Sporala red del conocimiento
EN
Universidad Nacional de Colombia

Medellín - Minas - Maestría en Ingeniería - Analítica · 2022

Método para la predicción temporal de avenidas torrenciales a partir de datos abiertos usando aprendizaje de máquinas

Las avenidas torrenciales son fenómenos destructivos característicos de regiones montañosas. En el departamento de Antioquia (Colombia), estos eventos ocurren con frecuencia y las pérdidas en términos económicos y de vidas humanas reflejan la importancia de predecirlos. Las condiciones climáticas extremas, la expansión urbana y el crecimiento poblacional tienden a incrementar el riesgo en aquellas zonas donde ya se han presentado eventos en el pasado. Actualmente, se carece de una base de datos que recopile el detalle de las avenidas torrenciales que han ocurrido en Antioquia con sus respectivas variables hidrometeorológicas, además, la mayoría de las investigaciones están orientadas a identificar la susceptibilidad espacial de estos fenómenos. Con el auge de las técnicas de aprendizaje de máquinas, se propone un método de clasificación binaria para la predicción temporal de avenidas torrenciales a partir de datos abiertos. De esta manera, se identifican las múltiples fuentes de información para construir un inventario de eventos con sus respectivas variables hidrometeorológicas. Luego se realiza el preprocesamiento y entendimiento profundo de los datos, de manera que se seleccionan las variables que más influencia tienen en la ocurrencia de las avenidas torrenciales mediante métodos de envoltura y de filtrado. Seguidamente, se aborda el problema del desbalanceo entre las clases, usando diferentes proporciones de los datos y generando datos sintéticos para evaluar el desempeño del clasificador propuesto. Por último, se obtiene que el algoritmo de bosques aleatorios con el conjunto de datos balanceado y desbalanceado en una proporción de 1:99 entre las clases de ocurrencia y no ocurrencia de avenida torrencial fue el que mejor desempeño obtuvo, logrando un F1-score y sensibilidad del 85% para el conjunto balanceado, mientras que el conjunto de datos desbalanceado obtuvo 66% y 55% respectivamente. Además, se determina que las variables que mayor influencia tienen en el modelo de clasificación corresponden a la lluvia antecedente de 1 día, la escorrentía, la evapotranspiración potencial y el índice de vegetación baja. (Texto tomado de la fuente)

Texto completo 101 páginas con texto

Leer la tesis completa Ficha en el repositorio

Tesauro de su biblioteca