Aplicación de modelos de aprendizaje automático para pronosticar un ratio de daños ocasionados por inundaciones

Poveda Sandoval, Sebastian Francisco; Salazar Ruiz, Santiago Gerardo

Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/60867

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Roa López, Heydi , Director	-
dc.contributor.author	Poveda Sandoval, Sebastian Francisco	-
dc.contributor.author	Salazar Ruiz, Santiago Gerardo	-
dc.creator	ESPOL.FCNM	-
dc.date.accessioned	2024-03-26T20:32:53Z	-
dc.date.available	2024-03-26T20:32:53Z	-
dc.date.issued	2024	-
dc.identifier.citation	Poveda Sandoval, S. F. y Salazar Ruiz, S. G. (2024). Aplicación de modelos de aprendizaje automático para pronosticar un ratio de daños ocasionados por inundaciones. [Proyecto Integrador]. ESPOL.FCNM .	-
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/60867	-
dc.description	El presente proyecto tiene como objetivo la identificación de los sectores de Guayaquil que presentan una mayor propensión a sufrir daños significativos a nivel de extensión promedio, a consecuencia de inundaciones. La relevancia de esta iniciativa reside en que las inundaciones representan una de las principales amenazas naturales que enfrenta Guayaquil, y es crucial abordar este desafío de manera proactiva y estratégica. Se propone la aplicación del método de aprendizaje automático Random Forest para predecir los daños por sector, utilizando variables sociodemográficas proporcionadas por el Centro Internacional del Pacífico para la Reducción del Riesgo de Desastres, variables geográficas suministradas por la Municipalidad de Guayaquil y datos de la Encuesta Nacional de Empleo, Desempleo y Subempleo del Instituto Nacional de Estadística y Censos (INEC). Este estudio adquiere relevancia al vincularse con el Objetivo de Desarrollo Sostenible (ODS) 11, ya que la identificación de zonas de riesgo permite dirigir la atención y asignar recursos de manera específica para prevenir posibles daños futuros. El proceso de entrenamiento del modelo incorporó diversos parámetros y técnicas, culminando en una precisión del 57%. Aunque se reconoce que aún existen oportunidades de mejora, el modelo demuestra la capacidad de realizar estimaciones en metros cuadrados del área total afectada por sector debido a inundaciones, considerando variables sociodemográficas obtenidas del ENEMDU. El trabajo realizado representa un avance significativo en la aplicación de modelos de aprendizaje automático para mejorar la calidad de vida de los habitantes de Guayaquil. Palabras Clave: Inundaciones, Calidad de vida, Gestión de Riesgos, Random Forest.	-
dc.format	application/pdf	-
dc.format.extent	31 página	-
dc.language.iso	spa	-
dc.publisher	ESPOL.FCNM	-
dc.rights	openAccess	-
dc.subject	Inundaciones	-
dc.subject	Calidad de vida	-
dc.subject	Gestión de Riesgos	-
dc.subject	Random Forest	-
dc.title	Aplicación de modelos de aprendizaje automático para pronosticar un ratio de daños ocasionados por inundaciones	-
dc.type	Ingeniero Estadístico	-
dc.identifier.codigoespol	T-114315	-
dc.description.city	Guayquil	-
dc.description.degree	Escuela Superior Politécnica del Litoral	-
dc.identifier.codigoproyectointegrador	MATE-181	-
dc.description.abstractenglish	This project aims to identify Guayaquil?s most flood-prone areas. The relevance of this initiative lies in the fact that flooding is one of the main natural hazards facing Guayaquil, and it is crucial to address this challenge proactively and strategically. Using socio-demographic variables provided by the Pacific International Center for Disaster Risk Reduction, geographical variables provided by the Municipality of Guayaquil, and data from the National Survey of Employment, Unemployment and Underemployment of the National Institute of Statistics and Census (INEC), the application of the Random Forest machine learning method is proposed to predict damages by sector. This study is relevant in the context of Sustainable Development Goal (SDG) 11, as the identification of risk areas allows for the targeting of attention and the allocation of resources in order to prevent possible future damage. The model training process incorporated various parameters and techniques, culminating in an accuracy of 57%. Although it is recognised that there is still room for improvement, the model demonstrates the ability to estimate the total area affected by flooding per sector in square metres, taking into account socio-demographic variables obtained from the ENEMDU. This work represents significant progress in applying machine learning models to improve the quality of life of Guayaquil residents. Keywords: Flooding, Sustainable Development Goal (SDG), Risk management, Random Forest.	-
Appears in Collections:	Tesis de Estadística

Files in This Item:

File	Size	Format
T-114315 MATE-181.pdf	842.38 kB	Adobe PDF	View/Open

Show simple item record