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

Yufra Ochoa, Bryan Alonso; Ramos Alegre, Luis Gerardo

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

dc.contributor.advisor	Gonzales Medina, Ronny Iván
dc.contributor.author	Yufra Ochoa, Bryan Alonso
dc.contributor.author	Ramos Alegre, Luis Gerardo
dc.date.accessioned	2026-06-02T14:24:32Z
dc.date.available	2026-06-02T14:24:32Z
dc.date.issued	2026-04-07
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/16964
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_ES
dc.source	Universidad Católica de Santa María	es_ES
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM	es_ES
dc.subject	Deslizamientos
dc.subject	Machine Learning
dc.subject	Random Forest
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.07.01
dc.title	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
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	29731966
renati.advisor.orcid	0000-0002-9795-9538
renati.author.dni	72390955
renati.author.dni	72673144
renati.discipline	521066
renati.juror	Chanove Manrique, Andrea Marieta
renati.juror	Medina Ramos, Robert Joaquin
renati.juror	Cardenas Pillco, Berly Edinsson
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Ambiental
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Arquitectura e Ingenierías Civil y del Ambiente	es_ES
thesis.degree.name	Ingeniero Ambiental