Examinando por Autor "Arrogante, Patricia"

Mostrando 1 - 3 de 3

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.
Landslide Susceptibility Assessment Using an AutoML Framework
(MDPI, 2021-10-19) Bruzón, Adrián G.; Arrogante, Patricia; Arrogante, Fátima; Martín, Fidel; Novillo, Carlos J.; Fernández, Rubén; Vázquez, René; Alarcón, Antonio; Alonso, Gustavo; Cantú, Claudia; Ramos, Rocío N.
Los riesgos asociados con los deslizamientos de tierra están aumentando las pérdidas personales y los daños materiales en cada vez más áreas del mundo. Estos desastres naturales están relacionados con fenómenos geológicos y meteorológicos extremos (por ejemplo, terremotos, huracanes) que ocurren en regiones que ya han sufrido catástrofes naturales similares en el pasado. Por lo tanto, para mitigar de manera efectiva los riesgos de deslizamientos, nuevas metodologías deben identificar y comprender mejor todos estos peligros de deslizamiento mediante una gestión adecuada. Dentro de estas metodologías, aquellas basadas en evaluar la susceptibilidad a los deslizamientos aumentan la predictibilidad de las áreas donde es más probable que ocurra uno de estos desastres. En los últimos años, bastantes investigadores, han utilizado algoritmos de aprendizaje automático para evaluar la susceptibilidad utilizando diferentes fuentes de información, como datos de teledetección, bases de datos espaciales o catálogos geológicos. Este estudio presenta el primer intento de desarrollar una metodología basada en un marco de aprendizaje automático (AutoML). Estos marcos están destinados a facilitar el desarrollo de modelos de aprendizaje automático, con el objetivo de permitir que los investigadores se centren en el análisis de datos. El área para probar/validar este estudio es la región central y sur de Guerrero (México), donde comparamos el rendimiento de 16 algoritmos de aprendizaje automático. El mejor resultado obtenido es con el algoritmo "extra trees" con un área bajo la curva (AUC) de 0.983. Esta metodología proporciona mejores resultados que otros métodos similares porque el uso de un marco AutoML permite centrarse en el tratamiento de los datos, comprender mejor las variables de entrada y adquirir un mayor conocimiento sobre los procesos involucrados en los deslizamientos.
Remotely sensed albedo allows the identification of two ecosystem states along aridity gradients in Africa
(Wiley, 2019-05-06) Zhao, Yanchuang; Wang, Xinyuan; Novillo, Carlos J; Arrogante, Patricia; Vázquez, René; Berdugo, Miguel; Maestre, Fernando T.
La verificación empírica de múltiples estados en zonas áridas es escasa, dificultando el diseño de indicadores para anticipar el inicio de la desertificación. Los indicadores derivados de teledetección de los estados del ecosistema están ganando terreno debido a las posibilidades que ofrecen de aplicarse de manera económica en áreas extensas. El albedo derivado de la teledetección se ha utilizado con frecuencia para monitorear zonas áridas debido a su estrecha relación con el estado del ecosistema y el clima. En este estudio, empleamos un enfoque de sustitución espacio-temporal para evaluar si el albedo (promediado de 2000 a 2016) puede identificar múltiples estados del ecosistema en zonas áridas africanas que abarcan desde el desierto del Sáhara hasta África tropical. Mediante el análisis de clases latentes, descubrimos que el albedo mostró dos estados (bajo y alto; el nivel de corte fue 0.22 en la banda de onda corta). El análisis potencial reveló que el albedo experimentó un aumento abrupto y discontinuo con el aumento de la aridez (1 − [precipitación/evapotranspiración potencial]). Los dos estados de albedo coocurrieron a lo largo de valores de aridez que iban de 0.72 a 0.78, durante los cuales la cobertura vegetal experimentó una disminución rápida y continua de ~90% a ~50%. En valores de aridez de 0.75, el estado de bajo albedo comenzó a mostrar menos atracción que el estado de alto albedo. Las áreas de bajo albedo más allá de este valor de aridez se consideraron como regiones vulnerables donde podrían ocurrir cambios abruptos en el albedo si aumenta la aridez, según lo pronosticado por los modelos actuales de cambio climático. Nuestros hallazgos indican que el albedo derivado de la teledetección puede identificar dos estados del ecosistema en zonas áridas africanas. Respaldan la idoneidad de los índices de albedo para informarnos sobre respuestas discontinuas a la aridez experimentadas por las zonas áridas, que pueden estar vinculadas al inicio de la degradación del suelo.