Landslide Susceptibility Mapping of Landslides with Artificial Neural Networks: Multi-Approach Analysis of Backpropagation Algorithm Applying the Neuralnet Package in Cuenca, Ecuador

Abstract

Los 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.