Desarrollo de un modelo predictivo de erosión fluvial implementando machine learning (random forest), en la cuenca baja del Río Magdalena

Abstract

En el contexto de las crecientes presiones ambientales y los cambios en el régimen hidrológico, esta tesis presenta un modelo predictivo de erosión fluvial en la cuenca baja del Río Magdalena, Colombia, mediante la aplicación de algoritmos de aprendizaje automático, específicamente Random Forest. La investigación busca caracterizar y predecir los patrones espaciales de erosión en un entorno fluvial complejo, en el cual los métodos tradicionales de predicción no logran captar de manera adecuada las interacciones entre factores hidrológicos, geomorfológicos e hidráulicos. A través de una combinación de datos históricos de niveles de agua, flujo y morfología del cauce, se establecen relaciones cuantitativas entre las condiciones ambientales y la dinámica erosiva, facilitando la identificación de zonas críticas. La metodología emplea el Digital Shoreline Analysis System (DSAS) y tecnologías de sensores remotos para la captura y análisis de la variabilidad morfológica del río, mientras que el modelo Random Forest se utiliza para evaluar la influencia de múltiples variables en la probabilidad de erosión. Este enfoque permite una modelización precisa que incorpora la variabilidad temporal y espacial, ofreciendo proyecciones de zonas de alta vulnerabilidad a la erosión para el año 2025. El estudio concluye que la integración del aprendizaje automático con datos hidrológicos y geomorfológicos puede mejorar la precisión predictiva y apoyar la gestión sostenible de los recursos hídricos. Los resultados proporcionan evidencia sólida para desarrollar estrategias de mitigación específicas, reforzar la resiliencia frente a riesgos hidrológicos y geomorfológicos, e informar decisiones políticas orientadas a proteger tanto a las comunidades humanas como a los ecosistemas a lo largo del Río Magdalena.