Examinando por Autor "Ramos, Rocío N."

Mostrando 1 - 1 de 1

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.