Análisis de sensibilidad de factores condicionantes de susceptibilidad de deslizamientos usando operadores y funciones de lógica difusa

Este estudio evalúa la sensibilidad de los factores condicionantes en la determinación de la susceptibilidad a deslizamientos, utilizando un enfoque basado en lógica difusa. Este método permite un análisis dinámico, teniendo en cuenta la incertidumbre de los factores condicionantes en relación con l...

Full description

Autores:
Restrepo Ramírez, Maria Catalina
Tipo de recurso:
Tesis
Fecha de publicación:
2025
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/24602
Acceso en línea:
https://hdl.handle.net/10819/24602
Palabra clave:
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Cambio climático
Áreas urbanas
Desastres naturales
Susceptibilidad
Lógica difusa
Sensibilidad
Factores condicionantes
SIG
Susceptibility
Fuzzy Logic
Sensitivity
Conditioning Factors
GIS
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
Description
Summary:Este estudio evalúa la sensibilidad de los factores condicionantes en la determinación de la susceptibilidad a deslizamientos, utilizando un enfoque basado en lógica difusa. Este método permite un análisis dinámico, teniendo en cuenta la incertidumbre de los factores condicionantes en relación con los procesos históricos de deslizamientos en un entorno SIG. se generaron 27 combinaciones de modelos de susceptibilidad, resultantes de la variación en las fuentes de datos de lluvia, elevación y cobertura, bajo resoluciones espaciales de 10 m, 12,5 m y 30,8 m. Se utilizó el operador gamma difuso (γ=0,9) para combinar las capas y generar los mapas de susceptibilidad, que fueron evaluados mediante métricas como la precisión global (ACC), el área bajo la curva (AUC-ROC) y el análisis de suficiencia estadística. Los resultados obtenidos muestran que las combinaciones de modelos con la misma resolución espacial no mostraron variaciones significativas en el desempeño al cambiar la fuente de los datos de algunos factores. Sin embargo, los mejores resultados en términos de ACC, ROC y suficiencia se lograron con los modelos de resolución espacial de 10m (CMB2). En general, las combinaciones que obtuvieron mejores desempeños y precisión difieren con las que obtuvieron mejores resultados en el análisis de suficiencia. Esto indica que la resolución espacial tiene un impacto más significativo que la fuente de los datos en la precisión de las predicciones y que en futuras investigaciones involucrar métricas complementarias es clave para comprender mejor la influencia de cada factor en los modelos.