Revista UIS Ingenierías

Vol. 24 Núm. 4 (2025): Revista UIS Ingenierías
Artículos

Mapeo de la susceptibilidad a deslizamientos de tierra usando Redes Neuronales Artificiales y Bosques Aleatorios

PDF
  • Janer Rafael Cantillo- Romero,
  • Diego Ivan Sanchez-Tapiero,
  • Jarol Derley Ramón -Valencia
Janer Rafael Cantillo- Romero
Universidad de Pamplona
Diego Ivan Sanchez-Tapiero
Universidad de ¨Pamplona
Jarol Derley Ramón -Valencia
Universidad de ¨Pamplona
DOI: https://doi.org/10.18273/revuin.v24n4-2025003

Publicado 2025-11-15

Palabras clave

  • Mapeo de la susceptibilidad,
  • deslizamientos de tierra,
  • Redes Neuronales Artificiales,
  • Bosques Aleatorios,
  • inteligencia artificial

Cómo citar

Cantillo- Romero, J. R., Sanchez-Tapiero, D. I., & Ramón -Valencia, J. D. (2025). Mapeo de la susceptibilidad a deslizamientos de tierra usando Redes Neuronales Artificiales y Bosques Aleatorios. Revista UIS Ingenierías, 24(4), 31–46. https://doi.org/10.18273/revuin.v24n4-2025003

Derechos de autor 2025 Revista UIS Ingenierías

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.

Resumen

A nivel mundial, los deslizamientos de tierra causan miles de muertes cada año, según la Organización de Naciones Unidas (ONU) este fenómeno asociado al Cambio Climático ha mostrado un aumento del 50% en la última década, presentándose a un ritmo de cuatro veces mayor que en 1980. En este contexto, el mapeo de la susceptibilidad a deslizamientos emerge como una herramienta clave para identificar áreas con condiciones propensas a la ocurrencia de estos eventos, a partir del análisis de variables geológicas, morfológicas, climáticas y antrópicas. El presente estudio tiene como objetivo principal evaluar y comparar el desempeño de dos modelos de aprendizaje automático Redes Neuronales Artificiales (ANN) y Bosques Aleatorios (RF) en el desarrollo de mapas de susceptibilidad a deslizamientos, tomando como caso de estudio el municipio de Toledo (Colombia), una zona montañosa con alta recurrencia de eventos de deslizamientos. Para ello, se integraron diez factores condicionantes locales relevantes como lo son factores morfológicos y geoambientales, que influyen en la ocurrencia de los eventos. La importancia de cada uno de estos se calculó utilizando el método de RF y pruebas estadísticas como, la curva característica operativa del receptor (ROC), la precisión, el rendimiento y la robustez del mapa para seleccionar los modelos más adecuados. Los resultados obtenidos mostraron que el modelo ANN superó significativamente a RF, con un área bajo la curva (AUC) promedio de 0,98 basado en una validación cruzada de 5 veces, mientras que RF obtuvo valores de 0,96 y 0,99, aunque sesgados. Estos resultados evidencian la utilidad de las ANN como herramienta eficaz para la generación de mapas de susceptibilidad, más que como modelos predictivos, convirtiéndose en una herramienta valiosa para los tomadores de decisiones, proporcionando información importante para la gestión y mitigación del riesgo ante impactos futuros del clima, contribuyendo especialmente al cumplimiento de los Objetivos de Desarrollo Sostenible 11 (Ciudades y comunidades sostenibles) y 15 (Vida de ecosistemas terrestres). 

PDF

Descargas

Los datos de descargas todavía no están disponibles.

Citas

  1. [1] D. Petley, “Global patterns of loss of life from landslides,” Geology, vol. 40, no. 10, pp. 927–930, Oct. 2012, doi: https://doi.org/10.1130/G33217.1.
  2. [2] U. N. O. for D. R. R. (UNDRR), “Economic losses, poverty & disasters: 1998-2017,” Econ. losses, poverty disasters, 2018, [Online]. Available: https://www.unisdr.org/files/61119_credeconomiclosses.pdf
  3. [3] P. Tsangaratos and I. Ilia, “Comparison of a logistic regression and Naïve Bayes classifier in landslide susceptibility assessments: The influence of models complexity and training dataset size,” Catena, vol. 145, pp. 164–179, 2016, doi: https://doi.org/ 10.1016/j.catena.2016.06.004.
  4. [4] W. Chen et al., “Landslide susceptibility modeling based on GIS and Novel Bagging-based Kernel logistic regression,” Appl. Sci., vol. 8, no. 12, 2018, doi: https://doi.org/10.3390/app8122540.
  5. [5] Y. Wang, Z. Fang, and H. Hong, “Comparison of convolutional neural networks for landslide susceptibility mapping in Yanshan County, China,” Sci. Total Environ., vol. 666, 2019, doi: https://doi.org/10.1016/j.scitotenv.2019.02.263.
  6. [6] D. S. Hadmoko, F. Lavigne, and G. Samodra, “Application of a semiquantitative and GIS-based statistical model to landslide susceptibility zonation in Kayangan Catchment, Java, Indonesia,” Nat. Hazards, vol. 87, no. 1, 2017, doi: https://doi.org/10.1007/s11069-017-2772-z.
  7. [7] J. Cantillo et al., “Zonificación de la amenaza por movimientos en masa del municipio de Toledo, Norte de Santander a escala 1:25 000.” Servicio Geológico Colombiano y Universidad de Pamplona, Bogota DC, 2021.
  8. [8] J. wen Zhou, P. Cui, and X. guo Yang, “Dynamic process analysis for the initiation and movement of the Donghekou landslide-debris flow triggered by the Wenchuan earthquake,” J. Asian Earth Sci., vol. 76, 2013, doi: https://doi.org/10.1016/j.jseaes.2013.08.007.
  9. [9] B. T. Pham, D. Tien Bui, and I. Prakash, “Bagging based Support Vector Machines for spatial prediction of landslides,” Environ. Earth Sci., vol. 77, no. 4, 2018, doi: https://doi.org/10.1007/s12665-018-7268-y.
  10. [10] J. R. Cantillo Romero, J. J. Estrada Romero, and C. Henríquez Miranda, “APLICACIÓN DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN GEOCIENCIA: REVISIÓN INTEGRAL Y DESAFÍO FUTURO,” Rev. Ambient. AGUA, AIRE Y SUELO, vol. 14, no. 2 SE-Artículos, pp. 9–18, Nov. 2023, doi: https://doi.org/10.24054/raaas.v14i2.2783.
  11. [11] J. Elith, J. R. Leathwick, and T. Hastie, “A working guide to boosted regression trees,” Journal of Animal Ecology, vol. 77, no. 4. 2008. doi: https://doi.org/10.1111/j.1365-2656.2008.01390.x.
  12. [12] W. Chen et al., “Spatial prediction of landslide susceptibility using GIS-based data mining techniques of ANFIS with whale optimization algorithm (WOA) and grey wolf optimizer (GWO),” Appl. Sci., vol. 9, no. 18, 2019, doi: https://doi.org/10.3390/app9183755.
  13. [13] C. Zhou et al., “Landslide susceptibility modeling applying machine learning methods: A case study from Longju in the Three Gorges Reservoir area, China,” Comput. Geosci., vol. 112, 2018, doi: https://doi.org/10.1016/j.cageo.2017.11.019.
  14. [14] B. T. Pham et al., “A novel ensemble classifier of rotation forest and Naïve Bayer for landslide susceptibility assessment at the Luc Yen district, Yen Bai Province (Viet Nam) using GIS,” Geomatics, Nat. Hazards Risk, vol. 8, no. 2, 2017, doi: https://doi.org/10.1080/19475705.2016.1255667.
  15. [15] J. N. Goetz, A. Brenning, H. Petschko, and P. Leopold, “Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling,” Comput. Geosci., vol. 81, 2015, doi: https://doi.org/10.1016/j.cageo.2015.04.007.
  16. [16] B. Pradhan, “A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS,” Comput. Geosci., vol. 51, 2013, doi: https://doi.org/10.1016/j.cageo.2012.08.023.
  17. [17] G. F. Lin, M. J. Chang, Y. C. Huang, and J. Y. Ho, “Assessment of susceptibility to rainfall-induced landslides using improved self-organizing linear output map, support vector machine, and logistic regression,” Eng. Geol., vol. 224, pp. 62–74, 2017, doi: https://doi.org/10.1016/j.enggeo.2017.05.009.
  18. [18] A. Can, G. Dagdelenler, M. Ercanoglu, and H. Sonmez, “Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms,” Bull. Eng. Geol. Environ., vol. 78, no. 1, pp. 89–102, 2019, doi: https://doi.org/10.1007/s10064-017-1034-3.
  19. [19] F. Huang, K. Yin, J. Huang, L. Gui, and P. Wang, “Landslide susceptibility mapping based on self-organizing-map network and extreme learning machine,” Eng. Geol., vol. 223, 2017, doi: https://doi.org/10.1016/j.enggeo.2017.04.013.
  20. [20] P. Doetsch et al., “Logistic Model Trees with AUC Split Criterion for the KDD Cup 2009 Small Challenge,” J. Mach. Learn. Res. Work. Conf. Proc., vol. 7, 2009.
  21. [21] K. Zhang, X. Wu, R. Niu, K. Yang, and L. Zhao, “The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China,” Environ. Earth Sci., vol. 76, no. 11, 2017, doi: https://doi.org/10.1007/s12665-017-6731-5.
  22. [22] E. Rodríguez et al., Guía metodológica para la zonificación de amenaza por movimientos en masa escala 1: 25.000. Servicio Geológico Colombiano, 2017. doi: https://doi.org/10.32685/9789585978225.
  23. [23] D. Huang, F. Jiang, K. Li, G. Tong, and G. Zhou, “Scaled PCA: A New Approach to Dimension Reduction,” Manage. Sci., vol. 68, no. 3, 2022, doi: https://doi.org/10.1287/mnsc.2021.4020.
  24. [24] C. Baeza and J. Corominas, “Assessment of shallow landslide susceptibility by means of multivariate statistical techniques,” Earth Surf. Process. Landforms, vol. 26, no. 12, pp. 1251–1263, 2001, doi: https://doi.org/10.1002/esp.263.
  25. [25] N. A. Correa-Muñoz and J. F. Higidio-Castro, “Determination of landslide susceptibility in linear infrastructure. Case: Aqueduct network in Palacé, Popayan (Colombia),” Ing. e Investig., vol. 37, no. 2, pp. 17–24, 2017, doi: https://doi.org/10.15446/ing.investig.v37n2.59654.
  26. [26] A. S. Gwelo, “PRINCIPAL COMPONENTS TO OVERCOME MULTICOLLINEARITY PROBLEM,” Oradea J. Bus. Econ., vol. 4, no. 1, 2019, doi: https://doi.org/10.47535/1991ojbe062.
  27. [27] T. C. Lei, S. Wan, T. Y. Chou, and H. C. Pai, “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,” Environ. Earth Sci., vol. 63, no. 5, pp. 981–997, 2011, doi: https://doi.org/10.1007/s12665-010-0775-0.
  28. [28] S. Lee, J. H. Ryu, M. J. Lee, and J. S. Won, “Use of an artificial neural network for analysis of the susceptibility to landslides at Boun, Korea,” Environ. Geol., vol. 44, no. 7, pp. 820–833, 2003, doi: https://doi.org/10.1007/s00254-003-0825-y.
  29. [29] F. Warmerdam, E. Rouault, and Others, “gdalwarp — GDAL documentation.” Accessed: Jan. 09, 2024. [Online]. Available: https://gdal.org/index.html
  30. [30] J. Remondo, A. González-Díez, J. R. Díaz de Terán, and A. Cendrero, “Landslide susceptibility models utilising spatial data analysis techniques. A case study from the lower Deba Valley, Guipúzcoa (Spain),” Nat. Hazards, vol. 30, no. 3, 2003, doi: https://doi.org/10.1023/B:NHAZ.0000007202.12543.3a.
  31. [31] S. Beguería, “Validation and evaluation of predictive models in hazard assessment and risk management,” Nat. Hazards, vol. 37, no. 3, 2006, doi: https://doi.org/10.1007/s11069-005-5182-6.
  32. [32] D. W. Hosmer and S. Lemeshow, Applied Logistic Regression, vol. 354. 2002. doi: https://doi.org/10.1002/0471722146.
  33. [33] P. Frattini, G. Crosta, and A. Carrara, “Techniques for evaluating the performance of landslide susceptibility models,” Eng. Geol., vol. 111, no. 1–4, pp. 62–72, 2010, doi: https://doi.org/10.1016/j.enggeo.2009.12.004.
  34. [34] A. Nandi and A. Shakoor, “Preparation of a landslide susceptibility map of Summit County , Ohio , USA , using numerical models,” no. 660, pp. 1–11, 2006, [Online]. Available: https://www.researchgate.net/publication/228392404
  35. [35] ESRI, “ArcGis Desktop Help in ArcMap utility.” [Online]. Available: https://www.esri.com/en-us/arcgis/products/arcgis-desktop/resources
  36. [36] P. Goyes-Peñafiel and A. Hernandez-Rojas, “Landslide susceptibility index based on the integration of logistic regression and weights of evidence: A case study in Popayan, Colombia,” Eng. Geol., vol. 280, 2021, doi: https://doi.org/10.1016/j.enggeo.2020.105958.
  37. [37] D. Mindrila and P. Balentyne, “Scatterplots and Correlation,” 2017. Accessed: Jan. 09, 2024. [Online]. Available: http://www.westga.edu/academics/research/vrc/assets/docs/scatterplots_and_correlation_notes.pdf
  38. [38] T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit. Lett., vol. 27, no. 8, 2006, doi: https://doi.org/10.1016/j.patrec.2005.10.010.
  39. [39] I. Yilmaz, “A case study from Koyulhisar (Sivas-Turkey) for landslide susceptibility mapping by artificial neural networks,” Bull. Eng. Geol. Environ., vol. 68, no. 3, 2009, doi: https://doi.org/10.1007/s10064-009-0185-2.
  40. [40] I. Yilmaz, “Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from Kat landslides (Tokat-Turkey),” Comput. Geosci., vol. 35, no. 6, 2009, doi: https://doi.org/10.1016/j.cageo.2008.08.007.