Medellín - Minas - Maestría en Ingeniería - Analítica · 2025

Estimación dinámica de la susceptibilidad por movimientos en masa haciendo uso de técnicas de aprendizaje automático y su aplicación en plataforma Web-GIS

Los movimientos en masa constituyen una amenaza recurrente de alto impacto en entornos andinos densamente poblados: entre 2000 y 2023 se registraron 11,269 muertes asociadas a estos eventos en Colombia, con Antioquia como departamento más afectado (33.5%) y el Valle de Aburrá concentrando el 44% de los registros departamentales, en un contexto global donde la literatura reporta miles de deslizamientos fatales y una tendencia creciente vinculada al aumento de precipitaciones extremas y a la expansión urbana. Persiste un conjunto de brechas operativas en la estimación de la susceptibilidad: inventarios heterogéneos y con actualización irregular, productos cartográficos estáticos de rápida obsolescencia, y barreras técnicas para la adopción de metodologías avanzadas a escalas semidetalladas exigidas por la normativa y los lineamientos del Servicio Geológico Colombiano. El estado del arte evidencia que los enfoques heurísticos adolecen de reproducibilidad, los métodos físico‑mecánicos requieren parámetros locales difíciles de generalizar, y muchas plataformas Web-GIS carecen de integración dinámica de inventarios, analítica comparativa multimodelo y mecanismos transparentes de evaluación. Frente a este panorama, la hipótesis de trabajo plantea que integrar en una plataforma Web-GIS modelos de aprendizaje automático complementarios —Regresión Logística (paramétrica), Modelos Aditivos Generalizados (semiparamétricos) y Random Forest (no paramétrico)— con ajuste interactivo de hiperparámetros y flujos reproducibles de ingestión, análisis exploratorio, entrenamiento y ejecución mejora la precisión y eficiencia de la estimación de la susceptibilidad y reduce el periodo entre la ocurrencia de nuevos eventos y la generación de productos operativos. La solución desarrollada implementa una arquitectura desacoplada: un frontend en React y Leaflet para selección de variables, incorporación de inventarios y delimitación de áreas de interés; un backend en Django/Django REST Framework que orquesta el preprocesamiento geoespacial (rasterización de eventos y buffers, recortes por AOI, muestreo balanceado evento/no evento, estandarización selectiva), el análisis exploratorio automatizado (correlaciones, densidades, boxplots), el entrenamiento de modelos con registro de hiperparámetros y métricas (matriz de confusión, reporte de clasificación, curva ROC), además de la ejecución de dichos modelos; un datalake local estructurado para persistencia de modelos serializados, figuras y registros; GeoServer para publicación inmediata de mapas de susceptibilidad vía WMS; y un canal WebSocket para trazabilidad casi en tiempo real de procesos intensivos. Esta arquitectura se alinea con las oportunidades de investigación identificadas: dinamización de inventarios multitemporales, democratización de analítica geoespacial avanzada y provisión de servicios interoperables que fortalecen la gestión del riesgo y la planificación territorial en Antioquia. (Texto tomado de la fuente)

Tesauro de su biblioteca