logo

Influencia de la Heterogeneidad Espacial en la Evaluación de la Susceptibilidad por Movimientos en Masa

10.24050/reia.v23i45.1859
Publicado 2026-01-01
Artículos

Resumen

Este estudio explora la incorporación de la heterogeneidad espacial en la modelización de la susceptibilidad a deslizamientos en el complejo relieve de los Andes colombianos. Los datos utilizados incluyen un conjunto de 13,777 deslizamientos registrados entre 1970 y 2023, obtenidos a partir de imágenes ópticas de alta resolución, así como datos de precipitación del conjunto CHIRPS. Información espacial adicional, como la cobertura del suelo, fue derivada a partir de imágenes Sentinel-2 procesadas en Google Earth Engine. Estas diversas fuentes de datos geoespaciales se integraron para proporcionar una comprensión integral de los factores que influyen en la susceptibilidad a deslizamientos. Mediante la aplicación de la Regresión Geográficamente Ponderada (GWR) y su extensión, la Regresión Geográficamente Ponderada Multibanda (MGWR), demostramos mejoras significativas en la capacidad de los modelos para capturar la variabilidad local y mejorar la precisión predictiva. GWR y MGWR permiten identificar patrones espacialmente diferenciados y escalas específicas de influencia para cada predictor, lo que conduce a una representación más precisa de la susceptibilidad a deslizamientos y resalta la necesidad de adaptar los modelos al contexto geográfico particular de cada región. No obstante, el estudio también subraya la importancia de una selección cuidadosa del ancho de banda para evitar sobreajustes y garantizar la estabilidad del modelo. A pesar de las ventajas de GWR y MGWR, se identificaron limitaciones, como una alta complejidad computacional y problemas de colinealidad local, que pueden afectar la interpretación y confiabilidad de los resultados.

Palabras clave

Categorías

Autores/as

  • Edier Aristizábal

    Universidad Nacional de Colombia

Referencias

Anselin, L. (1990). Spatial dependence and spatial structural instability in applied regression analysis. Journal of Regional Science, 30(2), pp. 185–207. https://doi.org/10.1111/j.1467-9787.1990.tb00092.x

Anselin, L.; Griffith, D.A. (1988). Do spatial effects really matter in regression analysis? Papers in Regional Science, 65(1), pp. 11–34. https://doi.org/10.1007/BF01954404

Aristizábal, E.; García, E.; Martínez, C. (2015). Susceptibility assessment of shallow landslides triggered by rainfall in tropical basins and mountainous terrains. Natural Hazards, 78(1), pp. 621–634. https://doi.org/10.1007/s11069-015-1742-0

Brunsdon, C.; Fotheringham, A.S.; Charlton, M.E. (1996). Geographically weighted regression: a method for exploring spatial nonstationarity. Geographical Analysis, 28(4), pp. 281–298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x

Corominas, J.; Van Westen, C.; Frattini, P.; Cascini, L.; Malet, J.P.; Fotopoulou, S.; Catani, F.; Van Den Eeckhaut, M.; Mavrouli, O.; Agliardi, F.; Pitilakis, K.; Winter, M.G.; Pastor, M.; Ferlisi, S.; Tofani, V.; Hervás, J.; Smith, J.T. (2014). Recommendations for the quantitative analysis of landslide risk. Bulletin of Engineering Geology and the Environment, 73, pp. 209–263. https://doi.org/10.1007/s10064-013-0538-8

Dai, F.C.; Lee, C.F.; Li, J.; Xu, Z.W. (2001). Assessment of landslide susceptibility on the natural terrain of Lantau Island, Hong Kong. Environmental Geology, 40, pp. 381–391. https://doi.org/10.1007/s002540000163

Fotheringham, A.S.; Yang, W.; Kang, W. (2017). Multiscale geographically weighted regression (MGWR). Annals of the American Association of Geographers, 107(6), pp. 1247–1265. https://doi.org/10.1080/24694452.2017.1352480

Funk, C.; Peterson, P.; Landsfeld, M.; Pedreros, D.; Verdin, J.; Shukla, S.; Husak, G.; Rowland, J.; Harrison, L.; Hoell, A.; Michaelsen, J. (2015). The Climate Hazard Group InfraRed Precipitation with Station Data (CHIRPS). Bulletin of the American Meteorological Society, 96, pp. 1401–1419. https://doi.org/10.1175/BAMS-D-13-00047.1

Guo, L.; Ma, Z.; Zhang, L. (2008). Comparison of bandwidth selection in application of geographically weighted regression: a case study. Canadian Journal of Forest Research, 38(9), pp. 2526–2534. https://doi.org/10.1139/X08-091

Guzzetti, F.; Carrara, A.; Cardinali, M.; Reichenbach, P. (1999). Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy. Geomorphology, 31(1–4), pp. 181–216. https://doi.org/10.1016/S0169-555X(99)00078-1

Korup, O.; Stolle, A. (2014). Landslide prediction from machine learning. Geology Today, 30(1), pp. 26–33. https://doi.org/10.1111/gto.12034

Lee, Y.; Nelder, J.A. (1996). Hierarchical generalized linear models. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58(4), pp. 619–656. https://doi.org/10.1111/j.2517-6161.1996.tb02105.x

Lombardo, L.; Opitz, T.; Ardizzone, F.; Guzzetti, F.; Huser, R. (2020). Space-time landslide predictive modelling. Earth-Science Reviews, 209, p. 103318. https://doi.org/10.1016/j.earscirev.2020.103318

Nkeki, F.N.; Asikhia, M.O. (2019). Geographically weighted logistic regression approach to explore the spatial variability in travel behaviour and built environment interactions. Applied Geography, 108, pp. 47–63. https://doi.org/10.1016/j.apgeog.2019.05.006

Oshan, T.M.; Li, Z.; Kang, W.; Wolf, L.J.; Fotheringham, A.S. (2019). mgwr: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale. ISPRS International Journal of Geo-Information, 8(6), p. 269. https://doi.org/10.3390/ijgi8060269

Tehrani, F.S.; Pradhan, B.; Mansor, S.; Ahmad, N.; Sameen, M.I. (2022). Machine learning and landslide studies: recent advances and applications. Natural Hazards, 114(2), pp. 1197–1245. https://doi.org/10.1007/s11069-022-05436-8

Wong, G.Y.; Mason, W.M. (1985). The hierarchical logistic regression model for multilevel analysis. Journal of the American Statistical Association, 80(391), pp. 513–524. https://doi.org/10.1080/01621459.1985.10478128

Estadísticas

Resumen
0
Accesos al PDF
0

Dimensions

PlumX

Descargas

Los datos de descarga aún no están disponibles.