Predicción de puntos calientes de atropellamiento de fauna con base en algoritmos de inteligencia artificial, sistemas de información geográfica y procesamiento de imágenes multiespectrales
Share this
Date
2021Metadata
Show full item recordPDF Documents
Title
An artificial intelligent framework for prediction of wildlife vehicle collision hotspots based on geographic information systems and multispectral imagery
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.
Abstract
The roadkill of fauna is a phenomenon that arises from the fragmentation of ecosystems by roads, limiting the mobility of individuals and putting at risk the stability of populations by increasing mortality. This is studied by different disciplines integrated into the field of knowledge called Road Ecology. Colombia is not unaware of the problem of the running over of wild fauna, evidenced in different scientific publications that describe the phenomenon of the running over of wild fauna in the roads of the country. Although the rise of artificial intelligence has significant advances in the prediction of spatial phenomena in recent years, it has not yet been sufficiently explored by Road Ecology. For this reason, this research had the objective of developing a methodology to predict the sites of more significant accumulation of fauna run-over in roads of the Antioquia East based on artificial intelligence algorithms, geographic information systems, and multispectral image processing. During the development of this research, it was identified that the characteristics most related to the roadkill of fauna in the study area are: Distance to Forest, Distance to Biological Corridor, Ground Resistance to Movement, Cost of Movement, the bands of the Landsat 8 satellite: band 9, band 10, band 11 and the normalized burning index. From this set of characteristics, different machine learning algorithms were compared (nearest k-neighbors, vector support machines, random forests, and neural networks). SMOTE and ADASYN balancing techniques were applied. The results obtained allowed us to identify that the randomized forest (RF) algorithm with ADASYN balancing is the method with the best performance when subjected to cross-validation (AUC-ROC 0.78 ± 0.12), surpassing the results achieved by previous research. Finally, the methodology was validated through a transference exercise, training the RF-ADASYN algorithm with three zones of the eastern Antioquia region and validating on a different section (AUC-ROC = 0.87±0.09), retraining the initial model with 5% of data from the validation database.