Análisis Espacial de Vecindad Continua y regresión logística en el modelado espacial de probabilidad de ocurrencia de deslizamientos

Abstract

Este trabajo presenta un análisis comparativo de dos modelos estadísticos de probabilidad de procesos gravitacionales (PG) aplicando regresión logística (RL), utilizando la variable pendiente del terreno. En un primer modelo se analizó información in situ de sitios con deslizamientos y áreas estables; en el segundo, se analizó la información de los mismos sitios utilizando Análisis Espacial de Vecindad Continua (AEVC). La precisión que reportaron ambos modelos (in situ y AEVC), se evaluó estadísticamente con la medida de ajuste de -2 Logaritmo de la Verosimilitud (-2LL).Para la calibración de los modelos se utilizó un inventario de deslizamientos y el Continuo de Elevación Mexicano versión 3.0 (CEM 3.0) del Instituto Nacional de Estadística y Geografía (INEGI).Los resultados muestran que utilizando la información de las áreas de vecindad se obtiene un mayor nivel de ajuste de la ecuación en comparación con el modelo elaborado utilizando la información in situ.El valor de -2LL para el modelo con datos de vecindad fue de 264.312 y para los datos in situ fue de 269.573. Del mismo modo, la tabla de clasificación global del modelo de vecindad reportó un 58.5 %, mientras que para el análisis in situ fue de 51.8 %, lo anterior muestra un aumento de la correcta clasificación en el modelo estadístico del 6.7 % al utilizar el análisis de vecindad.El área de estudio es la cuenca del río La Ciénega, ubicada en la ladera este del volcán Nevado de Toluca, en el Estado de México.

Modeling Spatial Landslide Probability in Volcanic Terrains Through Continuous Neighborhood Spatial Analysis and Multiple Logistic Regression in La Ciénega Watershed, Nevado de Toluca, Mexico

“…The model is calibrated by using variables that are collected at the site of the sampling point (herein termed MLR-in situ) (Abdulah and Yulianti 2015; Eskandarj and Chuvieco 2015; Hair et al 1999;Tayyebi et al 2010;Xiong and Zuo 2018); this implies an isolation of the point where the information is acquired in relation to its environment, since values from the surrounding area are not considered (Castro 2020;Castro and Legorreta 2019). The isolation of the sites excludes a large amount of spatial data from the study area, resulting in the calibration of the model with a minimal amount of information.…”

“…The isolation of the sites excludes a large amount of spatial data from the study area, resulting in the calibration of the model with a minimal amount of information. To address the above de ciency, MLR is combined with Continuous Neighborhood Spatial Analysis (CNSA), which integrates information from the neighboring areas of the sampling sites in unstable and stable terrains (Castro 2017(Castro , 2020Castro and Legorreta 2019). This model is herein called MLR-CNSA.…”

“…In the study area, La Ciénega watershed, Mexico, identi cation of potential areas for landslides and debris ows by multicriteria analysis has shown a 75% match with the landslide inventory (Aceves et al 2014a), and landslide frequency per landform has been analyzed (García et al 2018). MLR with CNSA evaluated the slope values from the in situ focus to a distance of 20 pixels in order to select the size of the neighborhood area that would produce the best probability model (Castro and Legorreta 2019). However, there has been no assessment of the e cacy of using multiple predictive variables in the MLR-CNSA model to predict landslide susceptibility.…”