Modelación espacial de la susceptibilidad a incendios forestales en la región Junín utilizando el algoritmo Random Forest

• Autor: Yarupaita Echevarria, Bryan Fredy
• Formato: tesis de maestría
• Fecha de Publicación: 2021
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/7524
• Enlace del recurso: http://hdl.handle.net/20.500.12894/7524
• Nivel de acceso: acceso abierto
• Materia: Modelación; Susceptibilidad; Random Forest; Rendimiento; Incendio; https://purl.org/pe-repo/ocde/ford#4.01.02

La presente investigación tuvo como objetivo general modelar la susceptibilidad a incendios forestales en la región Junín, para lo cual se utilizó una serie de variables predictoras (de acceso, físicas, biofísicas, climáticas, de suelo y de vegetación), algunas de ellas fueron procesadas previamente en el software QGIS 3.10.11, para posteriormente subirlas y procesarlas en la plataforma en la nube de Google Earth Engine. En la modelación se utilizó el algoritmo Random Forest, previamente se realizó un proceso de optimización de parámetros, siendo el número de árboles (ntree) 500 y el número de factores (mtry) 4 los valores optimizados, concluyendo que las variables con mayor importancia significativa, en orden decreciente, son el índice de sequía de multibanda normalizado (NMDI), altitud, temperatura de la superficie terrestre, distancia a ríos, pendiente, distancia a centros poblados, el índice de humedad de diferencia normalizada (NDMI), la distancia a vías, la velocidad del viento, el índice de vegetación de diferencia normalizada (NDVI), el aspecto de la pendiente, la curvatura del Plano, la radiación solar y la precipitación, así mismo se evidencia que la región Junín presenta un área de 262 100 hectáreas de muy alta susceptibilidad y un área de 654 577 hectáreas de alta susceptibilidad a incendios forestales. El modelo obtuvo una tasa de predicción (0.87) y un rendimiento (AUC = 0.869) muy bueno, además de un índice Kappa de 0.738 demostrando una buena concordancia en el modelo, finalmente se desarrolló un script que describe los pasos utilizados, pudiendo acceder a través del link: https://code.earthengine.google.com/64062106d919eb6ac1b837f1eb9ffaca