Serie Correlación Geológica 33
Predictibilidad de riesgos geomorfológicos en el sistema hidroeléctrico Necaxa, Sierra Norte de Puebla, México
José Ramón Hernández Santana | Frank Gustavo García Rodríguez
Descargar trabajo en formato PDFResumen
La segmentación multiescala y la clasificación orientada a objetos, han demostrado buenos resultados en el inventario de deslizamientos. La combinación de los anteriores métodos y técnicas de minería de datos han permitido desarrollar procedimientos de evaluación de peligros basados en mapas de susceptibilidad para mejorar la calificación de las predicciones de amenazas por deslizamientos en la porción media de la cuenca hidrográfica del río Necaxa, donde se localiza el Sistema Hidroeléctrico Necaxa, Puebla, México. Los resultados obtenidos se contrastaron mediante los modelos de índice de frecuencia, índice de entropía, Classification and Regresion Trees y Multivariate Adaptive Regression Splines. La importancia de los modelos se evaluó mediante el área bajo las curvas características operativas del receptor y se utilizaron para comparar la heterogeneidad espacial de las unidades tipológicas. Las probabilidades máximas y mínimas alcanzadas, 0.87246 y 0.728410 respectivamente, permiten concluir la validez de la metodología empleada.
Abstract
PREDICTIBILITY OF GEOMORPHOLOGICAL RISKS IN THE NECAXA HYDROELECTRIC SYSTEM, SIERRA NORTE DE PUEBLA, MEXICO. This paper tries to state how landslides can be treated as objects in a contextual analysis. The goal of this research project is to provide a framework that integrates some existing models. Multi scale segmentation and Object-oriented analysis (OOA) have shown good results in the landslide inventory. The combination of the above methods and data mining techniques have allowed for hazard assessment procedures based on susceptibility maps to improve predictions rating landslide threats in the middle portion of the Necaxa River basin. The results were contrasted by the models of frequency ratio, entropy ratio, classification and regression trees and multivariate adaptive regression splines. The models performance were evaluated using the area under the receiver operating characteristic curve (AUC), at time statistic were used to compare the spatial heterogeneity of the typological units. The maximum and minimum probabilities of quality achieved, 0.87246 and 0.728410 respectively, allow us to conclude the validity of the methodology used.
