dor_id: 4120878

506.#.#.a: Público

590.#.#.d: Los artículos enviados a la Revista Mexicana de Ciencias Geológicas se juzgan por medio de un proceso de revisión por pares

510.0.#.a: Consejo Nacional de Ciencia y Tecnología (CONACyT), Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal (Latindex), Scientific Electronic Library Online (SciELO), SCOPUS, Web Of Science (WoS), Science Citation Index-Expanded, Current Contents/ Physical, Chemical & Earth Sciences, Geoscience e-Journals, Periódica, Directory of Open Access & Hybrid Journals

561.#.#.u: https://www.geologia.unam.mx/

650.#.4.x: Físico Matemáticas y Ciencias de la Tierra

336.#.#.b: article

336.#.#.3: Artículo de Investigación

336.#.#.a: Artículo

351.#.#.6: http://rmcg.geociencias.unam.mx/index.php/rmcg/index

351.#.#.b: Revista Mexicana de Ciencias Geológicas

351.#.#.a: Artículos

harvesting_group: RevistasUNAM

270.1.#.p: Revistas UNAM. Dirección General de Publicaciones y Fomento Editorial, UNAM en revistas@unam.mx

590.#.#.c: Open Journal Systems (OJS)

270.#.#.d: MX

270.1.#.d: México

590.#.#.b: Concentrador

883.#.#.u: http://www.revistas.unam.mx/front/

883.#.#.a: Revistas UNAM

590.#.#.a: Coordinación de Difusión Cultural, UNAM

883.#.#.1: https://www.publicaciones.unam.mx/

883.#.#.q: Dirección General de Publicaciones y Fomento Editorial, UNAM

850.#.#.a: Universidad Nacional Autónoma de México

856.4.0.u: http://rmcg.geociencias.unam.mx/index.php/rmcg/article/view/1605/1414

100.1.#.a: Ospina Gutiérrez, Juan Pablo; Aristizábal, Edier

524.#.#.a: Ospina Gutiérrez, Juan Pablo, et al. (2021). Application of Artificial Intelligence and machine learning techniques for landslide susceptibility assessment. Revista Mexicana de Ciencias Geológicas; Vol 38 No 1, 2021; 43-54. Recuperado de https://repositorio.unam.mx/contenidos/4120878

245.1.0.a: Application of Artificial Intelligence and machine learning techniques for landslide susceptibility assessment

502.#.#.c: Universidad Nacional Autónoma de México

561.1.#.a: Instituto de Geología, UNAM

264.#.0.c: 2021

264.#.1.c: 2021-03-24

506.1.#.a: La titularidad de los derechos patrimoniales de esta obra pertenece a las instituciones editoras. Su uso se rige por una licencia Creative Commons BY-NC-ND 4.0 Internacional, https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.es, fecha de asignación de la licencia 2021-03-24, para un uso diferente consultar al responsable jurídico del repositorio por medio del correo electrónico rmcg@geociencias.unam.mx

884.#.#.k: http://rmcg.geociencias.unam.mx/index.php/rmcg/article/view/1605

001.#.#.#: oai:ojs.rmcg.geociencias.unam.mx:article/1605

041.#.7.h: spa

520.3.#.a: Landslides are one of the most naturally occurring phenomena with the highest human and economic losses around the world, reason for the susceptibility and hazard assessment is a fundamental tool for land use planning. There is a wide range of Artificial Intelligence algorithms in the recent literature with completely different approaches to establish the relationship between the independent variable (predictors) and the dependent variable (landslide inventory). In the present study, a wide range of algorithms were used for the La Miel creek basin, in the Colombian Andes, and the methodology implemented for this type of data-based modeling is presented in detail and step by step. The results obtained show that the assembled boosting models present the best values in terms of performance and predictability. Contrasting with the linear parametric models, pointing out their limitations in modeling complex problems such as landslides. Los movimientos en masa son uno de los fenómenos de origen natural con mayores pérdidas humanas y económicas alrededor del mundo, por lo que la evaluación de la susceptibilidad y amenaza es una herramienta fundamental para la ordenación de territorios. Existe en la reciente literatura una amplia gama de algoritmos de Inteligencia Artificial con aproximaciones diversas para evaluar y zonificar la susceptibilidad por movimiento en masa. En el presente estudio se implementaron diferentes algoritmos de Aprendizaje Automático para la cuenca de la quebrada La Miel, en los Andes colombianos, con el objetivo de evaluar el desempeño y la capacidad de predicción entre los diferentes modelos. Los resultados obtenidos para este caso de estudio arrojan que los modelos ensamblados tipo boosting presentan los mejores valores en términos de desempeño y capacidad de predicción, contrastando con los modelos paramétricos lineales y señalando las limitaciones de éstos en la modelización de problemas complejos, como los movimientos en masa.

773.1.#.t: Revista Mexicana de Ciencias Geológicas; Vol 38 No 1 (2021); 43-54

773.1.#.o: http://rmcg.geociencias.unam.mx/index.php/rmcg/index

046.#.#.j: 2021-10-20 00:00:00.000000

022.#.#.a: ISSN electrónico: 2007-2902; ISSN impreso: 1026-8774

310.#.#.a: Cuatrimestral

300.#.#.a: Páginas: 43-54

264.#.1.b: Instituto de Geología, UNAM

758.#.#.1: http://rmcg.geociencias.unam.mx/index.php/rmcg/index

doi: https://doi.org/10.22201/cgeo.20072902e.2021.1.1605

856.#.0.q: application/pdf

file_creation_date: 2021-03-26 00:49:36.0

file_modification_date: 2021-03-26 03:14:52.0

file_creator: Juan Pablo Ospina-Gutiérrez y Edier Aristizábal

file_name: 1a29bb82aae474c1c0c49ef5df070dc836db34a357825d7fbab9f1d0f307f418.pdf

file_pages_number: 12

file_format_version: application/pdf; version=1.7

file_size: 6028120

245.1.0.b: Aplicación de inteligencia artificial y técnicas de aprendizaje automático para la evaluación de la susceptibilidad por movimientos en masa

last_modified: 2021-11-09 13:10:00

license_url: https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.es

license_type: by-nc-nd

No entro en nada

No entro en nada 2

Artículo

Application of Artificial Intelligence and machine learning techniques for landslide susceptibility assessment

Ospina Gutiérrez, Juan Pablo; Aristizábal, Edier

Instituto de Geología, UNAM, publicado en Revista Mexicana de Ciencias Geológicas, y cosechado de Revistas UNAM

Licencia de uso

Procedencia del contenido

Cita

Ospina Gutiérrez, Juan Pablo, et al. (2021). Application of Artificial Intelligence and machine learning techniques for landslide susceptibility assessment. Revista Mexicana de Ciencias Geológicas; Vol 38 No 1, 2021; 43-54. Recuperado de https://repositorio.unam.mx/contenidos/4120878

Descripción del recurso

Autor(es)
Ospina Gutiérrez, Juan Pablo; Aristizábal, Edier
Tipo
Artículo de Investigación
Área del conocimiento
Físico Matemáticas y Ciencias de la Tierra
Título
Application of Artificial Intelligence and machine learning techniques for landslide susceptibility assessment
Fecha
2021-03-24
Resumen
Landslides are one of the most naturally occurring phenomena with the highest human and economic losses around the world, reason for the susceptibility and hazard assessment is a fundamental tool for land use planning. There is a wide range of Artificial Intelligence algorithms in the recent literature with completely different approaches to establish the relationship between the independent variable (predictors) and the dependent variable (landslide inventory). In the present study, a wide range of algorithms were used for the La Miel creek basin, in the Colombian Andes, and the methodology implemented for this type of data-based modeling is presented in detail and step by step. The results obtained show that the assembled boosting models present the best values in terms of performance and predictability. Contrasting with the linear parametric models, pointing out their limitations in modeling complex problems such as landslides. Los movimientos en masa son uno de los fenómenos de origen natural con mayores pérdidas humanas y económicas alrededor del mundo, por lo que la evaluación de la susceptibilidad y amenaza es una herramienta fundamental para la ordenación de territorios. Existe en la reciente literatura una amplia gama de algoritmos de Inteligencia Artificial con aproximaciones diversas para evaluar y zonificar la susceptibilidad por movimiento en masa. En el presente estudio se implementaron diferentes algoritmos de Aprendizaje Automático para la cuenca de la quebrada La Miel, en los Andes colombianos, con el objetivo de evaluar el desempeño y la capacidad de predicción entre los diferentes modelos. Los resultados obtenidos para este caso de estudio arrojan que los modelos ensamblados tipo boosting presentan los mejores valores en términos de desempeño y capacidad de predicción, contrastando con los modelos paramétricos lineales y señalando las limitaciones de éstos en la modelización de problemas complejos, como los movimientos en masa.
Idioma
spa
ISSN
ISSN electrónico: 2007-2902; ISSN impreso: 1026-8774

Enlaces