Predicción de Intervenciones en Playas Españolas Mediante Árboles de Decisión
Descargas
DOI
https://doi.org/10.25267/Costas.2024.v6.i1.0503Información
Autores/as
- Iñigo López Ansorena (ES) Universidad Nebrija
Resumen
Aunque el uso de grandes volúmenes de datos puede ser un elemento crucial en los estudios de costas, pocos trabajos han abordado esta cuestión. El presente artículo emplea una base de datos depurada del catálogo de playas (del Ministerio para la Transición Ecológica y Reto Demográfico de España) para elaborar un Árbol de Decisión que arroje luz sobre los criterios que guían las actuaciones en las playas de España. El Árbol de Decisión se elabora a través de una técnica de aprendizaje automático supervisado que aprende de 40 características y más de 100.000 puntos de datos descriptivos de las 3.554 playas españolas. Este trabajo revela la importancia de cada variable a la hora de tomar la decisión de actuar o no sobre una playa determinada. El modelo permite entender mejor los criterios con los que el Ministerio toma la decisión con unos niveles de certeza estadísticamente significativos. El conocimiento con antelación de esa decisión crítica puede ser utilizado por todos los agentes sociales, económicos y políticos para realizar aportaciones que complementen a la actuación planteada por la Dirección General de Costas.
Palabras clave
Cómo citar
Licencia
Derechos de autor 2024 Iñigo López Ansorena
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
Ansorena, I.L. (2020) ‘Managing uncertainty in ferry terminals: a machine learning approach’, Int. J. Business Information Systems, Vol. 33, No. 2, pp.285–297.
Ansorena, I.L. (2023) ‘K-means analysis of construction projects in port waterfronts’, Int. J. Applied Decision Sciences, Vol. 16, No. 5, pp.525–544
Bae, H. K., Olson, B. H., Hsu, K. L., & Sorooshian, S. (2010) ‘Classification and regression tree (CART) analysis for indicator bacterial concentration prediction for a Californian coastal area’, Water science and technology, Vol.61, No.2, pp.545-553.
Braud D.H. and Hill J.M. (1988) ‘A decision tree for Coastal Management permit guidelines’, Environmental Management, Vol. 12, No.1, pp.29–36
Breiman, L. and Cutler, A. (2004) Random Forests. (Accessed 16 July 2016). http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#giniimp.
Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984) Classification and regression trees, Wadsworth Int. Group, Belmont, California.
Carretero, S. C., Capítulo, L. R., & Kruse, E. E. (2019) ‘Decision tree as a tool for the management of coastal aquifers of limited saturated thickness’, Quarterly Journal of Engineering Geology and Hydrogeology, qjegh2018-136.
Frontur (2017) Estadística de Movimientos Turísticos en Fronteras.
Goldstein, E.B., Coco, G. and Plant N.G. (2019) ‘A review of machine learning applications to coastal sediment transport and morphodynamics’, Earth-Science Reviews, Vol.(194), July, pp. 97-108.
Hunt, E.B., Marin, J., Stone, P.J. (1966) Experiments in induction. Ac. Press, New York.
LEY DE COSTAS (2013) Ley 2/2013, de 29 de mayo, de protección y uso sostenible del litoral y de modificación de la Ley 22/1988, de 28 de julio, de Costas. Publicado en: «BOE» núm. 129, de 30/05/2013. BOE-A-2013-5670.
Losada, I. J., Toimil, A., Muñoz, A., García-Fletcher, A. P., & Díaz-Simal, P. (2019) ‘A planning strategy for the adaptation of coastal areas to climate change: The Spanish case’, Ocean & Coastal Management, 182, 104983.
Massey, J., Lynch, K. and de Lucia, A. (2013) ‘Decision Making and Coastal Risks: A Good Practice Guide’. Atlantic Network for Coastal Risk Management Project.
Mehta, M., Agrawal, R., Rissanen, J. (1996) ‘SLIQ: A fast scalable classifier for data mining’ in EDBT 1996: Advances in Database Technology, Lecture Notes in Computer Science. Springer, Berlin Heidelberg, pp.18-32.
MITECO (2018) The Beaches Guide. Guía de playas de España. Documentación asociada a la Guía de playas. Ed.: Ministerio para la Transición Ecológica (MITECO), Madrid, España. https://www.miteco.gob.es/es/cartografia-y-sig/ide/descargas/costas-medio-marino/guia-playas-descargas.aspx
Reis, J.P., Pereira, A., and Reis, L.P. (2012) Coastal ecosystems simulation: a decision tree analysis for Bivalve's growth conditions. In Proceedings 26th European Conference on Modelling and Simulation ECMS May 29th - June 1st, 2012. Koblenz, Germany.
Simm, J., and Cruickshank, I. (1998) Construction risk in coastal engineering. Thomas Telford. London, UK.
The earth summit of Río de Janeiro (Chapter 17 in the proceedings of Agenda 21). United Nations Conference on Environment & Development, Rio de Janerio, Brazil, 3 to 14 June 1992, AGENDA 21. http://www.un.org/esa/sustdev/agenda21.htm.
Triki, C., Zekri, S., Al-Maktoumi, A., & Fallahnia, M. (2017) ‘An artificial intelligence approach for the stochastic management of coastal aquifers’, Water resources management, Vol.31, No.15, pp.4925-4939.
Virginia Institute of Marine Science (2010) ‘Integrated Shoreline Management Decision Tree for Untreated Shorelines’, Rivers & Coast v.5, no.2. Center for Coastal Resources Management.
Wu, X. and Kumar, V. (2009) The top 10 algorithms in data mining. Ed. Taylor & Francis Group, LLC, London.