FRAGILIDAD AMBIENTAL MEDIANTE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO

Resumen

El avance de los modelos predictivos mediante Machine Learning Algorithms (ML) asociados a datos ambientales permite mejorar los modelos de fragilidad ambiental, que son herramientas fundamentales para la toma de decisiones. Este estudio tuvo como objetivo derivar una predicción de la fragilidad ambiental mediante la prueba de ML asociado con covariables ambientales en el estado de Minas Gerais. Se utilizaron variables físico-ambientales (suelo, geología, clima, relieve) con peso de fragilidad para los atributos y cálculo de la media para obtener un modelo de Fragilidad Ambiental Potencial (PEF). Posteriormente, extrajimos los valores de PEF a una cuadrícula de 4800 puntos, que se utilizó para generar una nueva predicción de ML, llamada PEFML. Esta predicción se basó en la prueba de cinco algoritmos y un conjunto de 105 covariables ambientales. Los resultados indicaron que la predicción PEFML con mejor desempeño fue el modelo Random Forest (R2 0.59 y RMSE 0.47), indicando un predominio del bajo nivel de fragilidad ambiental. Los modelos PEF y PEFML muestran fuertes correlaciones (0,7 Pearson); sin embargo, PEFML tiene correlaciones más fuertes con otros datos ambientales. Por lo tanto, la predicción PEFML es un modelo robusto que captura información de covariables y tiene patrones espaciales coherentes.

Palabras-clave:
Modelos de fragilidad ambiental; predicción espacial; Random Forest; Planificación ambiental.