Estimación dinámica de la susceptibilidad por movimientos en masa haciendo uso de técnicas de aprendizaje automático y su aplicación en plataforma Web-GIS

Abstract

Los movimientos en masa constituyen una amenaza recurrente de alto impacto en entornos andinos densamente poblados: entre 2000 y 2023 se registraron 11,269 muertes asociadas a estos eventos en Colombia, con Antioquia como departamento más afectado (33.5%) y el Valle de Aburrá concentrando el 44% de los registros departamentales, en un contexto global donde la literatura reporta miles de deslizamientos fatales y una tendencia creciente vinculada al aumento de precipitaciones extremas y a la expansión urbana. Persiste un conjunto de brechas operativas en la estimación de la susceptibilidad: inventarios heterogéneos y con actualización irregular, productos cartográficos estáticos de rápida obsolescencia, y barreras técnicas para la adopción de metodologías avanzadas a escalas semidetalladas exigidas por la normativa y los lineamientos del Servicio Geológico Colombiano. El estado del arte evidencia que los enfoques heurísticos adolecen de reproducibilidad, los métodos físico‑mecánicos requieren parámetros locales difíciles de generalizar, y muchas plataformas Web-GIS carecen de integración dinámica de inventarios, analítica comparativa multimodelo y mecanismos transparentes de evaluación. Frente a este panorama, la hipótesis de trabajo plantea que integrar en una plataforma Web-GIS modelos de aprendizaje automático complementarios —Regresión Logística (paramétrica), Modelos Aditivos Generalizados (semiparamétricos) y Random Forest (no paramétrico)— con ajuste interactivo de hiperparámetros y flujos reproducibles de ingestión, análisis exploratorio, entrenamiento y ejecución mejora la precisión y eficiencia de la estimación de la susceptibilidad y reduce el periodo entre la ocurrencia de nuevos eventos y la generación de productos operativos. La solución desarrollada implementa una arquitectura desacoplada: un frontend en React y Leaflet para selección de variables, incorporación de inventarios y delimitación de áreas de interés; un backend en Django/Django REST Framework que orquesta el preprocesamiento geoespacial (rasterización de eventos y buffers, recortes por AOI, muestreo balanceado evento/no evento, estandarización selectiva), el análisis exploratorio automatizado (correlaciones, densidades, boxplots), el entrenamiento de modelos con registro de hiperparámetros y métricas (matriz de confusión, reporte de clasificación, curva ROC), además de la ejecución de dichos modelos; un datalake local estructurado para persistencia de modelos serializados, figuras y registros; GeoServer para publicación inmediata de mapas de susceptibilidad vía WMS; y un canal WebSocket para trazabilidad casi en tiempo real de procesos intensivos. Esta arquitectura se alinea con las oportunidades de investigación identificadas: dinamización de inventarios multitemporales, democratización de analítica geoespacial avanzada y provisión de servicios interoperables que fortalecen la gestión del riesgo y la planificación territorial en Antioquia. (Texto tomado de la fuente)

Landslides constitute a recurrent high-impact hazard in densely populated Andean environments: between 2000 and 2023, 11,269 deaths associated with these events were recorded in Colombia, with Antioquia as the most affected department (33.5%) and the Aburrá Valley concentrating 44% of departmental records, in a global context where the literature reports thousands of fatal landslides and a growing trend linked to increased extreme rainfall and urban expansion. A set of operational gaps persists in susceptibility estimation: heterogeneous and irregularly updated inventories, static cartographic products with rapid obsolescence, and technical barriers to adopting advanced methodologies at semi-detailed scales required by national regulations and the guidelines of the Colombian Geological Survey. The state of the art shows that heuristic approaches lack reproducibility, physically based methods require local parameters that are difficult to generalize, and many Web-GIS platforms lack dynamic integration of inventories, comparative multi-model analytics, and transparent evaluation mechanisms. In this scenario, the working hypothesis posits that integrating complementary machine learning models —Logistic Regression (parametric), Generalized Additive Models (semi-parametric), and Random Forest (non-parametric)— within a Web-GIS platform providing interactive hyperparameter tuning and reproducible workflows for ingestion, exploratory analysis, training, and execution improves the accuracy and efficiency of susceptibility estimation and reduces the period between new event occurrence and the generation of operational products. The developed solution implements a decoupled architecture: a frontend in React and Leaflet for variable selection, inventory incorporation and area-of-interest delineation; a backend in Django/Django REST Framework that orchestrates geospatial preprocessing (event and buffer rasterization, AOI clipping, balanced event/non-event sampling, selective standardization), automated exploratory analysis (correlations, densities, boxplots), model training with registered hyperparameters and metrics (confusion matrix, classification report, ROC} curve), in addition to model execution; a structured local datalake for persistence of serialized models, figures and logs; GeoServer for immediate publication of susceptibility maps via WMS; and a WebSocket channel for near real-time traceability of intensive processes. This architecture aligns with the identified research opportunities: dynamization of multitemporal inventories, democratization of advanced geospatial analytics and provision of interoperable services that strengthen risk management and territorial planning in Antioquia.