Resumen

Si bien las técnicas implementadas para predecir zonas susceptibles a procesos de remoción en masa han logrado modelar con cierto grado de precisión casos de deslizamientos, no logran modelar eventos complejos, donde la relación entre los deslizamientos y sus factores desencadenantes no presentan un comportamiento lineal. Lo anterior se debe a ausencia de estructuras de dependencia espacio-temporal que permitan evaluar efectos espaciales (autocorrelación y heterogeneidad); por lo tanto, la interpretación de los resultados suele ser errada y lleva a una menor confiabilidad. Dado lo anterior, el objetivo del artículo es brindar un documento sólido que ofrezca una perspectiva general y detallada de las técnicas de predicción espacial; al tiempo que se propone una metodología innovadora que permita utilizar las bondades del aprendizaje automático y la estadística espacial, con el propósito de mejorar el desempeño predictivo de zonas susceptibles a deslizamientos.

Introducción

De acuerdo con las estadísticas presentadas por el Centro de Investigación sobre la Epidemiología de los Desastres, en los últimos decenios se han presentado, en promedio, 380 desastres de origen natural alrededor del mundo. Del total de desastres, el 53 % son eventos de origen hidrometeorológico de los cuales las inundaciones corresponden al 82,8 %, y los movimientos   en masa detonados por lluvias, al 17,2 %, que han afectado a más de 196 millones de personas y dejado pérdidas económicas superiores a los 406.300 millones de dólares [1]. Del total de eventos, los movimientos en masa representan el 17,2 % [2].

En años recientes, la predicción de procesos de remoción en masa ha tomado mayor importancia, entre geocientíficos, profesionales de ingeniería y, en general, en la comunidad mundial [3]. La principal razón se debe a un aumento significativo de deslizamientos como consecuencia de cambios en los regímenes de precipitación [4] y [5], asentamientos en zonas de alta pendiente, actividad antrópica [6] y sísmica, erosión [7], deforestación [8], entre otras.

Como consecuencia, desde los años setenta los esfuerzos se han enfocado en predecir zonas susceptibles a movimientos en masa, con el fin de mitigar impactos sobre la población y el ambiente. Además, tales esfuerzos han aumentado en popularidad con el desarrollo de los sistemas de información geográfica (SIG) y las tecnologías de computación [9]. Lo anterior ha dado como resultado una serie de técnicas que han buscado optimizar y mejorar la precisión en la predicción de zonas susceptibles a deslizamientos alrededor del mundo.

Desde este escenario, el objetivo del presente artículo es brindar un documento sólido que ofrezca una perspectiva general de las técnicas de predicción de movimientos en masa, para, finalmente, proponer una metodología innovadora que permita utilizar las bondades del aprendizaje automático y la estadística espacial, con el propósito de mejorar el desempeño predictivo de zonas susceptibles a procesos de remoción en masa.

Antecedentes

Las técnicas para predecir procesos de remoción en masa pueden dividirse en dos grupos: métodos cualitativos y métodos cuantitativos. Los primeros se basan en el conocimiento e incorporan la experticia específica de quien determina el grado y susceptibilidad a la presencia de movimientos en masa, combinando mapas, capas u otra información que sea clave para la caracterización del deslizamiento [10]-[15], como son procesos de jerarquía analítica y análisis heurístico (análisis geomorfológico y combinación cuantitativa de mapas). Entre tanto, los métodos cuantitativos incorporan el análisis estadístico y probabilístico o siguen enfoques deterministas [16] y [17] (figura 1).

• Materias:Sistema de información geográfica SIG Prevención de desastres Deslizamiento de tierra
• Subjects:Geographical information systems GIS Disaster prevention Landslides
• Palabras claves: Deslizamientos, algoritmos de predicción, máquina de aprendizaje, SIG, análisis geoespacial.
• Keywords: Landslide, Prediction algorithms, Machine Learning, GIS, Geospatial analysis