Examinando por Autor "Alonso, Gustavo A."

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 1 de 1
  • Miniatura
    Ítem
    Evaluation of Conditioning Factors of Slope Instability and Continuous Change Maps in the Generation of Landslide Inventory Maps Using Machine Learning (ML) Algorithms
    (MDPI, 2021-11-10) Ramos, Rocio N.; Vázquez, René; Cantú, Claudia; Alarcón, Antonio; Alonso, Gustavo A.; Bruzón, Adrián G.; Arrogante, Fátima; Martín, Fidel; Novillo, Carlos J.; Arrogante, Patricia
    Los deslizamientos de tierra son reconocidos como peligros naturales de alto impacto en diferentes regiones alrededor del mundo; por lo tanto, son objeto de extensa investigación por parte de expertos. Los inventarios de deslizamientos son esenciales para identificar áreas que podrían verse afectadas en el futuro, permitiendo así intervenciones para prevenir la pérdida de vidas. Hoy en día, mediante enfoques combinados, como teledetección y técnicas de aprendizaje automático, es posible aplicar algoritmos que utilizan datos derivados de imágenes satelitales para producir inventarios de deslizamientos. Este trabajo presenta el rendimiento de cinco métodos de aprendizaje automático: k-vecinos más cercanos (KNN), descenso de gradiente estocástico (SGD), máquina de soporte vectorial con núcleo de función radial (SVM RBF Kernel), máquina de soporte vectorial con núcleo lineal (SVM linear kernel) y AdaBoost, en la detección de deslizamientos en una zona del estado de Guerrero, en el sur de México, utilizando mapas de cambio continuo y factores principales de deslizamiento, como el ángulo de pendiente, la orientación del terreno (aspecto) y la litología, como entradas. Los modelos se entrenaron con 2/3 de muestras de verdad terrestre de 671 polígonos deslizados/no deslizados. Los mapas de inventario obtenidos se evaluaron con el 1/3 restante de muestras de verdad terrestre mediante la generación de una matriz de confusión y la aplicación del coeficiente de concordancia Kappa, precisión, recall y puntuación F1 como métricas de evaluación, así como errores de omisión y comisión. Según los resultados, el clasificador AdaBoost alcanzó una mayor coherencia espacial y estadística que los otros métodos implementados. La mejor combinación de capas de entrada para la detección fue la de mapas de cambio continuo obtenidos mediante los métodos de regresión lineal y diferenciación de imágenes, junto con los factores condicionantes de ángulo de pendiente, aspecto y litología.