Tčnicas para la prediccin̤ espacial de zonas susceptibles a deslizamientos
Si bien las tčnicas implementadas para predecir zonas susceptibles a procesos de remocin̤ en masa han logrado modelar con cierto grado de precisin̤ casos de deslizamientos, no logran modelar eventos complejos, donde la relacin̤ entre los deslizamientos y sus factores desencadenantes no presentan un...
Saved in:
| Other Authors: | , , |
|---|---|
| Format: | Book |
| Language: | Spanish |
| Subjects: | |
| Online Access: | Tčnicas para la prediccin̤ espacial de zonas susceptibles a deslizamientos |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
| LEADER | 00000nam a22000004a 4500 | ||
|---|---|---|---|
| 001 | vpro3193 | ||
| 005 | 20201223000000.0 | ||
| 008 | 120912s2020 ck # g## #001 0#spa#d | ||
| 020 | |a 2619-6581 (versin̤ electrn̤ica); 1794-4953 (versin̤ impresa) | ||
| 022 | |||
| 040 | |a CO-BoINGC | ||
| 041 | 0 | |a spa | |
| 245 | 1 | 0 | |a Tčnicas para la prediccin̤ espacial de zonas susceptibles a deslizamientos |
| 246 | |a Spatial prediction Techniques for landslide-prone areas | ||
| 264 | |a Bogot ̀(Colombia) : |b Revista VirtualPRO, |c 2020 | ||
| 520 | 3 | |a Si bien las tčnicas implementadas para predecir zonas susceptibles a procesos de remocin̤ en masa han logrado modelar con cierto grado de precisin̤ casos de deslizamientos, no logran modelar eventos complejos, donde la relacin̤ entre los deslizamientos y sus factores desencadenantes no presentan un comportamiento lineal. Lo anterior se debe a ausencia de estructuras de dependencia espacio-temporal que permitan evaluar efectos espaciales (autocorrelacin̤ y heterogeneidad); por lo tanto, la interpretacin̤ de los resultados suele ser errada y lleva a una menor confiabilidad. Dado lo anterior, el objetivo del artc̕ulo es brindar un documento sl̤ido que ofrezca una perspectiva general y detallada de las tčnicas de prediccin̤ espacial; al tiempo que se propone una metodologa̕ innovadora que permita utilizar las bondades del aprendizaje automt̀ico y la estads̕tica espacial, con el props̤ito de mejorar el desempeǫ predictivo de zonas susceptibles a deslizamientos.Introduccin̤De acuerdo con las estads̕ticas presentadas por el Centro de Investigacin̤ sobre la Epidemiologa̕ de los Desastres, en los l͠timos decenios se han presentado, en promedio, 380 desastres de origen natural alrededor del mundo. Del total de desastres, el 53 % son eventos de origen hidrometeorolg̤ico de los cuales las inundaciones corresponden al 82,8 %, y los movimientos en masa detonados por lluvias, al 17,2 %, que han afectado a ms̀ de 196 millones de personas y dejado přdidas econm̤icas superiores a los 406.300 millones de dl̤ares [1]. Del total de eventos, los movimientos en masa representan el 17,2 % [2].En aǫs recientes, la prediccin̤ de procesos de remocin̤ en masa ha tomado mayor importancia, entre geocientf̕icos, profesionales de ingeniera̕ y, en general, en la comunidad mundial [3]. La principal razn̤ se debe a un aumento significativo de deslizamientos como consecuencia de cambios en los regm̕enes de precipitacin̤ [4] y [5], asentamientos en zonas de alta pendiente, actividad antrp̤ica [6] y ss̕mica, erosin̤ [7], deforestacin̤ [8], entre otras.Como consecuencia, desde los aǫs setenta los esfuerzos se han enfocado en predecir zonas susceptibles a movimientos en masa, con el fin de mitigar impactos sobre la poblacin̤ y el ambiente. Adems̀, tales esfuerzos han aumentado en popularidad con el desarrollo de los sistemas de informacin̤ geogrf̀ica (SIG) y las tecnologa̕s de computacin̤ [9]. Lo anterior ha dado como resultado una serie de tčnicas que han buscado optimizar y mejorar la precisin̤ en la prediccin̤ de zonas susceptibles a deslizamientos alrededor del mundo.Desde este escenario, el objetivo del presente artc̕ulo es brindar un documento sl̤ido que ofrezca una perspectiva general de las tčnicas de prediccin̤ de movimientos en masa, para, finalmente, proponer una metodologa̕ innovadora que permita utilizar las bondades del aprendizaje automt̀ico y la estads̕tica espacial, con el props̤ito de mejorar el desempeǫ predictivo de zonas susceptibles a procesos de remocin̤ en masa.AntecedentesLas tčnicas para predecir procesos de remocin̤ en masa pueden dividirse en dos grupos: mťodos cualitativos y mťodos cuantitativos. Los primeros se basan en el conocimiento e incorporan la experticia especf̕ica de quien determina el grado y susceptibilidad a la presencia de movimientos en masa, combinando mapas, capas u otra informacin̤ que sea clave para la caracterizacin̤ del deslizamiento [10]-[15], como son procesos de jerarqua̕ analt̕ica y anl̀isis heurs̕tico (anl̀isis geomorfolg̤ico y combinacin̤ cuantitativa de mapas). Entre tanto, los mťodos cuantitativos incorporan el anl̀isis estads̕tico y probabils̕tico o siguen enfoques deterministas [16] y [17] (figura 1). | |
| 650 | \ | \ | |a Sistema de informacin̤ geogrf̀ica SIG |
| 650 | \ | \ | |a Prevencin̤ de desastres |
| 650 | \ | \ | |a Deslizamiento de tierra |
| 650 | \ | \ | |a Geographical information systems GIS |
| 650 | \ | \ | |a Disaster prevention |
| 650 | \ | \ | |a Landslides |
| 650 | \ | \ | |a Deslizamientos |
| 650 | \ | \ | |a algoritmos de prediccin̤ |
| 650 | \ | \ | |a mq̀uina de aprendizaje |
| 650 | \ | \ | |a SIG |
| 650 | \ | \ | |a anl̀isis geoespacial. |
| 650 | \ | \ | |a Landslide |
| 650 | \ | \ | |a Prediction algorithms |
| 650 | \ | \ | |a Machine Learning |
| 650 | \ | \ | |a GIS |
| 650 | \ | \ | |a Geospatial analysis |
| 700 | \ | \ | |a Florez Garca̕ Andrš Camilo |
| 700 | \ | \ | |a Přez Castillo Jos ̌Nelson |
| 700 | \ | \ | |a Universidad Libre, Bogot̀ |
| 856 | |z Tčnicas para la prediccin̤ espacial de zonas susceptibles a deslizamientos |u https://virtualpro.unach.elogim.com/biblioteca/tecnicas-para-la-prediccion-espacial-de-zonas-susceptibles-a-deslizamientos | ||