Professional Documents
Culture Documents
Geomorfología
página de inicio de la revista: www.elsevier.com/locate/geomorph
Palabras clave: Se emplearon dos técnicas de modelado diferentes: i) Splines de regresión adaptativa multivariada (MARS) y ii) Regresión logística (LR). Tanto MARS
Flujos de escombros como LR permiten calcular la probabilidad de que ocurra un deslizamiento de tierra mediante la construcción de relaciones estadísticas entre un
Susceptibilidad a deslizamientos de tierra conjunto de variables ambientales y la variable objetivo, es decir, presencia/ausencia del evento de deslizamiento de tierra. La variable objetivo se
Tormenta tropical extrajo de un inventario de deslizamientos de tierra, avalanchas y flujos de escombros que fueron desencadenados por la tormenta tropical que azotó
Splines de regresión adaptativa multivariante la zona de Mocoa (Colombia) el 1 de abril de 2017. Como variables predictoras, empleamos nueve atributos del terreno derivados de un 5 DEM de
(MARTE)
resolución m (es decir, elevación, ángulo de pendiente, norte, este, ángulo de pendiente ascendente, índice de convergencia, índice de posición
Regresión logística (LR)
topográfica, profundidad del valle e índice de humedad topográfica), además de litología, distancia de fallas y presencia/ausencia de fluencia del suelo.
Mocoa (Colombia)
procesos. En nuestro experimento, utilizamos tres conjuntos de datos de deslizamientos de tierra diferentes que contienen i) el punto más alto de cada
línea de corona de deslizamiento de tierra reconocida (conjunto de datos LIP), ii) el 10% más alto de celdas de cada área de deslizamiento de tierra
(conjunto de datos FUENTE), y iii) el áreas enteras de deslizamientos de tierra, que incluyen zonas de iniciación y acumulación (conjunto de datos
MASS). Para evaluar su capacidad predictiva, los modelos LR y MARS se sometieron a una estrategia de validación cruzada espacial k veces, que
consiste en extraer subconjuntos aleatorios de entrenamiento y prueba de k subáreas espacialmente disjuntas. Los resultados de la validación del
modelo, expresados en términos de área bajo la curva ROC (AUC), demuestran un mejor rendimiento predictivo de los modelos MARS con respecto
a los modelos LR, para los tres conjuntos de datos de deslizamientos de tierra. Los valores medios de AUC calculados para los conjuntos de datos
LIP, SOURCE y MASS de los modelos MARS son 0,776, 0,788 y 0,768, respectivamente, mientras que los valores AUC de los modelos LR son 0,748,
0,751 y 0,703, respectivamente. La validación del modelo también muestra que la habilidad predictiva de los modelos es mejor cuando los datos de
deslizamientos se muestrean de las partes más altas de los deslizamientos (conjunto de datos FUENTE). Se produjeron mapas de susceptibilidad a
deslizamientos de tierra, avalanchas y flujos de escombros para el área de Mocoa utilizando LR y MARS y los tres conjuntos de datos de deslizamientos
de tierra. El análisis de la distribución de eventos versus las clases de susceptibilidad de los mapas confirma que MARS y el conjunto de datos
SOURCE brindan la mejor capacidad para discriminar entre células con eventos y sin eventos.
(Larsen y Wieczorek, 2006; Larsen, 2008). Más recientemente, en enero Se producen episodios de lluvias intensas y prolongadas de forma episódica en
En 2011, más de 1.500 víctimas fueron causadas por el desastre ocurrido en el Andes tropicales, provocando avalanchas de escombros y deslizamientos de tierra,
región montañosa de Río de Janeiro (Brasil), donde se produjeron acumulaciones de avalanchas y flujos hiperconcentrados e inundaciones repentinas. Estos peligros naturales amenazan
flujos de escombros debido a un evento de lluvia extrema muchas comunidades que viven en o cerca de abanicos aluviales donde pueden causar
durante un periodo de 2 días (Avelar et al., 2013; Hungr et al., 2014). Otro víctimas mortales y grandes daños materiales. Por lo tanto, la evaluación de la susceptibilidad a
En la literatura se informan ejemplos de desastres naturales ocurridos en todo el mundo y avalanchas de escombros y deslizamientos de tierra en estos entornos es crucial para planificar
relacionados con avalanchas de escombros/deslizamientos de tierra (p. ej., Crosta estrategias de mitigación de riesgos y prevenir grandes desastres.
y Dal Negro, 2003; Crozier, 2005; Arónica et al., 2012). El 1 de abril de 2017, la zona de Mocoa (Colombia) fue azotada por un severo
La mitigación del riesgo de deslizamientos de tierra se puede lograr prediciendo dónde es más tormenta tropical que descargó 130 mm de lluvia en 3 h a partir de
probable que ocurran deslizamientos de tierra en el futuro. De hecho, esta información podría 22:00 horas del 31 de marzo. Esta fuerte lluvia provocó más de un
ayudar a los formuladores de políticas a implementar estrategias de uso de la tierra destinadas a miles de escombros, avalanchas y deslizamientos de tierra, que evolucionaron hasta
minimizar las víctimas humanas y los daños a la propiedad (Guzzetti et al., 1999). Flujos hiperconcentrados en las principales corrientes del Mulato, Sangoyaco.
La probabilidad de que ocurran deslizamientos de tierra en un área determinada se define como y los ríos Taruca, tres afluentes del río Mocoa. El evento causó
susceptibilidad a los deslizamientos de tierra (Brabb, 1984; Carrara et al., 1995). Un mapa de 328 víctimas, 200 desaparecidos, N1000 heridos y daños a casas N120 en
17 de
susceptibilidad a deslizamientos de tierra representa la probabilidad relativa espacial de que ocurran deslizamientos barrios
tierra.de la ciudad.
dentro de un área determinada (Conoscenti et al., 2016). En este estudio nos centramos en la predicción del efecto inducido por la lluvia.
El mapeo de susceptibilidad a deslizamientos de tierra se puede lograr utilizando diferentes Avalanchas de escombros y deslizamientos de tierra ocurridos en la zona de
métodos. Entre ellos, el enfoque estocástico se ha vuelto muy popular en las últimas décadas, Mocoa. Estos procesos se iniciaron en las laderas y proporcionaron sedimentos.
debido a la disponibilidad de datos del terreno de alta resolución e información estadística y a flujos hiperconcentrados que se movieron rápidamente por canales empinados
geográfica gratuita. y provocó la inundación de escombros de gran parte de la ciudad ubicada sobre los ventiladores del
Software de sistemas (SIG). Este enfoque se basa en el supuesto aluvión. En el contexto de probar diferentes métodos de deslizamiento de tierra.
que “el pasado es la clave del futuro” (Carrara et al., 1995) y nuevas muestreo de datos para el modelado de susceptibilidad, utilizamos y comparamos
Es más probable que las fallas de taludes ocurran en las mismas condiciones que tres criterios que difieren en la forma en que se seleccionaron los datos del evento.
causó deslizamientos de tierra en el pasado. Por lo tanto, los métodos estadísticos requieren Los conjuntos de datos de deslizamientos de tierra empleados en nuestro experimento incluyen (i) el
la ubicación de deslizamientos de tierra pasados y mapas de variables ambientales punto más alto de cada área de deslizamiento, (ii) el 10% más alto de las celdas del
que directa o indirectamente (como representantes) reflejan los factores preparatorios áreas de deslizamientos de tierra o (iii) todas las áreas de deslizamientos de tierra. Para predecir el espacio
Controlar la ocurrencia de deslizamientos de tierra en el área de estudio. Diferentes estadísticas distribución de los deslizamientos de tierra de Mocoa, utilizamos dos estadísticas diferentes
y se ha demostrado que las técnicas de modelado de minería de datos proporcionan mapas técnicas de modelado, a saber: (i) regresión logística (LR) y (ii) splines de regresión adaptativa
confiables y precisos de susceptibilidad a deslizamientos de tierra a partir de inventarios de eventos multivariada (MARS). LR ha sido ampliamente adoptado
y conjuntos de variables predictivas (Aleotti y Chowdhury, 1999; evaluar la susceptibilidad a deslizamientos de tierra y, en particular, avalanchas de escombros/
Guzzetti et al., 1999; Brenning, 2005; Reichenbach et al., 2018). deslizamientos de tierra. Por el contrario, MARS rara vez se ha utilizado en el campo de la
Aunque ampliamente adoptado en los últimos años, el modelado estadístico de la susceptibilidad mapeo de susceptibilidad a deslizamientos de tierra y, hasta donde sabemos, ha sido
a los deslizamientos de tierra implica algunas cuestiones críticas que aún permanecen sin resolver. empleado para predecir este tipo de fallas de taludes solo en una investigación
Uno de ellos está relacionado con la selección de evento y no evento. estudio (Rotigliano et al., 2018).
datos que se emplean para calibrar y validar los sistemas predictivos de deslizamientos de tierra. Por lo tanto, los principales objetivos de este experimento fueron: (i) probar
modelos. Esto se reconoce como un paso crucial que influye en la precisión y y comparar tres criterios diferentes de muestreo de datos de deslizamientos de tierra; (ii)
confiabilidad de los modelos y mapas finales de susceptibilidad a deslizamientos de tierra. evaluar y comparar la capacidad de LR y MARS para predecir la
En el caso de predicciones de deslizamientos de tierra basadas en cuadrículas, las ubicaciones sin eventos son En Mocoa se produjeron avalanchas de escombros y deslizamientos de tierra.
normalmente se toman muestras de porciones estables de pendientes, es decir, celdas fuera del
zonas de deslizamientos de tierra. Por otra parte, no existe ningún acuerdo sobre cuál es el mejor 2. Área de estudio
método para seleccionar las células de deslizamientos de tierra. Estos deben identificar las
ubicaciones del paisaje donde los niveles de los factores de control de deslizamientos de tierra excedieron el El área de estudio se ubica en la porción sureste de la Cordillera Oriental de los Andes
umbral de estabilidad del talud y, por lo tanto, desencadenó el colapso del talud. Sin embargo, colombianos y cae en la cuenca del río Mocoa.
identificar los puntos exactos de inicio de un gran número de deslizamientos de tierra es muy Río (Figura 1). Se extiende por 58,3 km2 y se encuentra entre las latitudes 01° 08′
problemático (Regmi et al., 2014). En el caso de los escombros y 01° 13′ N y longitudes 76° 38′ y 76° 42′ W. La ciudad de Mocoa,
avalanchas o flujos, incluso distinguir entre zonas de origen y de acumulación podría resultar capital del Departamento de Putumayo, está ubicada al sureste
bastante difícil. Además, una vez iniciado, un deslizamiento de tierra puede extenderse hacia arriba, sector del área de estudio. Su casco urbano limita al este con el
hacia abajo y/o hacia los lados, haciendo que el río Mocoa y es atravesado por tres de sus afluentes: Taruca, Sangoyaco
La identificación del punto de iniciación es una tarea muy desafiante. y Mulato. Las precipitaciones en el área de estudio ocurren durante todo el año y
Se han utilizado varias técnicas de muestreo y selección de datos de deslizamientos de tierra. muestra un patrón anual unimodal con promedio más alto y más bajo
propuesto para minimizar la incertidumbre en la identificación del inicio de deslizamientos de tierra. precipitaciones mensuales que ocurren en junio y enero, respectivamente. La precipitación media
puntos. Las estrategias adoptadas con mayor frecuencia son: i) células individuales seleccionadas anual es de aproximadamente 3715 mm.
aleatoriamente de áreas de deslizamientos de tierra o de zonas de agotamiento La topografía del área de estudio varía de plana a montañosa a empinada, con
(p. ej., Vorpahl et al., 2012; Heckmann et al., 2014; Goetz et al., 2015); elevación que oscila entre 538 y 1893 m snm (Figs. 2 y 3). La porción occidental se caracteriza por
ii) centroide de áreas de deslizamientos de tierra o de zonas de agotamiento (por ejemplo, Atkinson y cadenas montañosas moderadamente diseccionadas con muy
Massari, 2011; Regmi et al., 2014); iii) múltiples celdas (todas o una fracción) pendientes pronunciadas (hasta 77°). A estos les sigue al este un sector montañoso
dentro de áreas de deslizamientos de tierra o zonas de agotamiento (por ejemplo, Regmi et al., 2014; donde la topografía está controlada principalmente por la estructura y el ángulo de la pendiente
Conoscenti et al., 2016); iv) una sola celda o todas las celdas en la parte superior está en el rango de 10 a 25°. Superficies con pendiente suave (b10°), que se forman
borde de la escarpa principal (p. ej., Clerici et al., 2006; Costanzo et al., 2012; por abanicos de escombros coalescentes, se presentan en la margen derecha del río Mocoa. Una
Cama et al., 2015; Cama et al., 2017). Además, cuando los disponibles estructura de relieve controlado, que se ubica al norte del casco urbano de Mocoa,
DEM es más reciente que el inventario de deslizamientos, desencadenante topográfico Actúa como una barrera natural para proteger la ciudad de inundaciones. Además,
Las condiciones se toman como muestra de una zona de amortiguamiento alrededor de los polígonos de deslizamientos de tierra. superficies planas (es decir, terrazas fluviales y llanuras aluviales) se encuentran a lo largo
(p. ej., Süzen y Doyuran, 2004; Nefeslioglu et al., 2008; Rotigliano Sector intermontañoso del río Mocoa.
et al., 2011) o de una topografía reconstruida antes de la falla dentro de áreas de deslizamientos de El área de estudio está sustentada por rocas ígneas del Jurásico y Cretácico.
tierra (por ejemplo, Van Den Eeckhaut et al., 2006; Gorum et al., 2008; y rocas sedimentarias del PaleocenoEoceno, que están cubiertas de manera discordante por
Conoscenti et al., 2015). depósitos no consolidados del Cuaternario. Para explorar el papel de
Machine Translated by Google
con un espesor medio de 4 m y un volumen total de alrededor de 12 millones considerando que el objetivo de este experimento fue identificar
de metros cúbicos. donde era más probable que ocurrieran fallas de taludes que pudieran alcanzar los ejes de
En este trabajo construimos un inventario de deslizamientos mediante análisis visual drenaje y, eventualmente, el área urbanizada de Mocoa, decidimos
2D y 3D de fotografías aéreas y de la imagen satelital del 10 de abril. no diferenciar entre los dos tipos de movimientos en el mapeo de susceptibilidad.
2017, disponible en Google Earth. El inventario incluye 1347 deslizamientos de tierra
(Figura 5). Basado en Hungr et al. (2014), dos tipos principales de movimientos
Se reconocieron: i) avalanchas de escombros, que ocurrieron en pendientes pronunciadas
y sin confinamiento en un canal establecido y ii) escombros 3.2. Variables predictoras
Flujos, en los que el movimiento se desarrolló a lo largo de caminos establecidos,
generalmente corrientes de primer o segundo orden. En este experimento, se realizó la selección de predictores de deslizamientos de tierra.
Las fallas de las pendientes mapeadas probablemente se iniciaron como deslizamientos poco profundos o según la calidad y resolución de los datos disponibles. Como no se disponía de la
flujos (Cruden y Varnes, 1996) y después de moverse una distancia corta distribución espacial del evento de lluvia, sólo se
transformados en avalanchas de escombros o flujos de escombros. Sin embargo, Se emplearon imágenes que representan causas preparatorias de deslizamientos de tierra.
Machine Translated by Google
Los predictores de deslizamientos de tierra se derivaron de un mapa geológico del respectivamente (Brenning y Trombotto, 2006; Conoscenti et al., 2016;
área y un modelo de elevación digital (DEM) raster de resolución de 5 m, Cama et al., 2017). NORTE, ESTE, así como ELEV, podrán servir como apoderados
que proporcionó suficiente resolución para mapear adecuadamente la susceptibilidad a para los ciclos estacionales húmedo/seco de los suelos (Auslander et al., 2003). UPSLO
Deslave en la zona de Mocoa. Por el contrario, la resolución de los problemas existentes refleja el ángulo de pendiente promedio aguas arriba desde cada posición en el paisaje.
Los mapas de cobertura terrestre y suelo eran demasiado toscos y, por lo tanto, no eran adecuados para el estudio. CONV (Köthe y Lehmeier, 1996), que estima en qué medida
análisis. Todas las variables se prepararon como capas SIG rasterizadas con 5 m. las celdas vecinas apuntan a la celda central, se calculó estableciendo un
tamaño de la celda. Los siguientes predictores se derivaron del DEM utilizando Radio de búsqueda de 50 m. Para reducir los detalles y eliminar el ruido del TWI
Software SAGAGIS (Conrad et al., 2015): elevación (ELEV), ángulo de pendiente (Beven y Kirkby, 1979), se aplicó un filtro de suavizado gaussiano con un radio de
(PENDIENTE), norte (NORTE), este (ESTE), ángulo de pendiente ascendente búsqueda de 25 m. CONV y TWI se incluyeron para contabilizar
(UPSLO), índice de convergencia (CONV), índice de posición topográfica (TPI), convergencia/divergencia de escorrentía y saturación potencial del suelo,
profundidad del valle (VDEP) e índice de humedad topográfica (TWI). Estos atributos respectivamente. TPI (Guisan et al., 1999) indica la posición relativa de cada
fueron seleccionados como sustitutos de las condiciones y procesos relacionados con celda y se calculó utilizando un radio de búsqueda de 100 m. TPI y CONV
ocurrencia de deslizamientos de tierra (por ejemplo, Wilson y Gallant, 2000; Ohlmacher, los valores son negativos en los fondos de los valles y positivos en las crestas. VDEP
2007; Vorpahl et al., 2012). ELEV refleja los valores de los 5 refleja el máximo relieve relativo medido en secciones transversales y
m DEM y fue seleccionado debido a su correlación esperada con la precipitación y la por tanto, es una medida de la energía de alivio local (Lóczy et al., 2012).
distribución espacial de la vegetación. La PENDIENTE se calculó según Además, empleamos litología (LITHO), fallas a distancia.
según Zevenbergen y Thorne (1987). NORTE y ESTE fueron calculados (FAULTD) y presencia/ausencia de fluencia del suelo (CREEP) como variables
aplicando transformaciones coseno y seno del aspecto de la pendiente, predictoras. LITHO fue preparado agrupando las formaciones geológicas que
Machine Translated by Google
afloran en el área de estudio en 7 unidades geológicas, según su relación esperada con la empleado varias veces para predecir deslizamientos de tierra provocados específicamente por
estabilidad del talud (Fig. 4). FALLO fue incluido tormentas (p. ej., Chevalier et al., 2013; Heckmann et al., 2014; Lombardo
para reflejar potencialmente el grado de debilitamiento del lecho rocoso debido a estructuras et al., 2014, 2015; Cama et al., 2016; Trigila et al., 2015). En el otro
geológicas regionales tectónicamente activas (Mathew et al., 2009; Por otro lado, MARS se ha utilizado rara vez para evaluar la susceptibilidad a deslizamientos
Cama et al., 2017). CREEP incluye 71 áreas (que se extienden entre 1 y de tierra (p. ej., Vorpahl et al., 2012; Felicísimo et al., 2013; Conoscenti
285 ha) afectadas por la fluencia del suelo (Fig. 5), que en la región se ve favorecida et al., 2015, 2016; Pourghasemi y Rossi, 2016) y, hasta donde sabemos
por la deforestación para la agricultura y el pastoreo. CREEP se preparó analizando las mismas Como sabemos, esta técnica de modelado se aprovechó para predecir deslizamientos de tierra.
imágenes empleadas para mapear los deslizamientos de tierra. desencadenado por eventos de lluvias extremas solo en un artículo de investigación reciente
(Rotigliano et al., 2018). LR y MARS pueden utilizar variables independientes tanto continuas
3.3. Modelado estadístico como categóricas para estimar una variable de respuesta en el
rango de 0 a 1, que puede interpretarse como probabilidad de que ocurra un evento. Tanto LR
Probabilidad de ocurrencia de avalanchas de escombros y deslizamientos de tierra en cada como MARS constan de una combinación aditiva de términos.
La celda de cuadrícula de 5 m en el área de estudio se calculó empleando dos estadísticas Cada término del modelo LR viene dado por una regresión lineal de una variable independiente,
técnicas de modelado: regresión logística (LR; Hosmer y Lemeshow, que se ajusta utilizando el método de máxima verosimilitud. En
2000) y splines de regresión adaptativa multivariada (MARS; Friedman, contraste con el supuesto de LR de que los coeficientes de los predictores son
1991). Los análisis estadísticos se realizaron utilizando el software R (R constante en sus rangos, MARS divide el rango de los independientes
Core Team, 2017) con los paquetes “usdm” (Naimi, 2015), “sperrorest” variables en pedazos, ajustando a cada uno de ellos una regresión lineal llamada
(Brenning, 2012) y “tierra” (Milborrow, 2015). “función base” (Vorpahl et al., 2012; GómezGutiérrez et al., 2015;
LR es una de las técnicas estadísticas más utilizadas para el análisis espacial. Conoscenti et al., 2018; Garosi et al., 2018). Los términos de MARS consisten en una función
modelado de la ocurrencia de deslizamientos de tierra (Brenning, 2005) y se ha de base única o un producto de dos o más de ellas. Para reducir el
Machine Translated by Google
Fig. 5. Mapa de inventario del proceso gravitacional del talud principal y accidentes geográficos relacionados en el área de Mocoa.
complejidad de los modelos LR y evitar problemas de sobreajuste, células sin evento. Estos fueron muestreados aleatoriamente de porciones estables de
adoptó una estrategia bilateral gradual que selecciona sólo los predictores más significativos. En las pendientes, es decir, celdas fuera de las áreas de deslizamientos de tierra (conjunto de datos ESTABLE). Deslizamiento de tierra
consecuencia, los modelos MARS se prepararon evitando Las muestras de datos siempre se prepararon manteniendo una relación de presencia y ausencia de
términos que constan de más de una función base. 1:1. Esta elección se hizo para evitar la prevalencia.
Como tanto LR como MARS requieren la ausencia de multicolinealidad (es decir, en las muestras (es decir, diferente proporción de observaciones de eventos y no eventos), lo que se
Los predictores no deben estar correlacionados entre sí), calculamos ha demostrado que afecta la confiabilidad de las estadísticas de precisión común (Beguería, 2006).
el factor de inflación de varianza (VIF) para medir el grado de correlación
entre los predictores seleccionados. Se empleó el paquete R “usdm” En el primer enfoque seleccionamos una sola celda en el punto más alto de
a este objetivo. Siguiendo la “regla del 10”, según la cual un VIF N 10 revela una fuerte multicolinealidad cada una de las líneas de corona de deslizamientos de tierra reconocidas (en adelante denominadas LIP;
(Heckmann et al., 2014; Jebur et al., 2014; Lombardo et al., 2015; Cama et al., 2015; Cama et al., 2016), identificando
Bui et al., 2015), decidimos incluir en los modelos todo lo citado anteriormente. un total de 1347 celdas de eventos (conjunto de datos LIP). Dado que el rendimiento y la solidez del
variables, ya que sus valores VIF están muy por debajo del umbral. modelo pueden verse afectados por el tamaño de la calibración y validación
conjuntos de datos (Brenning, 2005; Vorpahl et al., 2012), el mismo número de
3.4. Muestreo de datos de deslizamientos de tierra Las celdas de eventos también se seleccionaron utilizando los otros dos métodos. En nuestro segundo
enfoque, las células de eventos se tomaron muestras aleatoriamente de las porciones superiores
En nuestro experimento utilizamos tres métodos diferentes para seleccionar datos de de los deslizamientos cartografiados, que deben reflejar las condiciones del
deslizamientos de tierra (Fig. 6). Los tres métodos difieren en la forma en que las células de eventos principales zonas de origen. Estas porciones incluyen el 10% superior de células de
fueron seleccionados. En cambio, se empleó un enfoque único para recoger cada área de deslizamiento de tierra (conjunto de datos FUENTE). En el tercer método, deslizamiento de tierra.
Machine Translated by Google
Fig. 6. Ejemplos de celdas de eventos de los conjuntos de datos LIP, SOURCE y MASS.
Las células se recogieron aleatoriamente de todas las áreas de deslizamientos de tierra, que incluyen zonas los modelos. Los valores intermedios de AUC se interpretaron como aceptables, excelentes o sobresalientes
de iniciación y acumulación (conjunto de datos MASS). En el segundo y tercer enfoque, tomamos muestras si eran superiores a 0,7, 0,8 y 0,9, respectivamente (Hosmer y Lemeshow, 2000). Se aplicó la prueba de
como celdas de eventos de una fracción relativamente pequeña de píxeles dentro de ambas porciones rangos con signo de Wilcoxon para detectar diferencias significativas en el desempeño del modelo. Las
superiores (alrededor del 12% de 11,294 celdas) y áreas enteras de deslizamientos de tierra (alrededor del diferencias con un valor de P b0,01 se consideraron significativas.
1,2% de 109,149 celdas). De esta manera, limitamos los efectos de la autocorrelación espacial entre las
celdas muestreadas, lo que debe evitarse al realizar predicciones estadísticas de ocurrencia de deslizamientos
de tierra.
3.6. Mapas de susceptibilidad a deslizamientos de tierra, avalanchas y flujos de escombros
LIP, SOURCE y MASS. Se aplicó el siguiente procedimiento tanto para las técnicas de modelado (es decir,
Para evaluar su capacidad predictiva, los modelos LR y MARS se sometieron a una estrategia de
LR y MARS) como para los tres conjuntos de datos (es decir, LIP, SOURCE y MASS): i) muestreo de 100
validación cruzada espacial de k veces, que consiste en extraer subconjuntos aleatorios de entrenamiento y
subconjuntos equilibrados formados por 2694 celdas; ii) calibración de un modelo para cada uno de los 100
prueba de k subáreas espacialmente separadas. Estos se identificaron utilizando el algoritmo de agrupamiento
subconjuntos de celdas; iii) cálculo de la probabilidad (P) de ocurrencia de deslizamientos de tierra para
de kmedias (Ruß y Brenning, 2010; Goetz et al., 2015). Como validación cruzada clásica de k veces, el
cada celda del área de estudio promediando los puntajes obtenidos de las 100 ejecuciones del modelo. El
enfoque adoptado utiliza k 1 subconjuntos combinados en el momento para la calibración y el restante para
rango de probabilidad de flujo/alud de escombros (0,00–1,00) se clasificó en cuatro niveles de intervalo iguales
la validación. Luego el proceso se repite k veces.
(ancho del intervalo: 0,25). Como los modelos LR y MARS se prepararon utilizando conjuntos de datos
equilibrados de píxeles de eventos y no eventos, la puntuación promediada de las 100 ejecuciones del modelo
et al., 2014; Svoray et al., 2012; Van Den Eeckhaut et al., 2012), se extrajeron múltiples muestras de
aprendizaje para cada pliegue. Más detalladamente, nuestro enfoque incluyó los siguientes pasos, que se
repitieron para cada uno de los cinco pliegues: i) muestreo de diez subconjuntos equilibrados de las cuatro
(es decir, k 1) subáreas de calibración; ii) entrenar un modelo en cada uno de los diez subconjuntos de
calibración; iii) muestreo de un subconjunto equilibrado de la subárea de validación; iv) calcular una 4. Resultados
puntuaciones obtenidas de las diez ejecuciones del modelo; v) estimación del rendimiento del modelo 4.1. Validación de los modelos de susceptibilidad.
promediando el rendimiento evaluado en cada uno de los cinco pliegues. Para evaluar la solidez de nuestro
enfoque, este proceso de validación se repitió 100 veces para los modelos LR y MARS. El rendimiento predictivo de LR y MARS evaluado para los tres conjuntos de datos se resume en la Fig.
7 mediante el uso de seis diagramas de caja. Cada diagrama de caja muestra la variabilidad de 100 valores
de AUC que se calcularon mediante el procedimiento de validación descrito en la Sección 3.5. Los valores
promedio de AUC de LR y MARS calculados para los tres conjuntos de datos están todos en el rango de 0,7
La habilidad de predicción de los modelos se evaluó con el área bajo la curva de características a 0,8, lo que demuestra una precisión general aceptable (AUC N 0,7) de los modelos predictivos de flujos de
operativas del receptor (ROC) (AUC). La curva ROC traza para todos los valores de corte posibles la tasa de avalanchas y deslizamientos de tierra en el área de Mocoa. Sin embargo, se revelan diferencias significativas
verdaderos positivos TPR (sensibilidad) frente a la tasa de falsos positivos FPR (1 – especificidad). Los si comparamos el desempeño de los modelos aplicando la prueba de rangos con signos de Wilcoxon.
valores de AUC cercanos a 1 indican una capacidad de discriminación perfecta entre los niveles de la variable
objetivo (0 o 1), mientras que los valores cercanos a 0,5 reflejan una capacidad de discriminación nula de
Machine Translated by Google
La Fig. 9 muestra que, si consideramos P = 0,5 como umbral para discriminar entre píxeles
predichos como estables (P b 0,5) e inestables (PN 0,5), las celdas de eventos de los conjuntos
de datos LIP, SOURCE y MASS se predicen con excelente sensibilidad (o tasa de verdaderos
positivos, TPR) mediante los mapas MARS (rango TPR: 0,77–0,78) y LR (rango TPR: 0,76–
0,78). Sin embargo, si nos centramos en la distribución de píxeles de eventos con PN 0,5, la
Fig. 9 revela que, a excepción de los mapas LIP, se distribuyen aproximadamente por igual
entre los dos niveles más altos de susceptibilidad en los mapas MARS, mientras que los píxeles
de eventos son menos frecuentes en la clase P más alta de mapas LR.
5. Discusión
relaciones lineales que se aplican a todo el rango de variables explicativas, mientras que MARS
Las 100 ejecuciones del modelo MARS validadas en el conjunto de datos SOURCE (AUC es capaz de dividir el rango de predictores en partes y ajustar a cada uno de ellos una regresión
media = 0,788) demostraron una precisión significativamente mayor (valor P b2,2e16) que las lineal diferente. De esta manera, MARS produce una curva de respuesta suave que puede
probadas en el conjunto de datos LIP (AUC media = 0,776), que a su vez realizó mejor (valor P reproducir mejor las relaciones entre los predictores y la ocurrencia de deslizamientos de tierra.
= 7,23e−07) que el modelo MARSMASS (AUC media = 0,768). Por otro lado, no se midió
ninguna diferencia significativa (valor P = 0,1355) en el rendimiento entre las predicciones LR El mejor desempeño de MARS en nuestra área de estudio es consistente con los hallazgos
de los conjuntos de datos LIP (AUC media = 0,748) y SOURCE (AUC media = 0,750), mientras de algunos otros trabajos previos que compararon la capacidad de LR y MARS para predecir la
que las ejecuciones del modelo LRMASS claramente exhibieron el peor pronóstico. rendimiento ocurrencia de deslizamientos de tierra. Conoscenti et al. encontraron una diferencia similar de
(AUC media = 0,703). En los tres conjuntos de datos, las ejecuciones de MARS superaron las los valores medios de AUC entre LR y MARS (0,848 frente a 0,889) . (2015) en una cuenca de
repeticiones del modelo LR (valor P b2.2e16). Sicilia (Italia) afectada por deslizamientos de tierra. Aproximadamente la misma diferencia en la
habilidad de predicción fue revelada por una validación cruzada interna que se aplicó a un
inventario de deslizamientos de tierra traslacionales poco profundos en los Andes del sur de
En cuanto a la variación del rendimiento, que se evaluó mediante la desviación estándar Ecuador (Vorpahl et al., 2012). Pourghasemi y Rossi (2016) encontraron un desempeño
(DE), los modelos MARS y LRLIP mostraron una robustez muy similar (DE: 0,0075 frente a ligeramente mejor de MARS (AUC = 0,782) con respecto a LR (AUC = 0,775) , quienes
0,0076), mientras que la habilidad predictiva de MARS fue ligeramente más estable cuando se compararon la capacidad de cuatro técnicas estadísticas para predecir deslizamientos de tierra
validó en el SOURCE. (DE: 0,0098 frente a 0,0117) y conjuntos de datos MASS (DE: 0,0102 ocurridos en la provincia de Mazandarn (Irán). ). Por otro lado, LR y MARS lograron la misma
frente a 0,0131). Para cualquiera de las dos técnicas de modelado, la dispersión de los valores precisión (AUC = 0,76) al predecir la distribución espacial de los deslizamientos en la provincia
AUC aumenta desde LIP, pasando por SOURCE hasta MASS. de Guipúzcoa (España; Felicísimo et al., 2013). Además, Vorpahl et al. (2012) no encontraron
diferencias significativas en el rendimiento predictivo cuando aplicaron una validación cruzada
externa a sus datos.
la clase más alta ocurre con menos frecuencia. La mejor capacidad de discriminación general de los píxeles LIP/SOURCE se puede
Los píxeles sin eventos (conjunto de datos STABLE) se discriminan mejor en el mapa explicar considerando que sus condiciones de terreno son más específicas que las de las
MARSSOURCE, donde el 75% de los puntos estables tiene un nivel de susceptibilidad bajo células MASS. De hecho, esto último puede ocurrir en las zonas de inicio, transporte y
(es decir, P b 0,5), mientras que sólo el 67% tiene un valor P inferior a 0,5 en el LR. Mapa de deposición de avalanchas y flujos de escombros que pueden caracterizarse por condiciones
labios. heterogéneas (por ejemplo, altitud,
Machine Translated by Google
Fig. 8. Mapas de susceptibilidad a flujos de escombros del área de Mocoa preparados con modelos MARS y LR calibrados en los conjuntos de datos LIP, SOURCE y MASS.
pendiente, índice de convergencia, TPI, TWI o profundidad del valle) dentro de cada área individual de funcionó mejor que LR y ambas técnicas de modelado lograron mejores
deslizamiento de tierra, mientras que los píxeles LIP/SOURCE probablemente deberían tener más habilidad de predicción cuando se emplea para discriminar entre píxeles estables e inestables del conjunto
condiciones homogéneas. Estos resultados son consistentes con los de de datos FUENTE. Consideramos mejores los mapas de MARTE
Regmi et al. (2014), quienes encontraron que la precisión de la predicción de deslizamientos de tierra que los mapas LR por las siguientes razones. En primer lugar, la frecuencia de los niveles de susceptibilidad
Los modelos fueron ligeramente mejores cuando se desarrollaron en muestras obtenidas de de los mapas de MARTE disminuye gradualmente de menor a mayor.
escarpes de diferentes tipos de deslizamientos de tierra (es decir, flujos de escombros, deslizamientos de escombros, unos, lo cual es una cualidad deseable para los mapas de susceptibilidad a deslizamientos de tierra. En efecto,
deslizamientos de rocas y deslizamientos de suelo) ocurrieron en el oeste de Colorado, EE. UU. Explican sus Como los deslizamientos de tierra son normalmente un evento poco común y, por lo tanto, la proporción de
hallazgos asumiendo que los deslizamientos de tierra en su área de estudio fueron celdas de eventos y no eventos puede ser muy baja, los mapas con alta frecuencia de eventos susceptibles
principalmente debido a las condiciones desfavorables en las cabeceras de las pendientes y, por lo tanto, los datos Los píxeles pueden sufrir altas tasas de falsos positivos. En segundo lugar, utilizando P b 0,5 como
El muestreo de escarpes en lugar de masas de deslizamientos de tierra redujo las incertidumbres. umbral para identificar píxeles no susceptibles, los mapas MARS se caracterizan por una especificidad
Por otro lado, Vorpahl et al. (2012) encontraron un mejor desempeño en significativamente mayor (o tasa de verdaderos negativos) en todos los conjuntos de datos de deslizamientos
predecir zonas de deposición de deslizamientos de tierra que zonas de iniciación. Como sea posible de tierra analizados. En tercer lugar, los mapas de MARTE tienen un mayor porcentaje de
razón de este resultado, asumieron que las zonas de deposición ocurren principalmente píxeles de evento con PN 0,75. De manera similar, es razonable inferir que el conjunto de datos
cerca del fondo de pequeños valles que pueden ser descritos por el seleccionado SOURCE produjo mejores mapas de MARTE y LR porque, aunque aproximadamente
atributos del terreno mejores que la pendiente abierta donde las zonas de iniciación tienden Se observó la misma tasa de verdaderos positivos (umbral P = 0,5) para todos los conjuntos de datos de
que se encuentra. En otras palabras, también Vorpahl et al. (2012) suponen que deslizamientos de tierra, el porcentaje de píxeles de eventos con PN 0,75 fue definitivamente
Las condiciones más específicas del terreno de los datos de deslizamientos de tierra proporcionan información más precisa. más alto. Además, un mayor porcentaje de píxeles estables con P b 0,5
Aunque aparentemente similares, los seis mapas de susceptibilidad a deslizamientos de tierra, Los resultados de este experimento demostraron que los geomorfólogos pueden utilizar un enfoque
avalanchas y flujos de escombros obtenidos de los modelos MARS y LR tienen diferencias importantes, que estocástico para lograr predicciones confiables.
se revelan en los histogramas de la Fig. 9 . de deslizamientos de tierra provocados por un evento de lluvia extrema en una zona montañosa
de este último, podemos inferir que, también en toda el área de estudio, MARTE ambiente. El enfoque descrito en este artículo podría ser útil
Machine Translated by Google
Fig. 9. Histogramas que muestran, para cada uno de los seis mapas de susceptibilidad, las distribuciones de frecuencia relativa de los conjuntos de datos ALL, STABLE, LIP, SOURCE y MASS en las cuatro clases de probabilidad relativa.
particularmente en los países en desarrollo que tienen grandes dificultades para 1 La precisión general de nuestros modelos puede considerarse aceptable.
afrontar los altos costos de las medidas estructurales para reducir los deslizamientos de tierra (AUC N 0,7);
riesgo. Este método permite identificar áreas propensas a deslizamientos de tierra y 2 Los modelos y mapas de MARS mostraron una mejor capacidad para discriminar
Por lo tanto, podría proporcionar una valiosa ayuda para una planificación racional del uso del suelo. entre píxeles de eventos y no eventos;
destinado a minimizar las víctimas y los daños económicos. 3 Tanto MARS como LR demostraron una mayor precisión cuando se emplearon para
predecir áreas de origen de deslizamientos de tierra;
6. Observaciones finales 4 Las relaciones entre los predictores y las avalanchas y flujos de escombros
los deslizamientos de tierra se reproducen con mayor precisión mediante regresiones lineales
En este experimento, empleamos un enfoque estocástico para predecir por partes en lugar de funciones lineales individuales que se mantienen en todo el rango de
la distribución espacial de las avalanchas y flujos de escombros provocados predicción.
por fuertes lluvias ocurridas en la zona de Mocoa el 1 de abril de 2017. Splines de Regresión
Adaptativa Multivariada (MARS) y Regresión Logística El enfoque empleado en este experimento es relativamente simple, rápido
(LR) fueron explotados como técnicas de modelado. Se utilizaron como variables predictoras un y puede reproducirse utilizando software y datos gratuitos habitualmente disponibles.
conjunto de nueve atributos del terreno, además de la litología, la distancia a las fallas y la presencia/ Se puede utilizar para preparar mapas de susceptibilidad a deslizamientos de tierra, avalanchas y
ausencia de procesos de fluencia del suelo. flujos de escombros que pueden ayudar a los responsables de políticas y administradores de tierras de
La validación de los modelos se realizó mediante una validación cruzada espacial de k veces y Colombia establecerá medidas preventivas y mitigará riesgos.
calculando los valores AUC de 100 repeticiones de los modelos MARS y LR aplicados a muestras
equilibradas de píxeles con y sin eventos. El Agradecimientos
Se extrajeron muestras de calibración y validación de tres diferentes
conjuntos de datos de deslizamientos de tierra que contienen el punto más alto de cada deslizamiento de tierra La investigación fue apoyada por los siguientes proyectos: i) CoRI
línea de corona (conjunto de datos LIP), el 10% más alto de celdas de cada área de deslizamiento de tierra proyecto2017 adjudicado a Christian Conoscenti y financiado por la
(conjunto de datos FUENTE) o toda el área del deslizamiento de tierra (conjunto de datos MASS). Universidad degli Studi di Palermo; ii) Proyecto denominado “Geología y
Se pueden extraer las siguientes conclusiones para el área de estudio de Mocoa sobre Geomorfología de ríos tropicales. Conocer los ríos prevenir desastres”
la base de la validación de los modelos y el análisis de seis mapas de susceptibilidad que se (código 41500) otorgado a German Vargas y financiado por el
obtuvieron utilizando MARS y LR con los tres Universidad Nacional de Colombia. Todos los autores han comúnmente
conjuntos de datos sobre deslizamientos de tierra.
compartieron todas las fases de la investigación. Este manuscrito benefició enormemente
Machine Translated by Google
Crosta, GB, Dal Negro, P., 2003. Observaciones y modelado de los procesos de iniciación del flujo de desechos
de las amables sugerencias y comentarios del Prof. Takashi Oguchi, Prof.
del suelo en depósitos piroclásticos: el evento Sarno 1998. Nat. Peligros Sistema Tierra
Allen Bateman y un revisor anónimo. Ciencia. 3, 53–69. https://doi.org/10.5194/nhess3532003.
Crozier, MJ, Dal Negro, P., 2005. Deslizamientos de tierra regionales de ocurrencia múltiple en Nueva Zelanda:
Referencias cuestiones de gestión de peligros. Deslizamientos de tierra 2, 247–256. https://doi.org/10.1007/
s1034600500197 .
Aleotti, P., Chowdhury, R., 1999. Evaluación del peligro de deslizamientos de tierra: revisión resumida y nuevas Cruden, DM, Varnes, DJ, 1996. Tipos y procesos de deslizamientos de tierra. En: Turner, AK, Schuster, RL
perspectivas. Toro. Ing. Geol. Reinar. 58, 21–44. https://doi.org/10.1007/s100640050066 . (Eds.), Deslizamientos de tierra: investigación y mitigación. Informe especial de la Junta de Investigación
del Transporte , vol vol. 247. Prensa de la Academia Nacional, Washington DC, págs. 36–75.
Aronica, GT, Brigandí, G., Morey, N., 2012. Inundaciones repentinas y flujo de escombros en el área de la ciudad Felicísimo, Á.M., Cuartero, A., Remondo, J., Quirós, E., 2013. Mapeo de la susceptibilidad a deslizamientos de
de Messina, noreste de Sicilia, Italia, en octubre de 2009: el caso de la cuenca Giampilieri. Nat. Peligros tierra con regresión logística, múltiples splines de regresión adaptativa, árboles de clasificación y regresión
Sistema Tierra Ciencia. 12, 12951309. https://doi.org/10.5194/nhess1212952012 . y métodos de máxima entropía: una comparación estudiar. Deslizamientos de tierra 10, 175–189. https://
doi.org/10.1007/s1034601203201.
Atkinson, PM, Massari, R., 2011. Modelado autologístico de susceptibilidad a deslizamientos de tierra en los Friedman, JH, 1991. Splines de regresión adaptativa multivariada. Ana. Estadística. 19, 1–141.
Apeninos centrales, Italia. Geomorfología 130, 55–64. https://doi.org/10.1016/j. geomorfo.2011.02.001. Garosi, Y., Sheklabadi, M., Porghasemi, HR, Besalatpour, AA, Conoscenti, C., Van Oost, K., 2018. Comparación
de diferencias en la resolución y fuentes de factores de control para el mapeo de susceptibilidad a la erosión
Auslander, M., Nevo, E., Inbar, M., 2003. Los efectos de la orientación de la pendiente sobre el crecimiento de de barrancos. Geoderma 330, 65–78. https://doi.org/10.1016/j.geoderma.2018.05.027 .
las plantas, la inestabilidad del desarrollo y la susceptibilidad a los herbívoros. J. Medio árido. 55, 405–416.
https://doi.org/10.1016/S01401963(02)002811. Goetz, JN, Brenning, A., Petschko, H., Leopold, P., 2015. Evaluación del aprendizaje automático y técnicas de
Avelar, AS, Netto, ALC, Lacerda, WA, Becker, LB, Mendonça, MB, 2013. Mecanismos de los recientes predicción estadística para el modelado de susceptibilidad a deslizamientos de tierra. Computadora.
deslizamientos de tierra catastróficos en la cordillera montañosa de Río de Janeiro, Brasil BT Ciencia y Geociencias. 81, 1–11. https://doi.org/10.1016/j.cageo.2015.04.007.
práctica de deslizamientos de tierra: Volumen 4: Medio ambiente global Cambiar. GómezGutiérrez, Á., Conoscenti, C., Angileri, SE, Rotigliano, E., Schnabel, S., 2015. Uso de atributos
En: Margottini, C., Canuti, P., Sassa, K. (Eds.), Springer. Berlín Heidelberg, Berlín, Hei delberg, págs. 265– topográficos para evaluar la propensión (susceptibilidad) a la erosión de cárcavas en dos cuencas
270 https://doi.org/10.1007/9783642313370_34. mediterráneas: ventajas y limitaciones. Nat. Peligros 79, 291–314. https://doi.org/10.1007/s1106901517030.
Beguería, S., 2006. Validación y evaluación de modelos predictivos en evaluación de peligros y gestión de
riesgos. Nat. Peligros 37, 315–329. https://doi.org/10.1007/s1106900551826 . Gorum, T., Gonencgil, B., Gokceoglu, C., Nefeslioglu, HA, 2008. Implementación de unidades geomorfológicas
reconstruidas en el mapeo de susceptibilidad a deslizamientos de tierra: Melen Gorge (noroeste de
Beven, KJ, Kirkby, MJ, 1979. Un modelo de hidrología de cuenca con base física y variable de área contribuyente. Turquía). Nat. Peligros 46, 323–351. https://doi.org/10.1007/s1106900791906 .
Hidrol. Ciencia. Toro. 24, 43–69. https://doi.org/10.1080/02626667909491834.
Brabb, EE, 1984. Enfoques innovadores para el mapeo de peligros y riesgos de deslizamientos de tierra. Actas Guisan, A., Weiss, SB, Weiss, AD, 1999. Modelado espacial GLM versus CCA de especies de plantas.
del IV Simposio Internacional sobre Deslizamientos de Tierra. vol. 1. Toronto, Canadá, págs. 307–324. distribución de cies. Ecología vegetal. 143, 107–122.
Brenning, A., 2005. Modelos de predicción espacial para peligros de deslizamientos de tierra: revisión, Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P., 1999. Evaluación del peligro de deslizamientos de
comparación y evaluación. Nat. Peligros Sistema Tierra Ciencia. 5, 853–862. https://doi.org/10.5194/ tierra: una revisión de las técnicas actuales y su aplicación en un estudio a múltiples escalas, Italia central.
nhess58532005 . Geomorfología 31, 181–216. https://doi.org/10.1016/S0169555X (99)000781.
Brenning, A., 2012. Análisis espacial mejorado y predicción de la susceptibilidad a deslizamientos de tierra:
recomendaciones prácticas. Deslizamientos de Tierra Ing. Prot. Pistas. Soc. a través de Im prov. Heckmann, T., Gegg, K., Gegg, a., Becht, M., 2014. El tamaño de la muestra importa: investigar el efecto del
Comprensión, Proc. 11° Int. 2do Norte Am. Síntoma. Deslizamientos de Tierra Ing. tamaño de la muestra en un modelo de susceptibilidad de regresión logística para flujos de escombros.
Pistas, Banff, Canadá. págs. 789–794. Nat. Peligros Sistema Tierra Ciencia. 14, 259–278. https://doi.org/10.5194/nhess142592014 .
Brenning, A., Trombotto, D., 2006. Modelado de regresión logística de glaciares de roca y distribución de
glaciares: controles topográficos y climáticos en los Andes semiáridos. Geomorfología https://doi.org/ Hosmer, DW, Lemeshow, S., 2000. Regresión logística aplicada, Serie de Wiley en probabilidad y estadística,
10.1016/j.geomorph.2006.04.003. Serie de Wiley en probabilidad y estadística: Sección de textos y referencias. Wiley https://doi.org/10.1198/
Bui, DT, Tuan, TA, Klempe, H., Pradhan, B., Revhaug, I., 2015. Modelos de predicción espacial para peligros de tech.2002.s650.
deslizamientos de tierra poco profundos: una evaluación comparativa de la eficacia de las máquinas de Hungr, O., Leroueil, S., Picarelli, L., 2014. La clasificación de Varnes de tipos de deslizamientos de tierra, una
vectores de soporte, redes neuronales artificiales y logística del núcleo. regresión y árbol de modelo actualización. Deslizamientos de tierra 11, 167–194. https://doi.org/10.1007/s103460130436y.
logístico. Deslizamientos de tierra https://doi.org/10.1007/s1034601505576. Jebur, MN, Pradhan, B., Tehrany, MS, 2014. Optimización de los factores condicionantes de deslizamientos de
Cama, M., Lombardo, L., Conoscenti, C., Agnesi, V., Rotigliano, E., 2015. Predicción de eventos de flujo de tierra utilizando datos de escaneo láser aéreo (LiDAR) de muy alta resolución a escala de cuenca.
escombros provocados por tormentas: aplicación al desastre del Peloritan Jónico de 2009 (Sicilia, Italia). Sensores remotos. Medio ambiente. 152, 150–165. https://doi.org/10.1016/j. rse.2014.05.013.
Nat. Peligros Sistema Tierra Ciencia. 15, 1785–1806. https://doi.org/10.5194/nhess1517852015 .
Köthe, R., Lehmeier, F., 1996. SARA System zur Automatischen ReliefAnalyse, Benutzerhandbuch.
Cama, M., Conoscenti, C., Lombardo, L., Rotigliano, E., 2016. Exploración de las relaciones entre el tamaño de Departamento de Geografía, Universidad de Göttingen, Göttingen.
las celdas de la cuadrícula y la precisión de los modelos de susceptibilidad al flujo de escombros: una Larsen, MC, 2008. Deslizamientos de tierra provocados por lluvias, peligros antropogénicos y estrategias de
prueba en la cuenca de Giampilieri (Sicilia, Italia). Reinar. Ciencia de la Tierra. 75. https://doi.org/10.1007/ mitigación. Adv. Geociencias. 14, 147153. https://doi.org/10.5194/adgeo141472008.
s1266501550476 . Larsen, MC, Wieczorek, GF, 2006. Efectos geomórficos de grandes flujos de escombros y destellos.
Cama, M., Lombardo, L., Conoscenti, C., Rotigliano, E., 2017. Mejora de las estrategias de transferibilidad para inundaciones, norte de Venezuela, 1999. Z. Geomorphol. 145, 147–175.
la evaluación de la susceptibilidad a los flujos de escombros: aplicación a las cuencas de captación de Lóczy, D., Pirkhoffer, E., Gyenizse, P., 2012. Clasificación geomorfométrica de llanuras aluviales en una región
Saponara e Itala (Messina, Italia). Geomorfología 288, 52–65. https://doi.org/10.1016/j.geomorph.2017.03.025 . montañosa de Hungría. Geomorfología 147–148, 61–72. https://doi.org/10.1016/j. geomorfo.2011.06.040.
Carrara, A., Cardinali, M., Guzzetti, F., Reichenbach, P., 1995. Tecnología SIG en el mapeo del peligro de Lombardo, L., Cama, M., Maerker, M., Rotigliano, E., 2014. Una prueba de transferibilidad para modelos de
deslizamientos de tierra. En: Carrara, A., Guzzetti, F. (Eds.), Sistemas de información geográfica en la susceptibilidad a deslizamientos de tierra en eventos climáticos extremos: aplicación al desastre de Mesina
evaluación de peligros naturales. Kluwer, Dordrecht, págs. 135175. 2009. Nat. Peligros, 1951–1989 https://doi.org/10.1007/s1106901412852 .
Chevalier, GG, Medina, V., Hürlimann, M., Bateman, A., 2013. Análisis de susceptibilidad a flujos de escombros
utilizando parámetros fluviomorfológicos y extracción de datos. Nat. Peligros 67, 213–238. https://doi.org/ Lombardo, L., Cama, M., Conoscenti, C., Märker, M., Rotigliano, E., 2015. La regresión logística binaria versus
10.1007/s1106901305683. el gradiente estocástico impulsó los árboles de decisión en la evaluación de la susceptibilidad a
Clerici, A., Perego, S., Tellini, C., Vescovi, P., 2006. Un procedimiento automatizado basado en SIG para mapear deslizamientos de tierra para eventos de deslizamientos de tierra de ocurrencia múltiple: aplicación a la
la susceptibilidad a deslizamientos de tierra mediante el método de análisis condicional: el estudio de caso tormenta de 2009 en Messina (Sicilia, sur de Italia). Nat. Peligros 79, 1621–1648. https://doi. org/10.1007/
del valle de Baganza (Apeninos del norte de Italia). Reinar. Geol. 50, 941–961. https://doi.org/10.1007/ s1106901519153.
s0025400602647 . Mathew, J., Jha, VK, Rawat, GS, 2009. Mapeo de zonificación de susceptibilidad a deslizamientos de tierra y su
Conoscenti, C., Ciaccio, M., CaraballoArias, NA, GómezGutiérrez, Á., Rotigliano, E., Agnesi, V., 2015. validación en parte de Garhwal Lesser Himalaya, India, utilizando análisis de regresión logística binaria y
Evaluación de la susceptibilidad a deslizamientos de tierra mediante regresión logística y adaptativa método de curva característica operativa del receptor. Deslizamientos de tierra 6, 1726. https://doi.org/
multivariada splines de regresión: un caso de la cuenca del río Belice (oeste de Sicilia, Italia). Geomorfología 10.1007/s103460080138z.
242, 49–64. https://doi.org/10.1016/j. geomorfo.2014.09.020. Milborrow, S., 2015. Notas sobre el paquete Tierra. Documento WWW http://www.milbo.
org/doc/earthnotes.pdf (consultado el 15/07/15).
Conoscenti, C., Rotigliano, E., Cama, M., CaraballoArias, NA, Lombardo, L., Agnesi, V., 2016. Explorando el Naimi, B., 2015. Análisis de incertidumbre para modelos de distribución de especies (R Software
efecto de la selección de ausencia en los modelos de susceptibilidad a deslizamientos de tierra: un estudio Paquete).
de caso en Sicilia, Italia. Geomorfología 261, 222–235. https://doi.org/10.1016/j. geomorfo.2016.03.006. Nefeslioglu, HA, Gokceoglu, C., Sonmez, H., 2008. Una evaluación sobre el uso de regresión logística y redes
neuronales artificiales con diferentes estrategias de muestreo para la preparación de mapas de
Conoscenti, C., Agnesi, V., Cama, M., CaraballoArias, NA, Rotigliano, E., 2018. Evaluación de la susceptibilidad susceptibilidad a deslizamientos de tierra. Ing. Geol. 97, 171–191. https://doi. org/10.1016/
a la erosión de los barrancos mediante splines de regresión adaptativa multivariada y teniendo en cuenta j.enggeo.2008.01.004.
la conectividad del terreno. L. Degrad. Desarrollo. 29, 724–736. https://doi.org/10.1002/ldr.2772 . Ohlmacher, GC, 2007. Curvatura del plan y probabilidad de deslizamientos de tierra en regiones dominadas por
flujos y deslizamientos de tierra. Ing. Geol. 91, 117134. https://doi.org/10.1016/j. enggeo.2007.01.005.
Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., Böhner, J.,
2015. Sistema para automatización Análisis Geocientíficos (SAGA) v. 2.1.4. Pourghasemi, HR, Rossi, M., 2016. Modelado de susceptibilidad a deslizamientos de tierra en un área propensa
Geociencias. Desarrollo de modelos. 8, 1991–2007. https://doi.org/10.5194/gmd819912015. a deslizamientos de tierra en la provincia de Mazandarn, al norte de Irán: una comparación entre los
Costanzo, D., Cappadonia, C., Conoscenti, C., Rotigliano, E., 2012. Exportación de un modelo de susceptibilidad métodos GLM, GAM, MARS y MAHP. Teor. Aplica. Climatol. https://doi.org/10.1007/s0070401619192 .
al flujo de tierra asistido por Google Earth™: una prueba en el centro de Sicilia. Nat. Peligros 61, 103114.
https://doi.org/10.1007/s1106901198700. R Core Team, 2017. R: Un lenguaje y entorno para la informática estadística.
Machine Translated by Google
Regmi, NR, Giardino, JR, McDonald, EV, Vitek, JD, 2014. Una comparación de modelos de susceptibilidad a umbral topográfico. Surf de la Tierra. Proceso. Accidentes geográficos 37, 607–619. https://doi.org/10.1002/
deslizamientos de tierra basados en regresión logística en el oeste de Colorado, EE. UU. esp.2273 .
Deslizamientos de tierra 11, 247–262. https://doi.org/10.1007/s1034601203802. Trigila, A., Iadanza, C., Esposito, C., ScarasciaMugnozza, G., 2015. Comparación de técnicas de regresión
Reichenbach, P., Rossi, M., Malamud, BD, Mihir, M., Guzzetti, F., 2018. Una revisión de modelos de logística y bosques aleatorios para la susceptibilidad a deslizamientos de tierra poco profundos como
susceptibilidad a deslizamientos de tierra con base estadística. Ciencias de la Tierra Rev. 180, 60–91. evaluación en Giampilieri (NE Sicilia, Italia). Geomorfología https://doi.org/10.1016/j. geomorfo.2015.06.001.
https://doi.org/10.1016/j.earscirev.2018.03.001.
Rotigliano, E., Agnesi, V., Cappadonia, C., Conoscenti, C., 2011. El papel de las áreas de diagnóstico en la Van Den Eeckhaut, M., Vanwalleghem, T., Poesen, J., Govers, G., Verstraeten, G., Vandekerckhove, L., 2006.
evaluación de modelos de susceptibilidad a deslizamientos de tierra: una prueba en la cadena de Sicilia. Predicción de la susceptibilidad a deslizamientos de tierra mediante regresión logística de eventos raros:
Nat. Peligros 58, 981–999. https://doi.org/10.1007/s1106901097081. un estudio de caso en las Ardenas Flamencas (Bélgica). Geomorfología 76, 392–410. https://doi.org/
Rotigliano, E., Martinello, C., Agnesi, V., Conoscenti, C., 2018. Evaluación de la susceptibilidad al flujo de 10.1016/j.geomorph.2005.12.003.
escombros en El Salvador (CA): una comparación entre splines de regresión adaptativa multivariada Van Den Eeckhaut, M., Hervás, J., Jaedicke, C., Malet, JP, Montanarella, L., Nadim, F., 2012.
(MARS) y regresión logística binaria (BLR). Geogr. húngaro. Toro. 67, 361–373. https://doi.org/10.15201/ Modelización estadística de la susceptibilidad a los deslizamientos de tierra en toda Europa utilizando datos limitados de
hungeobull.67.4.5. inventario de deslizamientos de tierra. Deslizamientos de tierra 9, 357–369. https://doi.org/10.1007/s103460110299z.
Ruß, G., Brenning, A., 2010. Inteligencia computacional para el diseño de sistemas basados en el Vorpahl, P., Elsenbeer, H., Märker, M., Schröder, B., 2012. ¿Cómo pueden los modelos estadísticos ayudar a
conocimiento, notas de conferencias en informática (incluidas las subseries Lecture Notes in Artificial determinar los factores impulsores de los deslizamientos de tierra? Ecológico. Modelo. 239, 27–39. https://
Intelligence y Lecture Notes in Bioinformatics). Apuntes de conferencias sobre informática. doi.org/10.1016/j.ecolmodel.2011.12.007 .
Springer Berlin Heidelberg, Berlín, Heidelberg https://doi.org/10.1007/9783642140495 . Wilson, JP, Gallant, JC, 2000. Análisis del terreno: principios y aplicaciones. Wiley e hijos,
Inc., Canadá.
Süzen, ML, Doyuran, V., 2004. Evaluación bivariada de susceptibilidad a deslizamientos de tierra basada en Zevenbergen, LW, Thorne, CR, 1987. Análisis cuantitativo de la topografía de la superficie terrestre.
datos utilizando sistemas de información geográfica: un método y una aplicación a la cuenca de Asarsuyu, Surf de la Tierra. Proceso. Accidentes geográficos 12, 47–56.
Turquía. Ing. Geol. 71, 303–321. https://doi.org/10.1016/S00137952 (03)001431.
Svoray, T., Michailov, E., Cohen, A., Rokah, L., Sturm, A., 2012. Predicción del inicio de barrancos: comparación
de técnicas de minería de datos, procesos de jerarquía analítica y la