Abstract:
Los derrumbes son un desastre natural que afecta a Guatemala de manera constante y
mayormente en temporadas lluviosas. Los mapas de susceptibilidad de deslizamientos son una herramienta crítica para la prevención y mitigación de deslizamientos, así como para la gestión y planificación en el futuro, especialmente para construcciones. Los modelos de machine learning son una alternativa al problema de deslizamientos no explorada en Guatemala y este proyecto, presenta un primer acercamiento utilizando modelos de machine learning como Decision tree, Random forest, XGBoost, Logistic regression y Support vector machine. Para ello, se generó un inventario de deslizamientos con 3978 ubicaciones con más de 18 factores predisponentes, entre los cuales figuran los más importantes como la elevación, la pendiente, la clasificación taxonómica del suelo, el tipo del suelo y sus propiedades mecánicas, el tipo de roca, el período de la roca y como factor disparador la precipitación acumulada en un punto de los últimos 7 días. A partir de ello, se pudo entrenar y evaluar los resultados de cada modelo utilizando métricas como accuracy, roc auc, landslide density y landslide r-index. Se logró aprobar 4 de los 5 modelos generados, obteniendo valores de roc auc superiores a 0.85 y accuracies mayores a 0.82, adquiriendo los mejores resultados en el modelo de XGBoost con 0.89 de accuracy y 0.95 de roc auc. Con los modelos, se logra generar mapas de susceptibilidad de deslizamientos en Guatemala a nivel de detalle de 1km.
Por último, estos mapas pueden ponerse a disposición de las personas indicadas, como planificadores de proyecto, personal gubernamental e instituciones de prevención a desastres, a través de una plataforma de fácil uso y actualización diaria que permite planear y mejorar el manejo de desastres en Guatemala.
(A)
