| Journal: | Boletín de geología - Universidad Industrial de Santander |
| Database: | PERIÓDICA |
| System number: | 000457088 |
| ISSN: | 0120-0283 |
| Authors: | Goyes Peñafiel, Paul1 Hernández Rojas, Alejandra2 |
| Institutions: | 1Universidad Industrial de Santander, Escuela de Ingeniería de Sistemas e Informática, Bucaramanga, Santander. Colombia 2Universidad Industrial de Santander, Escuela de Geología, Bucaramanga, Santander. Colombia |
| Year: | 2021 |
| Season: | Ene-Abr |
| Volumen: | 43 |
| Number: | 1 |
| Pages: | 173-191 |
| Country: | Colombia |
| Language: | Español |
| Document type: | Artículo |
| Approach: | Analítico, descriptivo |
| Spanish abstract | 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 |
| English abstract | Landslides are the most frequent natural hazards in tropical regions. They cause serious damages to road infrastructure, human losses and effects on economy. Therefore, a quantitative and reliable evaluation of landslide susceptibility is important for territorial planning and development. In this work, the susceptibility calculation is studied with a low uncertain level through the methodological integration of Weights of Evidence method with Artificial Neural Networks. The first one was used to extract the weighted values from the association of variables and the landslide inventory, and the second one to establish the non-linear relation between the conditioning factors and the punctual landslide inventory obtained through the geologic and geomorphologic study of the Popayan municipality. This produces a double verification allowing to extract the characteristics of categorical and continuous variables to produce more accurate susceptibility relations, avoiding multicollinearity and non-significant factors through the Principal Component Analysis. For studying the influence of variables, two methodological proposals were analyzed, the first one with two variables and the second one with five explanatory variables. For each one, it was applied Logistic Regression, Multilayer Perceptron, and Deep Neural Network quantitative methods as elements of double verification. The results of each model were assessed by the Receiver Operating Characteristics curves. The Deep Neural Networks got an Area Under the Curve with values of 0.902 and 0.969 for proposals 1 and 2, respectively, overcoming Weights of Evidence and Logistic Regression as quantitative methods |
| Disciplines: | Geociencias |
| Keyword: | Geología, Deslizamientos de tierra, Aprendizaje profundo, Regresión logística, Redes neuronales artificiales, Análisis de componentes principales |
| Keyword: | Geology, Landslides, Deep learning, Logistic regression, Principal component analysis, Artificial neural networks |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
