Modelo predictivo para identificar zonas potenciales de deslizamientos influenciados por precipitación en la ciudad de Medellín
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: el objetivo de este trabajo de grado es desarrollar un modelo predictivo para identificar zonas potenciales de deslizamientos influenciados por la precipitación en Medellín. Se emplearon técnicas de inteligencia artificial, se integró información geoespacial y de precipitación disponible al público. El modelo se basó en la implementación de modelos supervisados y series de tiempo, adaptados de manera híbrida para capturar la relación entre la precipitación y los movimientos en masa. La pregunta de investigación se centra en la falta de un enfoque integrado que utilice información de organismos de atención a emergencias, cartografía, antecedentes de deslizamientos, características geométricas del terreno y la variación espacial y temporal de la precipitación; que permita comprender el comportamiento de los escenarios de riesgo por movimientos en masa en función de la lluvia antecedente y mejorar la interpretación y respuesta en estas situaciones en la ciudad. Los resultados principales se enfocaron en la estimación de parámetros relevantes para la ocurrencia de deslizamientos, como la vulnerabilidad y la cantidad de agua en el suelo según la precipitación previa. Además, se investigaron los umbrales de lluvia específicos por cuadrantes de la ciudad y su relación con la activación de los movimientos en masa. Se observó una influencia significativa de la vulnerabilidad, así como la importancia de las características geológicas y geomorfológicas en la ocurrencia de deslizamientos. Estos hallazgos proporcionan una base sólida para comprender y gestionar el riesgo de deslizamientos en Medellín, y sugieren la implementación de medidas públicas preventivas y de mitigación. En conclusión, este estudio presenta un modelo predictivo que integra información geoespacial y de precipitación para identificar zonas propensas a deslizamientos influenciados por la lluvia en Medellín. Los resultados destacan la necesidad de considerar la vulnerabilidad y las características del terreno al evaluar el riesgo de movimientos en masa en la ciudad.
Resumen en inglés
ABSTRACT: this research aims to develop a predictive model to identify potential landslide-prone areas influenced by precipitation in Medellín. Utilizing artificial intelligence techniques, geospatial and publicly available precipitation data were integrated into the model. The approach involved the implementation of supervised models and time series analysis, adaptively capturing the relationship between precipitation and mass movements. The research question addresses the lack of an integrated approach incorporating information from emergency response agencies, cartography, landslide records, terrain geometry, and spatial-temporal precipitation variation. The objective is to comprehend the behavior of landslide risk scenarios based on antecedent rainfall and enhance interpretation and response capabilities in such situations within the city. The main findings primarily focused on estimating crucial parameters for landslide occurrence, including vulnerability and soil moisture content influenced by prior precipitation. Additionally, specific rainfall thresholds for each quadrant of the city were examined in relation to landslide activation. Significant influences of vulnerability and geological-geomorphological characteristics on landslide occurrence were observed. These findings provide a solid foundation for understanding and managing landslide risks in Medellín, emphasizing the need for implementing preventive and mitigation measures at the public level. In conclusion, this study introduces a predictive model that integrates geospatial and precipitation data to identify rainfall-influenced landslide-prone areas in Medellín. The results underscore the importance of considering vulnerability and terrain characteristics when assessing landslide risks in the city.