Estimación espacial de la susceptibilidad de movimientos en masa mediante aprendizaje automático en la sub cuenca Checras

• Autor: Bueno Gómez, Hansen Wibelsman
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Federico Villarreal
• Repositorio: UNFV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unfv.edu.pe:20.500.13084/7692
• Enlace del recurso: https://hdl.handle.net/20.500.13084/7692
• Nivel de acceso: acceso abierto
• Materia: Procesamiento digital de imágenes y señales; https://purl.org/pe-repo/ocde/ford#1.05.00

El propósito fundamental de este informe radica en destacar la importancia de la investigación en todos los campos relacionados con el territorio y el medio ambiente, y cómo puede servir como recurso para generar soluciones concretas ante un desafío que ejerce un impacto constante en nuestra sociedad, como lo son los movimientos en masa. A través de la aplicación de mi experiencia laboral adquirida en proyectos relacionados con la implementación y desarrollo de la teledetección y la programación, este informe aspira a proporcionar un enfoque más sofisticado para abordar este problema. En esencia, el objetivo general que guía este esfuerzo es la estimación espacialmente la susceptibilidad de movimientos en masa mediante aprendizaje automático en la subcuenca Checras. La investigación se clasificó como aplicada, ya que está orientada a generar conocimiento mediante aplicaciones prácticas y a la resolución de problemas. Dado que se involucran datos cualitativos y cuantitativos, el diseño es de enfoque mixto. El nivel de investigación es correlacional, ya que se estudia la relación entre dos o más variables y también tiene un componente predictivo. Se aplicaron los modelos de máquina de soporte vectorial (SVM) y bosques aleatorios (RF), cada uno con dos métodos de preprocesamiento, y se obtuvieron resultados de evaluación con una curva ROC de 0.88 y 0.899 para SVM, y 0.900 y 0.908 para RF en el primer y segundo método, respectivamente. Esto demuestra que el modelo RF presenta un mejor rendimiento en comparación con SVM.