Martín Hernández, FátimaLedo Fernández, Juan JoséHerrera Ruiz, Ana Isabel2026-03-162026-03-162025https://hdl.handle.net/20.500.14352/134036La isla de La Palma presenta una estructura interna compleja como resultado de su evolución volcánica reciente. Esto la convierte en un entorno ideal para aplicar metodologías avanzadas de integración geofísica. En este trabajo se ha desarrollado una metodología basada en lógica difusa (Fuzzy C-Means) para combinar modelos de resistividad eléctrica ρ y velocidad sísmica (Vs), con el objetivo de identificar zonas con propiedades físicas similares. A través del análisis de clústeres, se determinó que el número óptimo de agrupaciones es siete, lo que permite representar adecuadamente las principales unidades estructurales de la isla, como la Caldera de Taburiente y el sistema rift de Cumbre Vieja. Además, se ajustó el grado de difusividad de la clasificación mediante el parámetro m, concluyendo que el valor óptimo es 1.04. Como complemento, se emplearon algoritmos de aprendizaje automático (Random Forest y XGBoost) para predecir la velocidad sísmica a partir de la resistividad. El modelo XGBoost, entrenado con variables espaciales adicionales, alcanzó el menor error absoluto medio (MAE = 0.598 km/s), aunque mostró limitaciones en la predicción de valores extremos. En conjunto, este enfoque permite una interpretación integrada más realista del subsuelo de La Palma y ofrece una base metodológica para estudios sobre medios geológicamente heterogéneos.La Palma Island reveals a complex internal structure resulting from its recent volcanic evolution, making it a suitable setting for the application of advanced geophysical integration methodologies. In this study, a fuzzy logic-based approach (Fuzzy C-Means) was implemented to jointly analyze electrical resistivity (ρ) and seismic velocity (Vs) models, with the objective of identifying zones characterized by similar physical properties. Cluster analysis indicated that the optimal number of groups is seven, which effectively delineates the island’s main structural features, such as the Caldera de Taburiente and the Cumbre Vieja rift system. The degree of fuzziness in the classification was tuned through the parameter m, with an optimal value of 1.04. Additionally, machine learning algorithms (Random Forest and XGBoost) were employed to predict seismic velocity based on resistivity. The XGBoost model, enhanced with supplementary spatial variables, yielded the lowest mean absolute error (MAE = 0.598 km/s), although it exhibited limitations in capturing extreme values. Altogether, this approach enables a more robust and integrated interpretation of La Palma’s subsurface and offers a methodological foundation for future investigations in geologically heterogeneous environmentsspaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/master thesisopen access550.3Integración geofísicaLógica difusaAnálisis de clústeresResistividad eléctricaVelocidad sísmicaLa PalmaAprendizaje automáticoGeophysical integrationFizzy logicCluster analysisElectrical resistivitySeismic velocityMachine learningGeofísica2507 Geofísica