Análisis de susceptibilidad de deslizamientos de suelo mediante el uso de redes neuronales artificiales aplicada a la Cuenca del Estero San Alfonso, San José de Maipo, Chile

Abstract

El presente trabajo tiene como objetivo principal generar un mapa de susceptibilidad de deslizamientos de suelo, aplicando la metodología de redes neuronales artificiales en la cuenca del estero San Alfonso, San José de Maipo, Chile. Las remociones en masa son procesos geodinámicos y climáticos que, con reiterada periodicidad, provocan pérdidas humanas, daños económicos y sociales (Hauser, 1993), siendo responsables de aproximadamente el 17% de las muertes ocasionadas por amenazas naturales alrededor del mundo (Lacasse et al., 2010). Por tales motivos nace la necesidad de generar nuevas herramientas que permitan comprender y analizar estas amenazas naturales con el fin de predecir y/o estimar espacial y temporalmente la ocurrencia y el alcance de estos eventos. En este trabajo se aplicó la metodología de redes neuronales para evaluar la susceptibilidad de deslizamientos. Se utilizaron ocho factores condicionantes: (1) Geología/Geotecnia, (2) Geomorfología, (3) Pendiente, (4) Distancia a la red de drenaje, (5) Curvatura, (6) Aspecto, (7) Índice de humedad topográfico y (8) Factor LS. La metodología aplicada consta de seis etapas. En la primera se generó un catastro de los puntos de alta susceptibilidad y los puntos libres de deslizamientos de suelo. En la segunda etapa se seleccionaron los factores condicionantes relevantes para la generación de deslizamientos de suelo en el área de estudio, para posteriormente generar los mapas ráster de cada factor condicionante. En la tercera etapa se realizó el preprocesamiento de la base de datos y se llevó a cabo el análisis exploratorio de datos para tener un primer acercamiento al comportamiento de las variables. En la cuarta etapa se estableció la arquitectura de la red neuronal convolucional. Luego en la quinta etapa se llevó a cabo el armado, entrenamiento y testeo de la red neuronal artificial. Finalmente, en la sexta etapa, el mapa generado por la red neuronal se envió a un software GIS para definir las clases de susceptibilidad. Los resultados obtenidos permitieron validar la arquitectura de la red, la cual fue utilizada para la construcción del mapa de susceptibilidad, permitiendo diferenciar 4 grados de susceptibilidad relativa (Baja, Moderada, Alta y Muy Alta), y además identificar los 3 factores condicionantes más relevantes los cuales corresponden a la geología/geotecnia, geomorfología y pendiente.

El presente trabajo tiene como objetivo principal generar un mapa de susceptibilidad de deslizamientos de suelo, aplicando la metodología de redes neuronales artificiales en la cuenca del estero San Alfonso, San José de Maipo, Chile. Las remociones en masa son procesos geodinámicos y climáticos que, con reiterada periodicidad, provocan pérdidas humanas, daños económicos y sociales (Hauser, 1993), siendo responsables de aproximadamente el 17% de las muertes ocasionadas por amenazas naturales alrededor del mundo (Lacasse et al., 2010). Por tales motivos nace la necesidad de generar nuevas herramientas que permitan comprender y analizar estas amenazas naturales con el fin de predecir y/o estimar espacial y temporalmente la ocurrencia y el alcance de estos eventos. En este trabajo se aplicó la metodología de redes neuronales para evaluar la susceptibilidad de deslizamientos. Se utilizaron ocho factores condicionantes: (1) Geología/Geotecnia, (2) Geomorfología, (3) Pendiente, (4) Distancia a la red de drenaje, (5) Curvatura, (6) Aspecto, (7) Índice de humedad topográfico y (8) Factor LS. La metodología aplicada consta de seis etapas. En la primera se generó un catastro de los puntos de alta susceptibilidad y los puntos libres de deslizamientos de suelo. En la segunda etapa se seleccionaron los factores condicionantes relevantes para la generación de deslizamientos de suelo en el área de estudio, para posteriormente generar los mapas ráster de cada factor condicionante. En la tercera etapa se realizó el preprocesamiento de la base de datos y se llevó a cabo el análisis exploratorio de datos para tener un primer acercamiento al comportamiento de las variables. En la cuarta etapa se estableció la arquitectura de la red neuronal convolucional. Luego en la quinta etapa se llevó a cabo el armado, entrenamiento y testeo de la red neuronal artificial. Finalmente, en la sexta etapa, el mapa generado por la red neuronal se envió a un software GIS para definir las clases de susceptibilidad. Los resultados obtenidos permitieron validar la arquitectura de la red, la cual fue utilizada para la construcción del mapa de susceptibilidad, permitiendo diferenciar 4 grados de susceptibilidad relativa (Baja, Moderada, Alta y Muy Alta), y además identificar los 3 factores condicionantes más relevantes los cuales corresponden a la geología/geotecnia, geomorfología y pendiente.