Metodología para la evaluación de susceptibilidad de remociones en masa basada en redes neuronales convolucionales, con aplicación en la comuna de San José de Maipo, Región Metropolitana, Chile

Abstract

En este trabajo, se aplicó una metodología para evaluar la susceptibilidad de remociones en masa en la comuna de San José de Maipo, basada en la combinación de factores condicionantes mediante la utilización de redes neuronales convolucionales. Se utilizaron un total de 11 factores condicionantes, los cuales fueron: (1) elevación; (2) pendiente; (3) aspecto; (4) curvatura perfil; (5) curvatura planar; (6) índice topográfico de humedad; (7) índice de potencia de cauce; (8) índice de transporte de sedimento; (9) distancia a red de drenaje; (10) geología, y; (11) distancia a fallas. Todos los factores condicionantes, menos la geología y la distancia a fallas, se trabajaron a una resolución de 12.5 m*12.5 m, mientras que los dos factores mencionados anteriormente fueron elaborados a partir de trabajos anteriores conservando la escala original 1:250000 y subsampleados a 12.5 m*12.5 m. La metodología aplicada se compone de 5 etapas. La primera correspondió a la selección de los puntos de alta susceptibilidad y los puntos libres de remociones en masa del área de estudio. La segunda etapa correspondió a la elección y cálculo de los factores condicionantes relevantes para la generación de remociones en masa en el área de estudio, más la generación de los vectores de características de los puntos de alta susceptibilidad y los puntos libres de remociones en masa. La tercera etapa correspondió al establecimiento de la arquitectura de la red neuronal convolucional y su programación. La cuarta etapa correspondió al entrenamiento de la red neuronal y su validación. Finalmente, la quinta etapa correspondió a la inferencia de los valores de susceptibilidad para toda la extensión del área de estudio, y la construcción de un mapa de susceptibilidad de remociones en masa. Los resultados obtenidos permitieron validar la arquitectura de red utilizada, el número de ejemplos de entrenamiento y los modelos de susceptibilidad generados. Se obtuvieron dos modelos de susceptibilidad, uno de los cuales con valores de susceptibilidad pronosticados muy duros que no permitían una buena reclasificación de los valores de susceptibilidad, mientras que el otro modelo si permitía una buena reclasificación y se eligió como modelo final para la construcción del mapa de susceptibilidad, permitiendo diferenciar 4 grados de susceptibilidad (Baja, Moderada, Alta y Muy Alta). Los 5 factores condicionantes más relevantes entregados por los modelos fueron pendiente, índice topográfico de humedad, geología, índice de potencia de cauce y aspecto, donde este orden relativo permitió caracterizar las zonas de muy alta--alta y baja susceptibilidad en el área de estudio.