Integración de la inteligencia geoespacial y el aprendizaje automático para el mapeo de la susceptibilidad a...

Área de la Ciencia:

• Ciencias ambientales Ciencias ambientales.
• El análisis geoespacial.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El mapeo de la susceptibilidad a las inundaciones es crucial para la reducción del riesgo de desastres.
• La teledetección y el aprendizaje automático ofrecen herramientas poderosas para este propósito.

Objetivo del estudio:

• Evaluar cinco algoritmos de aprendizaje automático (XGBoost, DT, RF, LightGBM, GLM) para el mapeo de la susceptibilidad a las inundaciones.
• Para evaluar el rendimiento de un modelo de votación conjunto que integra estos algoritmos.

Principales métodos:

• Se utilizaron datos sobre la extensión de las inundaciones (2000-2018) de la Base de Datos de Inundaciones Globales (GFD).
• Incorporó diversos datos espaciales auxiliares (clima, topografía, hidrología, cubierta de la tierra).
• Comparó el rendimiento de modelos individuales (XGBoost, RF, LightGBM, DT, GLM) y un modelo de votación conjunto utilizando valores de AUC.

Principales resultados:

• XGBoost (AUC=0.985), RF (AUC=0.984), y LightGBM (AUC=0.982) mostraron un fuerte rendimiento predictivo.
• El modelo de votación en conjunto logró la mayor precisión (AUC = 0,994), superando a todos los modelos individuales.
• DT (AUC=0.972) mostró una precisión moderada, mientras que GLM (AUC=0.879) tuvo la más baja.

Conclusiones:

• El aprendizaje automático, especialmente los marcos de conjunto, mejora significativamente la precisión y la confiabilidad del mapeo de la susceptibilidad a inundaciones.
• Estas técnicas avanzadas son herramientas valiosas para la gestión eficaz del riesgo de inundación y el análisis espacial.