Predicción de Zonas Susceptibles a Movimientos en Masa Aplicando Modelo Matemático Red Neuronal Artificial en la Cuenca Alta del Río Pamplonita
DOI:
https://doi.org/10.24054/raaas.v15i2.3187Palabras clave:
Modelamiento, Red Neuronal Artificial, deslizamiento de tierra, cuenca rio PamplonitaResumen
La investigación se centró en predecir zonas susceptibles a movimientos en masa en la cuenca alta del Río Pamplonita, utilizando Redes Neuronales Artificiales (RNA). Se aplicó el Análisis de Componentes Principales (PCA) para reducir la multicolinealidad entre variables, resultando en la selección de tres componentes principales (PC1, PC2, y PC3) que capturaron el 87% y 91% de la varianza acumulada, respectivamente. Las variables consideradas incluyeron factores geométricos y ambientales como pendiente (Slope), curvatura, densidad de drenajes, y otros índices de vegetación.
La RNA implementada con la librería Keras de TensorFlow, configurada con cinco capas ocultas (82, 5, 125, 126 y 58 neuronas) y una tasa de abandono de 0.32837 para evitar el sobreentrenamiento. Se utilizaron algoritmos de optimización “Adam” y la función de activación “sigmoidea”, fijando la tasa de aprendizaje en 0.00012. El modelo se entrenó durante 500 épocas, alcanzando valor de AUC de 0.98, indicando alta precisión en la predicción de zonas de susceptibilidad.
La evaluación de susceptibilidad mostró 50% del área de estudio tiene alta o muy alta susceptibilidad a movimientos en masa, con áreas clasificadas como muy alta cubriendo 1173 ha y áreas de alta susceptibilidad abarcando 716 ha. Estas áreas se caracterizan por pendientes pronunciadas y patrones diversos de flujo de agua. Las zonas de susceptibilidad moderada, baja y muy baja cubren el 15%, 16% y 19% del área, respectivamente, indicando la necesidad de enfoques de mitigación específicos para reducir la vulnerabilidad en las áreas más propensas a deslizamientos.
Descargas
Citas
Aristizábal, E., López, S., Sánchez, O., Vásquez, M., Rincón, F., Ruiz-Vásquez, D., Restrepo, S., & Valencia, J. S. (2019). Evaluación de la amenaza por movimientos en masa detonados por lluvias para una región de los Andes colombianos estimando la probabilidad espacial, temporal, y magnitud. Revista Boletín de Geología, 41(3). https://doi.org/10.18273/revbol.v41n3-2019004
Ayalew, L., Yamagishi, H., Marui, H., & Kanno, T. (2005). Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications. Engineering Geology, 81(4). https://doi.org/10.1016/j.enggeo.2005.08.004
Baeza, C., & Corominas, J. (2001). Assessment of shallow landslide susceptibility by means of multivariate statistical techniques. Earth Surface Processes and Landforms, 26(12), 1251–1263. https://doi.org/10.1002/esp.263
Beguería, S. (2006). Validation and evaluation of predictive models in hazard assessment and risk management. Natural Hazards, 37(3). https://doi.org/10.1007/s11069-005-5182-6
Cantillo Romero, J. R., Estrada Romero, J. J., & Henríquez Miranda, C. (2023). APLICACIÓN DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN GEOCIENCIA: REVISIÓN INTEGRAL Y DESAFÍO FUTURO. REVISTA AMBIENTAL AGUA, AIRE Y SUELO, 14(2 SE-Artículos), 9–18. https://doi.org/10.24054/raaas.v14i2.2783
Conforti, M., Pascale, S., Robustelli, G., & Sdao, F. (2014). Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy). Catena, 113, 236–250. https://doi.org/10.1016/j.catena.2013.08.006
Corominas, J., van Westen, C., Frattini, P., Cascini, L., Malet, J. P., Fotopoulou, S., Catani, F., Van Den Eeckhaut, M., Mavrouli, O., Agliardi, F., Pitilakis, K., Winter, M. G., Pastor, M., Ferlisi, S., Tofani, V., Hervás, J., & Smith, J. T. (2014). Recommendations for the quantitative analysis of landslide risk. Bulletin of Engineering Geology and the Environment, 73(2), 209–263. https://doi.org/10.1007/s10064-013-0538-8
Corporación OSSO, LA RED, & UNDRR. (2024). Desinventar. https://db.desinventar.org/
Correa-Muñoz, N. A., & Higidio-Castro, J. F. (2017). Determination of landslide susceptibility in linear infrastructure. Case: Aqueduct network in Palacé, Popayan (Colombia). Ingenieria e Investigacion, 37(2), 17–24. https://doi.org/10.15446/ing.investig.v37n2.59654
Dai, F. C., Lee, C. F., & Ngai, Y. Y. (2002). Landslide risk assessment and management: An overview. Engineering Geology, 64(1), 65–87. https://doi.org/10.1016/S0013-7952(01)00093-X
ESRI. (2018). ArcGis Desktop Help in ArcMap utility. https://www.esri.com/en-us/arcgis/products/arcgis-desktop/resources
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8). https://doi.org/10.1016/j.patrec.2005.10.010
Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi, E., & Savage, W. Z. (2008). Guidelines for landslide susceptibility, hazard and risk zoning for land-use planning. Engineering Geology, 102(3–4), 99–111. https://doi.org/10.1016/j.enggeo.2008.03.014
Frattini, P., Crosta, G., & Carrara, A. (2010). Techniques for evaluating the performance of landslide susceptibility models. Engineering Geology, 111(1–4), 62–72. https://doi.org/10.1016/j.enggeo.2009.12.004
Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Landslide susceptibility index based on the integration of logistic regression and weights of evidence: A case study in Popayan, Colombia. Engineering Geology, 280. https://doi.org/10.1016/j.enggeo.2020.105958
Gwelo, A. S. (2019). PRINCIPAL COMPONENTS TO OVERCOME MULTICOLLINEARITY PROBLEM. Oradea Journal of Business and Economics, 4(1). https://doi.org/10.47535/1991ojbe062
Hinton, G., Deng, L., Yu, D., Dahl, G., Mohamed, A. R., Jaitly, N., Senior, A., Vanhoucke, V., Nguyen, P., Sainath, T., & Kingsbury, B. (2012). Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 29(6), 82–97. https://doi.org/10.1109/MSP.2012.2205597
Hong, H., Liu, J., Bui, D. T., Pradhan, B., Acharya, T. D., Pham, B. T., Zhu, A. X., Chen, W., & Ahmad, B. Bin. (2018). Landslide susceptibility mapping using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest ensembles in the Guangchang area (China). Catena, 163, 399–413. https://doi.org/10.1016/j.catena.2018.01.005
Hosmer, D. W., & Lemeshow, S. (2002). Applied Logistic Regression. In Applied Logistic Regression (Vol. 354). https://doi.org/10.1002/0471722146
Huang, D., Jiang, F., Li, K., Tong, G., & Zhou, G. (2022). Scaled PCA: A New Approach to Dimension Reduction. Management Science, 68(3). https://doi.org/10.1287/mnsc.2021.4020
Kalantar, B., Ueda, N., Lay, U. S., Al-Najjar, H. A. H., & Halin, A. A. (2019). Conditioning Factors Determination for Landslide Susceptibility Mapping Using Support Vector Machine Learning. International Geoscience and Remote Sensing Symposium (IGARSS), 9626–9629. https://doi.org/10.1109/IGARSS.2019.8898340
Lee, S., Ryu, J. H., Lee, M. J., & Won, J. S. (2003). Use of an artificial neural network for analysis of the susceptibility to landslides at Boun, Korea. Environmental Geology, 44(7), 820–833. https://doi.org/10.1007/s00254-003-0825-y
Lei, T. C., Wan, S., Chou, T. Y., & Pai, H. C. (2011). The knowledge expression on debris flow potential analysis through PCA + LDA and rough sets theory: A case study of Chen-Yu-Lan watershed, Nantou, Taiwan. Environmental Earth Sciences, 63(5), 981–997. https://doi.org/10.1007/s12665-010-0775-0
Mantilla, A., & Goyes-Peñafiel, P. (2023). Predicción de la ocurrencia de depósitos minerales tipo pórfido usando técnicas de aprendizaje automático.
Mindrila, D., & Balentyne, P. (2017). Scatterplots and Correlation. http://www.westga.edu/academics/research/vrc/assets/docs/scatterplots_and_correlation_notes.pdf
Nandi, A., & Shakoor, A. (2006). Preparation of a landslide susceptibility map of Summit County , Ohio , USA , using numerical models. 660, 1–11. https://www.researchgate.net/publication/228392404
Ordoñez, J. (2019). Movimiento en masa por lluvias intensas en el Perú. Repositorio Institucional - SENAMHI, 1–103. http://repositorio.senamhi.gob.pe/handle/20.500.12542/291#.XuuzTXE3a2o.mendeley
Park, S., Choi, C., Kim, B., & Kim, J. (2013). Landslide susceptibility mapping using frequency ratio, analytic hierarchy process, logistic regression, and artificial neural network methods at the Inje area, Korea. Environmental Earth Sciences, 68(5), 1443–1464. https://doi.org/10.1007/s12665-012-1842-5
Remondo, J., González-Díez, A., Díaz de Terán, J. R., & Cendrero, A. (2003). Landslide susceptibility models utilising spatial data analysis techniques. A case study from the lower Deba Valley, Guipúzcoa (Spain). Natural Hazards, 30(3). https://doi.org/10.1023/B:NHAZ.0000007202.12543.3a
Rodríguez, E., Sandoval, J., Chaparro, J., Trejos, G., Medina, E., Ramírez, K. C., Castro, E., Castro, J. A., & Ruiz, G. L. (2017). Guía metodológica para la zonificación de amenaza por movimientos en masa escala 1: 25.000. In Guía metodológica para la zonificación de amenaza por movimientos en masa escala 1: 25.000. Servicio Geológico Colombiano. https://doi.org/10.32685/9789585978225
Soeters, R., & Van Westen, C. J. (1996). Slope instability recognition, analysis, and zonation. Special Report - National Research Council, Transportation Research Board, 247, 129–177. https://ezproxy2.utwente.nl/login?url=https://webapps.itc.utwente.nl/library/1996/general/vanwesten_slo.pdf
Tekin, S., & Çan, T. (2022). Slide type landslide susceptibility assessment of the Büyük Menderes watershed using artificial neural network method. Environmental Science and Pollution Research, 29(31), 47174–47188. https://doi.org/10.1007/s11356-022-19248-1
Wang, Y., Fang, Z., & Hong, H. (2019). Comparison of convolutional neural networks for landslide susceptibility mapping in Yanshan County, China. Science of the Total Environment, 666. https://doi.org/10.1016/j.scitotenv.2019.02.263
Warmerdam, F., Rouault, E., & Others. (2023, January 8). gdalwarp — GDAL documentation. https://doi.org/https://doi.org/10.5281/zenodo.5884351
Yesilnacar, E., & Topal, T. (2005). Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology, 79(3–4), 251–266. https://doi.org/10.1016/J.ENGGEO.2005.02.002
Yi, Y., Zhang, Z., Zhang, W., & Xu, C. (2019). Comparison of Different Machine Learning Models for Landslide Susceptibility Mapping. International Geoscience and Remote Sensing Symposium (IGARSS), 9318–9321. https://doi.org/10.1109/IGARSS.2019.8898208
Yilmaz, I. (2009). A case study from Koyulhisar (Sivas-Turkey) for landslide susceptibility mapping by artificial neural networks. Bulletin of Engineering Geology and the Environment, 68(3). https://doi.org/10.1007/s10064-009-0185-2
Zhang, H., Zhang, G., & Jia, Q. (2019). Integration of Analytical Hierarchy Process and Landslide Susceptibility Index Based Landslide Susceptibility Assessment of the Pearl River Delta Area, China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(11), 4239–4251. https://doi.org/10.1109/JSTARS.2019.2938554
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 REVISTA AMBIENTAL AGUA, AIRE Y SUELO
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
