Modelo predictivo basado en machine learning para la estimación de vulnerabilidades de riesgo de inundación y deslizamiento. Caso de estudio: instituciones educativas del Perú

  • John Wilson López Vega Universidad Nacional Mayor de San Marcos, Lima, Perú
  • Juan Carlos Torres Lázaro Universidad Nacional Mayor de San Marcos, Lima, Perú.
  • José Herrera Quispe Universidad Nacional Mayor de San Marcos, Lima, Perú

Resumen

El fenómeno de El Niño es un evento natural que sucede cada año en el territorio peruano, este trae consigo problemas como las lluvias torrenciales que provocan inundaciones. En el territorio peruano muchas instituciones educativas son construidas sin formar parte de un estudio de suelos o vulnerabilidades como las inundaciones o deslizamientos, debido, quizás, al coste de este estudio ya que se tienen que respetar normas técnicas gubernamentales exigidas para la construcción de una entidad educativa. En vista de ello, en el presente trabajo los autores proponen un modelo predictivo basado en machine learning para la estimación de vulnerabilidades a partir de los datos de la zona de una institución pública. A través de esta
herramienta se ha entrenado el modelo usando diversos algoritmos y datos de un dataset con más de 65 000 registros publicados por el Ministerio de Educación del Perú.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

John Wilson López Vega, Universidad Nacional Mayor de San Marcos, Lima, Perú

Estudiante de posgrado de la Universidad Nacional Mayor de San Marcos en la especialidad de Maestría en Ingeniería de Sistemas e Informática con mención en Ingeniería de Software. Egresado en Ingeniería de Sistemas por la Universidad Nacional Mayor de San Marcos. Analyst software engineer en el Banco BBVA (Perú), desarrolla aplicaciones para la banca empresarial. Áreas de interés: tecnologías que abordan la ingeniería de software, así como los algoritmos de computación como el machine learning.

Juan Carlos Torres Lázaro, Universidad Nacional Mayor de San Marcos, Lima, Perú.

Candidato a magíster en Geología, mención Geotecnia por la Universidad Nacional Mayor de San Marcos, Perú. Obtuvo el título de ingeniero geólogo (2011) y bachiller (1998) en Ingeniería Geológica en la Universidad Nacional Mayor de San Marcos, Perú. Evaluador del riesgo de desastres originados por fenómenos naturales, reconocido por Cenepred (2018) y exalumno del Taller de Preparación para la Certificación Project Management Professional, PMP (2015). Subdirector de Riesgos Asociados a Glaciares del INAIGEM, coinvestigador científico y formulador del proyecto de investigación “Lagunas de origen glaciar en el Perú: evolución, peligros e impactos del cambio climático, GLOP”. Con estudios e investigaciones
orientados a conocer y entender la peligrosidad de las lagunas glaciares en los Andes peruanos y sus impactos mediante el análisis de la susceptibilidad temporal y espacial de dichas lagunas y de la susceptibilidad a la condición climática, considerando el actual escenario del cambio climático. Líder de la línea de investigación sobre los peligros asociados a los glaciares tropicales de los Andes peruanos.

José Herrera Quispe, Universidad Nacional Mayor de San Marcos, Lima, Perú

Doctor en Ciencia de la Computación por la UNSA con BECA CONCYTEC y pasantía de formación en el LMTG de la Universidad Paul Sabatier de Francia. Miembro del programa de profesionalización del MIT (Massachusetts Institute of Technology, USA) en Innovación y Tecnología; exalumno del Mastering in Design Thinking. Líneas de investigación: la inteligencia artificial, la minería de datos y la computación aplicada al medio ambiente. Exdirector de investigación en la UNSA. Creador, en convenio con CONCYTEC, de la marca
UNSA-Investiga. Excoordinador del programa de Maestría en Informática financiado por CIENCIACTIVA y profesor de la escuela de Ciencias de la Computación, la primera acreditada por ICACIT en el área. Logro: el manejo de fondos canon y su impacto en el aumento de la producción científica. Coordinador del programa de maestría, logró la sustentación del 100 % de los alumnos con un artículo en una revista indexada. Profesor principal en la UNMSM.

Publicado
2021-12-23
Cómo citar
López Vega, J. W., Torres Lázaro, J. C., & Herrera Quispe, J. (2021). Modelo predictivo basado en machine learning para la estimación de vulnerabilidades de riesgo de inundación y deslizamiento. Caso de estudio: instituciones educativas del Perú. Actas Del Congreso Internacional De Ingeniería De Sistemas, 206-207. https://doi.org/10.26439/ciis2021.5637