Aplicación de un modelo Random Forest en la evaluación de la susceptibilidad a deslizamientos bajo escenarios de cambio climático: un estudio de caso

Abstract

La inestabilidad de laderas en los Andes colombianos se intensifica bajo el cambio climático, lo que exige cartografías de susceptibilidad con enfoque predictivo. En esta investigación se evaluó la susceptibilidad a deslizamientos en una zona conformada por los municipios de Quebradanegra y Útica (Cundinamarca) incorporando escenarios climáticos futuros. Se integraron 609 registros (303 deslizamientos y 306 pseudoausencias, es decir, puntos generados para representar áreas sin deslizamientos) sobre un área de 175 km^2, con predictores topográficos (elevación, pendiente y curvatura), climáticos (precipitación y temperatura, tanto históricas como proyecciones tomadas del modelo climático CNRM-CM6-1 del proyecto CMIP6, bajo el escenario SSP2–4.5 para 2050–2070) y geotécnicos (cohesión aparente y ángulo de resistencia al corte). Se entrenó un modelo Random Forest, aplicando técnicas de validación cruzada (k-fold), estimación interna del error (OOB) y validación espacial por bloques para garantizar robustez. El modelo alcanzó métricas de desempeño sobresalientes (AUC-ROC=0.98, F1=0.94, exactitud=0.95 y kappa=0.88), confirmadas mediante validación espacial (AUC=0.814 y OOB=0.96). La temperatura emergió como predictor dominante; en un análisis de sensibilidad, su exclusión redujo el desempeño del modelo (exactitud=0.80; F1=0.70; AUC=0.91). Los mapas proyectan un aumento del riesgo: las áreas clasificadas como “Alta” y “Muy alta” pasan del 41.4\% al 52.3\% del territorio (+10.9%), lo que implica una expansión hacia laderas medias y bajas. En conclusión, a escala regional, Random Forest ofrece predicciones robustas e interpretables, con variables climáticas dominando la señal espacial bajo SSP2–4.5. En síntesis, el modelo propuesto ofrece una base sólida para anticipar cambios en la distribución espacial del riesgo y respaldar decisiones estratégicas en ordenamiento territorial y reducción del riesgo. (Texto tomado de la fuente).

Landslide activity in the Colombian Andes is expected to intensify under climate change, which calls for predictive susceptibility mapping. This study assessed landslide susceptibility in the municipalities of Quebradanegra and Útica (Cundinamarca), explicitly incorporating future climate scenarios. A dataset of 609 records (303 landslides and 306 pseudo-absences, i.e., points representing stable areas) was compiled over an area of approximately 175 km², integrating topographic predictors (elevation, slope, curvature), climatic variables (precipitation and temperature, including historical data and projections from the CNRM-CM6-1 global climate model under the CMIP6 framework, scenario SSP2–4.5 for 2050–2070), and geotechnical parameters (apparent cohesion and friction angle). A Random Forest model was trained using stratified sampling of pseudo-absences, cross-validation (k-fold), out-of-bag error estimation (OOB), and block-based spatial validation to ensure robustness. The model achieved outstanding performance metrics (AUC-ROC=0.98, F1=0.94, accuracy=0.95, and kappa=0.88), confirmed by spatial validation (AUC=0.814 and OOB=0.96). Temperature emerged as the most influential predictor; its exclusion reduced performance significantly (accuracy=0.80; F1=0.70; AUC=0.91). Future susceptibility maps indicate an increase in high-risk areas: zones classified as “High” and “Very High” rise from 41.4% to 52.3% of the territory (+10.9%), expanding toward mid- and lower-slope domains. In conclusion, at the regional scale, Random Forest provides robust and interpretable predictions, with climatic variables dominating the spatial signal under SSP2–4.5. Overall, the proposed model offers a solid basis for anticipating spatial shifts in landslide risk and supporting strategic decisions in land-use planning and disaster risk reduction.