Exploring topographic variables in gully erosion susceptibility mapping in Central Brazil

Explorando variables topográficas en el mapeo de susceptibilidad a la erosión en cárcavas en el centro de Brasil

Laudier Lopes Abreu1, Alessandra Cristina Pereira1, Fabio Corrêa Alves2, Max Well de Oliveira Rabelo1, Elizon Dias Nunes3, Édipo Henrique Cremon1,4,*

1 Instituto Federal de Goiás, Campus Goiânia. Rua 75, 46 Centro, 74055-110, Goiânia, Brazil.

2 Universidade Federal do Oeste da Bahia, Centro das Humanidades. Rua da Prainha 1326, Morada Nobre, CEP 47810-047, Barreiras, Brazil.

3 Universidade Federal de Goiás, Instituto de Estudos Socioambientais. Av. Esperança, s/n Samambaia, 74001-970, Goiânia, Brazil.

4 Instituto Nacional de Pesquisas Espaciais, Divisão de Observação da Terra e Geoinformatica. Avenida dos Astronautas, 1.758, 12227-010, São José dos Campos, Brazil.

* Corresponding author: (E.H. Cremon) This email address is being protected from spambots. You need JavaScript enabled to view it. 

How to cite this article:

Abreu, L.L., Pereira, A.C., Alves, F.C., Oliveira-Rabelo de, M., Dias-Nunes, E., Cremon, E.H., 2025, Exploring topographic variables in gully erosion susceptibility mapping in Central Brazil: Boletín de la Sociedad Geológica Mexicana, 77(3), A121025. http://dx.doi.org/10.18268/BSGM2025v77n3a121025 

Manuscript received: December 6, 2024. Corrected manuscript received: May 21, 2025. Manuscript accepted: August 1, 2025.

RESUMEN

Este estudio investiga la susceptibilidad a la erosión en cárcavas en el suroeste del estado de Goiás, Brasil Central, una región significativamente afectada por este fenómeno. El objetivo principal es evaluar la capacidad predictiva de variables topográficas menos analizadas, derivadas de Modelos Digitales de Elevación (MDE), en comparación con variables tradicionales. Se cartografiaron 5 660 cárcavas; sus cabezas se identificaron como el foco principal del modelado debido a su relevancia geomorfológica. La metodología integró factores topográficos, hidrológicos, litológicos, pedológicos y antropogénicos. Se aplicaron métodos avanzados de selección de variables, como el algoritmo de Eliminación Recursiva de Características (RFE) y el Factor de Inflación de Varianza (VIF), para optimizar la precisión del modelo y eliminar la multicolinealidad. Se implementó el algoritmo Random Forest para el modelado, calibrado mediante validación cruzada y evaluado independientemente con la métrica de Área Bajo la Curva (AUC). Los resultados demostraron que la inclusión de variables topográficas no convencionales, como la rugosidad multiescala y la textura de la superficie del terreno, mejoró considerablemente el rendimiento predictivo. El modelo basado en RFE obtuvo el valor más alto de AUC (0.9459), lo que resalta la eficacia de este enfoque para identificar predictores clave. La cartografía de la susceptibilidad a la erosión en cárcavas se asoció principalmente con el uso del suelo, la densidad de drenaje y características específicas del terreno. Los resultados subrayan la importancia de integrar análisis geomorfométricos avanzados con aprendizaje automático para comprender y predecir los procesos de erosión, como las cárcavas, en el suroeste del estado de Goiás, Brasil Central.

Palabras clave: modelado de erosión del suelo, modelos digitales de elevación, aplicaciones de aprendizaje automático.