Enfoques Integrados de Aprendizaje Automático para la Cartografía de Susceptibilidad a Deslizamientos de Tierra a lo Largo de la Carretera Karakoram Pakistán-China
Autores: Ullah, Mohib; Qiu, Haijun; Huangfu, Wenchao; Yang, Dongdong; Wei, Yingdong; Tang, Bingzhe
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Mapeo de susceptibilidad a deslizamientos de tierra basado en datos
Modelos de aprendizaje automático
Factores geoespaciales
Ensamblaje apilado
Modelado híbrido
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
La efectividad del mapeo de susceptibilidad a deslizamientos de tierra basado en datos depende de la integridad de los datos y del análisis geoespacial avanzado; sin embargo, seleccionar el método más adecuado e identificar los factores regionales clave sigue siendo una tarea desafiante. Para abordar esto, este estudio evaluó el rendimiento de seis modelos de aprendizaje automático, incluidos las Redes Neuronales Convolucionales (CNN), el Bosque Aleatorio (RF), el Aumento Categórico (CatBoost), sus modelos híbridos basados en CNN (CNN+RF y CNN+CatBoost), y un Ensamble de Apilamiento (SE) que combina CNN, RF y CatBoost en el mapeo de la susceptibilidad a deslizamientos de tierra a lo largo de la Carretera Karakoram en el norte de Pakistán. Se examinaron doce factores geoespaciales, categorizados en Topografía/Geomorfología, Cobertura del Suelo/Vegetación, Geología, Hidrología e Influencia Antropogénica. Se compiló un inventario detallado de deslizamientos de tierra de 272 ocurrencias para entrenar los modelos. El ensamble de apilamiento propuesto y los modelos híbridos mejoran la modelización de la susceptibilidad a deslizamientos de tierra, con el ensamble de apilamiento logrando un AUC de 0.91. La modelización híbrida mejora la precisión, con CNN-RF aumentando el AUC de RF de 0.85 a 0.89 y CNN-CatBoost incrementando el AUC de CatBoost de 0.87 a 0.90. Los valores de chi-cuadrado (2) (9.8-21.2) y los valores p (<0.005) confirman la significancia estadística en todos los modelos. Este estudio identifica aproximadamente el 20.70% del área como de alto a muy alto riesgo, con el modelo SE destacándose en la detección de zonas de alto riesgo. Los factores clave que influyen en la susceptibilidad a deslizamientos de tierra mostraron ligeras variaciones entre los modelos, mientras que la multicolinealidad entre las variables se mantuvo mínima. El enfoque de modelización propuesto reduce las incertidumbres, mejora la precisión de las predicciones y apoya a los tomadores de decisiones en la implementación de estrategias efectivas de mitigación de deslizamientos de tierra.
Descripción
La efectividad del mapeo de susceptibilidad a deslizamientos de tierra basado en datos depende de la integridad de los datos y del análisis geoespacial avanzado; sin embargo, seleccionar el método más adecuado e identificar los factores regionales clave sigue siendo una tarea desafiante. Para abordar esto, este estudio evaluó el rendimiento de seis modelos de aprendizaje automático, incluidos las Redes Neuronales Convolucionales (CNN), el Bosque Aleatorio (RF), el Aumento Categórico (CatBoost), sus modelos híbridos basados en CNN (CNN+RF y CNN+CatBoost), y un Ensamble de Apilamiento (SE) que combina CNN, RF y CatBoost en el mapeo de la susceptibilidad a deslizamientos de tierra a lo largo de la Carretera Karakoram en el norte de Pakistán. Se examinaron doce factores geoespaciales, categorizados en Topografía/Geomorfología, Cobertura del Suelo/Vegetación, Geología, Hidrología e Influencia Antropogénica. Se compiló un inventario detallado de deslizamientos de tierra de 272 ocurrencias para entrenar los modelos. El ensamble de apilamiento propuesto y los modelos híbridos mejoran la modelización de la susceptibilidad a deslizamientos de tierra, con el ensamble de apilamiento logrando un AUC de 0.91. La modelización híbrida mejora la precisión, con CNN-RF aumentando el AUC de RF de 0.85 a 0.89 y CNN-CatBoost incrementando el AUC de CatBoost de 0.87 a 0.90. Los valores de chi-cuadrado (2) (9.8-21.2) y los valores p (<0.005) confirman la significancia estadística en todos los modelos. Este estudio identifica aproximadamente el 20.70% del área como de alto a muy alto riesgo, con el modelo SE destacándose en la detección de zonas de alto riesgo. Los factores clave que influyen en la susceptibilidad a deslizamientos de tierra mostraron ligeras variaciones entre los modelos, mientras que la multicolinealidad entre las variables se mantuvo mínima. El enfoque de modelización propuesto reduce las incertidumbres, mejora la precisión de las predicciones y apoya a los tomadores de decisiones en la implementación de estrategias efectivas de mitigación de deslizamientos de tierra.