Desempeño de algoritmos de aprendizaje automático para el mapeo de áreas de recarga subterránea en zonas Andinas de Bolivia

Abstract

Los bofedales de altura de los Andes Centrales son ecosistemas únicos ubicados por encima de los 4000 msnm en el Altiplano boliviano, que brindan valiosos servicios ecosistémicos. El mapeo de humedales brinda información valiosa para la conservación y el manejo. El objetivo fue probar el desempeño de algoritmos de aprendizaje automático para mapear bofedales andinos. El primer paso fue la aplicación de los algoritmos de regresión LASSO (Least Absolute Shrinkage and Selection Operator) y ROC (Receiver Operating Characteristic) para el análisis de sensibilidad. Luego, se compararon los algoritmos MARS (aprendizaje automático supervisado por regresión), RFR (Regresor de Bosque Aleatorio), SVR (Regresor de Vector de Soporte) y MARS (Regresión adaptativa multivariante). Los resultados se validaron con imágenes de Google Earth y un coeficiente de regresión. El RFR mostró buenos resultados para pendientes de 0 - 32 grados; el RVS mostró un buen desempeño para pendientes de 44 a 76 grados, pero no así para pendientes de 0 a 12 grados. La aplicación del MARS mostró algunos resultados buenos para ciertas áreas, pero presentó errores para áreas con pendientes de 0 a 12 grados y de 44 a 77 grados. Palabras clave: Bofedales andinos; Regresor de bosque aleatorio; Regresor de vector de soporte; Regresión adaptativa multivariante; algoritmos de aprendizaje automático supervisado