Determinación de zonas susceptibles a inundaciones y análisis comparativo del Proceso de Análisis Jerárquico (AHP) y Random Forest (RF). Caso estudio: cuenca baja del río Chancay Lambayeque

• Autores: Anchelía Carhuaricra, Danny Raúl, Mori Sáenz, Ximena Nicole
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/15868
• Enlace del recurso: https://hdl.handle.net/20.500.12672/15868
• Nivel de acceso: acceso abierto
• Materia: Control de inundaciones; Inundaciones - Perú; Arboles de decisión; Algoritmos; Toma de decisiones - Metodología; https://purl.org/pe-repo/ocde/ford#1.05.01; https://purl.org/pe-repo/ocde/ford#1.05.10; https://purl.org/pe-repo/ocde/ford#1.05.08

Las inundaciones son uno de los principales fenómenos naturales que acontecen en el Perú, especialmente en las cuencas ubicadas en el noroeste del país, siendo provocados por precipitaciones extremas, ocasionando daños humanos y económicos. Por esta razón, el desarrollo de modelos para identificar zonas susceptibles a inundaciones es esencial para los tomadores de decisiones. A partir de ello, la presente investigación tiene como objetivo realizar el análisis comparativo entre el modelo generado por el Proceso de Análisis Jerárquico (AHP), con el Random Forest a fin de establecer el método más adecuado para la determinación de zonas susceptibles a inundaciones en la cuenca baja del río Chancay – Lambayeque. Se consideraron seis factores, entre los condicionantes y el desencadenante: geología, suelos, uso actual de suelos, Distancia al río, pendiente y precipitación. Estos factores se configuraron como dataset ráster a nivel del área de estudio con una resolución espacial de 30m x 30m para la aplicación en ambos métodos. A su vez se utilizó un inventario de inundaciones que fue generado a partir de datos históricos sobre eventos de inundación obtenidas de instituciones gubernamentales, trabajo de campo e interpretación de las imágenes satelitales Sentinel-2 registradas en 2017, de donde el 70% del total se utilizó como conjunto de entrenamiento para el modelo Random Forest, mientras que el 30% restante se aplicó para la validación de ambos modelos. En consecuencia, se obtuvo los mapas de susceptibilidad a través de ambos modelos. Mediante el área bajo la curva ROC, se probó el poder predictivo de cada uno de ellos; donde los resultados demostraron que el método Random Forest fue más eficiente para la determinación de susceptibilidad ante inundaciones al tener una tasa de predicción de 0,9941 a diferencia del método AHP que resultó con un valor de 0,9774.