Análisis de clasificadores de imágenes satelitales en deslizamiento de tierra con técnicas de machine learning aplicado al distrito de Ancash

Abstract

La detección de deslizamientos de tierra a través de imágenes satelitales representa un avance significativo en la prevención de desastres naturales. Por ello, la implementación de clasificadores de machine learning es un proceso complejo que comienza con la selección cuidadosa y el preprocesamiento de imágenes de alta resolución de satélites confiables, como Landsat 8 o Sentinel. Estas imágenes son fundamentales para identificar con precisión las áreas en riesgo, donde la implementación de clasificadores de machine learning requiere una selección y preprocesamiento meticulosos de imágenes de alta resolución de fuentes confiables como Landsat 8 o Sentinel. Ya que, segun los algoritmos evaluados en este proyecto, el Support Vector Machine (SVM) ha demostrado ser excepcionalmente eficaz, con un índice de precisión global de 0.972, superando a modelos alternativos como Random Forest, árboles de decisión, Naive Bayes y Redes Neuronales. Donde, la confiabilidad de estos clasificadores se mide comparando sus predicciones con datos históricos y registros de eventos reales, lo que permite refinar su capacidad predictiva. Así mismo, el proceso de evaluación y mejora continua no solo aumenta la precisión en la identificación de zonas susceptibles a deslizamientos de tierra, sino que también refuerza las estrategias de gestión de riesgos. Esto es crucial para la preparación y respuesta efectiva ante posibles desastres, permitiendo la implementación de medidas preventivas y la rápida movilización de recursos en caso de emergencia. En última instancia, estos esfuerzos contribuyen a proteger vidas, infraestructuras y ecosistemas, mitigando el impacto de los deslizamientos de tierra en las comunidades vulnerables.

The detection of landslides through satellite images represents a significant advance in the prevention of natural disasters. Therefore, the implementation of machine learning classifiers is a complex process that begins with the careful selection and preprocessing of high-resolution images from reliable satellites, such as Landsat 8 or Sentinel. These images are essential to accurately identify areas at risk, where the implementation of machine learning classifiers requires meticulous selection and preprocessing of high-resolution images from trusted sources such as Landsat 8 or Sentinel. Since, according to the algorithms evaluated in this project, the Support Vector Machine (SVM) has proven to be exceptionally effective, with an overall precision index of 0.972, outperforming alternative models such as Random Forest, decision trees, Naive Bayes and Neural Networks. . Where, the reliability of these classifiers is measured by comparing their predictions with historical data and records of real events, which allows their predictive capacity to be refined. Likewise, the continuous evaluation and improvement process not only increases the precision in the identification of areas susceptible to landslides, but also reinforces risk management strategies. This is crucial for effective preparation and response to possible disasters, allowing the implementation of preventive measures and the rapid mobilization of resources in the event of an emergency. Ultimately, these efforts help protect lives, infrastructure and ecosystems, mitigating the impact of landslides on vulnerable communities.