A hybrid model with space-time structures for landslide susceptibility mapping

Autor: Flórez García, Andrés Camilo
Přispěvatelé: Pérez Castillo, José Nelson
Jazyk: Spanish; Castilian
Rok vydání: 2020
Předmět:
Zdroj: RIUD: repositorio U. Distrital
Universidad Distrital Francisco José de Caldas
instacron:Universidad Distrital Francisco José de Caldas
Popis: La predicción de zonas susceptibles a procesos de remoción en masa es una tarea compleja debido a la alta incertidumbre en el espacio y el tiempo. Es por lo anterior que en la presente investigación se construyó una red neuronal de retropropagación con estructuras de dependencia espacio-tiempo (RNA-ET) compuesta por 11 variables estáticas como factores desencadenantes y 4 clúster espacio-temporales los cuales consideran la heterogeneidad espacial diseñados a través de la técnica de GeoSOM. El objetivo principal del trabajo consistió en evaluar si se mejora la exactitud en la predicción de fenómenos de remoción en masa a partir de una RNA-ET en lugar de las actuales técnicas de predicción de fenómenos de remoción en masa. Para el desarrollo de la investigación se contó con un total de 1245 registros históricos de deslizamientos que se han presentado en la ciudad de Bogotá en un periodo comprendido desde 9/01/1996 hasta 4/04/2013, los registros de deslizamientos fueron divididos en dos subconjuntos de datos: el 70% como muestra de entrenamiento y el restante para la validación de los resultados. El modelo de RNA-ET fue validado al comparar su desempeño contra una red neuronal artificial de retropopagación sin estructuras de dependencia espacio-tiempo (RNA-BP). Los resultados indicaron que el modelo de RNA-ET fue 0.03 veces superior que el modelo tradicional de RNA-BP en términos del área bajo la curva (AUC). En conclusión, la presente investigación permitió demostrar que se puede mejorar la exactitud computacional y el desempeño predictivo al incorporar estructuras de dependencia espacio-temporal en una red neuronal artificial, de esta manera este modelo logra generar mapas de susceptibilidad a procesos de remoción en masa de mayor calidad que las actuales técnicas y ayuda a desarrollar políticas que estén enfocadas a reducir su riesgo. Predicting areas susceptible to landslide is a complex task due to the high uncertainty in space and time. It is for this reason that in the present investigation a retropropagation red neural was constructed with space-time dependence structures (ANN-ST) made up of 11 static variables as triggers and 4 space-time clusters which are the specific spatial heterogeneity aa through the GeoSOM technique. The main objective of the work is to evaluate whether the precision in the prediction of mass removal phenomena from an ANN-ST is improved in place of the current techniques of prediction of mass removal phenomena. For the development of the research, there were a total of 1245 historical landslide records that have been presented in the city of Bogota in a period from 9/01/1996 to 4/4/2013, the landslide records were divided into two subsets of data: 70% as a training sample and the rest for the validation of the results. The ANN-ST model was validated by comparing its performance against a backward-propagating artificial red neuron without space-time dependency structures (ANN-BP). The results indicated that the ANN-ST model was 0.03 superior to the traditional RNA-BP model in terms of the area under the curve (AUC). In general terms, this research will confirm the improvement in computational precision and performance by incorporating spatio-temporal dependency structures in an artificial red neuronal, in this way this model manages to generate maps of susceptibility to higher quality mass removal processes than current techniques and helps develop policies that are focused on reducing his risk.
Databáze: OpenAIRE
Externí odkaz: