Contribuciones para la estimacin de la susceptibilidad y la amenaza por deslizamientos mediante el tratamiento de la incertidumbre1. Ibsen Chivat Crdenas.

__________________________________ Resumen
Se desarroll un modelo distribuido de susceptibilidad y amenaza ante deslizamientos inducidos por lluvia, para el casco urbano y alrededores del municipio de ManizalesColombia-Suramrica con el apoyo de las teoras de la incertidumbre. Para la construccin del modelo se articularon sistemticamente variables, parmetros y modelos probabilistas, posibilistas y difusos, considerando la concepcin no lineal y compleja de los fenmenos de deslizamientos. Se recurri a la teora de la evidencia para la clasificacin de las categoras de susceptibilidad. Se encontr que el modelo de agregacin de las variables que inciden en el fenmeno, ms adecuado para la zona de estudio, es el operador . Al modelo se integraron aspectos de la toma de decisiones y la comunicacin del riesgo. Se propuso el concepto de parmetro difuso para la estimacin del riesgo. Para el modelo, se desarrollaron procedimientos para la estimacin de parmetros difusos a partir de funciones de frecuencia y anlisis univariado, tcnicas especiales para la validacin del sistema, la definicin eficiente de la precisin del modelo y la implementacin de mtricas para la clasificacin de la susceptibilidad. Los resultados de este trabajo indican que la modelacin a travs de sistemas difusos es una alternativa apropiada para la abstraccin no lineal de las variables y parmetros que inciden en la ocurrencia de deslizamientos y la toma de decisiones relativa a este problema. De acuerdo con las experiencias de esta investigacin, puede esperarse que los paradigmas, concepciones y tcnicas de la modelacin difusa, pueden ser aplicados al estudio de diversos fenmenos ambientales. Palabras clave: Deslizamientos, Gestin de riesgos naturales, Amenaza, Susceptibilidad, Incertidumbre, No linealidad, Sistemas difusos, Conjunto difuso, Probabilidades imprecisas, Distribucin de posibilidad, Teora de la evidencia, Parmetro difuso, Operador gamma.

susceptibility classification. The aggregation model more suitable for the zone is gamma operator. Topics such as decision making and communication of risk were integrated. For risk assessment, the concept of fuzzy parameter is proposed. Frequency functions and univariate analysis, special techniques for the validation of the system, efficient definition of model precision and indicators for susceptibility classification were developed for the estimation of fuzzy model parameters. The results indicate modeling through fuzzy systems is an appropriate alternative for nonlinear abstraction of variables and parameters that affect the occurrence of landslides and the decision making related to this problem. According to the experiences of this work, it could be expected that paradigms, conceptions and techniques derived from fuzzy modeling, can be applied to the study of diverse environmental phenomena. Keywords: Landslides, Natural Risk management, Hazard, Susceptibility, Uncertainty, Non-Linearity, Fuzzy Systems, Fuzzy sets, Imprecise probabilities, Possibility distribution, Evidence Theory, Fuzzy Parameter, Fuzzy Coefficient, Gamma Operator. Copyright 2007

1. Introduccin El estudio y mapeo de la susceptibilidad, amenaza y riesgo ante deslizamientos es necesaria para la administracin de desastres y la planificacin de actividades en regiones montaosas (Saha et al, 2005). Tangestani (2003), seala que el inters de evaluar la susceptibilidad y amenaza reposa en dos propsitos: (i) identificar zonas con mayor susceptibilidad ante deslizamientos para iniciar programas de recuperacin y (ii) para la toma de decisiones en cuanto al ordenamiento territorial y la ejecucin de medidas preventivas. La labor de identificacin y estimacin de la susceptibilidad, amenaza y a su vez el riesgo, relacionado con estos fenmenos, es una tarea que adems de ser ardua enfrenta una serie de escollos, ms que todo para responder a los fines de la recuperacin, prevencin y ordenamiento del territorio (Van Westen, Van Asch y Soeters, 2006). Estas situaciones han propiciado que la informacin derivada de estas estimaciones pueda resultar inocua, pese a los ingentes desarrollos conceptuales y metodolgicos. Se acusan como principales razones que la modelacin de estos fenmenos est sometida a una gran cantidad de incertidumbre y complejidad (Milln, 1999; Van Westen, Van Asch y Soeters, 2006; Chivat, 2007). Milln (1999) expone que an no se ha

Abstract
A distributed model of susceptibility and hazard on rainfall-induced landslides was developed, for the urban zone and environs of Manizales-Colombia. The model was constructed with probabilistic, possibilistic fuzzy variables and parameters, considering nonlinearity and complexity properties of landslides. Evidence theory was used for

Investigacin realizada con el apoyo financiero del Departamento de Investigaciones de Manizales. Universidad Nacional de Colombia. 2 Ingeniero Civil. Universidad Nacional de Colombia. (6) 8835250. Manizales. Direccin electrnica: ibsen_13@yahoo.es

llegado a mejor entendimiento de la problemtica y conocimiento de los fenmenos generadores de dao porque an no se logran establecer variables de impacto como la magnitud y distancia de viaje de las masas movidas, energas desarrolladas, tipo de solicitaciones generadoras de dao, y efectos econmicos y sociales reales en la comunidad. Todo lo anterior sin mejorar las limitaciones y los niveles de incertidumbre propios de los anlisis geotcnicos de estabilidad, especialmente en la caracterizacin geomecnica de los materiales y la evaluacin de los agentes contribuyentes o detonantes de la estabilidad como el agua y la accin del hombre. De su parte Van Westen, Van Asch y Soeters (2006) discuten las dificultades que se tienen para disponer de informacin actualizada relacionada con los fenmenos, para estimar la magnitud de las masas deslizadas, la determinacin de las probabilidades espaciales y temporales de ocurrencia, la modelacin de las trayectorias y para la estimacin de vulnerabilidad de los elementos expuestos a estos procesos. Las dificultades tambin radican en que los paradigmas actuales de conocimiento estn apuntando inadecuadamente a la idea de cuantificar el riesgo, la amenaza o susceptibilidad. Para el autor, dadas las condiciones de incertidumbre y complejidad de estos fenmenos resulta necesario prescindir de este objetivo. Cardona (2001), ampliamente debate la imposibilidad de cuantificar el riesgo en lo relacionado con eventos amenazantes naturales. La estrategia que puede orientar futuros desarrollos, est precisamente en incorporar la incertidumbre en las modelaciones, pero no solo las debidas a la aleatoriedad y cambio de estos procesos sino a las incertidumbres epistemolgicas asociadas. Siendo que la teora de los conjuntos difusos, es una coleccin de conceptos y herramientas para abstraer y procesar informacin con incertidumbre (Chivat, 2007), es que se efecta un ejercicio tpico de estimacin de la susceptibilidad y amenaza ante deslizamientos, incorporando todas las incertidumbres que pudieron ser tratables en el problema especfico. Si bien la experimentacin realizada no resuelve sino en una parte mnima los problemas de la modelacin, se confa que se pueden potenciar mejores desarrollos siguiendo estas lneas. La aplicacin de la teora de los conjuntos difusos, en la modelacin de estos fenmenos, ha tenido algunos desarrollos en los ltimos aos.

Juang et al (1992), Davis y Keller (1997), Binaghi et al (1998), Juang et al (1998), Milln (1999), Portilla (1999), Dodagoudar et al (2000), Portilla (2000), Benedikt (2002), Ercanoglu y Gokceoglu (2002), Chi et al (2002), Pistocchi et al (2002), Garca y Hurtado (2003), Gorsevski et al (2003), Giasi et al (2003), Park et al (2003), Remondo et al (2003), Tangestani (2003), Islam (2004), Lee (2006) y Chivat (2007), han mostrado algunos trabajos. Los resultados de estas investigaciones muestran la necesidad de incorporar esta teora en la modelacin, para poder tratar coherente y sistemticamente las incertidumbres, las cuales se deben principalmente a la escasez de informacin, el bajo conocimiento que se tiene sobre algunos componentes de estos procesos y el problema de la subjetividad en la toma de decisiones. 2. Incertidumbres deslizamientos en la modelacin de

Se pueden identificar algunas de las incertidumbres asociadas a los fenmenos de los deslizamientos y a su modelacin: La variabilidad y complejidad espacial y temporal: La imposibilidad prctica y eficiente de controlar (medir) todos los puntos en el dominio del espacio-tiempo, induce a contenidos de incertidumbre. Este es el caso de factores que inciden en los deslizamientos como: la distribucin de las precipitaciones, la ocurrencia de formaciones y estructuras geolgicas y de las propiedades mecnicas de los suelos, la distribucin de la vegetacin, entre otros. Las ciencias geogrficas han implementado tcnicas como la cartografa y la geoestadstica como medios de abstraccin de la complejidad espacial, en una estrategia en donde se acepta la dificultad de obtener un perfecto conocimiento de las variaciones espaciales y temporales de un proceso. Aleatoriedad: Las precipitaciones y sismos son eventos generadores de deslizamientos. Su ocurrencia puede identificarse como estocstica o parcialmente aleatoria (Chow et al, 1996). El problema de la aleatoriedad es tratado especialmente por la teora de la probabilidad. El concepto de probabilidad puede ser interpretado como una medicin numrica de la posibilidad de que un particular evento ocurra (Novk, 2005). Esta incertidumbre aleatoria, en algunos de los procesos ambientales puede ser modelada a travs de una gran variedad de funciones de frecuencia

relativa y distribuciones de probabilidad. Dentro de esta posible forma de incertidumbre pueden darse procesos no estacionarios, tambin llamados totalmente aleatorios o de volatilidad estocstica, en donde las propiedades estadsticas (mediciones de dispersin, por ejemplo) son variantes con el tiempo, lo cual puede complicar las modelaciones. Ambigedad: Para Novk (2005), la ambigedad surge cuando se tratan de agrupar objetos de acuerdo con determinada propiedad. Convencionalmente la clasificacin de objetos, se da de manera excluyente y no ambigua. Sin embargo en problemas de clasificacin, como en la restitucin de informacin cartogrfica de variables de incidencia en el fenmeno, por ejemplo, existen situaciones en donde se encuentran elementos para los cuales no es clara su pertenencia a una u otras categoras o su asociacin a un determinado atributo. Escasez de informacin: En la modelacin, tambin se presenta el problema de no disponer con informacin y datos suficientes para definir con rigor matemtico o estadstico la variabilidad de un proceso o propiedad. Incertidumbre en las interacciones y relaciones de los factores de los deslizamientos: En la ocurrencia de deslizamientos pueden intervenir factores tan inesperados como: la incidencia de la luz solar que puede promover la desecacin de masas de suelo, lo cual puede mejorar su estabilidad, diversas actividades antrpicas como la construccin de vas y alcantarillados, en donde errores pueden potenciar la ocurrencia de deslizamientos, el uso indebido del suelo para disponer de escombros y basuras en sitios de alta susceptibilidad, la modificacin no tcnica de los patrones de drenaje superficial de las masas, etc.; situaciones que a la postre llevan a dificultades para construir un modelo. En la modelacin puede llegarse a no identificar algunos de los factores que inciden, a no entender cmo discurren en el tiempo y en el espacio y la forma en que itineran o permanecen las interacciones entre las variables. Calidad de la informacin: Para el tratamiento de estos problemas se requiere de la composicin o agregacin de informacin y conocimiento que vara en cuanto a su naturaleza, suficiencia, precisin, escala, resolucin espacial y temporal, confiabilidad, fuentes (Park et al, 2003); lo cual dificulta la construccin e incrementa la incertidumbre de una representacin o modelacin (Bellamy y Lowes, 1999; Gahegan,

2000; Wang et al, 2005). Mitra et al (1998), Benz et al (2004), Wu et al (2005), Chaplot (2005) estudiaron el efecto del cambio en la resoluciones y escala, en modelos distribuidos en el espacio, encontrando que se pueden obtener diferentes resultados en la estimacin de las respuestas agregadas de un fenmeno complejo estudiado. Lo anterior muestra que la capacidad para abstraer y decidir sobre un problema puede variar de acuerdo con esta forma de incertidumbre (Wilson y Burrough, 1999; de Kort y Booij, en impresin) Una revisin a los diferentes contenidos de incertidumbre, sugiere que esta puede estar representada al menos por dos situaciones: la carencia del conocimiento, reflejada en la ausencia de datos representativos, el desconocimiento del fenmeno y la ambiguedad, que son directas expresiones de la incertidumbre epistemolgica (Christian, 2004). 3. Limitaciones de los enfoques tradicionales en la estimacin de los riesgos: Teora de la probabilidad Prevalece la idea de que la mayora de las incertidumbres en la evaluacin de la amenaza, componente del concepto del riesgo, pueden y deben ser tratadas nicamente por la teora de la probabilidad y la estadstica; sin embargo, se han expuesto algunas limitaciones del enfoque que indican que debe reevaluarse este paradigma, si se observa toda la complejidad e incertidumbres que rodean el modelamiento de los fenmenos generadores de dao, la estimacin de la amenaza y consecuentemente del riesgo. Almond (1995) y Bogardi y Duckstein (2003), sealan que la formulacin probabilstica de riesgo, conlleva a serias dificultades, como son: el manejo de situaciones de eventos de baja probabilidad/ alta consecuencia, la seleccin y uso de modelos de probabilidad, la escasez de datos estadsticos representativos y el problema de la dependencia estadstica entre las variables (covarianzas) y entre los eventos o ocurrencias (grados de libertad de una variable). Se haba anotado que, una forma de la incertidumbre es precisamente, la eventual imposibilidad prctica y eficiente de disponer de todos los datos que muestran el comportamiento de un fenmeno. Si el fenmeno es estocstico, es decir se puede estudiar a travs de funciones de densidad de probabilidad o de frecuencia relativa, frecuentemente se da que no se disponga de

informacin suficiente que permita con rigor definir estas estructuras estadsticas (Baudrit y Dubois, 2005). As mismo la aplicacin de la teora, nicamente es dable cuando se tratan procesos estocsticos y se conocen ampliamente las relaciones entre las variables de los procesos. Se agrega adems que, el mismo comportamiento no estacionario de algunos fenmenos, es otro escollo para la teora de la probabilidad, en donde procesos totalmente aleatorios son difciles de tratar. Tambin existen fenmenos en donde no es posible asociar su comportamiento no permanente a campos estocsticos. Lo mismo ocurre en el modelamiento de variables dependientes entre s y de eventos o grados de libertad correlacionados. En estos sentidos, la aplicacin de las tcnicas estocsticas es limitada. Sin embargo algunas de estas dificultades han sido sobrellevadas mediante la simulacin numrica y los anlisis no paramtricos. Estas metodologas han sido muy tiles y funcionales en la estimacin del riesgo (Borgman, 2004), lo que se ha facilitado por el uso de computadores. De otra parte es necesario indicar que los desastres naturales, se manifiestan a bajsimas probabilidades pero las consecuencias en prdidas o lesiones humanas, entre otras, son de grandes magnitudes e irreparables. Para determinar, por ejemplo, niveles de riesgo aceptable, desde la perspectiva de las consecuencias y los costos de las acciones preventivas, la teora de la probabilidad (ciencia objetiva) no ofrece mayores instrumentos, en vista de que la definicin de estos umbrales es un proceso subjetivo, como lo identifican Morgenstern (1995), Whitman (2000), Chung y Fabbri (2003) y Christian (2004): dichas apreciaciones dependen del valor asignado a los elementos expuestos3. Varios investigadores han sugerido algunos lineamientos para definir niveles de riesgos y niveles aceptables de riesgo (Hoek, 2000; Morgenstern, 1997; Fell y Hartford, 1997; en Sivakumar y Mukesh, 2003), pero se denota algn consenso en que estos criterios dependen de las particularidades del problema estudiado, de las percepciones de los expertos y valores conferidos a los elementos expuestos de parte de los grupos
No necesariamente se habla del establecimiento del costo de los bienes y servicios, sino del valor conferido por ejemplo a la vida de las personas, los ecosistemas afectados, la importancia social y econmica de un proyecto o infraestructuras amenazadas.
3

interesados. Tambin, se advierten reservas de la teora en cuanto a su capacidad de expresar y comunicar el concepto y las magnitudes del riesgo; y ofrece menores facilidades de interpretar y analizar las cuantificaciones del mismo (Zadeh, 1995). Cuando se tratan problemas como el riesgo ante fenmenos naturales, el esquema probabilista, es insuficiente, considerando que no se pueden tratar todos los aspectos de todos los contenidos de incertidumbre expuestos. Es necesario recordar que la teora de la probabilidad, emplea informaciones de tipo crisp (exacta), lo que hace prohibitivo el tratamiento de la vaguedad (Kandel et al, 1995). Lo anterior se explica en que los modelos probabilistas son conformados a partir de piezas de informacin (evidencias) no ambiguas, lo cual significa una restriccin fuerte para el uso de la teora, en condiciones de pobre informacin y baja calidad de los datos. Se piensa entonces, que complementariamente, la teora de los conjuntos difusos, entre varias teoras de la incertidumbre, deben incorporarse en la modelacin de riesgos naturales, incluyendo los deslizamientos, para apoyar la teora de la probabilidad, con el propsito de facilitar el tratamiento de problemas en condiciones de escasa informacin, la ocurrencia de fenmenos no estacionarios y no lineales y de incertidumbre epistemolgica y semntica (vaguedad). 4. Teora de los conjuntos difusos La teora tiene su origen en la teora de los conjuntos clsica booleana. Dicha teora fue extendida con los trabajos de Zadeh, que introdujo la lgica difusa4 y la teora de los conjuntos difusos (Klir y Yuan, 1995). Su razn de ser obedece a la necesidad de tratar problemas con los conceptos de valores de verdad parcial dentro de los trminos de absoluta verdad o certeza y de falsedad completa, en problemas de abstraccin que tratan de describir el fenmeno de la

La lgica difusa describe las leyes de la verdad correspondientes al razonamiento de fenmenos caracterizados por la vaguedad (Bhounek y Cintula, 2006; Novk, 2006). La lgica difusa est direccionada al tratamiento de los fenmenos que contienen vaguedad y se empea en el desarrollo de herramientas para su modelacin a travs de la graduacin de la verdad. La lgica clsica es considerada como un caso especial de la lgica difusa (Novk, 2006).

vaguedad5 y ambigedad6 (Gorsevski et al, 2003; Novk, 2005). La teora de los conjuntos difusos se refiere en su aspecto ms elemental a la categorizacin de la realidad, en clases, mediante grados de asociacin (funciones de pertenencia o membresa) de un determinado elemento a agrupaciones dentro de las condiciones de absoluta pertenencia y no pertenencia. La teora provee un gran nmero de herramientas tericas para lidiar con la incertidumbre, que permiten establecer los arreglos axiomticos, reglas adecuadas en su lgica y aritmtica, de acuerdo al fenmeno estudiado (Kreinovich y Nguyen, 2006; Bhounek y Cintula, 2006). Los conjuntos difusos son conjuntos cuyas fronteras no son precisas. Un conjunto difuso es una pieza de informacin con incertidumbre que est especificada mediante una funcin que mapea el grado de pertenencia o certeza con la que se asocia un elemento al conjunto. De esta forma un conjunto difuso es una pieza de informacin que contiene a la vez informaciones objetivas y subjetivas: la informacin objetiva es el conjunto de elementos posibles que representan una determinada entidad o variable. La informacin subjetiva est asociada a aquella que define el grado de pertenencia, creencia, certeza, soporte, confianza, evidencia, preferencia sobre determinados valores7 de esa pieza de informacin o variable. De manera formal, puede escribirse: un dato o informacin difusa puede ser considerado como un conjunto difuso U para el cual los valores x asociados al dato exhiben un grado de pertenencia expresada mediante una funcin (x) de tal forma que 0 (x) 18, donde: F(x) = {(x, (x))|x X}
La vaguedad expresa el grado con el cual una frontera de un conjunto A, no es crisp, no es exacta, no es precisa. 6 La ambigedad implica relaciones uno-a-muchos. Son relaciones no funcionales. 7 Aqu, la pieza de informacin puede ser una cantidad o una cualidad. Por ello se prefiere emplear el trmino valor, que rene estos dos tipos de informacin. 8 En la teora, el conjunto tpico utilizado correspondiente a los valores de verdad es el intervalo entero [0 , 1]. As, para cada apreciacin S de un perceptor, en la teora de los conjuntos difusos se describe la certidumbre o confianza de cada apreciacin por un nmero contenido en el intervalo [0 ,1] (Kreinovich y Nguyen, 2006). De una manera ms general, el intervalo [0, 1] puede ser remplazado por cualquier intervalo lineal ordenado, finito o no (Benferhat, Dubois y Prade; 2001). 5

y donde (x, (x)), para todo x que pertenece a X representa la funcin de pertenencia y X es el dominio de la funcin (x) y del conjunto x (Kovitz y Christakos, 2004).

Dibujo 1. Un nmero difuso y sus parmetros. Dodagoudar y Venkatachalam (2000).

Lo anterior puede ser descrito, a partir del concepto de cantidad difusa9 (x) (Mares, 1977); esta cantidad se define mediante una funcin de pertenencia (x) cuyas variables son cantidades en la lnea real. (x) mide el grado en el cual x se asocia o se asemeja a una categora o atributo. De otro modo, el valor dado de (x), y en otros casos , indica el grado de confianza o soporte para un determinado valor numrico de x. Para =1.0 en el dibujo 1, se tiene la mayor confianza o credibilidad de que la variable x es definida entre el intervalo [b, c]. Para un nivel =0.0, que corresponde a la menor creencia, la variable x est comprendida entre los valores contenidos entre a y d. Para valores intermedios de los valores de x estn definidos por una funcin (x). De igual forma, un conjunto difuso puede ser visto como la generalizacin de un intervalo (dibujo 2): un intervalo es un conjunto de valores asociados a una variable real. Este intervalo est definido por un valor mximo y uno mnimo, dentro de los cuales se tiene la confianza de que
9

Dentro de los distintos tipos de conjuntos difusos, de especial importancia son los conjuntos difusos que estn definidos en el conjunto R de los nmeros reales. El concepto de nmero difuso juega un rol fundamental en la formulacin en las variables cuantitativas difusas. Estas son variables cuyos estados o grados de libertad son nmeros difusos. Cuando estos representan conceptos lingsticos, tal como: muy pequeo, pequeo, mediano, etc., estas usualmente son llamadas variables lingsticas.

los valores siempre van a estar contenidos en dicho intervalo. Un nmero difuso, es un arreglo de intervalos anidados que definen una pieza de informacin. Cada intervalo est asociado a un nivel de confianza, certeza, creencia o preferencia al cual se le asigna un valor (x) o definido dentro del intervalo [0,1]. La forma de la funcin de (x) es determinada por la preferencia de los decisores, en el proceso construccin de los nmeros difusos. Las funciones de pertenencia suelen ser aproximadas a funciones sigmoidales, gaussianas, semicirculares, entre otras, pero una de las funciones ms manejables son las trapezoidales. Para el tratamiento aritmtico de la teora, se aplica el principio de extensin introducido por Zadeh (1975). As, las operaciones aritmticas y algebraicas pueden ser definidas en analoga a las operaciones de los conjuntos crisp (exactas, por ejemplo los nmeros reales); a travs del principio de extensin (Makropoulos y Butler, 2006). En general, este principio posibilita extender la aplicacin de las reglas de la aritmtica a cualquier tipo de operaciones con conjuntos difusos, lo cual se ha denominado aritmtica difusa (Kentel y Aral, 2005).

2006, Kovitz y Christakos, 2004). La fusificacin es el proceso contrario. A pesar de los ingentes desarrollos de la teora, persiste una deficiente interpretacin de este paradigma: se considera como un simple arreglo matemtico que permite lidiar con el uso del lenguaje natural; se interpreta como un herramienta ms que trata de incorporar el conocimiento subjetivo (Von Altrock, 1995); como un medio para procesar el razonamiento humano y como una simple tecnologa para el diseo de sistemas de control (Kandel et al, 1995; Laviolette et al, 1995; Kreinovich y Nguyen, 2006). Todava no es comn que se identifiquen sus potencialidades en el conocimiento e interpretacin de la complejidad ambiental. Se cree, que lo que no se ha reconocido o aceptado es que esta teora es una extensin de la teora de los conjuntos y de la lgica; teoras y paradigmas que son el fundamento del conocimiento, del pensamiento y de la razn finalmente. Tampoco se aprecian sus potencialidades para: la comunicacin ms efectiva de los resultados de una modelacin (Klir y Yuan, 1995), el enriquecimiento de los paradigmas convencionales (Leung, 1983), ni se identifican las facilidades para las labores de sntesis de datos e informacin y para la construccin de modelos con pobre informacin, simples y menos costosos. La discusin sobre las reales contribuciones de la teora al conocimiento an contina (Novk, 2005). 4.1 Teora de la posibilidad Dentro de la teora de la posibilidad, los conjuntos difusos se interpretan como un tipo especial de los conjuntos aleatorios. Se pueden definir funciones de pertenencia asociados a diferentes cantidades probabilistas. Ello da lugar a la teora de la posibilidad, que a la postre es una sencilla representacin de probabilidades imprecisas. En la teora de la posibilidad, los conceptos de tendencias centrales y las desviaciones de la teora estadstica, pueden ser procesados por la teora de los conjuntos difusos de la misma forma en que la teora de la probabilidad lo hace con las distribuciones de probabilidad (Dubois, 2005). A su vez que la teora de la posibilidad puede ser interpretada como un modelo de incertidumbre puramente cualitativa basada en un ordenamiento de niveles

Dibujo 2. Un nmero difuso como un arreglo consonante (anidado) de intervalos. Zadeh (1995)

En el dominio de los nmeros difusos se dan dos tipos de transformaciones que permiten modificar la informacin. Una entidad difusa puede ser defusificada. La aproximacin de una pieza de informacin difusa a una cantidad o categora crisp, es denominada defusificacin. En el proceso de defusificacin, las cantidades y valores difusos son aproximados mediante un punto crisp o dato duro nico factible equivalente (Bodjanova, 2006; Facchinetti y Pacchiarott,

de incertidumbre, es tambin un modelo numrico que puede ser relacionado con alguna informacin sobre las frecuencias y probabilidades de ocurrencia de un proceso (Dubois y Prade, 1998; Walley, 1996; citas de Martin-Clouaire et al, 2000). Las abstracciones posibilistas esencialmente tratan de representar cada pieza de informacin como una familia de distribuciones de probabilidad (Dubois y Prade, 1993; cita de Martin-Clouaire et al, 2000).

s2 para la variable X (Benferhat, Dubois y Prade; 2001). Tambin se puede concluir que x (s1) ofrece mejor informacin que x (s2). As mismo, puede decirse que si una distribucin de posibilidad x (s)=0, para cualquier s en el dominio de X, se expresa ignorancia total del valor de X. El conjunto de valores s donde x (s)=0 es identificado como el soporte de la distribucin. Cuando x (s)=1, para un conjunto de elementos de X, dicha coleccin se denomina el ncleo de la distribucin. El intervalo que contiene todos los valores de X referidos a un nivel o grado de posibilidad , es llamado corte (Baudrit et al, 2005). Sobre la teora se pueden consultar ms detalles en Dubois (2006). 4.2 La teora de la evidencia Un caso tpico de un problema con ambigedad, es el de establecer la interaccin entre una proposicin y la evidencia que soporta esa proposicin. El grado de verdad de una proposicin podra ser medido de acuerdo al grado de solapamiento entre la evidencia y la proposicin (Kikuchi y Pursula, 1998). La teora de la evidencia (tambin llamada teora de Dempster-Shafer) es una herramienta enfocada a la medicin del grado de verdad de una proposicin. Es un medio que permite combinar y sintetizar evidencias (Pei et al, en impresin). Consiste en cuantificar el grado en que algn conjunto de evidencias soportan una observacin. Descrito ms formalmente la medicin establece el grado de evidencia o certeza de que un elemento pertenezca a un conjunto. Asigna un valor a cada conjunto en el conjunto universal, mostrando el grado de evidencia o creencia de que un elemento en particular pertenezca al conjunto. Los campos de aplicacin de la teora se dan en problemas de clasificacin, evaluacin del desempeo de un sistema o la toma de decisiones (Kikuchi y Pursula, 1998), como se muestra en el dibujo 4. Dada un proposicin, x es A, su grado de verdad se mide mediante el grado en que x pertenece al conjunto A. La informacin sobre x es la evidencia. Las relaciones entre la proposicin y las evidencias puede ser una de las siguientes: (1) la evidencia completamente soporta la proposicin; (2) la evidencia no soporta

Dibujo 3. Distribucin de posibilidad. (Benferhat, Dubois y Prade; 2001)

Para esta teora, lo que es conocido sobre una variable X es representado por una funcin de distribucin de posibilidad x (Zadeh, 1978; Dubois y Prade, 1988; cita de Martn-Clouaire et al, 2000), que se mapea el dominio de X dentro del intervalo [0,1]. Una distribucin de posibilidad es una representacin de lo que un observador conoce sobre los valores de una variable X en determinado espacio. Representa una familia de subconjuntos o intervalos consonantes o anidados en la cual cada subconjunto se asocia a un nivel de confianza, creencia o soporte. x puede ser visto como una funcin de pertenencia del conjunto difuso de posibles valores de X. Para cada elemento s en X, x (s) es el grado de posibilidad de que X=s. De acuerdo con el dibujo 3, x (s)=0 indica que X no puede tomar el valor de s, x (s)=1, significa que no hay nada que pueda prevenir que X tenga un valor s. En otras palabras s es un valor usual, normal, comn. En la zona de transicin donde los grados de posibilidad estn estrictamente comprendidos entre 0 y 1, la distribucin de posibilidad expresa que si x (s1) > x (s2), s1 es un valor ms plausible o factible que

la proposicin en ninguna parte; y (3) la evidencia parcialmente soporta la proposicin. Lo anterior se muestra en el dibujo 5: La incertidumbre ocurre en el tercer caso y se dan tambin tres posibles situaciones: (1) dadas varias piezas de evidencia (por ejemplo, resultados experimentales), cada pieza de evidencia apunta a un solo subconjunto (una proposicin), como se ve en el patrn 1 del dibujo 6; (2) el cuerpo de la evidencia apunta a conjuntos anidados, as que una pieza de evidencia soporta todos los conjuntos de proposiciones (patrn 2); y (3) hay un patrn que es la combinacin de los anteriores (patrn 3).

Dibujo 5. Posibles relaciones entre una proposicin y las evidencias. (Kikuchi y Pursula, 1998).

Dibujo 4. Campos de aplicacin de la teora de la evidencia con conjuntos difusos. (Kikuchi y Pursula, 1998).

Un problema especfico de evaluacin, es el comparar dos tipos de conjuntos, uno que corresponde al desempeo del sistema y otro que corresponda a un objetivo o restriccin, con el objetivo de determinar el grado en que el sistema responde a los objetivos. En este caso tanto la respuesta como el objetivo o la restriccin son representadas como nmeros difusos A(x), B(x). El grado de verdad de la proposicin A satisface B es determinado por las mtricas de posibilidad y necesidad como se muestra en el dibujo 7, donde A est dado por la distribucin de posibilidad A(x), y B esta dado por el conjunto difuso B(x)
PossA (B) = Max Min { B(x), A(x)} para todo x NecA (B) = 1 [Max Min {[1 B(x)], A(x)} para todo x

La medicin de la incertidumbre en cada caso, es efectuada a travs de la medicin de probabilidad para el patrn 1, medicin de posibilidad en el caso del patrn 2 y medicin de creencia para el patrn 3. Las mediciones de incertidumbre apuntan a determinar el grado de soporte o fortaleza de una determinada proposicin A. Cada patrn est asociado a cierto nivel de incertidumbre que muestra las limitaciones de la evidencia. El patrn 1, que describe incertidumbre aleatoria, est definido por piezas crisp, los dems se refieren a evidencias con vaguedad y ambigedad y pueden ser representadas con estructuras difusas o piezas no excluyentes de evidencias. El problema por lo tanto es establecer por ejemplo valores de verdad dentro del intervalo [0,1], mediante una funcin g. Entonces g(A) puede ser interpretado como una funcin que mide la fortaleza de la proposicin de x es A.

Estos indicadores provienen de otras mtricas ms generales de la teora de la evidencia que son las funciones de creencia, cuyos detalles se pueden consultar en Klir y Yuan (1995). Con esta revisin de las teoras que permiten el tratamiento de la incertidumbre, se tienen herramientas para la evaluacin de un problema complejo, puesto que se definen tcnicas para incorporar la estocasticidad y vaguedad de variables (teora de la probabilidad, teora de los conjuntos difusos) y la evaluacin y clasificacin de las salidas de un modelo para la toma de decisiones (teora de la evidencia).

5.1 Consideraciones en la modelacin Se ha focalizado el alcance del trabajo al estudio de deslizamientos inducidos por lluvias y a movimientos traslacionales, que corresponden a un tipo de movimiento de falla. Lo anterior se debe a que la dinmica de los factores que inciden en estos movimientos es muy particular. No es apropiado establecer un slo modelo para todos los tipos de movimientos (Milln, 1999; Van Westen, Van Asch y Soeters, 2006). Los enfoques estadsticos son comnmente empleados para evaluar la amenaza de deslizamientos en grandes sectores. Sin embargo, estos enfoques no pueden modelar efectivamente los fenmenos de deslizamientos, debido a que existen relaciones no lineales entre los factores intrnsecos de estos procesos y con los factores detonantes (Yesilnacar y Topal, 2005). Si se tomara la decisin de dar un tratamiento meramente probabilista, se denota que principalmente el dficit de informacin, impide aplicar con rigor las reglas de la teora estadstica; de igual forma tampoco es posible y confiable asumir el comportamiento estacionario del sistema, lo que obligara establecer una modelacin probabilista no estacionaria y de nuevo la ausencia de informacin lo impide (Almond, 1995). Existe un camino viable, y es el tratamiento probabilista con funciones de probabilidad uniforme o el medio equivalente de piezas de informacin expresadas en intervalos de valores posibles, no obstante es conocido que estos mtodos llevan a sobrestimaciones en las salidas de los modelos, que hacen poco funcional la aplicacin de estas formas de modelacin (Baudrit y Dubois, 2005; Baudrit et al, 2005). Por estas razones se acude a los elementos de la teora de los conjuntos difusos, que permiten tratar estas dificultades de una manera coherente y sencilla. 5.2 La zona de estudio La zona de estudio corresponde al rea urbana y alrededores del municipio de Manizales, Colombia, Suramrica, delimitado por los siguientes vrtices en coordenadas planas DATUM MAGNA-SIRGAS (WGS84). Vrtice inferior 1169997.487E, 1047236.014N Vrtice superior 1184997.487E,1054986.014N

Dibujo 6. Posibles relaciones entre una proposicin y las evidencias en condiciones de incertidumbre. (Kikuchi y Pursula, 1998).

Dibujo 7. Comparacin entre dos nmeros difusos. (Kikuchi y Pursula, 1998).

5. Aplicacin de las teoras de incertidumbre al problema de la estimacin de la susceptibilidad y amenaza por deslizamientos inducidos por lluvia. El trabajo que sigue procesa las incertidumbres de los procesos generadores de dao y de las vulnerabilidades de las masas de suelo, mediante conjuntos difusos. La tcnica consiste en tratar la incertidumbre de los factores que inciden en la ocurrencia de los deslizamientos mediante la construccin de funciones de pertenencia para cada entidad geogrfica segn sus atributos o factores que concurren en este. Adems se define un espectro para la clasificacin de la susceptibilidad, que permite categorizar las cuantificaciones de la susceptibilidad en clases semnticas, ello con el apoyo de la teora de la evidencia.

Dibujo 8. Localizacin de la zona de estudio. Casco urbano y alrededores del municipio de Manizales, Caldas, Colombia. Tomado de www.sumapa.com. Sin escala

La zona de estudio presenta alturas que oscilan entre 1600 y 2700 m.s.n.m. Se dan precipitaciones anuales entre 1800 y 2100 mm. y temperaturas entre 12 y 18C. Las precipitaciones presentan una gran variacin espacial, se distribuyen anualmente en dos perodos lluviosos: abril mayo en aos secos o marzo junio en aos hmedos y septiembre noviembre, separados por dos perodos menos hmedos: diciembre febrero y julio agosto. La direccin predominante de los vientos va desde el Ro Cauca hacia la zona urbana (de occidente a oriente en el mapa, dibujo 8). Las zonas de vida presentes en el rea corresponden a las zonas de Bosque Hmedo Montano Bajo (bH MB) y Bosque Muy Hmedo Montano Bajo (bmH MB) (Arango, 2000). En la ciudad de Manizales, se hallan unidades geolgicas antiguas (paleozoico), con depsitos cuaternarios jvenes y recientes, representados por cenizas volcnicas, materiales aluviales y coluviales. El rea se encuentra influenciada por el sistema de fallas Cauca Romeral, cuya direccin predominante es N-S (Arango, 2000). Las geoformas predominantes en el rea de estudio se caracterizan por presentar un relieve

montaoso de vertientes con pendientes largas y regulares que son suavizadas por los depsitos de cada piroclstica. Los pendientes ms frecuentes, oscilan entre 30 y 40. El tipo de drenaje es subdendrtico a subparalelo (Arango, 2000). En el rea de estudio, conforme a su posicin en la secuencia estratigrfica, se diferencian las siguientes unidades de origen geolgico y antrpico, entre otras: (i) Gabros hornblndicos de la Quebrada Olivares, (ii) Complejo Quebradagrande, (iii) Formacin Manizales, (iv) Formacin Casabianca, (v) Cenizas volcnicas, (vi) Rellenos de cauces y (vii) Rellenos de ladera (Arango, 2000). Los cambios ms importantes en los usos del suelo en los ltimos 20 aos en el rea de estudio, se relacionan con la densificacin urbanstica. Los conflictos con el uso del suelo de mayor relevancia en algunos sectores crticos de inestabilidad son: la urbanizacin en sitios de fuertes pendientes y de incapacidad geotcnica de los suelos o de inestabilidad actual o potencial; la prdida de bosque natural (reas adyacentes a drenajes) y de vegetacin nativa (esencialmente rastrojo); el incremento de asentamientos humanos y de parcelas de potreros y cultivos limpios; la existencia de mltiples sitios de

10

Dibujo 9. Esquema de la modelacin propuesta

botaderos en laderas de pendiente fuerte, donde son arrojados basuras, escombros y residuos de movimientos de tierra (Arango, 2000). Puede anotarse adicionalmente, que en la ciudad de Manizales, se han intervenido intensamente las laderas, mediante la ejecucin de grandes adecuaciones de terreno, con la ejecucin de cortes y explanaciones de suelos, para la construccin de facilidades urbansticas y edificaciones, lo que a la postre ha incidido notablemente en la generacin de susceptibilidades por la generacin de zonas potencialmente inestables. Tales intervenciones han afectado principalmente cauces y han propiciado la eliminacin de la cobertura vegetal (Arango, 2000). Histricamente, se han registrado procesos de remocin en masa y fenmenos erosivos, que han afectado la vida de la comunidad a tal punto, que se consideran el mayor problema ambiental en la ciudad. Los deslizamientos, son los fenmenos ms frecuentes y afectan principalmente las laderas perimetrales del casco urbano, en sitios donde se ha desprovedo la cobertura vegetal, en zonas de explanacin y en rellenos artificiales de drenajes (COLPADE, 2003). En los das del 18 y 19 de marzo, 28 y 29 de octubre, 4 de diciembre de 2003, se presentaron cerca de 215 deslizamientos, que afectaron 1600 viviendas y causaron la muerte de 40 personas (COLPADE, 2003, 2003). Posteriormente se present una emergencia, el da 10 de junio de 2005, tambin con afectaciones, daos y vctimas.

5.3 El proceso de abstraccin, modelacin y toma de decisiones El procedimiento de modelacin es el indicado en el esquema del dibujo 9. El procedimiento propuesto reconoce que el problema, es un proceso no lineal y difuso e involucra la integracin de los procesos de decisin y comunicacin en la modelacin, tambin como procesos no totalmente lineales. 5.4 Variables consideradas Inclinacin del terreno: A partir del modelo de elevacin y con la ayuda del sistema de informacin geogrfica, se logr configurar un modelo inclinacin que permite determinar para cada porcin de terreno la pendiente media medida en grados. Forma de ladera: Corresponde a la curvatura de la seccin normal, la cual es tangente a los contornos del mapa de curvas de nivel, en el modelo de elevacin del terreno. Escurrimiento potencial acumulado: Es un ndice que trata de medir la cantidad de agua de escorrenta que puede allegarse a una locacin dada. Es un importante parmetro para la determinacin de las caractersticas significativas de la hidrologa y el drenaje. El ndice es utilizado para cuantificar intensidades de flujo y potenciales de acumulacin o erosin (Yesilnacar y Topal, 2005). Formaciones superficiales: Se trata de informacin correspondiente a la ocurrencia de suelos y rocas en superficie definida en las siguientes clases: 1-Rellenos ladera, 2-Rellenos cauce, 3-Suelo orgnico, 4-Cenizas volcnicas, 5-

11

Formacin Casabianca, 6- Formacin Manizales, 7- Formacin Quebradagrande. Uso y cobertura del suelo: Se trata de informacin categorial que se escal en las siguientes clases: 1-Suelo desnudo, 2-Pastos, 3Rastrojo, 4-Bosque, 5-Tratamientos de estabilizacin, 6-Cultivos, 7-reas construidas o urbanizadas. Modelo de lluvias: A partir de los registros de precipitaciones correspondientes a series histricas de 19 estaciones en el rea de influencia del estudio, es posible construir un modelo aproximado de la distribucin de las lluvias para los das en que ocurrieron los deslizamientos (2003) y un mapa aproximado de probabilidades de excedencia de los umbrales de lluvia a partir de los cuales se promueve la ocurrencia de deslizamientos. Las variables disponibles y seleccionadas, corresponden a los factores identificados por Varnes (1984), Garca (1991), Dunoyer (1993), Van Westen (1993), Hutchinson (1995), Milln (1999), Arango (2000), Portilla (2001), Chi et al (2002), Wilkinson et al (2002), Tangestani (2003), Ercanoglu et al (2004), Lee y Talib (2005), Remondo et al (2005); como factores ms incidentes en la ocurrencia de los deslizamientos inducidos por lluvia. Se incluy una variable adicional correspondiente al indicador de escurrimiento potencial, para verificar su incidencia en los procesos de deslizamientos. 5.5 Confiabilidad de la informacin Teniendo en cuenta que pueden presentarse incertidumbres asociadas a la restitucin o recuperacin de la informacin, conviene medir el grado de confiabilidad que ofrecen estas bases de datos y modelos. Esta puede ser evaluada a travs de la comparacin de los datos de la base y unos de referencia tomados en campo. Los datos de referencia en este caso son los recolectados por Corpocaldas, autoridad ambiental en la jurisdiccin, en los puntos de deslizamientos de marzo de 2003. Aunque la prueba en rigor no es estrictamente confiable, en razn a que los puntos de control de campo, no fueron seleccionados para este propsito, ni tampoco cubren razonablemente toda el rea de estudio, los resultados de esta prueba pueden ofrecer indicios sobre la fiabilidad de la informacin. Para el uso de los modelos propuestos se recomienda realizar pruebas de

confiabilidad ms exigentes, que permitan depurar la informacin.

Tabla 1. Estimacin de la confiabilidad de las bases de datos Variable Proporcin, Proporcin de, cruce desplazando los directo puntos en la direccin S-E Pendiente del 56.6% 63.7% terreno Forma de la ladera 34.2% 42.1% Escurrimiento* Formaciones 45.4% 54.6% superficiales Uso y cobertura 51.9% 51.2% del suelo
* Para esta variable no se dispone de datos de referencia de campo porque esta es una variable deducida del modelo de elevacin del terreno.

Se efectu un cruce de las informaciones contendidas en las bases y los datos de campo recolectados por Corpocaldas. Esta labor se hace mediante el cruce de los mapas de las variables y el mapa de distribucin de deslizamientos, que se desarroll a partir de los datos del inventario de deslizamientos. El inventario cuenta con informacin sobre la localizacin de los puntos en donde ocurrieron los movimientos, datos que fueron recuperados con la ayuda de equipos de posicionamiento global y mapas del Instituto Geogrfico Agustn Codazzi. En el cruce directo de las informaciones, se obtuvieron los resultados (tabla 1) que miden la proporcin de puntos, cuyos datos coinciden, lo cual fue examinado a diferentes resoluciones en los modelos raster (modelos constituidos por pxeles10). Las pruebas indican que ocurre cierta incertidumbre en la localizacin de los puntos del mapa de deslizamientos que probablemente obedece a la precisin de los equipos, de los mapas utilizados y el proceso de georeferenciacin. Para considerar los efectos de la imprecisin en la localizacin de los deslizamientos, las coordenadas obtenidas fueron desviadas en todas las direcciones en una magnitud igual al error cuadrtico medio de los equipos o medios de georeferenciacin. De esta forma se encontr que el mayor ajuste se da la
10

Son piezas que corresponden a porciones de terreno de tamao uniforme. El tamao de estos elementos, define la resolucin de la base de datos respectiva. Su uso se debe a la posibilidad de efectuar computaciones aritmticas fcilmente.

12

direccin sur-oriental. As, el error es corregido desviando en la direccin S-E, todos los puntos del mapa de deslizamientos, lo cual es de importancia en las pruebas de calibracin y validacin de los modelos. La informacin se intent mejorar con la aplicacin de filtros, que son algoritmos para depurar bases de datos, sin que se lograran mejores resultados. De acuerdo con los datos anteriores, podra esperarse que la capacidad de prediccin de los modelos, no pudiera ser superior a las proporciones mostradas, sin embargo todo depende del arreglo o modelo de agregacin de las variables a que se llegue y de cmo se fusifique la informacin. 5.6 Criterios de decisin. Espectro de clasificacin de la susceptibilidad. Para permitir que los usuarios finales del modelo, visualicen de manera sencilla y fcil la informacin, se estila dividir el espectro, en dos o ms clases de susceptibilidad. Es pertinente anotar que a su vez la mayora de los usuarios finales del modelo entienden y utilizan mejor los mapas con leyendas y etiquetas como amenaza alta, media o baja que con valores numricos (Beguera, 2006). Se piensa que esta estrategia de reclasificacin, tiende a garantizar que la comunicacin de la susceptibilidad y amenaza, sea ms significante y efectiva y da facilidades para la interpretacin. Dicha estrategia en comparacin con la utilizacin de la escala numrica, permitira informar mejor a cualquier usuario, siendo este paso de importancia significativa en la gestin de los riesgos. Pero el inters, de hacer esta introduccin, es que dicha categorizacin permitir establecer los niveles de precisin que se requieren en el modelo. El tratar de dimensionar la precisin de las variables, antes de generar el modelo, puede ahorrar tiempo y recursos. De acuerdo con la sensibilidad requerida para la toma de decisiones y la comunicacin de la susceptibilidad y amenaza, puede decidirse como discretizar la informacin o lo que es lo mismo determinar el nmero de grados de libertad para cada variable continua. Se debe seleccionar una resolucin o precisin de acuerdo con los detalles requeridos para la toma de decisiones y la comunicacin del riesgo, considerando adems, el esfuerzo computacional a comprometer, la capacidad de memoria de los ordenadores, la eficiencia en el

clculo, pero tambin el objetivo de evitar que como producto del proceso de discretizacin, se pierda informacin. Para la discretizacin de la respuesta convencionalmente se emplean tcnicas como: los quiebres naturales, la definicin de cuantiles, de intervalos iguales, los mltiplos de desviaciones estndar11. Cada una de las tcnicas ofrece diferentes resultados. Sin embargo muchos autores prefieren que en el caso del mapeo de susceptibilidades y amenaza de deslizamientos, se emplee la opinin de expertos para determinar dichos umbrales (Ayalew et al, 2004). De esta forma, se decide que dicho espectro de los criterios de decisin debe ser consultado con expertos locales. Ello se respalda en lo sugerido por Morgenstern (1995), Whitman (2000) y Christian 2004), que indican que la definicin de estos umbrales es un proceso subjetivo y particular al rea de estudio y al problema. Para tal efecto se hace uso de la teora de los conjuntos difusos, en el tema de agregacin de preferencias. Se consultaron a nueve expertos de la localidad, con perfiles y experiencias muy similares. Despus de una breve presentacin de la investigacin en curso, se les pregunt:

Considera que el proceso de discretizacin o categorizacin de los niveles de riesgo, facilita la toma de decisiones o el proceso de comunicacin del riesgo? Si un modelo para la evaluacin de la amenaza ante deslizamientos en la ciudad de Manizales, pudiera cuantificar las magnitudes de susceptibilidad debido a deslizamientos inducidos por lluvia, cuantas categoras, clases o niveles de susceptibilidad o amenaza o riesgo establecera? Dentro de que cuantiles definira cada clase o nivel?

El esquema de clasificacin que se basa en los cortes naturales, identifica puntos de quiebre mediante la identificacin de patrones inherentes en la serie de datos de la respuesta. En la clasificacin de acuerdo a los cuantiles, los elementos son agrupados en categoras con la misma cantidad de elementos. En el esquema de categoras de iguales intervalos, se divide todo el espectro en regiones de igual extensin. En el caso del uso de desviaciones estndar, los datos son clasificados, de acuerdo la dispersin de la respuesta con respecto al valor medio del espectro (Ayalew et al, 2004).

11

13

Tabla 2. Intervalos propuestos por los expertos para la clasificacin de la susceptibilidad. Experto Categora Categora baja Categora media Categora alta muy baja 1 0.00-0.20 0.20-0.40 0.40-0.60 0.60-0.80 2 0.00-0.20 0.20-0.40 0.40-0.60 0.60-0.80 3 0.00-0.10 0.10-0.30 0.30-0.60 0.60-0.80 4 0.00-0.10 0.10-0.30 0.30-0.50 0.50-0.80 5 0.00-0.20 0.20-0.60 0.60-0.80 6 0.00-0.10 0.10-0.30 0.30-0.50 0.50-0.90 7 0.00-0.10 0.10-0.40 0.40-0.60 0.60-0.75 8 0.00-0.05 0.05-0.20 0.20-0.40 0.40-0.75 9 0.00-0.20 0.20-0.30 0.30-0.60 0.60-0.75

Categora de muy alta >0.80 >0.80 >0.80 >0.80 >0.80 >0.90 >0.75 >0.75 >0.75

La mayora de los resultados de la consulta, tuvieron como punto en comn, que pueden definirse cinco categoras de susceptibilidad. Se identificaron las categoras, en las clases muy bajo, bajo, medio, alto y muy alto. Cada uno de ellos defini los intervalos mostrados en la tabla 2. Es evidente que las percepciones varan de evaluador en evaluador. Lo cual puede obedecer a la diferencias entre la experiencia y conocimiento de cada experto, a la percepcin del riesgo, que puede ser de aversin o de optimismo, entre otras, lo cual es natural y esperado. Para establecer el espectro de clasificacin de la susceptibilidad, se recurre al apoyo de la teora de los conjuntos difusos y las tcnicas de agregacin de percepciones. En este caso el proceso fue muy sencillo: consiste en agrupar los intervalos sugeridos de menor amplitud arriba y los de mayor amplitud abajo y en orden, conformndose as el espectro de nmeros difusos asociados a las categoras de susceptibilidad. El espectro de categorizacin de la susceptibilidad, es as definido en cinco categoras
Tabla 3. Parmetros del espectro de clasificacin de la susceptibilidad a b c d Muy bajo 0.0 0.0 0.05 0.2 Bajo 0.0 0.2 0.2 0.4 Medio 0.2 0.4 0.4 0.6 Alto 0.4 0.6 0.75 0.9 Muy alto 0.75 0.9 >0.9 >0.9

De acuerdo a los grados de libertad del espectro difuso de susceptibilidad, pueden definirse al menos cinco categoras o grados de libertad como precisin de trabajo en las variables continuas, que estn representadas en los parmetros morfolgicos: la pendiente, la forma de la ladera y el ndice de escurrimiento. Las dems variables son del tipo discreto y categorial, cuyos grados de libertad, estn definidos de acuerdo a como se recuper la informacin. Si en algn momento se tienen que definir otras precisiones en estas variables, el nmero de grados de libertad o clases no podr ser inferior a cinco.
(x) ( ) 1 0.8 muy baja 0.6 0.4 0.2 0 0.0 0.2 0.4 0.6 0.8 1.0 Indice de susceptibilidad baja media alta muy alta

Dibujo 10. Espectro de clasificacin de la susceptibilidad obtenido.

y se muestra en el dibujo 10 y en la tabla 312.

12 En la tabla se muestra los valores de susceptibilidad mediante los elementos de un numero difuso trapezoidal: un nmero difuso trapezoidal A es definido por la tupla A = (a, b, c, d), donde a y d acotan el intervalo de valores mnimo y mximo de la pieza de informacin difusa y b y c son los

Una conclusin que se deriva en este paso, es que las actividades de la toma de decisiones, son un proceso interactivo con la modelacin, adems que se debe observar cual es la sensibilidad requerida para la toma de decisiones y la comunicacin del riesgo, para restringir el uso de niveles de precisin inocuos.
valores que acotan el intervalo con (x) o =1.0 que corresponde al intervalo con mayor certeza dentro del conjunto de valores contenidos en el intervalo [a,d].

14

5.7 Resoluciones de trabajo Se considera que dentro de la modelacin propuesta merece ser estudiada, la precisin o resoluciones de la informacin de insumo para el modelo. Una de las razones es buscar la mayor eficiencia en el almacenamiento de datos y clculo del modelo. Una resolucin ptima de trabajo, tambin depende de la sensibilidad requerida para la toma de las decisiones, la precisin con la cual fue capturada la informacin y del objetivo de aprovechar toda la informacin disponible en los datos, evitando que se pierda informacin. Tambin se debe anotar que el proceso de discretizacin de una variable se produce prdida de informacin (exactitud), lo que implica que es necesario analizar cuales son los efectos de esta actividad en la calidad de los modelos (Remondo et al, 2003). En el aparte anterior se fij que los grados de libertad asociados a cada variable, no podran ser inferiores a cinco. Ello significa que si resulta necesario escalar o agregar informacin en una variable, esta es una restriccin. El estudio de las resoluciones de trabajo, se aplica tambin a la definicin del tamao de las unidades pxel, en los modelos de distribucin de las variables. El tamao del pxel mnimo, en el cual se pueden discretizar los modelos de distribucin de las variables seleccionadas, depende de la precisin a la cual se captur la informacin. Por ello conviene revisar las precisiones de captura: La informacin correspondiente a los temas de uso del suelo y formaciones superficiales fue restituida a una escala aproximada de 1:10000, as que la precisin de localizacin de los bordes de las unidades reconocidas, debe ser 5 metros, de acuerdo con lo indicado por la USGS (1993), por esta razn el tamao del pxel no puede ser inferior a 10 metros. De acuerdo con la escala de trabajo puede esperarse que la desviacin sea de entre 10 y 20 metros en la delimitacin de unidades, puesto que la escala de fotointerpretacin fue de aproximadamente 1:10000. Esto es, que la resolucin correspondiente se encuentra entre 10x10 a 20x20 metros. La identificacin de entidades de elementos de superficie inferiores a 50 m2, tambin es remota, es decir que la resolucin de trabajo en este caso no es inferior a 50x50 m. En cuanto a la resolucin del modelo de elevacin del

terreno, que fue recuperada en escala 1:2000, se tiene que la resolucin de trabajo para el 90% del rea de estudio est dentro del intervalo entre 1x1 a 10x10 y de 1x1 a 20x20 en el 97.5% de la extensin. Para el cruce de la informacin digital disponible con los datos levantados en terreno, se obtiene un intervalo de resolucin de 1x1 a 15x15m, de acuerdo con la magnitud de incertidumbre de los equipos de posicionamiento empleados en la localizacin de los deslizamientos y de los mapas empleados en la localizacin de los puntos, cuando se dio este procedimiento. Se tiene igualmente la necesidad de determinar el potencial desplazamiento de masas, masas que tienen un cierto volumen. El inventario de Corpocaldas, muestra que se registraron deslizamientos de tamao superior a 12.00 metros en una dimensin. Criterio que puede ser empleado para la definicin de la resolucin de trabajo. Esta resolucin de trabajo, tambin define en cierto modo la magnitud de los movimientos que el modelo podra predecir. De este modo se dira en el modelo de susceptibilidad-amenaza que se construya, que cierta porcin de terreno mostrara cierta de probabilidad de producir un movimiento cuya magnitud medida de acuerdo con sus dimensiones sera superior a 12.00 metros, en una dimensin. Esta aproximacin, es una alternativa para superar el escollo de determinar la magnitud de las masas, en la evaluacin de la amenaza. El autor, no encontr alguna publicacin que revele la incidencia y efectos de la resolucin de la informacin relacionada con la evaluacin de la amenaza y susceptibilidad ante de deslizamientos. No obstante las pruebas realizadas que se efectuaron a resoluciones de entre 2.0 x 2.0, 4.0 x 4.0, 8.0 x 8.0, 10.0 x 10.0, 12.0 x 12.0 y 16.0 x 16.0 y 20.0 x 20.0 metros, indican que las resoluciones ptimas de trabajo, considerando: el anlisis de la confiabilidad de la informacin, los resultados de la validacin del modelo, el esfuerzo computacional, la conservacin de la informacin, la sensibilidad requerida para el modelo (recordando que se quieren detectar zonas susceptibles que puedan causar dao, de acuerdo al tamao de los volmenes de las masas de deslizamiento), la resolucin de restitucin de la informacin que proviene de aerofotografas y las posibilidades y esfuerzo para la validacin del modelo, se sitan entre las resoluciones de 10.0 x 10.0 a 20.0 x 20.0 metros, por lo tanto se resolvi

15

trabajar con una resolucin de 10.0 x 10.0 metros, procurando los mayores detalles en la informacin. Tambin, puede pensarse en dar un tratamiento especial de las distribuciones de frecuencia relativa para la estimacin de los parmetros de las variables del modelo. Si cada variable puede estar definida por una funcin de frecuencia relativa, que exprese la frecuencia relativa de sus grados de libertad o clases, es pertinente tambin definir la precisin de estas funciones. La precisin de la funcin, est determinada por el ancho de cada clase, en la distribucin. Remondo et al (2003), mostr que los resultados del modelo no son afectados sensiblemente por la precisin de la funciones de distribucin, cuando el nmero de grados de libertad era superior o igual a cinco. Para una variable continua que se deba discretizar, como el caso de las variables morfomtricas, la amplitud de cada clase, deber ser definida de acuerdo con la incertidumbre de estimacin de la frecuencia relativa asociada al grado de libertad de la variable, la precisin requerida en la toma de decisiones y las capacidades de computacin. En este caso debe estudiarse antes, la amplitud de los intervalos de confianza de la estimacin de las frecuencias relativas asociadas a cada clase de la variable, pero no obstante la restriccin de un nmero mnimo de grados de libertad, prevalece en este sentido. Se define como precisin mnima de trabajo, para las funciones de frecuencias relativas, que cada variable tenga al menos cinco clases. De acuerdo con lo anterior, la estimacin de los parmetros del modelo, se bas en el establecimiento de funciones de frecuencia relativa, definidas con al menos cinco grados de libertad para los factores de variables continuas como: la inclinacin del terreno, la forma de la ladera y el ndice hidrolgico identificado como el escurrimiento acumulado potencial. La base de datos correspondiente a las formaciones superficiales, se escal en cuatro grados de libertad, porque algunas de las unidades nos son cartografiables a la escala en la cual se captur la informacin. La base de datos correspondiente al

uso y cobertura del suelo, conserv los grados de libertad con que fue capturada. La funcin de frecuencia relativa asociada a los patrones de lluvia o modelos de excedencia de los indicadores, tambin fue escalada en un nmero superior a cinco grados de libertad.

5.8 Transformacin de la informacin El modelo de susceptibilidad y amenaza se expresa como: [R(x)] = [x][w] Donde [x], es un vector de variables y [w], es un vector de parmetros. El signo es un operador de composicin que provee la interfase entre las variables y los parmetros. [x], [w] y [R(x)], expresan piezas de informacin difusa. Las piezas de informacin correspondiente a las variables del modelo, deberan defusificarse, para considerar los efectos de la incertidumbre en el proceso de abstraccin de la informacin a travs de la teledeteccin y las validaciones de campo, mediante un esquema similar al mostrado en el dibujo 11. No obstante, el paso de la fusificacin de las bases de datos no se pudo dar por cuanto se requiere de un trabajo exhaustivo de campo que no estaba dentro del alcance del trabajo. Por lo tanto, el modelo aqu, considera que las variables son crisp (no difusas). Para facilitar el proceso de agregacin de las variables, el formato de las bases de datos e informacin debe homogenizarse. La transformacin siguiente de los modelos de distribucin de las variables, consiste en desarrollar modelos raster. Para ello debe seleccionarse un tamao de pxel uniforme para las bases de datos, conforme a la resolucin de trabajo seleccionada.

16

Dibujo 11. Modelacin completa del sistema difuso. El modelo se representa mediante el vector de relaciones [R(x)] = [ [x] [w] ]

5.9 Estimacin de los parmetros del modelo El modelo de trabajo es no lineal, considerando el concepto de que los deslizamientos y la amenaza misma, son fenmenos que tienen esa misma naturaleza. Lo anterior implica que los parmetros del modelo deben ser al menos variables. As mismo, en la estimacin de los parmetros deben considerarse incertidumbres que se derivan de la precisin de medicin de los datos (resolucin), la confianza estadstica en razn al tamao de la muestra y las propiedades de no estacionalidad. La insuficiente informacin sobre la importancia o frecuencia relativa de las variables, no permite estimar con certeza los parmetros del modelo. Como se ver adelante, slo se pueden estimar intervalos de confianza para los parmetros. Lo anterior conduce a que a cambio de identificar los parmetros del modelo como variables13, son ms bien piezas de informacin
13 Si la importancia o incidencia de las variables, no tiene que ver con los cambios de estado del modelo, luego es apropiado usar un vector constante de pesos o parmetros. En sistemas no lineales, se deben aplicar parmetros que dependen del estado de un sistema, esto es, que los parmetros deben variar conforme los estados varan (Li et al., 2004).

difusas14, porque sus estimaciones contienen incertidumbre. Para estimar los parmetros se debe hacer suposiciones sobre el tamao de la poblacin a partir de la cual se hacen las estimaciones muestrales. En el caso especfico, se cuenta con una poblacin no definida, porque no se sabe con precisin, la extensin de terreno en la cual es vlido el modelo y los parmetros. Para la estimacin de los factores de peso se requiere definir con algunos criterios la extensin sobre la cual se establece la modelacin. De otro lado, en el mbito de las decisiones debe anotarse que las estrategias de decisin para este tipo de problema (riesgo), se ubican en actitudes de precaucin, por lo tanto las salidas del modelo deben proveer la mxima informacin posible y a su vez los contenidos de incertidumbre asociados a la salida del modelo. Incide tambin la forma en que se dara el arreglo de las variables y parmetros: si la estrategia de decisin es
14 El concepto de parmetro difuso, es una consecuencia de las propiedades no estacionarias y la incertidumbre de los procesos complejos. Esta propiedad tambin tiene su origen en condiciones de escasa informacin y deficiencias de conocimiento y las propiedades no lineales que pueda tener un sistema dado. El concepto de parmetro difuso es aplicado por Abo-Sinna et al., (en impresin)

17

conservadora, los modelos compensados, composicionales15 16 17, lineales no son recomendables, porque proveen informacin en trminos de tendencias centrales o valores esperados y no informan sobre las incertidumbres o dispersiones. Para la estimacin de los parmetros, se emple el anlisis univariado, que consiste relacionar una variable dependiente (en este caso la ocurrencia de deslizamientos) con una variable independiente a la vez. La importancia de cada factor o variable es analizada separadamente. Este mtodo est basado en la suposicin de que los factores ms determinantes pueden ser cuantificados mediante la estimacin de la densidad de deslizamientos para cada grado de libertad o clase de cada variable. Para evaluar estas relaciones, se efecta un cruce entre los mapas o modelos de distribucin de las variables y el mapa de distribucin de los deslizamientos. Para cada clase de cada variable, las densidades y frecuencias son calculadas como: Di=Npix(SXi)/Npix(Xi) y, F= 100 Di / Di En donde Di es la densidad areal por clase y F es la frecuencia relativa escalada correspondiente a cada grado de libertad Xi.

Npix(SXi) es el nmero de pxeles con deslizamientos dentro del grado de libertad Xi Npix(Xi) es nmero de pxeles de grado de libertad Xi Para la estimacin de los parmetros del modelo, fue preciso delimitar el rea de investigacin, que define la poblacin estadstica. De esta forma la extensin que sirvi de base para las estimaciones de los parmetros, es el rea que de acuerdo al modelo de distribucin de lluvias desarrollado para los eventos del 18 y 19 de marzo de 2003, muestra lluvias diarias superiores a 70 mm, que es el umbral de precipitacin que potencia la ocurrencia de deslizamientos, identificado en la zona. El modelo de distribucin de lluvias y el mapa de distribucin de deslizamientos ocurridos los das 18 y 19 de marzo de 2003 se muestra en el dibujo 12. La estimacin de frecuencias relativas, se efectu mediante el clculo de intervalos con un nivel de confianza del 95% para cada grado de libertad de cada variable. Para tal efecto se emple el algoritmo Goodman (1965) presentado en Masson y Denoeux (2006), que se describe el cuadro 1. Para la construccin de los nmeros difusos asociados a cada parmetro estimado, se efectu el procedimiento mostrado en el cuadro 2. De esta forma, los grados de libertad del modelo y los nmeros difusos de los parmetros estimados se muestran en la tabla 4. 5.10 Agregacin

La propiedad de compensacin, exige que la suma de los parmetros de modelo sea constante, lo que significa que si alguno de ellos cambia, los dems deben cambiar. Lo cual no es propio de los sistemas no lineales difusos. En una evaluacin no lineal del riesgo, se duda de la existencia de la propiedad de compensacin o dependencia entre los parmetros; por lo tanto se decide efectuar la experimentacin con modelos de propiedades dbiles composicionales (weak compositional model). 16 Se hace equiparar el concepto de normalidad al de composicionalidad. 17 Como complemento al concepto de parmetro difuso, debe aceptarse que la variabilidad de los parmetros es tambin una propiedad de los sistemas no lineales, pero no en toda la extensin. Hay situaciones en las cuales los parmetros o pesos son variables pero las propiedades de composicionalidad o normalidad se conservan. Por lo anterior, para aproximarnos a la propiedad de no composicionalidad, es preferible referirse a el concepto de parmetro difuso. La variabilidad de los parmetros no es exactamente lo mismo a la difusividad de los mismos. Los primeros pueden estar contenidos en los segundos. La condicin de un sistema difuso implica la no composicionalidad.

15

La calibracin del modelo consisti en efectuar pruebas para la determinacin del modelo ms apropiado. En la modelacin de sistemas complejos es pertinente saber como interactan las variables y cual es la relacin entre ellas. Debe examinarse la dependencia o independencia18 entre las variables
18 El estudio de las relaciones de independencia, entre eventos o variables, permite modular el conocimiento disponible sobre un dominio dado, en tal sentido que, para labores de inferencia, solo se necesitan consultar piezas de informacin relevante. La dependencia es una relacin que establece posibles cambios en las creencias establecidas debido a un cambio en el conocimiento. Cuando una variable X es considerada independiente de otra variable Y, dado un estado del conocimiento Z, entonces nuestra creencia sobre X no cambia como resultado del conocimiento de informacin adicional sobre Y. As, por ejemplo en sistemas basados en creencias, el uso de la independencia permite obtener un

18

Dibujo 12. Modelo aproximado de la distribucin de lluvias diarias para el da 18 de marzo 2003, superiores a 70 mm. y distribucin de deslizamientos ocurridos.

para establecer el modelo de agregacin. Si el sistema estudiado, exhibe independencia entre las variables, es posible decidirse por un modelo aditivo. En circunstancias de dependencia entre las variables, el arreglo ms ajustado es el multiplicativo (Chiou et al, 2005). El determinar la existencia de dependencia entre las variables, tambin tiene el objeto de eliminar variables redundantes de tal forma que se logre la eficiencia en las computaciones. En realidad en muy pocas de las investigaciones consultadas, se han presentado averiguaciones sobre la razn de ser y aplicabilidad de los operadores de agregacin en la evaluacin de la amenaza y susceptibilidad. En la tecnologa de evaluacin de la susceptibilidad y amenaza se han preferido operadores del tipo aditivo, compensados y no compensados, y modelos lineales como los de Ramrez y Gonzlez (1989), Van Westen (1993), Pham y Yan (1997),
eficiente almacenamiento y actualizacin de la informacin. Para establecer relaciones de independencia entre variables, el enfoque adoptado es comparar la informacin previa o a priori con la informacin que se obtiene despus de que nuevas piezas de informacin se han incorporado de manera a posteriori (de Campos y Huete, 1999). Estas relaciones pueden ser la independencia condicional o la interaccin nula.

Ingeominas (2001), Ayalew et al (2004), entre otros. Se presentan tambin modelos que combinan las variables con operadores multiplicativos como los de Juang et al (1992) y OSSO (1998). Para el establecimiento del modelo ms apropiado se probaron los siguientes operadores de agregacin y a la vez se efectuaron pruebas con varias combinaciones de las variables que fueron chequeadas dentro del proceso de calibracin de los resultados, para examinar las relaciones de dependencia:
Unin difusa: (x) = U = max[1,2,...n] (Zadeh, 1975) Interseccin difusa: (x) = i = min[1,2,...n] (Zadeh, 1975) Suma difusa: (x) = i = 1[1i] (Zimmerman y Zysno, 1983) Multiplicacin difusa: (x) = i (Zimmerman y Zysno, 1983) Operador gamma : (x) = [i ]1[i ] (Zimmerman y Zysno, 1983)

El operador gamma tiene la capacidad de integrar variables dependientes e independientes a la vez, adems puede considerarse como un multimodelo que depende del parmetro . Cada vez que se vara se produce un modelo diferente. El operador fue empleado por Benedikt et al (2002), Chi et al (2002), Tangestani (2003), Islam (2004) y Lee (2006), entre otros, demostrando su eficacia.

19

5.11 Pruebas de calibracin El objetivo en este paso, es hallar el mejor arreglo de las variables consideradas. Para tal efecto se midi la capacidad predictiva de los modelos probados. La estimacin de la capacidad predictiva de cada modelo, se estim utilizando los parmetros defusificados en el punto central del corte asociado a un nivel = 1.00, del nmero difuso agregado, lo cual determin el modelo de agregacin apropiado y las variables que deben conformarlo. Seguidamente se propone una segunda fase de calibracin la cual se apoya en el mtodo de los vrtices presentada por Juang et al (1998); mtodo que se describe en el cuadro 3. La tcnica consiste en estimar la respuesta agregada en puntos intermedios del nmero difuso comenzando a partir del nivel =1.0, buscando el nivel que predice cierta proporcin de deslizamientos. Ello se hace seleccionando determinados cortes , de la respuesta. En realidad esta fase de validacin consiste en incrementar la incertidumbre, hasta el momento en que se predice un suficiente nmero de deslizamientos. El parmetro es pues un indicador del proceso de calibracin. El esquema del proceso se encuentra en el dibujo 13. El anterior procedimiento se justifica, debido a que no se quiere fijar el modelo a un modelo compensado y lineal. El procedimiento de calibracin parte de la construccin de un indicador que pueda medir acertadamente la capacidad de prediccin de los modelos. Para la evaluacin de la capacidad de prediccin se han definido algunas estadsticas que son comnmente utilizadas en los modelos de clasificacin y prediccin. La eficiencia del modelo (tambin llamada tasa de xito) es la ms reseada en la literatura; esta puede ser definida como la proporcin de las observaciones correctamente clasificadas. No obstante estos indicadores dependen del establecimiento de cierto valor umbral de susceptibilidad, arriba del cual se considera que una observacin est correctamente clasificada o pronosticada. Havenith et al (2005) propusieron un indicador que fue definido como capacidad predictiva (PP), y se estima as:

PP = promedio del 10% de unidades ms susceptibles de terreno/ promedio del 90% de las unidades menos susceptibles. El indicador de Havenith et al (2005), mide la forma en que se distribuyen los valores de susceptibilidad pronosticados, para el conjunto de puntos de prueba en la calibracin. Si la distribucin es uniforme y tiene altos valores de susceptibilidad, se presumira que el modelo ratifica la ocurrencia de deslizamientos a altos niveles de susceptibilidad. Si esta distribucin esta sesgada a la derecha, se concluira que el modelo en prueba, establece altos niveles de susceptibilidad en las observaciones de calibracin, para un reducido nmero de puntos de prueba, indicando que el modelo tiene menor capacidad de prediccin. La comparacin de las estimaciones de este indicador en un par de modelos dados, mostrara que si uno de ellos ofrece un valor de PP superior al modelo alterno, se presume que el primero posee una mejor capacidad de prediccin.
Cuadro 1. Intervalos de confianza para la estimaciones de proporciones en una distribucin multinomial En la inferencia estadstica, se producen estimaciones de los parmetros de una poblacin, a partir de las propiedades de una muestra. La estimacin de intervalos de confianza, es el conjunto de posibles valores asociados a un parmetro de la poblacin, el cual se da a un nivel de confianza 1-. En la construccin de intervalos de confianza para una distribucin multinomial que define proporciones, se recurre a las siguientes estimaciones, que se basan en las formulaciones de Goodman (1965): A = 2(1 /K, 1) + N Donde 2(1 /K, 1) denota el cuantil de orden 1 /K de la distribucin chi-cuadrado con un grado de libertad y N =Ki=1ni denota el tamao de la muestra. Adems, se estiman: Bi = 2(1 /K, 1) + 2ni Ci = ni2/N i = Bi2 4ACi Los extremos del intervalo se estiman as:

20

Cuadro 2. Construccin de los nmeros difusos asociados a cada parmetro estimado Los valores en los vrtices b y c de los nmeros trapezoidales difusos estn definidos por el intervalo de confianza estimado para las frecuencias relativas de cada grado de libertad, el intervalo definido por estos valores corresponde al intervalo ms creble y se le asignan .0. Los valores en los vrtices a valores de (x) o = y d, son definidos por los extremos de los intervalos de confianza de las clases adyacentes.
Intervalos de confianza para la variable inclinacin del terreno (entre b yc)
1 Frecuencia relativa

El mtodo de los vrtices est basado en el concepto de los cortes de un nmero difuso dado y envuelve la operacin o aritmtica de intervalos. La idea bsica es discretizar un nmero difuso en un conjunto de cortes o intervalos. Aqu, es cualquier valor en el intervalo de 0 a 1 que es seleccionado como el grado de soporte de un valor de pertenencia a(x). Por ejemplo, si se efecta un corte con una lnea horizontal en a(x)= =0.5, la cual intersecta el nmero difuso en dos puntos, se define un intervalo acotado por estos puntos. Este intervalo es denominado un corte definido en =0.5. Si se repite el proceso para un conjunto de valores de , un nmero difuso se discretiza en un conjunto de intervalos o cortes . Si en un modelo, los nmeros difusos son reemplazados por intervalos, los cmputos se reducen a sencillas operaciones con intervalos. El mtodo de los vrtices podra describirse como sigue:

Cuadro 3. Mtodo de los vrtices. (Juang et al, 1998).

0.8 0.6 0.4 0.2 0 0-11 11-22 22-34 34-45 45-57 57-68 68-90

Primero, para cada corte un intervalo es obtenido para cada una de las variables o parmetros con incertidumbre. Cada intervalo tiene dos puntos extremos, lo que en el caso de un modelo conformado por tres variables, por ejemplo, se obtendran un total de ocho vrtices, cada uno de ellos es una combinacin de las tres variables o parmetros. En general si un sistema tiene n variables el nmero de vrtices por corte . sera el valor n equivalente a 2 . De acuerdo al mtodo de los vrtices, el valor mnimo y mximo de las computaciones para cada corte define los cortes de la respuesta difusa agregada del modelo. El nmero difuso correspondiente a la respuesta de salida, as provee mayor informacin que un nmero crisp. Operaciones en intervalos (Klir, 1997). Empleando los cortes , las operaciones aritmticas en intervalos son definidas de acuerdo con las bien definidas operaciones aritmticas de intervalos cerrados de nmeros reales. Las operaciones bsicas en los cortes son definidas para todo (0, 1]; por las frmulas:

Inclinacindel terreno

P arm etros difusos de la variable inclinacin del terreno

1 0 a11 11 a 22 22 a 34 (x) 34 a 45 45 a 57 57 a 68 68 a 90

[a-,a-] + [b-,b-] = [a- + b- , a- + b-] [a-,a-] - [b-,b-] = [a- - b- , a- - b-] [a-,a-] [b-,b-] = [min (a-b-, a-b-, a-b-, a-b-)] [a-,a-] /

0 0 0.2 0.4 0.6 0.8 1

Indice de susceptibilidad

pertenece a

[b-,b-] = [b-, b-])

[a-,a-]

[1/b-, 1/b-] (si 0 no

Basado en la concepcin del indicador de Havenith et al (2005), que trata de establecer la forma en que se distribuyen los datos pronosticados, para este trabajo se disea un indicador que a su vez utiliza la informacin del espectro de clasificacin de la susceptibilidad obtenido (dibujo 10). De acuerdo con el espectro, el intervalo ms creble definido para el nivel de amenaza alto y muy alto, corresponde al conjunto de valores comprendidos entre el percentil 0.60 a 1.00 y el intervalo ms creble para los niveles de amenaza muy, baja y media, est comprendido entre 0.00 y 0.40. De esta forma se propone un indicador, definido as:

[a-,a-] y [b-,b-], denotan para cada (0, 1], los cortes

de cada numero difuso A y B. Los puntos extremos de los intervalos son a-,a ,b-, b .

CP=sumatoria de los elementos con un ndice de susceptibilidad mayor a 60%/ sumatoria de los elementos con un ndice de susceptibilidad menor a 40% Como ejemplo, se muestra que aplicando el indicador y de acuerdo con los dibujos 14 y 15, el modelo 2 tiene una mejor capacidad de prediccin.

21

Tabla 4. Parmetros del modelo para cada grado de libertad de las variables seleccionadas. Variable Clase o grado de libertad a b Inclinacin 0-11 0.000 0.003 del terreno 11-22 0.000 0.003 22-34 0.003 0.021 34-45 0.021 0.040 45-57 0.040 0.170 57-68 0.170 0.448 68-90 0.000 0.000 Forma de la -30 a -12 0.000 0.000 ladera -12 a -7 0.016 0.359 -7 a -2 0.000 0.000 -2 a 3 0.000 0.000 3a8 0.000 0.001 8 a 14 0.359 0.359 14 a 30 0.001 0.016 ndice de 1-1 0.000 0.030 escurrimiento 1-30 0.000 0.013 30-60 0.030 0.061 60-90 0.000 0.021 90-120 0.061 0.203 120-150 0.203 0.244 150-100000 0.030 0.030 Formaciones Formacin Casablanca 0.102 0.232 superficiales Formacin Manizales 0.002 0.102 Formacin Quebradagrande 0.000 0.002 Otras formaciones 0.232 0.519 Uso y Bosque 0.125 0.128 cobertura Cultivo 0.036 0.044 Suelo desnudo 0.000 0.036 Pasto 0.094 0.125 Rastrojo 0.044 0.094 Tratamiento 0.128 0.274 Urbanizado 0.000 0.000

c 0.081 0.081 0.137 0.178 0.375 0.678 0.054 0.053 0.589 0.053 0.053 0.067 0.589 0.125 0.158 0.116 0.216 0.137 0.417 0.466 0.158 0.335 0.181 0.024 0.631 0.254 0.134 0.121 0.250 0.209 0.428 0.033

d 0.081 0.137 0.178 0.375 0.678 0.839 0.081 0.053 0.795 0.053 0.067 0.125 0.795 0.589 0.158 0.137 0.417 0.158 0.466 0.733 0.216 0.631 0.335 0.181 0.816 0.428 0.209 0.134 0.254 0.250 0.714 0.121

En el primer paso de la calibracin, los cinco modelos usados en este caso, muestran resultados diferentes, respecto a este indicador, los mejores modelos corresponden a la suma algebraica difusa. A su vez los mejores modelos, corresponden a aquellos que involucran todas las variables seleccionadas. Los datos se muestran en la tabla 5. De acuerdo con los datos mostrados, la variable correspondiente a las formaciones superficiales, que contiene apenas cuatro grados de libertad, hace que el modelo produzca resultados inconsistentes, por tal razn esta variable se excluye de la modelacin. La razn de esta anomala obedece a que la variable discretizada con tan pocos grados de libertad, hace que cada clase tenga un mayor valor de peso en

relacin con las variables que se discretizan en un nmero mayor de grados de libertad. El proceso de calibracin incluy, la investigacin del efecto de la incertidumbre de los bordes de las entidades geogrficas19. Para tal efecto las coordenadas de los deslizamientos de prueba fueron desplazadas en todas las

19

Varios autores, entre ellos Kremenov y Sunila (2004), han sugerido que la abstraccin de informacin geogrfica, est sometida al problema de la incertidumbre en los bordes de ciertas entidades geogrficas. El problema consiste en que algunas entidades en la realidad no tienen bordes exactamente determinados. Pueden presentarse problemas de este tipo tambin en la restitucin de informacin, cuando, sobre las bases de datos existe incertidumbre en la localizacin de los bordes, debido a restricciones en la escala y resolucin de los datos.

22

D istribucion de valores de susceptibilidad estimadas para el modelo 1 1 Indice de susceptibilidad 0.8 0.6 0.4 0.2 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 D eslizamiento

Distribucion de valores de susceptibilidad estimadas para el modelo 2 1 Indice de susceptibilidad 0.8 0.6 0.4 0.2 0 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 Deslizamiento

Dibujo 14. Distribucin de los valores de susceptibilidad del modelo 1, para los puntos de validacin. Cp = 0.32

Dibujo 15 Distribucin de las susceptibilidades del modelo 2, para los puntos de validacin. Cp = 50.55

Dibujo 13. Paso dos de la calibracin.

direcciones, con la ayuda de filtros, que ajustaron el modelo de susceptibilidad. La funcionalidad del proceso, consiste en reasignar los atributos a cada pxel de ajuste o reclculo, de acuerdo con la informacin de los elementos en la vecindad. En un arreglo de 3x3 pxeles de 10.0 m., que conforman la vecindad del pxel de control, es decir una extensin de 30.0 x 30.0 metros planos; se utiliza la informacin circundante, para reasignar los atributos del pxel central. Mediante realizaciones se determina el modelo de distribucin que mejor capacidad de prediccin ofrece. Una esquematizacin del proceso se muestra en el dibujo 16. En la segunda fase de la calibracin, para el cual se utiliz el mtodo de los vrtices, se

determin que el nivel , correspondiente a =0.00, puede clasificar correctamente el 74.4% de los deslizamientos de prueba. Se hace evidente, que la incertidumbre incorporada al modelo no solo esta constituida por la incertidumbre estadstica relacionada con el tamao de las muestras sino por la denominada en este trabajo como difusa. 5.12 Validacin La validacin se refiere a la comparacin de los modelos de prediccin con un conjunto de datos de la vida real, para evaluar su exactitud o capacidad de prediccin. La validacin permite establecer el nivel de confianza del modelo, sus

23

Dibujo 16. Tratamiento de la incertidumbre en los bordes

hiptesis y supuestos, lo cual es de gran importancia para informar a los usuarios finales (Remondo, 2003; Beguera, 2006). La validacin20 es ms adecuada usando una poblacin de deslizamientos independiente y diferente a la empleada en la construccin del modelo (Chung et al, 1995; Chung y Fabbri, 2003); luego para el caso, se usaron los eventos del mes de octubre de 2003, como puntos de validacin, teniendo en cuenta que los datos de los deslizamientos ocurridos en el mes de marzo de 2003, sirvieron para la estimacin de los parmetros del modelo. Para la validacin, se procedi siguiendo los mismos pasos de la fase de calibracin, pero partiendo de que se ya se conoce el mejor arreglo de las variables que corresponde al operador gamma, sin embargo se examinaron los dems modelos. Los resultados se muestran en la tabla 6. En esta fase de la validacin, para el cual se utiliz el mtodo de los vrtices, se determin que
20 Se tienen tres estrategias bsicas o procedimientos que pueden ser usados para obtener una muestra de deslizamientos independientes: (a) el conjunto de datos del inventario de deslizamientos es fraccionado en dos partes de manera aleatoria, uno para la construccin del modelo y otro para la validacin; (b) la construccin del modelo se hace en una parte de la extensin de estudio y se valida en la parte complementaria, obviamente con otro conjunto de deslizamientos; (c) los anlisis son llevados a cabo empleando un conjunto de deslizamientos ocurridos en cierto periodo y la validacin se efecta sobre un conjunto ocurrido en otro periodo (Remondo et al., 2003).

el nivel , correspondiente a =0.00, puede clasificar correctamente el 60% de los deslizamientos de prueba. El cambio en las capacidades predictivas del modelo sugiere que este es aplicable a cierta extensin en el terreno de estudio. La delimitacin de la extensin en donde es aplicable el modelo requiere de pruebas adicionales, lo cual se debe estudiar en futuros trabajos. 5.13 Estimacin de la susceptibilidad La susceptibilidad corresponde a la favorabilidad del ambiente fsico de los elementos inherentes de las masas de terreno y superficie como la geologa, geomorfologa, el uso y cobertura del suelo, etc, para potenciar deslizamientos. De esta forma la estimacin de susceptibilidad est representada en la estimacin de ndices relativos de la favorabilidad para la ocurrencia de los deslizamientos. Se obtuvieron mapas de susceptibilidad, para los puntos crisp: a definido en el nivel =0.00, b y c correspondiente al intervalo ms creble y d, extremo superior de intervalo en =0.00. Los resultados se pueden presentar e interpretar as: el dibujo 17, corresponde al modelo de distribucin de susceptibilidad en el punto crisp a, del vector difuso de respuestas estimadas para un nivel de creencia nulo o de poca credibilidad. Este modelo identifica la zona

24

de estudio casi en toda su extensin como de susceptibilidad muy baja a baja si se clasifica dentro del espectro de susceptibilidad estimado. El dibujo 18, corresponde al modelo de distribucin de susceptibilidad en el punto crisp b, del vector difuso de respuestas estimadas para un nivel de creencia de la ms alta credibilidad. Si se clasifica dentro del espectro de susceptibilidad estimado, el modelo sugiere que la zona de estudio contiene niveles de susceptibilidad desde niveles bajos hasta niveles altos. El dibujo 19, muestra el modelo de distribucin de susceptibilidad en el punto crisp c, del vector difuso de respuestas estimadas para un nivel de creencia de la ms alta credibilidad. Los niveles de susceptibilidad se clasifican entre las categoras medias a altas. El dibujo 20, muestra el modelo de distribucin de susceptibilidad en el punto crisp d, del vector difuso de respuestas estimadas para un nivel de poca o nula credibilidad. Los niveles de susceptibilidad se clasifican entre las categoras medias a altas, con una mayor proporcin de zonas de susceptibilidad alta. Los mapas 17 a 20 corresponden a las posibles salidas del modelo. Estn asociadas a los niveles extremos de credibilidad. En realidad se tienen muchas salidas, pero las salidas estn acotadas por estos puntos crisp identificados. Sin embargo el conjunto de posibles salidas del modelo puede ser representado incorporando la incertidumbre, mediante un mapa de categorizacin que se establece en el aparte 5.15. 5.14 Estimacin de la amenaza La estimacin del modelo de distribucin de la amenaza, depende de las probabilidades de excedencia de los umbrales de lluvia que detonan los eventos de los deslizamientos. De esta forma el modelo de amenaza se define como: [A]=[P]*[S] [A] es el vector de los valores relativos de la amenaza [P] es el vector de valores de probabilidades de excedencia de los umbrales de lluvia [S] es el vector de valores de susceptibilidad

[A], [P], [S] son nmeros difusos. Los modelos de distribucin de la susceptibilidad, fueron ya obtenidos. Quedan por definir los modelos de las probabilidades de excedencia de los umbrales de lluvia. Para la construccin del modelo de probabilidades de excedencia, debe considerarse que: La definicin de modelos de probabilidad est limitada por la ausencia de datos representativos: la zona de estudio cuenta con una red pluviomtrica densa pero esta es joven, es decir, las series histricas de registros de lluvias son cortas. Lo cual implica que realizar una estimacin de dichas probabilidades de excedencia, no es posible dentro del rigor estadstico ni funcional, si se tienen en cuenta la recomendaciones de Remeneiras (1974) y Nam et al (2005). Remeneiras (1974) seala que se requieren series histricas de registros de lluvias de una longitud superior a 20 aos, mientras que Nam et al (2005), sugieren que las series histricas deben ser de dos veces el periodo de retorno sobre el cual se estiman las probabilidades de excedencia. A su vez, la definicin de modelos probabilsticos, debe observar que la ocurrencia de las lluvias puede mostrar propiedades de no estacionalidad estocstica. Para la primera restriccin se propone el uso de la teora de la posibilidad. En lugar de definir probabilidades crisp, se definen nmeros difusos asociados a la probabilidad. El mtodo que se aplica en este modelo es similar al empleado para la estimacin de los parmetros del modelo (aparte: estimacin de los parmetros del modelo). De esta forma la probabilidad de excedencia asociada a un determinado evento ser establecida por un nmero difuso trapezoidal, definido por el intervalo de confianza estadstica estimado en el nivel de = 1.00 y por el intervalo de mxima incertidumbre en el nivel de = 0.00.

25

Tabla 5. Estadsticas de las pruebas de calibracin.

Variable

(a)

(b)

(c)

(d)

(e)

capacidad de prediccin

% deslizamientos correctamente clasificados

1.00 1.00 1.00 1.00 1.00

1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.90 0.70 0.40 0.00

Modelo Inclinacin del terreno (a) Forma del perfil de la ladera (b) ndice de potencial de escurrimiento (c) Formaciones superficiales (d) Uso y cobertura del suelo (e) Suma algebraica: (x) = i = [1,2,...n]
* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *

* * * * *
* * * * * * * * * * * * * * * * * * * * * * * * * *

0.36 Muy alto 0.14 39.40 0.39

0.35 0.40 0.46 0.26 0.39 1.15 0.71 1.35 1.15 1.45 0.00 0.00 0.46 0.00 0.00 0.79 0.87 0.99 0.86 1.69 0.00 0.00 0.00 0.00 0.00 Muy alto 0.56 Muy alto Muy alto Muy alto 1.69 7.70 14.74 99.25 0.975 0.975 0.975 0.975 0.975 1.000 1.000 1.000 1.000

3.1% 10.0% 6.9% 11.5% 6.9%

8.5% 10.0% 10.0% 4.6% 10.0% 19.2% 12.3% 20.0% 15.4% 22.3% 0.0% 0.0% 10.0% 0.0% 0.0% 19.2% 15.4% 20.0% 16.2% 25.4% 0.0% 0.0% 0.0% 0.0% 0.0% 10.0% 15.4% 10.0% 10.0% 10.0% 25.4% 51.9% 60.5% 74.4%

Unin difusa: (x) = i = max[1,2,...n]

Interseccin difusa: (x) = i = min[1,2,...n]

Suma algebraica difusa: (x) = i = 1[1i]

Multiplicacin algebraica difusa: (x) = i

Operador gamma : (x) = [i ]1 [i ]

26

Tabla 6. Estadsticas de las pruebas de validacin.

Variable

(a) *

(b)

(c)

(d)

(e)

capacidad de prediccin 0.79

% deslizamientos correctamente clasificados 4.8% 11.9% 4.8% 9.5% 4.8% 4.8% 9.5% 9.5% 4.8% 9.5% 42.9% 42.9% 16.7% 47.6% 47.6% 4.8% 0.0% 9.5% 0.0% 0.0% 42.9% 47.6% 16.7% 50.0% 52.4% 4.8% 0.0% 0.0% 0.0% 0.0%

1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.00

Inclinacin del terreno (a) Forma del perfil de la ladera (b) ndice de potencial de escurrimiento (c) Formaciones superficiales (d) Uso y cobertura del suelo (e) Suma algebraica: (x) = i = [1,2,...n]

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *

Muy alto 0.28 9.19 0.28 0.22 0.40 0.48 0.35 0.40 1.69 1.71 1.12 2.24 2.24 2.54 0.00 0.48 0.00 0.00 5.22 41.01 0.87 2.51 46.86 6.07 0.00 0.00 0.00 0.00 Muy alto 6.43 Muy alto Muy alto Muy alto 46.86 Muy alto 0.975 0.975 0.975 0.975 0.975 1.000 1.000

Unin difusa: (x) = Ui = max[1,2,...n]

Interseccin difusa: (x) = i = min[1,2,...n]

Suma algebraica difusa: (x) = i = 1[1i]

Multiplicacin algebraica difusa: (x) = i

Operador gamma : (x) = [i ]1 [i ]

11.9% 40.5% 11.9% 11.9% 11.9% 52.4% 60.0%

27

Dibujo 17. Modelo de distribucin de susceptibilidad en a con = 0.00.

Dibujo 18. Modelo de distribucin de susceptibilidad en b con = 1.00.

28

Dibujo 19. Modelo de distribucin de susceptibilidad en c con = 1.00.

Dibujo 20. Modelo de distribucin de susceptibilidad en d con = 0.00.

29

Dibujo 21. Estimacin de las frecuencias relativas de las lluvias diarias mximas anuales en la estacin Agronoma.

Dibujo 22. Estimacin de las probabilidades de excedencia para la lluvia diaria mxima anual en la estacin Agronoma.

Dibujo 23. Estimacin de las frecuencias relativas de las lluvias antecedentes de 25 das mximas anuales en la estacin Agronoma.

Dibujo 24. Estimacin de las probabilidades de excedencia para la lluvia antecedente de 25 das mxima anual en la estacin Agronoma.

Se estim una funcin de frecuencia relativa y los intervalos de confianza para cada grado de libertad en cada estacin pluviomtrica de la zona de estudio. Seguidamente se estimaron las probabilidades de excedencia. En los dibujos 21, 22, 23 y 24, se muestran las funciones de frecuencia relativa y las funciones de probabilidad de excedencia para los umbrales definidos en la zona de estudio21 en la estacin pluviomtrica Agronoma, como muestra. El uso de las probabilidades imprecisas de excedencia, es una aproximacin al problema de estimar las probabilidades temporales evidenciado por Van Westen, Van Asch y Soeters (2006). Para la generacin del modelo se emple el mtodo comnmente conocido de interpolacin de la distancia inversa. Mtodo que se considera apropiado dadas las condiciones de incertidumbre.

Las autoridades municipales han establecido como umbrales de lluvia a partir de los cuales se potencia la ocurrencia de deslizamientos: una lluvia inmediata (diaria) de 70 mm y una lluvia acumulada de 25 das de 200 mm.

21

Los siguientes son los mapas de distribucin de las probabilidades de excedencia obtenidos, para los puntos crisp, a definido en el nivel =0.00, b correspondiente al extremo inferior del intervalo de confianza muestral en el nivel =1.00, c correspondiente al extremo superior del intervalo de confianza muestral en el nivel =1.00 y d, extremo superior de intervalo en =0.00. Los puntos a y d son definidos por los extremos de los intervalos de confianza de los grados de libertad adyacentes, de la misma forma como se estimaron los parmetros difusos del modelo. En los dibujos 25 a 28 se muestran los escenarios extremos de los posibles modelos de distribucin de las probabilidades de excedencias para lluvias diarias anuales que superan el umbral de 70 mm. Se observan probabilidades de excedencia anuales superiores a 0.3 en los escenarios ms crebles. En el caso de los posibles modelos de distribucin de las probabilidades de excedencias para lluvias antecedentes anuales de 25 das que superan el umbral de 200 mm., mostrados en los

30

dibujos 29 a 32, en todos los escenarios, la probabilidad de excedencia anual es cercana a 1.00 en toda la extensin de estudio. Lo que implica una alta amenaza si se establece como parmetro el umbral de lluvias antecedentes. Respecto a los comportamientos no estacionarios de las lluvias y los efectos de escala, el modelo tiene la restriccin de hacer slo predicciones vlidas para el futuro prximo. En este punto tiene que presentarse una discusin: los modeladores esperan ansiosamente poder definir con rigor estadstico las probabilidades de ocurrencia de los umbrales de lluvia una vez se completen las series histricas. No obstante los comportamientos no estacionarios de las lluvias, paradjica y potencialmente pueden restringir el uso de las series largas para efectuar pronsticos confiables. Por lo anterior, la estimacin de probabilidades inciertas, como la que se ha propuesto, resulta ser una herramienta indispensable an cuando se cuente con informacin representativa estadsticamente. Sobre la incertidumbre en la relacin de los eventos de deslizamientos con cada uno de los indicadores de lluvias, se consider informativo estimar diferentes modelos de distribucin de la amenaza para cada indicador. Los mapas producidos corresponden al indicador y umbral de lluvias diarias y antecedentes de 25 das. En el caso del indicador de lluvias antecedentes el mapa de amenaza es equivalente al de susceptibilidad, puesto que las probabilidades de exceder anualmente el umbral de lluvias acumulado de 200 mm es cercano o igual a uno en todas las estaciones consultadas. En los dibujos 33 a 40, se muestran los modelos de distribucin de amenaza. Las posibles salidas estimadas muestran una alta incertidumbre en la estimacin de la amenaza: en toda la extensin de estudio, para ambos indicadores de ocurrencia de lluvia, se observan probabilidades de amenaza en todos los valores posibles de probabilidad. En los escenarios ms crebles se observa que la mayora de la extensin estudiada puede tener probabilidades de excedencia anual de hasta 0.50. Es sugerible, determinar un espectro difuso de amenaza para clasificar, incorporando la incertidumbre, los modelos de amenaza estimados, mediante una metodologa como la sugerida en el aparte 5.15.

5.15 Categorizacin del modelo de susceptibilidad Insistiendo en que se debe procurar comunicar en las formas mas eficientes la informacin de los modelos, es que los mapas de distribucin de la susceptibilidad, que se expresan en nmeros difusos, deben ser reclasificados de acuerdo al espectro de categorizacin. Para la clasificacin de la susceptibilidad, el problema es comparar un conjunto difuso de salida con el espectro de clasificacin difuso. En un espacio difuso una respuesta puede pertenecer a ms de una categora del espectro. El grado de pertenencia de una respuesta a cada clase puede ser medida de manera consistente por las mtricas de la teora de la evidencia. Dentro de la teora mencionada existen mtricas que miden el grado de solapamiento entre dos nmeros difusos, problema que es similar al planteado. Entre ellas estn: La estimacin del mximo grado de membresa de la interseccin de dos nmeros difusos A y B: p = sup (mAB(x)) = sup(min[mA (x), mB (x)]) Jones y Hua (1998) p = [ sup (mAB(x)) + (1 ) inf (mAB(x))] Giachetti (1998) si sup (mAB(x)) = sup(min[mA (x), mB (x)]) (medicin de posibilidad) inf (mAB(x)) = inf(max[mA (x), 1-mB (x)]) (medicin de necesidad) donde, el operador sup toma el mximo valor de mAB(x) e inf toma el mnimo valor de mAB(x). Vanegas (2000), propuso una mtrica sencilla y confiable, que es la que se emple en este trabajo. p = sup([mA (x) m B (x)]) Esta mtrica en realidad es una defusificacin del tipo punto central, es decir que, la clasificacin de cada conjunto de salida del modelo, se da de acuerdo con su punto central. Se implement una modificacin, cuyo objeto es que

31

Dibujo 25. Modelo de distribucin de las excedencias en a para =0.00, lluvias diarias superiores a 70 mm.

se mida la masa de la salida y se compare con la masa de cada categora difusa del espectro de clasificacin de la susceptibilidad, con el propsito de que se conserve la incertidumbre. De esta forma: p = sup([mAi (x) mBj (x)]) Siendo Ai, el conjunto difuso que representa la respuesta del modelo para una determinada entidad geogrfica y Bi, el conjunto difuso que representa una categora dada que proviene del espectro de susceptibilidad; se asigna al objeto Ai la categora Bj que maximiza el valor de p. El detalle del procedimiento se ilustra en los dibujos 41 y 42. El dibujo 43, muestra el modelo de clasificacin de susceptibilidad final estimado. El modelo corresponde a la defusificacin de la respuesta difusa estimada. Se redujo el conjunto de posibles respuestas a este modelo crisp, de acuerdo al espectro difuso de clasificacin de susceptibilidad hallado (dibujo 10). El dibujo 44, muestra la distribucin de zonas de acuerdo a los niveles de susceptibilidad, en el cual se denotan altas proporciones en la zona de estudio con niveles bajo y medio. Las proporciones de los niveles bajos y medios corresponden a ms del 80% del rea.

El ejercicio anterior de clasificar el conjunto de posibles salidas del modelo, muestra finalmente que la cuantificacin de la susceptibilidad, amenaza y riesgo; puede ser considerada como una labor inocua si se considera la abstraccin de fenmenos con incertidumbre. Al incorporar los contenidos de incertidumbre no es posible definir de manera crisp un nivel numrico nico asociado a cada porcin de terreno susceptible, amenazado o en riesgo. A cambio, cada elemento, si se puede asociar a una categora difusa (con incertidumbre) de susceptibilidad, amenaza o riesgo. Lo anterior indica que al incorporar en una modelacin la incertidumbre, lo ms pertinente es estimar el riesgo en grados de libertad no numricos o no crisp. Adems se debe observar cual es la sensibilidad requerida para la toma de decisiones y la comunicacin del riesgo, para restringir el uso de niveles de precisin ineficientes. 6. Conclusiones La estimacin de la susceptibilidad, amenaza y riesgo debe incorporar las incertidumbres inherentes (epistemolgicas y debidas a la informacin). Lo anterior implica no solo evaluar la cantidad y calidad de informacin sino incorporar las incidencias de la incertidumbre epistemolgica.

32

Dibujo 26. Modelo de distribucin de las excedencias en b para =1.00, lluvias diarias superiores a 70 mm.

Dibujo 27. Modelo de distribucin de las excedencias en c para =1.00, lluvias diarias superiores a 70 mm.

33

Dibujo 28. Modelo de distribucin de las excedencias en d para =0.00, lluvias diarias superiores a 70 mm.

Dibujo 29. Modelo de distribucin de las excedencias en a para =0.00, lluvias antecedentes de 25 das superiores a 200 mm.

34

Dibujo 30. Modelo de distribucin de las excedencias en b para =1.00, lluvias antecedentes de 25 das superiores a 200 mm.

Dibujo 31. Modelo de distribucin de las excedencias en c para =1.00, lluvias antecedentes de 25 das superiores a 200 mm.

35

Dibujo 32. Modelo de distribucin de las excedencias en d para =0.00, lluvias antecedentes de 25 das superiores a 200 mm.

Dibujo 33. Modelo de distribucin de amenaza en a para =0.00, lluvias diarias superiores a 70 mm.

36

Dibujo 34. Modelo de distribucin de amenaza en b para =1.00, lluvias diarias superiores a 70 mm.

Dibujo 35. Modelo de distribucin de la amenaza en c para =1.00, lluvias diarias superiores a 70 mm.

37

Dibujo 36. Modelo de distribucin de la amenaza en d para =0.00, lluvias diarias superiores a 70 mm.

Dibujo 37. Modelo de distribucin de la amenaza en a para =0.00, lluvias antecedentes de 25 das superiores a 200 mm.

38

Dibujo 38. Modelo de distribucin de la amenaza en b para =1.00, lluvias antecedentes de 25 das superiores a 200 mm.

Dibujo 39. Modelo de distribucin de la amenaza en c para =1.00, lluvias antecedentes de 25 das superiores a 200 mm.

39

Dibujo 40. Modelo de distribucin de la amenaza en d para =0.00, lluvias antecedentes de 25 das superiores a 200 mm.
Clasificacin de la respuesta en las categoras difusas de susceptibilidad
1.0 0.8 0.6 0.4 0.2 0.0 0.00

1 2 3 4 5

0.10

0.20 x

0.30

0.40

0.50

Notas: (1) Nmero difuso que expresa la susceptibilidad estimada a travs del modelo para un objeto geogrfico a con a(x). (2) Nmero difuso que corresponde a la categora de amenaza muy baja mb(x). (3) Nmero difuso que corresponde a la categora de amenaza baja b(x). (4) Producto de las funciones de pertenencia a(x) mb(x). (5) Producto de las funciones de pertenencia a(x) b(x). Para el dibujo, a se clasifica en la categora muy baja ya que,
pa mb = [a(x) mb(x)] > pa b = [a(x) b(x)]

Se propone el uso integrado de las teoras de la incertidumbre como: la teora de la probabilidad, posibilidad, la de los conjuntos difusos y de la evidencia, como medios para construir modelos de abstraccin y decisin, apropiados para la estimacin del riesgo, cuando ellos estn caracterizados por las incertidumbres referidas a la ausencia de informacin y a la propiedad de la no permanencia y no linealidad de sus variables y parmetros. La modelacin difusa, es de por si una estrategia orientada a la toma de decisiones bajo incertidumbre y la comunicacin del riesgo. El concepto de parmetro difuso, debe ser introducido en la modelacin de sistemas no lineales y en la estimacin del riesgo. Los riesgos naturales, deben ser concebidos como expresiones de fenmenos no lineales, no permanentes y difusos. El estudio de estos tipos de riesgos y su manejo deben estar acordes con estas propiedades. La estimacin de probabilidades imprecisas es una alternativa para la estimacin de la amenaza. Su potencial radica en el uso de informacin escasa y puede ser una estrategia de modelacin robusta en situaciones de no estacionalidad estocstica.

Dibujo 41. Comparacin entre dos nmeros difusos.

i(x)

40

Dibujo 42. Esquema de clasificacin de la susceptibilidad.

Dibujo 43. Modelo de clasificacin de la susceptibilidad.

41

Distribucin de la susceptibilidad
50 Proporcin de rea 40 30 20 10 0 muy bajo bajo medio alto muy alto Categora de susceptibilidad

Dibujo 44. Histograma del modelo de distribucin de susceptibilidad

El problema de la escasez de informacin, la estimacin de probabilidades espaciales y temporales y de las magnitudes de las masas, identificados como dificultades en la estimacin de la amenaza y riesgo por deslizamientos, fue tratado de manera aproximada. Lo anterior fue posible a travs de de la teora de los conjuntos difusos. Las variables que controlan la ocurrencia de deslizamientos inducidos por lluvia, en el casco urbano y alrededores de Manizales, pueden ser en su orden de importancia: la forma del perfil de la ladera, la inclinacin del terreno, el uso y cobertura del suelo y en ltimo lugar, entre las variables estudiadas el indicador de escurrimiento potencial. El modelo que mejor describe la distribucin de susceptibilidad para los deslizamientos detonados por las lluvias diarias es el basado en el operador , con = 1,00. El corte que permite clasificar correctamente el 74 % de los deslizamientos est ubicado al nivel = 0,00. En la validacin, se verifica, que el modelo permite clasificar correctamente el 60% de los deslizamientos ocurridos en el mes de octubre de 2003. La ciudad de Manizales y sus alrededores, exhibe diferentes niveles de susceptibilidad frente a la ocurrencia de deslizamientos inducidos por lluvia. La distribucin de la susceptibilidad en el territorio, es bastante heterognea y compleja. En el mbito de la amenaza, en el sitio de estudio, se evidencian niveles altos y muy altos de amenaza, en razn a que la ocurrencia del fenmeno detonante, la precipitacin, excede muy frecuentemente los umbrales de intensidades de

lluvia arriba de los cuales es comn la ocurrencia de los deslizamientos. La cuantificacin de la susceptibilidad, amenaza y riesgo; puede ser considerada como una labor inocua en la modelacin de fenmenos con incertidumbre. Al incorporar los contenidos de incertidumbre no es posible definir de manera exacta un nivel numrico nico asociado a cada porcin de terreno susceptible, amenazado o en riesgo, (propiedad de ambigedad, vaguedad, ambivalencia o incertidumbre). A cambio, cada elemento, si se puede asociar a una categora difusa de susceptibilidad, amenaza o riesgo. Lo anterior indica que al incorporar en una modelacin la incertidumbre, lo ms pertinente es estimar el riesgo en grados de libertad no numricos o difusos o lingsticos. Adems, se debe observar cual es la sensibilidad requerida para la toma de decisiones y la comunicacin del riesgo, para restringir el uso de niveles de precisin ineficientes. El modelo desarrollado puede ser mejorado cuando se incorpore la informacin de campo que recopile datos de uso del suelo ms precisos, en cuanto la existencia de zonas no urbanizadas o edificadas, como los solares, antejardines y patios de gran extensin, que no fue posible recuperarlos en el proceso de fotointerpretacin (a partir del cual se gener la base de datos correspondiente a la variable de uso y cobertura del suelo). Si se decide emplear el modelo debe efectuarse en complemento un inventario y localizacin de estas zonas y proceder a su ajuste.

Referencias
Abo-Sinna, M.A. et al (en impresin) An interactive algorithm for decomposing the parametric space in fuzzy multiobjective dynamic programming problem. Applied Mathematics and Computation. Amsterdam: Elsevier Ltd. Almond, R.G. (1995). Discussion: Fuzzy Logic: Better Science? Or Better Engineering? Technometrics. Vol. 37. Num. 3. Disponible en http://links.jstor.org Arango, J. D. (2000) Relaciones lluviasdeslizamientos y zonificacin geotcnica en la comuna dos de la ciudad de Manizales. Monografa de especializacin. Medelln: Facultad Nacional de Minas. Universidad Nacional de Colombia. Ayalew, L., Yamagishi, H., Ugawa, N. (2004) Landslide susceptibility mapping using GIS-based

42

weighted linear combination, the case in Tsugawa area of Agano River, Niigata Prefecture, Japan. Landslides. Vol. 1, Num. 1. Heildelberg: Springer-Verlag GmbH. Baudrit, C. y Dubois, D. (2005) Practical Representations of Incomplete Probabilistic Knowledge. Disponible en www.irit.fr/~Didier.Dubois/Papers/BaudritCSDA-SPMS.pdf Baudrit, C., Guyonnet, D. y Dubois, D. (2005) Postprocessing the Hybrid Method for Addressing Uncertainty in Risk Assessment. Journal of Environmental Engineering. Vol. 131. Nm. 12. Reston: American Society of Civil Engineers. Beguera, S. (2006) Validation and Evaluation of Predictive Models in Hazard Assessment and Risk Management. Natural Hazards. Volume 37, Number 3. Heidelberg: Springer Science+Business Media B.V., Formerly Kluwer Academic Publishers B.V. Bhounek L. y Cintula P. (2006). From fuzzy logic to fuzzy mathematics: A methodological manifesto. Fuzzy Sets and Systems. Vol. 157. Nm. 5. msterdam: Elsevier Science Ltd. B.V. Benedikt, J., Reinberg S., Riedl, L. (2002) A GIS application to enhance cell-based information modeling. Information Sciences Vol. 142. msterdam: Elsevier Science Ltd. B.V. Benferhat, S.; Dubois, D. y Prade, H. (2001) Possibilistic Logic Handling of Preferences. Applied Intelligence. Vol. 14. Netherlands: Kluwer Academic Publishers. Binaghi E. et al (1998) Slope Instability Zonation: a Comparison Between Certainty Factor and Fuzzy DempsterShafer Approaches. Natural Hazards. Vol. 17. Netherlands: Kluwer Academic Publishers. Cardona, O. (2001). Estimacin holstica del riesgo ssmico utilizando sistemas dinmicos complejos. Tesis Doctoral. Barcelona: Escuela Tcnica Superior de Ingenieros de Caminos, Canales y Puertos. Universidad Politcnica de Catalua. Chaplot, V. (2005). Impact of DEM mesh size and soil map scale on SWAT runoff, sediment, and NO3 N loads predictions. Journal of Hydrology. Vol. 312. Amsterdam: Elsevier Science Ltd. B.V. Chi, K-H., Park, N-W, Chung, C-J. (2002) Fuzzy logic integration for Landslide Hazard Mapping using Spatial Data from Boeun, Korea. Proceedings of Symposium on Spatial Theory, Processing and Applications. Ottawa: International Society for Photogrammetry and

Remote Sensing. Chivat, I. (2007) Contribuciones para el tratamiento de la incertidumbre en la estimacin de la amenaza por fenmenos de remocin en masa. Tesis. Maestra en Medio Ambiente y Desarrollo. Manizales: Universidad Nacional de Colombia. Chow, V.T., Maidment, D.R. y Mays, L.W. (1996) Hidrologia Aplicada. Bogota: McGrawHill Interamericana. S.A. Christian, J. T. (2004) Geotechnical Engineering Reliability: How Well Do We Know What We Are Doing? Journal of Geotechnical and Geoenvironmental Engineering, Vol. 130, Nm. 10. Reston: American Society of Civil Engineers. Chung, C y Fabbri, A.(2003) Validation of Spatial Prediction Models for Landslide Hazard Mapping of the hazard maps. Natural Hazards. Vol. 30. Netherlands: Kluwer Academic Publishers. Chung CF, Fabbri AG, van Westen CJ (1995) Multivariate regression analysis for landslide hazard zonation. En: Carrara F, Guzzetti A (eds) Geographical Information Systems in Assessing Natural Hazards, Dordrecht: Kluwer Academic Publishers. COLPADE. Comit local para la prevencion, atencin y recuperacion de desastres. (2003). Primer informe emergencia Marzo 18 y 19 de 2003. Manizales: Alcalda de Manizales. COLPADE. Comit local para la prevencion, atencin y recuperacion de desastres. (2003a). Primer informe emergencia Octubre 28 y 29 de 2003. Manizales: Alcalda de Manizales. de Campos, L.M. y Huete, J.F. (1999) Independence concepts in possibility theory: Part I. Fuzzy Sets and Systems. Vol. 103. msterdam: Elsevier Science Ltd. B.V. de Campos, L.M. y Huete, J.F. (1999a) Independence concepts in possibility theory: Part II. Fuzzy Sets and Systems. Vol. 103. msterdam: Elsevier Science Ltd. B.V. de Kort, A.T. y Booij, M.J. (en impresin) Decision making under uncertainty in a decision support system for the Red River. Environmental Modelling & Software. msterdam: Elsevier Science Ltd. B.V. Dodagoudar, G. R., Venkatachalam, G. (2000) Reliability analysis of slopes using fuzzy sets theory. Computers and Geotechnics. Vol. 27 (2000). msterdam: Elsevier Science Ltd. B.V. Dubois, D. (2006) Possibility theory and statistical reasoning. Computational Statistics & Data Analysis. Vol. 51. Amsterdam: Elsevier Science

43

Ltd. B.V. Dubois, D. (2005) Forty years of fuzzy sets. Fuzzy Sets and Systems. Vol. 156. Amsterdam: Elsevier Science Ltd. B.V. Dubois, D. y Prade. H. (2004) On the use of aggregation operations in information fusion processes. Fuzzy Sets and Systems Vol. 142. msterdam: Elsevier Science Ltd. B.V. Dubois, D. et al (2003). Fuzzy scheduling: Modelling flexible constrains vs. coping with incomplete knowledge. European Journal of Operational Research. Vol.147. msterdam: Elsevier Science Ltd. B.V. Ercanoglu, M., y y Gokceoglu, C. (2004) Landslide Susceptibility Zoning North of Yenice. (NW Turkey) by Multivariate Statistical Techniques. Natural Hazards. Vol. 32. NorthHolland: Kluwer Academics Publishers. Facchinetti, G. y Pacchiarotti, N. (2006). Evaluations of fuzzy quantities. Fuzzy Sets and Systems. Vol. 157. Amsterdam: Elsevier Ltd. Gahegan, M. E. (2000) A framework for the modelling of uncertainty between remote sensing and geographic information systems ISPRS Journal of Photogrammetry & Remote Sensing. Vol. 55. Amsterdam: Elsevier Science Ltd. B.V. Garca, M.(1991) Estudio, prevencin y correccin de deslizamientos en Colombia. Documento de trabajo asignatura Geotecnia II. Programa de Ingeniera Civil. Bogot D.C.: Departamento de Ingeniera Civil. Universidad Nacional de Colombia. Garca, C. y Hurtado, J. (2003) Modelo basado en lgica difusa para la construccin de indicadores de vulnerabilidad urbana frente a fenmenos naturales. Gestin y Medio Ambiente. Medelln: Instituto de Estudios Ambientales. Universidad Nacional de Colombia. Giachetti, R.E. (1998) A Decision Support System for Material and Manufacturing Process Selection. Journal of Intelligent Manufacturing. Vol. 9. Goodman,L.A.(1965) On simultaneous confidence intervals for multinomial proportions. Technometrics. Vol. 7. Num. 2. Disponible en http://links.jstor.org Gorsevski, P.V., Gessler, P.E. Jankowski, P. (2003) Integrating a fuzzy k-means classification and a Bayesian approach for spatial prediction of landslide hazard. Journal of Geographic Systems. Vol. 5. Amsterdam: Elsevier Science Ltd. B.V. Hjek, P. (2006) What is mathematical fuzzy logic? Fuzzy Sets and Systems. Vol. 157. Nm. 5. msterdam: Elsevier Science Ltd. B.V.

Havenith, H. et al (2005) Analysis of landslide susceptibility in the Suusamyr region, Tien Shan: statistical and geotechnical approach. Landslides. Vol. 0. Heildelberg: Springer-Verlag. Hoek, E. (2000) Practical Rock Engineering. Disponible en http://www.rockeng.utoronto.ca Hutchinson, J.N. (1988) Morphological and Geotechnical Parameters on Landslides in Relation to Geology and Hydrology. Proceeding. International Symposium on Landslides. Vol. 1. Lausane: Balkema Publishers. Hutchinson, J. N. (1995) Keynote paper: Landslide hazard assessment, En: LandslidesGlissements de Terrain, VI International Symposium on Landslides. Vol. 3. Christchurch, New Zealand: Balkema Publishers. Ingeominas (2001) Evaluacin de Riesgos por Fenmenos de Remocin en Masa. Gua Metodolgica. Bogot: Escuela Colombiana de Ingeniera. Islam, Z. (2004) Fractals and fuzzy sets for modelling the heterogenity and spatial complexity of urban landscapes using multiscale remote sensing data. PhD Thesis. Curtin: Department of Spatial Sciences. Curtin University of Technology. Jones, J.D. y Hua, Y. (1998) A Fuzzy Knowledge Base to Support Routine Engineering Desing. Fuzzy Sets and Systems. Vol. 98. msterdam: Elsevier Science Ltd. B.V. Juang, C.H. et al (1992) Mapping Slope Failure Potential Using Fuzzy Sets. Journal of Geotechnical Engineering. Vol. 118. Nm. 3. Reston: American Society of Civil Engineers. Juang, C. H., Jhi, Y-Y. y Lee, D.-H. (1998) Stability analysis of existing slopes considering uncertainty. Engineering Geology, Vol. 49, Nm. 2. msterdam: Elsevier Science Ltd. B.V. Kandel, A., Martins, A., Pacheco, R. (1995) Discussion: On the Very Real Distinction Between Fuzzy and Statistical Methods. Technometrics. Vol. 37, Num. 3 Disponible en http://links.jstor.org Kentel, E y Aral, M.M. (2005) 2D Monte Carlo versus 2D Fuzzy Monte Carlo health risk assessment. Stochasctic Environmental Research on Risk Assessment. Vol. 19. Heildelberg: Springer-Verlag. Kikuchi, S. y Pursula, M. (1998) Treatment of Uncertainty in Study of Transportation: Fuzzy Set Theory and Evidence Theory. Journal of Transportation Engineering. Vol. 124. Num. 1. Reston: American Society of Civil Engineers.

44

Klir, G. y Yuan, B. (1995). Fuzzy sets and Fuzzy Logic. Theory and applications. New Jersey: Prentice Hall PTR. Klir, G. (1997) The role of constrained fuzzy arithmetic in engineering. Uncertainty Analysis in Engineering and Sciences: Fuzzy Logic, Statistics and Neural Network Approach. Boston: Kluwer Academic Publishers. Kovitz, J.L. y Christakos, G. (2004) Assimilation of fuzzy data by the BME method. Stochastic Environmental Research. Vol. 18. Heildelberg: Springer-Verlag. Kreinovich, V. y Nguyen, H.T. (2006) Which fuzzy logic is the best: Pragmatic approach (and its theoretical analysis). Fuzzy Sets and Systems. Vol. 157. Nm. 5. msterdam: Elsevier Science Ltd. B.V. Kremenov, O. y Sunila, R. (2004) Fuzzy Applications for Geographical Information Science: Uncertainty in Soil Maps. Disponible en http://users.tkk.fi/~rsunila/Fuzziness2004_Kreme nova_Sunila.pdf. Laviolette, M., Seaman, J.W., Barrett, D., Woodall, W.H.(1995) A probabilistic and statistical view of fuzzy methods: Reply. Tecnometrics. Vol.37, Num. 3. Disponible en http://links.jstor.org Lee, S. (2006) Application and verification of fuzzy algebraic operators to landslide susceptibility mapping. Environmental Geology. Heildeberg: Springer Science+Business Media,Inc. Lee, S. y Talib, J. A. (2005) Probabilistic landslide susceptibility and factor effect analysis. Environmental Geology. Vol.47. Heildeberg: Springer Science+Business Media,Inc. Leung, Y. (1983) Fuzzy sets approach to spatial analysis and planning, a nontechnical evaluation. Geografiska Annaler.Series B. Human Geography. Vol. 65. Nm. 2. Disponible en http://links.jstor.org Li, H.-X. et al (2004) Fuzzy Decision Making Based on Variable Weights. Mathematical and Computer Modelling. Vol.39. Amsterdam: Elsevier Ltd. Makropoulos, C.K.y Butler, D. (2006) Spatial ordered weighted averaging: incorporating spatially variable attitude towards risk in spatial multi-criteria decision-making. Environmental Modelling & Software 21. msterdam: Elsevier Science Ltd. B.V. Mares, M. (1977) How to handle fuzzy quantities? Kybernetika. Vol. 13. Num. 1.

Martin-Clouaire, R. (2000) Representing and processing uncertain soil information for mapping soil hydrological properties. Computers and Electronics in Agriculture. Vol. 29. Amsterdam : Elsevier Science Ltd. B.V. Masson, M.H.; Denoeux, T. (2006) Inferring a possibility distribution from empirical data. Fuzzy sets and systems. Vol.157. Amsterdam: Elsevier Science Ltd. B.V. Milln, J. (1999). Evaluacin sistemtica de procesos y efectos de fenmenos de remocin en masa en Santaf de Bogot. Propuesta metodolgica-. En memorias del VIII Congreso Colombiano de Geotecnia. Bogot D.C.: Sociedad Colombiana de Geotecnia. Milln, J. (1999a). Lineamientos metodolgicos para la evaluacin de la amenaza por fenmenos de remocin en masa. En memorias X Jornadas Geotcnicas de la Ingeniera Colombiana. Bogot D.C.: Sociedad Colombiana de Ingenieros. Sociedad Colombiana de Geotecnia. Morgenstern, N. (1995) Managing risk in geotechnical engineering. Memorias del 10mo Congreso Panamericano de Mecnica de Suelos e Ingeniera de Fundaciones. Vol. 4. Mxico: Sociedad Mejicana de Mecnica de Suelos. Novk, V. (2005) Are fuzzy sets a reasonable tool for modeling vague phenomena? Fuzzy Sets and Systems. Vol. 156. Amsterdam: Elsevier Science Ltd. B.V. Novk, V. (2006) Which logic is the real fuzzy logic? Fuzzy Sets and Systems. Vol. 157. Nm. 5. msterdam: Elsevier Science Ltd. B.V. OSSO (1998). Dinmicas ambientales amenazantes en el Atrato medio. Cali: OSSO. Universidad del Valle. Disponible en osso.univalle.edu.co/doc/proyectos/ 1998/atrato/amenaza_desliza.pdf Pham, P.D., y Yan, H. (1997) A Kriging Fuzzy Integral. Information Science. Vol. 98. msterdam: Elsevier Science Ltd. B.V. Pistocchi, A., Luzi, L., Napolitano, P. (2002) The use of predictive modeling techniques for optimal exploitation of spatial databases: a case study in landslide hazard mapping with expert system-like methods. Environmental Geology. Vol. 41.Heildelberg: Springer-Verlag Portilla G., M. E. (1999) Evaluacin de la Amenaza por Deslizamiento en Mlaga, Santander, Aplicando la Metodologa de los Conjuntos Difusos: Un Tema de Geologa Ambiental. Geologa Colombiana. Vol. 24. Bogot: Universidad Nacional de Colombia.

45

Portilla G., M. E. (2001) Aplicacin de los Sistemas de Lgica Difusa en el Anlisis de la Susceptibilidad a Fenmenos de Remocin en Masa. Geologa Colombiana. Vol. 26. Bogot: Universidad Nacional de Colombia. Ramrez, F y Gonzlez., A.J. (1989). Evaluacin de Estabilidad para Zonas Homogneas. Memorias del I Simposio Suramericano de Deslizamientos- Vol. I. Paipa: Sociedad Colombiana de Geotecnia. Remeneiras, G. (1974) Tratado de hidrologa aplicada. Barcelona: Editores tcnicos asociados. S.A. Remondo, J. et al (2003) Landslide Susceptibility Models Utilising Spatial Data Analysis Techniques. A Case Study from the Lower Deba Valley, Guipzcoa (Spain). Natural Hazards. Vol. 30. Netherlands: Kluwer Academic Publishers. Remondo, J. et al (2003a) Validation of Landslide Susceptibility Maps; Examples and Applications from a Case Study in Northern Spain Natural Hazards. Vol. 30. Netherlands: Kluwer Academic Publishers. Remondo, J. et al (2005) A statistical approach to landslide risk modelling at basin scale: from landslide susceptibility to quantitative risk assessment. Landslides. Vol. 2., Heildeberg: Springer Science+Business Media,Inc. Sivakumar, G.L. y Mukesh, M.D. (2003) Risk analysis of landslides. A case study. Geotechnical and Geological Engineering. Vol. 21. Netherlands: Kluwer Academic Publishers. Tangestani, M. H. (2003) Landslide susceptibility mapping using the fuzzy gamma operation in a GIS, Kakan catchment area, Iran. Conference Proceedings Map India 2003, Disponible en http://www.gisdevelopment.net/proceedings/mapi ndia/2003 Tangestani, M.H., y Moore, F. (2002). The use of DempsterShafer model and GIS in integration of geoscientific data for porphyry copper potential mapping, north of Shahr-e-Babak, Iran. International Journal of Applied Earth Observation and Geoinformation, Vol. 4. Amsterdam: Elsevier Science Ltd. B.V.

USGS (1993) USCS data users guide 5 for DEMs. Disponible en www.usgs.gov Van Westen, C.J. (1993) Application of GIS to landslides hazard zonation. ITC publication. Nm. 15. Enschede: ITC. Van Westen, C.J, Van Asch, T.W.J. y Soeters, R. (2006) Landslide hazard and risk zonationwhy is it still so difficult? Bulletin of Engineering Geology and the Environment. Heildelberg: Springer-Verlag GmbH Varnes, D.J. (1984) Landslide Hazard Zonation: a Review of Principles and Practice. Paris: Unesco. Wang, S. et al (2005) Attribute uncertainty in GIS data. Lecture notes in Artificial Intelligence. Subserie de Lecture Notes in Computer Science. 36.14 Parte II. Heildeberg: Springer Science+Business Media,Inc. Wilkinson, P. L., Anderson, M. G., Lloyd, D. M., Renaud, J-P. (2002). Landslide hazard and bioengineering: towards providing improved decision support through integrated numerical model development. Environmental Modelling & Software Vol. 17. msterdam: Elsevier Science Ltd. B.V. Wu S., Li J., y Huang G. (2005) An evaluation of grid size uncertainty in empirical soil loss modeling with digital elevation model. Environmental Modeling and Assessment. Vol. 10. Nm. 1. Heildelberg. Springer Science+Business Media B.V. Yesilnacar, E. y Topal, T. (2005) Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology. Vol. 79. msterdam: Elsevier Science Ltd. B.V. Zadeh, L. (1995) Discussion: Probability Theory and Fuzzy Logic Are Complementary Rather Than Competitive. Technometrics. Vol. Num.3 . Disponible en http://www.jstor.org/ Zimmermann, H.J. y Zysno, P. (1983) Decisions and evaluations by hierarchical aggregation of information. Fuzzy Sets and Systems. Vol. 10. msterdam: Elsevier Science Ltd. B.V.

46