Evaluación comparativa de modelos de aprendizaje automático para el mapeo de susceptibilidad a deslizamientos de tierra: un enfoque en la validación y precisión

Resumen El mapeo preciso de la susceptibilidad a deslizamientos de tierra (LSM) es crítico para la gestión de riesgos, especialmente en áreas con desarrollo significativo. Aunque las métricas de rendimiento de la característica operativa del receptor–área bajo la curva (ROC–AUC) se utilizan comúnmente para medir la efectividad del modelo, se mostró que no son suficientes para verificar la fiabilidad de los mapas generados. En este estudio, se evaluó y comparó la efectividad de tres modelos de aprendizaje automático: regresión logística (LR), bosque aleatorio (RF) y máquina de vectores de soporte (SVM) en la predicción del riesgo de deslizamientos de tierra en una región montañosa al este de El Cairo, Egipto. Se recopiló un conjunto de datos integral para lograr esto, que incluía 183 ubicaciones de deslizamientos de tierra y 183 ubicaciones sin deslizamientos, que fueron detectadas a través de trabajo de campo e imágenes satelitales de alta resolución. Se utilizaron catorce factores de condicionamiento de diferentes categorías; variables topográficas, geológicas, hidrológicas, antropológicas y relacionadas con desencadenantes, como factores independientes durante la generación de los diferentes LSM. Los tres modelos lograron altos valores de ROC–AUC, con RF anotando 0.95, SVM 0.90 y LR 0.88, indicando un rendimiento sólido. Sin embargo, una evaluación adicional con métricas de rendimiento adicionales como precisión (ACC), sensibilidad, precisión, puntuación F1, y verificación de la racionalidad de los mapas reveló diferencias clave. Entre los modelos, solo el modelo RF apareció como el más fiable, con un rendimiento superior en todas las métricas de rendimiento y menos errores de clasificación en áreas críticas. En cambio, SVM y LR exhibieron tasas de error de clasificación más altas tanto para ubicaciones propensas a deslizamientos como seguras. Estos hallazgos muestran que altos valores de ROC–AUC no siempre se traducen en fiabilidad práctica.