Análisis espacial de la susceptibilidad a
deslizamientos con uso de geomática en la vía E20 Alóag-Santo Domingo
Spatial analysis of landslide susceptibility using
geomatics along the E20 Alóag–Santo Domingo Roa=
d,
Ecuador
|
1 |
Alexis
Gonzalo Cifuentes Moya |
|
https://orcid.org/0009-0008-5670-1697<= o:p> |
|
|
|
Universidad
Estatal de Bolívar (UEB), Guaranda, Ecuador. Maestría
en Prevención y Gestión de Riesgos |
|||
|
2 |
Luis
Hernán Villacís Taco |
|
https://orcid.org/0000-0002-7062-4471<= o:p> |
|
|
|
Universidad
Estatal de Bolívar (UEB), Guaranda, Ecuador. |
|
|
Artículo de Investigación Científica y Tecnológica Enviado: 14/01/2026 Revisado: 10/02/2026 Aceptado: 18/03/2026 Publicado: 08/04/2026 |
|||||||
|
|
|
|||||||
|
Cítese: |
Cifuentes Moya, A. G., &
Villacís Taco, L. H. (2026). Análisis espacial de la susceptibilidad a
deslizamientos con uso de geomática en la vía E20 Alóag-Santo Domingo. |
|
||||||
|
|
|
CONCI=
ENCIA
DIGITAL, =
es una
revista multidisciplinar, trimestral, que se publicará en soporte
electrónico tiene como misión contribuir a la formació=
n de
profesionales competentes con visión humanística y crítica que sean capac=
es
de exponer sus resultados investigativos y científicos en la misma medida=
que
se promueva mediante su intervención cambios positivos en la sociedad. https://concienciadigital.o=
rg =
La
revista es editada por la Editorial Ciencia Digital (Editorial de prestig=
io
registrada en la Cámara Ecuatoriana de Libro con No de Afiliación 663) www.celibro.org.ec |
|
|||||
|
|
|
Esta revista está protegida ba=
jo
una licencia Creative Commons en la 4.0
International. Copia de la licencia: http://creativecommons.org/licenses/by-n=
c-sa/4.0/ |
|
|||||
|
Palabras claves: Susceptibilidad, deslizamiento, geomática,
sistemas de información geográfica, sensores remotos. |
|
Resumen Introducción:
la vía que conecta Alóag–Santo Domingo es uno de los ejes que conecta las
regiones costa y sierra del Ecuador, presenta alta recurrencia de desliza=
mientos
debido a condiciones geomorfológicas, climáticas y antrópicas, mientras q=
ue
la información existente resulta limitada y poco dinámica; en este contex=
to,
la geomática y la teledetección permiten generar cartografía actualizada =
para
la identificación de zonas críticas. Objetivos: Analizar espacialm=
ente
la vulnerabilidad a deslizamientos en la vía Alóag–Santo Domingo, durante=
el
período julio 2024 – junio 2025, mediante el uso geomática para generar c=
artografía
técnica y especializada que permita delimitar zonas críticas. Metodolo=
gía:
el estudio se realizó utilizando un diseño no experimental, transvers=
al y
correlacional con enfoque mixto. Para procesar y descargar datos de senso=
res
remotos (SRTM, CHIRPS, Sentinel-1 y Sentinel-2), se utilizó Google Earth Engine. Las varia=
bles se
normalizaron a través de la lógica difusa para realizar un análisis
multicriterio y evaluar la susceptibilidad, que fue validada usando métri=
cas
estadísticas como tasa de éxito y AUC. Resultados: las variables c=
on
mayor peso fueron la pendiente, acumulación de flujo y orientación, con un
índice de consistencia AHP de 0.04, las métricas de validación indicaron =
un
AUC de 0.82 y un 85.71% de deslizamientos concentrados en zonas de alta y=
muy
alta susceptibilidad. Conclusiones: la integración de geomática,
análisis multicriterio y lógica difusa permite generar modelos robustos,
reproducibles y actualizables para la evaluación de susceptibilidad, sien=
do
una metodología replicable que fortalece la gestión preventiva del riesgo=
.
Área de estudio general: Ambiente. Área de estudio específica: Gestión
de Riesgos y Desastres Naturales. Tipo de artículo: Artículo origi=
nal. |
|
|||||
|
Keywords: Susceptibility, landslide, geomatics, geographic information system=
s, remote
sensing. |
|
Abstract Introduction:
The road connecting Alóag and Santo Domingo i=
s one
of the main routes linking Ecuador’s coastal and highland regions. It
experiences frequent landslides due to geomorphological, climatic, and
anthropogenic factors, while existing information is limited and outdated=
. In
this context, geomatics and remote sensing enable the creation of up-to-d=
ate
maps for identifying critical areas. Objectives: To spatially anal=
yze
landslide vulnerability along the Alóag–Santo
Domingo Road during the period July 2024–June 2025, using geomatics to
generate technical and specialized maps that enable the delineation of
critical zones. Methodology: The study was conducted using a
non-experimental, cross-sectional, and correlational design with a
mixed-methods approach. Google Earth Engine was used to process and downl=
oad
remote sensing data (SRTM, CHIRPS, Sentinel-1, and Sentinel-2). The varia=
bles
were normalized using fuzzy logic to perform a multi-criteria analysis and
assess susceptibility, which was validated using statistical metrics such=
as
the success rate and AUC. Results: The variables with the highest
weights were slope, flow accumulation, and aspect, with an AHP consistency
index of 0.04; validation metrics indicated an AUC of 0.82 and 85.71% of
landslides concentrated in areas of high and exceedingly high susceptibil=
ity.
Conclusions: The integration of geomatics, multi-criteria analysis,
and fuzzy logic enables the creation of robust, reproducible, and updatab=
le
models for assessing vulnerability, providing a replicable methodology th=
at
strengthens preventive risk management. General Area of Study:
Environment. Specific area of study: Risk and Natural Disaster
Management. Type of study: Original article. |
|
|||||
<=
![if !supportLists]>1. Introducción
La vía E20 Alóag–Santo
Domingo es uno de los caminos más importantes de Ecuador, ya que une
directamente la sierra con la costa, facilitando el comercio entre provinci=
as,
el transporte de viajeros y la entrega de productos hacia el puerto de
Guayaquil y otras ciudades. No obstante, este trayecto de cerca de 93
kilómetros enfrenta constantes problemas de inestabilidad en las laderas, q=
ue
se producen principalmente en forma de deslizamientos de tierra de diferent=
es
tamaños. Estos incidentes provocan cortes en las carreteras, pérdidas de vi=
das,
daños a la propiedad y costos económicos importantes para el Estado, las
comunidades cercanas y los sectores productivos que dependen de este camino=
.
En la literatura a esca=
la
global, la geomática mostro un alto potencial para evaluar la susceptibilid=
ad a
deslizamientos, gracias a la fusión de datos satelitales de acceso libre,
modelos digitales de elevación y series temporales climáticas que se proces=
an a
través de plataformas de análisis masivo como Google Earth Engine . Varios autores han utilizado técnicas c=
omo
la interferometría SAR, índices espectrales y análisis multicriterio para
identificar áreas críticas, alcanzando logros importantes en la predicción y
monitoreo de movimientos en masa . En el ámbito regional, investigaciones =
en
Ecuador utilizo índices de vegetación, análisis de pendientes y modelos de
decisión multicriterio, obteniendo resultados que favorecen el ordenamiento
territorial y la planificación preventiva en áreas de alta montaña y corred=
ores
viales .
En particular, para la
carretera Alóag–Santo Domingo, estudios anteriores señalaron áreas que se v=
en
afectadas de forma habitual y han sugerido modelos predictivos que utilizan
lógica difusa, correlaciones con lluvias y caracterización geotécnica a tra=
vés
de drones . Lastimosamente los datos producidos son fragmentarios y en muchos
casos están desactualizados, lo que restringe su uso para una gestión proac=
tiva
del riesgo.
Aunque la Secretaría
Nacional de Gestión de Riesgos y los Gobiernos Autónomos Descentralizados
desarrollo diversos esfuerzos orientados a la generación de información y
cartografía técnica sobre la región, la mayoría de estos productos no
posibilitan una actualización o un seguimiento dinámico a lo largo del tiem=
po,
pues su creación es estática. En este marco, se enfatiza la importancia de
incluir instrumentos tecnológicos que permitan crear cartografía reproducib=
le y
fiable. Según esta perspectiva, el objetivo principal de este trabajo es
examinar la vulnerabilidad a deslizamientos en la carretera Alóag - Santo
Domingo entre julio de 2024 y junio de 2025.
La selección de este
período específico se basa en dos condiciones climáticas extremas histórica=
s a
nivel nacional, con un segundo semestre de 2024 caracterizado por una sequía
que provocó una crisis energética a nivel nacional y una presión sobre los =
ecosistemas
, En otro extremo se ubicó el primer seme=
stre
de 2025, donde predominaron precipitaciones intensas que causaron numerosos
eventos adversos por lluvias, afectando a 23 provincias, 176 cantones y 514
parroquias . Estos episodios extremos de variación en
las condiciones climáticas permiten un análisis bajo escenarios que amplifi=
can
los factores condicionantes y desencadenantes de deslizamientos.
Este estudio no solo
pretende generar cartografía de susceptibilidad actualizada, sino también
aportar al avance metodológico acerca del uso de geomática en la gestión de=
y
reducción de los riesgos de desastres en Ecuador. La técnica aplicada tiene=
la
posibilidad de ser reproducida en otros corredores estratégicos del país, ya
que se basa en datos abiertos y plataformas de acceso libre. Esto reforzarí=
a el
fortalecimiento de la resiliencia comunitaria y el desarrollo de tácticas
preventivas ante un riesgo que se presenta repetidamente en la infraestruct=
ura
vial nacional.
2. Metodología
El estudio presenta un diseño no experimental y de
corte transversal, ya que busca caracterizar la susceptibilidad a
deslizamientos en el corredor vial Alóag-Santo Domingo mediante la observac=
ión
y análisis de variables geoespaciales en su entorno natural sin manipular l=
os
factores condicionantes .
El tipo de investigación es descriptivo y correlacional, orientado a detall=
ar
la influencia de parámetros morfométricos, climáticos y de cobertura median=
te
el uso de sensores remotos.
La modalidad es documental y tecnológica, sustenta=
da
en el procesamiento de información primaria de las constelaciones Sentinel-=
1,
Sentinel-2, SRTM y CHIRPS dentro de la plataforma Google
Earth Engine
Las técnicas de investigación aplicadas fueron la
teledetección y el análisis espacial automatizado, utilizando como instrume=
ntos
matrices de comparación por pares basadas en la escala de Saaty
(1977) y algoritmos de validación estadística como la tasa de éxito, índice=
de
concentración y el Área Bajo la Curva (AUC), contrastados con el
inventario histórico de eventos de la Secretaría de Gestión de Riesgos.
<=
![if !supportLists]>2.1.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:115%;mso-fareast-font-fa=
mily:
Aptos;mso-font-kerning:1.0pt;mso-ligatures:standardcontextual;mso-ansi-lang=
uage:
ES-EC;mso-fareast-language:EN-US'> Delimitación del área de estudio
Se tomó como área de
análisis el tramo de la vía E20 entre Alóag y Santo Domingo, con base en la
cartografía de <=
span
lang=3DEN-US style=3D'font-size:12.0pt;line-height:115%;font-family:"Times =
New Roman",serif;
mso-fareast-font-family:Aptos;mso-font-kerning:1.0pt;mso-ligatures:standard=
contextual;
mso-ansi-language:EN-US;mso-fareast-language:EN-US'>OpenStreetMap y se generó hitos kilométricos (<=
/span>Figura 1<=
/a>). A partir de esta carretera se generó un
buffer de 1 kilómetro a cada lado para considerar factores que influyen en =
la
saturación del suelo y en la presión de poros incluso en distancias alejada=
s,
comprometiendo la estabilidad de los taludes .
Figura <=
/span>
Delimitación del área de estudio de la vía
Alóag - Santo Domingo (Ecuador)
Para garantizar la
consistencia de los datos raster y evitar la influencia de valores nulos o
extrapolados fuera del buffer, en Google Earth Engine (GE=
E) se definió un polígono rectangular que
abarca completamente la zona de estudio. Esto permitió asegurar que todos l=
os
píxeles exportados contuvieran datos válidos y homogéneos.
<=
![if !supportLists]>2.2.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:115%;mso-fareast-font-fa=
mily:
Aptos;mso-font-kerning:1.0pt;mso-ligatures:standardcontextual;mso-ansi-lang=
uage:
ES-EC;mso-fareast-language:EN-US'> Adquisición de datos geoespaciales y
climáticos con Google Earth Engine
Se creó scripts para
automatizar la descarga de datos morfométricos, climáticos, de cobertura, r=
adar
y de uso de suelo, los mismos que utilizaron las múltiples colecciones de <=
/span>Google Earth Engine, filtraron fechas, aplicaron correccione=
s y
procesaron los datos para el estudio (
Tabla =
1
Colecciones de Google Earth
Engine utilizadas para generar las variables
morfométricas, climáticas, de cobertura, radar y de uso de suelo
|
Categoría |
Colección GEE |
Variable |
|
Morfométrica |
'USGS/SRTMGL1_003' |
DEM SRTM |
|
Pendiente (Slope) |
||
|
Orientación (Aspec=
t) |
||
|
Climática |
'UCSB-CHG/CHIRPS/DAILY' |
Precipitación |
|
Cobertura |
'COPERNICUS/S2_SR' |
Índice NDVI |
|
Índice NDWI |
||
|
Radar SAR |
'COPERNICUS/S1_GRD' |
Polarización VV |
|
Polarización VH |
||
|
Anomalías VV |
||
|
Uso de Suelo |
'GOOGLE/DYNAMICWORLD/V1' |
Cobertura y Uso de Suelo |
A partir de la colección SRTM mediante un
recorte se obtuvo el modelo de elevación del que también se calculó la
Pendiente (Slope) en grados y la Orientación (<=
span
class=3DSpellE>Aspect). Además con el uso de ArcGIS Pro con el algor=
itmo
D∞ se calculó la acumulación de flujo por considerarse más adecuado p=
ara
zonas de topografía compleja o montañosa . La colección CHIRPS sirvió para obtener=
la
precipitación acumulada semestral. En cuanto a los índices NDVI y NDWI son
calculados a partir de Sentinel-2, procesados en medianas semestrales con
umbral de nubosidad del 40% y usando la función ‘SCL’ y ‘MSK_CLDPRB’ para
enmascarar nubes.
Las polarizaciones VV y VH provienen de
Sentinel-1 en modo IW y órbita ascendente, procesadas en promedios semestra=
les,
aplicando corrección topográfica Gamma-Nought p=
ara
normalizar efectos del relieve y filtrado speckle
(50m) para reducir el ruido granular. El cálculo de anomalías con VV se rea=
lizó
mediante la diferencia entre valores observados semestrales y la media anua=
l,
mostrando su utilidad para detectar variaciones inusuales en la cubierta
forestal y condiciones de saturación del terreno en zonas montañosas . Por último, Dynamic World es un conjun=
to de
datos de cobertura terrestre filtrado durante el periodo de estudio y con la
extracción de la clase dominante.
<=
![if !supportLists]>2.3.
Normalización de resoluciones y de variables temáticas
Los productos ráster fu=
eron
remuestreados a 30 metros mediante interpolació=
n bicúbica en Google Earth Engine, a excepción de CHIRPS cuya resolución
nativa es de ~5.5 km, siendo la mejor opción realizar el remuestreo
en ArcGIS Pro empleando el método bilineal, ya que preserva la coherencia
espacial, suaviza transiciones evitando la generación de patrones o valores
extremos no presentes en los datos originales . Además, se llevó a cabo un corte espaci=
al
uniforme de todas las capas desde un polígono de referencia, con la finalid=
ad
de estandarizar el tamaño de las variables y suprimir valores incorrectos,
garantizando así que todos los ráster tuvieran la misma extensión y malla de
análisis al trabajar con diferentes sensores.
Para trabajar en TerrSet las capas en formato *.t=
if
requieren una conversión a su formato nativo *.rst lo
cual se realizó mediante GDAL Raster Conversion
Utility. Ya en referencia a la
normalización solo la Orientación se ejecutó en GEE considerando su natural=
eza
circular, realidad geométrica y la influencia diferencial que ejerce la
exposición de la pendiente sobre los procesos de inestabilidad , quedando para el Norte: 1, Este/Oeste:
0.75, Sureste/Suroeste: 0.60 y Sur: 0.3, no se penaliza completamente el Sur
porque existen tramos en esa dirección.
El resto de variables se
trabajaron con las funciones de pertenencia difusa (Fu=
zzy)
de TerrSet, gracias a su capacidad para represe=
ntar
las transiciones de forma gradual . La función lineal creciente fue usada p=
ara
la acumulación de flujo que según solo las zonas de alto drenaje concentra=
do
presentan mayor riesgo por erosión.
Mediante funciones
Sigmoidal Creciente se modeló la pendiente, que de acuerdo con indica que a mayor ángulo de pendiente la
probabilidad de falla aumenta, la retrodispersión VV y las anomalías VV que=
a
criterio de la retrodispersión aumenta con la humedad
del suelo y con superficies que devuelven mayor energía, el NDWI de acuerdo=
a
lo señalado por que valores altos corresponde mayor
humectación del suelo y la precipitación que según aumenta la presión de los poros ya sea c=
on
lluvias intensas o largos periodos húmedos.
En contraste, mediante
funciones Sigmoidal Decreciente se modeló el NDVI que a criterio de =
los valores altos indican vegetación den=
sa
que refuerza las pendientes y la polarización VH que como lo hace notar los valores altos indican estructura veg=
etal
y mayor cohesión superficial.
Por último mediante
reclasificación se trabajó el uso de suelo ya que destacan que la presencia de vegetación,
remoción de pendientes e imperfecciones del suelo afectan sustancialmente el
riesgo de deslizamiento. Por ello se asignaron valores de susceptibilidad
relativos a la cobertura del suelo: 0 (mínima susceptibilidad) los bosques
densos, cultivos y áreas construidas (por ubicarse en terrenos estabilizado=
s,
si bien en otros contextos pueden incrementar la inestabilidad del terreno
debido a la labranza y pérdida de estructura, en este estudio podrían ocasi=
onar
falsos positivos), así como cuerpos de agua y nieve/hielo, que no contribuy=
en a
la inestabilidad. 0.5 (susceptibilidad intermedia) los pastos y arbustos
(suelos parcialmente estables). Y 1 (susceptibilidad máxima) el suelo desnu=
do
(expuesto a erosión) y vegetación inundada (suelos saturados). Estos valores
fueron asignados tomando en consideración que en estudios espaciales la
susceptibilidad no depende del tipo de cobertura, sino de cómo esta refleja=
el
grado de alteración del suelo, infiltración, retención de humedad y erosión=
.
<= ![if !supportLists]>2.4. Análisis Jerárquico de Procesos (AHP) para ponderación de variables<= o:p>
Para evaluar los factor=
es
que condicionan la susceptibilidad a deslizamientos, se utilizó el método d=
e Análisis
Jerárquico de Procesos (AHP), que fue propuesto por y es ampliamente aceptado en la
investigación sobre riesgos geológicos, gracias a su habilidad para organiz=
ar
decisiones multicriterio de manera clara y lógica . La jerarquización de las variables se b=
asó
en una revisión de la literatura y en un análisis espacial apoyado por la b=
ase
histórica de deslizamientos de la SNGRE.
§
Pendiente (V1):<=
/b> es el factor más determinante, al regula=
r la
componente gravitacional que actúa sobre las laderas y controlar el equilib=
rio
entre fuerzas estabilizadoras y desestabilizadoras .
§
Acumulación de flujo (V2): indica las zonas donde se acumula el
escurrimiento superficial, aumentando la pérdida de soporte del talud debid=
o a
la saturación .
§
Orientación (V3): condiciona la exposición del talud hacia=
la
calzada en ejes viales de montaña, además influye los patrones de
evapotranspiración y la retención de humedad en el suelo al ser responsable=
de
la recepción de radiación solar .
§
Anomalías VV (V4): identifica valores anormales que podrían
señalar incrementos en la humedad o cambios en la superficie, relacionados =
con
la deformación y la inestabilidad .
§
Cobertura del suelo (V5=
): es un factor que agrava la inestabilidad=
de
las laderas, debido a que cualquier cobertura que aumente la escorrentía, e=
leve
la carga o reduzca la cohesión hace que el terreno sea más susceptible a los
deslizamientos .
§
NDVI (V6): indica la densidad y la salud de la
cobertura verde; cuando esta es mayor, se incrementa la cohesión y se reduc=
e la
inestabilidad .
§
Polarización VH (V7): responde a los cambios en la superficie
terrestre y brinda información acerca de la dispersión volumétrica relacion=
ada
con la vegetación .
§
Precipitación (V8): es un elemento desencadenante porque red=
uce
la estabilidad de las laderas al incrementar la presión que el agua ejerce
sobre el suelo. Sin embargo, perdió relevancia en el estudio debido a la
resolución espacial de aproximadamente 5 km, que limita la precisión en áre=
as
con una gran variabilidad topográfica .
§
Polarización VV (V9): responde a los cambios en la altura y la
rugosidad de las superficies, lo que brinda información importante para
detectar zonas húmedas y cuerpos de agua .
§
NDWI (V10):<=
/span> mide la humedad superficial y es esencial
para determinar zonas que puedan sufrir una disminución de la resistencia d=
el
suelo .
Pendiente, acumulación =
de flujo
y orientación dominan porque controlan directamente la fuerza desestabiliza=
nte.
Anomalías VV detectan cambios anormales de la humedad o en la superficie.
Cobertura, NDVI y VH marcan sectores vegetados frente a desnudos, mientras =
la
precipitación semestral actúa como trigger regi=
onal.
VV y NDWI aportan información útil de humedad, pero menos decisiva que los
factores topográficos y de cubierta, al perder eventos críticos con sus señ=
ales
semestrales promediadas.
Para calcular los pesos
relativos de cada variable, se utilizó la herramienta =
Weight
de TerrSet para crear una matriz de comparación=
por
pares (Tabla 2) con la escala de S=
aaty
que va del 1 a 1/9, y garantizar una consistencia inferior a 0.1 que es lo
aceptable.
Tabla =
2
Matriz de comparación por pares de las
variables de estudio empleada en el Análisis Jerárquico de Procesos (AHP).
Escala de Saaty (1 – 1/9)
|
|
V1 |
V2 |
V3 |
V4 |
V5 |
V6 |
V7 |
V8 |
V9 |
V10 |
|
V1 |
1<=
/span> |
|
|
|
|
|
|
|
|
|
|
V2 |
1/2 |
1<=
/span> |
|
|
|
|
|
|
|
|
|
V3 |
1/2 |
1/2 |
1<=
/span> |
|
|
|
|
|
|
|
|
V4 |
1/3 |
1/3 |
1/2 |
1<=
/span> |
|
|
|
|
|
|
|
V5 |
1/4 |
1/4 |
1/3 |
1/3 |
1<=
/span> |
|
|
|
|
|
|
V6 |
1/4 |
1/4 |
1/3 |
1/3 |
1/2 |
1<=
/span> |
|
|
|
|
|
V7 |
1/4 |
1/4 |
1/3 |
1/3 |
1/2 |
1/2 |
1<=
/span> |
|
|
|
|
V8 |
1/5 |
1/5 |
1/4 |
1/4 |
1/3 |
1/3 |
1/2 |
1<=
/span> |
|
|
|
V9 |
1/6 |
1/6 |
1/5 |
1/5 |
1/4 |
1/4 |
1/3 |
1/2 |
1<=
/span> |
|
|
V10 |
1/6 |
1/6 |
1/5 |
1/5 |
1/4 |
1/4 |
1/3 |
1/2 |
1/2 |
1<=
/span> |
2.5.=
Evaluación multicriterio y generación del mapa de susceptibilidad
Se incorporaron las
variables temáticas usando el Método de Evaluación Multicriterio (MCE)
con los pesos que se obtuvieron por medio de la herramienta Weight,
esto posibilitó la elaboración de modelos continuos que muestran la
susceptibilidad a deslizamientos para los semestres julio–diciembre de 2024=
y
enero–junio de 2025.
La división de las clas=
es
de susceptibilidad muy baja, baja, media, alta y muy alta se basa en el
algoritmo de en el que las rupturas de clase se crean=
de
manera que los valores similares se agrupan mejor y se maximizan las
diferencias entre clases.
Se fusionaron los mapas
semestrales de enero-junio de 2025 y julio-diciembre de 2024 a través de la
herramienta <=
span
lang=3DEN-US style=3D'font-size:12.0pt;line-height:115%;font-family:"Times =
New Roman",serif;
mso-fareast-font-family:Aptos;mso-font-kerning:1.0pt;mso-ligatures:standard=
contextual;
mso-ansi-language:EN-US;mso-fareast-language:EN-US'>Cell Statistics<=
/u> de ArcGIS Pro a través de la opción Maximum que mantiene el valor máximo de susceptibilid=
ad por
píxel. Esta técnica asegura que las áreas críticas identificadas en cualqui=
era
de los dos periodos se muestren en el mapa final para lograr que el modelo =
más
sensible frente a la variabilidad estacional.
2.6. =
Validación del modelo y delimitación de zonas críticas
Debido a que se
identificaron durante la georreferenciación y depuración de la base de dato=
s de
deslizamientos de la SNGRE coordenadas fuera del área de estudio, duplicida=
d de
eventos y puntos sin ubicación precisa, fue necesario aplicar acciones ante=
s de
su utilización. En primer lugar, filtrando la base de datos para conservar
únicamente los eventos ocurridos en la vía Alóag-Santo Domingo, posteriorme=
nte
cada registro fue revisado para mejorar la precisión en la georreferenciaci=
ón
asignándole el hito kilométrico donde ocurrió, revisando a detalle la
descripción del evento.
Con la información depu=
rada
se generó en ArcGIS Pro un mapa de densidad de eventos empleando un radio de
influencia de 1 km, ya que es bastante útil al emplear el método de
coincidencia espacial con sucesos históricos apoyado por que menciona que al validar con inventar=
ios
multitemporales de deslizamientos se pueden obtener perspectivas más realis=
tas
sobre los mapas de susceptibilidad.
Para conocer la
coincidencia espacial además de hacerlo de manera visual, mediante la
herramienta <=
span
lang=3DEN-US style=3D'font-size:12.0pt;line-height:115%;font-family:"Times =
New Roman",serif;
mso-fareast-font-family:Aptos;mso-font-kerning:1.0pt;mso-ligatures:standard=
contextual;
mso-ansi-language:EN-US;mso-fareast-language:EN-US'>Extract Values to Point=
s se extrajo la clase de susceptibilidad
asociada a cada punto de evento, lo que permitió cuantificar y verificar la
coincidencia espacial entre los deslizamientos históricos y las categorías =
del
modelo.
(1)
En cuanto al índice de concentración (=
Ecuación
2), compara la densidad de eventos de una clase con los eventos ocurrid=
os
en el área de estudio, cuando es mayor a 1 significa que la cantidad de
deslizamientos en esa clase es superior a la media del área lo que ayuda a
cuantificar la concentración espacial de eventos .
(3) (2)
=
=
X corresponde al porcen=
taje
de área acumulada, mientras Y corresponde al porcentaje acumulado de
deslizamientos ocurridos.
3. Resultados
Los resultados logrados derivan de la integración =
de
variables morfométricas, de cobertura y climáticas mediante un enfoque de
análisis multicriterio normalizado con lógica difusa, permitiendo la genera=
ción
de un modelo espacial de susceptibilidad a deslizamientos en el área de
estudio. Se logró una zonificación en cinco diferentes niveles de
susceptibilidad, cuya validez fue evaluada mediante estadística y la
comparación con registros históricos de eventos, permitiendo así la
identificación patrones espaciales consistentes en zonas críticas que
evidencian la influencia de cada uno de los factores analizados.
<=
![if !supportLists]>3.1.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:115%;mso-fareast-font-fa=
mily:
Aptos;mso-font-kerning:1.0pt;mso-ligatures:standardcontextual;mso-ansi-lang=
uage:
ES-EC;mso-fareast-language:EN-US'> Recopilación de información geoespacial y
climática
Se recopiló y procesó
variables geoespaciales y climáticas provenientes de sensores remotos de ac=
ceso
abierto en el periodo julio de 2024 a junio de 2025 mediante la plataforma =
Google
Earth Engine (Figura 2<=
/a>). Gracias a esta plataforma se facilitó
considerablemente los análisis espaciales a gran escala al combinar un exte=
nso
catálogo de datos geoespaciales con una potente infraestructura en la nube.=
Como parte de las varia=
bles
geomorfológicas se calculó la pendiente con valores entre 0° a 78.51°, la
orientación de laderas normalizada y la acumulación de flujo que mostró un
rango de 1 a 5422, gracias al DEM capturado por SRTM de alta calidad. El us=
o y
cobertura del suelo adquirido del proyecto Dynamic Wor=
ld
permitió identificar árboles, vegetación inundada, arbustos, cultivos, past=
os,
áreas construidas, suelo desnudo y zonas de nieve o hielo en la zona.
La precipitación acumul=
ada
del conjunto de datos de alta resolución CHIRPS que combina datos satelital=
es
infrarrojos con mediciones de estaciones terrestres permitió obtener una
marcada variabilidad estacional: de 239,07 a 510,41 mm en julio-diciembre de
2024 y de 777,63 a 2704,06 mm en enero-junio de 2025. Se calculó como varia=
bles
de cobertura el NDWI (humedad) cuyos valores oscilaron entre -0,62 y 0,17 e=
n el
segundo semestre de 2024 y entre -0,66 y 0,29 en el primer semestre de 2025=
y
el NDVI (vegetación) con rangos de -0,12 a 0,70 y de -0,20 a 0,72 para los
mismos periodos antes mencionados respectivamente.
Por último, las variabl=
es
de radar Sentinel-1 se incluyó la polarización VV, con valores de -26,61 a
12,05 dB (jul-dic 2024) y de -26,77 a 12,73 dB (ene-jun 2025), y la
polarización VH, cuyos intervalos fueron de -32,50 a -2,72 dB y de -31,91 a
-2,64 dB, respectivamente. A partir de estas polarizaciones se generaron
anomalías en VV, que variaron entre -4,34 y 5,97 dB en el segundo semestre =
de
2024, y entre -3,88 y 2,82 dB en el primer semestre de 2025.
Figura <=
/span>
Variables temáticas utilizadas en el anál=
isis
de susceptibilidad a deslizamientos
Este conjunto de
información geoespacial y climática, obtenido de fuentes abiertas y
preprocesado para el análisis, permitió integrar las condiciones topográfic=
as,
de cobertura, precipitación, humedad y respuesta radar asociadas a la dinám=
ica
de inestabilidad de laderas.
<=
![if !supportLists]>3.2.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:115%;mso-fareast-font-fa=
mily:
Aptos;mso-font-kerning:1.0pt;mso-ligatures:standardcontextual;mso-ansi-lang=
uage:
ES-EC;mso-fareast-language:EN-US'> Análisis multicriterio de susceptibilida=
d a
deslizamientos
El análisis multicriter= io integró las variables temáticas luego de ser normalizadas mediante funcione= s de pertenencia difusas, lo que permitió transformar sus unidades originales (grados, mm, clases categóricas, tasa de flujo, entre otras) a una escala c= omún de 0 a 1 que expresa el grado de contribución relativa a la susceptibilidad. Para cada variable se definió una función fuzzy coherente con su relación teórica con los deslizamientos: pendiente y acumulación de flujo se modelaron con funciones crecientes, al incrementars= e la probabilidad de inestabilidad conforme aumentan los valores; la orientación= de ladera se representó mediante una función simétrica, distinguiendo exposici= ones más propensas a saturación hídrica; y la cobertura del suelo se asignó medi= ante una función categórica donde los valores más expuestos (suelo desnudo, vegetación inundada) tomaron pertenencias altas, mientras que coberturas estabilizadoras (bosque denso, áreas construidas) adoptaron valores bajos.<= o:p>
La matriz de comparación
por pares resultó coherente, con el índice de consistencia (CR) de 0.04,
inferior al umbral recomendado de 0.10, lo que valida los juicios empleados
para asignar pesos (Tabla =
3).
Tabla =
3
Pesos de las variables obtenidos mediante=
AHP
para el análisis de susceptibilidad a deslizamientos.
|
Número |
Variable |
Peso |
|
1 |
Pendiente |
0.2420 |
|
2 |
Acumulación de Flujo<= o:p> |
0.2107 |
|
3 |
Orientación |
0.1490 |
|
4 |
Anomalías VV |
0.1232 |
|
5 |
Uso de Suelo |
0.0763 |
|
6 |
NDVI |
0.0664 |
|
7 |
Precipitación |
0.0508 |
|
8 |
Polarización VV |
0.0341 |
|
9 |
Polarización VH |
0.0254 |
|
10 |
NDWI |
0.0222 |
Figura <=
/span>
Mapas semestrales de susceptibilidad a
deslizamientos para julio–diciembre 2024 (arriba) y enero–junio 2025 (abajo=
)
La comparación de los m=
apas
semestrales de susceptibilidad a deslizamientos posibilitó detectar cambios=
relacionados
con la variación geográfica de las precipitaciones en enero–junio 2025 dond=
e la
precipitación fue mayor en la zona baja y en julio–diciembre 2024 en que la
mayor cantidad de lluvia se concentró en la zona de montaña. Es importante
considerar que a pesar de que por la resolución espacial de CHIRPS (~5 km) =
en
el análisis AHP la variable precipitación tuvo un peso bajo, pero es eviden=
te
que su impacto sobre la susceptibilidad sigue siendo considerable, puesto q=
ue
regula notoriamente la reclasificación estacional en ciertas secciones de la
vía.
Esto ocasionó que las
clases suban un escalón en la susceptibilidad pasando de baja a media o de
media a alta. Además, se demostró que, aunque su resolución sea inferior, es
esencial incluir esta variable para poder captar la dinámica temporal de los
deslizamientos.
La combinación de los
escenarios semestrales extremos de sequía y de fuertes precipitaciones, fue
crucial para crear un mapa integrado de susceptibilidad (Figura 4<=
/a>), pues posibilitó identificar áreas con =
gran
riesgo de deslizamientos tomando en cuenta condiciones climáticas extremas.=
Figura <=
/span>
Mapa integrado de susceptibilidad a
deslizamientos para el periodo julio 2024–junio 2025. Fuente: Elaboración
propia con datos SRTM, CHIRPS, Dynamic World,
Sentinel-1 y 2
Esta perspectiva mejoró=
la
capacidad del modelo al detectar áreas críticas con registros recurrentes c=
omo
es el caso de los kilómetros 23, 28, 32, 35, 43, 48, 54, 62, 68 y 83. Cabe
destacar que casi en su totalidad la vía cuenta con sitios clasificados com=
o de
alta y muy alta susceptibilidad, pero no se registraron gran cantidad de
eventos, como en los sitios antes mencionados hasta el día de hoy.
<=
![if !supportLists]>3.3.<=
span
lang=3DES-EC style=3D'font-size:12.0pt;line-height:115%;mso-fareast-font-fa=
mily:
Aptos;mso-font-kerning:1.0pt;mso-ligatures:standardcontextual;mso-ansi-lang=
uage:
ES-EC;mso-fareast-language:EN-US'> Validación de la confiabilidad del mapa =
de susceptibilidad
a deslizamientos
Los datos obtenidos por=
la
SNGRE tuvieron inconvenientes de georreferenciación, lo que dificultó una
validación precisa a nivel espacial del modelo. Esto no permitió realizar
verificaciones cuantitativas directas, por ende, fue necesario un procesami=
ento
manual de esta información, colocando la ubicación de acuerdo con la
descripción del evento, permitiendo así la generación de mapas de densidad =
(Figura 5<=
/a>), para identificar los tramos de mayor
concentración de deslizamientos a lo largo de la vía.
Figura <=
/span>
Mapa de densidad de deslizamientos histór=
icos
(2010–2025), calculado con radio de influencia de 1 km. Elaboración propia =
con
datos de la SNGRE
Los datos indicaron que=
los
puntos críticos identificados en los archivos históricos son alrededor de l=
os
kilómetros 23, 28, 32, 35, 43, 48, 54, 62, 68 y 83 que superan los 15
deslizamientos registrados entre 2010 y 2025. Los puntos críticos mostraron=
una
superposición evidente con zonas que se categorizan como de susceptibilidad
alta y muy alta. Además, según se debe tener en cuenta que otros desast=
res
o eventos extremos pueden desencadenar deslizamientos en regiones que no se
consideran propensas, o aumentar la probabilidad en zonas de baja o media
susceptibilidad.
La capacidad predictiva=
del
modelo fue sólida, según la evaluación estadística. La curva de éxito (Figura 6<=
/a>), se ubicó muy por encima de la línea
aleatoria y tuvo un AUC de 0.82, lo cual demostró una predicción eficaz. En=
la
base de datos se registró 413 deslizamientos, de los cuales el 85.71% estuv=
o en
las clases de alta y muy alta susceptibilidad, demostrando una excelente ta=
sa
de éxito.
Figura <=
/span>
Curva de éxito del modelo de susceptibili=
dad
con un AUC de 0.82. Elaboración propia a partir de datos SNGRE y resultados=
del
modelo AHP–Fuzzy
El análisis de
concentración espacial reveló que la categoría Alta tuvo un índice de
concentración de 1.89, lo que indicó que la densidad de eventos en estas ár=
eas
es casi el doble. Para la categoría Muy Alta, el índice se elevó a 5.57, es
decir, más de cinco veces por encima del promedio de densidad en el área
estudiada. De esta manera se confirma que el modelo tiene la capacidad de
predecir áreas de deslizamiento con precisión, además de concentrar los eve=
ntos
en las clases de mayor susceptibilidad, fortaleciendo su aplicabilidad para=
la
planificación y gestión del riesgo en la vía Alóag–Santo Domingo.
4. Discusión
Utilizar técnicas
geomáticas para evaluar la susceptibilidad a deslizamientos en la carretera=
E20
Alóag-Santo Domingo demostró ser una técnica eficaz y reproducible. Se pudo
modelar semestralmente la susceptibilidad con una resolución espacial y
temporal elevada gracias al empleo de los sensores CHIRPS, SRTM, Sentinel-1=
y
2, que fueron procesadas en ArcGIS Pro, TerrSet y Google Earth Engine. Esta perspectiva se alinea con el traba=
jo
realizado por quienes confirmaron que la teledetección=
es
útil para marcar zonas críticas en los Andes de Ecuador.
La integración del P=
roceso
Analítico Jerárquico (AHP) con funciones de pertenencia difusa logró un
índice de consistencia de 0.04, lo que asegura la solidez en la ponderación=
de
factores. demostraron que la combinación de AHP y
lógica difusa disminuye la subjetividad y aumenta la exactitud de los model=
os
de susceptibilidad. También se demuestra la viabilidad de integrar datos
abiertos y procesamiento en la nube, lo que permite una cartografía de
susceptibilidad reproducible y de bajo costo. Este enfoque complementa estu=
dios
como el de que utilizó de drones para la
caracterización de taludes en sectores críticos, donde se obtuvieron nubes de puntos de alta reso=
lución
que mejoran la identificación de zonas de falla y los cálculos de volumen
inestable. La combinación de monitoreo aéreo de alta precisión con análisis
regional SIG constituye un camino prometedor para una gestión de riesgos
integral.
Los resultados indican =
que
la morfometría del terreno es el principal factor que causa inestabilidad en
las laderas de la ruta Alóag–Santo Domingo. Esto coincide con investigacion=
es
anteriores, como la de quien utilizó lógica difusa junto con AH=
P en
la misma vía y obtuvo una precisión del 75% al contrastar con datos históri=
cos,
identificando a la precipitación y a la pendiente como variables importante=
s. lograron un 83.7% de exactitud en el mod=
elo
utilizando AHP en otros corredores andinos, como la ruta Puyo–Tena, indican=
do
que la pendiente era la variable predominante. La concordancia entre estos
estudios posibilita que la ponderación efectuada se confirme como sólida.
La precipitación permit=
ió
captar la variabilidad estacional para generar modelos semestrales tanto en
época seca como en una situación de lluvias intensas pese a su baja resoluc=
ión
espacial. Esto se confirma con el estudio de donde mencionan que para el áreas húmeda=
s de
Ecuador se necesitan valores más bajos de lluvia acumulada para desencadena=
r un
deslizamiento, probablemente por la alta saturación del suelo, también
consideran que el mayor número de días de lluvia favorecen un alto grado de
saturación.
A pesar de su utilidad,
CHIRPS enfrenta una restricción significativa, su resolución espacial de
aproximadamente 5 km. alertan en sus investigaciones que información pluviométrica de baja
resolución puede infravalorar la variabilidad orográfica e influir en la
predicción de deslizamientos en zonas de montaña. La posibilidad de que eve=
ntos
de lluvia intensa y corta duración, que son detonantes fundamentales, se ve=
an
suavizados al captarse la precipitación acumulada semestralmente es otra
variable importante a tener en cuenta . En futuras investigaciones, se podrían
incorporar nuevas colecciones de datos que se suman continuamente a GEE, e
incluso productos de radar como GPM IMERG de 0.1° y 30 minutos de resolució=
n,
los cuales emplearon para aumentar la exactitud y la
identificación de fenómenos extremos.
Trabajos como el de respalda la idea de que los modelos
probabilísticos y multicriterio son útiles para capturar la variabilidad de=
los
factores condicionantes y disparadores en zonas con una topografía compleja=
. No
obstante, investigaciones recientes registraron que los métodos de aprendiz=
aje
automático pueden lograr una mayor exactitud en las predicciones. llevaron a cabo un estudio minucioso de =
162
investigaciones sobre la susceptibilidad a deslizamientos, observando que
algoritmos de aprendizaje automático como las redes neuronales, el Support Vector Machine y el Rand=
om
Forest suelen ser más precisos que los métodos convencionales, con valores =
del
AUC entre 0.85 y 0.93 en comparación con los métodos heurísticos (AHP y
Multicriterio), que tienen valores entre 0.75 y 0.85. subieron el nivel mejorando la precisión=
del
AUC a un rango entre 0.90 y 0.95 con técnicas que combinan múltiples algori=
tmos
para capturar relaciones no lineales complejas entre variables.
Aunque hay métodos con
precisiones cercanas al 100%, no están disponibles para todos, porque los
recursos computacionales son un elemento importante que a menudo es
subestimado, sobre todo en profesionales autónomos y entornos institucional=
es
donde la infraestructura tecnológica es limitada. Metodologías
computacionalmente eficientes como la empleada en este estudio facilitan su
adopción por gobiernos autónomos descentralizados y entidades de gestión de
riesgos con capacidades técnicas y financieras variables. Puede llevarse a =
cabo
en equipos estándar sin necesidad de hardware especializado y con tiempos de
procesamiento relativamente breves que posibilitan iteraciones veloces dura=
nte
el desarrollo del modelo. Superando la disparidad en accesibilidad técnica y
económica en instituciones con recursos limitados, con una capacidad predic=
tiva
aceptable.
Por otro lado, los méto=
dos
de aprendizaje automático requieren mucho más tiempo de computación. Por
ejemplo, el algoritmo SVM y Random Forest puede
necesitar entre 10 y 50 veces más tiempo que otros métodos para optimizar <=
span
class=3DSpellE>hiperparámetros a través de la validación cruzada
exhaustiva, lo cual puede tomar desde horas hasta días, dependiendo del tam=
año
del conjunto de datos y la resolución espacial . Los métodos de aprendizaje profundo son=
los
que más recursos utilizan, ya que las arquitecturas especializadas como
Por lo general, la
infraestructura necesaria incluye procesadores de alta gama y GPU de última
generación, más de 8 GB de VRAM, más de 32 de memoria RAM y almacenamiento =
SSD
rápido, lo cual implica una inversión económica significativa. Además, se
requiere de una pericia técnica específica en programación Python, marcos de
trabajo como TensorFlow o =
PyTorch
y un entendimiento de las arquitecturas de redes neuronales, habilidades que
son menos frecuentes en el campo de la gestión de riesgos ecuatoriana en co=
mparación
con las competencias SIG tradicionales.
Por último, la validaci=
ón
del modelo presenta limitaciones relacionadas a la imprecisión geográfica de
los registros históricos de la SNGRE que puede resultar en subestimación de=
la
capacidad predictiva real del modelo, coincidiendo con las observaciones de=
acerca de la incompletitud intrínseca que
presentan los inventarios regionales de deslizamientos. Pese a ello la
coincidencia espacial reveló una alta concordancia entre las zonas de alta
susceptibilidad y los eventos ocurridos, que se complementó con métricas
estadísticas que respaldan su capacidad predictiva. La tasa de éxito mostró=
que
el 85.7% de los 413 deslizamientos se localizaron en las clases de alta y m=
uy
alta susceptibilidad, mientras que el índice de concentración alcanzó valor=
es
de 1.89 y 5.57 en dichas categorías, evidenciando una marcada concentración=
de
eventos en las zonas críticas.
Complementando con la c=
urva
de éxito que arrojó un AUC de 0.82 siendo muy bueno si se toma en considera=
ción
a que califica valores entre 0.8 a 0.9 son
señal de un buen modelo, comparte que en ese rango los modelos so=
n de
muy buen desempeño y precisión, mientras que confirman que valores próximos a 1 indic=
an
un modelo con alta fortaleza discriminatoria.
Al detectar segmentos
críticos donde se debe dar prioridad a las obras de estabilización de talud=
es y
drenaje, los resultados brindan información directa para el Ministerio de
Transporte y Obras Públicas y los Gobiernos Autónomos Descentralizados.
Según los mapas de vulnerabilidad de este tipo
pueden incorporarse en los planes de mantenimiento vial y en los sistemas de
alerta temprana, lo que permite optimizar recursos y disminuir el cierre de
carreteras. Asimismo, al demostrar zonas que tienen una alta sensibilidad a=
las
lluvias extremas, contribuyen a las políticas de adaptación frente al cambio
climático .
5. Conclusiones
·&nb=
sp;
La unión de datos topográficos SR=
TM,
precipitación CHIRPS, información de radar Sentinel-1 y sensores remotos
multiespectrales Sentinel-2, además de la normalización Fuzzy
y el análisis jerárquico de procesos para ponderar, posibilitó la creación =
de
un modelo de susceptibilidad con un índice de consistencia de 0.04, lo que
señala fortaleza en la estructura de pesos e integridad en la combinación de
variables.
·&nb=
sp;
La pendiente (0,2420), acumulación
del flujo (0,2107) y dirección (0,1490) son los factores más relevantes de
inestabilidad, pues afectan la fuerza de gravedad, la saturación del suelo y
cómo se distribuye la humedad. La información de humedad y cobertura,
importantes para complementar la caracterización de la dinámica de laderas =
son
proporcionados por variables como NDVI, NDWI y polarizaciones SAR.
·&nb=
sp;
La precipitación, aunque con su b=
aja
resolución, ejerce la función de un desencadenante estacional. El contraste
entre semestres secos y húmedos permitió obtener escenarios de saturación
extrema y déficit hídrico, lo que mejoró la representatividad del mapa fina=
l.
·&nb=
sp;
Las metodologías que se basan en
datos abiertos y plataformas en la nube pueden aplicarse a otros corredores
estratégicos del país, ya sea en planificación territorial, priorizar obras=
de
mitigación y formular estrategias para disminuir el riesgo.
·&nb=
sp;
Se abre la posibilidad de actuali=
zar
el mapa de susceptibilidad anualmente sin necesidad de hacer inversiones
notables, gracias a la constante evolución de la toma de datos abiertos y al
procesamiento en la nube con funciones de inteligencia artificial, favoreci=
endo
el monitoreo constante de los cambios que ocurren en la cobertura vegetal, =
el
uso del suelo y las alteraciones climáticas.
·&nb=
sp;
Con una recolección de datos más
sistemática y precisa por parte de las instituciones públicas permitiría cr=
ear
modelos de susceptibilidad con validaciones estadísticas sólidas, mejorar la
capacidad predictiva de áreas críticas y progresar hacia sistemas de alerta
temprana que incorporen escenarios climáticos en tiempo real.
·&nb=
sp;
La detección de patrones estacion=
ales
y la sensibilidad del modelo a contextos de saturación del agua aportan
información valiosa para las políticas de adaptación al cambio climático, lo
que permite reforzar la capacidad de recuperación de los corredores viales
montañosos frente a lluvias extremas y variaciones climáticas en el futuro.=
·&nb=
sp;
Instituciones con capacidad
computacional especializada podrían realizar investigaciones comparativas
utilizando algoritmos de aprendizaje profundo (LSNet,
LSTM, CNN) y de aprendizaje automático (XGBoost=
, SVM,
Random Forest), empleando las diez variables
geoespaciales utilizadas en este estudio con el fin de asegurar una
comparabilidad metodológica directa.
·&nb=
sp;
La validación espacial a través de
mapas de densidad mostró una relación significativa entre puntos críticos
históricos (km 23, 28, 32, 35, 43, 48, 54, 62, 68 y 83) y las zonas que se
clasificaron con una susceptibilidad más alta. Esto corroboró su utilidad p=
ara
la gestión de riesgos, la planificación territorial en el corredor vial y la
priorización de inversiones destinadas a estabilizar taludes.
· =
El modelo de susceptibilidad
desarrollado mostró una sólida capacidad predictiva con un AUC de 0.82. La =
tasa
de éxito del 85.71% confirma que la mayor parte de los deslizamientos
históricos sucedieron en áreas con alta o muy alta susceptibilidad. Por otro
lado, los índices de concentración espacial (1.89 y 5.57 respectivamente)
demuestran que el modelo tiene la habilidad para distinguir entre zonas
estables e inestables de manera efectiva.
<=
![if !supportLists]>6. &n=
bsp;
Conflicto de intere=
ses
Los autores declaran que no existe conflicto de
intereses en relación con el artículo presentado.
<=
![if !supportLists]>7. &n=
bsp;
Declaración de
contribución de los autores
Todos los autores contribuyeron significativamente=
en
la elaboración del artículo.
<=
![if !supportLists]>8. &n=
bsp;
Costos de financiamiento
La presente investigación fue financiada en su
totalidad con fondos propios de los autores.
<=
![if !supportLists]>9. &n=
bsp;
Referencias
bibliográficas
Abdı=
, A., Bouamrane,
A., Karech, T., Dahri, N.,
& Kaouachi, A. (2021). Landslide susceptibi=
lity
mapping using gis-based fuzzy logic and the
analytical hierarchical processes approach: a case study in Constantine (No=
rth-East
Algeria). Geotechnical and Geological Engineering, 39(8),
5675-5691. https://doi.org/10.1007=
/s10706-021-01855-3
=
Avtar,
R., Komolafe, A. A., Kouse=
r,
A., Singh, D., Yunus, A. P., Dou, J., Kumar, P., Gupta, R. D., Johnson, B. =
A.,
Thu Minh, H. V., Aggarwal, A. K., & Kurniawan, T. A. (2020). Assessing
sustainable development prospects through remote sensing: a review. Remo=
te
Sensing Applications: Society and Environment, 20, 100402. https://doi.org/10.1016/j.rsase.2020.100402
Bièvre, G., Jongmans, D.,
Goutaland, D., Pathier, E.,
& Zumbo, V. (2016). Geophysical characteriz=
ation
of the lithological control on the kinematic pattern in a large clayey
landslide (Avignonet, French Alps). Landslid=
es,
13(3), 423-436. https://doi.org/10.1007/s10346-015-0579-0
Cardona, A. P. (2024). Balance ambiental =
de
Ecuador: sequías y la amenaza de la minería ilegal marcaron el 2024. Not=
icias
ambientales. Mongabay. https://es.mongabay.com=
/2024/12/balance-ambiental-ecuador-sequias-amenaza-mineria-ilegal-marcaron-=
2024/
Cargua, C. J., Espin, R.,
Valencia, B. G., Simbaña, M., Araujo, S., Ocampos, A., & Cornejo, C.
(2024). Análisis de susceptibilidad a deslizamientos empleando el proceso de
jerarquía analítica en una carretera Amazónica del Ecuador. La Granja, 39(1),
117-138. https://doi.org/10.1716=
3/lgr.n39.2024.07
Çellek, S. (2023). Linear parameters causing
landslides: a case study of distance to the road, fault, drainage. Kocaeli Journal of Science and Engineering<=
/i>, 6(2),
94-113. <=
span
style=3D'mso-bookmark:_Hlk81985521'>https://doi.org/10.3408=
8/kojose.1117817
Chen, G., Zeng, T., Liu, D., Chen, H., Wa=
ng,
L., Wang, L., Zhang, K., & Glade, T. (2025). Geomorphological and
geological characteristics slope unit: advancing township-scale landslide
susceptibility assessment strategies. Land, 14(2), 355. https://doi.org/10.3390/land14020355
Chen, L., Guo, Z., Yin, K., Shrestha, D. =
P.,
& Jin, S. (2019). The influence of land use and land cover change on
landslide susceptibility: a case study in Zhushan
Town, Xuan’en County (Hubei, China). Natural
Hazards and Earth System Sciences, 19(10), 2207-2228. https://doi.org/10.5194/nhess-19-2207-2019
Chowdhury, S. (2023). A review on landsli=
de
susceptibility mapping research in Bangladesh. Heli=
yon,
9(7), e17972. https://doi.org/10.1016/j.heliyon.2023.e17972
Crosetto<=
/span>, M., Monserrat, O., Cuevas-González, M.,=
Devanthéry, N., & Crippa, B.
(2016). Persistent scatterer interferometry: a review. ISPRS Journal of
Photogrammetry and Remote Sensing, 115, 78-89. https://doi.org/10.1016/j.isprsjprs.2015.10.011=
Dou, J., Yunus, A. P., Bui, D. T., Merghadi, A., Sahana, M., Zhu, Z., Chen, C.-W., Han, =
Z.,
& Pham, B. T. (2020). Improved landslide assessment using support vector
machine with bagging, boosting, and stacking ensemble machine learning
framework in a mountainous watershed, Japan. Landslides, 17(3=
),
641-658. https://doi.org/10.1007=
/s10346-019-01286-5
Eastman, R. (2024). =
TerrSet
liberaGIS Geospatial Monitoring and Modelling S=
ystem.
Clark University. https://s45055.pcdn.co/=
centers/geospatial-analytics/www-content/blogs.dir/7/files/sites/354/2024/1=
1/Terrset-liberaGIS-Manual.pdf
El Comercio. (2025). Lluvias ya dejan =
16
fallecidos durante 2025 en Ecuador ¿Cuáles son los lugares más afectados? https://www.elcomercio.=
com/actualidad/ecuador/lluvias-16-fallecidos-2025-ecuador-lugares-mas-afect=
ados/
Feizizadeh, B., & Blaschke=
,
T. (2013). GIS-multicriteria decision analysis for landslide susceptibility
mapping: comparing three methods for the Urmia lake
basin, Iran. Natural Hazards, 65(3), 2105-2128. https://doi.org/10.1007/s11069-012-0463-3
Feizizadeh, B., Shadman=
Roodposhti, M., Jankowski, P., & Blaschke,
T. (2014). A GIS-based extended fuzzy multi-criteria evaluation for landsli=
de
susceptibility mapping. Computers & Geosciences, 73, 208-=
221.
https://doi.org/10.1016=
/j.cageo.2014.08.001
Ferretti, A., Prati<=
/span>,
C., & Rocca, F. (2001). Permanent scatterers in SAR interferometry. =
IEEE
Transactions on Geoscience and Remote Sensing, 39(1), 8-20. https://doi.org/10.1109/36.898661
Gonzalez, F. C. G., =
Cavacanti,
M. D. C. R., Nahas Ribeiro, W., Mendonça, M. B.=
D.,
& Haddad, A. N. (2024). A systematic review on rainfall thresholds for
landslides occurrence. Heliyon, 10(1),
e23247. https://doi.org/10.1016=
/j.heliyon.2023.e23247
Gorelick, N., Hanche=
r,
M., Dixon, M., Ilyushchenko, S., Thau,
D., & Moore, R. (2017). Google Earth Engine: planetary-scale geospatial
analysis for everyone. Remote Sensing of Environment, 202, 18=
-27.
https://doi.org/10.1016=
/j.rse.2017.06.031
Guzzetti, F., Mondini, A. C., Cardinali, M., Fiorucci, F., Santangelo, M., & Ch=
ang,
K.-T. (2012). Landslide inventory maps: New tools for an old problem. Ea=
rth-Science
Reviews, 112(1-2), 42-66. https://doi.org/10.1016/j.earscirev.2012.02.001=
Intrieri, E., Raspini,
F., Fumagalli, A., Lu, P., Del Conte, S., Farina, P.,
Allievi, J., Ferretti, A., & Casagli,
N. (2018). The Maoxian landslide as seen from space: detecting precu=
rsors
of failure with Sentinel-1 data. Landslides, 15(1), 123-133. =
https://doi.org/10.1007/s10346-017-0915-7
Jenks, G. (1963). Generalization in stati=
stical
mapping. Annals of the Association of American Geographers, 53,
15-26. https://onlinelibrary.w=
iley.com/doi/10.1111/j.1467-8306.1963.tb00429.x
Jiang, L., Diao, M., Sun, H., & Ren, =
Y.
(2018). Numerical modeling of flow over a rectangular broad-crested weir wi=
th a
sloped upstream face. Water, 10(11), 1663. https://doi.org/10.3390/w10111663
Kang, J., Wan, B., Gao, Z., Zhou, S., Che=
n,
H., & Shen, H. (2024). Research on machine learning forecasting and ear=
ly
warning model for rainfall-induced landslides in Yunnan province. Scient=
ific
Reports, 14(1). https://doi.org/10.1038/s41598-024-64679-0
Karakas, G., Unal, E. O., Tunar
Ozcan, N., Cetinkaya, S., Can, R., Gokceoglu, C., & Kocaman, S.
(2023). Co-seismic landslide-based validation of susceptibility mapping aft=
er kahramanmaras earthquakes (feb 6,
2023) in amanos mountains. The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Scie=
nces,
XLVIII-1/W2-2023, 429-436. <=
span
style=3D'mso-bookmark:_Hlk81985521'>https://doi.org/10.5194=
/isprs-archives-XLVIII-1-W2-2023-429-2023
Lee, J.-S., & Pottier, E. (2017). =
Polarimetric
radar imaging: from basics to applications (J.-S. Lee & E. Pottier,
Eds.; 1.a ed.). CRC Press. https://doi.org/10.1201/9781420054989
Liu, Y., Ma, S., Dong, L., Xiao, R., Huan=
g,
J., & Zhou, P. (2024). A comparative study of regional rainfall-induced
landslide early warning models based on RF、CNN and MLP algorithms.=
Frontiers
in Earth Science, 12. https://doi.org/10.3389/feart.2024.1419421
Meena, S. R., Pulier=
o,
S., Bhuyan, K., Floris, M., & Catani, F. (2=
022).
Assessing the importance of conditioning factor selection in landslide
susceptibility for the province of Belluno (reg=
ion of
Veneto, northeastern Italy). Natural Hazards and Earth System Sciences, 22(4),
1395-1417. https://doi.org/10.5194=
/nhess-22-1395-2022
Mei, W., Wang, H., F=
ouhey,
D., Zhou, W., Hinks, I., Gray, J. M., Van Berkel, D.,
& Jain, M. (2022). Using deep learning and very-high-resolution imagery=
to
map smallholder field boundaries. Remote Sensing, 14(13), 304=
6. https://doi.org/10.3390/rs14133046
Mejía, L., Troya, J., & Avilés, E.
(2021). Evaluación de la susceptibilidad a movimientos de masas por
deslizamientos mediante los índices de vegetación NDVI y SBI del cantón Ala=
usí,
provincia de Chimborazo [Trabajo de titulación, Universidad Politécnica
Salesiana, Cuenca]. https://dspace.ups.edu.ec/handle/123456789/2141=
3
Merghadi, A., Yunus, A. P., D=
ou,
J., Whiteley, J., ThaiPham=
,
B., Bui, D. T., Avtar, R.,
& Abderrahmane, B. (2020). Machine learning methods for
landslide susceptibility studies: a comparative overview of algorithm
performance. Earth-Science Reviews, 207, 103225. https://doi.org/10.1016/j.earscirev.2020.103225=
Mondini, A. C., Santangelo, M., Rocchetti, M., Rossetto, =
E., Manconi, A., & Monserrat, O. (2019). Sentinel-1 S=
AR amplitude
imagery for rapid landslide detection. Remote Sensing, 11(7),
760. https://doi.org/10.3390=
/rs11070760
Montalvo, P., Sánchez, S., López, J., &am=
p;
Estévez, A. (2017, junio). Los taludes de la vía Alóag-Santo Domingo. Em=
pleo
de drones para la caracterización de inestabilidades [IX Simposio Nacio=
nal
sobre Taludes y Laderas Inestables]. https://www.researchgat=
e.net/publication/318419660
Montgomery, D. R., & Dietrich, W. E.
(1994). A physically based model for the topographic control on shallow
landsliding. Water Resources Research, 30(4), 1153-1171. https://doi.org/10.1029/93wr02979
Niraj, K. C., Singh, A., & Shukla, D.=
P.
(2023). Effect of the Normalized Difference Vegetation Index (NDVI) on
GIS-Enabled bivariate and multivariate statistical models for landslide
susceptibility mapping. Journal of the Indian Society of Remote Sensing<=
/i>,
51(8), 1739-1756. https://doi.org/10.1007/s12524-023-01738-5
Pacheco Quevedo, R., Velastegui-Montoya,
A., Montalván-Burbano, N., Morante-Carballo,
F., Korup, O., & Dalel=
es
Rennó, C. (2023). Land use and land cover as a
conditioning factor in landslide susceptibility: a literature review. La=
ndslides,
20(5), 967-982. https://doi.org/10.1007/s10346-022-02020-4
Palacios, I. (2020). Susceptibilidad a
deslizamientos en la vía Alóag – Santo domingo, mediante lógica difusa. =
Revista
geoespacial, 17(2), 01-12. https://journal.espe.ed=
u.ec/ojs/index.php/revista-geoespacial/es/article/view/1571
Palacios Orejuela, I. F. (2024). Comparac=
ión
entre Mora-Vahrson y Lógica difusa en la
susceptibilidad a movimientos de tierra en el cantón Morona – Amazonía
ecuatoriana. Revista Cartográfica, 108, 117-135. https://doi.org/10.35424/rcarto.i108.4894
Palenzuela Baena, J. A.=
, Soto
Luzuriaga, J., & Iriga=
ray
Fernández, C. (2020). Characteristics of rainfall events triggering landsli=
des
in two climatologically different areas: southern Ecuador and southern Spai=
n. Hydrology,
7(3), 45. https://doi.org/10.3390/hydrology7030045
Pourghasemi, H. R., Mohammady,
M., & Pradhan, B. (2012). Landslide susceptibility mapping using index =
of
entropy and conditional probability models in GIS: Saf=
arood
Basin, Iran. CATENA, 97, 71-84. https://doi.org/10.1016/j.catena.2012.05.005
Ramírez, M., & Melo, P. (2020). Pr=
ecipitaciones
y movimientos en masa entre los km 14+000 y 77+000 de la vía Alóag – Santo
Domingo en el año 2014 [Tesis de Maestría, Instituto De Altos Estudios
Nacionales (IAEN), Quito, Ecuador]. https://repositorio.iae=
n.edu.ec/jspui/handle/24000/6609
Rasyid, A. R., Bhandary, N. P., &
Rivadeneira Cedeño, J. G., & Ortiz
Hernández, E. (2024). Estabilizaci=
ón de
laderas y protección ante los deslizamientos con túneles falsos: caso de
estudio vía Alóag Santo Domingo. Revista Científica Arbitrada
Multidisciplinaria Pentaciencias, 6(=
4),
36-56. https://doi.org/10.5916=
9/pentaciencias.v6i4.1121
Saaty, T. L. (1977). A scaling method for
priorities in hierarchical structures. Journal of Mathematical Psycholog=
y,
15(3), 234-281. https://doi.org/10.1016/0022-2496(77)90033-5
Shahabi, H., & Hashim, M. (2015). Landslide
susceptibility mapping using GIS-based statistical models and Remote sensing
data in tropical environments. Scientific Reports, 5(1). https://doi.org/10.1038/srep09899
Shano, L., Raghuvanshi, T. K., & Meten, M. (2020). Landslide susceptibility evaluation=
and
hazard zonation techniques – a review. Geoenvironmental Disasters, <=
i>7(1),
18.
Silalahi<=
/span>, F. E. S., Pamela, =
Arifianti,
Y., & Hidayat, F. (2019). Landslide
susceptibility assessment using frequency ratio model in Bogor, West Java,
Indonesia. Geoscience Letters, 6(1), 10. https://doi.org/10.1186/s40562-019-0140-4
Srivastava, P. K., O’Neill, P., Cosh, M., Lang, R., & Joseph, A. (2015). Evaluati=
on of
radar vegetation indices for vegetation water content estimation using data
from a ground-based SMAP simulator. 2015 IEEE International Geoscience a=
nd
Remote Sensing Symposium (IGARSS), 1296-1299. https://doi.org/10.1109/IGARSS.2015.7326012
Tarboton<=
/span>, D. G. (1997). A new method for the
determination of flow directions and upslope areas in grid digital elevation
models. Water Resources Research, 33(2), 309-319. https://doi.org/10.1029/96WR03137
Ulloa, J., Ballari, D., Campozano,
L., & Samaniego, E. (2017). Two-step downscaling of Trmm
3b43 V7 precipitation in contrasting climatic regions with sparse monitorin=
g:
the case of Ecuador in tropical South America. Remote Sensing, 9<=
/i>(7),
758. https://doi.org/10.3390=
/rs9070758
Velastegui Cáceres, L.
A., Velastegui Cáceres, J. D., & Chamorro Sevilla, H. E. (2022). Eva=
luación
de vulnerabilidad sísmica apoyada en tecnologías de información geográfica<=
/i>.
Ciencia Digital Editorial. https://doi.org/10.33262/cde.11
Walker, J. J., De Be=
urs,
K. M., & Wynne, R. H. (2014). Dryland vegetation phenology across an
elevation gradient in Arizona, USA, investigated with fused MODIS and Lands=
at
data. Remote Sensing of Environment, 144, 85-97. https://doi.org/10.1016/j.rse.2014.01.007
Wang, Q., Jin, T., Li, J., Chang, X., Li,=
Y.,
& Zhu, Y. (2022). Modeling and assessment of vegetation water content on
soil moisture retrieval via the synergistic use of sentinel‐1 and
sentinel‐2. Earth and Space Science, 9(5), e2021EA00206=
3. https://doi.org/10.1029/2021EA002063
Younes Cárdenas, N., & Erazo Mera, E. (2016). Landslide susceptibility analy=
sis
using remote sensing and GIS in the western Ecuadorian Andes. Natural
Hazards, 81(3), 1829-1859. https://doi.org/10.1007/s11069-016-2157-8
Zhang, T., Li, Y., Wang, T., Wang, H., Ch=
en,
T., Sun, Z., Luo, D., Li, C., & Han, L. (2022). Evaluation of different
machine learning models and novel deep learning-based algorithm for landsli=
de
susceptibility mapping. Geoscience Letters, 9(1), 26. =
https://doi.org/10.1186/s40562-022-00236-9
Zhao, Z., Liu, Z. Y., & Xu, C. (2021).
Slope unit-based landslide susceptibility mapping using certainty factor,
support vector machines, random forest, CF-SVM and CF-RF models. Frontie=
rs
in Earth Science, 9, 589630. https://doi.org/10.3389/feart.2021.589630
El artículo que se publica es de exclusiva responsabilidad de los
autores y no necesariamente reflejan el pensamiento de la Revista Conciencia Digital.
=
El artíc=
ulo
queda en propiedad de la revista y, por tanto, su publicación parcial y/o t=
otal
en otro medio tiene que ser autorizado por el director de la Revista
Conciencia Digital.
www.concienciadigital.=
org
Esta revi=
sta
está protegida bajo una licencia Creative Commons<=
/span>
en la 4.0 International. Copia de la licencia: http://creativecommons.org/licenses/by-nc-sa/=
4.0/