Evaluación de la susceptibilidad a inundaciones utilizando tres técnicas de aprendizaje automático y comparación de...

Área de la Ciencia:

• Ciencias ambientales Ciencias ambientales.
• El análisis geoespacial.
• Aplicaciones de aprendizaje automático Aplicaciones de aprendizaje automático.

Sus antecedentes:

• Las inundaciones son un desastre natural común que causa daños ambientales e infraestructurales significativos.
• El mapeo de la susceptibilidad a las inundaciones (FSM) es crucial para la evaluación y gestión cuantitativa del riesgo de inundación.
• El desarrollo de modelos predictivos avanzados es esencial para mejorar la precisión del FSM.

Objetivo del estudio:

• Desarrollar y comparar modelos de aprendizaje automático de conjunto de última generación para la predicción de inundaciones.
• Identificar el enfoque de aprendizaje automático más efectivo para un mapeo preciso de la susceptibilidad a las inundaciones en la cuenca de Choke.
• Aprovechar diversos datos geoespaciales y ambientales para mejorar la evaluación del riesgo de inundación.

Principales métodos:

• Utilizó diversos conjuntos de datos que incluyen elevación, pendiente, cubierta terrestre, suelo y factores hidrológicos como variables de acondicionamiento.
• Empleó tres algoritmos de aprendizaje automático: Bosque aleatorio (RF), Gradient Boosting (GB) y Extreme Gradient Boosting (XGBoost).
• Evalúa el rendimiento del modelo utilizando métricas de matriz de confusión y el área debajo de la curva de características de funcionamiento del receptor (AUROC).

Principales resultados:

• Los modelos Gradient Boosting (GB) y Extreme Gradient Boosting (XGBoost) demostraron la mayor precisión de prueba con 0,97.
• El modelo Random Forest (RF) logró una precisión de prueba de 0.96.
• Este estudio representa la primera aplicación de estos modelos avanzados de ML para FSM en la cuenca de Choke.

Conclusiones:

• Los modelos de aprendizaje automático conjunto, particularmente GB y XGBoost, son altamente efectivos para el mapeo preciso de la susceptibilidad a inundaciones.
• Los hallazgos proporcionan un marco sólido para la gestión del riesgo de inundación en la cuenca de Choke y pueden adaptarse a otras regiones y desastres naturales.
• Esta investigación contribuye a los esfuerzos globales en la mitigación del riesgo de desastres y la sostenibilidad ambiental, con especial relevancia para Etiopía.