Predicción de puntos calientes de atropellamiento de fauna con base en algoritmos de inteligencia artificial, sistemas de información geográfica y procesamiento de imágenes multiespectrales

Abstract

El atropellamiento de fauna es un fenómeno que surge a partir de la fragmentación de los ecosistemas por las vías, limitando la movilidad de los individuos y poniendo en riesgo la estabilidad de las poblaciones por el incremento de la mortalidad. Este fenómeno es estudiado por diferentes disciplinas que se integran en el campo de conocimiento denominado: ecología de carreteras. Colombia no es ajeno a la problemática del atropellamiento de fauna silvestre, evidenciado en diferentes publicaciones científicas que reportan este fenómeno en las vías del país. Aunque el auge de la inteligencia artificial ha tenido grandes avances en la predicción de fenómenos espaciales como incendios forestales, crecimientos súbitos de corrientes de agua, entre otros. Sin embargo, estos algoritmos aún no han sido suficientemente explorados por la ecología de carreteras. Por esta razón, esta investigación tuvo como objetivo desarrollar una metodología para predecir los sitios de mayor acumulación de atropellamiento de fauna en vías del Oriente Antioqueño con base en algoritmos de inteligencia artificial, sistemas de información geográfica y procesamiento de imágenes multiespectrales. Durante el desarrollo de esta investigación se identificó que las características más relacionadas con el atropellamiento de fauna en la zona de estudio son: distancia a Bosque, distancia a corredor biológico, resistencia del terreno al movimiento, costo de movimiento, las bandas 9, 10 y 11 del satélite Landsat 8 y el índice de quema normalizado (NBRI). A partir de este conjunto de características, se compararon diferentes algoritmos de aprendizaje de máquina (k-vecinos más cercanos, máquinas de soporte vectorial, bosques aleatorios y redes neuronales) balanceados por medio de las técnicas SMOTE y ADASYN. Los resultados obtenidos permiten identificar que el algoritmo de Bosques aleatorios (RF) con la técnica de balanceo ADASYN es el método de clasificación con mejor desempeño al ser sometido a validación cruzada por grupos (AUC-ROC 0.78 ± 0.12), superando los resultados alcanzados por investigaciones previas. Por último, se validó la metodología a través de un ejercicio de transferencia de aprendizaje, entrenando el algoritmo RF-ADASYN con 3 zonas del oriente antioqueño y validando sobre un tramo diferente (AUC-ROC = 0.87±0.09) reentrenando el modelo inicial con el 5% de la base de datos de validación.