Modelo de machine learning para la priorización de zonas críticas de tres cuencas hidrográficas de Cundinamarca mediante soluciones basadas en la naturaleza frente al cambio climático

Abstract

Los ecosistemas hídricos de Cundinamarca se ven impactados por el cambio climático, generando riesgos en la disponibilidad de agua, la regulación hídrica y la resiliencia de los sistemas socioecológicos. En este contexto, las Soluciones basadas en la Naturaleza (SbN) se consolidan como estrategias costo-efectivas para mitigar impactos y restaurar la capacidad adaptativa de las cuencas. Sin embargo, la identificación de áreas prioritarias de intervención continúa siendo un reto técnico y metodológico. En este trabajo se propone una metodología de priorización de zonas críticas en cuencas de Cundinamarca afectadas por el cambio climático mediante la integración de técnicas de machine learning (Random Forest y XGBoost) con sistemas de información geográfica para así brindar SbN eficientes, para esto se consideran variables biofísicas y climáticas, junto a información espacial, las cuales permiten caracterizar las condiciones ambientales y climáticas del territorio, con el fin de entrenar modelos predictivos robustos orientados a identificar zonas con mayor vulnerabilidad ambiental y niveles de presión antrópica. La evaluación del desempeño se realizará con métricas de precisión, sensibilidad y área bajo la curva ROC, complementada con la generación de mapas de susceptibilidad.

The aquatic ecosystems of Cundinamarca are increasingly affected by climate change, leading to risks in water availability, hydrological regulation, and the resilience of socio-ecological systems. In this context, Nature-based Solutions (NbS) emerge as cost-effective strategies to mitigate impacts and restore the adaptive capacity of watersheds. However, identifying priority intervention areas remains a technical and methodological challenge. This study proposes a methodology for prioritizing critical zones in Cundinamarca’s watersheds affected by climate change through the integration of machine learning techniques (Random Forest and XGBoost) with geographic information systems (GIS) to design efficient NbS. The approach considers biophysical and climatic variables, along with spatial information, to characterize the environmental and climatic conditions of the territory and to train robust predictive models aimed at identifying areas with greater environmental vulnerability and anthropic pressure. Model performance will be evaluated using accuracy, sensitivity, and area under the ROC curve (AUC), complemented by the generation of susceptibility maps.