Datos y Modelos
El proyecto utiliza Aprendizaje Automático (ML) para profundizar en el entendimiento y hacer predicciones sobre deslizamientos
Recolección de Datos
Una base de datos robusta y recolectada durante un periodo de tiempo extendido es crítica para modelar susceptibilidad de deslizamiento.
Con la ayuda de AirWorks, un equipo de pilotos locales están volando UAVs con LiDAR y un sensor multiespectral para recolectar datos en las cuencas de interés. Estos datos proveen una imagen completa del terreno y diferentes factores asociados a la topografía, los cuáles se utilizan para entrenar un algoritmo de aprendizaje automático (ML) que busca hacer predicciones sobre dónde y por qué podrían ocurrir deslizamientos de tierra.
Entradas del Modelo
Datos y capas utilizadas para entrenar el algoritmo
Datos LIDAR e imágenes multiespectrales capturadas durante vuelos del dron se utilizan junto con bases de datos proporcionadas por las entidades locales en Mocoa y CorpoAmazonia para producir un base de datos exhaustiva para entrenar el modelo.
Técnicas de Modelamiento
Diferentes técnicas se exploran para identificar una ruta hacia las predicciones más precisas.
Las Redes Neuronales que se utilizan como parte del aprendizaje automático no producen los mismos resultados, por eso la prueba de técnicas diferentes a lo largo del tiempo ayuda a los analistas encontrar los que funcionan mejor.
ACCESO A LA DOCUMENTACIÓN
Documentación adicional estará disponible próximamente.
Determinación de la importancia de factores
Comparando los índices de susceptibilidad desarrollados a partir de los datos LIDAR con los registros de deslizamientos históricos utilizando Aprendizaje Automático (ML), los analistas pueden determinar la importancia relativa de factores diferentes para los movimientos/deslizamientos.
División de los datos para entrenar, testear, y validar
El modelo está entrenado para hacer predicciones si hay un evento detonante. Después de que ocurran nuevos deslizamientos, los analistas compararán las predicciones del modelo con la realidad. En este momento, se podrá determinar si uno de los modelos es más preciso que otros y se seguirá utilizando a futuro.
Clasificación
Utilizando técnicas como regresión logística, árboles de decisiones, bosques aleatorios (random forests) y redes neuronales convolucionales, los analistas podrán determinar la combinación de factores más significativa para determinar la susceptibilidad de deslizamientos en Mocoa.
Trabajo a Futuro
A partir de la recolección de datos a lo largo del tiempo y observaciones frecuentes y de manera repetida, los modelos pueden ser refinados para hacer predicciones más precisas.
Una vez se alcancen niveles de certidumbre apropiados para los resultados de susceptibilidad, los modelos podrían ser utilizados para entender el riesgo y el carácter de riesgo a un nivel más detallado y específico.
ACCESO A DATOS
Las capas del mapa generadas a partir de este trabajo estarán disponibles de forma interactiva en este sitio. Los datos y las capas del mapa estarán disponibles para descargar.
Mapa de Susceptibilidad
Se generará tan pronto haya datos multiespectrales y LiDAR disponibles.
Mapa de Alerta Temprana
Este mapa podría sugerir cuáles áreas en la cuenca presentan el riesgo más inminente
Mapa de Prioridad de Intervenciones
Utilizando y aislando las áreas de alta susceptibilidad, modelamientos adicionales permitirían identificar factores e infraestructura con alto riesgo de afectación para Mocoa.
Mapa de Población
Una comparación de áreas de alta susceptibilidad con zonas densamente pobladas si existiese esta información, permitiría a los analistas estimar cuantas personas y edificios están en riesgo de ser afectados por deslizamientos.