Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Cited by Google
- Similars in SciELO
- Similars in Google
Share
Boletín de Geología
Print version ISSN 0120-0283On-line version ISSN 2145-8553
Abstract
GOYES-PENAFIEL, Paul and HERNANDEZ-ROJAS, Alejandra. Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Bol. geol. [online]. 2021, vol.43, n.1, pp.173-191. Epub Jan 01, 2021. ISSN 0120-0283. https://doi.org/10.18273/revbol.v43n1-2021009.
Los movimientos en masa son la amenaza natural más frecuente en zonas tropicales y son causantes de graves daños en la infraestructura vial, pérdida de vidas humanas y consecuencias económicas. Por lo tanto, una evaluación cuantitativa y confiable de la susceptibilidad por movimientos en masa es esencial para el desarrollo y planeación territorial. En este trabajo se estudia el cálculo de la susceptibilidad con un bajo nivel de incertidumbre a partir de la integración metodológica de Pesos de Evidencia con las Redes Neuronales Artificiales. El primero se usó para extraer los valores de los pesos de las variables y el inventario de movimientos en masa, y el segundo para establecer una relación no lineal entre los factores condicionantes y el inventario puntual de movimientos en masa realizado a partir del estudio geológico y geomorfológico del municipio de Popayán. Esto genera una doble verificación que permite extraer las características de las variables categóricas y continuas para generar relaciones más precisas de susceptibilidad, evitando la multicolinealidad y el uso de factores no significantes a partir del Análisis de Componentes Principales. Para estudiar la influencia de las variables, se analizaron dos propuestas metodológicas, la primera con dos variables y la segunda con cinco variables explicativas. Para cada una de ellas se aplicaron los métodos cuantitativos de Regresión Logística, Perceptrón Multicapa y Red Neuronal Profunda como elementos de doble verificación. Los resultados fueron evaluados a partir de la curva Característica Operativa del Receptor para cada modelo, encontrando que las redes neuronales profundas tienen un valor de Área Bajo la Curva de 0,902 y 0,969 para las propuestas 1 y 2 respectivamente, superando al método de Pesos de Evidencia usado convencionalmente y a la Regresión Logística como métodos cuantitativos.
Keywords : Susceptibilidad por movimientos en masa; Aprendizaje Profundo; Regresión Logística; Pesos de Evidencia; Análisis de Componentes Principales; Redes Neuronales Artificiales.