Vol. 43 Núm. 1 (2021): Boletín de Geología
Artículos científicos

Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia

Paul Goyes-Peñafiel
Universidad industrial de Santander
Biografía
Alejandra Hernandez-Rojas
Universidad Industrial de Santander
Biografía

Publicado 2021-01-07

Palabras clave

  • Susceptibilidad por movimientos en masa,
  • Aprendizaje Profundo,
  • Regresión Logística,
  • Pesos de Evidencia,
  • Análisis de Componentes Principales,
  • Redes Neuronales Artificiales
  • ...Más
    Menos

Cómo citar

Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Boletín De Geología, 43(1), 173–191. https://doi.org/10.18273/revbol.v43n1-2021009

Altmetrics

Resumen

Los movimientos en masa son la amenaza natural más frecuente en zonas tropicales y son causantes de graves daños en la infraestructura vial, pérdida de vidas humanas y consecuencias económicas. Por lo tanto, una evaluación cuantitativa y confiable de la susceptibilidad por movimientos en masa es esencial para el desarrollo y planeación territorial. En este trabajo se estudia el cálculo de la susceptibilidad con un bajo nivel de incertidumbre a partir de la integración metodológica de Pesos de Evidencia con las Redes Neuronales Artificiales. El primero se usó para extraer los valores de los pesos de las variables y el inventario de movimientos en masa, y el segundo para establecer una relación no lineal entre los factores condicionantes y el inventario puntual de movimientos en masa realizado a partir del estudio geológico y geomorfológico del municipio de Popayán. Esto genera una doble verificación que permite extraer las características de las variables categóricas y continuas para generar relaciones más precisas de susceptibilidad, evitando la multicolinealidad y el uso de factores no significantes a partir del Análisis de Componentes Principales. Para estudiar la influencia de las variables, se analizaron dos propuestas metodológicas, la primera con dos variables y la segunda con cinco variables explicativas. Para cada una de ellas se aplicaron los métodos cuantitativos de Regresión Logística, Perceptrón Multicapa y Red Neuronal Profunda como elementos de doble verificación. Los resultados fueron evaluados a partir de la curva Característica Operativa del Receptor para cada modelo, encontrando que las redes neuronales profundas tienen un valor de Área Bajo la Curva de 0,902 y 0,969 para las propuestas 1 y 2 respectivamente, superando al método de Pesos de Evidencia usado convencionalmente y a la Regresión Logística como métodos cuantitativos.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

Abbaszadeh-Shahri, A.; Spross, J.; Johansson, F.; Larsson, S. (2019). Landslide susceptibility hazard map in southwest Sweden using artificial neural network. Catena, 183. https://doi.org/10.1016/j.catena.2019.104225

Aditian, A.; Kubota, T.; Shinohara, Y. (2018). Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia. Geomorphology, 318, 101-111. https://doi.org/10.1016/j.geomorph.2018.06.006

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. Boletín de Geología, 41(3), 85-105. https://doi.org/10.18273/revbol.v41n3-2019004

Asf-Alaska. (2007). Dataset: © JAXA/METI ALOS PALSAR L1.0 2007. Recuperado de ASF DAAC. Consultado el 11 de junio de 2020. https://doi.org/10.5067/NXY378J3DFZQ

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

Bragagnolo, L.; da Silva, R.V.; Grzybowski, J.M.V. (2020). Landslide susceptibility mapping with r.landslide: A free open-source GIS-integrated tool based on Artificial Neural Networks. Environmental Modelling and Software, 123. https://doi.org/10.1016/j.envsoft.2019.104565

Brownlee, J. (2017). Gentle Introduction to the Adam Optimization Algorithm for Deep Learning. Deep Learning Performance. https://machinelearningmastery.com/adamoptimization-algorithm-for-deep-learning/

Bui, D.T.; Tuan, T.A.; Klempe, H.; Pradhan, B.; Revhaug, I. (2016). Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Landslides, 13(2), 361-378. https://doi.org/10.1007/s10346-015-0557-6

Bui, D.T.; Tsangaratos, P.; Nguyen, V.T.; Van Liem, N.; Trinh, P.T. (2020). Comparing the prediction performance of a Deep Learning Neural Network model with conventional machine learning models in landslide susceptibility assessment. Catena, 188. https://doi.org/10.1016/j.catena.2019.104426

Cantarino, I.; Carrion, M.A.; Goerlich, F.; Martinez-Ibañez, V. (2019). A ROC analysis-based classification method for landslide susceptibility maps. Landslides, 16(2), 265-282. https://doi.org/10.1007/s10346-018-1063-4

Carvajal-Perico, J.H. (2012). Propuesta de estandarización de la cartografía geomorfológica en Colombia. Bogotá: Servicio Geológico Colombiano.

Chollet, F. (2018). Deep Learning with Python. Manning.

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

Correa, F.; Gallardo, J.; Muñoz, N.; Pérez, R. (2016). Estudio comparativo basado en métricas para diferentes arquitecturas de navegación reactiva. Ingeniare, 24(1), 46-54. https://doi.org/10.4067/S0718-33052016000100005

Correa-Muñoz, N.A.; Higidio-Castro, J.F. (2017). Determination of landslide susceptibility in linear infrastructure. Case: aqueduct network in Palacé, Popayan (Colombia). Ingeniería e Investigación, 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

DANE. (2019). Resultados Censo Nacional de Población y Vivienda 2018. Consultado el 18 de marzo de 2020. http://microdatos.dane.gov.co/index.php/catalog/643

Decreto 1077 de 2015 [con fuerza de ley]. Por medio del cual se expide el Decreto Único Reglamentario del Sector Vivienda, Ciudad y Territorio. 26 de mayo de 2015. D.O. No. 49523.

Goodfellow, I.; Bengio, Y.; Courville, A. (2016). Deep Learning. MIT Press.

Gwelo, A. (2019). Principal components to overcome multicollinearity problem. Oradea Journal of Business and Economics, 4(1), 79-91.

He, Q.; Shahabi, H.; Shirzadi, A.; Li, S.; Chen, W.; Wang, N.; Chai, H.; Bian, H.; Ma, J.; Chen, Y.; Wang, X.; Chapi, K.; Ahmad, B.B. (2019). Landslide spatial modelling using novel bivariate statistical based Naïve Bayes, RBF Classifier, and RBF Network machine learning algorithms. Science of the Total Environment, 663, 1-15. https://doi.org/10.1016/j.scitotenv.2019.01.329

Hemasinghe, H.; Rangali, R.S.S.; Deshapriya, N.L.; Samarakoon, L. (2018). Landslide susceptibility mapping using logistic regression model (a case study in Badulla District, Sri Lanka). Procedia Engineering, 212, 1046-1053. https://doi.org/10.1016/j.proeng.2018.01.135

Hong, H.; Ilia, I.; Tsangaratos, P.; Chen, W.; Xu, C. (2017). A hybrid fuzzy weight of evidence method in landslide susceptibility analysis on the Wuyuan area, China. Geomorphology, 290, 1-16. https://doi.org/10.1016/j.geomorph.2017.04.002

Hu, Q.; Zhou, Y.; Wang, S.; Wang, F. (2020). Machine learning and fractal theory models for landslide susceptibility mapping: Case study from the Jinsha River Basin. Geomorphology, 351. https://doi.org/10.1016/j.geomorph.2019.106975

Huang, F.; Zhang, J.; Zhou, C.; Huang J.; Zhu L. (2020). A deep learning algorithm using a fully connected sparse autoencoder neural network for landslide susceptibility prediction. Landslides, 17, 217-229. https://doi.org/10.1007/s10346-019-01274-9

Ilia, I.; Tsangaratos, P.; Koumantakis, I.; Rozos, D. (2010). Application of a bayesian approach in GIS based model for evaluating landslide susceptibility. Case study KIMI area, Euboea, Greece. Bulletin of the Geological Society of Greece, 43(3), 1590-1600. https://doi.org/10.12681/bgsg.11333

Ilia, I.; Tsangaratos, P. (2016). Applying weight of evidence method and sensitivity analysis to produce a landslide susceptibility map. Landslides, 13(2), 379-397. https://doi.org/10.1007/s10346-015-0576-3

Kadavi, P.R.; Lee, C.W.; Lee, S. (2019). Landslide-susceptibility mapping in Gangwon-do, South Korea, using logistic regression and decision tree models. Environmental Earth Sciences, 78(4). https://doi.org/10.1007/s12665-019-8119-1

Kingma, D.P.; Ba, J.L. (2015). Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations. San Diego, EE.UU.

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

Lin, G.F.; Chang, M.J.; Huang, Y.C.; Ho, J.Y. (2017). Assessment of susceptibility to rainfall-induced landslides using improved self-organizing linear output map, support vector machine, and logistic regression. Engineering Geology, 224, 62-74. https://doi.org/10.1016/j.enggeo.2017.05.009

Lombardo, L.; Mai, P.M. (2018). Presenting logistic regression-based landslide susceptibility results. Engineering Geology, 244, 14-24. https://doi.org/10.1016/j.enggeo.2018.07.019

Luo, W.; Liu, C.C. (2018). Innovative landslide susceptibility mapping supported by geomorphon and geographical detector methods. Landslides, 15(3), 465-474. https://doi.org/10.1007/s10346-017-0893-9

Mahdadi, F.; Boumezbeur, A.; Hadji, R.; Kanungo, D.P.; Zahri, F. (2018). GIS-based landslide susceptibility assessment using statistical models: a case study from Souk Ahras province, N-E Algeria. Arabian Journal of Geosciences, 11(17). https://doi.org/10.1007/s12517-018-3770-5

Oh, H.J.; Kadavi, P.R.; Lee, C.W.; Lee, S. (2018). Evaluation of landslide susceptibility mapping by evidential belief function, logistic regression and support vector machine models. Geomatics, Natural Hazards and Risk, 9(1), 1053-1070. https://doi.org/10.1080/19475705.2018.1481147

Ozdemir, A.; Altural, T. (2013). A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey. Journal of Asian Earth Sciences, 64, 180-197. https://doi.org/10.1016/j.jseaes.2012.12.014

Pamela; Sadisun, I.A.; Arifianti, Y. (2018). Weights of evidence method for landslide susceptibility mapping in Takengon, Central Aceh, Indonesia. IOP Conference Series: Earth and Environmental Science, 118(1). https://doi.org/10.1088/1755-1315/118/1/012037

Patriche, C.V.; Pirnau, R.; Grozavu, A.; Rosca, B. (2016). A comparative analysis of binary logistic regression and analytical hierarchy process for landslide susceptibility assessment in the Dobrovăț River Basin, Romania. Pedosphere, 26(3), 335-350. https://doi.org/10.1016/S1002-0160(15)60047-9

Regmi, N.R.; Giardino, J.R.; Vitek, J.D. (2010). Modeling susceptibility to landslides using the weight of evidence approach: Western Colorado, USA. Geomorphology, 115(1-2), 172-187. https://doi.org/10.1016/j.geomorph.2009.10.002

Sagar, B.S.D.; Cheng, Q.; Agterberg, F. (2018). Handbook of Mathematical Geosciences: Fifty Years of IAMG. Springer International Publishing. https://doi.org/10.1007/978-3-319-78999-6

Servicio Geológico Colombiano. (2015). Zonificación geomecánica y de amenaza por movimientos en masa del municipio de Popayán - Cauca.

Servicio Geológico Colombiano. (2017). Guía Metodológica para la Zonificación de Amenaza por Movimientos en Masa Escala 1:25000.

Tharwat, A. (2020). Classification assessment methods. Applied Computing and Informatics. https://doi.org/10.1016/j.aci.2018.08.003

Trigila, A.; Iadanza, C.; Esposito, C.; Scarascia-Mugnozza, G. (2015). Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy). Geomorphology, 249, 119-136. https://doi.org/10.1016/j.geomorph.2015.06.001

van Westen, C.J. (2002). Weights of evidence modeling for landslide susceptibility mapping. International Institute for Geoinformation Science and Earth Observation (ITC), Netherlands.

van Westen, C.J.; Rengers, N.; Soeters, R. (2003). Use of geomorphological information in indirect landslide susceptibility assessment. Natural Hazards, 30(3), 399-419. https://doi.org/10.1023/B:NHAZ.0000007097.42735.9e

van Westen, C.J.; Castellanos, E.; Kuriakose, S.L. (2008). Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview. Engineering Geology, 102(3-4), 112-131. https://doi.org/10.1016/j.enggeo.2008.03.010

Varnes, D. (1978). Slope movement types and processes. En: R. Schuster; R. Krizek (eds.). Landslides: analysis and control (pp. 11-33). Transportation Research Board.

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, 975-993. https://doi.org/10.1016/j.scitotenv.2019.02.263

Yang, J.; Song, C.; Yang, Y.; Xu, C.; Guo, F.; Xie, L. (2019). New method for landslide susceptibility mapping supported by spatial logistic regression and GeoDetector: A case study of Duwen Highway Basin, Sichuan Province, China. Geomorphology, 324, 62-71. https://doi.org/10.1016/j.geomorph.2018.09.019

Zhao, Y.; Wang, R.; Jiang, Y.; Liu, H.; Wei, Z. (2019). GIS-based logistic regression for rainfall-induced landslide susceptibility mapping under different grid sizes in Yueqing, Southeastern China. Engineering Geology, 259. https://doi.org/10.1016/j.enggeo.2019.105147

Zhou, C.; Yin, K.; Cao, Y.; Ahmed, B.; Li, Y.; Catani, F.; Pourghasemi, H.R. (2018). Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China. Computers & Geosciences, 112, 23-37. https://doi.org/10.1016/j.cageo.2017.11.019