Implementación de una red de sensores inteligentes basada en Análisis de Datos y Machine Learning para la detección temprana y prevención de deslizamientos de tierra

Abstract

En esta investigación se desarrolló una red de sensores inteligente para predecir deslizamientos de tierra mediante, integrando tecnologías IoT y algoritmos machine learning, con el objetivo de mitigar riesgos geológicos. El sistema usa nodos basados en placas ESP32 LoRa V3.2 programadas en MicroPython, que monitorean variables ambientales en tiempo real y transmiten datos vía LoRa a 915 MHz. Se compararon cuatro algoritmos: regresión logística (máxima verosimilitud), SVM (optimización convexa con kernels), Random Forest (bagging) y una red neuronal MLP (backpropagation) entrenados con datos históricos de entidades oficiales y evaluados en un entorno controlado que replicó condiciones de inestabilidad. Se midió el desempeño mediante precisión teórica y un índice de aciertos reales, este último calculado con pruebas físicas, el sistema logró latencias inferiores a 8 segundos y un alcance teórico de hasta 1.2 km con LoRa, destacando su escalabilidad y bajo costo. Los resultados muestran que si bien la regresión logística mostró alta precisión teórica (94%), su bajo índice de aciertos reales (57%) validó la necesidad de modelos complejos en fenómenos geológicos. El estudio concluye que la convergencia de sensores y una red neuronal MLP alcanza una precisión del 97% y minimiza los falsos negativos (9%) sobre la precisión global, debido a la capacidad del MLP para aprender representaciones jerárquicas de los datos lo posiciona como una herramienta adaptable a la variabilidad ambiental.