Análisis de susceptibilidad de deslizamientos naturales con uso de redes neuronales artificiales, aplicado en la comuna de Chaitén, Región de los Lagos, Chile.

Abstract

La singular combinación de características geológicas, geomorfológicas y climáticas presentes en Chile promueven una persistente modelación del relieve, dando paso a la continua ocurrencia de procesos de remoción en masa; fenómenos considerados un peligro geológico, que requiere ser analizado y estimado. Por tal razón, este proyecto de memoria pretende contribuir al estudio de deslizamientos de origen natural en Chile, desarrollando una estrategia metodológica cuantitativa para la estimación de dicho tipo de remoción. En base a la distribución de registros de remociones en masa (RM) a nivel nacional y regional, se toma como zona de estudio la localidad de Chaitén ubicada en la Región de los Lagos, entre los 42°50’ y 43°03’ lat. S, y los 72°27’ y 72°50’ long. W, emplazada en los Andes Norpatagónicos, donde se desarrolla un clima temperado hiper húmedo, que propicia el desarrollo de antiguos y densos bosques temperados, de tipo Patagónico norte y Valdiviano, con un relieve controlado por la tectónica asociada al Sistema de Fallas Liquiñe-Ofqui (SFLO), el modelado glacio-fluvial y por procesos volcánicos de la Zona Volcánica Sur Sur, cuyos principales representantes en el sector son los volcanes Chaitén y Michinmahuida. Geológicamente, el área de estudio se emplaza en los dominios del Batolito Norpatagónico, cuyas rocas graníticas miocenas en conjunto con el complejo acrecionario metamórfico paleozoico conforman las escarpadas montañas donde se llevan a cabo los procesos de remoción estudiados. Estos corresponden principalmente a deslizamientos traslacionales (planares) de suelo y vegetación, fluidizados, de grandes dimensiones, cuya ocurrencia reciente se registra desde el año 2013. Si bien son diversos los tipos de zonificación y metodologías que se pueden implementar para el análisis de estos procesos, el presente estudio se enfoca en la realización de mapas de susceptibilidad del terreno orientados a la elaboración de un Mapa Indicativo de Amenaza (MIA) mediante el uso de Redes Neuronales Artificiales (RNA) como método de regresión. Las RNA son sistemas informáticos que utilizan una configuración matemática inspirada en la red neurológica animal. Se trata de una interconexión de neuronas que colaboran entre sí para producir un estímulo de salida. Dichas neuronas se basan en un conjunto de algoritmos diseñados para encontrar patrones, interpretando, etiquetando y agrupando datos. Son una técnica útil en la solución de problemas de regresión y clasificación en diversas áreas. Estas estructuran sus nodos (o neuronas) de manera ordenada y agrupadas en capas, siendo necesario que contengan al menos los tres tipos: (1) Entrada, (2) Oculta (1 o más), y (3) Salida, conformando una arquitectura llamada Multilayer Perceptron (MLP). El trabajo con RNA comprende 3 etapas esenciales: (1) Entrenamiento, (2) Testeo, y (3) Análisis final. Las dos primeras se encargan de configurar la RNA y evaluar su rendimiento (ROC/AUC), respectivamente; y cada una requiere un set de datos distinto proveniente del conjunto total de datos disponibles para la evaluación del problema. En ambos casos la información debe contener valores de entrada (las que explican el fenómeno) y de salida (valores esperados), con el fin de orientar el aprendizaje de la red (Supervised Learning). Luego, se efectúa el análisis final sobre un conjunto de datos a los que se busca la solución otorgada por la red resultante. No obstante, las RNA tradicionalmente se consideran “black boxes”, debido a la dificultad para comprender el análisis interno de éstas; por ello, es necesario utilizar diferentes herramientas gráficas que han sido desarrolladas para develar y evaluar el procesamiento de cada RNA (Pairwise Plot, General Weights, Importancia de Garson y de Olden, y sensibilidad de Lek), y así seleccionar la que se ajuste de forma óptima a los datos. En la aplicación de las RNA para análisis de susceptibilidad de RM, las variables de entrada corresponden a los factores condicionantes del terreno (recurso digital SIG), mientras que la variable de respuesta o de salida equivale a la ocurrencia de las RM, cuyo comportamiento es binario, es decir, puede ocurrir / no ocurrir (1/0). Para el caso de estudio, se realiza una doble evaluación de susceptibilidad, de Arranque de deslizamientos y del Alcance que puede lograr el material removido. En ambos casos se inicia con la confección de un catastro de eventos y la preselección de variables explicatorias respectivas (11 y 6 variables), información que ser al ser cruzada origina los correspondientes datasets, que son subdivididos para entrenamiento y testeo (60% y 40%). Dicha información es utilizada para el aprendizaje y calibración de las RNA respectivas, programadas con el paquete de funciones “neuralnet” en RStudio; efectuando un total de 30 iteraciones para el Arranque y 10 para Alcance. En cada caso se descartan variables de acuerdo a observaciones en terreno y el rendimiento de los modelos en base a las gráficas y mapas asociados, para finalmente seleccionar un modelo óptimo de RNA. De acuerdo a esto, el Arranque puede ser explicado por los factores Pendiente, Pendiente Senoidal, Rugosidad, NDVI y TWI, mientras que el Alcance puede ser estimado con las variables Densidad de Drenaje, Pendiente, TWI, Gradiente Topográfico y Curvatura. Los errores obtenidos para los modelos finales, son de 3.2% para Arranque (AUC=0.99) y 11.9% para Alcance (AUC=0.96). Las clases más altas de ambos mapas de susceptibilidad son conjugados en un MIA. Luego, las RNA entrenadas se evalúan en 2 zonas diferentes de Chile; una cercana al área de estudio y otra lejana. Esto determina que una red entrenada puede generar buenas estimaciones en zonas aledañas; no así en zonas con un diferente contexto geológico y geomorfológico. De esta forma, se puede considerar las RNA como una herramienta útil para la estimación de amenazas de forma remota y de bajo costo, aplicable a cualquier escala, la cual dependerá de la resolución y calidad de los recursos utilizados. Así, el MIA obtenido es un producto válido para una escala 1:150.000.