Los deslizamientos de tierra se encuentran entre los fenómenos naturales más destructivos, el peligro de estos ha quedado demostrado a lo largo del tiempo con numerosos sucesos que han causado daños con pérdida de vidas humanas y elevados costes materiales, siendo necesario proponer métodos que permitan una predicción y alerta tempranas. Se trata de un problema tradicionalmente abordado con métodos convencionales, de carácter determinista, con un número limitado de variables y un tratamiento estático de las mismas. El presente trabajo en su inicio propone el uso de los datos generados por estaciones meteorológicas para predecir los deslizamientos. Se da un tratamiento especial a la información de precipitación como factor más influyente y cuyos datos se acumulan en ventanas temporales (3, 5, 7, 10, 15, 20 y 30 días) buscando la persistencia de las condiciones meteorológicas. Se complementa esta información con un conjunto de datos compuesto por variables geológicas, geomorfológicas y climatológicas, se aplica un proceso de selección de características a las variables meteorológicas. Utilizamos la clasificación de características basada en filtros y los mapas auto-organizativos (Self-organizing maps - SOM) con Clustering como técnicas de aprendizaje automático supervisado y no supervisado, respectivamente. Esta contribución se verificó con éxito experimentando con diferentes modelos de clasificación, mejorando la precisión de la predicción en las pruebas, y obteniendo un 99,29\% para el Perceptrón Multicapa, un 96,80 % para el Bosque Aleatorio, y un 88,79 % para la Máquina de soporte vectorial. Se definen zonas de alto riesgo de desprendimiento mediante el aprendizaje automático, con la aplicación de los modelos se obtuvieron valores de probabilidad que pueden representarse como mapas multitemporales de susceptibilidad a los deslizamientos. La distribución de los valores en las diferentes clases de susceptibilidad se realiza mediante los métodos de intervalos semejantes, cuantiles y de Jenks, cuya comparación nos permitió seleccionar el mapa más adecuado para cada precipitación acumulada. De este modo, se identifican las zonas de máximo riesgo, así como los lugares concretos con mayor probabilidad de desprendimiento. Finalmente hemos creado un conjunto de datos de imágenes a partir de un inventario oficial de desprendimientos, que verificamos y actualizamos basándonos en información periodística y en la interpretación de imágenes de satélite de la zona de estudio. Las imágenes cubren las coronas de los deslizamientos y los valores reales de activación de los factores condicionantes a nivel de detalle (5x5 píxeles). Nuestro enfoque se centra en el lugar concreto donde se inicia el deslizamiento y sus proximidades, a diferencia de otros trabajos que consideran toda la zona de deslizamiento como el lugar de ocurrencia del fenómeno. Estas imágenes corresponden a variables geológicas, geomorfológicas, hidrológicas y antropológicas, que se apilan de forma similar a los canales de una imagen convencional para alimentar y entrenar una red neuronal convolucional. Así, mejoramos la calidad de los datos y la representación del fenómeno para obtener un modelo de predicción más robusto, fiable y preciso. Los resultados indican una precisión media del 97,48 %, lo que permite generar un mapa de susceptibilidad a deslizamientos en la carretera Aloag-Santo Domingo en Ecuador. Su uso práctico es una valiosa herramienta para la toma de decisiones en la gestión de riesgos, que puede ayudar a salvar vidas y reducir pérdidas económicas.
| Identifer | oai:union.ndltd.org:ua.es/oai:rua.ua.es:10045/143924 |
| Date | 09 June 2023 |
| Creators | Guerrero-Rodriguez, Byron |
| Contributors | Garcia-Rodriguez, Jose, Salvador, Jaime, Universidad de Alicante. Instituto Universitario de Investigación Informática |
| Publisher | Universidad de Alicante |
| Source Sets | Universidad de Alicante |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis |
| Rights | Licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, info:eu-repo/semantics/openAccess |
Page generated in 0.613 seconds