Minería de datos aplicada a la estimación de vulnerabilidad al deslizamiento de taludes a partir de parámetros hidrogeomorfo-lógicos

Abstract

La minería de datos es un conjunto de técnicas que permiten explorar grandes bases de datos para descubrir patro-nes, similitudes y/o conexiones entre los datos (a través de algoritmos) y comprender el comportamiento de los mis-mos para predecir tendencias. El agrupamiento de datos (clustering) a través de la técnica de k-medias, es una téc-nica de minería de datos no supervisada en la que el algoritmo ayuda a identificar todo tipo de patrones desconoci-dos en los datos sin etiquetas predeterminadas, con una supervisión humana mínima o nula. El presente trabajo tie-ne como finalidad determinar a través del análisis de agrupamiento de datos (clustering) k-medias, la vulnerabili-dad al deslizamiento que pueden tener los taludes, analizándolos a partir de datos hidrogeomorfológicos, lo que permite hacer una caracterización preliminar de las zonas potenciales de deslizamiento a fin de generar planes de ordenación territorial y prevenir futuros eventos de deslizamiento. Los parámetros involucrados incluyen la cober-tura vegetal, coeficiente de humedad del suelo, precipitación, pendientes del terreno y acumulación de flujo. Todos estos parámetros fueron obtenidos espacialmente para toda el área de estudio y almacenados en una base de datos a través de sistemas de información geográfica (SIG). El área fue discretizada en celdas con tamaño de pixeles de 150x150m en los que fue determinado el valor de cada uno de los parámetros, generando así una gran base de da-tos. Los resultados mostraron que los parámetros: Precipitación, humedad del suelo y acumulación de flujo contri-buyen de manera importante en aumentar la vulnerabilidad de los taludes, mientras que los parámetros cobertura vegetal y pendiente poseen menos influencia. Estos resultados demuestran que las técnicas de minería de datos son una opción confiable, eficiente y económica para la evaluación de la vulnerabilidad de taludes.

Data mining is a set of techniques to explore large databases to discover patterns, similarities and/or connections between data (through algorithms) to understand the behaviour of the data to predict trends. Clustering, through k-means technique, is an unsupervised data mining technique in which the algorithm helps to identify all kinds of un-known patterns in the data without predetermined labels, with a little or no human supervision. The present work aims to determine, through k-means clustering analysis, the landslide vulnerability of slopes by analysing them from hydrogeomorphological data. It allows a preliminary characterisation of potential landslide zones in order to gen-erate land management plans and prevent future landslide events. The parameters involved include vegetation cov-er, soil moisture coefficient, rainfall, terrain slopes and flow acumulation. All these parameters were obtained for the whole study area and they were stored in a database through geographic information systems (GIS). The area was divided into 150x150m cells size pixels to obtain a large dataset to evaluate the different parameters in each point of cell. The results showed that the parameters: rainfall, soil moisture and flow accumulation contribute significantly to increase the vulnerability of slopes, while the parameters vegetation cover and slope slope penetration have less in-fluence. These results demonstrate that data mining techniques are a reliable, efficient and economical option for slope vulnerability assessment.