Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá
ilustraciones, diagramas, fotografías, mapas
- Autores:
-
Guayara Moreno, Deiberth Sebastián
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/86846
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología
530 - Física::534 - Sonido y vibraciones relacionadas
Movimientos en masa
Deslizamiento
YOLO
Píxeles
Dron
Imágenes
SIMMA
Mass movements
Pixels
Drone
Landslide
YOLO
Images
SIMMA
Reducción del riesgo de desastres
Inteligencia artificial
Deslizamiento de tierra
Disaster risk reduction
Artificial intelligence
Landslides
aprendizaje automático
machine learning
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_d89d05846cf779afb22eeb2654512b33 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/86846 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| dc.title.translated.eng.fl_str_mv |
Descriptive mass movement risk map, by means of images, based on the geometry of a mountain slope on the Guaduas-Bogota road |
| title |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| spellingShingle |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología 530 - Física::534 - Sonido y vibraciones relacionadas Movimientos en masa Deslizamiento YOLO Píxeles Dron Imágenes SIMMA Mass movements Pixels Drone Landslide YOLO Images SIMMA Reducción del riesgo de desastres Inteligencia artificial Deslizamiento de tierra Disaster risk reduction Artificial intelligence Landslides aprendizaje automático machine learning |
| title_short |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| title_full |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| title_fullStr |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| title_full_unstemmed |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| title_sort |
Mapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-Bogotá |
| dc.creator.fl_str_mv |
Guayara Moreno, Deiberth Sebastián |
| dc.contributor.advisor.spa.fl_str_mv |
Vinck Posada, Herbert Gutierrez Isaza, Diego Alberto |
| dc.contributor.author.spa.fl_str_mv |
Guayara Moreno, Deiberth Sebastián |
| dc.contributor.referee.spa.fl_str_mv |
Oquendo Patiño, William Fernando Atehortúa Jiménez, Anyeres Neider |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Óptica E Información Cuántica |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología 530 - Física::534 - Sonido y vibraciones relacionadas |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología 530 - Física::534 - Sonido y vibraciones relacionadas Movimientos en masa Deslizamiento YOLO Píxeles Dron Imágenes SIMMA Mass movements Pixels Drone Landslide YOLO Images SIMMA Reducción del riesgo de desastres Inteligencia artificial Deslizamiento de tierra Disaster risk reduction Artificial intelligence Landslides aprendizaje automático machine learning |
| dc.subject.proposal.spa.fl_str_mv |
Movimientos en masa Deslizamiento YOLO Píxeles Dron Imágenes SIMMA Mass movements Pixels Drone |
| dc.subject.proposal.eng.fl_str_mv |
Landslide YOLO Images SIMMA |
| dc.subject.unesco.spa.fl_str_mv |
Reducción del riesgo de desastres Inteligencia artificial Deslizamiento de tierra |
| dc.subject.unesco.eng.fl_str_mv |
Disaster risk reduction Artificial intelligence Landslides |
| dc.subject.wikidata.spa.fl_str_mv |
aprendizaje automático |
| dc.subject.wikidata.eng.fl_str_mv |
machine learning |
| description |
ilustraciones, diagramas, fotografías, mapas |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-09-19T20:18:01Z |
| dc.date.available.none.fl_str_mv |
2024-09-19T20:18:01Z |
| dc.date.issued.none.fl_str_mv |
2024-09-17 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/86846 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/86846 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
[Amatya et al., 2021] Amatya, P., Kirschbaum, D., Stanley, T., and Tanyas, H. (2021). Landslide mapping using object-based image analysis and open source tools. Engineering Geology, 282:106000. [Aria and Cuccurullo, 2017] Aria, M. and Cuccurullo, C. (2017). bibliometrix : An r-tool for comprehensive science mapping analysis. Journal of Informetrics, 11:959–975. [CCB, 2018] Cámara de Comercio de Bogotá (2018). Economía de la región Bogotá-Cundinamarca [Chen and Li, 2020] Chen, W. and Li, Y. (2020). GIS-based evaluation of landslide susceptibility using hybrid computational intelligence models. Catena, 195. [Dikshit and Pradhan, 2021] Dikshit, A. and Pradhan, B. (2021). Interpretable and explainable ai (xai) model for spatial drought prediction. Science of the Total Environment, 801. [Ding et al., 2016] Ding, A., Zhang, Q., Zhou, X., and Dai, B. (2016). Automatic recognition of landslide based on cnn and texture change detection. In 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), pages 444–448. IEEE. [DNP, 2015] Departamento Nacional de Planeación (2015). 3.181 muertos y 12,3 millones de afectados: las cifras de desastres naturales entre 2006 y 2014. [García and Castillo, 2019] García, A. C. F. and Castillo, J. N. P. (2019). Técnicas para la predicción espacial de zonas susceptibles a deslizamientos. Avances Investigación en Ingeniería, 16:20–48. [Goyes-Peñafiel and Hernández-Rojas, 2021] Goyes-Peñafiel, P. and Hernández-Rojas, A. (2021). Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Boletín de Geología, 43. [Han et al., 2022] Han, Q., Liu, X., and Xu, J. (2022). Detection and location of steel structure surface cracks based on unmanned aerial vehicle images. Journal of Building Engineering, 50:104098. [Han et al., 2023] Han, Z., Fang, Z., Li, Y., and Fu, B. (2023). A novel dynahead-yolo neural network for the detection of landslides with variable proportions using remote sensing images. Frontiers in Earth Science, 10. [Herrera-Coy et al., 2023] Herrera-Coy, M. C., Calderón, L. P., Herrera-Pérez, I. L., Bravo López, P. E., Conoscenti, C., Delgado, J., Sánchez-Gómez, M., and Fernández, T. (2023). Landslide susceptibility analysis on the vicinity of Bogotá-Villavicencio road (eastern cordillera of the Colombian Andes). Remote Sensing, 15. [Huang and Zhao, 2018] Huang, Y. and Zhao, L. (2018). Review on landslide susceptibility mapping using support vector machines [IDEAM., 2012] IDEAM. (2012). Instituto de hidrología meteorología y estudios ambientales. [Jaramillo, 2002] Jaramillo, D. (2002). Introducción a la ciencia del suelo. [Ju et al., 2022] Ju, Y., Xu, Q., Jin, S., Li, W., Su, Y., Dong, X., and Guo, Q. (2022). Loess landslide detection using object detection algorithms in northwest china. Remote Sensing, 14. [Kieffer, 2022] Kieffer, S. (2022). The deadly dynamics of landslides. [Mo et al., 2023] Mo, P., Li, D., Liu, M., Jia, J., and Chen, X. (2023). A lightweight and partitioned cnn algorithm for multi-landslide detection in remote sensing images. Applied Sciences (Switzerland), 13. [Mojica, 2020] Mojica, M. (2020). Estimación de la posición de la placa subducida mediante el análisis de funciones receptoras, en el marco tectónico colombiano. [Moreno, 2021] Moreno, A. (2021). Interpretación visual y digital de datos de sensores remotos para la identificación de deslizamientos rotacionales y traslacionales. [Pham et al., 2016] Pham, B. T., Pradhan, B., Bui, D. T., Prakash, I., and Dholakia, M. (2016). A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of uttarakhand area (india). Environmental Modelling Software, 84:240–250. [Redmon et al., 2015] Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2015). You only look once: Unified, real-time object detection. [Román and Chio, 2018] Román, D. and Chio, G. (2018). Análisis de modelos de deslizamiento en bloque para predecir el comportamiento dinámico del fenómeno de remoción en masa: Modelo uniparamétrico y modelo biparamétrico. Boletín de Geología, 40:113–124. [SGC, 2017] Servicio Geológico Colombiano (2017). Las amenazas por movimientos en masa de Colombia: una visión a escala 1:100.000, volumen I. [Silva, 2020] Silva, E. (2020). Entrenamiento de la red neuronal convolucional YOLO para objetos propios. [Solawetz, 2023] Solawetz, J. (2023). YOLOv8. [Campos et al., 2012] Campos, A., Holm-Nielsen, N., Díaz, C., Rubiano, D. M., Costa, C. R., Ramírez, F., and Dickson, E. (2012). Análisis de la gestión del riesgo de desastres en Colombia banco mundial Colombia coordinadores y editores fondo mundial para la reducción y recuperación de desastres. [Cheng et al., 2013] Cheng, G., Guo, L., Zhao, T., Han, J., Li, H., and Fang, J. (2013). Automatic landslide detection from remote-sensing imagery using a scene classification method based on bovw and plsa. International Journal of Remote Sensing, 34:45–59. [Dahim et al., 2023] Dahim, M., Alqadhi, S., and Mallick, J. (2023). Enhancing landslide management with hyper-tuned machine learning and deep learning models: Predicting susceptibility and analyzing sensitivity and uncertainty. Frontiers in Ecology and Evolution, 11. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
vi, 49 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.city.spa.fl_str_mv |
Bogotá |
| dc.coverage.country.spa.fl_str_mv |
Colombia |
| dc.coverage.region.spa.fl_str_mv |
Cundinamarca Guaduas |
| dc.coverage.tgn.none.fl_str_mv |
http://vocab.getty.edu/page/tgn/1000583 |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias - Maestría en Ciencias - Física |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/86846/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/86846/2/1136886484.2024.pdf https://repositorio.unal.edu.co/bitstream/unal/86846/3/1136886484.2024.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a c56b0db9970dd901c597ca2030e71450 af6fc21755e5b8d8c91f6d57a137e403 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1812169771382210560 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Vinck Posada, Herbert8253ed3a8322a8314b1c8567e0f1459b600Gutierrez Isaza, Diego Albertoca9cb7b0efe6a0412603fe9087329d4dGuayara Moreno, Deiberth Sebastián0da31101eebca87be02dd81dddaf0b94Oquendo Patiño, William FernandoAtehortúa Jiménez, Anyeres NeiderGrupo de Óptica E Información Cuántica2024-09-19T20:18:01Z2024-09-19T20:18:01Z2024-09-17https://repositorio.unal.edu.co/handle/unal/86846Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, fotografías, mapasLos deslizamientos de tierra son el resultado de movimientos ladera abajo de una masa de roca, de detritus o de tierras por efectos de la gravedad. Las pérdidas a nivel social ascienden a 34.198 personas fallecidas y a nivel económico a 600 millones de dólares, en todo el territorio nacional entre 1900-2018 [Herrera-Coy et al., 2023]. Lo anterior, denota la importancia de la gestión del riesgo para prevenir efectos adversos de fenómenos naturales como los movimientos en masa. Se aborda en este trabajo de investigación el problema descrito usando técnicas de inteligencia artificial para la detección de deslizamientos a través de imágenes. Se genera un dataset de 1000 imágenes recolectadas del Sistema de Información de Movimientos en Masa de Colombia (SIMMA) con un tamaño estandarizado de 1440x1000 píxeles de ancho y alto, 96 ppp (píxeles por pulgada) y una profundidad de 24 bits. Las fotografías son de deslizamientos en diferentes etapas de desarrollo. Posteriormente, se realiza un entrenamiento de máquina desarrollado con el algoritmo de aprendizaje automático YOLO v8, del cual se obtienen modelos con una precisión media promedio mAP de 68 %. Esto permite identificar escenarios geológicos inestables que pueden generar movimientos en masa. Al optimizarse el modelo que se desarrolla en la presente investigación, se analizan las imágenes obtenidas por medio de dron en la vía Guaduas-Villeta y se realiza una predicción del riesgo, obteniendo resultados con hasta un 84 % de probabilidad de deslizamientos. Finalmente, se genera el primer mapa descriptivo del riesgo con imágenes de dron en la vía Guaduas-Villeta que comunica al noroccidente del país con Bogotá D. C. (Texto tomado de la fuente).Landslides are the result of the downward movement of a mass of rock, debris, or soil due to gravity. Social losses rise to 34,198 fatalities and economic losses to 600 million dollars along the entire national territory between 1900-2018 [Herrera-Coy et al., 2023]. This, highlights the importance of risk management to prevent adverse effects from natural phenomena such as mass movements. This research work addresses the described problem using artificial intelligence techniques for landslide detection through images. A dataset of 1,000 images collected from the Mass Movement Information System (SIMMA) is generated, with a standardized size of 1440x1000 pixels in width and height, 96 dpi (dots per inch), and a depth of 24 bits. The photographs depict landslides at different stages of development. Subsequently, machine training is conducted using the machine learning algorithm YOLO v8, resulting in models with a mean Average Precision mAP of 68 %. This enables the identification of geologically unstable scenarios that could generate mass movements. When the model developed in this research was optimized, the images obtained by drone along the Guaduas-Villeta route are analyzed, and a risk detection is carried out, yielding results with up to 84 % probability of landslides. Finally, the first descriptive risk map is generated using drone images along the GuaduasVilleta route, which connects the northwestern part of the country with Bogota D. C.MaestríaMagíster en Ciencias - Físicavi, 49 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias - Maestría en Ciencias - FísicaFacultad de CienciasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología530 - Física::534 - Sonido y vibraciones relacionadasMovimientos en masaDeslizamientoYOLOPíxelesDronImágenesSIMMAMass movementsPixelsDroneLandslideYOLOImagesSIMMAReducción del riesgo de desastresInteligencia artificialDeslizamiento de tierraDisaster risk reductionArtificial intelligenceLandslidesaprendizaje automáticomachine learningMapa de riesgo descriptivo de movimientos de masa, por medio de imágenes, basado en la geometría de la ladera de una montaña en la vía Guaduas-BogotáDescriptive mass movement risk map, by means of images, based on the geometry of a mountain slope on the Guaduas-Bogota roadTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBogotáColombiaCundinamarcaGuaduashttp://vocab.getty.edu/page/tgn/1000583[Amatya et al., 2021] Amatya, P., Kirschbaum, D., Stanley, T., and Tanyas, H. (2021). Landslide mapping using object-based image analysis and open source tools. Engineering Geology, 282:106000.[Aria and Cuccurullo, 2017] Aria, M. and Cuccurullo, C. (2017). bibliometrix : An r-tool for comprehensive science mapping analysis. Journal of Informetrics, 11:959–975.[CCB, 2018] Cámara de Comercio de Bogotá (2018). Economía de la región Bogotá-Cundinamarca[Chen and Li, 2020] Chen, W. and Li, Y. (2020). GIS-based evaluation of landslide susceptibility using hybrid computational intelligence models. Catena, 195.[Dikshit and Pradhan, 2021] Dikshit, A. and Pradhan, B. (2021). Interpretable and explainable ai (xai) model for spatial drought prediction. Science of the Total Environment, 801.[Ding et al., 2016] Ding, A., Zhang, Q., Zhou, X., and Dai, B. (2016). Automatic recognition of landslide based on cnn and texture change detection. In 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), pages 444–448. IEEE.[DNP, 2015] Departamento Nacional de Planeación (2015). 3.181 muertos y 12,3 millones de afectados: las cifras de desastres naturales entre 2006 y 2014.[García and Castillo, 2019] García, A. C. F. and Castillo, J. N. P. (2019). Técnicas para la predicción espacial de zonas susceptibles a deslizamientos. Avances Investigación en Ingeniería, 16:20–48.[Goyes-Peñafiel and Hernández-Rojas, 2021] Goyes-Peñafiel, P. and Hernández-Rojas, A. (2021). Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Boletín de Geología, 43.[Han et al., 2022] Han, Q., Liu, X., and Xu, J. (2022). Detection and location of steel structure surface cracks based on unmanned aerial vehicle images. Journal of Building Engineering, 50:104098.[Han et al., 2023] Han, Z., Fang, Z., Li, Y., and Fu, B. (2023). A novel dynahead-yolo neural network for the detection of landslides with variable proportions using remote sensing images. Frontiers in Earth Science, 10.[Herrera-Coy et al., 2023] Herrera-Coy, M. C., Calderón, L. P., Herrera-Pérez, I. L., Bravo López, P. E., Conoscenti, C., Delgado, J., Sánchez-Gómez, M., and Fernández, T. (2023). Landslide susceptibility analysis on the vicinity of Bogotá-Villavicencio road (eastern cordillera of the Colombian Andes). Remote Sensing, 15.[Huang and Zhao, 2018] Huang, Y. and Zhao, L. (2018). Review on landslide susceptibility mapping using support vector machines[IDEAM., 2012] IDEAM. (2012). Instituto de hidrología meteorología y estudios ambientales.[Jaramillo, 2002] Jaramillo, D. (2002). Introducción a la ciencia del suelo.[Ju et al., 2022] Ju, Y., Xu, Q., Jin, S., Li, W., Su, Y., Dong, X., and Guo, Q. (2022). Loess landslide detection using object detection algorithms in northwest china. Remote Sensing, 14.[Kieffer, 2022] Kieffer, S. (2022). The deadly dynamics of landslides.[Mo et al., 2023] Mo, P., Li, D., Liu, M., Jia, J., and Chen, X. (2023). A lightweight and partitioned cnn algorithm for multi-landslide detection in remote sensing images. Applied Sciences (Switzerland), 13.[Mojica, 2020] Mojica, M. (2020). Estimación de la posición de la placa subducida mediante el análisis de funciones receptoras, en el marco tectónico colombiano.[Moreno, 2021] Moreno, A. (2021). Interpretación visual y digital de datos de sensores remotos para la identificación de deslizamientos rotacionales y traslacionales.[Pham et al., 2016] Pham, B. T., Pradhan, B., Bui, D. T., Prakash, I., and Dholakia, M. (2016). A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of uttarakhand area (india). Environmental Modelling Software, 84:240–250.[Redmon et al., 2015] Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2015). You only look once: Unified, real-time object detection.[Román and Chio, 2018] Román, D. and Chio, G. (2018). Análisis de modelos de deslizamiento en bloque para predecir el comportamiento dinámico del fenómeno de remoción en masa: Modelo uniparamétrico y modelo biparamétrico. Boletín de Geología, 40:113–124.[SGC, 2017] Servicio Geológico Colombiano (2017). Las amenazas por movimientos en masa de Colombia: una visión a escala 1:100.000, volumen I.[Silva, 2020] Silva, E. (2020). Entrenamiento de la red neuronal convolucional YOLO para objetos propios.[Solawetz, 2023] Solawetz, J. (2023). YOLOv8.[Campos et al., 2012] Campos, A., Holm-Nielsen, N., Díaz, C., Rubiano, D. M., Costa, C. R., Ramírez, F., and Dickson, E. (2012). Análisis de la gestión del riesgo de desastres en Colombia banco mundial Colombia coordinadores y editores fondo mundial para la reducción y recuperación de desastres.[Cheng et al., 2013] Cheng, G., Guo, L., Zhao, T., Han, J., Li, H., and Fang, J. (2013). Automatic landslide detection from remote-sensing imagery using a scene classification method based on bovw and plsa. International Journal of Remote Sensing, 34:45–59.[Dahim et al., 2023] Dahim, M., Alqadhi, S., and Mallick, J. (2023). Enhancing landslide management with hyper-tuned machine learning and deep learning models: Predicting susceptibility and analyzing sensitivity and uncertainty. Frontiers in Ecology and Evolution, 11.EstudiantesGrupos comunitariosInvestigadoresMaestrosMedios de comunicaciónPadres y familiasPúblico generalReceptores de fondos federales y solicitantesResponsables políticosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/86846/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1136886484.2024.pdf1136886484.2024.pdfTesis de Maestría en Ciencias - Físicaapplication/pdf18876977https://repositorio.unal.edu.co/bitstream/unal/86846/2/1136886484.2024.pdfc56b0db9970dd901c597ca2030e71450MD52THUMBNAIL1136886484.2024.pdf.jpg1136886484.2024.pdf.jpgGenerated Thumbnailimage/jpeg5241https://repositorio.unal.edu.co/bitstream/unal/86846/3/1136886484.2024.pdf.jpgaf6fc21755e5b8d8c91f6d57a137e403MD53unal/86846oai:repositorio.unal.edu.co:unal/868462024-09-19 23:10:07.77Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |