Examinando por Autor "Novillo, Carlos J."

Mostrando 1 - 4 de 4

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.
How the ecosystem extent is changing: A national-level accounting approach and application.
(Science of The Total Environment, 815, Elsevier, 2022-01-06) Bruzón, Adrian; Arrogante-Funes, Patricia; Martínez de Anguita, Pablo; Novillo, Carlos J.; Santos-Martín, Fernando
Assessing the spatial and temporal changes in ecosystems is essential to account for natural capital contribution to human well-being. However, various methods to quantify these changes challenge the development of reliable values which can be integrated into national statistical accounts. Following the international system of environmentaleconomic accounting framework, which recently adopts an ecosystem accounting standard. We present a novel approach to develop an ecosystem extent account from existing ecosystem classifications. This study shows the spatial and statistical extent account of 26 ecosystems (i.e. forests, grasslands, croplands, and urban, among others) between 1970 and 2015 at the national scale. Extent accounts were developed at a resolution of 25 m and provided reliable information on how ecosystem types have changed over time in Spain. Our results reflect three main patterns in the extension account: (i) an increase in forest ecosystems, (ii) a considerable decrease in agroecosystems (especially annual croplands), and (iii) substantial development of urban areas. To the best of our knowledge, this method is the first attempt to develop a robust methodology to measure the extent of ecosystems at the national level. The proposed approach is crucial for a strong knowledge of ecosystem dynamics and their implications for ecosystem conditions and services at a national level. This has potential applications in urban planning, green infrastructure development, and multiple uses for territory management and policies, integrating natural capital into official statistics and mainstreaming ecosystems into national-level planning and monitoring processes.
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.
Thresholding Algorithm Optimization for Change Detection to Satellite Imagery
(Intechopen, 2018-01-24) Vázquez-Jiménez, René; Ramos-Bernal, Rocío N.; Romero-Calcerrada, Raúl; Arrogante-Funes, Patricia; Sánchez Tizapa, Sulpicio; Novillo, Carlos J.
To detect changes in satellite imagery, a supervised change detection technique was applied to Landsat images from an area in the south of México. At first, the linear regression (LR) method using the first principal component (1-PC) data, the Chi-square transformation (CST) method using first three principal component (PC-3), and tasseled cap (TC) images were applied to obtain the continuous images of change. Then, the threshold was defined by statistical parameters, and histogram secant techniques to categorize as change or unchanged the pixels. A threshold optimization iterative algorithm is proposed, based on the ground truth data and assessing the accuracy of a range of threshold values through the corresponding Kappa coefficient of concordance. Finally, to evaluate the change detection accuracy of conventional methods and the threshold optimization algorithm, 90 polygons (15,543 pixels) were sampled, categorized as real change/unchanged zones, and defined as ground truth, from the interpretation of color aerial photo slides aided by the land cover maps to obtain the omission/commission errors and the Kappa coefficient of agreement. The results show that the threshold optimization is a suitable approach that can be applied for change detection analysis.