RESUMEN:
La erosión de cárcavas constituye uno de los problemas de degradación del suelo más graves en las cuencas mediterráneas. En esta investigación se propone y evalúa un trabajo reproducible para detectar la red de cárcavas en olivares de la cuenca del río Guadalquivir, combinando técnicas de machine learning y teledetección. Las variables predictoras se obtuvieron a través de distintas plataformas, como Google Earth Engine, y posteriormente fueron reproyectadas, recortadas y resampleadas a 2 m para su análisis en Jupyter Lab mediante Python. Tras depurar correlación y multicolinealidad (VIF > 10), se compararon distintos algoritmos de clasificación (Regresión logística, K-Nearest Neighbors, Support Vector Machine, Árbol de decisión, Random Forest y Extreme Gradient Boosting) mediante validación cruzada estratificada. Random Forest alcanzó el mejor desempeño (AUC=0,989; F1=0,959; Accuracy=0,967; Precision=0,953; Recall=0,965) y, tras su optimización con Grid Search, mejoró el AUC a 0,996. El análisis de importancia de variable reveló que el índice de iniciación de cabecera de cárcava, GHI (33,8%), la acumulación de flujo, A (27,8%) y el índice de inclinación normalizado, Ksn (20,6%) explican cerca del 82% de la capacidad predictiva. Finalmente, con el modelo optimizado se generó un mapa de probabilidad de cárcavas en tres clases (baja <50%, media 50-85%, alta >85%), constituyendo una herramienta útil para priorizar actuaciones de conservación del suelo.
Puedes ver el trabajo completo aquí: