En Peu

Este repositorio contiene todo el código, datos y notebooks del proyecto.

• Para ver el documento con las últimas actualizaciones, vaya al archivo docs/updates.md en la carpeta docs.

• Para ver la aplicación desplegada en HuggingFace Spaces:

https://huggingface.co/spaces/hugosuarezglez/en-peu-gradio-geo

• Código del Space:

https://github.com/hugosuarezglez/en-peu-gradio-geo

Mapas que muestran los valores de PLA (Profundidad de la Lámina de Agua, es decir, cota de inundación) predicho y observado, con un gradiente que muestra la altitud a lo largo del cauce del río.

Mapa con los valores de error absoluto para PLA predicho y observado

Resultados de los primeros modelos: Random Forest (hiperparámetros: 'max_features': 10, 'n_estimators': 500, 'random_state': 42), GBM (hiperparámetros: 'learning_rate': 0.1, 'max_depth': 3, 'min_child_weight': 10, 'n_estimators': 500) y SVR ('C': 10, 'epsilon': 0.01, 'gamma': 'scale', 'kernel': 'rbf')

Este proyecto aplica técnicas de aprendizaje automático para predecir la altura de lámina de agua por inundación a partir de variables geoespaciales y urbanas, como la altitud, pendiente, uso del suelo, orientación de calles o proximidad a barrancos. Se utilizarán modelos como Random Forest, GBM o SVM optimizados mediante selección recursiva de características, análisis de importancia de variables y/o gráficos de dependencia parcial (PDP), con el objetivo de apoyar la prevención de riesgos y la planificación territorial frente a inundaciones.

.
├── data/
│   ├── data_stored.csv
│   └── datos_combinados.csv
├── docs/
│   └── updates.md
├── images/
│   ├── Altitud.png
│   ├── boxplot_analisis_exploratorio.png
│   ├── heatmap_correlacion.png
│   ├── histogramas_analisis_exploratorio.png
│   └── Pendiente.png
├── notebooks/
│   ├── 01-py_obtener_archivos.ipynb
│   ├── 02-limpiar_datos.ipynb
│   ├── 03-analisis_exploratorio.ipynb
│   └── 04-analisis_correlacion.ipynb
├── scripts/
│   └── R_obtencion_datos.R
├── README.md
└── arquitectura-tecnica.md

(esto es si se hiciera con R. actualizaré a medida que vaya utilizando más Python)

R (versión ≥ 4.2)

RStudio

Paquetes de R:

tidyverse

caret

randomForest

gbm

pdp

ggplot2

dplyr

Visualizador de datos geoespaciales (QGIS recomendado para análisis paralelo)

Git y GitHub para control de versiones

• Predecir la altura de lámina de agua (PLA) en eventos de inundación mediante modelos de aprendizaje automático.

• Identificar las variables geoespaciales y urbanas más relevantes para dicha predicción.

• Facilitar la interpretación de resultados para su uso en prevención de riesgos e intervenciones urbanísticas.

• Preprocesamiento de datos: normalización de variables numéricas, recodificación de variables categóricas.

• Modelado: entrenamiento de modelos como Random Forest, GBM o SVM con validación cruzada.

• Análisis de importancia de variables.

• Tratamiento de outliers: identificación de valores atípicos en variables como la pendiente (P).

• Visualización: generación de gráficos con ggplot2 para interpretar relaciones clave.

• Documentación del análisis en formato reproducible.

Conjunto de datos geoespaciales estructurados con variables urbanas y naturales.

Scripts de R con funciones reproducibles para cada etapa del análisis.

Visualizaciones generadas para el análisis exploratorio y explicativo.

Resultados de modelos guardados para comparación y replicabilidad.

Soporte bibliográfico en predicción de inundaciones.