V. Gómez Escalonilla, P. Martínez Santos, Esperanza Montero González
Este trabajo presenta una novedosa metodología que permite elaborar cartografías predictivas mediante información basada en datos de campo. Para ello, se utilizan sistemas de información geográfica en los que se compilan diferentes capas de infor- mación geoespacial. Los algoritmos de clasificación supervisada se entrenan con una muestra de los datos originales, tratando de encontrar patrones de relación entre las variables explicativas y la variable objetivo, en este caso, la presencia o ausencia de ecosistemas dependientes de aguas subterráneas. Los factores que van a afectar a la presencia o no de estos cuerpos de agua son el tipo de litología, la pendiente, la elevación del nivel freático, las fracturas, los índices de humedad y las zonas de acumulación potencial de flujo entre otros. La zona de estudio, con una extensión de más de 5.000 km2 , se encuentra en Castilla-La Mancha e incluye el Parque Natural de las Lagunas de Ruidera. Los datos de entrada se han extraído de los hume- dales y los manantiales del Inventario Español de Zonas Húmedas (DGOH, 1991) y Montero (2000), respectivamente. Los resultados son superiores a 0,80 en la puntuación de la prueba y el área bajo la curva de características operativas del receptor (AUC), que son las métricas más utilizadas en los métodos de aprendizaje automático.
This paper presents a novel methodology for predictive mapping using information based on point-source field data. For this purpose, different layers of spatial information have been collected and compiled in a geographic information system.
The supervised classification algorithms are trained with a sample of the original data, trying to find patterns of relationship between the explanatory variables and the target variable, in this case, the presence or absence of groundwater-dependent ecosystems. The factors that will condition the presence or absence of these bodies of water are lithology, slope, water table elevation, fractures, humidity indices, permeability and flow accumulation potential among others. The study area, with an extension of more than 5,000 km2, is located in Castilla-La Mancha and includes the Lagunas de Ruidera Natural Park.
Input data have been extracted for wetlands and springs from the Spanish Inventory of Wetlands (DGOH, 1991) and Mon- tero (2000), respectively. Outcomes are above 0.80 in test score and area under the receiver operating characteristic curve (AUC), the most used metrics in machine learning methods.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados