Acceso Abierto
Evaluación del riesgo de deslizamientos mediante algoritmos de machine learning en el distrito de Quinistaquillas, Moquegua - 2024, para mejorar la prevención y gestión de desastres naturales
Cargando...
Fecha
2026-04-07
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Nivel de acceso
Acceso Abierto
Resumen
El estudio titulado “Evaluación del riesgo de deslizamientos mediante algoritmos de Machine Learning en el distrito de Quinistaquillas, Moquegua – 2024” tuvo como propósito principal mejorar la prevención y gestión de desastres naturales en la zona. En los últimos años, Quinistaquillas ha presentado múltiples deslizamientos que pusieron en riesgo a la población, la agricultura y la infraestructura local, evidenciando la necesidad de utilizar tecnologías predictivas para fortalecer la gestión del riesgo y orientar la planificación territorial en áreas vulnerables.
La investigación abordó la carencia de herramientas automatizadas de predicción espacial para anticipar deslizamientos con precisión a nivel distrital. Para ello, se aplicaron algoritmos de Machine Learning utilizando datos geoespaciales e imágenes satelitales multitemporales, especialmente imágenes Sentinel-2 L2A del periodo 2016–2023, junto con variables predictoras definidas de manera consistente como NDVI, NDWI, brillo, pendiente, tipo de suelo, uso de suelo y coordenadas espaciales. La orientación y la distancia a quebradas fueron empleadas como criterios auxiliares para la delimitación y caracterización espacial de las microcuencas, mas no como variables predictoras principales del entrenamiento de los modelos. Asimismo, se construyó una grilla regular que cubrió toda el área de estudio como base para el análisis espacial; sin embargo, el entrenamiento y la validación de los modelos se realizaron con un total de 3770 muestras etiquetadas, de las cuales 2827 registros (75 %) fueron destinados al entrenamiento y 943 registros (25 %) a la prueba.
Los modelos implementados fueron Random Forest (RF) y Support Vector Machine (SVM). El modelo Random Forest presentó el mejor desempeño, alcanzando una precisión de 90 % para la clase de deslizamiento, una sensibilidad de 86 %, un F1-score de 0.88, una precisión general de 94 % y un índice Kappa de 0.88, lo que demuestra una mayor capacidad para identificar de manera confiable las zonas susceptibles a deslizamientos en comparación con el modelo SVM.
En el tercer objetivo, la aplicación de los modelos entrenados sobre las microcuencas de las quebradas Volcán y Juinco permitió generar mapas de susceptibilidad que identificaron y clasificaron zonas con alto potencial de deslizamiento. Ambos modelos coincidieron en que las áreas de riesgo alto y muy alto se asocian principalmente a laderas con fuertes pendientes, baja cobertura vegetal y proximidad a drenajes; sin embargo, el modelo RF presentó delimitaciones más coherentes, mientras que el SVM mostró una distribución más dispersa. Se observaron patrones espaciales diferenciados: en Volcán, la mayor concentración de riesgo se ubica hacia el norte, mientras que en Juinco se localiza principalmente en las zonas noreste y sureste, reflejando dinámicas geológicas particulares.
En conclusión, el uso de Machine Learning, especialmente mediante el modelo Random Forest, constituyó una herramienta eficaz y robusta para predecir zonas críticas de deslizamientos. Su integración con Sistemas de Información Geográfica (SIG) fortaleció la gestión preventiva y proporcionó información estratégica para la toma de decisiones orientadas a la prevención y gestión de desastres naturales en Quinistaquillas.
Descripción
Palabras clave
Deslizamientos, Machine Learning, Random Forest