Machine Translated by Google

Geomorfología 339 (2019) 31–43

Listas de contenidos disponibles en ScienceDirect

Geomorfología
página de inicio de la revista: www.elsevier.com/locate/geomorph

Predicción de avalanchas y flujos de escombros desencadenados por una tormenta

tropical mediante el uso de un enfoque estocástico: una aplicación a los eventos ocurridos en
Mocoa (Colombia) el 1 de abril de 2017
a b, b
Germán Vargas Cuervo , Eduardo Rotigliano , Christian Conoscenti
a Grupo Geotecnologías, Departamento de Geografía, Universidad Nacional de Colombia, Cra. 30 # 45­03, Edificio 212, Bogotá, Colombia Departamento de Ciencias de la Tierra y del Mar
b (DISTEM), Università degli Studi di Palermo, Via Archirafi 22, 90123 Palermo, Italia

información del artículo abstracto

Historia del artículo:

Los deslizamientos de tierra se encuentran entre los procesos naturales más peligrosos. En particular, las avalanchas de escombros y los flujos de
Recibido el 12 de septiembre de 2018
escombros a menudo han causado víctimas y daños graves a las infraestructuras en una amplia gama de entornos. La evaluación de la susceptibilidad
Recibido en forma revisada el 3 de febrero de 2019
a estos fenómenos puede ayudar a los responsables de las políticas a mitigar el riesgo asociado y, por ello, ha atraído especial atención en las últimas
Aceptado el 25 de abril de 2019
décadas.
Disponible en línea el 26 de abril de 2019
En este experimento, evaluamos la susceptibilidad a avalanchas de escombros y deslizamientos de tierra mediante el uso de un enfoque estocástico.

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.

© 2019 Elsevier BV Todos los derechos reservados.

1. Introducción El peligro de deslizamientos de tierra es particularmente importante en

En las últimas décadas, el crecimiento demográfico y la urbanización de zonas
peligrosas han aumentado en gran medida los daños y la pérdida de vidas debido
a los desastres naturales. En muchos países desarrollados y en desarrollo, los
deslizamientos de tierra se encuentran entre las causas más importantes de peligros
naturales (Guzzetti et al., 1999).
Autor correspondiente.
Dirección de correo electrónico: edoardo.rotigliano@unipa.it (E. Rotigliano).
ambientes montañosos donde, debido a la topografía, estos fenómenos pueden
alcanzar una rápida propagación y alta energía. Algunos de los desastres por
deslizamientos de tierra más devastadores están relacionados con la aparición de
avalanchas y flujos de escombros desencadenados por fuertes tormentas o
terremotos (Hungr et al., 2014). Cuando son causados por lluvias intensas y
prolongadas, estos deslizamientos de tierra pueden ocurrir simultáneamente con
flujos hiperconcentrados y Inundaciones repentinas. Un ejemplo dramático de su
potencial destructivo lo ofrece el desastre de Vargas (Venezuela), que causó
alrededor de 15.000 muertes en diciembre de 1999 en una estrecha zona costera al norte de Ca

https://doi.org/10.1016/j.geomorph.2019.04.023 0169­555X/© 2019

Elsevier BV Todos los derechos reservados.

Machine Translated by Google
32 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
(Larsen y Wieczorek, 2006; Larsen, 2008). Más recientemente, en enero
En 2011, más de 1.500 víctimas fueron causadas por el desastre ocurrido en el
región montañosa de Río de Janeiro (Brasil), donde se produjeron acumulaciones de avalanchas y
flujos de escombros debido a un evento de lluvia extrema
durante un periodo de 2 días (Avelar et al., 2013; Hungr et al., 2014). Otro
En la literatura se informan ejemplos de desastres naturales ocurridos en todo el mundo y
relacionados con avalanchas de escombros/deslizamientos de tierra (p. ej., Crosta
y Dal Negro, 2003; Crozier, 2005; Arónica et al., 2012).
La mitigación del riesgo de deslizamientos de tierra se puede lograr prediciendo dónde es más
probable que ocurran deslizamientos de tierra en el futuro. De hecho, esta información podría
ayudar a los formuladores de políticas a implementar estrategias de uso de la tierra destinadas a
minimizar las víctimas humanas y los daños a la propiedad (Guzzetti et al., 1999).
La probabilidad de que ocurran deslizamientos de tierra en un área determinada se define como
susceptibilidad a los deslizamientos de tierra (Brabb, 1984; Carrara et al., 1995). Un mapa de
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).
El mapeo de susceptibilidad a deslizamientos de tierra se puede lograr utilizando diferentes
métodos. Entre ellos, el enfoque estocástico se ha vuelto muy popular en las últimas décadas,
debido a la disponibilidad de datos del terreno de alta resolución e información estadística y
geográfica gratuita.
Software de sistemas (SIG). Este enfoque se basa en el supuesto
que “el pasado es la clave del futuro” (Carrara et al., 1995) y nuevas
Es más probable que las fallas de taludes ocurran en las mismas condiciones que
causó deslizamientos de tierra en el pasado. Por lo tanto, los métodos estadísticos requieren
la ubicación de deslizamientos de tierra pasados y mapas de variables ambientales
que directa o indirectamente (como representantes) reflejan los factores preparatorios
Controlar la ocurrencia de deslizamientos de tierra en el área de estudio. Diferentes estadísticas
y se ha demostrado que las técnicas de modelado de minería de datos proporcionan mapas
confiables y precisos de susceptibilidad a deslizamientos de tierra a partir de inventarios de eventos
y conjuntos de variables predictivas (Aleotti y Chowdhury, 1999;
Guzzetti et al., 1999; Brenning, 2005; Reichenbach et al., 2018).
Aunque ampliamente adoptado en los últimos años, el modelado estadístico de la susceptibilidad
a los deslizamientos de tierra implica algunas cuestiones críticas que aún permanecen sin resolver.
Uno de ellos está relacionado con la selección de evento y no evento.
datos que se emplean para calibrar y validar los sistemas predictivos de deslizamientos de tierra.
modelos. Esto se reconoce como un paso crucial que influye en la precisión y
confiabilidad de los modelos y mapas finales de susceptibilidad a deslizamientos de tierra.
En el caso de predicciones de deslizamientos de tierra basadas en cuadrículas, las ubicaciones sin eventos son
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
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
umbral de estabilidad del talud y, por lo tanto, desencadenó el colapso del talud. Sin embargo,
identificar los puntos exactos de inicio de un gran número de deslizamientos de tierra es muy
problemático (Regmi et al., 2014). En el caso de los escombros
avalanchas o flujos, incluso distinguir entre zonas de origen y de acumulación podría resultar
bastante difícil. Además, una vez iniciado, un deslizamiento de tierra puede extenderse hacia arriba,
hacia abajo y/o hacia los lados, haciendo que el
La identificación del punto de iniciación es una tarea muy desafiante.
Se han utilizado varias técnicas de muestreo y selección de datos de deslizamientos de tierra.
propuesto para minimizar la incertidumbre en la identificación del inicio de deslizamientos de tierra.
puntos. Las estrategias adoptadas con mayor frecuencia son: i) células individuales seleccionadas
aleatoriamente de áreas de deslizamientos de tierra o de zonas de agotamiento
(p. ej., Vorpahl et al., 2012; Heckmann et al., 2014; Goetz et al., 2015);
ii) centroide de áreas de deslizamientos de tierra o de zonas de agotamiento (por ejemplo, Atkinson y
Massari, 2011; Regmi et al., 2014); iii) múltiples celdas (todas o una fracción)
dentro de áreas de deslizamientos de tierra o zonas de agotamiento (por ejemplo, Regmi et al., 2014;
Conoscenti et al., 2016); iv) una sola celda o todas las celdas en la parte superior
borde de la escarpa principal (p. ej., Clerici et al., 2006; Costanzo et al., 2012;
Cama et al., 2015; Cama et al., 2017). Además, cuando los disponibles
DEM es más reciente que el inventario de deslizamientos, desencadenante topográfico
Las condiciones se toman como muestra de una zona de amortiguamiento alrededor de los polígonos de deslizamientos de tierra.
(p. ej., Süzen y Doyuran, 2004; Nefeslioglu et al., 2008; Rotigliano
et al., 2011) o de una topografía reconstruida antes de la falla dentro de áreas de deslizamientos de
tierra (por ejemplo, Van Den Eeckhaut et al., 2006; Gorum et al., 2008;
Conoscenti et al., 2015).
Se producen episodios de lluvias intensas y prolongadas de forma episódica en
Andes tropicales, provocando avalanchas de escombros y deslizamientos de tierra,
flujos hiperconcentrados e inundaciones repentinas. Estos peligros naturales amenazan
muchas comunidades que viven en o cerca de abanicos aluviales donde pueden causar
víctimas mortales y grandes daños materiales. Por lo tanto, la evaluación de la susceptibilidad a
avalanchas de escombros y deslizamientos de tierra en estos entornos es crucial para planificar
estrategias de mitigación de riesgos y prevenir grandes desastres.
El 1 de abril de 2017, la zona de Mocoa (Colombia) fue azotada por un severo
tormenta tropical que descargó 130 mm de lluvia en 3 h a partir de
22:00 horas del 31 de marzo. Esta fuerte lluvia provocó más de un
miles de escombros, avalanchas y deslizamientos de tierra, que evolucionaron hasta
Flujos hiperconcentrados en las principales corrientes del Mulato, Sangoyaco.
y los ríos Taruca, tres afluentes del río Mocoa. El evento causó
328 víctimas, 200 desaparecidos, N1000 heridos y daños a casas N120 en
En este estudio nos centramos en la predicción del efecto inducido por la lluvia.
Avalanchas de escombros y deslizamientos de tierra ocurridos en la zona de
Mocoa. Estos procesos se iniciaron en las laderas y proporcionaron sedimentos.
a flujos hiperconcentrados que se movieron rápidamente por canales empinados
y provocó la inundación de escombros de gran parte de la ciudad ubicada sobre los ventiladores del
aluvión. En el contexto de probar diferentes métodos de deslizamiento de tierra.
muestreo de datos para el modelado de susceptibilidad, utilizamos y comparamos
tres criterios que difieren en la forma en que se seleccionaron los datos del evento.
Los conjuntos de datos de deslizamientos de tierra empleados en nuestro experimento incluyen (i) el
punto más alto de cada área de deslizamiento, (ii) el 10% más alto de las celdas del
áreas de deslizamientos de tierra o (iii) todas las áreas de deslizamientos de tierra. Para predecir el espacio
distribución de los deslizamientos de tierra de Mocoa, utilizamos dos estadísticas diferentes
técnicas de modelado, a saber: (i) regresión logística (LR) y (ii) splines de regresión adaptativa
multivariada (MARS). LR ha sido ampliamente adoptado
evaluar la susceptibilidad a deslizamientos de tierra y, en particular, avalanchas de escombros/
deslizamientos de tierra. Por el contrario, MARS rara vez se ha utilizado en el campo de la
mapeo de susceptibilidad a deslizamientos de tierra y, hasta donde sabemos, ha sido
empleado para predecir este tipo de fallas de taludes solo en una investigación
estudio (Rotigliano et al., 2018).
Por lo tanto, los principales objetivos de este experimento fueron: (i) probar
y comparar tres criterios diferentes de muestreo de datos de deslizamientos de tierra; (ii)
evaluar y comparar la capacidad de LR y MARS para predecir la
En Mocoa se produjeron avalanchas de escombros y deslizamientos de tierra.
2. Área de estudio
El área de estudio se ubica en la porción sureste de la Cordillera Oriental de los Andes
colombianos y cae en la cuenca del río Mocoa.
Río (Figura 1). Se extiende por 58,3 km2 y se encuentra entre las latitudes 01° 08′
y 01° 13′ N y longitudes 76° 38′ y 76° 42′ W. La ciudad de Mocoa,
capital del Departamento de Putumayo, está ubicada al sureste
sector del área de estudio. Su casco urbano limita al este con el
río Mocoa y es atravesado por tres de sus afluentes: Taruca, Sangoyaco
y Mulato. Las precipitaciones en el área de estudio ocurren durante todo el año y
muestra un patrón anual unimodal con promedio más alto y más bajo
precipitaciones mensuales que ocurren en junio y enero, respectivamente. La precipitación media
anual es de aproximadamente 3715 mm.
La topografía del área de estudio varía de plana a montañosa a empinada, con
elevación que oscila entre 538 y 1893 m snm (Figs. 2 y 3). La porción occidental se caracteriza por
cadenas montañosas moderadamente diseccionadas con muy
pendientes pronunciadas (hasta 77°). A estos les sigue al este un sector montañoso
donde la topografía está controlada principalmente por la estructura y el ángulo de la pendiente
está en el rango de 10 a 25°. Superficies con pendiente suave (b10°), que se forman
por abanicos de escombros coalescentes, se presentan en la margen derecha del río Mocoa. Una
estructura de relieve controlado, que se ubica al norte del casco urbano de Mocoa,
Actúa como una barrera natural para proteger la ciudad de inundaciones. Además,
superficies planas (es decir, terrazas fluviales y llanuras aluviales) se encuentran a lo largo
Sector intermontañoso del río Mocoa.
El área de estudio está sustentada por rocas ígneas del Jurásico y Cretácico.
y rocas sedimentarias del Paleoceno­Eoceno, que están cubiertas de manera discordante por
depósitos no consolidados del Cuaternario. Para explorar el papel de
Machine Translated by Google

G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43 33

Fig. 1. Ubicación del área de estudio y mapa de sombreado.

la litología como predictor de la distribución de deslizamientos, elaboramos un 3. Materiales y métodos

mapa que incluye las siguientes unidades litológicas: i) rocas sedimentarias,
principalmente conglomerados; ii) rocas sedimentarias, principalmente calizas 3.1. Inventario de deslizamientos de tierra

calcáreas; iii) rocas ígneas principalmente granitos y monzonitas; iv) depósitos

aluviales; v) depósitos aluviales en terrazas; vi) depósitos coluviales; vii) depósitos
de escombros­torrentes (Fig. 4). Las rocas ígneas, de moderada a alta fracturación,
afloran en el sector occidental del área de estudio. La falla de La Tebaida separa
estas rocas al este de los conglomerados Paleoceno­Eoceno de la Fm. Pepino,
mientras que las calizas de la Fm. Villeta. afloramiento en el lado oriental del río
Mocoa. Los depósitos cuaternarios ocupan el lecho del río Mocoa y forman
terrazas fluviales a lo largo de su valle principal. Además, se producen abanicos de
detritos a lo largo de los afluentes de Mocoa, mientras que los depósitos coluviales
cubren el pie de algunas laderas a lo largo de los valles intermontañosos.
El evento de lluvia considerado en este estudio ocurrió entre las 22:00 horas
del 31 de marzo y la 1:00 horas del 1 de abril de 2017. El evento fue corto pero
muy intenso con 130 mm de lluvia que cayeron en aproximadamente 3 h. Esta
cantidad de lluvia suele producirse en un lapso de diez días. El evento de lluvia
desencadenó una gran cantidad de avalanchas y flujos de escombros que se
propagaron cuesta abajo como flujos hiperconcentrados e inundaciones de escombros.
Los deslizamientos se produjeron en los taludes que alimentan los arroyos de
los ríos Taruca, Sangoyaco y Mulatos con gran cantidad de escombros y bloques
(con diámetro de hasta seis metros). Estos sedimentos fueron transportados cuesta
abajo y cubrieron un área de aproximadamente 3,2 km2. ,
Machine Translated by Google

34 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43

Fig. 2. Mapa de altitud (arriba) y perfil altimétrico (abajo) de la zona de estudio.

con un espesor medio de 4 m y un volumen total de alrededor de 12 millones
de metros cúbicos.
En este trabajo construimos un inventario de deslizamientos mediante análisis visual
2D y 3D de fotografías aéreas y de la imagen satelital del 10 de abril.
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
Flujos, en los que el movimiento se desarrolló a lo largo de caminos establecidos,
generalmente corrientes de primer o segundo orden.
Las fallas de las pendientes mapeadas probablemente se iniciaron como deslizamientos poco profundos o
flujos (Cruden y Varnes, 1996) y después de moverse una distancia corta
transformados en avalanchas de escombros o flujos de escombros. Sin embargo,
considerando que el objetivo de este experimento fue identificar
donde era más probable que ocurrieran fallas de taludes que pudieran alcanzar los ejes de
drenaje y, eventualmente, el área urbanizada de Mocoa, decidimos
no diferenciar entre los dos tipos de movimientos en el mapeo de susceptibilidad.
3.2. Variables predictoras
En este experimento, se realizó la selección de predictores de deslizamientos de tierra.
según la calidad y resolución de los datos disponibles. Como no se disponía de la
distribución espacial del evento de lluvia, sólo se
Se emplearon imágenes que representan causas preparatorias de deslizamientos de tierra.
Machine Translated by Google
G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
Fig. 3. Mapa de pendientes de la zona de estudio.
Los predictores de deslizamientos de tierra se derivaron de un mapa geológico del
área y un modelo de elevación digital (DEM) raster de resolución de 5 m,
que proporcionó suficiente resolución para mapear adecuadamente la susceptibilidad a
Deslave en la zona de Mocoa. Por el contrario, la resolución de los problemas existentes
Los mapas de cobertura terrestre y suelo eran demasiado toscos y, por lo tanto, no eran adecuados para el estudio.
análisis. Todas las variables se prepararon como capas SIG rasterizadas con 5 m.
tamaño de la celda. Los siguientes predictores se derivaron del DEM utilizando
Software SAGA­GIS (Conrad et al., 2015): elevación (ELEV), ángulo de pendiente
(PENDIENTE), norte (NORTE), este (ESTE), ángulo de pendiente ascendente
(UPSLO), índice de convergencia (CONV), índice de posición topográfica (TPI),
profundidad del valle (VDEP) e índice de humedad topográfica (TWI). Estos atributos
fueron seleccionados como sustitutos de las condiciones y procesos relacionados con
ocurrencia de deslizamientos de tierra (por ejemplo, Wilson y Gallant, 2000; Ohlmacher,
2007; Vorpahl et al., 2012). ELEV refleja los valores de los 5­
m DEM y fue seleccionado debido a su correlación esperada con la precipitación y la
distribución espacial de la vegetación. La PENDIENTE se calculó según
según Zevenbergen y Thorne (1987). NORTE y ESTE fueron calculados
aplicando transformaciones coseno y seno del aspecto de la pendiente,
35
respectivamente (Brenning y Trombotto, 2006; Conoscenti et al., 2016;
Cama et al., 2017). NORTE, ESTE, así como ELEV, podrán servir como apoderados
para los ciclos estacionales húmedo/seco de los suelos (Auslander et al., 2003). UPSLO
refleja el ángulo de pendiente promedio aguas arriba desde cada posición en el paisaje.
CONV (Köthe y Lehmeier, 1996), que estima en qué medida
las celdas vecinas apuntan a la celda central, se calculó estableciendo un
Radio de búsqueda de 50 m. Para reducir los detalles y eliminar el ruido del TWI
(Beven y Kirkby, 1979), se aplicó un filtro de suavizado gaussiano con un radio de
búsqueda de 25 m. CONV y TWI se incluyeron para contabilizar
convergencia/divergencia de escorrentía y saturación potencial del suelo,
respectivamente. TPI (Guisan et al., 1999) indica la posición relativa de cada
celda y se calculó utilizando un radio de búsqueda de 100 m. TPI y CONV
los valores son negativos en los fondos de los valles y positivos en las crestas. VDEP
refleja el máximo relieve relativo medido en secciones transversales y
por tanto, es una medida de la energía de alivio local (Lóczy et al., 2012).
Además, empleamos litología (LITHO), fallas a distancia.
(FAULTD) y presencia/ausencia de fluencia del suelo (CREEP) como variables
predictoras. LITHO fue preparado agrupando las formaciones geológicas que
Machine Translated by Google
36 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
Fig. 4. Mapa litológico de la zona de estudio.
afloran en el área de estudio en 7 unidades geológicas, según su relación esperada con la
estabilidad del talud (Fig. 4). FALLO fue incluido
para reflejar potencialmente el grado de debilitamiento del lecho rocoso debido a estructuras
geológicas regionales tectónicamente activas (Mathew et al., 2009;
Cama et al., 2017). CREEP incluye 71 áreas (que se extienden entre 1 y
285 ha) afectadas por la fluencia del suelo (Fig. 5), que en la región se ve favorecida
por la deforestación para la agricultura y el pastoreo. CREEP se preparó analizando las mismas
imágenes empleadas para mapear los deslizamientos de tierra.
3.3. Modelado estadístico
Probabilidad de ocurrencia de avalanchas de escombros y deslizamientos de tierra en cada
La celda de cuadrícula de 5 m en el área de estudio se calculó empleando dos estadísticas
técnicas de modelado: regresión logística (LR; Hosmer y Lemeshow,
2000) y splines de regresión adaptativa multivariada (MARS; Friedman,
1991). Los análisis estadísticos se realizaron utilizando el software R (R
Core Team, 2017) con los paquetes “usdm” (Naimi, 2015), “sperrorest”
(Brenning, 2012) y “tierra” (Milborrow, 2015).
LR es una de las técnicas estadísticas más utilizadas para el análisis espacial.
modelado de la ocurrencia de deslizamientos de tierra (Brenning, 2005) y se ha
empleado varias veces para predecir deslizamientos de tierra provocados específicamente por
tormentas (p. ej., Chevalier et al., 2013; Heckmann et al., 2014; Lombardo
et al., 2014, 2015; Cama et al., 2016; Trigila et al., 2015). En el otro
Por otro lado, MARS se ha utilizado rara vez para evaluar la susceptibilidad a deslizamientos
de tierra (p. ej., Vorpahl et al., 2012; Felicísimo et al., 2013; Conoscenti
et al., 2015, 2016; Pourghasemi y Rossi, 2016) y, hasta donde sabemos
Como sabemos, esta técnica de modelado se aprovechó para predecir 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
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
como MARS constan de una combinación aditiva de términos.
Cada término del modelo LR viene dado por una regresión lineal de una variable independiente,
que se ajusta utilizando el método de máxima verosimilitud. En
contraste con el supuesto de LR de que los coeficientes de los predictores son
constante en sus rangos, MARS divide el rango de los independientes
variables en pedazos, ajustando a cada uno de ellos una regresión lineal llamada
“función base” (Vorpahl et al., 2012; Gómez­Gutiérrez et al., 2015;
Conoscenti et al., 2018; Garosi et al., 2018). Los términos de MARS consisten en una función
de base única o un producto de dos o más de ellas. Para reducir el
Machine Translated by Google
G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
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,
adoptó una estrategia bilateral gradual que selecciona sólo los predictores más significativos. En
consecuencia, los modelos MARS se prepararon evitando
términos que constan de más de una función base.
Como tanto LR como MARS requieren la ausencia de multicolinealidad (es decir,
Los predictores no deben estar correlacionados entre sí), calculamos
el factor de inflación de varianza (VIF) para medir el grado de correlación
entre los predictores seleccionados. Se empleó el paquete R “usdm”
a este objetivo. Siguiendo la “regla del 10”, según la cual un VIF N 10 revela una fuerte multicolinealidad
(Heckmann et al., 2014; Jebur et al., 2014;
Bui et al., 2015), decidimos incluir en los modelos todo lo citado anteriormente.
variables, ya que sus valores VIF están muy por debajo del umbral.
3.4. Muestreo de datos de deslizamientos de tierra
En nuestro experimento utilizamos tres métodos diferentes para seleccionar datos de
deslizamientos de tierra (Fig. 6). Los tres métodos difieren en la forma en que las células de eventos
fueron seleccionados. En cambio, se empleó un enfoque único para recoger
37
células sin evento. Estos fueron muestreados aleatoriamente de porciones estables de
las pendientes, es decir, celdas fuera de las áreas de deslizamientos de tierra (conjunto de datos ESTABLE). Deslizamiento de tierra
Las muestras de datos siempre se prepararon manteniendo una relación de presencia y ausencia de
1:1. Esta elección se hizo para evitar la prevalencia.
en las muestras (es decir, diferente proporción de observaciones de eventos y no eventos), lo que se
ha demostrado que afecta la confiabilidad de las estadísticas de precisión común (Beguería, 2006).
En el primer enfoque seleccionamos una sola celda en el punto más alto de
cada una de las líneas de corona de deslizamientos de tierra reconocidas (en adelante denominadas LIP;
Lombardo et al., 2015; Cama et al., 2015; Cama et al., 2016), identificando
un total de 1347 celdas de eventos (conjunto de datos LIP). Dado que el rendimiento y la solidez del
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
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
de los deslizamientos cartografiados, que deben reflejar las condiciones del
principales zonas de origen. Estas porciones incluyen el 10% superior de células de
cada área de deslizamiento de tierra (conjunto de datos FUENTE). En el tercer método, deslizamiento de tierra.
Machine Translated by Google

38 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43

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

Se prepararon un total de seis mapas de susceptibilidad a deslizamientos de tierra, avalanchas y flujos

3.5. Estrategia de capacitación y validación de modelos.
de escombros para el área de Mocoa utilizando LR y MARS con muestras extraídas de los conjuntos de datos

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

debe interpretarse como la probabilidad relativa de ocurrencia de avalanchas/flujos de escombros (Goetz et

En nuestro experimento utilizamos k = 5 pliegues espaciales de validación cruzada. Para mejorar la
al., 2015) .
solidez de las predicciones de deslizamientos de tierra y mitigar el problema de los eventos raros (Heckmann

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

probabilidad (P) de ocurrencia de deslizamientos de tierra en el subconjunto de validación promediando las

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
G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
Fig. 7. Diagramas de caja que resumen 100 valores AUC calculados para repeticiones MARS y
LR que se realizaron con muestras de píxeles de los conjuntos de datos LIP, SOURCE y MASS.
Las 100 ejecuciones del modelo MARS validadas en el conjunto de datos SOURCE (AUC
media = 0,788) demostraron una precisión significativamente mayor (valor P b2,2e­16) que las
probadas en el conjunto de datos LIP (AUC media = 0,776), que a su vez realizó mejor (valor P
= 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
de los conjuntos de datos LIP (AUC media = 0,748) y SOURCE (AUC media = 0,750), mientras
que las ejecuciones del modelo LR­MASS claramente exhibieron el peor pronóstico. rendimiento
(AUC media = 0,703). En los tres conjuntos de datos, las ejecuciones de MARS superaron las
repeticiones del modelo LR (valor P b2.2e­16).
En cuanto a la variación del rendimiento, que se evaluó mediante la desviación estándar
(DE), los modelos MARS­ y LR­LIP mostraron una robustez muy similar (DE: 0,0075 frente a
0,0076), mientras que la habilidad predictiva de MARS fue ligeramente más estable cuando se
validó en el SOURCE. (DE: 0,0098 frente a 0,0117) y conjuntos de datos MASS (DE: 0,0102
frente a 0,0131). Para cualquiera de las dos técnicas de modelado, la dispersión de los valores
AUC aumenta desde LIP, pasando por SOURCE hasta MASS.
4.2. Mapas de susceptibilidad MARS y LR
Los seis mapas de susceptibilidad a deslizamientos de tierra, avalanchas y flujos de
escombros preparados con MARS y LR utilizando los tres conjuntos de datos sobre
deslizamientos de tierra se trazan en la Fig. 8. Para ayudar a comparar y evaluar los mapas, la
Fig. 9 muestra las distribuciones de frecuencia relativa de los conjuntos de datos TODOS ( todos
los píxeles en el área de estudio), ESTABLE, LABIO, FUENTE y MASA sobre las cuatro clases
de probabilidad relativa, para cada uno de los seis mapas.
Todos los mapas muestran patrones de predicción suaves sin cambios abruptos donde
ocurren los límites de las variables categóricas (es decir, litología y presencia/ausencia de
fluencia del suelo).
MARS proporciona para todos los conjuntos de datos de deslizamientos de tierra una
distribución más suave de las clases de susceptibilidad en todos los mapas (conjunto de datos
TODOS), con una frecuencia que disminuye gradualmente desde la clase más baja a la más
alta de probabilidad de deslizamientos (P). Por el contrario, a excepción del mapa SOURCE, LR
produce una frecuencia aproximadamente similar de clases P entre 0,00 y 0,75, mientras que
la clase más alta ocurre con menos frecuencia.
Los píxeles sin eventos (conjunto de datos STABLE) se discriminan mejor en el mapa
MARS­SOURCE, donde el 75% de los puntos estables tiene un nivel de susceptibilidad bajo
(es decir, P b 0,5), mientras que sólo el 67% tiene un valor P inferior a 0,5 en el LR. ­Mapa de
labios.
39
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
La validación cruzada espacial reveló que los modelos estadísticos predictivos
proporcionaron un ajuste aceptable a la distribución espacial de los deslizamientos de tierra
ocurridos en el área de estudio durante la noche entre el 31 de marzo y el 1 de abril de 2017.
Aunque los modelos MARS y LR proporcionaron una capacidad aparentemente comparable
para Para discriminar entre píxeles de eventos y no eventos en los tres conjuntos de datos de
deslizamientos de tierra (es decir, LIP, SOURCE, MASS), la prueba de rangos con signo de
Wilcoxon reveló diferencias significativas de rendimiento.
De hecho, los modelos MARS mostraron una mejor habilidad de predicción en todos los conjuntos de datos
de deslizamientos de tierra, con una diferencia media de AUC de 0,044.
La existencia de relaciones no lineales entre los predictores seleccionados y las fallas de
las pendientes en el área de estudio puede explicar el mejor ajuste de los modelos MARS a los
conjuntos de datos de deslizamientos de tierra. De hecho, los modelos LR se basan en
relaciones lineales que se aplican a todo el rango de variables explicativas, mientras que MARS
es capaz de dividir el rango de predictores en partes y ajustar a cada uno de ellos una regresión
lineal diferente. De esta manera, MARS produce una curva de respuesta suave que puede
reproducir mejor las relaciones entre los predictores y la ocurrencia de deslizamientos de tierra.
El mejor desempeño de MARS en nuestra área de estudio es consistente con los hallazgos
de algunos otros trabajos previos que compararon la capacidad de LR y MARS para predecir la
ocurrencia de deslizamientos de tierra. Conoscenti et al. encontraron una diferencia similar de
los valores medios de AUC entre LR y MARS (0,848 frente a 0,889) . (2015) en una cuenca de
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
Ecuador (Vorpahl et al., 2012). Pourghasemi y Rossi (2016) encontraron un desempeño
ligeramente mejor de MARS (AUC = 0,782) con respecto a LR (AUC = 0,775) , quienes
compararon la capacidad de cuatro técnicas estadísticas para predecir deslizamientos de tierra
ocurridos en la provincia de Mazandarn (Irán). ). Por otro lado, LR y MARS lograron la misma
precisión (AUC = 0,76) al predecir la distribución espacial de los deslizamientos en la provincia
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.
Los resultados de nuestro experimento y los de los artículos citados anteriormente sugieren
que el papel de un factor físico en el control de un proceso geomorfológico puede representarse
mejor mediante una serie de funciones locales que una única regresión lineal. En otras palabras,
los modelos predictivos simples, que normalmente se emplean para explicar las relaciones
entre factores y procesos geomorfológicos, son menos precisos que los modelos complejos,
como los proporcionados por MARS.
Con respecto a los diferentes conjuntos de datos de deslizamientos de tierra empleados
en este experimento, encontramos una precisión significativamente menor cuando los modelos
predictivos se calibraron y validaron usando píxeles de eventos muestreados de todas las
áreas de deslizamientos de tierra (es decir, conjunto de datos MASS). El mejor ajuste a los
datos de deslizamientos de tierra se encontró cuando usamos MARS con celdas de eventos
muestreadas del 10% más alto de las celdas de cada área de deslizamientos de tierra (conjunto
de datos FUENTE), mientras que no se detectó ninguna diferencia significativa de rendimiento
cuando entrenamos y probamos modelos LR con conjuntos de datos LIP y FUENTE.
La mejor capacidad de discriminación general de los píxeles LIP/SOURCE se puede
explicar considerando que sus condiciones de terreno son más específicas que las de las
células MASS. De hecho, esto último puede ocurrir en las zonas de inicio, transporte y
deposición de avalanchas y flujos de escombros que pueden caracterizarse por condiciones
heterogéneas (por ejemplo, altitud,
Machine Translated by Google

40 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43

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

habilidad predictiva de los modelos. ocurren en los mapas MARS­ y LR­SOURCE.

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
G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
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
afrontar los altos costos de las medidas estructurales para reducir los deslizamientos de tierra
riesgo. Este método permite identificar áreas propensas a deslizamientos de tierra y
Por lo tanto, podría proporcionar una valiosa ayuda para una planificación racional del uso del suelo.
destinado a minimizar las víctimas y los daños económicos.
6. Observaciones finales
En este experimento, empleamos un enfoque estocástico para predecir
la distribución espacial de las avalanchas y flujos de escombros provocados
por fuertes lluvias ocurridas en la zona de Mocoa el 1 de abril de 2017. Splines de Regresión
Adaptativa Multivariada (MARS) y Regresión Logística
(LR) fueron explotados como técnicas de modelado. Se utilizaron como variables predictoras un
conjunto de nueve atributos del terreno, además de la litología, la distancia a las fallas y la presencia/
ausencia de procesos de fluencia del suelo.
La validación de los modelos se realizó mediante una validación cruzada espacial de k veces y
calculando los valores AUC de 100 repeticiones de los modelos MARS y LR aplicados a muestras
equilibradas de píxeles con y sin eventos. El
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
línea de corona (conjunto de datos LIP), el 10% más alto de celdas de cada área de deslizamiento de tierra
(conjunto de datos FUENTE) o toda el área del deslizamiento de tierra (conjunto de datos MASS).
Se pueden extraer las siguientes conclusiones para el área de estudio de Mocoa sobre
la base de la validación de los modelos y el análisis de seis mapas de susceptibilidad que se
obtuvieron utilizando MARS y LR con los tres
conjuntos de datos sobre deslizamientos de tierra.
41
1 La precisión general de nuestros modelos puede considerarse aceptable.
(AUC N 0,7);
2 Los modelos y mapas de MARS mostraron una mejor capacidad para discriminar
entre píxeles de eventos y no eventos;
3 Tanto MARS como LR demostraron una mayor precisión cuando se emplearon para
predecir áreas de origen de deslizamientos de tierra;
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
por partes en lugar de funciones lineales individuales que se mantienen en todo el rango de
predicción.
El enfoque empleado en este experimento es relativamente simple, rápido
y puede reproducirse utilizando software y datos gratuitos habitualmente disponibles.
Se puede utilizar para preparar mapas de susceptibilidad a deslizamientos de tierra, avalanchas y
flujos de escombros que pueden ayudar a los responsables de políticas y administradores de tierras de
Colombia establecerá medidas preventivas y mitigará riesgos.
Agradecimientos
La investigación fue apoyada por los siguientes proyectos: i) CoRI
proyecto­2017 adjudicado a Christian Conoscenti y financiado por la
Universidad degli Studi di Palermo; ii) Proyecto denominado “Geología y
Geomorfología de ríos tropicales. Conocer los ríos prevenir desastres”
(código 41500) otorgado a German Vargas y financiado por el
Universidad Nacional de Colombia. Todos los autores han comúnmente
compartieron todas las fases de la investigación. Este manuscrito benefició enormemente
Machine Translated by Google
42 G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
de las amables sugerencias y comentarios del Prof. Takashi Oguchi, Prof.
Allen Bateman y un revisor anónimo.
Referencias
Aleotti, P., Chowdhury, R., 1999. Evaluación del peligro de deslizamientos de tierra: revisión resumida y nuevas
perspectivas. Toro. Ing. Geol. Reinar. 58, 21–44. https://doi.org/10.1007/s100640050066 .
Aronica, GT, Brigandí, G., Morey, N., 2012. Inundaciones repentinas y flujo de escombros en el área de la ciudad
de Messina, noreste de Sicilia, Italia, en octubre de 2009: el caso de la cuenca Giampilieri. Nat. Peligros
Sistema Tierra Ciencia. 12, 1295­1309. https://doi.org/10.5194/nhess­12­1295­2012 .
Atkinson, PM, Massari, R., 2011. Modelado autologístico de susceptibilidad a deslizamientos de tierra en los
Apeninos centrales, Italia. Geomorfología 130, 55–64. https://doi.org/10.1016/j. geomorfo.2011.02.001.
Auslander, M., Nevo, E., Inbar, M., 2003. Los efectos de la orientación de la pendiente sobre el crecimiento de
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.
Avelar, AS, Netto, ALC, Lacerda, WA, Becker, LB, Mendonça, MB, 2013. Mecanismos de los recientes
deslizamientos de tierra catastróficos en la cordillera montañosa de Río de Janeiro, Brasil BT ­ Ciencia y
práctica de deslizamientos de tierra: Volumen 4: Medio ambiente global Cambiar.
En: Margottini, C., Canuti, P., Sassa, K. (Eds.), Springer. Berlín Heidelberg, Berlín, Hei delberg, págs. 265–
270 https://doi.org/10.1007/978­3­642­31337­0_34.
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 .
Beven, KJ, Kirkby, MJ, 1979. Un modelo de hidrología de cuenca con base física y variable de área contribuyente.
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
del IV Simposio Internacional sobre Deslizamientos de Tierra. vol. 1. Toronto, Canadá, págs. 307–324.
Brenning, A., 2005. Modelos de predicción espacial para peligros de deslizamientos de tierra: revisión,
comparación y evaluación. Nat. Peligros Sistema Tierra Ciencia. 5, 853–862. https://doi.org/10.5194/
nhess­5­853­2005 .
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.
Comprensión, Proc. 11° Int. 2do Norte Am. Síntoma. Deslizamientos de Tierra Ing.
Pistas, Banff, Canadá. págs. 789–794.
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/
10.1016/j.geomorph.2006.04.003.
Bui, DT, Tuan, TA, Klempe, H., Pradhan, B., Revhaug, I., 2015. Modelos de predicción espacial para peligros de
deslizamientos de tierra poco profundos: una evaluación comparativa de la eficacia de las máquinas de
vectores de soporte, redes neuronales artificiales y logística del núcleo. regresión y árbol de modelo
logístico. Deslizamientos de tierra https://doi.org/10.1007/s10346­015­0557­6.
Cama, M., Lombardo, L., Conoscenti, C., Agnesi, V., Rotigliano, E., 2015. Predicción de eventos de flujo de
escombros provocados por tormentas: aplicación al desastre del Peloritan Jónico de 2009 (Sicilia, Italia).
Nat. Peligros Sistema Tierra Ciencia. 15, 1785–1806. https://doi.org/10.5194/nhess­15­1785­2015 .
Cama, M., Conoscenti, C., Lombardo, L., Rotigliano, E., 2016. Exploración de las relaciones entre el tamaño de
las celdas de la cuadrícula y la precisión de los modelos de susceptibilidad al flujo de escombros: una
prueba en la cuenca de Giampilieri (Sicilia, Italia). Reinar. Ciencia de la Tierra. 75. https://doi.org/10.1007/
s12665­015­5047­6 .
Cama, M., Lombardo, L., Conoscenti, C., Rotigliano, E., 2017. Mejora de las estrategias de transferibilidad para
la evaluación de la susceptibilidad a los flujos de escombros: aplicación a las cuencas de captación de
Saponara e Itala (Messina, Italia). Geomorfología 288, 52–65. https://doi.org/10.1016/j.geomorph.2017.03.025 .
Carrara, A., Cardinali, M., Guzzetti, F., Reichenbach, P., 1995. Tecnología SIG en el mapeo del peligro de
deslizamientos de tierra. En: Carrara, A., Guzzetti, F. (Eds.), Sistemas de información geográfica en la
evaluación de peligros naturales. Kluwer, Dordrecht, págs. 135­175.
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/
10.1007/s11069­013­0568­3.
Clerici, A., Perego, S., Tellini, C., Vescovi, P., 2006. Un procedimiento automatizado basado en SIG para mapear
la susceptibilidad a deslizamientos de tierra mediante el método de análisis condicional: el estudio de caso
del valle de Baganza (Apeninos del norte de Italia). Reinar. Geol. 50, 941–961. https://doi.org/10.1007/
s00254­006­0264­7 .
Conoscenti, C., Ciaccio, M., Caraballo­Arias, NA, Gómez­Gutiérrez, Á., Rotigliano, E., Agnesi, V., 2015.
Evaluación de la susceptibilidad a deslizamientos de tierra mediante regresión logística y adaptativa
multivariada splines de regresión: un caso de la cuenca del río Belice (oeste de Sicilia, Italia). Geomorfología
242, 49–64. https://doi.org/10.1016/j. geomorfo.2014.09.020.
Conoscenti, C., Rotigliano, E., Cama, M., Caraballo­Arias, NA, Lombardo, L., Agnesi, V., 2016. Explorando el
efecto de la selección de ausencia en los modelos de susceptibilidad a deslizamientos de tierra: un estudio
de caso en Sicilia, Italia. Geomorfología 261, 222–235. https://doi.org/10.1016/j. geomorfo.2016.03.006.
Conoscenti, C., Agnesi, V., Cama, M., Caraballo­Arias, NA, Rotigliano, E., 2018. Evaluación de la susceptibilidad
a la erosión de los barrancos mediante splines de regresión adaptativa multivariada y teniendo en cuenta
la conectividad del terreno. L. Degrad. Desarrollo. 29, 724–736. https://doi.org/10.1002/ldr.2772 .
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.
Geociencias. Desarrollo de modelos. 8, 1991–2007. https://doi.org/10.5194/gmd­8­1991­2015.
Costanzo, D., Cappadonia, C., Conoscenti, C., Rotigliano, E., 2012. Exportación de un modelo de susceptibilidad
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.
Crosta, GB, Dal Negro, P., 2003. Observaciones y modelado de los procesos de iniciación del flujo de desechos
del suelo en depósitos piroclásticos: el evento Sarno 1998. Nat. Peligros Sistema Tierra
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:
cuestiones de gestión de peligros. Deslizamientos de tierra 2, 247–256. https://doi.org/10.1007/
s10346­005­0019­7 .
Cruden, DM, Varnes, DJ, 1996. Tipos y procesos de deslizamientos de tierra. En: Turner, AK, Schuster, RL
(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.
Felicísimo, Á.M., Cuartero, A., Remondo, J., Quirós, E., 2013. Mapeo de la susceptibilidad a deslizamientos de
tierra con regresión logística, múltiples splines de regresión adaptativa, árboles de clasificación y regresión
y métodos de máxima entropía: una comparación estudiar. Deslizamientos de tierra 10, 175–189. https://
doi.org/10.1007/s10346­012­0320­1.
Friedman, JH, 1991. Splines de regresión adaptativa multivariada. Ana. Estadística. 19, 1–141.
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
de barrancos. Geoderma 330, 65–78. https://doi.org/10.1016/j.geoderma.2018.05.027 .
Goetz, JN, Brenning, A., Petschko, H., Leopold, P., 2015. Evaluación del aprendizaje automático y técnicas de
predicción estadística para el modelado de susceptibilidad a deslizamientos de tierra. Computadora.
Geociencias. 81, 1–11. https://doi.org/10.1016/j.cageo.2015.04.007.
Gómez­Gutiérrez, Á., Conoscenti, C., Angileri, SE, Rotigliano, E., Schnabel, S., 2015. Uso de atributos
topográficos para evaluar la propensión (susceptibilidad) a la erosión de cárcavas en dos cuencas
mediterráneas: ventajas y limitaciones. Nat. Peligros 79, 291–314. https://doi.org/10.1007/s11069­015­1703­0.
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
Turquía). Nat. Peligros 46, 323–351. https://doi.org/10.1007/s11069­007­9190­6 .
Guisan, A., Weiss, SB, Weiss, AD, 1999. Modelado espacial GLM versus CCA de especies de plantas.
distribución de cies. Ecología vegetal. 143, 107–122.
Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P., 1999. Evaluación del peligro de deslizamientos de
tierra: una revisión de las técnicas actuales y su aplicación en un estudio a múltiples escalas, Italia central.
Geomorfología 31, 181–216. https://doi.org/10.1016/S0169­555X (99)00078­1.
Heckmann, T., Gegg, K., Gegg, a., Becht, M., 2014. El tamaño de la muestra importa: investigar el efecto del
tamaño de la muestra en un modelo de susceptibilidad de regresión logística para flujos de escombros.
Nat. Peligros Sistema Tierra Ciencia. 14, 259–278. https://doi.org/10.5194/nhess­14­259­2014 .
Hosmer, DW, Lemeshow, S., 2000. Regresión logística aplicada, Serie de Wiley en probabilidad y estadística,
Serie de Wiley en probabilidad y estadística: Sección de textos y referencias. Wiley https://doi.org/10.1198/
tech.2002.s650.
Hungr, O., Leroueil, S., Picarelli, L., 2014. La clasificación de Varnes de tipos de deslizamientos de tierra, una
actualización. Deslizamientos de tierra 11, 167–194. https://doi.org/10.1007/s10346­013­0436­y.
Jebur, MN, Pradhan, B., Tehrany, MS, 2014. Optimización de los factores condicionantes de deslizamientos de
tierra utilizando datos de escaneo láser aéreo (LiDAR) de muy alta resolución a escala de cuenca.
Sensores remotos. Medio ambiente. 152, 150–165. https://doi.org/10.1016/j. rse.2014.05.013.
Köthe, R., Lehmeier, F., 1996. SARA ­ System zur Automatischen Relief­Analyse, Benutzerhandbuch.
Departamento de Geografía, Universidad de Göttingen, Göttingen.
Larsen, MC, 2008. Deslizamientos de tierra provocados por lluvias, peligros antropogénicos y estrategias de
mitigación. Adv. Geociencias. 14, 147­153. https://doi.org/10.5194/adgeo­14­147­2008.
Larsen, MC, Wieczorek, GF, 2006. Efectos geomórficos de grandes flujos de escombros y destellos.
inundaciones, norte de Venezuela, 1999. Z. Geomorphol. 145, 147–175.
Lóczy, D., Pirkhoffer, E., Gyenizse, P., 2012. Clasificación geomorfométrica de llanuras aluviales en una región
montañosa de Hungría. Geomorfología 147–148, 61–72. https://doi.org/10.1016/j. geomorfo.2011.06.040.
Lombardo, L., Cama, M., Maerker, M., Rotigliano, E., 2014. Una prueba de transferibilidad para modelos de
susceptibilidad a deslizamientos de tierra en eventos climáticos extremos: aplicación al desastre de Mesina
2009. Nat. Peligros, 1951–1989 https://doi.org/10.1007/s11069­014­1285­2 .
Lombardo, L., Cama, M., Conoscenti, C., Märker, M., Rotigliano, E., 2015. La regresión logística binaria versus
el gradiente estocástico impulsó los árboles de decisión en la evaluación de la susceptibilidad a
deslizamientos de tierra para eventos de deslizamientos de tierra de ocurrencia múltiple: aplicación a la
tormenta de 2009 en Messina (Sicilia, sur de Italia). Nat. Peligros 79, 1621–1648. https://doi. org/10.1007/
s11069­015­1915­3.
Mathew, J., Jha, VK, Rawat, GS, 2009. Mapeo de zonificación de susceptibilidad a deslizamientos de tierra y su
validación en parte de Garhwal Lesser Himalaya, India, utilizando análisis de regresión logística binaria y
método de curva característica operativa del receptor. Deslizamientos de tierra 6, 17­26. https://doi.org/
10.1007/s10346­008­0138­z.
Milborrow, S., 2015. Notas sobre el paquete Tierra. Documento WWW http://www.milbo.
org/doc/earth­notes.pdf (consultado el 15/07/15).
Naimi, B., 2015. Análisis de incertidumbre para modelos de distribución de especies (R Software
Paquete).
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
susceptibilidad a deslizamientos de tierra. Ing. Geol. 97, 171–191. https://doi. org/10.1016/
j.enggeo.2008.01.004.
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.
Pourghasemi, HR, Rossi, M., 2016. Modelado de susceptibilidad a deslizamientos de tierra en un área propensa
a deslizamientos de tierra en la provincia de Mazandarn, al norte de Irán: una comparación entre los
métodos GLM, GAM, MARS y M­AHP. Teor. Aplica. Climatol. https://doi.org/10.1007/s00704­016­1919­2 .
R Core Team, 2017. R: Un lenguaje y entorno para la informática estadística.
Machine Translated by Google
G. Vargas­Cuervo et al. / Geomorfología 339 (2019) 31–43
Regmi, NR, Giardino, JR, McDonald, EV, Vitek, JD, 2014. Una comparación de modelos de susceptibilidad a
deslizamientos de tierra basados en regresión logística en el oeste de Colorado, EE. UU.
Deslizamientos de tierra 11, 247–262. https://doi.org/10.1007/s10346­012­0380­2.
Reichenbach, P., Rossi, M., Malamud, BD, Mihir, M., Guzzetti, F., 2018. Una revisión de modelos de
susceptibilidad a deslizamientos de tierra con base estadística. Ciencias de la Tierra Rev. 180, 60–91.
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
evaluación de modelos de susceptibilidad a deslizamientos de tierra: una prueba en la cadena de Sicilia.
Nat. Peligros 58, 981–999. https://doi.org/10.1007/s11069­010­9708­1.
Rotigliano, E., Martinello, C., Agnesi, V., Conoscenti, C., 2018. Evaluación de la susceptibilidad al flujo de
escombros en El Salvador (CA): una comparación entre splines de regresión adaptativa multivariada
(MARS) y regresión logística binaria (BLR). Geogr. húngaro. Toro. 67, 361–373. https://doi.org/10.15201/
hungeobull.67.4.5.
Ruß, G., Brenning, A., 2010. Inteligencia computacional para el diseño de sistemas basados en el
conocimiento, notas de conferencias en informática (incluidas las subseries Lecture Notes in Artificial
Intelligence y Lecture Notes in Bioinformatics). Apuntes de conferencias sobre informática.
Springer Berlin Heidelberg, Berlín, Heidelberg https://doi.org/10.1007/978­3­642­14049­5 .
Süzen, ML, Doyuran, V., 2004. Evaluación bivariada de susceptibilidad a deslizamientos de tierra basada en
datos utilizando sistemas de información geográfica: un método y una aplicación a la cuenca de Asarsuyu,
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
43
umbral topográfico. Surf de la Tierra. Proceso. Accidentes geográficos 37, 607–619. https://doi.org/10.1002/
esp.2273 .
Trigila, A., Iadanza, C., Esposito, C., Scarascia­Mugnozza, G., 2015. Comparación de técnicas de regresión
logística y bosques aleatorios para la susceptibilidad a deslizamientos de tierra poco profundos como
evaluación en Giampilieri (NE Sicilia, Italia). Geomorfología https://doi.org/10.1016/j. geomorfo.2015.06.001.
Van Den Eeckhaut, M., Vanwalleghem, T., Poesen, J., Govers, G., Verstraeten, G., Vandekerckhove, L., 2006.
Predicción de la susceptibilidad a deslizamientos de tierra mediante regresión logística de eventos raros:
un estudio de caso en las Ardenas Flamencas (Bélgica). Geomorfología 76, 392–410. https://doi.org/
10.1016/j.geomorph.2005.12.003.
Van Den Eeckhaut, M., Hervás, J., Jaedicke, C., Malet, JP, Montanarella, L., Nadim, F., 2012.
Modelización estadística de la susceptibilidad a los deslizamientos de tierra en toda Europa utilizando datos limitados de
inventario de deslizamientos de tierra. Deslizamientos de tierra 9, 357–369. https://doi.org/10.1007/s10346­011­0299­z.
Vorpahl, P., Elsenbeer, H., Märker, M., Schröder, B., 2012. ¿Cómo pueden los modelos estadísticos ayudar a
determinar los factores impulsores de los deslizamientos de tierra? Ecológico. Modelo. 239, 27–39. https://
doi.org/10.1016/j.ecolmodel.2011.12.007 .
Wilson, JP, Gallant, JC, 2000. Análisis del terreno: principios y aplicaciones. Wiley e hijos,
Inc., Canadá.
Zevenbergen, LW, Thorne, CR, 1987. Análisis cuantitativo de la topografía de la superficie terrestre.
Surf de la Tierra. Proceso. Accidentes geográficos 12, 47–56.