Predicción de zonas susceptible a los procesos de remoción masa aplicando el modelo matemático red neuronal artificial en la localidad de Guatapurí y Chemesquemena, Colombia

• Estrada-Romero , Javier ^[1] ; Carrillo , Fabio ^[1] ; Manco-Jaraba , Dino Carmelo ^[2] ; Cantillo, Janer ^[3]
  1. [1] Fundación Universitaria del Área Andina
  2. [2] Universidad de La Guajira
  3. [3] Esri Colombia

  Mostrar afiliaciones +
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 23, Nº. 4, 2024 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 69-84
• Idioma: español
• Títulos paralelos:
  • Prediction of areas susceptible to landslide processes by applying the mathematical model artificial neural network in the locality of Guatapuri and Chemesquemena, Colombia
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Esta investigación tiene como objetivo predecir zonas susceptibles a procesos de remoción en masa aplicando modelo matemático red neuronal artificial en la localidad de Guatapurí y Chemesquemena. Se delimitaron zonas susceptibles a fenómenos de remoción en masa a partir de la identificación de factores condicionantes ((1) Unidades Geológicas Superficiales, (2) Pendiente del terreno, (3) Cobertura vegetal, (4) Índice de Rugosidad de Terreno, (5) Geomorfología y (6) Acuenca)) y realización de mapas y procesamiento de imágenes satelitales (Landsat) aplicando modelos matemáticos de tipo redes neuronales artificiales. La evaluación de susceptibilidad destacó una distribución desigual en Guatapurí y Chemesquemena. Las zonas de "muy alta" susceptibilidad (43% del área) se caracterizaron por presentar pendientes pronunciadas, patrones distintos de flujo y relieves moderados a muy elevados. En contraste, las zonas catalogadas como de "muy baja" susceptibilidad (34% del área), presentan pendientes suaves a casi planas, con escorrentía lenta y materiales menos propensos a deslizamientos.

  • English

    The objective of this research is to predict areas susceptible to landslide processes by applying an artificial neural network mathematical model in the locality of Guatapurí and Chemesquemena. Areas susceptible to mass landslide phenomena were delimited based on the identification of conditioning factors ((1) Surface Geological Units, (2) Terrain Slope, (3) Vegetation Cover, (4) Terrain Roughness Index, (5) Geomorphology and (6) Watershed) and mapping and processing of satellite images (Landsat) by applying mathematical models of artificial neural networks type. The susceptibility assessment highlighted an uneven distribution in Guatapurí and Chemesquemena. The "very high" susceptibility zones (43% of the area) were characterized by steep slopes, distinct flow patterns and moderate to very high relief. In contrast, the zones classified as "very low" susceptibility (34% of the area) have gentle to almost flat slopes, with slow runoff and materials less prone to landslides.