hidrológicos (1) y geológicos (1)), de los cuales, basándose en los resultados de los análisis mencionados, se eligieron los seis más importantes. Los LSM se elaboraron considerando todos los factores disponibles y los seis más importantes, con los métodos de ML previamente mencionados, y se compararon con el resultado generado por una Red Neuronal Artificial con retropropagación resiliente (ANN rprop-) con seis factores de condicionamiento. Los resultados obtenidos fueron validados mediante el valor AUC-ROC y mostraron una buena capacidad predictiva para todos los casos, destacando los obtenidos con XGBoost, que, además de un alto valor AUC (>0.84), obtuvo un buen grado de coincidencia de deslizamientos en niveles de susceptibilidad alta y muy alta (>72%). A pesar de los hallazgos de esta investigación, es necesario estudiar en profundidad los métodos aplicados para el desarrollo de futuras investigaciones que contribuirán a desarrollar un enfoque preventivo en el área de estudio.