Page 55 - FGDP revista FEGLININ

© FEGLININ ISSN 2594-2298

| Año 7, No 28, enero – marzo 2024 |

(d y e), se puede apreciar una coincidencia entre las zonas evidentes de CDT clasificadas y
las observadas en las bandas, por lo que podemos apreciar que existe una coherencia del
mapa en cuanto a la clasificación de las zonas de CDT, lo cual implica un buen resultado.
Comparando el mismo mapa de CDT con las bandas Verde y Rojo de fecha Dic.10-2012 de
la figura 4 (a y b), se puede observar que en esas bandas no se identifica CDT, esto tiene
sentido al tratarse de una imagen satelital tomada en la zona de estudio nueve meses antes de
que se desencadenaran los DT a consecuencia de las lluvias extraordinarias provocadas por
los huracanes Ingrid y Manuel en septiembre de 2013.

Respecto a los errores de omisión y comisión, el mapa reporto un error de omisión promedio
de 8.0%, mientras que el error de comisión obtenido fue de 7.5%, lo cual indica que se obtuvo
un buen porcentaje de acierto en la identificación de CDT por el método máxima
verosimilitud en relación a los pixeles de DT de la verdad terreno.
4. Conclusiones

Con la elaboración del presente trabajo se ha logrado resaltar la aplicación de técnicas de
percepción remota y una clasificación supervisada a través del método máxima verosimilitud
en la detección de deslizamientos de tierra.

Una de las aportaciones más importantes de este trabajo es la posibilidad de considerar el
proceso metodológico propuesto como una alternativa confiable para integrar mapas de
cicatrices de deslizamientos de tierra.

REFERENCIAS BIBLIOGRÁFICAS

• [1] R. Ramos-Bernal, R. Vázquez-Jiménez, R. Romero-Calcerrada, C. Novillo, P. Arrogante-
Funes, and S. Sánchez Tizapa, “Identificación de deslizamientos de laderas aplicando
técnicas de detección de cambios a imágenes Landsat en la zona costera del Estado de
Guerrero, México,” in Análisis Espacial y Representación Geográfica: Innovación y
Aplicación, J. de la Riva, P. Ibarra, R. Montorio, and M. Rodrigues, Eds., Zaragoza, Spain:
Universidad de Zaragoza, 2015, pp. 827–834.
• [2] R. N. Ramos-Bernal, R. Vázquez-Jiménez, R. Romero-Calcerrada, P. Arrogante-Funes,
and C. J. Novillo, "Evaluation of Unsupervised Change Detection Methods Applied to
Landslide Inventory Mapping Using ASTER Imagery," Remote Sensing 2018, Vol. 10, Page
1987, vol. 10, no. 12, p. 1987, Dec. 2018, doi: 10.3390/RS10121987.
• [3] Arrogante-Funes, P., Bruzón, A. G., Arrogante-Funes, F., Ramos-Bernal, R. N., &
Vázquez-Jiménez, R. (2021). Integration of vulnerability and hazard factors for landslide risk
assessment. International journal of environmental research and public health, 18(22), 11987.
• [4] R. N. Ramos-Bernal et al., "Evaluation of Conditioning Factors of Slope Instability and
Continuous Change Maps in the Generation of Landslide Inventory Maps Using Machine
Learning (ML) Algorithms," Remote Sensing 2021, Vol. 13, Page 4515, vol. 13, no. 22, p.
4515, Nov. 2021, doi: 10.3390/RS13224515.
• [5] Bruzón, A. G., Arrogante-Funes, P., Arrogante-Funes, F., Martín-González, F., Novillo,
C. J., Fernández, R. R., ... & Ramos-Bernal, R. N. (2021). Landslide susceptibility assessment
using an AutoML framework. International journal of environmental research and public
health, 18(20), 10971.
• [6] Z. Su, J. K. Chow, P. S. Tan, J. Wu, Y. K. Ho, and Y. H. Wang, "Deep convolutional
neural network–based pixel-wise landslide inventory mapping," Landslides, vol. 18, no. 4,
pp. 1421–1443, Apr. 2021, doi: 10.1007/S10346-020-01557-6/METRICS.

Pág. 55