Examinando por Autor "Sellers, Chester"
Mostrando 1 - 2 de 2
- Resultados por página
- Opciones de ordenación
Ítem Analysis of Conditioning Factors in Cuenca, Ecuador, for Landslide Susceptibility Maps Generation Employing Machine Learning Methods(MDPI, 2023) Bravo-López, Esteban; Fernández-del-Castillo, Tomás; Sellers, Chester; Delgado-García, JorgeLandslides are events that cause great impact in different parts of the world. Their destructive capacity generates loss of life and considerable economic damage. In this research, several Machine Learning (ML) methods were explored to select the most important conditioning factors, in order to evaluate the susceptibility to rotational landslides in a sector surrounding the city of Cuenca (Ecuador) and with them to elaborate landslide susceptibility maps (LSM) by means of ML. The methods implemented to analyze the importance of the conditioning factors checked for multicollinearity (correlation analysis and VIF), and, with an ML-based approach called feature selection, the most important factors were determined based on Classification and Regression Trees (CART), Feature Selection with Random Forests (FS RF), and Boruta and Recursive Feature Elimination (RFE) algorithms. LSMs were implemented with Random Forests (RF) and eXtreme Gradient Boosting (XGBoost) methods considering a landslide inventory updated to 2019 and 15 available conditioning factors (topographic (10), land cover (3), hydrological (1), and geological (1)), from which, based on the results of the aforementioned analyses, the six most important were chosen. The LSM were elaborated considering all available factors and the six most important ones, with the previously mentioned ML methods, and were compared with the result generated by an Artificial Neural Network with resilient backpropagation (ANN rprop-) with six conditioning factors. The results obtained were validated by means of AUC-ROC value and showed a good predictive capacity for all cases, highlighting those obtained with XGBoost, which, in addition to a high AUC value (>0.84), obtained a good degree of coincidence of landslides at high and very high susceptibility levels (>72%). Despite the findings of this research, it is necessary to study in depth the methods applied for the development of future research that will contribute to developing a preventive approach in the study areaÍtem Landslide Susceptibility Mapping of Landslides with Artificial Neural Networks: Multi-Approach Analysis of Backpropagation Algorithm Applying the Neuralnet Package in Cuenca, Ecuador(MDPI, 2022) Bravo-López, Esteban; Fernández-del-Castillo, Tomás; Sellers, Chester; Delgado-García, JorgeLos riesgos o amenazas naturales generan desastres y enormes pérdidas en varios aspectos, siendo los deslizamientos de tierra uno de los que han causado mayores impactos a nivel mundial. El objetivo de esta investigación fue explorar un método basado en aprendizaje automático para evaluar la susceptibilidad a deslizamientos rotacionales en una zona cercana a la ciudad de Cuenca, Ecuador, que presenta una alta incidencia de estos fenómenos, principalmente por sus condiciones ambientales, y en la que, sin embargo, estos estudios son escasos. El método implementado consistió en una red neuronal artificial de tipo perceptrón multicapa (ANN MLP), generado con el paquete neuralnet R, con el que se generaron cinco mapas de susceptibilidad a deslizamientos (LSM) para el área de estudio, empleando diferentes algoritmos de retropropagación (RPROP+, RPROP−, SLR, SAG y Backprop). Se consideró un inventario de deslizamientos actualizado a 2019 y 10 factores condicionantes, principalmente topográficos, geológicos, de cobertura del suelo e hidrológicos. Los resultados obtenidos, que fueron validados mediante el valor del área bajo la curva ROC (AUC-ROC) y los parámetros estadísticos de precisión (precision), sensibilidad o recuerdo (recall), exactitud (accuracy) y F-Score, mostraron un buen grado de ajuste y una capacidad predictiva aceptable. Los mapas resultantes mostraron que la zona tiene en su mayoría sectores de susceptibilidad moderada, alta y muy alta, cuyos porcentajes de ocurrencia de deslizamientos varían entre aproximadamente el 63% y el 80%. En esta investigación se implementaron diferentes variantes del algoritmo de retropropagación para verificar cuál daba mejores resultados. Con la implementación de metodologías adicionales y una correcta zonificación se podrían desarrollar futuros análisis, contribuyendo a una adecuada planificación territorial y una mejor gestión del riesgo de desastres en la zona de estudio.