Atribución-NoComercial-SinDerivadas 4.0 InternacionalTapias Camacho, Mauricio AlbertoRomán Quintero, Daniel CamiloOrtiz Contreras, Jose David2025-03-102025-03-102024https://repositorio.unal.edu.co/handle/unal/87624ilustraciones, diagramas, fotografías a color, mapas, planosLa geografía colombiana presenta grandes desafíos debido a la variabilidad de su topografía y los materiales presentes, dando como resultado uno de los países con mayor densidad de procesos de remoción en masa en la región, siendo valioso cada avance en el entendimiento y el análisis de estos procesos. El presente documento busca dar un paso más en el cumplimiento de este objetivo, planteando una metodología que parte de la obtención y categorización de la información, pasando por un análisis de validación estadística y finalizando en un modelo de Machine Learning que sirve como alternativa a las curvas de regresión utilizadas actualmente para el cálculo de la distancia de viaje. El resultado se compone de un algoritmo que puede usarse dependiendo del nivel de procesamiento de la información que tenga el usuario, un modelo de Random Forest elaborado en R para facilitar su uso y calibración junto con una curva de probabilidad de excedencia de distancia de viaje aplicada a un caso de estudio. Estos productos presentan una mejoría tomando como base los modelos utilizados actualmente, aumentando su precisión y exactitud al disminuir el error relativo dando una alternativa sólida de cálculo (Texto tomado de la fuente).Colombia has one of the most challenger geography owing the variability of its topography and existing materials, becoming in one of the countries with the highest density of landslide processes in the region, each advance to understand and analyze these processes are extremely valuable. This document seeks to contribute another step to reach this objective, proposing a methodology that starts from obtaining and categorizing information, passing through a statistical validation analysis and finally using a machine learning model that serves as an alternative of regression curves currently used for travel distance calculation. The result is made up of an algorithm that can be used depending on the user's level of information processing, a Random Forest model developed in R to make easier its use and calibration along with a run out distance exceedance probability curve applied directly to a study case. These products make an improvement based on the models currently used, increasing their precision and accuracy by reducing the relative error, providing a solid calculation alternative.145 páginas + anexosapplication/pdfimage/jpegspahttp://creativecommons.org/licenses/by-nc-nd/4.0/620 - Ingeniería y operaciones afines::624 - Ingeniería civilTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessGEOGRAFIA DE SUELOSSoil geographyGEOGRAFIA FISICAPhysical geographyGEOGRAFIA-MODELOS MATEMATICOSGeography - mathematical modelsAPRENDIZAJE AUTOMATICO (INTELIGENCIA ARTIFICIAL)Machine learningINTELIGENCIA ARTIFICIALArtificial intelligenceDistancia de viajeProbabilidad de excedenciaRandom ForestRun out distanceExceedance probabilityRandom Forest