1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Ciencias de la Tierra
4. Tesis de Geología

Title:	Elaboración de un modelo de susceptibilidad frente a deslizamientos en el área urbana de Guayaquil
Authors:	Valdiviezo Ajila, Ángel Alberto , Director Rivera Díaz, Génesis Elizabeth
Keywords:	Machine learning Modelización Sistemas de información geográfica Mitigación Random Forest
Issue Date:	2024
Publisher:	ESPOL.FICT
Citation:	Rivera Díaz, G. E. (2024). Elaboración de un modelo de susceptibilidad frente a deslizamientos en el área urbana de Guayaquil. [Proyecto Integrador]. ESPOL.FICT .
Description:	Los deslizamientos de tierra se consideran uno de los eventos más peligrosos globalmente. Por lo que, en la ciudad de Guayaquil es indispensable elaborar un modelo de susceptibilidad a deslizamientos para la evaluación y prevención de riesgos de desastres, a través del algoritmo Random Forest (RF), una metodología avanzada de machine learning (ML). Para esto, se utilizaron 14 factores condicionantes (pendiente, altitud, litología, curvatura de planta, curvatura de perfil, SPI, STI, NDVI, TWI, uso y cobertura de suelos, densidad de fallas, distancia a las fallas, densidad de drenaje, distancia a los drenajes) seleccionados en base al Plan de adaptación al cambio climático del Ecuador y estudios previos en modelización con ML. A través del inventario de deslizamientos y generación aleatoria de áreas no deslizamientos, se logró recolectar 180 muestras para el conjunto de datos de entrenamiento (70%) y validación (30%). El algoritmo RF, demostró su alta capacidad predictiva, logrando un rendimiento del 88.5% en la modelización. Además, permitió la evaluación detallada de las variables e identificación de zonas susceptibles. Los resultados obtenidos indican que el modelo RF es una herramienta óptima para la evaluación de susceptibilidad, así como para la planificación de medidas de mitigación y gestión de riesgos. Palabras Clave: Machine learning, modelización, sistemas de información geográfica, mitigación, Random Forest.
metadata.dc.description.abstractenglish:	Landslides are considered one of most dangerous events globally. In Guayaquil city, it?s essential to develop a landslide susceptibility model for disaster risk assessment, through the Random Forest (RF) algorithm, an advanced machine learning (ML) methodology. For this, 14 conditioning factors were used (slope, altitude, lithology, plan curvature, profile curvature, SPI, STI, NDVI, TWI, land use and cover, fault density, distance to drains) selected based on the Ecuadorian Climate Change Adaptation Plan and previous studies in ML modeling. Through the landslide inventory and random generation of non-landslide areas, 180 samples were collected for the training data set (70%) and validation (30%). The RF algorithm demonstrated its high predictive capacity, achieving a performance of 88.5% in the modeling. Furthermore, it allowed for detailed evaluation of variables and identification of susceptible areas. The results obtained indicate that the RF model is an optimal tool for the evaluation of susceptibility, as well as for planning mitigation measures and risk management. Keywords: machine learning, modeling, geographic information systems, mitigation, Random Forest.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/63115
metadata.dc.identifier.codigoproyectointegrador:	INGE-2437
Appears in Collections:	Tesis de Geología

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.