Universidad Nacional Mayor de San Marcos

Universidad del Perú. Decana de América

Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica
Escuela Profesional de Ingeniería Geográfica

Análisis comparativo de la susceptibilidad a movimientos

en masa mediante los métodos de regresión logística y
proceso de análisis jerárquico para seis valles de la
Cordillera Blanca, Áncash

TESIS
Para optar el Título Profesional de Ingeniero Geógrafo

AUTOR
Javier Raúl MENDOZA TIMOTEO

ASESOR
José Luis QUISPE VÍLCHEZ

Lima, Perú

2021
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales

https://creativecommons.org/licenses/by-nc-sa/4.0/
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia.
Referencia bibliográfica

Mendoza, J. (2021). Análisis comparativo de la susceptibilidad a movimientos en

masa mediante los métodos de regresión logística y proceso de análisis jerárquico
para seis valles de la Cordillera Blanca, Áncash. [Tesis de pregrado, Universidad
Nacional Mayor de San Marcos, Facultad de Ingeniería Geológica, Minera,
Metalúrgica y Geográfica, Escuela Profesional de Ingeniería Geográfica].
Repositorio institucional Cybertesis UNMSM.
 Metadatos complementarios

Datos de autor

Nombres y apellidos Javier Raúl Mendoza Timoteo

Tipo de documento de identidad DNI

Número de documento de identidad 74814960

URL de ORCID https://orcid.org/0000-0002-0346-2767

Datos de asesor

Nombres y apellidos Jose Luís Quispe Vilchez

Tipo de documento de identidad DNI

Número de documento de identidad 08119070

URL de ORCID https://orcid.org/0000-0002-2892-8420

Datos del jurado

Presidente del jurado

Nombres y apellidos Dante Horacio Loayza Alatrista

Tipo de documento DNI

Número de documento de identidad 07564915

Miembro del jurado 1

Nombres y apellidos Francisco Alejandro Alcántara Boza

Tipo de documento DNI

Número de documento de identidad 27074721

Miembro del jurado 2

Nombres y apellidos José Antonio Sandoval Casas

Tipo de documento DNI

Número de documento de identidad 08800785

Datos de investigación

Línea de investigación C.0.2.4 Geodinámica externa e interna

Grupo de investigación No aplica.

 Perú. CONCYTEC y el Banco Mundial a
través de la unidad ejecutora FONDECYT.
Agencia de financiamiento
Fondo “Incorporación de Investigadores”.
N.º 015 -2019-FONDECYT-BM-INC.INV
Valles pertenecientes a la Cordillera Blanca:
Valle de Parón en la provincia de Huaylas,
Valle de Llanganuco en la provincia de
Yungay, Valles de Ulta y Honda en la
provincia de Carhuaz, Valles de Llaca y Cojup
Ubicación geográfica de la en la provincia de Huaraz
investigación Departamento de Ancash, Perú

• Norte: Latitud sur -8.8529389

• Este: Longitud oeste -77.408775
• Sur: Latitud sur -9.6748333
• Oeste: Longitud oeste -77.572525
Año o rango de años en que se
2020- 2021
realizó la investigación
Geociencias, Multidisciplinar
https://purl.org/pe-repo/ocde/ford#1.05.01
Geología
URL de disciplinas OCDE https://purl.org/pe-repo/ocde/ford#1.05.06
Ciencias del medio ambiente
https://purl.org/pe-repo/ocde/ford#1.05.08
 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
Universidad del Perú, DECANA DE AMÉRICA
FACULTAD DE INGENIERÍA GEOLÓGICA, MINERA, METALÚRGICA Y GEOGRÁFICA
ESCUELA PROFESIONAL DE INGENIERÍA GEOGRÁFICA

ACTA DE SUSTENTACIÓN DE TESIS PARA OPTAR TÍTULO PROFESIONAL DE

INGENIERO GEÓGRAFO
Usando la plataforma virtual de Google Meet de la Escuela Profesional de Ingeniería Geográfica de
la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica de la Universidad Nacional
Mayor de San Marcos, el día viernes 10 de diciembre del año 2021, siendo las 11:00 horas, en
presencia de los Señores Docentes designados como Miembros del Jurado Calificador:

Ing. DANTE HORACIO LOAYZA ALATRISTA Presidente

Dr. FRANCISCO ALEJANDRO ALCÁNTARA BOZA Miembro
Ing. JOSÉ ANTONIO SANDOVAL CASAS Miembro

Reunidos en Acto Académico virtual Público de Sustentación de la Tesis titulada: “ANÁLISIS

COMPARATIVO DE LA SUSCEPTIBILIDAD A MOVIMIENTOS EN MASA MEDIANTE LOS
MÉTODOS DE REGRESIÓN LOGÍSTICA Y PROCESO DE ANÁLISIS JERÁRQUICO PARA SEIS
VALLES DE LA CORDILLERA BLANCA, ÁNCASH” Presentada por el Bachiller JAVIER RAÚL
MENDOZA TIMOTEO, para optar el Título Profesional de Ingeniero Geógrafo.

Expuesta la Tesis; los miembros del Jurado plantearon al Bachiller las preguntas pertinentes, que
fueron absueltas a:
SATISFACCIÓN
........................................................................................................................

Concluida la sustentación de Tesis, el Jurado procedió a evaluar y calificar la calidad y sustentación

en secreto, cuyo calificativo fue:
DIECISIETE (17), APROBADO CON MENCIÓN HONROSA
….....................................................................................................................

Habiendo sido aprobada la Sustentación de la Tesis por el Jurado Calificador, el Presidente del
Jurado recomienda que la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica,
otorgue el TÍTULO PROFESIONAL DE INGENIERO GEÓGRAFO, a Don JAVIER RAÚL MENDOZA
TIMOTEO.

Siendo las…….……….
12:15 horas, se dio por concluido el acto académico, expidiéndose cinco (05) Actas
Originales de la Sustentación de Tesis, firmadas por el Jurado Calificador.

Lima, 10 de diciembre del 2021

Ing. DANTE HORACIO LOAYZA ALATRISTA

PRESIDENTE

Dr. FRANCISCO ALEJANDRO ALCÁNTARA BOZA Ing. JOSÉ ANTONIO SANDOVAL CASAS
MIEMBRO MIEMBRO

Ing. JOSÉ LUIS QUISPE VÍLCHEZ

ASESOR DE TESIS
 DEDICATORIA

A mi mamá, por confiar en mí siempre que más la necesité.

A mi papá, que con sus enseñanzas me motivo a seguir y luchar por mis sueños.
A mi mamita Teodomira Valentín y papito Demetrio Timoteo por cuidar de mí desde
pequeño, los amo mucho.
A mis hermanos, que son mi ejemplo para seguir cada día de mi vida.
A mis familiares y amigos que durante la universidad me ayudaron a seguir cada día en esta
hermosa carrera de Ingeniería Geográfica.
En memoria al Ing. Julio Gutiérrez Viera, quien inicialmente me ayudo y motivo en la
asesoría de la presente investigación.
AGRADECIMIENTOS
Al Ing. José Luis Quispe Vílchez, por sus correcciones en la asesoría de mi tesis. Sus
enseñanzas y apoyo durante mi época universitaria me ayudaron en mi formación como
profesional y como persona.
Al Dr. Damien Catchpole, muchas gracias por sus importantes apreciaciones y correcciones
realizadas desde inicio de la presente investigación, gracias por la oportunidad y la confianza
dada.
Al PhD. Steven Sevillano investigador asociado a Teyde Territorio y Desarrollo S.A.C, por sus
enseñanzas en herramientas estadísticas que fueron vitales en la realización de mi tesis.
A la Ing. Emilia Bejar por sus enseñanzas y apoyo durante la realización de mi tesis, muchas
gracias por la confianza y amistad dada durante todos estos años de formación.
A mis amigos y compañeros del proyecto ANP-Digital Huascarán por sus facilidades
prestadas en la realización de mi tesis, por inculcarme la vena de la investigación en la
temática de gestión de riesgos y peligros naturales, por enseñarme la importancia de la
ciencia como medio para la solución de problemas.
Al proyecto “Herramienta tecnológica para la gestión del ecoturismo en áreas naturales
protegidas por el estado, e implantación en el Parque Nacional de Huascarán (ANP-DIGITAL-
HUASCARÁN)”, financiado por el Banco Mundial a través del FONDECYT por la financiación
de mi trabajo de investigación.
A mis amigos de la universidad, en especial a Alondra, Ronny, Víctor, Luigi, Jesús, Mario,
Sandra, Leysi, Joel, Jerson, Jose, Kevin, Jesus Tapia, Miller, Brolin y Miguel Farro que
durante mi vida universitaria creyeron en mí, su amistad y apoyo han sido muy importantes
durante mis cinco años de formación.
 RESUMEN
Los movimientos en masa en la Cordillera Blanca, departamento de Ancash, Perú, provocan
frecuentemente afectaciones en las carreteras, viviendas, infraestructuras y han cobrado la
vida de varías personas. La identificación de los lugares más propensos a la ocurrencia de
movimientos en masa es una base importante para la toma de decisiones en ámbitos del
ordenamiento territorial y la gestión de riesgos naturales. Esta investigación tiene como
objetivo principal comparar la susceptibilidad a movimientos en masa mediante dos
metodologías: (1) la Regresión Logística (RL) y (2) el Proceso de Análisis Jerárquico (AHP)
en seis subcuencas de la Cordillera Blanca: Parón, Llanganuco, Ulta, Honda, Llaca y Cojup.
A lo largo de las seis gradientes altitudinales, se realizó un inventario de 431 eventos de
ocurrencia y 434 datos de no ocurrencia de movimientos en masa. Del mismo modo, se
determinaron y recolectaron 11 posibles factores causales de los movimientos de masa de
forma independiente, a una resolución espacial de 12.5m x 12.5m. La elección de los factores
causales de los movimientos en masa para cada subcuenca se realizó siguiendo los principios
dados por cada metodología.
Para la comparación entre las capas ráster de susceptibilidad generados mediante RL y el
AHP, se determinó una mayor igualdad y similitud entre los modelos planteados para las seis
subcuencas de estudio. Para determinar el método más adecuado, se utilizó el Área Bajo la
Curva (AUC), resultando una buena precisión en ambos modelos, siendo la Regresión
Logística ligeramente mejor que el Proceso de Análisis Jerárquico y obteniendo mayores
ventajas. Siendo el método logístico el que se comporta mejor, también se determinó las
principales variables predictoras para valles glaciares de la Cordillera Blanca mediante la
técnica estadística de selección de variables Backward Selection. Finalmente se analizó el
comportamiento de las principales variables susceptibles a movimientos en masa utilizando
gráficas de función logística para las variables continuas y relación de frecuencia para las
variables categóricas.
En conclusión, ambas metodologías proveen mapas con resultados confiables y similares,
aunque la ventaja de la RL es que permite cuantificar el efecto de factores de forma precisa
y estandarizada a partir de datos de inventario de movimientos en masa y no subjetiva como
el AHP. Sin embargo, es importante mencionar que la elección del modelo está determinada
por las necesidades y recursos disponibles; siendo ambos modelos igualmente importantes
para la identificación de la probabilidad de ocurrencia a movimientos en masa.
Palabras claves: Movimientos en masa, susceptibilidad, regresión logística, proceso de
análisis jerárquico.
 SUMMARY
Landslides in the Cordillera Blanca, department of Ancash, Peru, frequently cause damage to
roads, houses, infrastructure and have claimed the lives of several people. The identification
of the places most prone to landslides is an important basis for decision making in land use
planning and natural risk management. The main objective of this research is to compare
landslide susceptibility using two methodologies: (1) Logistic Regression (LR) and (2) the
Hierarchical Analysis Process (AHP) in six sub-basins of the Cordillera Blanca: Parón,
Llanganuco, Ulta, Honda, Llaca and Cojup.
Along the six altitudinal gradients, an inventory of 431 landslide occurrence events and 434
non-occurrence data were inventoried. Similarly, 11 possible causal factors of mass
movements were determined and collected independently, at a spatial resolution of 12.5m x
12.5m. The choice of landslide causal factors for each sub-basin was made following the
principles given by each methodology.
For the comparison between the susceptibility raster layers generated by RL and AHP, a
greater equality and similarity was determined between the models proposed for the six study
sub-basins. To determine the most appropriate method, the Area Under the Curve (AUC) was
used, resulting in good accuracy in both models, with Logistic Regression being slightly better
than the Hierarchical Analysis Process and obtaining greater advantages. Being the logistic
method the one that performs better, the main predictor variables for glacial valleys of the
Cordillera Blanca were also determined by means of the statistical technique of Backward
Selection of variables. Finally, the behavior of the main variables susceptible to landslides was
analyzed using logistic function plots for continuous variables and frequency ratio for
categorical variables.
In conclusion, both methodologies provide maps with reliable and similar results, although the
advantage of the RL is that it allows quantifying the effect of factors in an accurate and
standardized way from landslide inventory data and not subjective as the AHP. However, it is
important to mention that the choice of model is determined by the needs and available
resources; both models are equally important for the identification of the probability of landslide
occurrence.
Keywords: Landslides, susceptibility, logistic regression, hierarchical analysis process.
Índice general

1 Introducción ............................................................................................................... 12
1.1 Planteamiento del problema ................................................................................. 12
1.2 Formulación del problema..................................................................................... 13
1.2.1 Problema General .......................................................................................... 13
1.2.2 Problemas Específicos .................................................................................. 13
1.3 Justificación de la investigación ............................................................................ 13
1.4 Objetivos............................................................................................................... 14
1.4.1 Objetivo General ............................................................................................ 14
1.4.2 Objetivos Específicos..................................................................................... 14
1.5 Hipótesis ............................................................................................................... 14
1.5.1 Hipótesis General .......................................................................................... 14
1.5.2 Hipótesis Especificas ..................................................................................... 14
2 Marco teórico ............................................................................................................. 15
2.1 Antecedentes de la investigación .......................................................................... 15
2.2 Bases Teóricas ..................................................................................................... 17
2.2.1 Susceptibilidad............................................................................................... 17
2.2.2 Métodos de zonificación de peligros por movimientos en masa ..................... 19
2.2.3 Riesgos.......................................................................................................... 24
2.2.4 Movimientos en masa .................................................................................... 25
2.2.5 Curva ROC .................................................................................................... 28
2.2.6 Método estadístico de selección de variables-Backward Selection ................ 29
3 Caracterización de la zona de estudio .................................................................... 30
3.1 Ubicación geográfica ............................................................................................ 30
3.2 Aspectos físicos .................................................................................................... 33
3.2.1 Geología ........................................................................................................ 33
3.2.2 Fisiografía ...................................................................................................... 37
3.2.3 Suelos............................................................................................................ 39
3.2.4 Clima ............................................................................................................. 40
3.2.5 Hidrografía e hidrología ................................................................................. 42
3.3 Aspectos biológicos .............................................................................................. 42
3.3.1 Zonas de vida ................................................................................................ 42
3.3.2 Flora .............................................................................................................. 43
3.3.3 Fauna ............................................................................................................ 44
3.4 Aspectos socioeconómicos ................................................................................... 44
 3.4.1 Características demográficas......................................................................... 44
3.4.2 Indicadores de Pobreza ................................................................................. 45
3.4.3 Aspectos económicos .................................................................................... 45
4 Metodología ............................................................................................................... 47
4.1 Procedimiento general de la investigación ............................................................ 47
4.2 Obtención de datos ............................................................................................... 48
4.2.1 Inventario de movimientos en masa............................................................... 48
4.2.2 Variables explicativas .................................................................................... 53
4.3 Análisis de los datos ............................................................................................. 68
4.3.1 Creación de la base de datos ........................................................................ 68
4.3.2 Correlación de las variables ........................................................................... 68
4.4 Determinación de la susceptibilidad ...................................................................... 70
4.4.1 Regresión logística (RL) ................................................................................ 70
4.4.2 Proceso de análisis jerárquico (AHP) ............................................................. 91
5 Discusión de los resultados.................................................................................... 115
5.1 Comparación de los modelos de susceptibilidad a movimientos en masa .......... 115
5.2 Validación del método más adecuado para determinar la susceptibilidad a
movimientos en masa.................................................................................................... 118
5.3 Determinación de las principales variables predictoras para valles glaciares de la
Cordillera Blanca ........................................................................................................... 120
5.4 Comportamiento de los eventos de movimientos en masa en función de sus
principales variables explicativas ................................................................................... 121
6 Conclusiones ........................................................................................................... 124
7 Recomendaciones................................................................................................... 126
8 Bibliografía ............................................................................................................... 128
9 Anexos ...................................................................................................................... 133
Anexo 1: Eventos de movimientos en masa cartografiados en campo: ......................... 133
Anexo 2: Código en “R” para la generación y validación del modelo de susceptibilidad a
movimientos en masa mediante regresión logística....................................................... 143
Anexo 3: Código en “R” para la validación (área bajo la curva) de los modelos mediante
proceso de análisis jerárquico. ...................................................................................... 150
Índice de figuras

Figura 2.1: Métodos más utilizados en la evaluación de la susceptibilidad ......................... 19

Figura 2.2: Función sigmoide empleada en el cálculo de regresión logística ..................... 20
Figura 2.3: Descripción general de los tipos de movimientos en masa............................... 27
Figura 2.4: Representación de la curva ROC ..................................................................... 29
Figura 2.5: Backward Selection .......................................................................................... 29
Figura 3.1: Ubicación del área de estudio .......................................................................... 31
Figura 3.2: Formaciones geológicas presentes en el área de estudio ................................ 36
Figura 3.3: Unidades fisiográficas presentes en el área de estudio .................................... 38
Figura 3.4: Grandes grupos de suelos del área de estudio ................................................ 39
Figura 3.5: Clasificación Climática del área de estudio ...................................................... 40
Figura 3.6: Climograma - Estación Recuay ........................................................................ 41
Figura 3.7: Precipitación total anual - Estación Recuay...................................................... 41
Figura 3.8: (A) Puya de Raimondi (Puya raimondii) (B) Bosques de Queñual (Polylepis sp.)
........................................................................................................................................... 43
Figura 3.9: (A) Vizcacha (B), Condor andino ...................................................................... 44
Figura 4.1: Proceso general para la realización de la investigación. .................................. 47
Figura 4.2: Principios a considerar para la recolección y construcción de la base de datos 48
Figura 4.3: Inventario de movimientos en masa ................................................................. 49
Figura 4.4: Modelo de ficha descriptiva de un evento de movimiento en masa .................. 51
Figura 4.5: (A, C, D) Eventos de movimientos en masa históricos validados en campo, (B)
Toma de fotos con drone y (E) Lagunas con riesgos de desembalse ................................. 52
Figura 4.6: Geomorfología de los valles de estudio ............................................................ 56
Figura 4.7: Cobertura vegetal de los valles de estudio ....................................................... 58
Figura 4.8: NDVI (época húmeda) de los valles de estudio ................................................ 59
Figura 4.9: Modelo digital de elevación de los valles de estudio ........................................ 60
Figura 4.10: Clases de pendientes de los valles de estudio ............................................... 62
Figura 4.11: Orientación de laderas de los valles de estudio.............................................. 63
Figura 4.12: Rugosidad del terreno de los valles de estudio ............................................. 64
Figura 4.13: Curvatura tangencial ...................................................................................... 65
Figura 4.14: Curvatura tangencial de los valles de estudio................................................. 65
Figura 4.15: Curvatura de perfil .......................................................................................... 66
Figura 4.16: Curvatura de perfil de los valles de estudio ................................................... 66
Figura 4.17: Precipitación media anual-WorldClim de los valles de estudio ...................... 67
Figura 4.18: Correlación de Pearson entre las variables explicativas ................................. 69
Figura 4.19: Metodología para el cálculo del modelo de Regresión Logística .................... 70
Figura 4.20: Metodología para el cálculo del Proceso de Análisis Jerárquico .................... 91
Figura 5.1: Mapa de coincidencia entre los modelos de RL y AHP. ................................. 116
Figura 5.2: Coincidencia entre los mapas de RL y AHP para cada subcuenca de estudio 117
Figura 5.3: AUC de las subcuencas: (A) Parón (B) Llanganuco (C) Ulta (D) Honda (E) Llaca
(F) Cojup. .......................................................................................................................... 119
Figura 5.4: Principales variables explicativas de la SMM en valles glaciares de la Cordillera
Blanca ............................................................................................................................... 120
Figura 5.5: Comportamiento de los eventos de movimientos en masa en función de las
variables: (A) Pendiente (B) Elevación (C) NDVI (D) Precipitación anual (E)Geología (F)
Geomorfología (G) Cobertura vegetal. ............................................................................. 122
Índice de tablas

Tabla 2.1: Factores condicionantes y desencadenantes utilizados por diversos autores .... 18
Tabla 2.2: Escala de comparaciones de Saaty ................................................................... 21
Tabla 2.3: Valores Índice Aleatorio ..................................................................................... 23
Tabla 2.4: Clasificación de los eventos de movimientos en masa....................................... 25
Tabla 2.5: Comportamiento de un modelo de predicción .................................................... 28
Tabla 3.1: Unidades geológicas del área de estudio........................................................... 35
Tabla 3.2: Unidades fisiográficas del área de estudio ......................................................... 37
Tabla 3.3: Comunidades campesinas y número de personas asentadas en las subcuencas
de estudio ........................................................................................................................... 45
Tabla 4.1: Unidades geomorfológicas ................................................................................ 56
Tabla 4.2: Clases de pendiente .......................................................................................... 61
Tabla 4.3: Codificación de los parámetros susceptibles a movimientos en masa ............... 68
Tabla 4.4: Variables con correlaciones más altas ............................................................... 69
Tabla 4.5: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Parón. ................................ 72
Tabla 4.6: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Parón. .............................. 73
Tabla 4.7: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Parón. ............................................................................................................... 74
Tabla 4.8: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Llanganuco......................... 75
Tabla 4.9: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Llanganuco. ..................... 76
Tabla 4.10: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Llanganuco. ...................................................................................................... 77
Tabla 4.11: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Ulta..................................... 78
Tabla 4.12: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Ulta. ................................. 79
Tabla 4.13: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Ulta. .................................................................................................................. 80
Tabla 4.14: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Honda. ............................... 81
Tabla 4.15: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Honda. ............................. 82
Tabla 4.16: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Honda. .............................................................................................................. 83
Tabla 4.17: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Llaca. ................................. 84
Tabla 4.18: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Llaca. ............................... 85
Tabla 4.19: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Llaca. ................................................................................................................ 86
Tabla 4.20: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Cojup. ................................. 87
Tabla 4.21: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Cojup. .............................. 88
Tabla 4.22: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Cojup. ............................................................................................................... 89
Tabla 4.23: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Parón. ............................................................................... 93
Tabla 4.24: Tabla de comparación por pares, razón de consistencia y pesos de las clases del
NDVI para la subcuenca Parón. .......................................................................................... 93
Tabla 4.25: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geomorfología para la subcuenca Parón. ....................................................................... 94
Tabla 4.26: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Precipitación anual para la subcuenca Parón. ................................................................. 95
Tabla 4.27: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Parón ............................................................. 95
Tabla 4.28: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Llanganuco. ...................................................................... 96
Tabla 4.29: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geología para la subcuenca Llanganuco. ....................................................................... 96
Tabla 4.30: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geomorfología para la subcuenca Llanganuco. .............................................................. 97
Tabla 4.31: Tabla de comparación por pares, razón de consistencia y pesos de las clases del
NDVI para la subcuenca Llanganuco. ................................................................................. 98
Tabla 4.32: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
Precipitación anual para la subcuenca Llanganuco. ............................................................ 98
Tabla 4.33: Tabla de comparación por pares, razón de consistencia y pesos los parámetros
susceptibles para la subcuenca Llanganuco. ...................................................................... 99
Tabla 4.34: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Ulta. ................................................................................ 100
Tabla 4.35: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geología para la subcuenca Ulta. ................................................................................. 100
Tabla 4.36: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geomorfología para la subcuenca Ulta. ........................................................................ 101
Tabla 4.37: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
NDVI para la subcuenca Ulta. ........................................................................................... 102
Tabla 4.38: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Precipitación anual para la subcuenca Ulta. .................................................................. 102
Tabla 4.39: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Ulta. ............................................................. 103
Tabla 4.40: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Honda. ............................................................................ 104
Tabla 4.41: Tabla de comparación por pares, razón de consistencia y pesos de las clases del
NDVI para la subcuenca Honda. ....................................................................................... 104
Tabla 4.42: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geología para la subcuenca Honda. ............................................................................. 105
Tabla 4.43: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geomorfología para la subcuenca Honda. .................................................................... 106
Tabla 4.44: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Precipitación anual para la subcuenca Honda. .............................................................. 107
Tabla 4.45: Tabla de comparación por pares, razón de consistencia y pesos los parámetros
susceptibles para la subcuenca Honda. ............................................................................ 107
Tabla 4.46: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Llaca. .............................................................................. 108
Tabla 4.47: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geología para la subcuenca Llaca. .......................................................................... 108
Tabla 4.48: Tabla de comparación por pares, razón de consistencia y pesos de las clases del
NDVI para la subcuenca Llaca. ......................................................................................... 109
Tabla 4.49: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Precipitación anual para la subcuenca Llaca. ................................................................ 109
Tabla 4.50: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Llaca. ........................................................... 110
Tabla 4.51: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Pendiente para la subcuenca Cojup. ............................................................................. 111
Tabla 4.52: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geología para la subcuenca Cojup. .............................................................................. 111
Tabla 4.53: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Geomorfología para la subcuenca Cojup. ..................................................................... 112
Tabla 4.54: Tabla de comparación por pares, razón de consistencia y pesos de las clases de
la Precipitación anual para la subcuenca Cojup. ............................................................... 113
Tabla 4.55: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Cojup. .......................................................... 113
 1 Introducción

1.1 Planteamiento del problema

La ocurrencia de eventos de movimientos o remoción en masa en la zona del Parque Nacional

Huascarán es un peligro recurrente y latente. Debido a la complejidad topográfica de la
Cordillera Blanca, los eventos de remoción en masa como caída de rocas, vuelco,
deslizamientos, flujos entre otros, son bastante comunes y han cobrado la vida de miles de
personas durante los últimos siglos. Dentro de los valles pertenecientes a la Cordillera Blanca,
han ocurrido eventos históricos que han afectado a las comunidades asentadas en el Callejón
de Huaylas; como el ocurrido el 13 de diciembre de 1941, donde se produjo un aluvión que
afecto la ciudad de Huaraz dejando 1800 víctimas mortales; actualmente la laguna
Palcacocha que origino este aluvión, tiene más agua de la que tenía en 1941 (Carey, 2018).
Otro evento importante, es el ocurrido en 1970 donde un alud sepultó a la ciudad de Yungay
dejando alrededor de 28 000 fallecidos (DESINVENTAR, 2016). Este evento es reconocido
como uno de los más devastadores ocurridos en el Perú y el mundo. En el año 2010, otro
aluvión de menor magnitud se produjo en la ciudad de Carhuaz, volviendo afectar levemente
a los poblados locales; a raíz de este evento se instaló el primer sistema de alerta temprana
ante un aluvión en la laguna 513 perteneciente a la Cordillera Blanca.
La Cordillera Blanca, que representa gran parte del territorio glaciar nacional, ha presentado
un fuerte desequilibrio ambiental durante las últimas décadas a causa del cambio climático;
el cual se entiende como un proceso que se ha incrementado y tiene como factor
determinante el aumento de los gases de efecto invernadero emitidos por los seres humanos.
Los efectos del cambio climático en la Cordillera Blanca son evidentes en tres puntos: el
retroceso glaciar, el incremento de espejos de agua y de eventos de movimientos en masa.
La investigación de los eventos de movimiento en masa es mundialmente importante y
particularmente en el Perú, puesto que nuestro país se encuentra en una zona altamente
sísmica y con fenómenos de precipitación fuertes (Fenómeno del Niño) que desencadenan
ciertos eventos de peligro. En conjunto, estas características hacen del Perú, y especialmente
de las zonas andinas, áreas con una fuerte necesidad de investigación en estos temas para
proveer mejores maneras de prevenir y estar preparados ante peligros naturales en diferentes
valles. Paso fundamental para la toma de decisiones para mitigar estos fenómenos.
Una línea de investigación prioritaria es la de evaluar diferentes metodologías para poder
determinar la probabilidad de ocurrencia (susceptibilidad) de fenómenos de geodinámica
externa. Estas investigaciones incluyen las desarrolladas por Ayalew & Yamagishi, 2005;
Baeza & Corominas, 2001; Blanco, 2013; E. Bueechi et al., 2019; Garcia et al., 2007; Lamelas,
2007. En Perú, el CENEPRED (2015) hace uso del Proceso de Análisis Jerárquico (AHP),
planteado por (Saaty, 1980) debido a su practicidad. Otra metodología usada en otros países,
es la que usa la Regresión Logística (RL) como principal manera de análisis (Bornaetxea et
al., 2018; E. Bueechi et al., 2019). Sin embargo, la aplicación de las diferentes metodologías
para determinar la susceptibilidad al peligro va a depender de factores como la escala de
trabajo, la morfología del terreno, así como la información física que se disponga del área de
estudio. Estos factores son muy importantes al determinar la metodología a usar en la
evaluación de peligros.
En este estudio, se plantea evaluar estas dos técnicas basadas en un enfoque heurístico y
estadístico y a través de la comparación de mapas de susceptibilidad y sus ventajas para
analizar factores determinantes. Con la comparación de las diferentes técnicas, se espera
identificar el mejor método para la determinación de la susceptibilidad en diferentes
subcuencas de la Cordillera Blanca.
1.2 Formulación del problema

1.2.1 Problema General

▪ ¿Cómo comparar la susceptibilidad a movimientos en masa usando el método de
Regresión Logística y Proceso de Análisis Jerárquico en valles glaciares de la
Cordillera Blanca-Ancash?

1.2.2 Problemas Específicos

▪ ¿Cuál es el método más adecuado para calcular la susceptibilidad a movimientos en
masa en valles glaciares de la Cordillera Blanca?
▪ ¿Cuáles son las principales variables explicativas de la susceptibilidad a movimientos
en masa en diferentes valles glaciares de la Cordillera Blanca?
▪ ¿Cómo comprender el comportamiento de los eventos de movimientos en masa en
función de sus principales variables explicativas?

1.3 Justificación de la investigación

Entre los peligros que ocurren en los valles de la Cordillera Blanca, se encuentran los
deslizamientos, caídas, flujos y aluviones, generalmente causados por precipitaciones y
sismos de gran intensidad, como lo ocurrido en 1970, y sepulto la ciudad de Yungay. Ante la
ocurrencia de este tipo de eventos, surge la necesidad de investigación de susceptibilidad a
movimientos en masa diversos valles de la Cordillera Blanca.
Para el mapeo de la susceptibilidad a movimiento en masa, en el Perú se utiliza el método de
análisis jerárquico (CENEPRED, 2015), el cual es un primer paso considerable hacia la
gestión de riesgos; sin embargo, en la actualidad existen diversos métodos de zonificación
de peligros de movimiento en masa, como el método de distribución o de inventario (Guzzetti
et al., 2002), heurísticos, estadísticos (Ayalew et al., 2005), determinísticos (Westen & Terlien,
1996). Estos métodos no están recomendados/mencionados en el manual para el país, a
pesar de que se sabe que ciertos métodos han demostrados ser mejores en ciertas
topografías (Ayalew & Yamagishi, 2005; García, 2008; Pineda et al., 2012).
Es necesario más investigaciones mediante estos métodos, puesto que existe evidencia que
el comportamiento y la eficiencia de estas metodologías, depende de la escala espacial en la
cual son aplicadas e información disponible (E. Bueechi et al., 2019; Corominas et al., 2014).
Esta investigación busca determinar las diferencias y utilidad de los métodos de regresión
logística y proceso de análisis jerárquico en valles glaciares de la Cordillera Blanca.
Los datos de detección remota combinados con sistemas de información geográfica (SIG)
son importantes para generar, procesar información espacial y para asociar las variables
intrínsecas a los movimientos en masa. Estas herramientas permiten generar mapas
temáticos, calcular diferentes índices, asignar, integrar datos y generar los mapas de
susceptibilidad.
1.4 Objetivos

1.4.1 Objetivo General

▪ Comparar la susceptibilidad a movimientos en masa usando el método de Regresión
Logística y Proceso de Análisis Jerárquico en valles glaciares de la Cordillera Blanca-
Ancash.

1.4.2 Objetivos Específicos

▪ Determinar el método más adecuado para calcular la susceptibilidad a movimientos
en masa en valles glaciares de la Cordillera Blanca.
▪ Determinar las principales variables explicativas de la susceptibilidad a movimientos
en masa en diferentes valles glaciares de la Cordillera Blanca.
▪ Analizar el comportamiento de los eventos de movimientos en masa en función de las
principales variables predictoras.

1.5 Hipótesis

1.5.1 Hipótesis General

▪ La comparación de los métodos de susceptibilidad a movimientos en masa nos arroja
una gran similitud y correlación entre los métodos de Regresión Logística y Proceso
de Análisis Jerárquico en valles glaciares de la Cordillera Blanca-Ancash.

1.5.2 Hipótesis Especificas

▪ La regresión logística tiene una capacidad predictiva más precisa y exacta en
comparación a la metodología AHP, evaluada por las líneas ROC y teniendo mayores
ventajas sobre el proceso de análisis jerárquico.
▪ El uso de variables obtenidas a partir de métodos estadísticos de selección de
variables explica de mejor manera la susceptibilidad a movimientos en masa en valles
glaciares de la Cordillera Blanca.
▪ Los métodos logísticos tienen la capacidad de identificar el comportamiento o efecto
de cada factor relevante identificado como predictor de la susceptibilidad a
movimientos en masa.
 2 Marco teórico

2.1 Antecedentes de la investigación

Estudios realizados en diversos países aplicando diversas metodologías

Los estudios de susceptibilidad de desplazamiento de masas se han venido desarrollando
desde hace unos 50 años atrás. Los primeros estudios de la zonificación de movimientos de
masas, basadas en enfoques cualitativos, se remontan a la década de 1970 (Brabb et al.,
1972; Humbert, 1972), mientras que los métodos cuantitativos se desarrollaron a fines de la
década de 1980 (Brand, 1988), y particularmente en los años 90 para la gestión de riesgos
de pendientes individuales (Fuchu et al., 1999; Hardingham et al., 2020). Universalmente
tenemos diversas metodologías para la evaluación acertada de riesgos asociados a peligros.
Corominas (2014), en su estúdio ”Recommendations for the quantitative analysis of landslide
risk” [Recomendaciones para el análisis cuantitativo de riesgo de deslizamento], presenta las
metodologías que más se recomiendan para el análisis cuantitativo del peligro, vulnerabilidad
y riesgo a diferentes escalas de trabajo. También provee recomendaciones para la
verificación y validación de sus resultados, dando importancia a estos factores (espaciales,
temporales) para la elección de la metodología a usar. Dentro de las recomendaciones más
importantes, es el uso de las curvas de características del receptor (ROC) para evaluar la
calidad del método elegido.
Pardeshi (2013), en su estudio titulado “Landslide hazard assessment: Recent trends and
techniques” [Evaluación del riesgo de desprendimiento de tierras: Tendencias y técnicas
recientes], evalúa metodologías para la toma de decisiones y los explica en términos de
enfoques heurísticos, semicuantitativos, cuantitativos, probabilísticos y multicriterio. En su
estudio señala que, en la determinación de pesos de un parámetro dado, las técnicas
heurísticas y semicuantitativas implican subjetividad en la asignación de pesos. Por lo tanto,
no se puede evaluar la validez entre los mapas resultantes. Los métodos cuantitativos, por
otro lado, proporcionan métodos objetivos para determinar los pesos para un parámetro dado
en función de sus relaciones con la presencia de deslizamientos de tierra. También describe
la importancia de las tecnologías geoespaciales en el mapeo, la detección y monitoreo de los
eventos de movimientos en masa. Finalmente
Mǎrgǎrint & Grozavu (2013), en su estudio titulado “Assessing the spatial variability of
coefficients of landslide predictors in different regions of Romania using logistic regression”
[Evaluación de la variabilidad espacial de los coeficientes de predictores de deslizamientos
de tierra en diferentes regiones de Rumanía mediante regresión logística]; modeló la
susceptibilidad en cuatro sectores de Rumanía, a partir de una muestra de inventario de
deslizamiento y capas temáticas. Su investigación tuvo como objetivo calcular la variabilidad
espacial y variación de los coeficientes predictores en estas regiones de estudio. Entre los
análisis más importantes, se tuvo el tratamiento de las capas temáticas y categóricas,
mediante el cálculo de las densidades relativas de las clases de las variables predictoras
mediante los datos de inventario de movimientos en masa. Este estudio muestra que los
coeficientes asignados a los predictores de desprendimiento mediante regresión logística
revelaron características importantes en la representación de los desprendimientos.
Ayalew (2005), en su estudio “Landslides in Sado Island of Japan: Part II. GIS-based
susceptibility mapping with comparisons of results from two methods and verifications”
[Deslizamientos de tierra en la isla de Sado (Japón): Parte II. Cartografía de susceptibilidad
basada en SIG con comparaciones de los resultados de dos métodos y verificaciones].
Compara metodologías basadas en criterios múltiples (proceso de análisis jerárquico) y
criterios estadísticos (regresión logística), para la ponderación de las variables seleccionadas
se realizó el cálculo previo de la densidad relativa de movimientos en masa a partir de los
datos de inventario para la zona de estudio. Este autor plantea en su investigación que los
estudios hechos con el modelo de regresión logística son más detallosos, dando un mayor
número de clases de susceptibilidad.
Estudios realizados en el Perú
Büechi Emanuel (2018), en su tesis titulada “Modelling of Landslide Susceptibilities in the
Cordillera Blanca (Perú)” [Modelado de susceptibilidades de deslizamientos en la Cordillera
Blanca (Perú)]; realizó un estudio a escala regional en la Cordillera Blanca usando la
Regresión Logística en base a tres modelos digitales de elevación (DEM por sus siglas en
ingles), el cual determinó que un DEM con resolución de 10 a 20 m da buenos resultados
para estudios en la zona. Los resultados obtenidos fueron validados mediante el área bajo la
curva de una curva ROC. En general, este estudio mostró que el modelado de susceptibilidad
a deslizamientos a escala regional puede conducir a resultados adecuados incluso en
regiones con datos de entrada de modelos escasos, pero los rendimientos de los diferentes
DEM y modelos deben evaluarse cuidadosamente.
Valderrama Patricio (2016), en su investigación titulada “Peligros Geológicos por Procesos
Glaciales, Cordillera Blanca - Río Santa”; realizó un estudio sobre la ocurrencia de peligros
de origen geológicos en la Cordillera Blanca que afectan a las localidades de la zona.
Presentó una detallada investigación de los valles glaciares de la cuenca del río Santa, con
una cartografía del inventario de peligros por movimientos en masa históricos. También
incluyó modelos de aluviones (flujos de detritos) que muestran mapas de alturas de flujo de
las principales ciudades asentadas en las quebradas a lo largo del valle del río Santa.
Blanco Franklin (2013), en su tesis titulada “Evaluación de la susceptibilidad a movimientos
en masa en la zona central de la cuenca del río Mantaro - Región Junín”; calculó la
susceptibilidad a movimiento en masa mediante las metodologías de Proceso de Análisis
Jerárquico y Análisis Discriminante (AD), mediante el Índice de Densidad Relativa (IDR) se
comparan los ráster resultantes, el cual mide la relación entre el mapa de susceptibilidad y el
inventario generado. La capa de susceptibilidad generada mediante proceso de análisis
jerárquico se mostró ligeramente mejor en comparación al método de análisis discriminante.
Ferro Vladimir (2007), en su tesis titulada “La evaluación del riesgo de desastre en la
planificación del desarrollo de la ciudad de Huaraz, Áncash”; realizó un estudio sobre
evaluación de riesgo de desastre en la planificación del desarrollo de la ciudad de Huaraz,
mediante el mapeo de zonas actuales de riesgo, donde reconoce el medio físico de la ciudad
de Huaraz, identificando los escenarios de peligros mediante niveles. Así como esta tesis,
existen varios estudios de Evaluaciones de Riesgos (EVAR), aplicados a diferentes centros
poblados del Callejón de Huaylas, todos ellos utilizando la metodología de Proceso de
Análisis Jerárquico a nivel local.
2.2 Bases Teóricas

2.2.1 Susceptibilidad
Se define como la probabilidad de ocurrencia de un peligro en un área determinada (Fell et
al., 2008), es una estimación cualitativa o cuantitativa de un área en la que ocurren o puede
ocurrir peligro. En los años 70 apareció el concepto de susceptibilidad en los mapas del
Servicio Geológico de EE. UU (USGS) (Brabb et al., 1972); la susceptibilidad se basa en la
delimitación de la distribución espacial de factores relacionados con los procesos de
inestabilidad, para obtener una zonación de áreas propensas a los movimientos de ladera,
sin que se derive implicación temporal alguna (Chacon, 2008). La susceptibilidad de un
terreno depende de ciertos parámetros como son los factores condicionantes y
desencadenantes.
Factores condicionantes o “pasivos”
Son los parámetros que son propios del ámbito geográfico tales como la geología,
geomorfología, fisiografía, hidrografía, DEM y sus derivados como pendiente, orientación,
rugosidad, curvatura tangencial, curvatura de perfil entre otros.
Factores desencadenantes o “activos”
Son factores externos que actúan en el terreno, como consecuencia desencadenan las
inestabilidades en el área de estudio. Por ejemplo: hidrometereológicos (viento, humedad de
aire, lluvias, temperaturas), geológicas (encuentro de placas tectónicas, zonas de actividad
volcánica, desprendimiento de grandes bloques), provocadas por el ser humano (recursos
explotados, construcción de infraestructura, actividades económicas, crecimiento
demográfico, etc.).
A continuación, se muestra los factores condicionantes y desencadenantes a movimientos en
masa usados en estudios previos por diversos autores (Tabla 2.1).
 Tabla 2.1: Factores condicionantes y desencadenantes utilizados por diversos autores

Geomorfología
Relación roca-

Hidrogeología
Lineamientos
Proximidad a

Precipitación
Uso de suelo

acumulación
Estratigrafía
Orientación

Antrópicos
Rugosidad
carreteras
Pendiente

pendiente

Cobertura
Curvatura
Elevación

Litología

Área de

vegetal
Autor/Parámetro

(Ayalew et al., 2005) ✓ ✓ ✓ ✓ ✓ ✓ ✓ _ _ _ _ _ _ _ _ _ _

(Garcia et al., 2007) ✓ ✓ ✓ _ ✓ _ _ ✓ ✓ _ _ _ _ _ _ _ ✓

(Lamelas, 2007) _ ✓ _ _ _ _ _ _ _ ✓ ✓ ✓ _ _ _ _ _

(E. Bueechi et al., 2019) ✓ _ ✓ _ _ _ _ _ _ _ _ _ ✓ ✓ _ _ _

(Baeza & Corominas,

_ ✓ ✓ _ _ _ _ _ ✓ ✓ _ _ _ _ ✓ _ _
2001)

(Blanco, 2013) ✓ ✓ _ _ _ _ _ _ _ _ _ _ _ _ ✓ ✓ _

(Valderrama et al., 2016) _ ✓ ✓ _ _ _ _ _ _ _ _ _ _ _ ✓ ✓ _

Fuente: Elaboración propia.

En el área de la Cordillera Blanca han sido pocos los estudios realizados aplicando diferentes
técnicas para la determinación de la susceptibilidad. A partir de lo dicho por Valderrama
(2016) y la Tabla 2.1, donde se describen las principales investigaciones realizadas en
diferentes partes del mundo y del Perú, los factores mayormente utilizados son : geología,
cobertura vegetal, geomorfología, NDVI( Índice de vegetación de diferencia normalizada) ,
elevación, pendiente, rugosidad, orientación, curvatura de perfil, curvatura tangencial y
precipitaciones.
2.2.2 Métodos de zonificación de peligros por movimientos en masa
Para ponderar el grado de influencia de cada parámetro, se pueden usar diferentes
metodologías para el cálculo de la susceptibilidad a movimientos en masa, mediante el uso
de una serie de enfoques clasificados como: cualitativos, cuantitativos y semicuantitativos.
Los enfoques cualitativos son los métodos más simples que existen, carecen de análisis
desarrollados ya que tienden a mostrar eventos acumulativos en un mismo espacio
geográfico. La distribución de un inventarío de peligros por movimiento en masa son técnicas
que proporcionan datos de entrada para otros métodos cuantitativos (Pardeshi et al., 2013).
Los semicuantitativos obtienen los pesos de los valores de los parámetros a través de
técnicas heurísticas. Mediante el análisis e interpretación del terreno dado por un
investigador, se realizan comparaciones entre los parámetros intrínsecos con el objetivo de
obtener un valor numérico (peso), lo cual le da un carácter subjetivo.
Los métodos cuantitativos utilizan técnicas estadísticas, determinísticas y estocásticas. A
partir de valores de parámetros, se obtiene una función matemática que muestre el
comportamiento de los movimientos en masa en el terreno. Para calcular dicha función se
toma la información de zonas con presencia (mapa de inventario) y ausencia de inestabilidad
y por medio de cálculos estadísticos se obtiene un valor que representa la influencia de los
parámetros en la generación de movimientos en masa. En la Figura 2.1 se menciona las
metodologías clasificadas según cada enfoque.
Figura 2.1: Métodos más utilizados en la evaluación de la susceptibilidad

Fuente: Basado en SGC (2013).

2.2.2.1 Regresión Logística (RL)
Modelo planteado por (Cox, 1958), útil para calcular la probabilidad de ocurrencia de un
evento basado en datos de presencia = 1 o ausencia = 0, en función a variables predictoras
continuas o categóricas. Ha sido muy aplicado en distintos campos, incluyendo el de la
epidemiología, ecología, economía, ciencias sociales y medicina; pudiendo predecir la
ausencia o presencia de, por ejemplo, un evento clínico en ciertas condiciones dadas
(Christodoulou et al., 2019; Eftekhar et al., 2005; Warton & Hui, 2011).
Para nuestro caso, este modelo hace uso de una variable dependiente con dos posibles
resultados, la presencia de un evento de movimientos en masa o la ausencia de este. Por lo
tanto, es una variable dicotómica también llamada Logística Binaria. Este modelo también
permite la inclusión de múltiples variables predictoras. En este caso, se la denomina
Regresión Logística Multinomial. Finalmente, durante el análisis, se puede crear múltiples
modelos con distintas variables predictoras y calcular el mejor modelo basado en Criterios de
Información como el Criterio de Información de Akaike (AIC) (Emanuel Bueechi, 2018).
Cox (1958), desarrolla la relación cuantitativa entre las variable dependientes e
independientes, esta relación puede ser expresado de la siguiente manera:
1
p(y) = ( 2.1 )
1 + e−z

Donde p(y) es la susceptibilidad estimada de ocurrencia de movimientos en masa, que está

en el rango de 0 y 1, y el valor de Z esta entre ∞ y − ∞ , planteado como la siguiente función
lineal:
Z = b0 + b1 x1 + b2 x2 + ⋯ + bi=𝑛 xi=n
( 2.2 )

Donde:

• b0 y b1 (i=0, 1, n) son los coeficientes estimados para cada uno de los "n" factores o
variables evaluadas.
• X1 (i=0, 1, n) son los "n" factores o variables independientes (por ejemplo, los
parámetros relacionados con deslizamientos de tierra).

En la Figura 2.2 se representa la gráfica de la función sigmoide empleada en el cálculo

de la regresión logística
Figura 2.2: Función sigmoide empleada en el cálculo de regresión logística

Fuente: (García, 2008)

Con una serie de transformaciones, logit es el logaritmo neperiano de la razón entre la
probabilidad de que el evento ocurra y la probabilidad de no ocurrencia; y está relacionado
linealmente con las variables de la forma siguiente:
 p(Y = 1)
Y = Logit(p) = ln ( ) = b0 + b1 x1 + b2 x2 + ⋯ + bi xi ( 2.3 )
1 − P(Y = 1)

La expresión p(Y=1) /1- p(Y=1) en la ecuación se denomina razón de probabilidades o odds

ratio en inglés.
Los odds ratio (razón de probabilidad) son ampliamente empleados estadísticamente para
comparar la frecuencia de exposición de diferentes factores de riesgo. Matemáticamente un
odds ratio corresponde a un cociente entre dos probabilidades, siendo un odds una forma
alternativa de expresar la posibilidad de ocurrencia de un evento de interés o de presencia
de una exposición(Cerda et al., 2013). Los coeficientes de regresión logística en el predictor
lineal se estiman con el método de máxima verosimilitud.
Para la aplicación del modelo de RL para el cálculo de la susceptibilidad basado en SIG, se
utiliza el píxel como unidad de mapeo. Este modelo intenta predecir la probabilidad de
ocurrencia del evento de movimientos en masa, siendo muy adecuado para la evaluación de
la inestabilidad de laderas, ya que los datos observados consisten en puntos (píxeles) con
valor de alta probabilidad, se acercarán a 1, mientras los de baja probabilidad tenderá a 0.
2.2.2.2 Proceso de Análisis Jerárquico (AHP)
El Proceso de Jerarquía Analítica (AHP, por sus siglas en inglés) es un proceso de medición
de criterios múltiples para la toma de decisiones a través de comparaciones por pares y se
basa en los juicios de los investigadores para obtener escalas de prioridad (Saaty, 2008). En
el Perú, CENEPRED (2015) hace uso de esta metodología para realización de mapas de
peligros y vulnerabilidad en el Perú. En Colombia, el Servicio Geológico Colombiano (2013),
hace uso del proceso de análisis jerárquico para la zonificación de la susceptibilidad y
amenaza por deslizamientos de tierra.
Esta metodología involucra la asignación de pesos a los diferentes n factores que están
involucrados en un problema de decisión múltiple. Para ello se tiene que comparar cada
criterio i con cada criterio j, obteniendo unos valores aij que es posible agrupar en una matriz
cuadrada de orden n, la llamada matriz de comparaciones por pares, A= [aij].(García, 2008) .
En la Tabla 2.2, Saaty propone una escala de comparación entre pares para la estimación de
los coeficientes:

Tabla 2.2: Escala de comparaciones de Saaty

Escala
Escala Verbal Explicación
Numérica
No hay diferencia al comparar un elemento
1 Igual o diferente a ...
con otro.
Mas importante o preferido El primer elemento es considerado más
5
que... importante que el segundo al compararlos.
El primer elemento es considerado
Ligeramente más importante
3 ligeramente más importante que el segundo al
o preferido que ...
compararlos.
Al comparar un elemento con otro el primero
Mucho más importante o
7 es considerado absolutamente más
preferido que ...
importante o preferido que el segundo.
Al comparar un elemento con otro el primero
Absolutamente o muchísimo
9 es considerado absolutamente o muchísimo
más importante que ...
más importante que el segundo.
2, 4, 6, 8 Valores intermedios entre dos juicios adyacentes.
 Fuente: Basado en Saaty (2008)
Finalmente, las escalas numéricas serán asignadas dentro de una matriz de comparaciones
pareadas, el cual servirá para el análisis y cálculo de los pesos asignados a cada parámetro.
Matriz de Comparaciones pareadas
Sea A una matriz nxm, la matriz recíproca de comparaciones pareadas, A= [aij], es de la
siguiente manera:

a1 /a1 a1 /a2 … a1 /an

a2 /a1 a2 /a2 … a2 /an ( 2.4 )
A=( )
… … … …
an /a1 an /a2 … an /an

Al comparar un elemento con el mismo el valor de equivalencia es 1, que significa que

cualquier criterio es igualmente importante que sí mismo, y por lo tanto los coeficientes aij de
la matriz A (su principal diagonal) siempre tendrán valor 1. Además, la matriz A cumple las
condiciones de reciprocidad y homogeneidad:

Reciprocidad
Cuando dos elementos de la matriz guardan relación entre sí. Si A es una matriz de
comparaciones pareadas se cumple que aij =1/ aij, el evaluador solo necesita evaluar la parte
superior de la matriz.
wi
Si, aij = ( 2.5 )
wj
1 ( 2.6 )
Entonces aij = ,
aji
wj
Es decir aji = ( 2.7 )
wi

De la matriz, se llena solo la mitad superior, siendo la parte inferior correspondiente a los
valores inversos.

Homogeneidad
Cuando los elementos que se comparan entre si son del mismo orden de jerarquía. Los pesos
de los elementos son iguales si los parámetros i y j son considerados de igual importancia.

wi = wj ( 2.8 )
Al comprar estos parámetros en la matriz “A”, resultara:
wi
aij = =1 ( 2.9 )
wj
Entonces aij = aji = 1 ( 2.10 )
Luego de que se elabora la matriz de comparaciones pareadas se realiza el proceso de
sinterización, donde podemos determinar cuál de los elementos es de mayor prioridad. El
proceso matemático requiere el cálculo de valores y vectores característicos. Así mismo, para
poder conocer la calidad de nuestros resultados, se determina la consistencia de las
variables.
Consistencia
Se calcula el grado de consistencia del juicio del investigador para definir la calidad de la
decisión final. La consistencia perfecta es muy difícil de lograr, por lo tanto, se debe esperar
cierta inconsistencia, después de todo son juicios dados por el investigador.

La consistencia de los juicios del evaluador se calcula a partir del autovalor máximo (nmax), y
se compara con el número de criterios que es n. Con relación a esto, Saaty proporciona tablas
de consistencia para medirla. De esta manera, se define la razón de consistencia (RC), a
partir del índice de consistencia (IC) y del índice de consistencia aleatorio (ICA):

𝐼𝐶
𝑅𝐶 = ( 2.11 )
𝐼𝐴
IA es el índice de consistencia aleatoria de una matriz de comparaciones pareadas generada
de manera aleatoria. El índice de consistencia aleatoria depende del número de elementos
que se comparan, y están en la siguiente tabla:
Tabla 2.3: Valores Índice Aleatorio
N 3 4 5 6 7 8 9 10
IA 0.525 0.882 1.115 1.252 1.341 1.404 1.452 1.484
N 9 10 11 12 13 14 15 16
IA 1.452 1.484 1.513 1.535 1.555 1.570 1.583 1.595
Fuente: (Moreno, 2001)
Saaty (1980) , sugiere la siguiente fórmula para IA
1.98(n − 2)
IA = ( 2.12 )
n

Donde n es el número de criterios que se consideran.

El IC es el índice de consistencia de A y se calcula mediante la expresión planteada por
(Saaty, 1980):
nmax − n
IC = ( 2.13 )
n−1
donde el valor de nmax se efectúa con la siguiente formula
̅ = nmax W
AW ̅ ( 2.14 )
Observando que la i-ésima ecuación es:
n

∑ aij w
̅ = nmax w
̅ ( 2.15 )
j=1

i = 1,2,3, … n ( 2.16 )

Dado que ∑ni=1 w

̅ = 1 obtenemos: ( 2.17 )
n n n

∑(∑ aij w
̅ ) = nmax ∑ w
̅ ij ( 2.18 )
i=1 j=1 i=1
Se considera aceptable si IC es menor 0.1, caso contrario se debe volver a revisar los juicios.
En la realización del trabajo esto puede llevar un largo proceso de correcciones.
A partir de este proceso, se realiza el cálculo del valor del peso de las clases contenida en
cada parámetro, en base a estos valores se calcula la susceptibilidad de cada píxel del área
de estudio. La susceptibilidad para el AHP se representa mediante la siguiente formula:
n

S = ∑ EI x CIJ ( 2.19 )
1
Donde:

• S: Valor de la susceptibilidad de un píxel

• EI : Peso del parámetro i
• CIJ : Peso de la clase j que forma parte del parámetro i

Cada valor de un píxel representa una sola clase; por ejemplo, las características de un píxel
son: Depósito aluvial, con morrenas, pendiente de 50 º y suelo desnudo. La aplicación del
Proceso de Análisis Jerárquico es realizada mediante el análisis de los factores
condicionantes y desencadenante del peligro.
2.2.3 Riesgos
Se define como probabilidad de que la población humana (elementos expuestos) sufran
daños y pérdidas como resultado de la vulnerabilidad y el impacto del peligro (Ley N° 29664,
2011, p. 4).Es un procedimiento que permite caracterizar y definir los peligros, analizando las
vulnerabilidades y finalmente calculando el riesgo, con la finalidad de tener una herramienta
que nos permita una adecuada toma de decisiones en la Gestión de Riesgo de Desastres
(GRD).
La Evaluación del Riesgo (conocido en la literatura inglesa como Risk Assessment), es el
procedimiento que permite caracterizar los peligros, analizar las vulnerabilidades y finalmente
determinar los niveles de riesgos asociados a una zona de estudio en una escala determinada
(ITC, 2011).
Se define como la consecuencia de relacionar el peligro con la vulnerabilidad de los
elementos expuesto(población, infraestructuras), para así evitar problemas ambientales,
económicos y sociales relacionados a fenómenos peligrosos (CENEPRED, 2015).
Los conceptos de peligro (amenazas), vulnerabilidad y riesgos, están basadas en la ecuación
adecuada en la Ley N 29664 ley que crea el Sistema Nacional de Gestión del Riesgos de
Desastres (SINAGERD), en el cual el riesgo de expresa en función del peligro y vulnerabilidad
(Ley N° 29664, 2011). En la siguiente ecuación se explican los valores que determinan los
riesgos:
R = f(Pi ; Vi ) ( 2.20 )
Donde

• R= riesgo de ocurrencia del peligro

• ƒ= en función
• P= probabilidad de ocurrir un peligro de intensidad i
• V = vulnerabilidad para una intensidad i de un elemento expuesto

Peligros
Se define como probabilidad de ocurrencia de un fenómeno, potencialmente dañino, de
origen natural, que se presenta en un lugar específico, con una cierta intensidad y en un
período de tiempo y frecuencia definidos (Ley N° 29664, 2011); estudios realizados en otros
países hacen uso del término amenaza.
CENEPRED (2015), según su origen, considera que el peligro puede ser de dos clases: los
inducidos por acción humana y los generados por fenómenos de origen natural. Este estudio
se centra en los originados por fenómenos naturales, específicamente los generados por
geodinámica externa.
Vulnerabilidad
Se define como la susceptibilidad a la población, la estructura física a las actividades
socioeconómicas, de sufrir daños por acciones de un amenaza o peligros (Ley N° 29664,
2011). La vulnerabilidad está en función de tres factores: exposición, fragilidad y resiliencia.
La exposición, se entiende como las decisiones y prácticas que sitúan al ser humano y su
entorno en la zona de impacto de un peligro. La fragilidad, se entiende como las condiciones
de desventaja o debilidad relativa del ser humano y su entorno frente a un peligro. Finalmente,
la resiliencia, está referida la capacidad de recuperación del ser humano y su entorno frente
a la ocurrencia de un peligro. A mayor resiliencia, menor vulnerabilidad (CENEPRED, 2015).
2.2.4 Movimientos en masa
Son procesos de movilización de volumen de material que involucran suelo, rocas, tierra,
detritos o escombros, que se desplazan por la ladera por acción de la gravedad (CENEPRED,
2015), generados por fenómenos de geodinámica externa.
La clasificación de los eventos de movimientos en masa, ha sido mejorada a lo largo de los
años (Hutchinson, 1988; PMA-GCA, 2007; Varnes, 1958, 1978). Para la presente
investigación se utilizó la clasificación hecha por Varnes y Hutchinson (1988; 1978). En la
Tabla 2.4 se describe la clasificación para procesos de movimientos en masa hecha por
Varnes y Hutchinson (1988; 1978).
Tabla 2.4: Clasificación de los eventos de movimientos en masa
Mecanismo de Tipo de material involucrado
movimiento Roca Derrubios Suelo
Caída Caída de rocas Caída de derrubios Caída de suelos
Vuelco de derrubio o
Vuelco Vuelco de rocas Vuelco de suelos
escombros
Individual Individual Individual
Deslizamiento
Múltiple Múltiple Múltiple
rotacional
Sucesivo Sucesivo Sucesivo
Deslizamiento Deslizamiento de roca Deslizamiento de Deslizamiento
Traslacional en bloque derrubios en bloque traslacional de suelo
Deslizamiento Deslizamiento de Deslizamiento de
Coladas de barro
planar rocas derrubios
Corrientes de Flujo de tierra, arena
Flujos Flujo de rocas
derrubios o suelo
Expansiones laterales Expansiones laterales Expansiones laterales
Expansión lateral
de rocas en derrubios en suelo
Ejemplo: Alud de Ejemplo: Flujo Ejemplo: Rotación de
Complejo
rocas deslizante flujo de tierras
Fuente: Basado en Varnes y Hutchinson (1988; 1978)
A continuación, se explicarán algunos de ellos.
Desprendimiento o caída
Son movimientos en caída libre de diversos materiales como rocas, detritos y suelos. Se
produce por el desprendimiento de material de una superficie inclinada, el cual puede rodar,
rebotar, deslizarse ladera abajo (Alcántara, 2000). Es definido de acuerdo con el material
involucrado, por lo que se clasifican de manera general en caídas o desprendimiento de
rocas, detritos y de suelos. Estos movimientos se caracterizan por sus altas velocidades y la
separación de la masa de su fuente, ocurriendo en laderas inclinadas, de tipo natural y
artificial.
Vuelco
Desplome de una masa de suelo, roca o detrito en torno a un eje definido por su centro de
gravedad. El movimiento de un vuelco o desplome es hacia adelante o hacia la parte externa,
por lo cual involucra inclinación o basculamiento, pero no implica colapso; ocurren
mayormente en materiales que poseen discontinuidades como grietas de tensión, diaclasas
o superficies columnares (Alcántara, 2000).
Deslizamiento rotacional
Estos tipos de deslizamiento se dan en superficies de ruptura de forma curva o cóncava.
Están clasificados como individual, múltiple y sucesivo; clasificación que se aplica de acuerdo
al tipo de material involucrado (Alcántara, 2000) .
Deslizamiento traslacional
Se entiende como movimientos de masa a lo largo de una superficie de ruptura, se forma
ondulada o semi plana. Son divididos en deslizamientos de roca en bloque, derrubio en
bloque y traslacionales de suelos (Alcántara, 2000) .
Deslizamiento planar
Se dan en superficies planas, se clasifican de acuerdo con el material involucrado, por lo
tanto, los principales tipos son los deslizamientos de rocas, derrubios y las coladas de barro.
Flujos
Existe una gran variedad de flujos de lento a rápido y de seco a húmedo. Para una mejor
diferenciación Varnes (1978) lo divide en flujos en lecho de roca, flujos en escombros y tierra.
Los flujos de rocas requiere muchas fracturas de todos los tamaños para que las
deformaciones puedan distribuirse un área más grande y no concentrarse en una sola fractura
(Alcántara, 2000). Generalmente resulta en muy lento pero constante proceso, los flujos de
escombros y los flujos de suelo son más fáciles de reconocer como flujo; sin embargo,
distinguirlos entre ellos puede ser algo complicado.
Expansión lateral
Consecuencia de la expansión y fracturación de masas de rocas compactados o suelos,
debido a la licuefacción del material adyacente, suceden cuando materiales gruesos, como
fragmentos de rocas, grava, etc., están sumergidos en una matriz de material más fino o
contienen arcillas (Alcántara, 2000).
Complejo
Pertenecen a esta categoría, los movimientos en masa que no pueden asignarse a uno de
los tipos de deslizamientos de tierras. Cuando el movimiento inicial se convierte en otro al ir
trasladándose por la pendiente ocurren los movimientos complejos, los alud o avalanchas de
rocas y flujos destacan entre los más importantes (Alcántara, 2000). Esto puede deberse a la
variedad de materiales incluidos o la combinación de diferentes tipos de movimiento.
En la Figura 2.3 se observa la representación gráfica de eventos de movimientos en masa de
acuerdo a la clasificación hecha por Varnes (1978).
Figura 2.3: Descripción general de los tipos de movimientos en masa.

Fuente: Revista Obras Urbanas.

 2.2.5 Curva ROC
La curva ROC se entiende como la visualización grafica del análisis del rendimiento del
clasificador y representa los pares (1-especificidad, sensibilidad) de cada uno de ellos
(Carrara et al., 2008). En otras palabras, nos ayuda a evaluar cuan bueno son nuestros
resultados teniendo en cuenta los errores estadísticos tipo 1 y tipo 2. En la Tabla 2.5 se
describe completamente el comportamiento de un sistema de diagnóstico o de predicción con
dos únicos posibles resultados (positivos o negativos).
Tabla 2.5: Comportamiento de un modelo de predicción
Resultado de Estado real
la prueba Positivo Negativo

Falso positivo
Verdadero (FP)
Positivo
Positivo (VP) Error tipo I
a b

Falsos
Verdaderos
Negativos (FN)
Negativo Negativos (VN)
Error tipo II
d
c
Total a+c b+d
Fuente: Basado en (García, 2008)
Sensibilidad
Es definida como la proporción de casos pronosticados como afirmativos, a partir del criterio
de decisión establecida, en los que se comprueba que ciertamente sucede la situación que
se pretende predecir (García, 2008).
Es la proporción de verdaderos positivos (VP), clasificados como positivos por nuestro punto
de corte, entre todos los que efectivamente son:
a VP
sensibilidad = = ( 2.21 )
a + c VP + FN

Se incluyen aquí los falsos negativos (FN), definidos como aquellos descartados por nuestro
punto de corte pero que efectivamente queremos detectar
Especificidad
Se entiende como la proporción de casos pronosticados como negativos, a partir del criterio
de decisión establecido, en los que se comprueba que ciertamente no sucede la situación
que se pretende predecir (García, 2008).
Es la proporción de los verdaderos negativos (VN), es decir los descartados por el punto de
corte, entre todos los realmente negativos, que incluirá a los negativos que no lo son (que
son efectivamente positivos). Cuanto más bajo sea el punto de corte, menor es la
especificidad.
d VN
especificidad = = ( 2.22 )
b + d FP + VN
El área bajo la curva (AUC) se entiende como un indicador de la capacidad predictiva del
modelo, siendo utilizada para comparar diferentes modelos de predicción de susceptibilidad
(Amorim et al., 2009). Es la medida de la eficacia de un modelo, independiente del punto de
corte que se establezca. En la Figura 2.4 se explica el AUC de un modelo.
Figura 2.4: Representación de la curva ROC

Fuente: (García, 2008)

2.2.6 Método estadístico de selección de variables-Backward Selection
El método de selección de variables backward selection es utilizado para la metodología de
regresión logística con el objetivo de lograr una mayor parsimonia estadística (modelo más
simple). A partir de un modelo en el que todas las variables se introducen en una ecuación
(estadísticamente saturada) y luego se eliminan secuencialmente. Cuando se dispone de
varias variables explicativas, se obtiene un subconjunto de posibles modelos, el problema
radica en seleccionar el mejor de ellos. Para ello se utiliza el criterio de información de Akaike
(AIC) que sirve para comparar modelos, donde dado un conjunto de varios modelos posibles,
el modelo elegido es el que tiene el menor valor en el AIC. En la Figura 2.5 se grafica el
método de selección hacia atrás desde un modelo saturado a un modelo optimo.
Figura 2.5: Backward Selection
 3 Caracterización de la zona de estudio

En este capítulo se realizará la descripción de las zonas de estudio, su ubicación geográfica,

su componente físico como: la geología, el clima, fisiografía, hidrología, y una breve
descripción de sus componentes biológicos como la flora, fauna y sus características
socioeconómicas más importantes de urbes asentadas en la Cordillera Blanca. Finalmente,
los aspectos económicos de los principales centros urbanos asentados en los valles de
estudio.

3.1 Ubicación geográfica

El estudio fue desarrollado en seis valles ubicados en el Parque Nacional Huascarán (-

8°51'10.58"S - 9°40'29.40"S Latitud sur; -77°34'21.09"-77°24'31.59"O Longitud oeste) la cual
está protegida por el Parque Nacional Huascarán desde 1975 (Decreto Supremo N° 0622-
75-AG). La Cordillera Blanca vierte sus aguas a dos cuencas principales, la del Río Santa,
ubicada al oeste y conforma el Callejón de Huaylas y la cuenca del Río Marañón ubicada al
este y conforma gran parte del callejón de los Conchucos. Debido a las restricciones de
movilización producto de la pandemia que impidió cubrir el Callejón de los Conchucos, los
seis valles estudiados se encuentran en el Callejón de Huaylas. Estos son Parón (9°
0'43.96"SLatitud sur -77°41'51.64"O Longitud oeste), Llanganuco (9° 4'46.89"S Latitud sur-
77°39'8.91"O Longitud oeste), Ulta (9°10'2.35"S Latitud sur- 77°34'49.93"O Longitud oeste),
Honda (9°19'21.45"S Latitud sur-77°28'30.14"O Longitud oeste), Llaca (9°27'49.30"S Latitud
sur- 77°27'44.89"O Longitud oeste) y Cojup (9°27'1.10"S Latitud sur- 77°25'5.48"O Longitud
oeste). Además de la accesibilidad, los criterios de selección fueron la ubicación frente a las
poblaciones asentadas, la escala de trabajo local y regional en la cual se representan y la
ocurrencia histórica de los eventos de movimiento en masa. En la Figura 3.1 se representan
la ubicación de los seis valles seleccionados para la investigación.
Figura 3.1: Ubicación del área de estudio
3.2 Aspectos físicos
3.2.1 Geología
Las formaciones geológicas de acuerdo con el Instituto Geológico Minero y Metalúrgico del
Perú (INGEMMET), presentes en las cuencas de estudio son las siguientes:
Unidades geológicas del área de estudio
Depósito Glaciar (D-gl)
Conforma la parte más alta de las subcuencas de estudio. Están conformados por
acumulaciones de morrenas, conformados por bloques angulosos rellenados con arcillas,
limos y arena; son pocos compactos, formando crestas y lomadas alargadas y se encuentran
distribuidos en zonas de frente glacial a lo largo de la Cordillera Blanca rodeando lagunas.
Actualmente se encuentran en procesos de deglaciación que provoca la desaparición de
glaciares (INGEMMET, 2009).
Depósito fluvioglaciar (D-glf)
Conformados por materiales de morrenas que han sufrido re-movilización por acción fluvial o
por gravedad, compuestas por gravas sub-redondeadas en matriz limoarenosa, de
profundidad y permeabilidad variable, medianamente compactos. Rellenan los valles
glaciares y montañas en forma de talud de detritos, formando las laderas de montañas en
zonas glaciares. Tienen probabilidad de ocurrencia de derrumbes, erosión de laderas y
deslizamientos por acción de la infiltración o aguas superficiales (INGEMMET, 1995).
Batolito de la Cordillera Blanca (B-cb)
La granodiorita/tonalita de grano grueso es el tipo predominante de roca, con foliación en
algunos sectores (INGEMMET, 1995). De acuerdo con su tipo de litología, se da origen de
escarpas presentes en los circos glaciares de los nevados. Los diaclasamientos son producto
de la deglaciación intensa, originando desprendimientos de bloques y derrumbes sobre las
lagunas y subcuencas de estudio (Valderrama et al., 2013).
Formación Yungay (F-yu)
Se encuentra formada por rocas piroclásticas asentadas en sectores del valle del río Santa
en la zona de Yungay. Su grosor se estima en 150m aproximadamente; la litología que
predomina son tobas blancas, pobremente estratificadas, están compuestas por abundantes
cristales de cuarzo y biotina (INGEMMET, 2003).
Formación Chicama (F-cc)
La Fm. Chicama, está formada por areniscas cuarzosas, lutitas oscuras pizarrosas y
areniscas finas. Se extiende por debajo en discordancia paralela a la Fm. Oyón. El grosor en
esta formación se estiman entre 800 a 100 m (Valderrama et al., 2013).
Formación Carhuaz (F-ch)
La litología general de la Fm. Carhuaz, consiste en areniscas y cuarcitas finas marrones, en
capas delgadas, con abundantes intercalaciones de arcillitas. La litología consiste
generalmente en areniscas y cuarcitas con abundantes intercalaciones de arcillita
(Valderrama et al., 2013). Alcanza su mayor desarrollo en el Callejón de Huaylas, con un
grosor aproximado de 1500 m.
Deposito aluvial (D-al)
Conformados por arcilla, arena, gravas y limo con diferente composición de clastos sub
angulosos. Son depósitos cuaternarios, siendo los más importantes los fluvioglaciares que
tienen su mayor desarrollo en los alrededores de la Cordillera Blanca; incluyen a los grupos
de morrenas, extensos mantos de arenas y grava (Valderrama et al., 2013).
Formación Chimú (F-cm)
Se encuentra formada por centenares de metros de areniscas blancas, arcillitas y cuarcitas,
con mantos de carbón (antracita), se extiende por encima de la Formación Oyón é infrayace
a la Fm. Santa, con ligera discordancia (INGEMMET, 1995).
Formación Santa (F-sa)
Consiste en 100-380 m. de calizas y arcillitas calcáreas que se extienden por encima de la
Fm. Chimú é por debajo de la Fm. Carhuaz; con discordancia paralela ambos contactos. La
Fm. Santa está ubicada en el Callejón de Huaylas, donde llega a un mayor grosor,
extendiéndose al SE, pero con un grosor restringido (Wilson, 1963).
Formación Pariahuanca, Chúlec y Pariatambo (F-pcp)
Formado por calizas macizas de unos 100m. de grosor, con sección ubicada cerca al pueblo
con el mismo nombre, en el cuadrángulo de Carhuaz. Hacia el Norte del Callejón de Huaylas,
cambia de facies a secuencias elásticas, denominándose Fm. Inca (Mollebamba). Esta
formación, cambia al Este con aumento de arcillitas y margas, de tal manera que la unidad
cambia lateralmente a la Fm. Chúlec (Wilson et al., 1967).
En la Tabla 3.1 se observa las unidades geológicas presentes en las subcuencas de estudio.
Tabla 3.1: Unidades geológicas del área de estudio
Unidades
Era Sistema Serie Símbolo Descripción
geológicas
Acumulación de grava,
Holoceno Depósito aluvial D-al
arena, limo y arcilla.
Gravas, arenas en matriz
Cuaternario

Depósito glaciar, limoarenosas. Arenas y

Pleistoceno D-glf
fluvial materiales residuales no
consolidados.
Cenozoico

Depósitos morrénicos,
bloques angulosos
Pleistoceno Depósito glaciar D-gl
rellenados con arcillas,
limos y arenas.
Batolito
Plioceno B-cb Granodiorita, tonalita.
Neógeno

Cordillera Blanca
Tufo blanco o gris claro,
Formación
Mioceno F-yu fragmentos angulares de
Yungay
rocas sedimentarias.
Formación Calizas masivas de tono
Pariahuanca, azul. Calizas, margas,
Inferior F-pcp
Chúlec, calizas y margas de olor
Pariatambo fétido.
Areniscas gris verdosas,
Formación
Inferior F-ch lutitas negras y limolitas
Mesozoico

Carhuaz
Cretácico

marrones.
Areniscas, cuarcitas,
Inferior Formación Santa F-sa
lutitas, niveles de carbón.
Areniscas cuarzosas
Formación blancas, limo arcillitas
Inferior F-cm
Chimú grises y niveles de
carbón.
Formación Areniscas cuarzosas,
Superior F-cc
Chicama lutitas oscuras pizarrosas.
Fuente: INGEMMET
En la Figura 3.2 se representa las unidades geológicas que abarcan las seis subcuencas de
estudio.
Figura 3.2: Formaciones geológicas presentes en el área de estudio
 3.2.2 Fisiografía
A partir de la capa generada por ONERN (Oficina Nacional de Evaluación de Recursos
Naturales), el área de estudio cuenta con cinco unidades fisiográficas pertenecientes a los
grandes paisajes de planicie (superficies planas o ligeramente inclinadas), colinas (relieves
medianamente accidentados) y montañas (relieves con ondulaciones pronunciadas):
Gran paisaje de planicie
Son superficies generalmente planas a ligeramente inclinadas y disectadas, ubicadas en la
parte baja de las quebradas de estudio. Su origen se puede dar por antiguos aplanamientos
del terciario medio en la región andina, erosión y deposición del agua de los ríos, quebradas
y otros cursos.
Gran paisaje de colinas
Son formas de relieve medianamente accidentado, con alturas menores a 300 metros sobre
el nivel de base local entre las cimas y bases de las elevaciones. Son terrenos relativamente
accidentados, las pendientes entre 25 y 50 % con sectores llanos y colinas escarpadas de
metros.
Gran paisaje de montañas
El gran paisaje montañoso se ha formado por la acción combinada de movimientos
orogénicos y epirogénicos de levantamiento y por la acción modeladora de la erosión pluvial,
los que han formado importantes afloramientos de material lítico. Este gran paisaje se
caracteriza por presentar actualmente superficies con ondulaciones pronunciadas que
confieren un aspecto corrugado de intensidad variable. Está constituido en su mayor parte
por materiales litológicos de origen metamórfico y sedimentario (areniscas y calizas).
En la Tabla 3.2 se observa las unidades geológicas presentes en las subcuencas de estudio.
Tabla 3.2: Unidades fisiográficas del área de estudio
Unidad Gran
Paisaje Sub paisaje Usos
Climática paisaje
Clima Fondo de valle y Zona urbana, turismo,
Planicie
semiseco llanura aluvial cultivos agropecuários
Planicie Planicie Vertiente
Zona urbana, turismo,
Clima lluvioso ondulada a allanada a
cultivos agropecuários
disectada disectada
Vertiente
Turismo, áreas de
Colinas y montañosa y
Clima lluvioso Colinas conservación,
montaña colina empinada
Investigación
a escarpada
Zona de producción
Vertiente
agrícola, turismo
Clima montañosa
Montaña comunitario,
semiseco empinada
reforestación,
escarpada
Relieve investigación
Montañoso Zona de producción
Vertiente
agrícola, turismo
montañosa
Clima lluvioso Montaña comunitario,
moderadamente
reforestación,
empinada
investigación
 En la Figura 3.3 se presentan las unidades fisiográficas pertenecientes a las seis subcuencas
de estudio.

Figura 3.3: Unidades fisiográficas presentes en el área de estudio

 3.2.3 Suelos
De acuerdo con la clasificación de suelos elaborada por ONERN para el país, se representan
los suelos mediante la unidad cartográfica asociación de suelos, utilizando como unidades
taxonómicas los Grandes Grupos de Suelos significativos. A continuación, se detallan los
distintos tipos de suelos identificados en los valles de estudio:

• Regosol dístrico-Afloramiento lítico (RGd-R)

Son montañas de la cadena occidental de los andes, con pendientes de 25 a 75, tienen una
saturación de bases menor del 50%, formadas por unidades de suelos regosoles dístricos y
unidad miscelánea afloramiento lítico con una proporción aproximada de 60 % a 40 % se
encuentra distribuida ampliamente en toda la Cordillera Blanca.

• Leptosol dístrico- Afloramiento lítico (LPd-R)

Son estribaciones de la vertiente occidental de la cadena montañosa andina. El leptosol

dístrico tiene una saturación de bases menor del 50 %, con pendientes de 25 a 75. Formadas
por unidades de suelos de tipo leptosoles dístricos y unidad miscelánea de afloramiento lítico
con una proporción de 60 % a 40% aproximadamente.
Figura 3.4: Grandes grupos de suelos del área de estudio
 3.2.4 Clima
Según la clasificación climática de Thornthwaite brindada por SENAMHI (Figura 3.5), el área
de estudio contiene seis tipos de climas de los 38 identificados para todo el Perú.

• Clima muy lluvioso A (r) C': Con precipitación efectiva muy lluviosa, con valores de
índice anual mayores de 128, vegetación característica de la selva, abundante
humedad en todas las estaciones, temperatura eficiente fría.
• Clima lluvioso B (o, i) B' - B (o, i) C: Con precipitación efectiva lluviosa, con valores
de índice anual entre 67-127, vegetación característica del bosque, con otoño e
invierno seco con temperaturas eficiente templada y fría.
• Clima semiseco C (i) B'- C (o, i) B': Con precipitación efectiva semiseca, con valores
de índice anual entre 32-67, vegetación característica de pastizal, con invierno y otoño
seco y temperatura eficiente templada.
• Glaciar: Pertenecientes a las zonas más altas de la Cordillera Blanca, áreas que
llegan a altitudes por encima de los 5000 msnm.

Figura 3.5: Clasificación Climática del área de estudio

Para la caracterización climática del lugar, del Servicio Nacional de Meteorología e Hidrología
del Perú (SENAMHI) se recogieron datos de precipitación y temperatura, utilizando datos de
la estación meteorológica Recuay (Latitud: 9 ° 43'45.31" S; Longitud: 77 ° 27'13.28" W,
Elevación: 3.431 msnm.). Cabe señalar que la estación Recuay es la única estación
meteorológica con datos disponibles para las zonas cercanas a los valles de estudio; sin
embargo, para la representación de los datos ráster de precipitación en la generación de los
modelos se utilizó los datos disponibles en la plataforma WorldClim.
Del climograma de precipitación y temperatura para la zona de estudio (Figura 3.6), existen
dos estaciones bien marcadas durante todo el año: una lluviosa entre noviembre y abril, y
otra seca entre mayo y septiembre. Los meses más secos (<10 mm), son junio, julio y agosto
y en marzo las precipitaciones alcanzan su pico máximo con un promedio de 179.5 mm.
Figura 3.6: Climograma - Estación Recuay

Fuente: Elaboración propia basado en información proporcionada por SENAMHI.

También se calculó la precipitación total anual (Figura 3.7) para un periodo de dos décadas
(2000-2020), excepto para el 2014 (*) donde no se recogió datos debido a fallas en los
equipos meteorológicos.
Figura 3.7: Precipitación total anual - Estación Recuay

Fuente: Elaboración propia basado en información proporcionada por SENAMHI.

 3.2.5 Hidrografía e hidrología
El área de estudio comprende seis subcuencas descritas a continuación:

• Subcuenca Parón: Ubicada al este y en las inmediaciones de la ciudad de Caraz,

formado por valles glaciares, en la subcuenca se encuentra la laguna Parón, está
ubicada a una altura de 4200 metros dentro del Parque Nacional Huascarán, siendo
la más grande de todas las lagunas asentadas en la Cordillera Blanca.
• Subcuenca Llanganuco: Comprende una altura que va desde los 2500 metros en la
parte baja de la subcuenca está asentada las localidades de Yungay y Ranrahirca. En
la parte más alta de la subcuenca se encuentran las lagunas Chinancocha (3800
msnm) y Orconcocha (3800 msnm), la cual es uno de los más importantes focos
turísticos del parque nacional.
• Subcuenca Ulta: Abarca las localidades de Shilla, Armapampa, Amashca, Tinco. A
lo largo de toda la subcuenca cruza una carretera afirmada que llega hasta las
localidades de Huallin, Pampash entre otras.
• Subcuenca Honda: Está localizada al este del centro poblado de Marcará y Atipayan.
El valle glaciar de la quebrada Honda es el más largo de toda la Cordillera Blanca
(aproximadamente 24 Km), teniendo una curvatura que va hacia el sur. Valderrama
(2016) menciona la presencia de minería informal en esta zona, siendo restringido el
acceso en algunas zonas de la subcuenca.
• Subcuenca Llaca: Se encuentra al lado de la quebrada Cojup, se encuentra cerca
de la ciudad de Huaraz, dentro del distrito de Independencia. Dentro de este valle se
encuentra la laguna Llaca (4474 msnm ), el cual se considera una laguna con
riesgo medio alto de generar una inundación por desborde violento del lago glaciar.
• Subcuenca Cojup: Se encuentra localizada al este de la ciudad de Huaraz. En la
naciente se encuentra la laguna Palcacocha (4566 msnm) la cual ha sido origen de
aluviones que han afectado a la ciudad de Huaraz.

3.3 Aspectos biológicos

3.3.1 Zonas de vida
Las zonas de vida se define como las principales unidades de clasificación ecológica, se basa
en las relaciones entre la 'biotemperatura' (la media de la temperatura anual entre 0 ° y 30 °
C), la precipitación media anual total y la tasa de evapotranspiración potencial (Holdridge,
1967). De acuerdo con la biotemperatura, relación de evapotranspiración potencial y
precipitación promedio anual en las subcuencas de estudio se identificaron seis zonas de vida
según su sistema de clasificación:
▪ Bosque húmedo-Montano Tropical (Bh-MT)
▪ Bosque seco-Montano Bajo Tropical (Bs-MBT)
▪ Estepa espinoso-Montano Bajo Tropical (Ee-MBT)
▪ Estepa-Montano Tropical (E-MT)
▪ Matorral desértico- Montano Bajo Tropical (Md-MBT)
▪ Nival tropical (Nt)
▪ Paramo pluvial- Subalpino Tropical (Pp-ST)
▪ Tundra pluvial- Alpino Tropical (Tp-AT)
 3.3.2 Flora
Según datos del Parque Nacional Huascarán, son 823 especies de plantas registradas en el
Parque Nacional Huascarán, pertenecientes a 430 géneros de 104 familias. La Puya
Raymondi (Puya raimondii), el Queñual (Polylepis sp.), el Quishuar (Budbbleja incana), la
Cantuta (Cantua buxifolia) y la Rima-Rima (Laccopetalum giganteum) son algunas especies
identificadas.
Los pajonales de Puna son dominados por los géneros Calamagrostis, Festuca, Stipa y Poa,
así como asociaciones de plantas de porte almohadillado como Pycnophyllum, Azorella,
Paranepheliys y Aciachne. Las turberas u oconcales dominados por Distichia también son
comunes y de gran utilidad para el ecosistema.
Dentro de la gran variedad de vegetal, la Puya Raimondi, cunco, santón o ckara (Puya
raimondii) es la especie de flora más representativa del PNH y crece entre los 3800 y 4500
msnm del parque nacional. Esta especie puede alcanzar hasta 11 metros de altura. La planta
vive entre 40 y 100 años, cada ejemplar puede producir más de 20 000 flores, las cuales
portan espigas con cerca de 40 flores cada uno.
Los rodales de puya constituyen un ecosistema importante que agrupa a varias especies de
aves representativas de la puna, como el colibrí gigante (Patagonas gigas), Pichisanka
(Zonotrichia capensis), el canastero (Asthenes Spp.), el pitajo rojizo (Ochtoeca oenantoides)
y el halcón perdiguero (Falco peregrinus).
Los bosques de Queñual (Polylepis sp.) forman un importante hábitat para muchas especies
de flora y fauna dentro del PNH. Esta especie crece hasta los 4700 msnm, formando densos
bosques relictos que ayudan a fijar el suelo de las pendientes, reteniendo gran cantidad de
humedad que filtran los depósitos del subsuelo. Estas especies se encuentran seriamente
amenazadas en la región andina, siendo explotadas desde épocas de la colonia, en el PNH
son prioridad de conservación y se pueden encontrar dentro del parque grandes extensiones
de estas especies.

Figura 3.8: (A) Puya de Raimondi (Puya raimondii) (B) Bosques de Queñual (Polylepis sp.)
 3.3.3 Fauna
Las quebradas del PNH son el hábitat de muchas especies de fauna altoandina, algunas
endémicas, amenazadas o en peligro de extinción. Se han registrado en el interior del PNH
12 especies de mamíferos y 240 especies de aves, siendo el cóndor andino (Vultur gryphus),
ojos de anteojos, vizcacha (Lagidium peruvianum), la Taruka (Hippocamelis antisensis), el
gato andino (Oreailurus jacobita) y el zorro andino (Pseudalopex culpaes) las especies
andinas más representativas.
Muchas especies se encuentran amenazadas dentro del Parque Nacional Huascarán, debido
a la fragmentación y degradación de los bosques nativos, el sobrepastoreo, la quema de
pastizales y la introducción de especies como el pino y eucalipto en áreas agrícolas asentadas
del parque nacional (SERNANP, 2017).
Las especies de aves endémicas están representadas por el búho de Koepcke (Megascops
Koepckeae), el tapaculo de Áncash (Scytalopus affinis), Cotinga de cachetes blancos
(Zaratornis stresemanni), entre otras especies asociadas a los bosques de queñuales. El
cóndor andino es el ave voladora más grande del mundo y habita las montañas altas de la
Cordillera Blanca.
Figura 3.9: (A) Vizcacha (B), Condor andino

3.4 Aspectos socioeconómicos

Para la descripción de la característica social del área de estudio, se identificó las provincias
a las que pertenecen las subcuencas, tales como Huaylas, Yungay, Carhuaz, Huaraz. Así
mismo, se utilizaron datos del Censo Nacional de Población y Vivienda del año 2017 para la
información de población, datos del informe sobre Desarrollo Humano de las Naciones
Unidas.
3.4.1 Características demográficas
De acuerdo con los datos del Censo Nacional de Población y Vivienda del año 2017, para los
seis valles de estudio, la subcuenca Honda posee la mayor cantidad de habitantes con 7286,
seguido por la subcuenca Ulta con 7152 habitantes pertenecientes a la provincia de Carhuaz,
asentadas en la parte baja de las subcuencas de estudio. Cabe resaltar que la población
dentro de los límites del Parque Nacional Huascarán es mínima, siendo la zona de
amortiguamiento asentada en el Callejón de Huaylas donde están asentadas la mayoría de
los centros poblados.
De todas las comunidades campesinas ubicadas en los valles de la Cordillera Blanca, las
más vulnerables son las asentadas en la parte baja de los valles de estudio, en zonas con
pendiente alta, ya que se encuentran expuestas a la llegada de aluviones por desembalse de
lagunas glaciares. En la Tabla 3.3 se presenta las comunidades campesinas reconocidas por
el Ministerio de Agricultura y Riego (MINAGRI) y el número de población asentadas en las
subcuencas de estudio.
Tabla 3.3: Comunidades campesinas y número de personas asentadas en las subcuencas
de estudio

Comunidades Población
Distrito Provincia Subcuenca
campesinas (Censo 2017)
Cruz De Mayo 2814 Caraz Huaylas Parón
Ancash 1985 Yungay Yungay Parón
Jose Carlos
34 Yungay Yungay Llanganuco
Mariátegui
Los vencedores 494 Yungay Yungay Llanganuco
Tahuantinsuyo 758 Tinco Carhuaz Ulta
José Carlos
240 Amashca Carhuaz Ulta
Mariátegui
Atusparia 914 Mancos Yungay Ulta
Fuerza y poder 811 Shilla Yungay Ulta
Mitimaes 254 Amashca Carhuaz Ulta
San Miguel de
Vicos 3721 Carhuaz Honda
Aco
Shumay 935 Marcará Carhuaz Honda
Siete Imperios 1842 Marcará Carhuaz Honda
Recuayhuanca 385 Marcará Carhuaz Honda
Tupac Yupanqui 3834 Tarica Huaraz Honda
Luis M. Sanchez
99 Independencia Huaraz Llaca
Cerro
Cahuide 137 Independencia Huaraz Cojup
Cuatro Estrellas 250 Independencia Huaraz Cojup

3.4.2 Indicadores de Pobreza

De acuerdo con el Programa de las Naciones Unidas para el Desarrollo (PNUD, 2019), para
este año el índice de Desarrollo Humano (IDH) para la provincia de Huaraz (0.56) es mayor
que las provincias Carhuaz (0.41), Huaylas (0.41) y Yungay (0.34). La provincia de Huaraz
está por encima del promedio regional y por debajo del promedio nacional teniendo el ingreso
familiar per cápita mucho mayor que las otras tres provincias.
3.4.3 Aspectos económicos
Los indicadores de empleo, niveles de ingreso (pobreza y pobreza extremas), cobertura de
salud y desarrollo humano describe una situación precaria para la mayoría de la población
del PNH y su zona de amortiguamiento, que principalmente se dedica a la actividad
agropecuaria. Entre las principales actividades económicas que se realizan en las
subcuencas de estudio son:

• Minería: Esta actividad no está autorizada por ley; no obstante, desde antes de la
creación del Parque Nacional Huascarán, se otorgaron concesiones mineras que
 tienen derecho de explotación, pero respetando las normas ambientales. Actualmente
según el Plan Maestro 2017-2021 dentro del PNH vienen operando seis concesiones
mineras, algunas de las empresas mineras como Antamina y Barrick se encuentran
localizadas en la zona de transición de la Reserva de Biosfera del Huascarán, lo cual
hace ver que una creciente presión hacia el parque por reactivar algunas minas.
• Hidroenergía y actividad agropecuaria: Las familias, empresas privadas y
gubernamentales (usuarios del recurso hídrico) constituye un conjunto de unidades
económicas, siendo Chavimochic, Chinecas y Entidades Prestadoras de Servicio
(EPS) los mayores demandantes de este recurso.
• Turismo: El ordenamiento turístico del Parque Nacional Huascarán, está
contemplado en el Plan de Uso Turístico y Recreativo del Parque Nacional Huascarán,
donde se contempla diferentes modalidades de turismo como: convencional, circuitos
de trekking, escalada y rural comunitario. Para el turismo convencional se identificó 9
destinos, dentro de las principales están Quebrada Llanganuco, Laguna Parón,
Laguna Purhuay, Rodales de Puya. Para la modalidad de trekking, 24 circuitos. Para
la modalidad de escalada, 102 destinos. Para el rural comunitario se desarrollan
diversas experiencias como en la Comunidad Unidos Venceremos-Humacchuco, que
opera la ruta Llanganuco-Santa Cruz; la Comunidad Campesina de Cordillera Blanca-
Canrey Chico, que opera el Llamatrek a Chavín y la comunidad de Acopalca que
ofrece servicios de turismo en la ruta de Purhuay.
 4 Metodología

4.1 Procedimiento general de la investigación

Primeramente, la obtención de los datos de las variables explicativas e inventario de peligros

por movimientos en masa se realizó a partir de información secundaria (geoportales, estudios
previos y EVAR) y la generada a partir de las visitas realizadas en campo. Para cada método
se identificó las variables temáticas a tomar en cuenta como la geología, geomorfología,
cobertura vegetal, NDVI en época húmeda, precipitación media anual, las capas derivadas
del DEM e inventario de movimiento en masa. Obtenidos los datos y posterior al viaje de
campo realizado, se hizo el análisis de datos para su posterior generación de la base de datos
en Excel para la generación de los modelos logísticos.
Cada modelo de susceptibilidad generado estuvo basado en las propuestas para cada
subcuenca de estudio. La primera metodología fue la de regresión logística (RL) seguida por
el proceso de análisis jerárquico (AHP). Finalmente, para la obtención de los objetivos
plateados en la presente investigación, se realizó la comparación entre las dos metodologías,
validación de los métodos y determinación de las principales variables explicativas para cada
valle glaciar y su posterior análisis.
La Figura 4.1 se muestra el proceso general para la realización de la investigación.
Figura 4.1: Proceso general para la realización de la investigación.

Fuente: Elaboración propia.

4.2 Obtención de datos

Para la construcción de los modelos, debemos tener en cuenta ciertos principios para la
recopilación, homogeneización y construcción de la base de datos para el procesamiento. En
la Figura 4.2 se explica los principios a tener en cuenta:
Figura 4.2: Principios a considerar para la recolección y construcción de la base de datos

Fuente: Elaboración propia.

Parte de las actividades realizadas para la obtención de los datos fueron el cartografiado de
un inventario de movimientos en masa (IMM) y la obtención de las capas ráster de las
variables predictoras de la susceptibilidad.
4.2.1 Inventario de movimientos en masa
Una de las principales dificultades en estudios de susceptibilidad a peligros por remoción en
masa (landslide) radica en la necesidad de disponer de un buen inventario de peligros por
movimientos en masa, que sea adecuado y completo para el análisis a realizar, algo que no
siempre es fácil o accesible (García, 2008). Un inventario de movimientos en masa debe
contener la distribución espacial de los datos, sus características más resaltantes y pueden
ser representados por polígonos o puntos que señalan el deslizamiento de tierras.
4.2.1.1 Trabajo de gabinete
Para obtener un inventario de movimientos en masa, se utilizó el estudio hecho en el año
2009, por el Instituto Geológico, Minero y Metalúrgico (INGEMMET) llamado “Inventario de
peligros geológicos en Perú”, esta información junto con otros estudios secundarios fue
utilizado para realizar el inventario de deslizamientos de tierra.
Otro estudio secundario utilizado, fue el llevado a cabo por Valderrama (2016); en este
trabajo se realizó un cartografiado de los peligros geológicos (movimientos en masa) con
recursos como mapas del IGN a escala de 1:25 000; fotografías históricas, fotos aéreas e
imágenes satelitales Spot 5 a escala de 1:25 000. Estos estudios, sumado al uso de
herramientas como: Google Earth, ortofotos históricas, nos permitió generar un inventario
preliminar de movimientos en masa que posteriormente fue validado en campo.
En la Figura 4.3 se representa las áreas de inventario de movimientos en masa en las zonas
de estudio.
Figura 4.3: Inventario de movimientos en masa

Fuente: Elaboración propia

En la elaboracion de ráster de probabilidad de movimientos en masa, la susceptibilidad se
expresa en ocurrencia y no ocurrencia de estos eventos (1 y 0 respectivamente), para esta
investigacion, tambien se elaboró una muestra de puntos de no ocurrencia de movimientos
en masa para cada subcuenca, siendo esta de igual número a los eventos de inventario de
movimientos en masa (ocurrencia); tomando como criterio las zonas menos posibles de
ocurrencia de eventos de remoción de masa.
En total, los datos tomados fueron 865 puntos, el número de puntos fue proporcional al
tamaño de cada subcuenca, donde para la subcuenca Parón el número de puntos colectados
fue 100 puntos (Inventario=50, ausencia=50), Llanganuco 126 (Inventario=63, ausencia=63),
Ulta 158 (Inventario=79, ausencia=79), Honda 284 (Inventario=142, ausencia=142), Llaca 68
(Inventario=34, ausencia=34) y Cojup 129 (Inventario=63, ausencia=66). Para la posterior
creación de la base de datos, los eventos de presencia y ausencia fueron validados en campo.
4.2.1.2 Trabajo de campo
Como parte de los objetivos de la investigación, se realizó el llenado de la ficha de inventario
de peligros por movimientos en masa y validación de los eventos generados en gabinete. El
llenado de esta ficha descriptiva se llevó a cabo durante los meses de octubre y noviembre
del 2020, en un recorrido de campo realizado a los seis valles de estudio.
Partiendo del cartografiado del inventario preliminar de los eventos de movimientos en masa
realizado en gabinete, se recorrió los valles glaciares con la finalidad de recolectar
información referida al tipo de evento. Utilizando la clasificación de eventos movimientos en
masa dada por Varnes (1978), se registraron las características más resaltantes de los
eventos como: tipo de peligro, coordenadas de ubicación, elevación, estado o actividad, nivel
de peligro y vulnerabilidad, etc. En la Figura 4.4 se muestra el modelo de ficha descriptiva de
un evento de movimiento en masa.
Figura 4.4: Modelo de ficha descriptiva de un evento de movimiento en masa

Fuente: Elaboración propia.

Luego de completar correctamente el inventario de movimientos en masa, con ayuda de las
fotografías de los eventos se analizó la información temática de los parámetros susceptibles.
El registro de los datos de inventario de campo se puede encontrar en el Anexo 1 del presente
documento. En la Figura 4.5 se observa algunos eventos históricos y actividades realizadas
(toma de fotos con drone y visitas a zonas con alto riesgo de desprendimiento de bloques de
hielo) en las subcuencas de estudio.
Figura 4.5: (A, C, D) Eventos de movimientos en masa históricos validados en campo, (B)
Toma de fotos con drone y (E) Lagunas con riesgos de desembalse
 4.2.2 Variables explicativas
Se entiende como los factores condicionantes y desencadenantes para la ocurrencia de
fenómenos de movimientos en masa. De acuerdo con el tipo de variables, pueden ser de tipo
categóricas (capas ráster reclasificadas) y variables continuas o también llamadas
cuantitativas (capas ráster no reclasificadas).
Partiendo de los parámetros intrínsecos (variables explicativas de la susceptibilidad) para
realizar el cálculo de la probabilidad de ocurrencia de peligros por movimientos en masa
recolectados a partir de estudios preliminares y bibliografía revisada (Tabla 2.1), se recolectó
la información de las 11 variables explicativas:
4.2.2.1 Geología
Para realizar las evaluaciones de peligrosidad y riesgo, es fundamental conocer la geología
de la región de estudio. En el Perú, la información geológica es proporcionada por
INGEMMET, que dispone para el área de estudio una capa a escala de 1:100 000, esta capa
contiene información de fallas, composición geotécnica, litología entre otras capas. Los valles
que se estudiaron están comprendidos entre las cartas Corongo (18-h), Carhuaz (19-h) que
abarcan el área de estudio del Parque Nacional de Huascarán.
La cartografía geológica tiene una escala regional (1:100 000), por lo que los estudios que se
realicen a partir de ella son válidos para adquirir una visión global de la problemática, que en
el caso de esta tesis se refiere a la susceptibilidad a movimiento en masa. Con la ayuda de
las herramientas SIG que permitió tener control de las capas geológicas, para poder realizar
revisiones y validaciones a partir de las visitas realizadas al área de estudio. Las unidades
geológicas identificadas en el área de estudio son las siguientes:

• Batolito Cordillera Blanca (B-cb): Granodiorita, tonalita

• Depósito aluvial (D-al): Acumulación de grava, arena, limo y arcilla con clastos
subangulosos a angulosos de diferente composición.
• Depósito glaciar (Q-gl): Depósitos morrénicos, bloques con ángulos rellenados con
arcillas, limos y arenas.
• Depósito glaciar, fluvial (Q-glf): Gravas, arenas en matriz limo-arenosas. Arenas y
materiales residuales no consolidados.
• Formación Carhuaz (F-ch): Areniscas gris verdosas, lutitas negras y limolitas
marrones.
• Formación Chicama (F-cc): Areniscas cuarzosas, lutitas oscuras pizarrosas.
• Formación Chimú (F-cm): Areniscas cuarzosas blancas, limo-arcillitas grises y niveles
de carbón.
• Formación Pariahuanca, Chúlec, Pariatambo (F-pcp): Calizas masivas de tono azul.
calizas y margas color crema, calizas y margas de olor fétido
• Formación Santa (F-sa): Areniscas, cuarcitas, lutitas, niveles de carbón
• Formación Yungay (F-yu): Tufo blanco o gris claro, fragmentos angulares de rocas
sedimentarias.

4.2.2.2 Geomorfología
Estudia el reconocimiento, clasificación y explicación de las distintas configuraciones de la
superficie de la tierra (Muñoz, 1995). Investiga su origen, desarrollo y evolución de los
caracteres geomorfológicos. Para este estudio se utilizó la geomorfología realizada por el
INGEMMET, el cual forma parte del proyecto “Mapas Geomorfológicos por regiones”, el cual
tiene como objetivo establecer una leyenda y una nomenclatura estándar, partiendo de las
clasificaciones que manejan los principales servicios geológicos a nivel mundial. Las
unidades geomorfológicas presentes en el área de estudio son:
Montaña
Montaña en roca volcánica (M-rv)
Son geoformas con superficies de pendiente de media a moderada, con presencia de frentes
escarpados a abruptos, litológicamente están formadas por rocas volcánicas. Estas
subunidades geomorfológicas se encuentran principalmente en la subcuenca Honda,
abarcando aproximadamente 3184.27 ha de las subcuencas identificadas.
Montañas en roca intrusiva (M-ri)
Son afloramientos de rocas intrusivas, se distribuye en un mayor porcentaje en la subcuenca
Cojup. Se dispone como batolitos de formas irregulares alargadas, por su naturaleza litológica
se originan geoformas con laderas subredondeadas a cóncavas. Tienen una extensión de
aproximadamente 21944.26 ha de las subcuencas identificadas en la investigación.
Montañas con cobertura glaciar (M-cg)
Son geoformas que abarcan las zonas más altas de las subcuencas de estudio, cubiertas con
una gran masa de hielo y de nieve granulada. Se encuentran distribuidas en todas las
cabeceras de las subcuencas de la cordillera blanca, sobre cotas por encima de los 5000 m.
La extensión que ocupa es aproximadamente de 14550.12 ha de los valles de estudio.
Montañas en rocas sedimentaria (M-rs)
Esta geoforma, litológicamente está formada por rocas sedimentarias de tipo areniscas y limo
arcillitas, corresponde a la Formación Yungay, Formación Carhuaz y al Batolito de la
Cordillera Blanca. Esta formación se encuentra a lo largo de todas las subcuencas de estudio,
teniendo una extensión de 6861.13 ha aproximadamente.
Montaña estructural en roca intrusiva (Me-ri)
Esta subunidad, litológicamente está formada por depósitos morrénicos, bloques angulosos
y rellenados con arcilla. Abarca pequeñas zonas de la subcuenca Cojup y Llanganuco,
teniendo estas una extensión de 276. 25 ha.
Colinas y lomadas
Morrenas (Mo)
Zonas adyacentes a un nevado de depósito glaciar en forma de lomas alargadas individuales
o en grupos en las vertientes superiores, se encuentran por encima de los 4000 msnm. Son
susceptibles a generar eventos de movimientos en masa. Las principales áreas de morrenas
se encuentran en toda la Cordillera Blanca, teniendo una extensión de 1910.27 ha de las
subcuencas identificadas en la investigación.
Piedemonte
Abanico de piedemonte (A-p)
Depósitos con ligera pendiente hacia el valle en la desembocadura de subcuencas o ríos que
drenan a los ríos que forman el valle. Está asociada a la descarga de sedimentos de un curso
de aguas (rio o subcuenca). Esta subunidad la encontramos en las 6 subcuencas de estudio,
con una extensión de 3887.87 ha aproximadamente.
Vertiente glacial o de gelifracción (V-gg)
La vertiente presenta rocas con rotura (efecto palanca), a consecuencia que soporta al
congelarse el agua contenida en sus diaclasas. Son zonas propensas a derrumbes y flujos
de detritos. Abarca aproximadamente 12132.61 ha aproximadamente en todas las
subcuencas estudiadas.
Vertiente coluvial de detritos (V-cd)
Estos tipos de depósitos se encuentran al pie de las montañas o colinas, en forma de talud
de detritos. El material generalmente es acarreado por gravedad (coluvial), litológicamente
están formadas depósitos glaciares. Ocupan aproximadamente 605. 24 ha de todas las
subcuencas estudiadas
Vertiente glacio-fluvial (V-gf)
Son sedimentos glacio-fluviales que bordean zonas montañosas de litología sedimentaria y
volcánica, se han formado por procesos de deglaciación durante el Pleistoceno. Su
distribución en la región está restringida a altitudes superiores a los 3000 msnm, abarcando
una extensión de 11716 Ha.
Vertiente o piedemonte coluvio-deluvial (Vp-cd)
Su composición litológica es homogénea, depósitos de corto recorrido relacionados a laderas
superiores adyacente. Son acumulaciones de ladera que se origina por peligros de
movimientos en masa de tipo deslizamientos, derrumbes, avalanchas de rocas entre otros
movimientos. Tiene una extensión de 656 ha de toda el área de estudio.
Planicies y depresiones
Llanura o planicie inundable (Lp-i)
Son superficies bajas, se encuentran adyacente a subcuencas y en el mismo curso fluvial.
Morfológicamente son terrenos planos, son áreas inundables, ocupan poca extensión dentro
del área de estudio, siendo aproximadamente 119 ha de las subcuencas estudiadas.
Valle glaciar con laguna (Vg)
Valles glaciares formadas por lagunas alineadas de diferentes dimensiones en la cabecera
de los valles principales, que involucran el substrato rocoso y depósitos glaciares. Abarcan
zonas con una extensión de 3542.16 ha aproximadamente. Se pueden presentar derrumbes,
deslizamientos o avalancha de detritos.
Terraza aluvial (T-a)
Se pueden producir derrumbes en los bordes de las terrazas, planicies adyacentes a zonas
donde se producen eventos de inundación fluvial. Sobre estas zonas, se extienden zonas de
cultivos. Dentro del área de estudio abarcan una extensión de 718.21 ha aproximadamente.
 Tabla 4.1: Unidades geomorfológicas
Unidad
Subunidad Símbolo
Geomorfológica
Montaña con cobertura glaciar M-cg
Montaña en roca volcánica M-rv
Montaña en roca sedimentaria M-rs
Montañas
Montaña estructural en roca intrusiva Me-ri
Montaña estructural en roca sedimentaria Me-rs
Montaña en roca intrusiva M-ri
Colinas y lomadas Morrenas Mo
Abanico de piedemonte A-p
Vertiente glacial o de gelifracción V-gg
Piedemontes Vertiente coluvial de detritos V-cd
Vertiente glacio-fluvial V-gf
Vertiente o piedemonte coluvio-deluvial Vp-cd
Llanura o planicie inundable Lp-i
Planicies y
Valle glaciar con laguna Vg
depresiones
Terraza aluvial T-al
Fuente: Elaboración propia.
En la Figura 4.6 se representa las unidades geomorfológicas de las seis subcuencas de
estudio.
Figura 4.6: Geomorfología de los valles de estudio
4.2.2.3 Cobertura Vegetal
Indica el porcentaje de vegetación presente y que se desarrolla en un área determinada. La
cobertura vegetal es importante debido a que influye en las propiedades mecánicas e
hidrológicas del suelos (Dai & Lee, 2002).
Para este estudio se utilizó la cobertura vegetal realizada por el MINAM (2015) elaborado a
una escala de 1:100 000. Las unidades de cobertura vegetal identificadas en los seis valles
de estudio son:
Pajonal (P-a)
Esta unidad de cobertura se compone principalmente de pastizales ubicadas entre
aproximadamente 3.800 y 4.800 m en los andes. Se desarrolla sobre terreno con valles casi
planos a empinados o empinados y fondos de valles glaciares de las tierras altas. Ocupa
alrededor de 14 787 hectáreas (MINAM, 2015).
Área altoandina con escasa y sin vegetación (Aa-v/sv)
Clasificado como otras coberturas, incluidas aquellas áreas sin cubierta vegetal, como
glaciares, áreas periféricas, desiertos costeros, riberas, arena, humedales costeros, albufera,
centros mineros, lagos, lagunas, ríos, estuarios, infraestructura, represas y pueblos. Tiene un
extensión aproximada de 27 974 ha aproximadamente (MINAM, 2015).
Glaciar (Gla)
Comprenden aquellas áreas sin cobertura vegetal como son los glaciares, áreas peri-
glaciares, abarcando las zonas más altas de la Cordillera Blanca. Dentro del área de estudio
abarca una superficie de 19829 ha de las subcuencas identificadas (MINAM, 2015).
Agricultura costera y andina (Ac-a)
El área de cobertura que corresponde a todas las áreas donde actualmente se realizan
actividades agrícolas activas y en reposo, ubicado en los valles que ascienden a las laderas
de los andes occidentales, hasta el pajonal andino. Abarcan cultivos de riego y en secano,
tanto anuales como permanentes (MINAM, 2015).
Matorral arbustivo (M-a)
Esta cobertura vegetal se encuentra distribuida en los andes hasta una altitud
aproximadamente de 3800 msnm en la zona centro del país, hasta el límite de los pajonales
naturales. Ocupa una superficie de 4676 ha de las subcuencas estudiadas (MINAM, 2015).
Bosque relicto altoandino (B-ra)
Este bosque se distribuye en pequeños parches en la región alta de los Andes. En montañas
con pendientes empinadas y escarpadas es muy poco accesible, forma parte también de la
vegetación ribereña de ciertos ríos y subcuencas entre 3500 y 4900 msnm. Abarca
aproximadamente una extensión de 1595 ha aproximadamente de las subcuencas de estudio
(MINAM, 2015).
Plantación forestal (P-f)
Son áreas reforestadas correspondientes a tierras con aptitud forestal en la región andina. La
altitud va desde 3000 a 3800 msnm. Se desarrolla en climas desde subhúmedo hasta húmedo
(por encima de los 500mm/año). Tiene una extensión de 409.61 ha aproximadamente
(MINAM, 2015).
Bofedal (Bof)
También es llamado “oconal” o “turbera” (mojado en quechua), a partir de los 3800 msnm.
Estos humedales altoandinos se encuentran ubicados en valles fluvio-glaciares. Se alimentan
del agua provenientes del deshielo de los glaciares, del afloramiento de agua subterránea y
de la precipitación pluvial. En el área de estudio abarca aproximadamente 309.61 ha (MINAM,
2015).
Lagos, lagunas y cochas (Lag)
Esta unidad es clasificada como otras coberturas, están incluidos lagos, lagunas, ríos,
estuarios, Infraestructura, represas. Tiene una extensión aproximada de 643 ha
aproximadamente.(MINAM, 2015)
En la Figura 4.7 se representa las unidades de cobertura vegetal utilizadas en las seis
subcuencas de estudio.
Figura 4.7: Cobertura vegetal de los valles de estudio
4.2.2.4 Índice de vegetación de diferencia normalizada (época húmeda)
Se realizó el cálculo del Índice de Vegetación de diferencia normalizada para la época
húmeda, con apoyo de la plataforma Google Earth Engine. El producto realizado fue el
promedio de las imágenes para la época húmeda de los años 2017, 2018, 2019 y 2020.
El resultado del cálculo del NDVI varia de -0.56 a 0.82. Los valores de NDVI de las
subcuencas se agruparon utilizando los valores propuestos por Merg et al. (2011). Las
superficies con agua, estructuras artificiales, rocas nubes y nieve tienen valores negativos
(<0.01), el suelo desnudo sin vegetación generalmente esta entre 0.01 y 0.1, la vegetación
ligera está entre 0.1-0.2 y la vegetación mediana puede estar en el rango de 0.2 a 0.4 y la
vegetación alta está por encima de 0.4. En la Figura 4.8 se representa el índice de vegetación
de diferencia normalizada de las seis subcuencas de estudio.
Figura 4.8: NDVI (época húmeda) de los valles de estudio
4.2.2.5 Modelo digital de elevación
La altitud tiene un impacto significativo en la susceptibilidad a movimientos en masa, ya que
los peligros geológicos provienen de picos de montañas o pendientes pronunciadas. Es
importante tener un modelo que represente cada punto de altura del terreno (coordenada z)
y permitir conocer los puntos máximos y mínimos del área a estudiar.
Para el tratamiento de estos datos de tipo ráster, se utilizó un DEM Alos Palsar con una
resolución espacial de 12.5 metros descargada del portal Alaska Satelite Facility, el cual se
deriva de la tecnología SAR. La elección de la resolución más adecuada, fue a partir del
estudio planteado por Bueechi (2019), donde concluyó que los mejores resultados para el
cálculo de la susceptibilidad son derivados de un DEM con resolución de 10 a 20 m. Los DEM
descargados de manera independiente fueron combinados, reproyectados, recortados y
corregidos en el software QGIS. En las subcuencas de estudio, la altitud va desde 2344 msnm
hasta 6764 msnm.
En la Figura 4.9 se representan el intervalo de altitudes correspondientes a las seis
subcuencas de estudio.

Figura 4.9: Modelo digital de elevación de los valles de estudio

4.2.2.6 Pendiente
La pendiente presenta una relación directa con la capacidad de generación de movimientos
en masa debido a que, a mayor pendiente, mayor la capacidad del agua en transportar
partículas por acción de la gravedad provocando una rotura del material.
Para el cálculo e integración en un SIG, se partió del DEM Alos Palsar (resolución de 12,5),
corregido y disponible en el portal Alaska Satellite Facility. Los mapas de pendientes se
clasificaron en 5 clases (0-10°, 10-25°, 25-40°, 40°-55, >55°) hasta la clase final que incluye
todas las áreas con ángulos de pendiente >55°.
La pendiente en el área de estudio varía de 0° a 82, para la presente investigación se clasifica
en 5 tipos (Tabla 4.2), las cuales están clasificadas de la siguiente manera:
Tabla 4.2: Clases de pendiente
Clase de Intervalo
Características de la clase de pendiente
pendiente de valores
Los lagos y lagunas abarcan este tipo de pendiente. Es muy
Muy Baja 0°-10°
baja la probabilidad de formar peligros geológicos.
Aumenta la erosión, presentando condiciones para la formación
Baja 10°-25° de deslizamientos de tierra. Los materiales tienden a
movilizarse como flujos de rocas o detritos.
Una mayor erosión y aumenta la probabilidad de generar
Media 25°-40°
movimientos en masa.
La erosión por acción de la gravedad es casi máxima, con
Alta 40°-55° ocurrencia de caída de rocas y detritos debido a acción de las
precipitaciones.
Estas pendientes son caracterizadas por formar parte de zonas
más altas de la cordillera. Su capacidad de erosión llega a ser
Muy alta >55
máxima, al igual que la susceptibilidad a desprendimiento de
clastos.
Fuente: Elaboración propia.
En la Figura 4.10 se representa el intervalo de pendientes representadas en grados que
abarcan las seis subcuencas de estudio.
 Figura 4.10: Clases de pendientes de los valles de estudio

4.2.2.7 Orientación
La orientación o aspecto se calculó con el método de Horn (1981). La orientación influye en
eventos de movimientos en masa, se relaciona con la cobertura vegetal y la humedad en
esta. Utilizando los gradientes norte-sur y este-oeste se determina el valor de la orientación
(θ) como se expresa en la siguiente ecuación (García, 2008):
dz/dx δEO
θ = arctg ( )= ( 4.1 )
dz/dy βNS

La ecuación anterior refleja el valor de la dirección (en grados), dentro del rango entre 0 ° y
360 °, donde 0 ° representa un píxel sin inclinación y el valor entre 1 ° y 360 ° se basa en la
dirección del reloj, la unidad de grado indica el norte del acimut. El norte representa 1, el este
representa 90 grados, el sur representa 180 grados, y así sucesivamente. Opcionalmente, se
puede dividir el resultado entre 22, 5 ° para convertirlo en un valor entero y obtener el rango
de acimut solar generalizado de 1 a 9.
En la Figura 4.11 se representa la orientación de laderas que indica la dirección a la apunta
la pendiente de la ceda.
 Figura 4.11: Orientación de laderas de los valles de estudio

4.2.2.8 Rugosidad
Es la ondulación del relieve o superficie topográfica. La variación de la rugosidad involucra
escala como: grano (resolución de la imagen) y textura. El grano se entiende como la mayor
longitud de onda significativa de una superficie terrestre, mientras que textura se entiende
como la longitud de onda más corta (García, 2008). Está relacionada con la accidentalidad e
irregularidad del terreno
La función de rugosidad está basada en la dispersión del vector perpendicular a la superficie.
El vector unitario perpendicular a la superficie en el punto i es un vector R cuyas coordenadas
vienen dadas por las siguientes expresiones (Upton & Fingleton, 1985):
xi = sin yi . cos∅i ( 4.2 )
yi = sin yi . cos∅i ( 4.3 )
zi = cos yi ( 4.4 )
Donde 𝑦𝑖 𝑦 ∅𝑖 representan la pendiente y la orientación en el punto i.
El modelo R definido como la raíz cuadrada de la suma cuadrática de las coordenadas de los
vectores para los puntos vecinos del punto i (ventana 3x3) es dada por:
 2 2 2
R = √(∑ xi ) + (∑ yi ) + (∑ zi ) ( 4.5 )

El módulo promedio es complemento de la rugosidad (w), donde n es el tamaño de la muestra.

En este caso n=9, puesto que se elige una ventana de 3x3.
R ( 4.6 )
w=1−
9
Los valores del mapa de rugosidad normalizados, variando entre 0 (máxima dispersión) y
99.9 (mínima dispersión) niveles. En la Figura 4.12 se representa la rugosidad del terreno que
abarca las seis subcuencas de estudio.
Figura 4.12: Rugosidad del terreno de los valles de estudio
4.2.2.9 Curvatura tangencial o del plano
La curvatura del plano es perpendicular a la dirección de la pendiente máxima (ESRI, n.d.).
Es positiva para los pixeles con contornos cóncavos y negativos para los pixeles con
contornos convexos. La curvatura del plano se puede utilizar para diferenciar entre crestas y
valles (Peckham, 2011).
La curvatura tangencial se expresa de la siguiente manera:
Figura 4.13: Curvatura tangencial

Fuente: ESRI
A: Superficie lateralmente convexa a esa celda, B: Superficie es lateralmente cóncava a esa
celda, C: Superficie lineal
En la Figura 4.14 se representan las superficies cóncavas y convexas que abarcan las seis
subcuencas de estudio.
Figura 4.14: Curvatura tangencial de los valles de estudio
4.2.2.10 Curvatura de perfil
Es la dirección de la pendiente más pronunciada. Es negativa para superficies convexa, valor
positivo para superficies cóncavas y cero corresponde a superficies llanas. La curvatura de
perfil afecta la velocidad de flujo de agua que drena la superficie e influye en la erosión y
deposición. Es usada para estudios de transportes y de sedimentación de materiales por flujo
de agua (Peckham, 2011).
La curvatura de perfil se expresa de la siguiente manera (Figura 4.15):
Figura 4.15: Curvatura de perfil

Fuente: ESRI
A: Convexa B: Cóncava C: Lineal
En la Figura 4.16 se representan las superficies convexa y cóncava de la curvatura de perfil
de las seis quebradas de estudio.
Figura 4.16: Curvatura de perfil de los valles de estudio
4.2.2.11 Precipitación media anual
Para la generación de la precipitación media anual de la zonas de estudio, se utilizaron los
datos disponibles en la plataforma WorldClim 2 estudio realizado por Fick & Hijmans (2017).
Estos ráster son un conjunto de datos climáticos mensuales interpolados espacialmente para
áreas terrestres con topografías variadas, con resolución espacial de 30s (1Km2).
Estos datos climáticos fueron tratados con el software QGIS, los datos ráster se presentan
con una temporalidad de 30 años (1970-2000). Con estos datos se generó el mapa de
precipitación media anual para la zona de estudio, el ráster de la variable bioclimática fue
recortada para la zona de estudio.
En la Figura 4.17 se representan los valores de precipitación que van de 290-1187 mm
abarcando las seis subcuencas de estudio.
Figura 4.17: Precipitación media anual-WorldClim de los valles de estudio
4.3 Análisis de los datos

4.3.1 Creación de la base de datos

La base de datos para la generación del modelo de susceptibilidad fue creada a partir del
inventario de eventos de movimientos en masa (presencia), datos de no eventos de
movimientos en masa (ausencia) y las 11 covariables explicativas (Tabla 4.3). Se utilizó la
herramienta Estadística de zona (QGIS Development Team, 2021) para la extracción de los
valores de las variables explicativas para cada evento/no evento de movimientos en masa.
La base de datos fue sistematizada y organizada en Excel, el nombre de cada dato de los
parámetros susceptibles a movimientos en masa fue codificado para su posterior uso en el
software RStudio. La Tabla 4.3 muestra la codificación de cada parámetro usado en la
generación de la base de datos.
Tabla 4.3: Codificación de los parámetros susceptibles a movimientos en masa
Parámetro Código Fuente
Elevación Elev Alos Palsar (12.5 x 12.5 m)
Pendiente Pend Alos Palsar (12.5 x 12.5 m)
NDVI (húmeda) NDVI_H Sentinel 2A
Orientación Orient Alos Palsar (12.5 x 12.5 m)
Rugosidad Rugo Alos Palsar (12.5 x 12.5 m)
Curvatura tangencial C_Tang Alos Palsar (12.5 x 12.5 m)
Curvatura de perfil C_Perf Alos Palsar (12.5 x 12.5 m)
Precipitación anual P_A WorldClim
Geología Geol INGEMMET
Geomorfología Geom INGEMMET
Cobertura vegetal CV MINAM
Fuente: Elaboración propia.
4.3.2 Correlación de las variables
Un paso preliminar para generar modelos de susceptibilidad es hacer un análisis de
correlaciones (correlación de Pearson), con el propósito de intuir variables redundantes
(altamente correlacionadas) de la base de datos. En la Figura 4.18 se da un alcance de la
interrelación de las variables de entrada, para el cual se generó un gráfico de correlograma
de las variables explicativas.
 Figura 4.18: Correlación de Pearson entre las variables explicativas

Fuente: Elaboración propia.

De la Figura 4.18, existen variables que presentan altas correlaciones. En la Tabla 4.4 se
presenta el coeficiente de Pearson entre las variables más correlacionadas que pueden ser
redundantes en el análisis de las variables.
Tabla 4.4: Variables con correlaciones más altas
Variables Correlación
C_tang - C_Perf 0.5
Rugo - Pend 0.7
P_A - Elev 0.93
NDVI_H - Elev -0.85
NDVI_H - P_A -0.82
Fuente: Elaboración propia.
Finalmente, la base de datos fue importada del software RStudio para el modelo de
susceptibilidad mediante regresión logística.
4.4 Determinación de la susceptibilidad
4.4.1 Regresión logística (RL)
Para la generación de los modelos logísticos se partió de las muestras de ocurrencia (1) y no
ocurrencia (0) de eventos de movimientos en masa, los cuales fueron validados en campo en
noviembre del 2020. El cálculo de la susceptibilidad mediante regresión logística se realizó
para cada subcuenca y es expresada de la siguiente manera:
1
p(y) = ; z = b0 + b1 × Cov1 + b2 × Cov2 + ⋯ + bi=𝑛 × Covi=n
1+e−z

Donde p(y) mide la probabilidad de ocurrencia de los movimientos en masa en función a

distintos posibles factores Cov1…Covn, que en nuestro caso son cada una de las variables
incluidas.
Para cada subcuenca, se inició con el tratamiento de las variables categóricas (geología,
geomorfología y cobertura vegetal) mediante el cálculo de la densidad relativa, seguido de la
selección de las principales variables para obtener un modelo no saturado mediante el
método de Backward Selection; el cual, a partir de un modelo completo que incluye a las 11
variables (modelo saturado), descarta en subsecuentes pasos aquellos factores de menor
importancia hasta conseguir el modelo final de mayor parsimonia estadística (menor AIC).
Una vez identificado el modelo final con las variables principales para cada subcuenca, estas
variables se usaron para generar el mapa de susceptibilidad para cada una de las
subcuencas, los cuales serán validados mediante las curvas ROC en cuanto a su precisión y
exactitud (Ver capítulo 5.2). En la Figura 4.19 se presenta el diagrama de flujo de la
metodología para el cálculo del modelo de regresión logística.

Figura 4.19: Metodología para el cálculo del modelo de Regresión Logística

4.4.1.1 Sub cuenca Parón
La base de datos de la subcuenca Parón fue dividida en una muestra de 90 datos de
entrenamiento (90 % de los datos registrados) para la generación del modelo y 10 datos para
su validación (10 % de los datos registrados), división similar a estudios realizados mediante
este método estadístico (Bai et al., 2010a; E. Bueechi et al., 2019). Se inició con el tratamiento
de las variables categóricas (geología, geomorfología y cobertura vegetal).
Tratamiento de las variables categóricas
Dentro de la bibliografía se pueden encontrar diferentes maneras como tratar las variables
explicativas para generar un modelo de RL. Uno de los problemas principales al tratar datos
categóricos es la creación de variables dummy (variables internas o indicadoras), que genera
la creación de tantas variables dicotómicas como número de clases tenga dicha variable.
Por esta razón, se calculó la densidad relativa o relación de frecuencias por categorías a
partir del IMM para cambiar la variable categórica en numérica (Ayalew & Yamagishi, 2005;
Bai et al., 2010b; Grozavu et al., 2013). Siguiendo lo indicado por Ayalew (2005), se aplica la
siguiente formula:
𝐿𝐴𝑖 /𝐴𝑖
𝐿𝐷𝑖 = 𝑁 × 100 ( 4.7 )
∑𝑖=1(𝐿𝐴𝑖 /𝐴𝑖 )

Donde LDi es la densidad relativa de movimientos en masa para cada clase i, LAi y Ai son el
área de movimientos en masa en la clase i y el área total de la clase i, respectivamente; y N
es número total de clases en un parámetro.
La Tabla 4.5 presenta las densidades relativas calculadas para las variables categóricas de
la subcuenca Parón. Para la variable geología; la clase que representa deposito glaciar, fluvial
tienen la mayor densidad de deslizamientos de tierra (67.5 %); para las clases de
geomorfología, las morrenas (29.9 %) y de la cobertura vegetal, pajonal andino (38.8 %).
Tabla 4.5: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Parón.
Densidad
Variable Código Área (Ha)
relativa (%)

Geología
Formación Yungay F-yu 5596.198 11.8
Depósito glaciar D-gl 3815.631 5.6
Depósito glaciar, fluvial D-glf 2928.241 67.5
Batolito Cordillera Blanca B-cb 1699.581 15
Depósito aluvial D-al 8.723 0
Laguna Lag 214.220 0
Geomorfología
Montaña en roca intrusiva M-ri 4999.15 3.74
Montaña con cobertura glaciar M-cg 2494.80 0.03
Vertiente glacio-fluvial V-gf 2310.10 8.69
Montaña en roca sedimentaria M-rs 1796.39 0.62
Vertiente glacial o de gelifracción V-gg 1503.01 3.69
Abanico de piedemonte A-p 421.25 16.80
Valle glaciar Vg 408.78 21.34
Vertiente coluvial de detritos V-cd 201.01 15.13
 Morrenas Mo 116.44 29.96
Montaña estructural en roca intrusiva Me-ri 11.67 0.00
Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 5513.43 32.86
vegetación
Glaciar Gla 3552.09 1.20
Agricultura costera y andina Ac-a 2873.76 8.77
Pajonal andino P-a 1154.27 38.81
Matorral arbustivo M-a 872.93 0.00
Bosque relicto altoandino B-ra 60.94 18.37
Plantación Forestal P-f 26.16 0.00
Lagunas, lagos y cochas Lag 209.01 0.00
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca
Parón fueron rasterizadas a partir de los valores de densidad relativa por cada clase. Seguido
a esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
Se utilizó el software RStudio (R Core Team, 2020) para la selección de las principales
parámetros independientes; se utilizó la metodología Backward selection, esta metodología
está basada en la eliminación de variables hacia atrás de un modelo saturado (Fernández
Pierna et al., 2009). El modelo óptimo para la subcuenca Parón es el que finalmente todas
las variables son significativas.
A partir del modelo saturado se combinaron los parámetros independientes mediante la
función stepAIC (Venables & Ripley, 2001) hasta encontrar el AIC (Akaike Information
Criterio) más bajo con todas sus variables significantes (α ≤ 0.1) el cual se considera el mejor
modelo (Hilbe, 2011).
Tabla 4.6: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Parón.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev +Orient +
11 45.094 69.09
saturado Rugo + P_A + NDVI_H + Geol + Geom + CV
C_Perf + Pend + Elev + Orient + Rugo + P_A
10 45.172 67.17
+ NDVI_H + Geol + Geom +CV
C_Perf + Pend + Elev + Rugo + P_A +
9 45.525 65.53
NDVI_H + Geol + Geom + CV
Backward-
Stepwise Pend + Elev + Rugo + P_A + NDVI_H + Geol
8 46.358 64.36
+ Geom + CV
Pend + Elev + P_A + NDVI_H + Geol +
7 47.565 63.57
Geom + CV
Pend + Elev* + P_A + NDVI_H + Geom +
6 49.472 63.47
CV*
Modelo
5 Pend + P_A + NDVI_H + Geom 55.596 65.59
final

“*” = variables no significantes

Fuente: Elaboración propia.

De las variables cuantitativas, se seleccionó las variables más significativas, la pendiente,
NDVI en época húmeda, geomorfología y precipitación media anual. A partir de estas
variables, se generó el modelo logístico.
Generación del modelo de regresión logística
A partir de la selección de las principales variables para la subcuenca Parón (Tabla 4.6), se
generó el modelo de regresión logística para esta subcuenca mediante el software estadístico
R Studio, el cual nos devuelve los coeficientes que se usaron para el cálculo de la ecuación
de regresión logística, así como los valores de desviación estándar y su significancia.
De la Tabla 4.7 se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el ráster de susceptibilidad. También se realizó las pruebas de
significancia del modelo, donde se puede inferir que el NDVI_H y la Geom son los parámetros
más determinantes en la generación del modelo de susceptibilidad a movimientos en masa.
Tabla 4.7: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Parón.
Parámetro Coef Des.Est. Pr(>|z|)
Constante -19.8 5.084 0
Pend 0.148 0.058 0.011*
P_A 0.014 0.005 0.007**
NDVI_H 13.755 4.853 0.005**
Geom 0.338 0.114 0.003**
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * = 0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa con la herramienta Calculadora ráster (QGIS
Development Team, 2021). La ecuación del modelo para la subcuenca Parón que resulta es
la siguiente:
p(y)=1/(1+e^ -(-19.81+0.148×Pend+0.014×P_A+13.755×NDVI_H +0.338×Geom))
4.4.1.2 Sub cuenca Llanganuco
La base de datos de la subcuenca Llanganuco fue dividida en una muestra de 114 datos de
entrenamiento (90 % de los datos registrados) para la generación del modelo y 12 datos para
su validación (10 % de los datos registrados).
Tratamiento de las variables categóricas
De los 11 parámetros relacionados a movimientos en masa para iniciar la evaluación de la
susceptibilidad a movimientos en masa (Tabla 4.3), 9 parámetros son cuantitativos ráster y
tres son parámetros nominales (geología, geomorfología y cobertura vegetal), estos últimos
fueron transformados en parámetros numéricos a través del calculó de la densidad relativa
de movimientos de masa (Ecuación 4.7).
La Tabla 4.8 presenta las densidades relativas calculadas para las variables categóricas. Para
clases de geología; la clase que representa deposito glaciar, fluvial tienen la mayor densidad
de deslizamientos de tierra (40.90 %); para las clases de geomorfología, las morrenas (27.48
%) y de la cobertura vegetal, bofedales (37.39 %).
Tabla 4.8: Área y densidad relativa por movimientos en masa calculada para los parámetros
geología, geomorfología y cobertura vegetal de la subcuenca Llanganuco.
Densidad
Variable Código Área (Ha)
relativa (%)
Geología
Depósito glaciar D-gl 4856.31 5.9
Depósito glaciar, fluvial D-glf 4498.81 40.9
Batolito Cordillera Blanca B-cb 3905.76 8.0
Formación Yungay F-yu 592.04 2
Formación Chimú F-cm 184.09 40
Formación Chicama F-cc 148.75 3
Depósito aluvial D-al 66.48 0
Laguna Lag 147.96 0
Geomorfología
Montaña en roca intrusiva M-ri 4924.07 4.03
Montaña con cobertura glaciar M-cg 2138.70 0.86
Vertiente glacial o de gelifracción V-gg 1887.80 1.67
Abanico de piedemonte A-p 1628.32 18.32
Vertiente glacio-fluvial V-gf 1010.76 4.48
Valle glaciar con laguna Vg-l 984.92 15.96
Montaña en roca sedimentaria M-rs 752.07 4.43
Morrenas Mo 595.11 27.48
Vertiente coluvial de detritos V-cd 275.04 12.78
Vertiente o piedemonte coluvio-deluvial Vp-cd 174.77 9.98
Montaña estructural en roca intrusiva Me-ri 28.41 0.00
Llanura o planicie inundable Lp-i 0.22 0.00
Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 5727.67 12.18
vegetación
Glaciar Gla 4171.34 3.89
Pajonal andino P-a 2392.83 23.51
 Agricultura costera y andina Ac-a 1915.01 9.76
Lagunas, lagos y cochas Lag 128.05 0.01
Bosque relicto altoandino B-ra 32.75 13.27
Bofedal Bof 32.47 37.39
Matorral arbustivo M-a 0.07 0.00
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca
Llanganuco fueron rasterizadas a partir de los valores de densidad relativa por cada clase.
Seguido a esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
Se usó la metodología Backward selection (Fernández Pierna et al., 2009) para elegir el
modelo final, a partir del modelo saturado se combinaron los parámetros independientes
mediante la función stepAIC (Venables & Ripley, 2001) hasta encontrar el AIC (Akaike
Information Criterio) más bajo con todas sus variables significantes (Tabla 4.9) el cual se
considera el mejor modelo (Hilbe, 2011).
Tabla 4.9: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Llanganuco.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev + P_A + Orient +
11 72.74 96.74
saturado Rugo + NDVI_H + Geol + Geom + CV
C_Perf + Pend + Elev + P_A + Orient + Rugo +
10 72.74 94.74
NDVI_H + Geol + Geom + CV
Pend + Elev + P_A + Orient + Rugo + NDVI_H +
9 72.82 92.82
Geol + Geom + CV
Backward- Pend + Elev + P_A + Orient + NDVI_H + Geol +
Stepwise 8 73.20 91.20
Geom + CV
Pend + Elev + P_A + Orient + NDVI_H + Geol +
7 73.88 89.89
Geom
6 Pend + Elev* + P_A + NDVI_H + Geol + Geom 75.81 89.82
Modelo
5 Pend + P_A + NDVI_H + Geol + Geom 78.56 90.56
final
“*” = variables no significantes
Fuente: Elaboración propia.
De las variables cuantitativas, se seleccionó las variables más significativas, la pendiente,
NDVI en época húmeda, geomorfología, geología y precipitación media anual. A partir de
estas variables, se generó el modelo logístico.
Generación del modelo de regresión logística
A partir de la selección de variables para la subcuenca Llanganuco (Tabla 4.9), el modelo
logístico fue generado con el software estadístico R Studio, el cual nos devuelve los
coeficientes que se usaron para el cálculo de la ecuación de regresión logística para la
subcuenca Llanganuco, así como los valores de desviación estándar y su significancia.
De la Tabla 4.10 se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el ráster de susceptibilidad. También se realizó las pruebas de
significancia del modelo, donde se puede inferir que la pendiente es el parámetro más
determinante en la generación del modelo de susceptibilidad a movimientos en masa.
Tabla 4.10: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Llanganuco.
Parámetro Coef Des.Est. Pr(>|z|)
Constante 0.53 2.67 0
Pend 0.2396 0.0457 0^
P_A -0.0103 0.00347 0.003**
NDVI_H -9.49 3.26 0.004**
Geol 0.0738 0.0246 0.003**
Geom 0.1412 0.0429 0.001^
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * =
0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa para la subcuenca Llanganuco con la herramienta
Calculadora ráster (QGIS Development Team, 2021). La ecuación del modelo que resulta es
la siguiente:
p(y)=1/(1+e^ -(0.53+0.2396×Pend-0.0103×P_A-9.49×NDVI_H +0.0738×Geol+
0.1412×Geom))
4.4.1.3 Sub cuenca Ulta
La base de datos de la subcuenca Ulta fue dividida en una muestra de 142 datos de
entrenamiento (90 % de los datos registrados) para la generación del modelo y 16 datos para
su validación (10 % de los datos registrados).
Tratamiento de las variables categóricas
De los 11 parámetros relacionados a movimientos en masa (Tabla 4.3), la geología,
geomorfología y cobertura vegetal (variables categóricas), fueron transformados en
parámetros numéricos a través del calculó de la densidad relativa de movimientos de masa
(Ecuación 4.7).
La Tabla 4.29 presenta las densidades relativas calculadas para las variables categóricas.
Para clases de geología; la clase que representa deposito aluvial tienen la mayor densidad
de deslizamientos de tierra (50.66 %); para las clases de geomorfología, Vertiente o
piedemonte coluvio-deluvial (22.65 %) y de la cobertura vegetal, bosque relicto altoandino
(29.61 %).
Tabla 4.11: Área y densidad relativa por movimientos en masa calculada para los
parámetros geología, geomorfología y cobertura vegetal de la subcuenca Ulta.

Densidad
Variable Código Área (Ha)
relativa (%)

Geología
Depósito glaciar, fluvial D-glf 4550.36 17.50
Batolito Cordillera Blanca B-cb 4259.61 6.89
Depósito glaciar D-gl 3942.44 1.97
Formación Yungay F-yu 2125.12 5.38
Formación Carhuaz F-ch 572.65 3.42
Formación Santa F-sa 428.39 0.25
Formación Chicama F-cc 380.72 7.29
Formación Chimú F-cm 242.52 6.65
Depósito aluvial D-al 72.54 50.66
Laguna Lag 183.25 0.00
Geomorfología
Montaña en roca intrusiva M-ri 5402.97 8.61
Montaña en roca sedimentaria M-rs 2556.26 2.58
Vertiente glacio-fluvial V-gf 2368.88 9.35
Montaña con cobertura glaciar M-cg 2269.65 0.12
Vertiente glacial o de gelifracción V-gg 1771.92 1.98
Abanico de piedemonte A-p 1025.45 17.16
Morrenas Mo 675.20 21.28
Valle glaciar con laguna Vg-l 483.00 16.27
Vertiente o piedemonte coluvio-deluvial Vp-cd 203.00 22.65
Llanura o planicie inundable Lp-i 1.28 0.00
Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 4674.48 13.46
vegetación
Glaciar Gla 3328.67 0.91
Pajonal andino P-a 3324.65 28.91
 Agricultura costera y andina Ac-a 2728.99 17.07
Matorral arbustivo M-a 2026.76 5.67
Bosque relicto altoandino B-ra 461.09 29.61
Plantación Forestal P-f 74.76 4.38
Río R 0.33 0.00
Lagunas, lagos y cochas Lag 137.86 0.00
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca Ulta
fueron rasterizadas a partir de los valores de densidad relativa por cada clase. Seguido a
esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
La selección de variables se realizó mediante la metodología Backward selection, esta
metodología se basa en la eliminación hacia atrás de variables de un modelo saturado
(Fernández Pierna et al., 2009). El modelo final para la subcuenca Ulta es el que finalmente
tiene el AIC (Akaike Information Criterio) más bajo y sus variables son significantes (Tabla
4.12), el cual se considera el mejor modelo.
Tabla 4.12: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Ulta.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev + P_A + Orient
11 106.04 130.04
saturado + Rugo + NDVI_H + Geol + Geom + CV
C_Perf + Pend + Elev + P_A + Orient + Rugo +
10 106.04 128.04
NDVI_H + Geol + Geom + CV
Pend + Elev + P_A + Orient + Rugo + NDVI_H
9 106.06 126.07
+ Geol + Geom + CV
Backward- Pend + Elev + P_A + Orient + NDVI_H + Geol +
Stepwise 8 106.2 124.2
Geom + CV
Pend + Elev + P_A + NDVI_H + Geol + Geom +
7 107.38 123.38
CV
6 Pend + P_A + NDVI_H + Geol + Geom + CV 108.46 122.46
Modelo
5 Pend + NDVI_H + Geol + Geom + CV 108.93 120.93
final
Fuente: Elaboración propia.
De las variables cuantitativas significativas (modelo final), la pendiente, NDVI en época
húmeda, geomorfología, geología y cobertura vegetal se utilizaron para generar el modelo
logístico.
Generación del modelo de regresión logística
A partir de la selección de variables para la subcuenca Ulta (Tabla 4.12), la generación del
modelo de regresión logística se realizó con el software estadístico R Studio, el cual nos
devuelve los coeficientes que se usaron para el cálculo de la ecuación de regresión logística
para la subcuenca Ulta, así como los valores de desviación estándar y su significancia.
De la Tabla 4.13, se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el mapa de susceptibilidad a movimientos en masa. También se
realizó las pruebas de significancia del modelo, donde se puede inferir que la pendiente es el
parámetro más determinante en la generación del modelo de susceptibilidad a movimientos
en masa.
Tabla 4.13: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Ulta.
Parámetro Coef Des.Est. Pr(>|z|)
Constante -11.80 2.060 0
Pend 0.287 0.054 0^
NDVI_H 5.820 1.750 0.003**
Geol 0.083 0.043 0.004**
Geom 0.156 0.048 0.003**
CV 0.074 0.039 0.001***
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * =
0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa para la subcuenca Ulta con la herramienta
Calculadora ráster (QGIS Development Team, 2021).⁠ La ecuación del modelo que resulta es
la siguiente:
p(y)=1/(1+e^ -( -11.80 + 0.287×Pend + 5.82×NDVI_H + 0.083×Geol + 0.156×Geom +
0.074×CV))
4.4.1.4 Sub cuenca Honda
La base de datos de la subcuenca Honda fue dividida en una muestra de 226 datos de
entrenamiento (80 % de los datos registrados) para la generación del modelo y 58 datos para
su validación (20 % de los datos registrados).
Tratamiento de las variables categóricas
De los 11 parámetros susceptibles a movimientos en masa (Tabla 4.3), 9 parámetros son
cuantitativos ráster y tres parámetros nominales (geología, geomorfología y cobertura
vegetal), estos últimos fueron transformados en parámetros numéricos a través del calculó
de la densidad relativa de movimientos de masa (Ecuación 4.7).
La Tabla 4.14 presenta las densidades relativas calculadas para las variables categóricas.
Para clases de geología; la clase que representa deposito glaciar, fluvial tienen la mayor
densidad de deslizamientos de tierra (32.59 %); para las clases de geomorfología, valle
glaciar (17.60 %) y de la cobertura vegetal, pajonal andino (22.74 %).
Tabla 4.14: Área y densidad relativa por movimientos en masa calculada para los
parámetros geología, geomorfología y cobertura vegetal de la subcuenca Honda.
Densidad
Variable Código Área (Ha)
relativa (%)
Geología
Depósito glaciar D-gl 8190.72 3.33
Batolito Cordillera Blanca B-cb 7351.74 20.67
Depósito glaciar, fluvial D-glf 6399.11 32.59
Formación Chicama F-cc 2882.37 13.27
Formación Carhuaz F-ch 1120.29 3.55
Depósito aluvial D-al 333.09 11.93
Formación Chimú F-cm 280.24 0.09
Formación Yungay F-yu 258.35 14.54
Laguna Lag 153.41 0.00
Formación Santa F-sa 144.19 0.04
Formación Pariahuanca, Chúlec,
F-pcp 0.39 0.00
Pariatambo
Geomorfología
Montaña con cobertura glaciar M-cg 5765.00 0.47
Montaña en roca intrusiva M-ri 4565.64 6.77
Vertiente glacial o de gelifracción V-gg 4100.86 3.15
Vertiente glacio-fluvial V-gf 3555.09 8.07
Montaña en roca volcánica M-rv 3179.48 10.32
Montaña estructural en roca
Me-rs 2202.51 8.82
sedimentaria
Valle glaciar con laguna Vg-l 1277.85 17.60
Montaña en roca sedimentaria M-rs 1131.97 1.08
Abanico de piedemonte A-p 777.95 13.06
Morrenas Mo 523.62 16.92
Vertiente o piedemonte coluvio-
Vp-cd 30.90 13.74
deluvial
Llanura o planicie inundable Lp-i 2.98 0.00
Terraza aluvial T-a 0.03 0.00
 Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 7864.62 7.16
vegetación
Glaciar Gla 6298.06 0.42
Pajonal andino P-a 5484.24 22.74
Agricultura costera y andina Ac-a 4303.30 7.91
Matorral arbustivo M-a 1777.20 18.88
Bosque relicto altoandino B-ra 679.91 10.66
Plantación Forestal P-f 298.42 17.52
Bofedal Bof 277.15 14.71
Lagunas, lagos y cochas Lag 130.84 0.00
Río R 0.154387 0
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca
Honda fueron rasterizadas a partir de los valores de densidad relativa por cada clase. Seguido
a esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
La selección de variables se realizó mediante la metodología Backward selection, esta
metodología se basa en la eliminación de variables hacia atrás de un modelo saturado
(Fernández Pierna et al., 2009). El modelo óptimo para la subcuenca Honda es el que
finalmente tiene el AIC (Akaike Information Criterio) más bajo y sus variables son significantes
(Tabla 4.15) con un α ≤ 0.1, el cual se considera el mejor modelo.
Tabla 4.15: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Honda.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev + P_A + Orient +
11 245.59 269.60
saturado Rugo + NDVI_H + Geol + Geom + CV
C_Perf + C_Tang + Pend + Elev + Orient + Rugo
10 245.68 267.68
+ NDVI_H + Geol + Geom + CV
C_Perf + C_Tang + Pend + Elev + Orient + Rugo
9 245.74 265.74
+ NDVI_H + Geol + Geom
Backward- C_Perf + C_Tang + Pend + Elev + Orient + Rugo
8 245.88 263.88
Stepwise + Geol + Geom
C_Perf + C_Tang + Pend + Elev + Rugo + Geol +
7 247.49 263.49
Geom
6 C_Tang + Pend + Elev + Rugo + Geol + Geom 249.17 263.17
5 Pend + Elev + Rugo* + Geol + Geom 249.74 261.73
Modelo
4 Pend + Elev + Geol + Geom 251.79 261.79
final
“*” = variables no significantes
Fuente: Elaboración propia.
De las variables cuantitativas, se seleccionó las variables más significativas, la pendiente,
elevación, geología y geomorfología. A partir de estas variables, se generó el modelo
logístico.
Generación del modelo de regresión logística
A partir de la selección de variables para la subcuenca Honda (Tabla 4.15), la generación del
modelo de regresión logística se realizó con el software estadístico R Studio, el cual nos
devuelve los coeficientes que se usaron para el cálculo de la ecuación de regresión logística
para la subcuenca Honda, así como los valores de desviación estándar y su significancia.
De la Tabla 4.16, se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el ráster de susceptibilidad. También se realizó las pruebas de
significancia del modelo, donde se puede inferir que la pendiente es el parámetro más
determinante en la generación del modelo de susceptibilidad a movimientos en masa.
Tabla 4.16: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Honda.
Parámetro Coef Des.Est. Pr(>|z|)
Constante -0.467 1.316 0.722
Pend 0.076 0.018 0***
Elev -0.001 0.000 0.016*
Geol 0.034 0.017 0.046*
Geom 0.110 0.038 0.004**
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * = 0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa para la subcuenca Honda con la herramienta
Calculadora ráster (QGIS Development Team, 2021).⁠ La ecuación del modelo que resulta es
la siguiente:
p(y)=1/(1+e^ -( -0.467 + 0.076×Pend - 0.001×Elev+ 0.034×Geol + 0.110×Geom))
4.4.1.5 Sub cuenca Llaca
La base de datos de la subcuenca Llaca fue dividida en una muestra de 60 datos de
entrenamiento (90 % de los datos registrados) para la generación del modelo y 8 datos para
su validación (10 % de los datos registrados).
Tratamiento de las variables categóricas
Para la subcuenca Llaca, de los 11 parámetros susceptibles a movimientos en masa (Tabla
4.3), 9 parámetros son cuantitativos ráster y tres parámetros nominales (geología,
geomorfología y cobertura vegetal), estos últimos fueron transformados en parámetros
numéricos a través del calculó de la densidad relativa de movimientos de masa (Ecuación
4.7).
La Tabla 4.17 presenta las densidades relativas calculadas para las variables categóricas.
Para clases de geología; la clase que representa deposito glaciar, fluvial tienen la mayor
densidad de deslizamientos de tierra (74.17 %); para las clases de geomorfología, valle
glaciar (60.55 %) y de la cobertura vegetal, bosque relicto altoandino (50.5 %).
Tabla 4.17: Área y densidad relativa por movimientos en masa calculada para los
parámetros geología, geomorfología y cobertura vegetal de la subcuenca Llaca.
Densidad
Variable Código Área (Ha)
relativa (%)
Geología
Depósito glaciar, fluvial D-glf 2613.58 74.17
Depósito glaciar D-gl 1046.61 0.20
Batolito Cordillera Blanca B-cb 760.71 25.63
Formación Chicama F-cc 126.22 0.00
Laguna Lag 7.78 0.00
Depósito aluvial D-al 7.07 0.00
Geomorfología
Vertiente glacio-fluvial V-gf 1703.74 11.17
Vertiente glacial o de gelifracción V-gg 930.72 1.08
Montaña en roca intrusiva M-ri 902.90 19.48
Montaña con cobertura glaciar M-cg 555.28 0.00
Valle glaciar con laguna Vg-l 265.12 60.55
Montaña en roca sedimentaria M-rs 177.11 7.72
Terraza aluvial T-a 22.32 0.00
Montaña en roca volcánica M-rv 4.79 0.00
Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 1387.51
vegetación 9.24
Agricultura costera y andina Ac-a 1280.73 11.50
Pajonal andino P-a 927.36 28.73
Glaciar Gla 809.15 0.04
Bosque relicto altoandino B-ra 141.53 50.50
Plantación Forestal P-f 10.27 0.00
Lagunas, lagos y cochas Lag 5.42 0.00
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca
Llaca fueron rasterizadas a partir de los valores de densidad relativa por cada clase. Seguido
a esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
La selección de variables se realizó mediante la metodología Backward selection, esta
metodología se basa en la eliminación de variables hacia atrás de un modelo saturado
(Fernández Pierna et al., 2009). El modelo óptimo para la subcuenca Llaca es el que
finalmente tiene el AIC (Akaike Information Criterio) más bajo y sus variables son significantes
(Tabla 4.18) con un α ≤ 0.1, el cual se considera el mejor modelo.
Tabla 4.18: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Llaca.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev + P_A + Orient
11 17.542 41.540
saturado + Rugo + NDVI_H + Geol + Geom + CV
C_Perf + C_Tang + Pend + Elev + P_A + Orient
10 17.549 39.549
+ NDVI_H + Geol + Geom + CV
C_Perf + Pend + Elev + P_A + Orient +
9 17.643 37.640
NDVI_H + Geol + Geom + CV
Backward- C_Perf + Pend + Elev + Orient + NDVI_H +
Stepwise 8 17.929 35.929
Geol + Geom + CV
C_Perf + Pend + Elev + Orient + NDVI_H +
7 18.151 34.151
Geol + Geom
C_Perf* + Pend + Elev* + Orient* + NDVI_H +
6 18.439 32.439
Geol*
Modelo final 2 Pend + NDVI_H 30.90 36.90
“*” = variables no significantes
Fuente: Elaboración propia.
De las variables cuantitativas, se seleccionó las variables más significativas, la pendiente,
elevación, geología y geomorfología. A partir de estas variables, se generó el modelo
logístico.
Generación del modelo de regresión logística
A partir de la selección de variables para la subcuenca Llaca (Tabla 4.18), la generación del
modelo de regresión logística se realizó con el software estadístico R Studio, el cual nos
devuelve los coeficientes que se usaron para el cálculo de la ecuación de regresión logística
para la subcuenca Llaca, así como los valores de desviación estándar y su significancia.
De la Tabla 4.19, se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el ráster de susceptibilidad. También se realizó las pruebas de
significancia del modelo, donde se puede inferir que la pendiente es el parámetro más
determinante en la generación del modelo de susceptibilidad a movimientos en masa.
Tabla 4.19: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Llaca.
Parámetro Coef Des.Est. Pr(>|z|)

Constante -10.254 3.1374 0.002**

Pend 0.358 0.1041 0.001***
NDVI_H 8.947 3.7626 0.017*
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * =
0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa para la subcuenca Llaca con la herramienta
Calculadora ráster (QGIS Development Team, 2021).⁠ La ecuación del modelo que resulta es
la siguiente:
p(y)=1/(1+e^ -( -10.254 + 0.358×Pend + 8.947×NDVI_H))
4.4.1.6 Sub cuenca Cojup
La base de datos de la subcuenca Cojup fue dividida en una muestra de 114 datos de
entrenamiento (90 % de los datos registrados) para la generación del modelo y 15 datos para
su validación (10 % de los datos registrados).
Tratamiento de las variables categóricas
Para la subcuenca Cojup, de los 11 parámetros susceptibles a movimientos en masa (Tabla
4.3), 9 parámetros son cuantitativos ráster y tres parámetros nominales (geología,
geomorfología y cobertura vegetal), estos últimos fueron transformados en parámetros
numéricos a través del calculó de la densidad relativa de movimientos de masa (Ecuación
4.7).
La Tabla 4.20 presenta las densidades relativas calculadas para las variables categóricas.
Para clases de geología; la clase que representa deposito aluvial tienen la mayor densidad
de deslizamientos de tierra (44.49 %); para las clases de geomorfología, vertiente coluvial de
detritos (20.85 %) y de la cobertura vegetal, bosque relicto altoandino (43.56 %).
Tabla 4.20: Área y densidad relativa por movimientos en masa calculada para los
parámetros geología, geomorfología y cobertura vegetal de la subcuenca Cojup.

Densidad
Variable Código Área (Ha)
relativa (%)

Geología
Depósito glaciar D-gl 2983.803 3.77
Batolito Cordillera Blanca B-cb 2356.618 18.26
Depósito glaciar, fluvial D-glf 1017.659 33.48
Depósito aluvial D-al 844.4865 44.49
Laguna Lag 10.46476 0.00
Geomorfología
Vertiente glacial o de gelifracción V-gg 1938.30 2.30
Montaña con cobertura glaciar M-cg 1328.61 1.55
Montaña en roca intrusiva M-ri 1149.54 6.65
Vertiente glacio-fluvial V-gf 767.46 5.85
Terraza aluvial T-a 695.86 9.58
Montaña en roca sedimentaria M-rs 447.33 8.72
Vertiente o piedemonte coluvio-
Vp-cd 247.86 7.21
deluvial
Montaña estructural en roca
Me-ri 236.17 1.35
intrusiva
Vertiente coluvial de detritos V-cd 129.18 20.85
Valle glaciar con laguna Vg-l 122.49 19.26
Llanura o planicie inundable Lp-i 115.31 0.00
Abanico de piedemonte A-p 34.91 16.69
Cobertura vegetal
Área altoandina con escasa y sin
Aa-v/sv 2806.73 14.06
vegetación
Glaciar Gla 1672.03 0.64
Pajonal andino P-a 1504.55 34.38
Agricultura costera y andina Ac-a 978.06 7.35
 Bosque relicto altoandino B-ra 219.53 43.56
Lagunas, lagos y cochas Lag 32.13 0.00
Fuente: Elaboración propia.
Las capas de geología, geomorfología y cobertura vegetal pertenecientes a la subcuenca
Cojup fueron rasterizadas a partir de los valores de densidad relativa por cada clase. Seguido
a esto, se procedió a seleccionar las principales variables.
Selección de las principales variables
La selección de variables se realizó mediante la metodología Backward selection, esta
metodología se basa en la eliminación de variables hacia atrás de un modelo saturado
(Fernández Pierna et al., 2009). El modelo óptimo para la subcuenca Cojup es el que
finalmente tiene el AIC (Akaike Information Criterio) más bajo y sus variables son significantes
(Tabla 4.21), el cual se considera el mejor modelo.
Tabla 4.21: Número de variables (No.), residuales de desviación (RD) y Akaike Information
Criterio (AIC) por modelo de susceptibilidad para la subcuenca Cojup.
Modelo No. Parámetros del modelo RD AIC
Modelo C_Perf + C_Tang + Pend + Elev + P_A + Orient +
11 39.495 63.495
saturado Rugo + NDVI_H + Geol + Geom + CV
C_Perf + C_Tang + Pend + Elev + P_A + Orient +
10 39.568 61.568
NDVI_H + Geol + Geom + CV
C_Perf + Pend + Elev + P_A + Orient + NDVI_H +
9 39.667 59.667
Backward- Geol + Geom + CV
Stepwise C_Perf + Pend + Elev + P_A + Orient + NDVI_H +
8 39.828 57.828
Geom + CV
7 C_Perf + Pend + Elev + P_A + Orient + Geom + CV 40.003 56.003
6 C_Perf + Pend + Elev + P_A + Geom + CV 40.907 54.907
Modelo
5 Pend + Elev + P_A + Geom + CV 41.746 53.746
final
“*” = variables no significantes
Fuente: Elaboración propia.
De las variables cuantitativas, se seleccionó las variables más significativas, la pendiente,
elevación, geología, geomorfología y precipitación. A partir de estas variables, se generó el
modelo logístico.
Generación del modelo de regresión logística
A partir de la selección de variables para la subcuenca Cojup (Tabla 4.21), la generación del
modelo de regresión logística se realizó con el software estadístico R Studio, el cual nos
devuelve los coeficientes que se usaron para el cálculo de la ecuación de regresión logística
para la subcuenca Cojup, así como los valores de desviación estándar y su significancia.
De la Tabla 4.22, se observa los coeficientes que se introdujeron en la Calculadora ráster del
software QGIS para generar el ráster de susceptibilidad. También se realizó las pruebas de
significancia del modelo, donde se puede inferir que la pendiente es el parámetro más
determinante en la generación del modelo de susceptibilidad a movimientos en masa.
Tabla 4.22: Resumen de los valores de los pesos del modelo de regresión logística para la
subcuenca Cojup.
Parámetro Coef Des.Est. Pr(>|z|)
Constante -8.97 6.545 0.001***
Pend 0.476 0.112 0^
Elev -0.010 0.004 0.004**
P_A 0.053 0.021 0.011*
Geom 0.178 0.095 0.062
CV 0.140 0.059 0.017*
Códigos de significancia: ^ = <0.001; *** = 0.001; ** = 0.01; * = 0.05.
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad
Con los coeficientes de los parámetros mediante la RL, se procedió a modelar la
susceptibilidad a movimientos en masa para la subcuenca Cojup con la herramienta
Calculadora ráster (QGIS Development Team, 2021).⁠ La ecuación del modelo que resulta es
la siguiente:
p(y)=1/(1+e^ -( -8.97 + 0.476×Pend - 0.010×Elev + 0.053×P_A + 0.178×Geom +
0.1405×CV))
A partir de los modelos logísticos calculados para cada subcuenca de estudio, se generó el
ráster de susceptibilidad mediante el método de RL, la capa de susceptibilidad se dividió en
cuatro clases (CENEPRED, 2015) reclasificada mediante cuantiles (Baeza et al., 2016). El
mapa de susceptibilidad a movimientos en masa se adjunta en el Mapa 02.
 4.4.2 Proceso de análisis jerárquico (AHP)
Para la generación del proceso de análisis jerárquico para cada subcuenca de estudio, la
susceptibilidad es expresada de la siguiente manera:
n

S = ∑ EI x CIJ
1

Donde S mide la susceptibilidad de los movimientos en masa, EI es el peso del parámetro i y

CIJ es el peso de la clase j que forma parte del parámetro i.

Se realizó el AHP mediante la metodología planteada por (Saaty, 2008)⁠. Para la elección de
las parámetros identificadas para cada subcuenca, de acuerdo a Saaty (2008) estas variables
son elegidas según el criterio del evaluador y las visitas en campo durante los meses de
octubre y noviembre del 2020. Se construyó las matrices de comparación por pares, pesos
de clases y la relación de consistencia (RC) de cada parámetro susceptible a movimientos en
masa para cada valle de estudio. Una vez identificado la ecuación de la susceptibilidad, se le
usará para generar el mapa de susceptibilidad para cada una de las subcuencas, los cuales
serán validados mediante las curvas ROC en cuanto a su precisión y exactitud (Ver capítulo
5.2). En la Figura 4.20 se presenta el diagrama de flujo de la metodología para el cálculo del
Proceso de Análisis Jerárquico para cada subcuenca de estudio.

Figura 4.20: Metodología para el cálculo del Proceso de Análisis Jerárquico

4.4.2.1 Sub cuenca Parón
Para la subcuenca Parón, se identificó cuatro parámetros relacionados a movimientos en
masa: pendiente; NDVI; geomorfología; y precipitación media anual. Mediante las matrices
de comparaciones pareadas, se obtuvo los pesos de las clases de pendiente (Tabla 4.23),
geomorfología (Tabla 4.25), NDVI (Tabla 4.24), precipitación media anual (Tabla 4.26) y de
los parámetros susceptibles a movimientos en masa.
Parámetro: Pendiente
Para la subcuenca Parón, se observa que las zonas con mayor probabilidad de ocurrencia
del peligro son las zonas con pendientes muy alta y alta. A partir de la metodología descrita
por Saaty (2008), en la Tabla 4.23 se observa las comparaciones por pares de la pendiente,
también se presenta la relación consistencia y pesos relativos que corresponden a cada clase
ordenados de mayor a menor en función a su importancia.
Tabla 4.23: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Parón.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 3 5 6 8 0.490
40-55° 1 3 5 6 0.259
25-40° 1 3 5 0.066 0.140
10-25° 1 3 0.073
0-10° 1 0.038
Fuente: Elaboración propia.
Parámetro: NDVI
En la subcuenca Parón, las zonas con poca escasa vegetación (0.01-0.1), son las áreas con
mayor probabilidad de ocurrencia de movimientos en masa. A partir de la metodología
descrita por Saaty (2008), en la Tabla 4.24, se observa las comparaciones por pares para el
parámetro NDVI, también se presenta la consistencia y pesos relativos que corresponden a
cada clase.
Tabla 4.24: Tabla de comparación por pares, razón de consistencia y pesos de las clases
del NDVI para la subcuenca Parón.
NDVI 0.01-0.1 0.1-0.2 0.2-0.4 > 0.4 =<0.01 RC Pesos
0.01-0.1 1 3 3 5 6 0.458
0.1-0.2 1 2 2 5 0.218
0.2-0.4 1 2 5 0.047 0.169
> 0.4 1 4 0.111
=<0.01 1 0.044
Fuente: Elaboración propia.
Parámetro: Geomorfología
En la subcuenca Parón, según INGEMMET se identifican 10 unidades geomorfológicas. Las
unidades geomorfológicas más susceptibles a movimientos en masa las morrenas y valle
glaciar. A partir de la metodología descrita por Saaty (2008), en la Tabla 4.25, se observa las
comparaciones por pares, la consistencia y los pesos para el parámetro geomorfología que
corresponden a cada clase.
Tabla 4.25: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geomorfología para la subcuenca Parón.
Geom Mo Vg A-p V-cd V-gf M-ri V-gg M-rs M-cgl Me-ri RC Pesos
Mo 1 2 2 2 3 3 4 4 6 6 0.231
Vg 1 2 2 2 3 3 4 4 6 0.181
A-p 1 2 2 2 3 3 4 4 0.142
V-cd 1 2 2 2 3 3 4 0.116
V-gf 1 2 2 2 3 3 0.090
0.021
M-ri 1 2 2 2 3 0.073
V-gg 1 2 2 2 0.057
M-rs 1 2 2 0.046
M-cgl 1 2 0.036
Me-ri 1 0.028
Fuente: Elaboración propia.
Parámetro: Precipitación anual
En la subcuenca Parón, los eventos de movimientos en masa se producen en su mayoría en
la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A partir de la
metodología descrita por Saaty (2008), en la Tabla 4.26, se observa las comparaciones por
pares para el parámetro precipitación media anual, también se presenta la consistencia y
pesos relativos que corresponden a cada clase.
Tabla 4.26: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Precipitación anual para la subcuenca Parón.
P_A >=969 812-969 655-812 498-655 <=498 RC Pesos
>=969 1 3 4 7 9 0.489
812-969 1 3 5 7 0.267
655-812 1 3 5 0.050 0.142
498-655 1 3 0.068
<=498 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.27 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro ordenados de mayor a menos en función a su importancia.
Tabla 4.27: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Parón
Parámetros Pend Geom NDVI P_A RC Pesos
Pend 1 3 5 9 0.568
Geom 1 2 7 0.245
0.047
NDVI 1 5 0.145
P_A 1 0.042
Fuente: Elaboración propia.
Cálculo del ráster de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Parón. La ecuación se presenta a continuación
S = 0.568 × Pend + 0.245 × Geom + 0.145 × NDVI + 0.042 × P_A
4.4.2.2 Sub cuenca Llanganuco
Parámetro: Pendiente
Para la subcuenca Llanganuco, las zonas con mayor probabilidad a la ocurrencia de
fenómenos de movimientos en masa son las zonas con pendientes muy alta y alta. A partir
de la metodología descrita por Saaty (2008), en la Tabla 4.28 se observa las comparaciones
por pares de la pendiente, también se presenta la razón de consistencia (RC) y pesos
relativos que corresponden a cada.
Tabla 4.28: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Llanganuco.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 3 5 6 8 0.490
40-55° 1 3 5 6 0.259
25-40° 1 3 5 0.066 0.140
10-25° 1 3 0.073
0-10° 1 0.038
Fuente: Elaboración propia.
Parámetro: Geología
Para la subcuenca Llanganuco, según INGEMMET se identifican 7 unidades geológicas. A
partir de la metodología descrita por Saaty (2008), de la Tabla 4.29, se observa las
comparaciones por pares, donde se observa que las unidades geológicas más susceptibles
a movimientos en masa son los depósitos glaciar-fluvial, también se presenta la consistencia
y pesos relativos que corresponden a cada clase ordenados de mayor a menos en función a
su importancia.
Tabla 4.29: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geología para la subcuenca Llanganuco.
Geol D-glf F-cm B-cb D-gl F-cc F-yu D-al RC Pesos
D-glf 1 2 6 6 7 9 9 0.397
F-cm 1 4 6 7 7 9 0.293
B-cb 1 2 3 4 5 0.112
D-gl 1 2 3 6 0.047 0.086
F-cc 1 2 3 0.053
F-yu 1 2 0.035
D-al 1 0.024
Fuente: Elaboración propia.
Parámetro: Geomorfología
Según INGEMMET en la subcuenca Llanganuco se identifican 12 clases de geomorfología. Las unidades geomorfológicas más susceptibles a
movimientos en masa las morrenas y abanico de piedemonte. A partir de la metodología descrita por Saaty (2008), en la Tabla 4.30, se observa
las comparaciones por pares, la consistencia y los pesos para el parámetro geomorfología que corresponden a cada clase ordenados de mayor
a menor en función a su importancia.
Tabla 4.30: Tabla de comparación por pares, razón de consistencia y pesos de las clases de la Geomorfología para la subcuenca Llanganuco.
Geom Mo A-p Vg-l V-cd Vp-cd V-gf M-rs M-ri V-gg M-cg Me-ri Lp-i RC Pesos
Mo 1 2 3 3 4 4 5 5 7 7 7 9 0.233
A-p 1 2 3 3 4 4 5 5 7 7 7 0.180
Vg-l 1 2 3 3 4 4 5 5 7 7 0.140
V-cd 1 2 3 3 4 4 5 5 7 0.110
Vp-cd 1 2 3 3 4 4 5 5 0.085
V-gf 1 2 3 3 4 4 5 0.068
0.051
M-rs 1 2 3 3 4 4 0.053
M-ri 1 2 3 3 4 0.042
V-gg 1 2 3 3 0.032
M-cg 1 2 3 0.025
Me-ri 1 2 0.019
Lp-i 1 0.015
Fuente: Elaboración propia.
Parámetro: NDVI
En la subcuenca Llanganuco, las zonas con poca escasa vegetación (0.01-0.1), son las áreas
con mayor probabilidad de ocurrencia de movimientos en masa. A partir de la metodología
descrita por Saaty (2008), en la Tabla 4.31 se observa las comparaciones por pares para el
parámetro NDVI, también se presenta la consistencia y pesos relativos que corresponden a
cada clase.
Tabla 4.31: Tabla de comparación por pares, razón de consistencia y pesos de las clases
del NDVI para la subcuenca Llanganuco.
NDVI 0.01-0.1 0.1-0.2 0.2-0.4 > 0.4 =<0.01 RC Pesos
0.01-0.1 1 3 3 5 6 0.458
0.1-0.2 1 2 2 5 0.218
0.2-0.4 1 2 5 0.047 0.169
> 0.4 1 4 0.111
=<0.01 1 0.044
Fuente: Elaboración propia.
Parámetro: Precipitación anual
Para la subcuenca Llanganuco, los eventos de movimientos en masa se producen en su
mayoría en la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A
partir de la metodología descrita por Saaty (2008), en la Tabla 4.32 se observa las
comparaciones por pares para el parámetro precipitación media anual, también se presenta
la consistencia y pesos relativos que corresponden a cada clase ordenados de mayor a
menos en función a su importancia.
Tabla 4.32: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de Precipitación anual para la subcuenca Llanganuco.
852.6- 699.4- 546.2-
P_A >=1005.6 <=546.2 RC Pesos
1005.6 852.6 699.4
>=1005.6 1 3 4 7 9 0.489
852.6-1005.6 1 3 5 7 0.267
699.4-852.6 1 3 5 0.050 0.142
546.2-699.4 1 3 0.068
<=546.2 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.33 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro ordenados de mayor a menos en función a su importancia.
Tabla 4.33: Tabla de comparación por pares, razón de consistencia y pesos los parámetros
susceptibles para la subcuenca Llanganuco.
Parámetros Pend Geom Geol NDVI P_A RC Pesos
Pend 1 3 5 5 9 0.511
Geom 1 3 3 5 0.241
Geol 1 1 3 0.020 0.103
NDVI 1 3 0.103
P_A 1 0.043

Fuente: Elaboración propia.

Cálculo del mapa de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Llanganuco. La ecuación se presenta a continuación:
S = 0.511 × Pend + 0.241 × Geom + 0.103 × Geol + 0.103 × NDVI + 0.043 × P_A
4.4.2.3 Sub cuenca Ulta
Parámetro: Pendiente
Para la subcuenca Ulta, las zonas con mayor susceptibilidad a la ocurrencia de fenómenos
de movimientos en masa son las zonas con pendientes muy alta y alta. A partir de la
metodología descrita por Saaty (2008), en la (Tabla 4.34) se observa las comparaciones por
pares de la pendiente, también se presenta la razón consistencia y pesos relativos que
corresponden a cada clase ordenados de mayor a menor en función a su importancia.
Tabla 4.34: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Ulta.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 2 5 7 9 0.487
40-55° 1 2 5 7 0.272
25-40° 1 2 5 0.019 0.137
10-25° 1 2 0.066
0-10° 1 0.038
Fuente: Elaboración propia.
Parámetro: Geología
Para la subcuenca Ulta, según INGEMMET se identifican 9 unidades geológicas. A partir de
la metodología descrita por Saaty (2008), de la Tabla 4.35, se observa las comparaciones por
pares , donde se observa que las unidades geológicas más susceptibles a movimientos en
masa son los depósitos aluviales y depósitos glaciar - fluvial, también se presenta la
consistencia y pesos relativos que corresponden a cada clase ordenados de mayor a menos
en función a su importancia.
Tabla 4.35: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geología para la subcuenca Ulta.
Geol D-al D-glf F-cc B-cb F-cm F-yu F-ch D-gl F-sa RC Pesos
D-al 1 3 4 4 6 6 7 9 9 0.319
D-glf 1 3 4 4 6 6 7 9 0.216
F-cc 1 3 4 4 6 6 7 0.150
B-cb 1 3 4 4 6 6 0.108
F-cm 1 3 4 4 6 0.094 0.076
F-yu 1 3 4 4 0.053
F-ch 1 3 4 0.038
D-gl 1 3 0.025
F-sa 1 0.016
Fuente: Elaboración propia.
Parámetro: Geomorfología
Según INGEMMET se identifican 10 unidades geomorfológicas que pertenecen a la subcuenca Ulta. Las unidades más susceptibles a
movimientos en masa son las morrenas y abanico de piedemonte. A partir de la metodología descrita por Saaty (2008), en la Tabla 4.36, se
observa las comparaciones por pares , la consistencia y los pesos para el parámetro geomorfología que corresponden a cada clase ordenados
de mayor a menor en función a su importancia.
Tabla 4.36: Tabla de comparación por pares, razón de consistencia y pesos de las clases de la Geomorfología para la subcuenca Ulta.
Geom Vp-cd Mo A-p Vg-l V-gf M-ri M-rs V-gg M-cg Lp-i RC Pesos
Vp-cd 1 2 3 3 4 4 5 5 7 7 0.259
Mo 1 2 3 3 4 4 5 5 7 0.195
A-p 1 2 3 3 4 4 5 5 0.145
Vg-l 1 2 3 3 4 4 5 0.113
V-gf 1 2 3 3 4 4 0.085
0.046
M-ri 1 2 3 3 4 0.066
M-rs 1 2 3 3 0.049
V-gg 1 2 3 0.038
M-cg 1 2 0.027
Lp-i 1 0.021
Fuente: Elaboración propia.
Parámetro: NDVI
En la subcuenca Ulta, las zonas con poca escasa vegetación (0.01-0.1), son las áreas con
mayor probabilidad de ocurrencia de movimientos en masa. A partir de la metodología
descrita por Saaty (2008), en la Tabla 4.37 se observa las comparaciones por pares para el
parámetro NDVI, también se presenta la consistencia y pesos relativos que corresponden a
cada clase.
Tabla 4.37: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de NDVI para la subcuenca Ulta.
NDVI 0.01-0.1 0.1-0.2 0.2-0.4 > 0.4 =<0.01 RC Pesos
0.01-0.1 1 3 3 5 6 0.458
0.1-0.2 1 2 2 5 0.218
0.2-0.4 1 2 5 0.047 0.169
> 0.4 1 4 0.111
=<0.01 1 0.044
Fuente: Elaboración propia.
Parámetro: Precipitación anual
Para la subcuenca Ulta, los eventos de movimientos en masa se producen en su mayoría en
la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A partir de la
metodología descrita por Saaty (2008), en la Tabla 4.38 se observa las comparaciones por
pares para el parámetro precipitación media anual, ordenados de mayor a menor en función
a su importancia se presenta la consistencia y pesos relativos que corresponden a cada clase.
Tabla 4.38: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Precipitación anual para la subcuenca Ulta.
P_A >=1040 893-1040 746-893 599-746 <=599 RC Pesos
>=1040 1 3 4 7 9 0.489
893-1040 1 3 5 7 0.267
746-893 1 3 5 0.050 0.142
599-746 1 3 0.068
<=599 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.39 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro fueron ordenados de mayor a menos en función a su importancia.
 Tabla 4.39: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Ulta.

Parámetros Pend Geom Geol NDVI P_A RC Pesos

Pend 1 4 5 7 9 0.535
Geom 1 2 5 7 0.232
Geol 1 2 5 0.040 0.131
NDVI 1 2 0.065
P_A 1 0.037

Fuente: Elaboración propia.

Cálculo del mapa de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Ulta. La ecuación se presenta a continuación:
S = 0.535 × Pend + 0.232 × Geom + 0.131 × Geol + 0.065 × NDVI + 0.037 × P_A
4.4.2.4 Sub cuenca Honda
Parámetro: Pendiente
Para la subcuenca Honda, las zonas con mayor susceptibilidad a la ocurrencia de fenómenos
de movimientos en masa son las zonas con pendientes muy alta y alta. A partir de la
metodología descrita por Saaty (2008), en la Tabla 4.40 se observa las comparaciones por
pares de la pendiente, también se presenta la razón consistencia y pesos relativos que
corresponden a cada clase ordenados de mayor a menor en función a su importancia.
Tabla 4.40: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Honda.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 2 3 5 7 0.437
40-55° 1 3 3 5 0.282
25-40° 1 2 3 0.016 0.142
10-25° 1 2 0.088
0-10° 1 0.052
Fuente: Elaboración propia.
Parámetro: NDVI
En la subcuenca Honda, las zonas con poca escasa vegetación (0.01-0.1), son las áreas con
mayor probabilidad de ocurrencia de movimientos en masa. A partir de la metodología
descrita por Saaty (2008), en la Tabla 4.41 se observa las comparaciones por pares para el
parámetro NDVI, también se presenta la consistencia y pesos relativos que corresponden a
cada clase ordenados de mayor a menos en función a su importancia.
Tabla 4.41: Tabla de comparación por pares, razón de consistencia y pesos de las clases
del NDVI para la subcuenca Honda.
NDVI 0.01-0.1 0.1-0.2 0.2-0.4 > 0.4 =<0.01 RC Pesos
0.01-0.1 1 3 3 5 6 0.458
0.1-0.2 1 2 2 5 0.218
0.2-0.4 1 2 5 0.047 0.169
> 0.4 1 4 0.111
=<0.01 1 0.044
Fuente: Elaboración propia.
Parámetro: Geología
Para la subcuenca Honda, según INGEMMET se identifican 10 unidades geológicas. A partir de la metodología descrita por Saaty (2008), de la
Tabla 4.42, se observa las comparaciones por pares , donde se observa que las unidades geológicas más susceptibles a movimientos en masa
son los depósitos glaciar - fluvial, también se presenta la consistencia y pesos relativos que corresponden a cada clase ordenados de mayor a
menos en función a su importancia.
Tabla 4.42: Tabla de comparación por pares, razón de consistencia y pesos de las clases de la Geología para la subcuenca Honda.
Geol D-glf B-cb F-yu F-cc D-al F-ch D-gl F-cm F-sa F-pcp RC Pesos
D-glf 1 2 3 3 4 6 7 8 8 9 0.277
B-cb 1 2 3 3 4 6 7 8 8 0.204
F-yu 1 2 3 3 4 6 7 8 0.150
F-cc 1 2 3 3 4 6 7 0.110
D-al 1 4 4 4 4 6 0.095
0.042
F-ch 1 2 3 3 4 0.054
D-gl 1 2 3 3 0.040
F-cm 1 2 3 0.030
F-sa 1 2 0.022
F-pcp 1 0.017
Fuente: Elaboración propia.
Parámetro: Geomorfología
En la subcuenca Honda, según INGEMMET se identifican 13 clases geomorfológicas. La unidad geomorfológica más susceptibles a movimientos
en masa son las morrenas. A partir de la metodología descrita por Saaty (2008), en la Tabla 4.43, se presenta la matriz de comparaciones
pareadas, la consistencia y los pesos para el parámetro geomorfología que corresponden a cada clase ordenados de mayor a menor en función
a su importancia.
Tabla 4.43: Tabla de comparación por pares, razón de consistencia y pesos de las clases de la Geomorfología para la subcuenca Honda.
Geom Mo Vp-cd A-p M-rv Me-rs Vg-l V-gf M-ri V-gg M-rs M-cg Lp-i T-a RC Pesos
Mo 1 2 2 2 2 2 4 4 6 6 7 9 9 0.200
Vp-cd 1 2 2 2 2 2 4 4 6 6 7 9 0.161
A-p 1 2 2 2 2 2 4 4 6 6 7 0.129
M-rv 1 2 2 2 2 2 4 4 6 6 0.106
Me-rs 1 2 2 2 2 2 4 4 6 0.088
Vg-l 1 2 2 2 2 2 4 4 0.073
V-gf 1 2 2 2 2 2 4 0.022 0.059
M-ri 1 2 2 2 2 2 0.047
V-gg 1 2 2 2 2 0.039
M-rs 1 2 2 2 0.032
M-cg 1 2 2 0.027
Lp-i 1 2 0.021
T-a 1 0.017
Fuente: Elaboración propia.
Parámetro: Precipitación anual
Para la subcuenca Honda, los eventos de movimientos en masa se producen en su mayoría
en la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A partir de
la metodología descrita por Saaty (2008), en la Tabla 4.44 se observa las comparaciones por
pares para el parámetro precipitación media anual, también se presenta la consistencia y
pesos relativos que corresponden a cada clase ordenados de mayor a menos en función a
su importancia.
Tabla 4.44: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Precipitación anual para la subcuenca Honda.
P_A >=1002 886-1002 770-886 654-770 <=654 RC Pesos
>=1002 1 3 4 7 9 0.489
886-1002 1 3 5 7 0.267
770-886 1 3 5 0.050 0.142
654-770 1 3 0.068
<=654 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.45 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro ordenados de mayor a menos en función a su importancia.
Tabla 4.45: Tabla de comparación por pares, razón de consistencia y pesos los parámetros
susceptibles para la subcuenca Honda.

Parámetros Pend Geom Geol NDVI P_A RC Pesos

Pend 1 2 3 7 9 0.462
Geom 1 2 3 7 0.261
Geol 1 3 3 0.026 0.155
NDVI 1 3 0.080
P_A 1 0.041
Fuente: Elaboración propia.
Cálculo del mapa de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Honda La ecuación se presenta a continuación:
S = 0.462 × Pend + 0.261 × Geom + 0.155 × Geol + 0.080 × NDVI + 0.041 × P_A
4.4.2.5 Sub cuenca Llaca
Parámetro: Pendiente
Para la subcuenca Llaca, se observa que las zonas con mayor susceptibilidad a la ocurrencia
de fenómenos de movimientos en masa son las zonas con pendientes muy alta y alta. A partir
de la metodología descrita por Saaty (2008), en la Tabla 4.40 se observa las comparaciones
por pares de la pendiente, también se presenta la razón consistencia y pesos relativos que
corresponden a cada clase ordenados de mayor a menor en función a su importancia.
Tabla 4.46: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Llaca.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 2 3 7 9 0.470
40-55° 1 2 3 7 0.265
25-40° 1 2 3 0.007 0.143
10-25° 1 2 0.078
0-10° 1 0.044
Fuente: Elaboración propia.
Parámetro: Geología
Para la subcuenca Llaca, según INGEMMET se identifican 5 unidades geológicas. A partir de
la metodología descrita por Saaty (2008), de la Tabla 4.47, se presenta la matriz de
comparaciones pareadas, donde se observa que las unidad geológica más susceptibles a
movimientos en masa son los depósitos glaciar - fluvial, también se presenta la consistencia
y pesos relativos que corresponden a cada clase.
Tabla 4.47: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geología para la subcuenca Llaca.
Geol D-glf B-cb D-gl D-al F-cc RC Pesos
D-glf 1 2 2 3 5 0.385
B-cb 1 2 2 3 0.246
D-gl 1 2 2 0.017 0.174
D-al 1 2 0.120
F-cc 1 0.075
Fuente: Elaboración propia.
Parámetro: NDVI
En la subcuenca Llaca, las zonas con poca escasa vegetación (0.01-0.1), son las áreas con
mayor probabilidad de ocurrencia de movimientos en masa. A partir de la metodología
descrita por Saaty (2008), en la Tabla 4.48 se observa las comparaciones por pares para el
parámetro NDVI, también se presenta la consistencia y pesos relativos que corresponden a
cada clase ordenados de mayor a menos en función a su importancia.
 Tabla 4.48: Tabla de comparación por pares, razón de consistencia y pesos de las clases
del NDVI para la subcuenca Llaca.
NDVI 0.01-0.1 0.1-0.2 0.2-0.4 > 0.4 =<0.01 RC Pesos
0.01-0.1 1 3 3 5 6 0.458
0.1-0.2 1 2 2 5 0.218
0.2-0.4 1 2 5 0.047 0.169
> 0.4 1 4 0.111
=<0.01 1 0.044
Fuente: Elaboración propia.
Parámetro: Precipitación anual
Para la subcuenca Llaca, los eventos de movimientos en masa se producen en su mayoría
en la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A partir de
la metodología descrita por Saaty (2008), en la Tabla 4.49 se observa las comparaciones por
pares para el parámetro precipitación media anual, también se presenta la consistencia y
pesos relativos que corresponden a cada clase ordenados de mayor a menos en función a
su importancia.
Tabla 4.49: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Precipitación anual para la subcuenca Llaca.
882.6- 770.4- 678.2-
P_A >=954.8 <=678.2 RC Pesos
954.8 882.6 770.4
>=954.8 1 3 4 7 9 0.489
882.6-954.8 1 3 5 7 0.267
770.4-882.6 1 3 5 0.050 0.142
678.2-770.4 1 3 0.068
<=678.2 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.50 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro ordenados de mayor a menos en función a su importancia.
Tabla 4.50: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Llaca.

Parámetros Pend NDVI Geol P_A RC Pesos

Pend 1 5 7 9 0.643
NDVI 1 2 5 0.183
0.088
Geol 1 5 0.130
P_A 1 0.044
Fuente: Elaboración propia.
Cálculo del mapa de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Llaca. La ecuación se presenta a continuación:
S = 0.643 × Pend + 0.183 × NDVI + 0.130 × Geol + 0.044 × P_A
4.4.2.6 Sub cuenca Cojup
Parámetro: Pendiente
Para la subcuenca Cojup, se observa que las zonas con mayor susceptibilidad a la ocurrencia
de fenómenos de movimientos en masa son las zonas con pendientes muy alta y alta. A partir
de la metodología descrita por Saaty (2008), en la Tabla 4.51 se observa las comparaciones
por pares de la pendiente, también se presenta la razón consistencia y pesos relativos que
corresponden a cada clase ordenados de mayor a menor en función a su importancia.
Tabla 4.51: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Pendiente para la subcuenca Cojup.
Pend >55° 40-55° 25-40° 10-25° 0-10° RC Pesos
>55° 1 2 3 5 7 0.437
40-55° 1 3 3 5 0.282
25-40° 1 2 3 0.016 0.142
10-25° 1 2 0.088
0-10° 1 0.052
Fuente: Elaboración propia.
Parámetro: Geología
Según INGEMMET se identifican 4 unidades geológicas que pertenecen a la subcuenca
Cojup. A partir de la metodología descrita por Saaty (2008), de la Tabla 4.52, se presenta la
matriz de comparaciones pareadas, donde se observa que las unidades geológicas más
susceptibles a movimientos en masa son los depósitos aluviales, también se presenta la
consistencia y pesos relativos que corresponden a cada clase.
Tabla 4.52: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Geología para la subcuenca Cojup.
Geol D-al D-glf B-cb D-gl RC Pesos
D-al 1 2 3 4 0.466
D-glf 1 2 3 0.277
0.012
B-cb 1 2 0.161
D-gl 1 0.096
Fuente: Elaboración propia.
Parámetro: Geomorfología
Según INGEMMET se identifican 12 unidades geomorfológicas pertenecientes a la subcuenca Cojup. La unidad geomorfológica más
susceptibles a movimientos en masa son la vertiente coluvial de detritos. A partir de la metodología descrita por Saaty (2008), en la Tabla 4.43,
se observa las comparaciones por pares , la consistencia y los pesos para el parámetro geomorfología que corresponden a cada clase.
Tabla 4.53: Tabla de comparación por pares, razón de consistencia y pesos de las clases de la Geomorfología para la subcuenca Cojup.
Geom V-cd Vg-l A-p T-a M-rs Vp-cd M-ri V-gf V-gg M-cg Me-ri Lp-i RC Pesos
V-cd 1 2 2 2 2 2 4 4 6 6 7 9 0.207
Vg-l 1 2 2 2 2 2 4 4 6 6 7 0.163
A-p 1 2 2 2 2 2 4 4 6 6 0.132
T-a 1 2 2 2 2 2 4 4 6 0.108
M-rs 1 2 2 2 2 2 4 4 0.088
Vp-cd 1 2 2 2 2 2 4 0.075
0.023
M-ri 1 2 2 2 2 2 0.059
V-gf 1 2 2 2 2 0.049
V-gg 1 2 2 2 0.040
M-cg 1 2 2 0.033
Me-ri 1 2 0.026
Lp-i 1 0.020
Fuente: Elaboración propia
Parámetro: Precipitación anual
Para la subcuenca Cojup, los eventos de movimientos en masa se producen en su mayoría
en la temporada de lluvias, se tomó como indicador la precipitación anual (P_A). A partir de
la metodología descrita por Saaty (2008), en la Tabla 4.54 se observa las comparaciones por
pares para el parámetro precipitación media anual, también se presenta la consistencia y
pesos relativos que corresponden a cada clase ordenados de mayor a menos en función a
su importancia.
Tabla 4.54: Tabla de comparación por pares, razón de consistencia y pesos de las clases
de la Precipitación anual para la subcuenca Cojup.
900.4- 801.6- 702.8-
P_A >=999.2 <=702.8 RC Pesos
999.2 900.4 801.6
>=999.2 1 3 4 7 9 0.489
900.4-999.2 1 3 5 7 0.267
801.6-900.4 1 3 5 0.050 0.142
702.8-801.6 1 3 0.068
<=702.8 1 0.035
Fuente: Elaboración propia.
Parámetros susceptibles a movimientos en masa
Se desarrolló las comparaciones pareadas entre los parámetros susceptibles a movimientos
en masa. A partir de la metodología descrita por Saaty (2008), la experiencia y referencia de
investigaciones en las zonas de estudio, en la Tabla 4.55 se presenta las comparaciones
entre pares de los parámetros susceptibles, la consistencia y pesos que corresponden a cada
parámetro ordenados de mayor a menos en función a su importancia.
Tabla 4.55: Tabla de comparación por pares, razón de consistencia y pesos de los
parámetros susceptibles para la subcuenca Cojup.
Parámetros Pend Geom Geol P_A RC Pesos
Pend 1 3 7 9 0.596
Geom 1 3 7 0.266
0.024
Geol 1 2 0.089
P_A 1 0.050
Fuente: Elaboración propia.
Cálculo del mapa de susceptibilidad a movimientos en masa
De acuerdo con los pesos de cada parámetro se efectúa el cálculo de la susceptibilidad para
la subcuenca Cojup. La ecuación se presenta a continuación:
S = 0.596 × Pend + 0.266 × Geom + 0.089 × Geol + 0.05 × P_A
A partir del método de análisis jerárquico calculado para cada subcuenca de estudio, se
generó el mapa de susceptibilidad a movimientos en masa, la capa de susceptibilidad se
dividió en cuatro clases (CENEPRED, 2015) reclasificada mediante cuantiles (Baeza et al.,
2016). El mapa de susceptibilidad a movimientos en masa se adjunta en el Mapa 03.
 5 Discusión de los resultados

Se presentan los resultados producto de la aplicación de las metodologías de RL y AHP a

partir de cada objetivo propuesto, también se presenta los procedimientos estadísticos
aplicados y la forma como se prueban las hipótesis planteadas en la investigación Los
resultados se presentan mediante gráficos estadísticos, mapas entre otros; con su
explicación, discusión y comparación con investigaciones pasadas.

5.1 Comparación de los modelos de susceptibilidad a movimientos en masa

Hipótesis general: La comparación de los métodos de susceptibilidad a movimientos en masa

nos arroja una gran similitud y correlación entre los métodos de Regresión Logística y Proceso
de Análisis Jerárquico en valles glaciares de la Cordillera Blanca-Ancash.
Para la comparación de los modelos, a partir de los mapas de susceptibilidad reclasificados
mediante cuantiles (Mapa 02 y Mapa 03); se realizó el cruce entre los mapas de
susceptibilidad reclasificados para calcular la coincidencia entre los mapas de RL y AHP
(Felicísimo et al., 2012). De las capas reclasificadas, para las seis subcuencas de estudio se
obtuvo una igualdad de 46.5%, 57.6%, 51.7%, 46.9%, 42.5%, 59.3% para las subcuencas
Parón, Llanganuco, Ulta, Honda, Llaca y Cojup respectivamente. Una similitud (±1 nivel de
susceptibilidad) de 39.6%, 38.3%, 41.8%, 41.4%, 40%, 37.4% para las subcuencas Parón,
Llanganuco, Ulta, Honda, Llaca y Cojup respectivamente y una menor desigualdad (≥2 nivel
de susceptibilidad) de 13.8%, 4.2%, 6.5%, 11.7%, 17.5%, 3.3% para las subcuencas Parón,
Llanganuco, Ulta, Honda, Llaca y Cojup respectivamente; siendo la clase de susceptibilidad
muy alta (875 486 pixeles iguales) seguida de la clase baja (868 578 pixeles iguales) las
clases que presentaron mayor coincidencia (Figura 7). En la Figura 5.1 se muestra el mapa
de coincidencia entre los ráster reclasificados.
A partir de los datos, las zonas de igualdad y similitud muestran las mayores extensiones para
cada subcuenca, a pesar del uso de diferentes variables en algunas subcuencas de estudio,
demostrando una gran similitud entre los dos modelos planteados en esta investigación. Se
prevé que para otras comparaciones entre diferentes métodos utilizando las mismas variables
para cada subcuenca, las desigualdades serán menores y por correlación las igualdades y
similitudes.
Las diferencias existentes entre los mapas de susceptibilidad se deben a las diferentes
variables seleccionadas para el cálculo de la susceptibilidad a movimientos en masa (SMM)
en cada subcuenca, el método de regresión logística permite el uso el variables continuas y
categóricas para el cálculo de la susceptibilidad, mientras que el proceso de análisis
jerárquico solamente hace uso de variables categóricas. Para la RL se utilizó el método de
selección de variables Backward Selection para el cálculo de la susceptibilidad para cada
subcuenca, siendo estos netamente estadísticos, mientras que para el proceso de análisis
jerárquico se basa en la experiencia en campo y juicios de valor obtenidos durante la
investigación.
Figura 5.1: Mapa de coincidencia entre los modelos de RL y AHP.

Fuente: Elaboración propia.

En la Figura 5.2 se muestra la igualdad, similitud y desigualdad para cada subcuenca de
estudio, donde su puede observar un mayor porcentaje de igualdad y similitud para las
subcuencas Parón, Llanganuco, Ulta, Honda, Llaca y Cojup. Por lo que se comprueba la
hipótesis general planteada que los métodos de Regresión Logística y Proceso de Análisis
Jerárquico arrojan resultados iguales y similares en valles glaciares de la Cordillera Blanca.
Figura 5.2: Coincidencia entre los mapas de RL y AHP para cada subcuenca de estudio

Fuente: Elaboración propia.

5.2 Validación del método más adecuado para determinar la susceptibilidad a
movimientos en masa

Hipótesis específica: La regresión logística tiene una capacidad predictiva más precisa y
exacta en comparación a la metodología AHP, evaluada por las líneas ROC y teniendo
mayores ventajas sobre el proceso de análisis jerárquico.
Para la validación de los modelos por cada subcuenca se obtuvo el área bajo la curva (AUC),
que nos da la probabilidad de identificar correctamente un píxel cuando este píxel pertenece
a la clase de interés y la probabilidad de identificar un píxel cuando efectivamente no
pertenece a la clase de interés respectivamente (García, 2008). A partir de una muestra de
validación se comparó los modelos de regresión logística y proceso de análisis jerárquico
para cada subcuenca de estudio, determinando el método más adecuado para el cálculo de
la probabilidad de ocurrencia de movimientos en masa en valles glaciares de la Cordillera
Blanca.
En la subcuenca Parón, para el modelo de RL se obtuvo un valor de AUC de 0.88, frente al
obtenido por el modelo AHP de 0.75 (Figura 5.3A), lo que significa que la precisión del modelo
logístico fue mayor para identificar elementos de deslizamientos y no deslizamientos con un
88 % de aciertos. Para la subcuenca Llanganuco, el modelo de RL obtuvo un valor de AUC
de 0.83, frente al obtenido por el modelo AHP de 0.89 (Figura 5.3B), lo que significa un 89 %
de precisión para identificar deslizamientos y no deslizamientos. En la subcuenca Ulta, el
modelo de RL obtuvo un valor de AUC de 0.82 frente al obtenido por el modelo AHP de 0.79
(Figura 5.3 C), lo que significa que la precisión del modelo de análisis jerárquico fue mayor
para identificar elementos de deslizamientos y no deslizamientos con un 82 % de aciertos.
Para el estudio de la subcuenca Honda, el AUC para el método logístico fue mayor al obtenido
mediante AHP, teniendo el modelo de RL un 78 % de aciertos para identificar deslizamientos
y no deslizamientos. En la subcuenca Llaca, para el modelo de RL se obtuvo un valor de AUC
de 0.92, frente al obtenido por el modelo AHP de 0.89 (Figura 5.3 E), lo que significa que la
precisión del modelo de regresión logística fue mayor para identificar elementos de
deslizamientos y no deslizamientos con un 92 % de aciertos. Finalmente, en la subcuenca
Cojup, el AUC para el método logístico fue mayor al obtenido mediante AHP, teniendo el
modelo de RL un 98 % de aciertos para identificar deslizamientos y no deslizamientos.
Para las seis subcuencas de estudio, los dos modelos dieron valores aceptables para el AUC,
siendo la regresión logística ligeramente mejor que el modelo de análisis jerárquico. La RL
presentó valores mayores en cuatro de las seis subcuencas estudiadas, lo que demuestra la
hipótesis planteada que el modelo basado en RL identifica ligeramente mejor los movimientos
en masa frente al modelo de análisis jerárquico.
Para el análisis mediante curvas ROC, se debe tomar en cuenta la cantidad de eventos con
lo que se validó cada modelo; para el modelado mediante RL es importante la cantidad de
eventos cartografiados y validados en campo, para este caso se utilizó entre el 10% y 20 %
de las muestras de inventario para cada subcuenca, este valor es menor en comparación a
la validación para la metodología AHP en la que al ser una metodología que no depende de
una muestra de inventario, se pudo utilizar una muestra mayor para su validación (50 % y 60
% de los eventos de inventario).
Figura 5.3: AUC de las subcuencas: (A) Parón (B) Llanganuco (C) Ulta (D) Honda (E) Llaca (F) Cojup.

Fuente: Elaboración propia.

5.3 Determinación de las principales variables predictoras para valles glaciares de la
Cordillera Blanca

Hipótesis específica: El uso de variables obtenidas a partir de métodos estadísticos de

selección de variables explica de mejor manera la susceptibilidad a movimientos en masa en
valles glaciares de la Cordillera Blanca.
Siendo cada subcuenca elegida como muestra de los valles glaciares pertenecientes a la
Cordillera Blanca, se determinó las principales variables predictoras para valles glaciares de
la Cordillera Blanca a partir de las ecuaciones de RL para cada valle. En la Figura 5.4 se
muestra la pendiente, geomorfología, geología, NDVI en época húmeda y precipitación anual
como las principales variables predictoras de la susceptibilidad a movimientos en masa
(SMM) en valles glaciares pertenecientes al Parque Nacional Huascarán.
Figura 5.4: Principales variables explicativas de la SMM en valles glaciares de la Cordillera
Blanca
Parámetros Parón Llanganuco Ulta Honda Llaca Cojup ∑
Elevación 0 0 0 1 0 1 2
Pendiente 1 1 1 1 1 1 6
NDVI_H 1 1 1 0 1 0 4
Orientación 0 0 0 0 0 0 0
Rugosidad 0 0 0 0 0 0 0
C. Tangencial 0 0 0 0 0 0 0
C. de Perfil 0 0 0 0 0 0 0
Precipitacion
1 1 0 0 0 1 3
anual
Geología 0 1 1 1 0 0 3
Geomorfología 1 1 1 1 0 1 5
Cobertura
0 0 1 0 0 1 2
vegetal
1=Parámetros SMM, 0=Parámetros no SMM

Fuente: Elaboración propia.

La aplicación de los métodos de selección de variables (Backward selection) son útiles y
explican de mejor manera la susceptibilidad a movimientos en masa (hipótesis especifica
planteada en esta investigación). Estas variables seleccionadas guardan relación con el
estudio hecho por Bueechi (2018), donde realizó el modelamiento solo con variables
cuantitativas; este autor propone mejorar el estudio de la susceptibilidad a movimientos en
masa con variables físicas (geología, geomorfología entre otras), lo cual en esta investigación
se realizó, mostrando una mejora en la capacidad predictiva del modelo logístico.
Las variables predictoras seleccionadas en esta investigación guardan relación con las
variables propuestas por Valderrama (2016), donde se identificó como principales variables
predictoras la geología, pendiente, geomorfología y cobertura vegetal para valles de la
Cordillera Blanca, siendo estas variables las seleccionadas por el método estadístico
Backward selection en esta tesis.
5.4 Comportamiento de los eventos de movimientos en masa en función de sus
principales variables explicativas

Hipótesis específica: Los métodos logísticos tienen la capacidad de identificar el

comportamiento o efecto de cada factor relevante identificado como predictor de la
susceptibilidad a movimientos en masa.
Para el análisis del comportamiento de las principales variables predictoras; de acuerdo con
la hipótesis planteada, se comprobó que los métodos logísticos tienen la capacidad de
identificar el comportamiento o efecto de cada factor relevante identificado como predictor de
la susceptibilidad. Las variables continuas se ajustaron a una gráfica de función logística, que
muestra la mayor probabilidad de ocurrencia del predictor (> 0.5) y para los datos categóricos,
se calculó la relación de frecuencia (frecuency ratio), el cual nos arroja las clases más
relacionadas a movimientos en masa; si el valor es >1, significa que existe una mayor
ocurrencia de movimientos en masa (Akgun et al., 2008). En la Figura 5.5 se presenta el
comportamiento de los eventos de movimientos en masa en función de sus principales
variables predictoras.
Para la pendiente (Figura 5.5.A), la ocurrencia de movimientos en masa aumenta desde los
> 25°, con valores atípicos mayores a 50° distribuidos en todas las subcuencas de estudio. A
lo largo de la elevación (Figura 5.5.B), los eventos de movimientos en masa tienen mayor de
ocurrencia alrededor de los 2500-4000 msnm, con eventos por encima de los 5000 msnm
identificados en su mayoría como complejos (alud o avalanchas). El índice de vegetación de
diferencia normalizada (Figura 5.5.C) tiene una relación negativa con la elevación, siendo
menor en zonas con altitudes mayor a los 4000 msnm y con eventos de movimientos en masa
asentados históricamente en zonas con NDVI entre 0.25-0.45 que corresponden a zonas con
eventos de tipo relictos. La precipitación (Figura 5.5.D) como factor desencadenante del
movimiento en masa aumenta en función de la elevación, en donde los eventos de
deslizamientos tienen mayor probabilidad de ocurrencia en zonas con precipitaciones entre
los 300-700 mm. De las clases de geología (Figura 5.5.E) identificadas en el área de estudio,
las unidades depósito aluvial y depósito glaciar, fluvial resultaron ser las clases con mayor
ocurrencia de movimientos en masa (2.8 y 2.1 respectivamente). El análisis para para la
cobertura vegetal (Figura 5.5.G) muestra que los eventos están asentados zonas con pajonal
andino (2.29) y bosque relicto altoandino (2.05). Los eventos de movimientos en masa de
acuerdo con su geomorfología (Figura 5.5.F) tienen una mayor ocurrencia de movimientos en
masa en morrenas (Mo), valle glaciar (Vg-l) y vertiente coluvial de detritos (V-cd).
Figura 5.5: Comportamiento de los eventos de movimientos en masa en función de las
variables: (A) Pendiente (B) Elevación (C) NDVI (D) Precipitación anual (E)Geología (F)
Geomorfología (G) Cobertura vegetal.

Fuente: Elaboración propia.

Fuente: Elaboración propia.
 6 Conclusiones

A continuación, se plantea la conclusión general y conclusiones especificas en base a los

objetivos planteados en esta investigación:
Objetivo general: Comparar la susceptibilidad a movimientos en masa usando el
método de Regresión Logística y Proceso de Análisis Jerárquico en valles glaciares de
la Cordillera Blanca-Ancash.
Siendo ambos modelos con un alto grado de igualdad y similitud, se puede concluir que
ambos métodos resultan óptimos y similares; lógicamente con ciertas diferencias (la regresión
logística permite utilizar datos ráster reclasificados y no reclasificados a diferencia del AHP
que solo acepta datos ráster reclasificados). La similitud entre ambos modelos permite
también concluir que, si se hubiese utilizado las mismas variables para cada modelo
investigado, estos resultarían más similares, obteniéndose menores desigualdades y por
correlación mayores igualdades y similitudes. La aplicación de cada uno de estos métodos
de susceptibilidad es igualmente importante y muchas veces son determinados por las
herramientas y recursos disponibles del investigador.
Objetivo específico 1: Determinar el método más adecuado para calcular la
susceptibilidad a movimientos en masa en valles glaciares de la Cordillera Blanca.
De la validación de las metodologías planteadas en esta investigación mediante curvas ROC,
se concluye que el método de regresión logística se comporta ligeramente mejor que el
generado con AHP en valles glaciares de la Cordillera Blanca (0.78 a 0.98 para la RL siendo
estos valores mayores a los generados mediante AHP para cada uno de los diferentes valles
estudiados), identificando mejor las zonas con susceptibilidad a movimientos en masa. Los
modelos logísticos, presentan ventajas sobre el proceso de análisis jerárquico, principalmente
en la asignación de los pesos para cada parámetro; es importante el esfuerzo en la
generación de una buena base de datos (eventos/no eventos de movimientos en masa), el
esfuerzo en la calidad de los registros de eventos validados en campo hace más confiable el
modelo.
Objetivo específico 2: Determinar las principales variables explicativas de la
susceptibilidad a movimientos en masa en diferentes valles glaciares de la Cordillera
Blanca.
Siendo la regresión logística el modelo más adecuado para el cálculo de la susceptibilidad a
movimientos en masa (SMM), se concluye que para los valles glaciares de la Cordillera
Blanca el método estadístico de selección de variables Backward Selection permite obtener
modelos de calidad y no saturados en variables explicativas (parsimonia estadística), lo cual
es favorable en la calidad del modelo final. La pendiente, geomorfología, geología, NDVI en
época húmeda y precipitación anual son las principales variables explicativas de la
susceptibilidad a movimientos en masa en valles glaciares de la Cordillera Blanca.
Objetivo específico 3: Analizar el comportamiento de los eventos de movimientos en
masa en función de sus principales variables explicativas.
El comportamiento de las principales variables explicativas es explicada usando la densidad
relativa para las variables cualitativas o categóricas (geomorfología, geología y cobertura
vegetal) y los gráficos de la función logística para variables cuantitativas (pendiente, NDVI,
elevación, precipitación media anual), estos métodos logísticos nos permiten identificar el
comportamiento permitiendo tener un análisis de causa y consecuencia de los eventos de
movimientos en masa; permitiendo identificar zonas de origen de movimientos en masa y
zonas donde estos eventos se han asentado a lo largo del tiempo (eventos de movimientos
en masa de tipo relictos).
Finalmente, a partir de los resultados obtenidos, siendo ambos modelos comparados con
grandes áreas de igualdad y similitud, es importante concluir que el modelo a elegir está
determinado por las necesidades y recursos disponibles; tanto el modelo de regresión
logística como el proceso de análisis jerárquico son igualmente importantes para la
identificación de la probabilidad a movimientos en masa.
 7 Recomendaciones

Terminada la presente investigación, es importante presentar los temas no abordados, líneas

de investigación actuales y recomendaciones que permitirán generar mayor conocimiento en
la temática de gestión de riesgo, así como en el cálculo de la probabilidad de ocurrencia de
movimientos en masa en valles glaciares. Las recomendaciones son explicadas a
continuación:
Recomendaciones practicas sobre el uso de las metodologías RL y AHP:
▪ Generar el mapa de susceptibilidad a movimientos en masa para toda la Cordillera
Blanca a escala regional usando la regresión logística (extrapolar para valles glaciares
de la Cordillera Blanca o del país); con las principales variables explicativas
propuestas en la presente investigación (pendiente, geomorfología, geología, NDVI
en época húmeda y precipitación anual) y generar un inventario más completo de
movimientos en masa para valles glaciares de la Cordillera Blanca.
▪ Para dar más sustento a los métodos de validación y asunción de un método de
susceptibilidad, es importante y recomendable la realización de más visitas a campo
para validar in situ diferentes zonas de susceptibilidad clasificadas; algunos métodos
de correlación podrían ayudar en dar más sustento a los mapas de susceptibilidad
generados en diferentes investigaciones.
▪ Mejorar la cantidad de eventos de inventario de peligros por movimientos en masa
cartografiados para otros valles de la Cordillera Blanca; para la calidad del modelo de
susceptibilidad es necesario tener una base de datos bien revisada y de calidad (base
de datos robusta), siendo necesario un inventario de movimientos en masa
considerando la mayor cantidad de quebradas pertenecientes a la Cordillera Blanca.
▪ Usar un equipo multidisciplinario de especialistas para los juicios de valor dados en el
modelo de análisis jerárquico; estos juicios dados por expertos en cada temática
ayudaran en la mejora de los modelos y de la consistencia.
▪ Mejorar la calidad de datos ráster y shapefiles de las variables descriptivas
recolectadas en gabinete; para esta investigación se utilizó datos DEM a una
resolución de 12.5 m, para futuros estudios referidos a esta temática, se recomienda
ahondar en el uso de otras capas DEM a otras resoluciones y verificar la calidad en
los modelos resultantes.
▪ Ahondar en otros tipos de metodologías estadísticas para la detección de zonas con
mayor probabilidad de movimientos en masa; en la bibliografía existe una amplia
cantidad de metodologías, ahondar en el uso de estas técnicas permitirían el
conocimiento a profundidad en esta temática.
▪ Ambas metodologías otorgan resultados confiables; sin embargo, la ventaja de la RL
es que permite cuantificar el efecto de factores de forma precisa a partir de datos de
inventario de movimientos en masa y no subjetiva como el AHP. La elección del
modelo de susceptibilidad está determinada por las necesidades y recursos; siendo
ambos modelos igualmente importantes para la identificación de la probabilidad de
ocurrencia a movimientos en masa.
Recomendaciones para la gestión del Parque Nacional Huascarán:
▪ Implementar nuevas técnicas de monitoreo de peligros naturales, casos como el
Sistema de Alerta Temprana instalado (SAT) en la laguna 513 y el Sistema de Alerta
Temprana para la laguna Palcacocha son mecanismos de previsión, control y atención
a posibles eventos destructivos.
▪ Implementar planes de contingencia a nivel local tomando en cuenta eventos sísmicos
y fenómenos de deglaciación en los cuales se identifique las zonas con alta
probabilidad de ocurrencia de movimientos en masa y desembalse de lagunas; así
como obras estructurales para el control y estabilización de la erosión en zonas de
alta pendiente.
▪ Capacitación y preparación por parte de entidades como INDECI e INAIGEN a las
comunidades a lo largo del río Santa; con la finalidad de alertar y preparar a la
población en caso ocurra un movimiento en masa potencialmente peligroso.
 8 Bibliografía

Akgun, A., Dag, S., & Bulut, F. (2008). Landslide susceptibility mapping for a landslide-prone
area (Findikli, NE of Turkey) by likelihood-frequency ratio and weighted linear
combination models. Environmental Geology, 54(6), 1127–1143.
https://doi.org/10.1007/s00254-007-0882-8
Alcántara, I. (2000). Landslides:¿deslizamientos o movimientos del terreno? Definicion,
clasificaciones y terminologia. Lnvestigaciones Geogrdficas, 41, 1–25.
Amorim, S., Corominas, J., Lantada, N., Baeza Adell, C., Portilla, M., & Angulo Bahón, C.
(2009). Análisis comparativo de técnicas estadísticas y de aprendizaje para evaluar la
susceptibilidad del terreno a los deslizamientos superficiales en el pirineo catalán.
Simposio Nacional Sobre Taludes y Laderas Inestables. “VII Simposio Nacional Sobre
Taludes y Laderas Inestables.” https://upcommons.upc.edu/handle/2117/6732
Ayalew, L., & Yamagishi, H. (2005). The application of GIS-based logistic regression for
landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan.
Geomorphology, 65(1–2), 15–31. https://doi.org/10.1016/j.geomorph.2004.06.010
Ayalew, L., Yamagishi, H., Marui, H., & Kanno, T. (2005). Landslides in Sado Island of Japan:
Part II. GIS-based susceptibility mapping with comparisons of results from two methods
and verifications. Engineering Geology, 81(4), 432–445.
https://doi.org/10.1016/j.enggeo.2005.08.004
Baeza, C., & Corominas, J. (2001). Assessment of shallow landslide susceptibility by means
of multivariate statistical techniques. Earth Surface Processes and Landforms, 26(12),
1251–1263. https://doi.org/10.1002/esp.263
Baeza, C., Lantada, N., & Amorim, S. (2016). Statistical and spatial analysis of landslide
susceptibility maps with different classification systems. Environmental Earth Sciences,
75(19), 1–17. https://doi.org/10.1007/s12665-016-6124-1
Bai, S. B., Wang, J., Lü, G. N., Zhou, P. G., Hou, S. S., & Xu, S. N. (2010a). GIS-based logistic
regression for landslide susceptibility mapping of the Zhongxian segment in the Three
Gorges area, China. Geomorphology, 115(1–2), 23–31.
https://doi.org/10.1016/j.geomorph.2009.09.025
Bai, S. B., Wang, J., Lü, G. N., Zhou, P. G., Hou, S. S., & Xu, S. N. (2010b). GIS-based logistic
regression for landslide susceptibility mapping of the Zhongxian segment in the Three
Gorges area, China. Geomorphology, 115(1–2), 23–31.
https://doi.org/10.1016/j.geomorph.2009.09.025
Blanco, F. (2013). Evaluación de la susceptibilidad a movimientos en masa en la zona central
de la cuenca del río Mantaro - Región Junín [Universidad Nacional de Ingeniería].
https://alicia.concytec.gob.pe/vufind/Record/UUNI_0ea0af4160c3a210491f96bc14923a
4a
Bornaetxea, T., Antigüedad, I., & Ormaetxea, O. (2018). Mapas de susceptibilidad de
deslizamientos a partir del modelo de regresión logística en la cuenca del río Oria
(Gipuzkoa). Estrategias de tratamiento de variables. Cuaternario y Geomorfología, 32(1–
2), 7–29.
Brabb, E. E., Pampeyan, E. H., & Bonilla, M. G. (1972). Landslide susceptibility in San Mateo
County, California. In Miscellaneous Field Studies Map. https://doi.org/10.3133/mf360
Brand, E. . (1988). Special lecture: landslide risk assessment in Hong Kong. International
Symposium on Landslides, 1059–1074.
Bueechi, E., Klimeš, J., Frey, H., Huggel, C., Strozzi, T., & Cochachin, A. (2019). Regional-
scale landslide susceptibility modelling in the Cordillera Blanca, Peru—a comparison of
different approaches. Landslides, 16(2), 395–407. https://doi.org/10.1007/s10346-018-
1090-1
Bueechi, Emanuel. (2018). Modelling of Landslide Susceptibilities in the Cordillera Blanca
(Peru). University of Zurich.
Carey, M. (2018). Desglaciación, avalanchas y deslizamiento de tierras – dimensiones
sociales. Ciencia y Sociedad: “Desastres Naturales”; Investigación Científica y Marco
Institucional de Acción, 1–8.
Carrara, A., Crosta, G., & Frattini, P. (2008). Comparing models of debris-flow susceptibility
in the alpine environment. Geomorphology, 94(3–4), 353–378.
https://doi.org/10.1016/j.geomorph.2006.10.033
CENEPRED. (2015). Manual para la Evaluación de Riesgos Originados por Fenómenos
Naturales. In CENEPRED (2nd ed.). http://sigrid.cenepred.gob.pe/docs/PARA
PUBLICAR/CENEPRED/Manual-Evaluacion-de-Riesgos_v2.pdf
Cerda, J., Vera, C., & Rada, G. (2013). Odds ratio: Aspectos teóricos y prácticos. Revista
Medica de Chile, 141(10), 1329–1335. https://doi.org/10.4067/S0034-
98872013001000014
Chacon, J. (2008). Los conceptos actuales de susceptibilidad, peligrosidad y riesgo, en la
prevención de movimientos de ladera, con ejemplos de aplicaciones prácticas.
https://www.researchgate.net/publication/258856593_Los_conceptos_actuales_de_sus
ceptibilidad_peligrosidad_y_riesgo_en_la_prevencion_de_movimientos_de_ladera_con
_ejemplos_de_aplicaciones_practicas
Christodoulou, E., Ma, J., Collins, G. S., Steyerberg, E. W., Verbakel, J. Y., & Van Calster, B.
(2019). A systematic review shows no performance benefit of machine learning over
logistic regression for clinical prediction models. Journal of Clinical Epidemiology, 110,
12–22. https://doi.org/10.1016/J.JCLINEPI.2019.02.004
Corominas, J., van Westen, C., Frattini, P., Cascini, L., Malet, J. P., Fotopoulou, S., Catani,
F., Van Den Eeckhaut, M., Mavrouli, O., Agliardi, F., Pitilakis, K., Winter, M. G., Pastor,
M., Ferlisi, S., Tofani, V., Hervás, J., & Smith, J. T. (2014). Recommendations for the
quantitative analysis of landslide risk. Bulletin of Engineering Geology and the
Environment, 73(2), 209–263. https://doi.org/10.1007/s10064-013-0538-8
Cox, D. R. (1958). The Regression Analysis of Binary Sequences. Journal of the Royal
Statistical Society: Series B (Methodological), 20(2), 215–232.
https://doi.org/10.1111/j.2517-6161.1958.tb00292.x
Dai, F. C., & Lee, C. F. (2002). Landslide characteristics and slope instability modeling using
GIS, Lantau Island, Hong Kong. Geomorphology, 42(3–4), 213–228.
https://doi.org/10.1016/S0169-555X(01)00087-3
DESINVENTAR. (2016). Inventario histórico de desastres- Perú. Sistema de Inventario de
Efectos de Desastres. https://online.desinventar.org/desinventar/#PER-1250695241-
peru_inventario_historico_de_desastres
Eftekhar, B., Mohammad, K., Ardebili, H. E., Ghodsi, M., & Ketabchi, E. (2005). Comparison
of artificial neural network and logistic regression models for prediction of mortality in
head trauma based on initial clinical data. BMC Medical Informatics and Decision Making
2005 5:1, 5(1), 1–8. https://doi.org/10.1186/1472-6947-5-3
ESRI. (n.d.). ArcGIS for Desktop. Retrieved August 27, 2020, from
 https://desktop.arcgis.com/es/arcmap/10.3/manage-data/raster-and-images/curvature-
function.htm
Felicísimo, Á. M., Cuartero, A., Remondo, J., & Quirós, E. (2012). Mapping landslide
susceptibility with logistic regression, multiple adaptive regression splines, classification
and regression trees, and maximum entropy methods: a comparative study. Landslides,
10(2), 175–189. https://doi.org/10.1007/S10346-012-0320-1
Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi, E., & Savage, W. Z. (2008). Guidelines
for landslide susceptibility, hazard and risk zoning for land use planning. Engineering
Geology, 102(3–4), 85–98. https://doi.org/10.1016/J.ENGGEO.2008.03.022
Fernández Pierna, J. A., Abbas, O., Baeten, V., & Dardenne, P. (2009). A Backward Variable
Selection method for PLS regression (BVSPLS). Analytica Chimica Acta, 642(1–2), 89–
93. https://doi.org/10.1016/j.aca.2008.12.002
Ferro, V. (2007). La evaluación del riesgo de desastre en la planificación del desarrollo de la
ciudad de Huaraz, Áncash. In Análisis del riesgo en procesos de desarrollo e inversion.
Universidad Nacional de Ingeniería.
Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: new 1-km spatial resolution climate surfaces
for global land areas. International Journal of Climatology, 37(12), 4302–4315.
https://doi.org/10.1002/joc.5086
Fuchu, D., Lee, C. F., & Sijing, W. (1999). Analysis of rainstorm-induced slide-debris flows on
natural terrain of Lantau Island, Hong Kong. Engineering Geology, 51(4), 279–290.
https://doi.org/10.1016/S0013-7952(98)00047-7
García, M. (2008). Metodologías para la evaluacíon de peligrosidad a los deslizamientos
inducidos por terremotos. Universidad de Alcalá.
Garcia, M., Benito, B., Malpica, J., & Morillo, M. (2007). Evaluación de la peligrosidad a los
deslizamientos en un sig empleando técnicas de Regresión Logística. Asociación
Española de Ingeniería Sísmica, 15.
Grozavu, A., Pleşcan, S., Patriche, C. V., Mărgărint, M. C., & Roşca, B. (2013). Landslide
susceptibility assessment: GIS application to a complex mountainous environment. In
Environmental Science and Engineering (Subseries: Environmental Science) (Issue
9783642127243, pp. 31–44). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-
642-12725-0_4
Hardingham, A., Ho, K., Smallwood, A. &, & Ditchfield, C. (2020). Quantitative Risk
Assessment of Landslides-A Case History from Hong Kong.
Hilbe, J. M. (2011). Logistic Regression.
Holdridge, L. R. (1967). Life zone ecology. In Life zone ecology. (Issue (rev. ed.)). Tropical
Science Center.
Horn, B. K. P. (1981). Hill Shading and the Reflectance Map. Proceedings of the IEEE, 69(1),
14–47. https://doi.org/10.1109/PROC.1981.11918
Humbert, M. (1972). LES MOUVEMENTS DE TERRAINS. PRINCIPES DE REALISATION
D’UNE CARTE PREVISIONNELLE DANS LES ALPES.
Hutchinson, J. N. (1988). General report: morphological and geotechnical parameters of
landslides in relation to geology and hydrogeology. Landslides. Proc. 5th Symposium,
Lausanne, 1988. Vol. 1, 3–35. https://doi.org/10.1016/0148-9062(89)90310-0
INGEMMET. (1995). Geología de los cuadrángulos de Pallasca, Tayabamba, Corongo,
Pomabamba, Carhuaz y Huari (INGEMMET).
INGEMMET. (2003). Memoria descriptiva de la revisión y actualización del cuadrángulo de
Carhuaz (19-h).
INGEMMET. (2009). Riesgos geológicos en la región Ancash - Boletín N° 38 Serie C.
Lamelas, M. (2007). Análisis y cartografía mediante sig de la susceptibilidad a la formación
de dolinas en el entorno de Zaragoza. GEOGRAPHICALIA, 52, 79–111.
Mǎrgǎrint, M. C., Grozavu, A., & Patriche, C. V. (2013). Assessing the spatial variability of
coefficients of landslide predictors in different regions of Romania using logistic
regression. Natural Hazards and Earth System Sciences, 13(12), 3339–3355.
https://doi.org/10.5194/nhess-13-3339-2013
Merg, C., Petri, D., Bodoira, F., Nini, M., Fernández, M., Schmidt, F., Montalva, R., Guzmán,
L., Rodríguez, K., Blanco, F., & Selzer, F. (2011). Mapas digitales regionales de lluvias,
índice estandarizado de precipitación e índice verde. Revista Pilquen, Sección
Agronomía, 1–11.
MINAM. (2015). Mapa de Cobertura Vegetal-Memoria descriptiva (Ministerio).
Moreno, J. (2001). El proceso analitico jerarquico (AHP) fundamentos, metodología y
aplicaciones. Dpto. Métodos Estadísticos.
Muñoz, J. (1995). Geomorfología General.
Pardeshi, S. D., Autade, S. E., & Pardeshi, S. S. (2013). Landslide hazard assessment:
Recent trends and techniques. In SpringerPlus (Vol. 2, Issue 1). SpringerOpen.
https://doi.org/10.1186/2193-1801-2-523
Ley N° 29664, Diario Oficial El Peruano 1 (2011).
https://busquedas.elperuano.pe/normaslegales/ley-que-crea-el-sistema-nacional-de-
gestion-del-riesgo-de-de-ley-n-29664-605077-1/
Peckham, S. D. (2011). Profile, Plan and Streamline Curvature: A Simple Derivation and
Applications. In Geomorphometry.
PMA-GCA. (2007). Movimientos en Masa en la Región Andina: Una Guía para la Evaluación
de Amenazas (Vol. 4). Servicio Nacional de Geología y Minería, Publicación Geológica
Multinacional.
https://www.researchgate.net/publication/320310478_Movimientos_en_Masa_en_la_R
egion_Andina_Una_Guia_para_la_Evaluacion_de_Amenazas
PNUD. (2019). El Reto de la Igualdad: Una lectura a las dinámicas territoriales en el Perú.
https://www.pe.undp.org/content/peru/es/home/library/poverty/el-reto-de-la-
igualdad.html
QGIS Development Team. (2021). QGIS Geographic Information System (Desktop Version
3.18.1-Zürich).
R Core Team. (2020). R: A Language and Environment for Statistical Computing. In R
Foundation for Statistical Computing. http://www.r-project.org
Saaty, T. L. (1980). The analytic hierarchy process: planning, priority setting, resources
allocation. In Priority Setting. Resource Allocation, MacGraw-Hill, New York International
Book Company.
Saaty, T. L. (2008). Decision making with the analytic hierarchy process. Int. J. Services
Sciences, 1(1), 83–98.
SERNANP. (2017). Plan Maestro del Parque Nacional Huascarán periodo 2017-2021 (p.
129).
SGC. (2013). Documento metodológico de la zonificación de susceptibilidad y amenaza
relativa por Movimientos en masa escala 1:100.000. Servicio Geológico Colombiano.
Upton, G., & Fingleton, B. (1985). Spatial data analysis by example. Volume 1: Point pattern
and quantitative data. Spatial Data Analysis by Example. Volume 1: Point Pattern and
Quantitative Data.
Valderrama, P., Pari, W., Silva, C., & Fídel, L. (2013). Laguna Palcacocha y su influencia en
la ciudad de Huaraz-Cordillera Blanca.
Valderrama, P., Silva, C., Dueñas, S., & Araujo, G. (2016). Peligros Geológicos por Procesos
Glaciales, Cordillera Blanca - Río Santa. In Boletín Serie C: Geodinámica e Ingeniería
Geológica (Vol. 63).
Varnes, D. (1958). Lanslide types and processes. Highway Research Board Special Report,
29.
Varnes, D. (1978). Slope Movement Types and Processes. In Landslides: Analysis and
Control (p. 22).
Venables, W. N., & Ripley, B. D. (2001). Modern Applied Statistics with S. Springer-Verlag
New York. https://doi.org/10.1007/978-0-387-21706-2
Warton, D. I., & Hui, F. K. C. (2011). The arcsine is asinine: the analysis of proportions in
ecology. Ecology, 92(1), 3–10. https://doi.org/10.1890/10-0340.1
Wilson, J., Reyes, L., & Garayar, J. (1967). Geología de los cuadrángulos de Mollebamba,
Tayabamba, Huaylas, Pomabamba, Carguaz y Huari.
 9 Anexos

Anexo 1: Eventos de movimientos en masa cartografiados en campo:

Código de
Subcuenca Este Norte Peligro Área (Ha)
evento
Parón Q1_Z1_1 193971.487 9000006.007 Des. Rotacional 25.079
Parón Q1_Z1_2 194825.476 9000532.718 Flujos 61.687
Parón Q1_Z1_3 200272.569 9000220.415 Caída 34.421
Parón Q1_Z1_4 200036.518 9000323.073 Caída 4.244
Parón Q1_Z1_5 195364.485 9000183.315 Caída 19.82
Parón Q1_Z2_6 201575.432 9006636.188 Complejo 55.813
Parón Q1_Z2_7 203997.407 9004977.349 Complejo 60.389
Parón Q1_Z2_8 204238.662 9003105.245 Flujos 63.774
Parón Q1_Z2_9 201999.643 9001594.946 Caída 7.958
Parón Q1_Z2_10 203075.748 9002448.492 Caída 22.08
Parón Q1_Z2_11 200749.414 9005670.104 Caída 9.561
Parón Q1_Z2_12 200850.6 9000908.288 Caída 12.187
Parón Q1_Z2_13 201289.3 9001208.645 Caída 12.035
Parón Q1_Z2_14 201007.026 9001332.001 Caída 3.293
Parón Q1_Z2_15 202384.26 9001856.827 Caída 15.609
Parón Q1_Z2_16 202478.715 9002387.363 Caída 17.643
Parón Q1_Z2_17 203620.33 9003062.771 Caída 1.634
Parón Q1_Z2_18 204099.884 9002751.013 Caída 11.601
Parón Q1_Z2_19 204210.806 9003650.182 Caída 6.586
Parón Q1_Z2_20 203697.551 9002677.279 Caída 15.206
Parón Q1_Z2_21 202612.027 9002222.285 Caída 3.605
Parón Q1_Z2_22 200242.076 9000596.547 Caída 3.868
Parón Q1_Z2_23 200451.703 9000832.635 Caída 4.665
Parón Q1_Z2_24 200838.46 9001182.429 Caída 4.336
Parón Q1_Z2_25 201219.469 9001407.106 Caída 4.515
Parón Q1_Z2_26 201792.639 9001391.505 Caída 6.475
Parón Q1_Z2_27 203974.868 9003413.235 Caída 2.94
Parón Q1_Z2_28 204523.085 9003882.002 Caída 6.557
Parón Q1_Z2_29 202916.739 9002680.06 Caída 2.303
Parón Q1_Z2_30 203155.881 9002757.396 Caída 3.574
Parón Q1_Z2_31 203405.423 9002881.19 Caída 4.137
Parón Q1_Z2_32 205016.871 9004371.256 Caída 0.873
Parón Q1_Z3_33 205842.659 9003299.675 Complejo 130.614
Parón Q1_Z3_34 207620.793 9004883.212 Complejo 46.02
Parón Q1_Z3_35 208838.722 9005217.568 Complejo 22.038
Parón Q1_Z3_36 209306.477 9005179.163 Complejo 9.47
Parón Q1_Z3_37 208105.157 9007020.998 Complejo 15.096
Parón Q1_Z3_38 209248.526 9006488.178 Complejo 18.934
 Parón Q1_Z3_39 209069.861 9006948.83 Complejo 27.85
Parón Q1_Z3_40 208325.357 9005298.582 Flujos 17.146
Parón Q1_Z3_41 208559.098 9005597.581 Flujos 10.69
Parón Q1_Z3_42 207113.705 9005554.081 Flujos 11.545
Parón Q1_Z3_43 206107.457 9005155.36 Flujos 7.241
Parón Q1_Z3_44 208520.117 9005041.552 Caída 4.189
Parón Q1_Z3_45 205523.925 9004804.262 Caída 4.042
Parón Q1_Z3_46 206572.468 9005459.693 Caída 6.03
Parón Q1_Z3_47 206686.224 9006276.437 Complejo 58.032
Parón Q1_Z3_48 205152.371 9006006.01 Complejo 48.49
Parón Q1_Z3_49 208826.738 9007847.627 Complejo 70.87
Parón Q1_Z3_50 209528.494 9005688.175 Complejo 81.412
Llanganuco Q2_Z1_51 205105.594 8989105.024 Complejo 155.919
Llanganuco Q2_Z1_52 205038.268 8990851.317 Complejo 160.627
Llanganuco Q2_Z1_53 206270.5 8990456.236 Complejo 36.092
Llanganuco Q2_Z1_54 208524.568 8991195.784 Complejo 66.826
Llanganuco Q2_Z1_55 208433.111 8990535.364 Complejo 48.12
Llanganuco Q2_Z1_56 204682.311 8991978.059 Complejo 60.923
Llanganuco Q2_Z1_57 204342.778 8988354.496 Complejo 17.741
Llanganuco Q2_Z1_58 205143.474 8989966.929 Des. Rotacional 11.518
Llanganuco Q2_Z1_59 203074.186 8986533.167 Flujos 115.725
Llanganuco Q2_Z1_60 205703.718 8992773.419 Caída 4.852
Llanganuco Q2_Z1_61 205948.604 8993176.502 Caída 4.744
Llanganuco Q2_Z1_62 205650.557 8992292.354 Flujos 12.342
Llanganuco Q2_Z2_63 207269.437 8996824.143 Complejo 30.054
Llanganuco Q2_Z2_64 206682.72 8996266.249 Complejo 11.499
Llanganuco Q2_Z2_65 209594.778 8996413.507 Flujos 13.346
Llanganuco Q2_Z2_66 210330.971 8996328.745 Flujos 58.419
Llanganuco Q2_Z2_67 209701.966 8993872.056 Complejo 9.593
Llanganuco Q2_Z2_68 207330.783 8993920.661 Flujos 10.931
Llanganuco Q2_Z2_69 207811.971 8994367.556 Flujos 17.581
Llanganuco Q2_Z2_70 206805.291 8994004.469 Caída 22.782
Llanganuco Q2_Z2_71 206908.194 8993630.349 Caída 12.78
Llanganuco Q2_Z2_72 208275.346 8994631.935 Caída 9.414
Llanganuco Q2_Z2_73 209492.295 8994744.731 Caída 12.101
Llanganuco Q2_Z2_74 208387.236 8995005.224 Flujos 19.432
Llanganuco Q2_Z2_75 210118.997 8996763.516 Flujos 11.78
Llanganuco Q2_Z2_76 208923.163 8995219.657 Flujos 34.95
Llanganuco Q2_Z2_77 207993.917 8995117.768 Flujos 5.575
Llanganuco Q2_Z2_78 207608.338 8994737.032 Flujos 7.365
Llanganuco Q2_Z2_79 208311.438 8995379.892 Flujos 7.373
Llanganuco Q2_Z2_80 208601.397 8995779.317 Flujos 5.711
Llanganuco Q2_Z2_81 207224.273 8994400.597 Flujos 10.592
Llanganuco Q2_Z2_82 208723.2 8998082.549 Complejo 31.245
Llanganuco Q2_Z2_83 206592.702 8993011.268 Caída 21.231
Llanganuco Q2_Z2_84 208371.933 8999185.172 Complejo 64.53
Llanganuco Q2_Z3_85 209732.895 8998595.658 Complejo 177.027
Llanganuco Q2_Z3_86 210643.152 9000853.611 Complejo 42.827
Llanganuco Q2_Z3_87 212639.448 9002872.401 Complejo 16.881
Llanganuco Q2_Z3_88 211577.379 8997335.334 Flujos 6.34
Llanganuco Q2_Z3_89 212127.894 8997746.894 Flujos 8.622
Llanganuco Q2_Z3_90 212558.407 8998167.458 Flujos 31.285
Llanganuco Q2_Z3_91 210866.665 8997673.518 Flujos 9.206
Llanganuco Q2_Z3_92 212146.231 8998726.289 Flujos 15.274
Llanganuco Q2_Z3_93 211125.024 8996844.085 Caída 19.423
Llanganuco Q2_Z3_94 210484.728 8997321.426 Caída 24.187
Llanganuco Q2_Z3_95 211399.878 8997978.651 Caída 5.556
Llanganuco Q2_Z3_96 211618.669 8998371.911 Caída 10.129
Llanganuco Q2_Z3_97 212516.649 8998790.146 Caída 5.497
Llanganuco Q2_Z3_98 214580.762 8994552.761 Complejo 82.117
Llanganuco Q2_Z3_99 214178.921 9002890.36 Complejo 15.406
Llanganuco Q2_Z3_100 213609.492 8998511.542 Complejo 14.256
Llanganuco Q2_Z3_101 213787.591 8998761.528 Complejo 12.751
Llanganuco Q2_Z3_102 214619.865 9003461.993 Flujos 3.517
Llanganuco Q2_Z3_103 214057.19 9003266.768 Flujos 2.27
Llanganuco Q2_Z3_104 213513.998 9001024.865 Flujos 5.667
Llanganuco Q2_Z3_105 213224.87 9000586.932 Caída 27.9
Llanganuco Q2_Z3_106 214239.089 8995484.78 Complejo 148.72
Llanganuco Q2_Z3_107 214465.025 8996554.141 Complejo 53.318
Llanganuco Q2_Z3_108 210263.781 9001065.815 Complejo 172.598
Llanganuco Q2_Z3_109 211930.726 9002560.73 Complejo 26.939
Llanganuco Q2_Z3_110 212128.904 9002872.851 Complejo 9.563
Llanganuco Q2_Z3_111 213978.524 8996440.429 Complejo 33.132
Llanganuco Q2_Z3_112 214717.636 8997555.751 Flujos 7.637
Llanganuco Q2_Z3_113 210512.517 9002547.474 Complejo 25.382
Ulta Q3_Z1_114 206638.451 8974706.393 Flujos 101.958
Ulta Q3_Z1_115 209311.231 8977787.289 Flujos 19.557
Ulta Q3_Z1_116 210214.147 8980527.766 Flujos 4.626
Ulta Q3_Z1_117 216113.775 8981388.603 Flujos 22.908
Ulta Q3_Z1_118 215591.558 8980284.747 Des. Rotacional 29.111
Ulta Q3_Z1_119 213901.051 8981340.741 Des. Rotacional 65.427
Ulta Q3_Z1_120 214300.132 8982599.115 Des. Rotacional 12.782
Ulta Q3_Z1_121 210811.269 8981579.893 Caída 100.69
Ulta Q3_Z1_122 210909.149 8980726.474 Caída 57.159
Ulta Q3_Z1_123 215161.677 8983316.29 Caída 14.415
Ulta Q3_Z1_124 207421.776 8974849.236 Complejo 36.39
Ulta Q3_Z1_125 213453.673 8981879.739 Complejo 170.806
Ulta Q3_Z1_126 214750.191 8981672.051 Complejo 39.192
Ulta Q3_Z1_127 215344.367 8982200.587 Complejo 150.874
Ulta Q3_Z1_128 210093.143 8979876.37 Flujos 10.544
Ulta Q3_Z1_129 210134.944 8980244.106 Flujos 6.663
Ulta Q3_Z1_130 213409.229 8981968.77 Des. Rotacional 5.507
Ulta Q3_Z1_131 211146.732 8980017.577 Des. Rotacional 20.499
Ulta Q3_Z1_132 210724.176 8978766.918 Des. Rotacional 1.765
Ulta Q3_Z1_133 214694.482 8979549.522 Des. Traslacional 0.828
Ulta Q3_Z1_134 215095.848 8983690.235 Caída 13.188
Ulta Q3_Z2_135 216128.024 8984788.73 Flujos 8.664
Ulta Q3_Z2_136 216311.925 8985506.614 Flujos 18.166
Ulta Q3_Z2_137 217312.237 8986195.066 Flujos 19.714
Ulta Q3_Z2_138 215718.335 8984393.506 Caída 14.524
Ulta Q3_Z2_139 216924.148 8985801.362 Caída 20.358
Ulta Q3_Z2_140 216944.585 8987950.484 Complejo 56.762
Ulta Q3_Z2_141 217781.375 8989005.672 Complejo 26.607
Ulta Q3_Z2_142 215991.547 8984140.194 Flujos 18.133
Ulta Q3_Z2_143 218837.294 8987420.742 Flujos 10.883
Ulta Q3_Z2_144 218784.657 8988542.026 Flujos 35.111
Ulta Q3_Z2_145 217969.485 8987356.346 Flujos 6.754
Ulta Q3_Z2_146 217031.834 8981602.108 Caída 15.751
Ulta Q3_Z2_147 216777.328 8981962.38 Caída 19.484
Ulta Q3_Z2_148 215455.498 8983624.189 Caída 8.945
Ulta Q3_Z2_149 219446.969 8982517.745 Caída 20.363
Ulta Q3_Z2_150 217185.526 8982109.797 Caída 5.138
Ulta Q3_Z2_151 218208.08 8986835.741 Caída 47.083
Ulta Q3_Z2_152 217377.029 8987215.815 Caída 12.836
Ulta Q3_Z2_153 219526.924 8987697.798 Caída 18.331
Ulta Q3_Z2_154 219935.409 8983584.956 Complejo 62.882
Ulta Q3_Z2_155 220197.201 8986261.548 Complejo 50.277
Ulta Q3_Z2_156 219286.482 8986946.348 Complejo 7.808
Ulta Q3_Z2_157 217753.158 8989442.579 Complejo 27.391
Ulta Q3_Z2_158 217675.121 8987267.82 Caída 9.097
Ulta Q3_Z2_159 216899.039 8986552.82 Flujos 47.759
Ulta Q3_Z2_160 216502.072 8985298.967 Caída 25.346
Ulta Q3_Z3_161 217719.249 8991182.939 Complejo 87.718
Ulta Q3_Z3_162 218229.271 8991904.583 Complejo 48.908
Ulta Q3_Z3_163 216365.599 8991636.566 Complejo 29.362
Ulta Q3_Z3_164 221597.176 8988777.65 Flujos 29.922
Ulta Q3_Z3_165 221461.337 8990117.471 Flujos 21.591
Ulta Q3_Z3_166 221227.435 8990540.134 Flujos 12.569
Ulta Q3_Z3_167 222666.17 8991315.211 Flujos 17.523
Ulta Q3_Z3_168 220953.306 8990191.008 Des. Rotacional 29.585
Ulta Q3_Z3_169 220725.521 8988291.239 Caída 58.128
Ulta Q3_Z3_170 222995.866 8993182.475 Caída 15.602
Ulta Q3_Z3_171 220763.047 8989354.182 Caída 34.031
Ulta Q3_Z3_172 221473.604 8989271.051 Caída 13.152
Ulta Q3_Z3_173 222686.948 8992596.978 Caída 28.878
Ulta Q3_Z3_174 221991.878 8993014.871 Caída 27.006
Ulta Q3_Z3_175 221825.225 8990819.835 Complejo 45.335
Ulta Q3_Z3_176 221330.311 8991214.028 Complejo 40.076
Ulta Q3_Z3_177 223752.73 8991178.85 Complejo 45.471
Ulta Q3_Z3_178 221036.405 8993558.252 Complejo 36.222
Ulta Q3_Z3_179 220883.302 8993199.268 Complejo 28.533
Ulta Q3_Z3_180 220181.47 8987994.902 Caída 22.346
Ulta Q3_Z3_181 220014.522 8988966.959 Flujos 7.802
Ulta Q3_Z3_182 220459.864 8988797.022 Flujos 24.264
Ulta Q3_Z3_183 217033.496 8992271.335 Complejo 42.451
Ulta Q3_Z3_184 217783.878 8992537.523 Complejo 14.931
Ulta Q3_Z3_185 218409.29 8992275.739 Complejo 14.016
Ulta Q3_Z3_186 219175.555 8992343.567 Complejo 46.501
Ulta Q3_Z3_187 218973.864 8991990.49 Complejo 7.127
Ulta Q3_Z3_188 218399.274 8992505.779 Complejo 13.614
Ulta Q3_Z3_189 223412.346 8991636.559 Complejo 40.071
Ulta Q3_Z3_190 221024.167 8988993.708 Caída 30.227
Ulta Q3_Z3_191 223580.095 8989866.339 Caída 20.692
Ulta Q3_Z3_192 222460.76 8989564.859 Caída 4.173
Honda Q4_Z1_193 219447.536 8971126.575 Complejo 45.135
Honda Q4_Z1_194 226590.977 8964699.355 Complejo 180.086
Honda Q4_Z1_195 223342.757 8965839.088 Complejo 43.931
Honda Q4_Z1_196 223604.763 8964878.997 Complejo 42.575
Honda Q4_Z1_197 224688.121 8965252.121 Complejo 24.049
Honda Q4_Z1_198 225656.918 8966128.913 Complejo 81.468
Honda Q4_Z1_199 224580.825 8968048.648 Complejo 201.073
Honda Q4_Z1_200 220649.666 8971144.642 Complejo 150.142
Honda Q4_Z1_201 221234.388 8970435.705 Complejo 37.374
Honda Q4_Z1_202 224471.51 8966636.454 Caída 12.37
Honda Q4_Z1_203 224751.51 8966525.809 Caída 15.576
Honda Q4_Z1_204 221086.823 8964830.309 Flujos 17.999
Honda Q4_Z1_205 220827.471 8965603.517 Flujos 7.02
Honda Q4_Z1_206 223510.046 8965324.818 Flujos 26.883
Honda Q4_Z1_207 223188.03 8965385.152 Flujos 15.607
Honda Q4_Z1_208 224192.445 8966095.528 Flujos 14.775
Honda Q4_Z1_209 223818.817 8965867.885 Flujos 6.193
Honda Q4_Z1_210 220251.854 8973215.887 Flujos 5.868
Honda Q4_Z1_211 214343.58 8968274.558 Flujos 35.167
Honda Q4_Z1_212 223932.222 8965810.21 Des. Rotacional 1.969
Honda Q4_Z1_213 220536.699 8970213.216 Des. Rotacional 8.496
Honda Q4_Z1_214 220179.243 8970786.277 Des. Rotacional 4.405
Honda Q4_Z1_215 219813.762 8970903.484 Des. Rotacional 2.234
Honda Q4_Z1_216 218273.994 8970640.47 Des. Rotacional 3.702
Honda Q4_Z1_217 216272.554 8968384.4 Des. Rotacional 14.262
Honda Q4_Z1_218 220647.296 8966080.085 Des. Rotacional 2.861
Honda Q4_Z1_219 219880.985 8972256.989 Complejo 95.464
Honda Q4_Z1_220 221034.745 8972071.387 Complejo 49.048
Honda Q4_Z1_221 223399.649 8969094.125 Complejo 22.013
Honda Q4_Z1_222 223685.177 8968895.974 Complejo 23.83
Honda Q4_Z1_223 224975.735 8965485.871 Complejo 17.555
Honda Q4_Z1_224 224368.075 8965570.278 Complejo 36.153
Honda Q4_Z1_225 221989.818 8965073.587 Complejo 72.175
Honda Q4_Z1_226 223746.392 8966030.645 Complejo 7.74
Honda Q4_Z1_227 216816.171 8968777.282 Flujos 0.259
Honda Q4_Z1_228 218401.447 8967992.635 Flujos 13.932
Honda Q4_Z2_229 227310.961 8963742.19 Complejo 26.422
Honda Q4_Z2_230 229515.448 8964990.235 Complejo 53.092
Honda Q4_Z2_231 233634.72 8967057.1 Complejo 39.184
Honda Q4_Z2_232 233751.975 8966657.624 Complejo 9.136
Honda Q4_Z2_233 231791.844 8967783.452 Complejo 21.711
Honda Q4_Z2_234 231880.377 8967375.261 Complejo 21.641
Honda Q4_Z2_235 233925.17 8969337.382 Complejo 37.818
Honda Q4_Z2_236 232789.12 8972209.559 Complejo 16.773
Honda Q4_Z2_237 231948.276 8971584.006 Complejo 27.725
Honda Q4_Z2_238 228365.151 8969955.177 Complejo 17.538
Honda Q4_Z2_239 227896.628 8969834.113 Complejo 15.127
Honda Q4_Z2_240 227463.412 8970419.748 Complejo 17.477
Honda Q4_Z2_241 227209.72 8970035.624 Complejo 10.019
Honda Q4_Z2_242 226728.344 8970029.805 Complejo 8.083
Honda Q4_Z2_243 224002.002 8968841.42 Complejo 12.356
Honda Q4_Z2_244 222739.672 8970757.705 Complejo 15.163
Honda Q4_Z2_245 223077.484 8970290.158 Complejo 32.858
Honda Q4_Z2_246 226681.384 8970761.506 Complejo 59.525
Honda Q4_Z2_247 224483.09 8972514.449 Complejo 8.938
Honda Q4_Z2_248 225186.489 8972047.765 Complejo 14.435
Honda Q4_Z2_249 227969.674 8971865.163 Complejo 62.208
Honda Q4_Z2_250 228837.204 8972558.603 Complejo 39.37
Honda Q4_Z2_251 229370.895 8972226.812 Complejo 32.497
Honda Q4_Z2_252 230068.033 8972285.029 Complejo 8.867
Honda Q4_Z2_253 227909.509 8970858.695 Complejo 8.963
Honda Q4_Z2_254 225643.497 8970202.595 Complejo 17.316
Honda Q4_Z2_255 226707.008 8969382.271 Complejo 9.144
Honda Q4_Z2_256 234390.049 8965918.314 Complejo 11.427
Honda Q4_Z2_257 230029.934 8967147.583 Caída 51.129
Honda Q4_Z2_258 232649.907 8967855.503 Caída 15.124
Honda Q4_Z2_259 225555.689 8967150.799 Caída 24.428
Honda Q4_Z2_260 225291.221 8967335.521 Caída 3.521
Honda Q4_Z2_261 227651.635 8968702.385 Caída 4.543
Honda Q4_Z2_262 227076.219 8968529.635 Caída 3.785
Honda Q4_Z2_263 228496.506 8968491.771 Caída 9.854
Honda Q4_Z2_264 229298.814 8968743.448 Caída 9.763
Honda Q4_Z2_265 229039.829 8969125.241 Caída 4.944
Honda Q4_Z2_266 229783.429 8968968.566 Caída 10.954
Honda Q4_Z2_267 229559.904 8969309.237 Caída 3.993
Honda Q4_Z2_268 230567.854 8969203.272 Caída 9.402
Honda Q4_Z2_269 231619.648 8970109.577 Caída 49.546
Honda Q4_Z2_270 231187.328 8969419.687 Caída 4.589
Honda Q4_Z2_271 232891.971 8970136.473 Caída 29.053
Honda Q4_Z2_272 230221.965 8973493.563 Caída 16.972
Honda Q4_Z2_273 223516.746 8972798.778 Caída 18.565
Honda Q4_Z2_274 226456.247 8967569.545 Caída 27.452
Honda Q4_Z2_275 227624.603 8968152.778 Caída 43.05
Honda Q4_Z2_276 228972.798 8968646.979 Caída 11.411
Honda Q4_Z2_277 228556.44 8969056.901 Caída 22.42
Honda Q4_Z2_278 228889.357 8969090.316 Caída 7.051
Honda Q4_Z2_279 229247.036 8969171.431 Caída 9.18
Honda Q4_Z2_280 229532.713 8968769.92 Caída 5.719
Honda Q4_Z2_281 230161.246 8969092.511 Caída 9.268
Honda Q4_Z2_282 230385.261 8969708.417 Caída 33.549
Honda Q4_Z2_283 232099.844 8969695.709 Caída 103.954
Honda Q4_Z2_284 228563.787 8964592.94 Flujos 20.381
Honda Q4_Z2_285 226699.946 8965759.918 Flujos 21.839
Honda Q4_Z2_286 226037.713 8967901.535 Flujos 13.054
Honda Q4_Z2_287 226992.914 8967984.644 Flujos 12.043
Honda Q4_Z2_288 228625.186 8968371.475 Flujos 3.034
Honda Q4_Z2_289 233392.125 8970403.305 Flujos 26.141
Honda Q4_Z2_290 228756.326 8969058.442 Des. Rotacional 4.86
Honda Q4_Z2_291 229820.333 8969519.48 Caída 15.565
Honda Q4_Z2_292 229378.102 8969283.31 Caída 3.283
Honda Q4_Z2_293 222677.241 8971408.634 Complejo 45.104
Honda Q4_Z2_294 224308.921 8973071.362 Complejo 6.737
Honda Q4_Z2_295 224616.532 8972790.05 Complejo 18.715
Honda Q4_Z2_296 230094.266 8972735.988 Complejo 39.665
Honda Q4_Z2_297 233244.371 8967473.419 Complejo 16.825
Honda Q4_Z3_298 237157.698 8968445.274 Complejo 71.859
Honda Q4_Z3_299 238934.509 8966705.455 Complejo 102.33
Honda Q4_Z3_300 238800.708 8966032.065 Complejo 25.346
Honda Q4_Z3_301 242617.166 8967147.432 Complejo 12.574
Honda Q4_Z3_302 242706.149 8967469.188 Complejo 30.498
Honda Q4_Z3_303 242466.915 8969642.106 Complejo 8.139
Honda Q4_Z3_304 242659.476 8968958.568 Complejo 4.903
Honda Q4_Z3_305 238652.208 8970152.513 Complejo 69.048
Honda Q4_Z3_306 235794.323 8969533.864 Complejo 27.586
Honda Q4_Z3_307 236151.328 8969636.675 Complejo 9.384
Honda Q4_Z3_308 235369.004 8969653.526 Complejo 19.34
Honda Q4_Z3_309 235168.633 8972205.6 Complejo 6.14
Honda Q4_Z3_310 235761.79 8972253.809 Complejo 5.15
Honda Q4_Z3_311 240521.879 8970205.746 Complejo 8.781
Honda Q4_Z3_312 234250.379 8970765.113 Caída 14.404
Honda Q4_Z3_313 234588.074 8971396.955 Caída 21.196
Honda Q4_Z3_314 235181.689 8971083.63 Caída 10.568
Honda Q4_Z3_315 238234.076 8968607.107 Caída 32.247
Honda Q4_Z3_316 240135.852 8969538.139 Caída 5.039
Honda Q4_Z3_317 240966.707 8968113.533 Caída 14.762
Honda Q4_Z3_318 233737.444 8970985.162 Caída 49.309
Honda Q4_Z3_319 238515.511 8971010.831 Caída 39.042
Honda Q4_Z3_320 239174.353 8969727.746 Caída 30.47
Honda Q4_Z3_321 240774.764 8968856.616 Caída 18.732
Honda Q4_Z3_322 240773.456 8967767.008 Caída 10.18
Honda Q4_Z3_323 240836.623 8967515.244 Caída 12.34
Honda Q4_Z3_324 234567.926 8971004.368 Flujos 22.583
Honda Q4_Z3_325 238080.05 8971106.228 Flujos 16.834
Honda Q4_Z3_326 239580.313 8970356.653 Flujos 4.149
Honda Q4_Z3_327 240776.518 8969841.345 Flujos 22.168
Honda Q4_Z3_328 241656.064 8968684.212 Flujos 75.484
Honda Q4_Z3_329 240668.854 8967582.43 Flujos 16.129
Honda Q4_Z3_330 235501.843 8971476.254 Caída 34.753
Honda Q4_Z3_331 235152.786 8971513.248 Flujos 8.541
Honda Q4_Z3_332 239671.037 8969639.2 Caída 11.761
Honda Q4_Z3_333 239943.77 8969604.315 Caída 4.02
Honda Q4_Z3_334 242046.769 8966708.065 Complejo 36.862
Llaca Q5_Z1_335 228496.43 8950538.026 Complejo 93.881
Llaca Q5_Z1_336 227453.406 8950560.269 Complejo 150.511
Llaca Q5_Z1_337 227022.43 8949905.034 Complejo 9.99
Llaca Q5_Z1_338 226999.633 8950507.013 Complejo 1.6
Llaca Q5_Z1_339 229257.531 8952274.198 Caída 11.385
Llaca Q5_Z1_340 229052.741 8952428.074 Caída 11.153
Llaca Q5_Z1_341 227163.048 8950148.753 Des. Rotacional 3.041
Llaca Q5_Z1_342 228063.02 8950558.679 Des. Rotacional 3.601
Llaca Q5_Z1_343 228147.987 8950247.665 Des. Rotacional 9.586
Llaca Q5_Z1_344 229676.739 8952895.975 Caída 26.158
Llaca Q5_Z2_345 229406.379 8953051.197 Caída 7.165
Llaca Q5_Z2_346 230139.775 8953569.379 Caída 2.274
Llaca Q5_Z2_347 230519.571 8954058.469 Caída 14.924
Llaca Q5_Z2_348 230169.698 8954171.488 Caída 2.787
Llaca Q5_Z2_349 230338.102 8953703.954 Caída 6.883
Llaca Q5_Z2_350 229678.351 8953408.5 Caída 10.206
Llaca Q5_Z2_351 229182.952 8952758.335 Caída 2.085
Llaca Q5_Z2_352 229331.606 8953008.963 Caída 1.784
Llaca Q5_Z2_353 230728.561 8954483.141 Flujos 6.248
Llaca Q5_Z2_354 230249.332 8954546.507 Flujos 13.255
Llaca Q5_Z2_355 230096.386 8953338.626 Flujos 9.754
Llaca Q5_Z2_356 229848.509 8953828.931 Caída 25.18
Llaca Q5_Z2_357 230771.815 8954709.08 Flujos 1.804
Llaca Q5_Z3_358 231679.981 8955919.24 Complejo 22.61
Llaca Q5_Z3_359 230701.437 8954791.102 Complejo 9.991
Llaca Q5_Z3_360 230574.238 8954912.013 Complejo 7.741
Llaca Q5_Z3_361 231537.202 8956478.243 Complejo 17.986
Llaca Q5_Z3_362 230684.551 8955322.801 Caída 21.139
Llaca Q5_Z3_363 231678.436 8955756.012 Caída 24.495
Llaca Q5_Z3_364 232289.589 8956924.228 Caída 21.328
Llaca Q5_Z3_365 231886.608 8957135.112 Caída 23.536
Llaca Q5_Z3_366 231094.012 8955550.923 Flujos 1.602
Llaca Q5_Z3_367 230903.093 8955094.051 Flujos 1.698
Llaca Q5_Z3_368 231042.254 8955842.369 Flujos 6.693
Cojup Q6_Z1_369 228692.07 8949406.216 Complejo 147.093
Cojup Q6_Z1_370 229611.459 8949623.868 Complejo 121.634
Cojup Q6_Z1_371 229990.652 8950457.2 Des. Rotacional 9.99
Cojup Q6_Z1_372 230341.584 8950354.999 Des. Rotacional 4.804
Cojup Q6_Z1_373 229788.689 8950540.948 Des. Rotacional 26.111
Cojup Q6_Z1_374 230732.013 8950974.624 Caída 21.997
Cojup Q6_Z1_375 230573.551 8950633.676 Flujos 0.431
Cojup Q6_Z1_376 230672.07 8950662.336 Flujos 0.553
Cojup Q6_Z1_377 230256.968 8950569.215 Flujos 0.741
Cojup Q6_Z2_378 231404.54 8951156.191 Caída 5.404
Cojup Q6_Z2_379 232897.88 8952546.201 Caída 7.38
Cojup Q6_Z2_380 231079.291 8951352.94 Caída 3.493
Cojup Q6_Z2_381 231321.892 8951688.396 Caída 6.079
Cojup Q6_Z2_382 231574.68 8951943.067 Caída 2.99
Cojup Q6_Z2_383 232407.819 8952880.402 Caída 47.604
Cojup Q6_Z2_384 232890.619 8953490.16 Caída 15.098
Cojup Q6_Z2_385 232889.371 8953911.149 Caída 6.757
Cojup Q6_Z2_386 233660.201 8954055.83 Caída 21.872
Cojup Q6_Z2_387 234172.388 8954691.676 Caída 29.588
Cojup Q6_Z2_388 233924.949 8953661.817 Caída 8.169
Cojup Q6_Z2_389 234116.015 8953896.069 Caída 6.489
Cojup Q6_Z2_390 235220.713 8955092.602 Flujos 7.54
Cojup Q6_Z2_391 231881.096 8952446.829 Caída 25.831
Cojup Q6_Z2_392 233361.343 8953288.213 Caída 6.559
Cojup Q6_Z2_393 233141.96 8953826.723 Caída 18.578
Cojup Q6_Z2_394 231216.627 8950741.885 Flujos 3.75
Cojup Q6_Z2_395 231191.506 8951525.706 Flujos 1.763
Cojup Q6_Z2_396 231483.662 8951824.238 Flujos 1.28
Cojup Q6_Z2_397 233050.335 8952785.751 Flujos 4.907
Cojup Q6_Z2_398 233240.55 8953058.746 Flujos 8.285
Cojup Q6_Z2_399 232777.244 8953311.083 Flujos 6.312
Cojup Q6_Z2_400 232972.103 8953662.408 Flujos 4.462
Cojup Q6_Z2_401 234081.765 8953747.766 Flujos 3.186
Cojup Q6_Z2_402 232797.829 8954522.991 Des. Rotacional 25.606
Cojup Q6_Z2_403 234744.176 8954661.381 Caída 4.598
Cojup Q6_Z2_404 234462.691 8954257.043 Caída 11.009
Cojup Q6_Z2_405 235938.847 8956398.697 Caída 9.769
Cojup Q6_Z2_406 234559.003 8955159.083 Caída 10.39
Cojup Q6_Z2_407 231750.647 8952580.749 Caída 15.827
Cojup Q6_Z2_408 235353.74 8955786.77 Flujos 13.201
Cojup Q6_Z2_409 234959.439 8955644.87 Caída 25.763
Cojup Q6_Z2_410 235659.142 8956031.88 Caída 13.995
Cojup Q6_Z2_411 234927.201 8954915.609 Caída 6.569
Cojup Q6_Z2_412 234632.173 8954526.348 Flujos 3.683
Cojup Q6_Z2_413 232501.151 8952314.143 Caída 16.137
Cojup Q6_Z2_414 231773.322 8951656.576 Caída 20.248
Cojup Q6_Z2_415 231461.84 8951316.657 Flujos 3.6
Cojup Q6_Z3_416 238174.212 8960264.499 Complejo 68.281
Cojup Q6_Z3_417 236091.611 8959863.815 Complejo 32.921
Cojup Q6_Z3_418 239422.239 8960850.26 Complejo 12.361
Cojup Q6_Z3_419 238635.158 8960043.179 Complejo 28.132
Cojup Q6_Z3_420 236226.32 8959006.074 Complejo 12.814
Cojup Q6_Z3_421 234813.302 8956524.275 Complejo 101.001
Cojup Q6_Z3_422 238198.276 8958437.642 Caída 94.675
Cojup Q6_Z3_423 237098.893 8957864.709 Caída 77.379
Cojup Q6_Z3_424 237514.779 8959040.454 Flujos 14.499
Cojup Q6_Z3_425 239136.84 8960583.879 Des. Rotacional 5.73
Cojup Q6_Z3_426 236706.236 8956750.59 Caída 4.028
Cojup Q6_Z3_427 238426.845 8959394.96 Flujos 2.316
Cojup Q6_Z3_428 237354.195 8957282.079 Caída 30.734
Cojup Q6_Z3_429 237732.132 8957611.05 Flujos 5.583
Cojup Q6_Z3_430 236503.933 8956989.28 Flujos 19.337
Cojup Q6_Z3_431 236218.207 8955986.238 Caída 49.829
 Anexo 2: Código en “R” para la generación y validación del modelo de
susceptibilidad a movimientos en masa mediante regresión logística.

#Regresión logística Parón

names(Entrenamiento_Paron)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~X_Curv_Perf+X_C_Tangenc+X_Pendiente+X_Elevacion

+X_Orientaci+X_Rugosidad+X_B12mean+X_NDVI_Hume+X_Litomajor+X_Geomorfol+X_Cobe_veg
e, Entrenamiento_Paron,family = binomial(link = "logit"))

summary(RLOG)

#Instalar y cargar la siguiente libreria

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)

#Como las variables "X_Cobe_vege" y "X_Elevacion", no son significativas, se puede refinar el modelo

# modelo , retirando "X_Cobe_vege" y "X_Elevacion"

modelo <- update(modelo, ~. -X_Cobe_vege-X_Elevacion )

summary(modelo)

RLOG2<- glm(formula = Var_depen~X_Pendiente+X_B12mean+X_NDVI_Hume+X_Geomorfol,

Entrenamiento_Paron,family = binomial(link = "logit"))

summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict <- predict(RLOG2, Validacion_Paron)

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Paron$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Paron$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion
confusionMatrix(Validacion_Paron$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Paron$Var_depen,Pre,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Regresión logística Llanganuco

names(Entrenamienti_Llanganuco)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~C_Perf+C_Tang+Pend+Elev

+P_A+Orient+Rugo+NDVI_H+Geol+Geom+CV, Entrenamienti_Llanganuco,family =
binomial(link = "logit"))

summary(RLOG)

#Instalar y cargar la siguiente libreria

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)

#Como las variables "X_Cobe_vege" y "X_Elevacion", no son significativas, se puede refinar el modelo

# modelo , retirando "X_Cobe_vege" y "X_Elevacion"

modelo <- update(modelo, ~. -Elev )

summary(modelo)

RLOG2<- glm(formula = Var_depen~Pend + P_A + NDVI_H + Geol + Geom,

Entrenamienti_Llanganuco,family = binomial(link = "logit"))

summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict <- predict(RLOG2, Validacion_Llanganuco)

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Llanganuco$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Llanganuco$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion

confusionMatrix(Validacion_Llanganuco$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Llanganuco$Var_depen,Pre,smooth=TRUE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Regresión logística Ulta

names(Entrenamiento_Ulta)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~C_Perf+C_Tang+Pend+Elev

+P_A+Orient+Rugo+NDVI_H+Geol+Geom+CV, Entrenamiento_Ulta,family = binomial(link =

"logit"))

summary(RLOG)

#Instalar y cargar la siguiente libreria

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)

RLOG2<- glm(formula = Var_depen~Pend + NDVI_H + Geol + Geom + CV, Entrenamiento_Ulta,family

= binomial(link = "logit"))

summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict <- predict(RLOG2, Validacion_Ulta)

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Ulta$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Ulta$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion

confusionMatrix(Validacion_Ulta$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Ulta$Var_depen,Pre,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Regresión logística Honda

names(Entrenamiento_Honda)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~C_Perf+C_Tang+Pend+Elev

+P_A+Orient+Rugo+NDVI_H+Geol+Geom+CV, Entrenamiento_Honda,family = binomial(link =

"logit"))

summary(RLOG)

#Instalar y cargar la siguiente libreria

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)

#Como las variables Rugo, no son significativas, se puede refinar el modelo

# modelo , retirando Rugo

modelo <- update(modelo, ~. -Rugo )

summary(modelo)

RLOG2<- glm(formula = Var_depen~Pend + Elev + Geol + Geom, Entrenamiento_Honda,family =

binomial(link = "logit"))

summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict <- predict(RLOG2, Validacion_Honda)

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Honda$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Honda$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion

confusionMatrix(Validacion_Honda$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Honda$Var_depen,Pre,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Regresión logística Llaca

names(Entrenamiento_Llaca)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~C_Perf+C_Tang+Pend+Elev

+P_A+Orient+Rugo+NDVI_H+Geol+Geom+CV, Entrenamiento_Llaca,family = binomial(link =

"logit"))

summary(RLOG)

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)

#Como las variables "X_Cobe_vege" y "X_Elevacion", no son significativas, se puede refinar el modelo

# modelo , retirando "X_Cobe_vege" y "X_Elevacion"

modelo <- update(modelo, ~. -Orient-Elev-C_Perf-Geol )

summary(modelo)

RLOG2<- glm(formula = Var_depen~Pend + NDVI_H, Entrenamiento_Llaca,family = binomial(link =

"logit"))
summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict <- predict(RLOG2, Validacion_Llaca)

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Llaca$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Llaca$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion

confusionMatrix(Validacion_Llaca$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Llaca$Var_depen,Pre,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Regresión logística Cojup

names(Entrenamiento_Cojup)

# Método de selección hacia atrás (Backward), creamos el modelo saturado

RLOG<- glm(formula = Var_depen~C_Perf+C_Tang+Pend+Elev

+P_A+Orient+Rugo+NDVI_H+Geol+Geom+CV, Entrenamiento_Cojup,family = binomial(link =

"logit"))

summary(RLOG)

#Instalar y cargar la siguiente libreria

library(MASS)

# Emplear la función stepAIC, para el método de selección hacia atrás

modelo <- stepAIC(RLOG, trace=TRUE, direction="backward")

summary(modelo)
RLOG2<- glm(formula = Var_depen~Pend + Elev + P_A + Geom + CV, Entrenamiento_Cojup,family =
binomial(link = "logit"))

summary(RLOG2)

#VALIDACIÓN

#La prediccion con respecto al modelo más optimo

Predict <- predict(RLOG2,Validacion_Cojup )

#Estos valores no estan en el intervalo de 0 a 1 , por lo tanto se convierte

Pre<-plogis(Predict)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte<- optimalCutoff(Validacion_Cojup$Var_depen,Pre,optimiseFor = "Both")

Puntodecorte

#Observaciones correctas

ObsCorrectas<-1-misClassError(Validacion_Cojup$Var_depen,Pre,threshold=Puntodecorte)

ObsCorrectas

#Matriz de confusion

confusionMatrix(Validacion_Cojup$Var_depen,Pre,threshold=Puntodecorte)

#View(Pre)

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj<- plot.roc(Validacion_Cojup$Var_depen,Pre,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")
 Anexo 3: Código en “R” para la validación (área bajo la curva) de los modelos
mediante proceso de análisis jerárquico.

#Validación ROC_Parón (AHP)

names(Validacion_ROC_AHP_Paron)

Datos <- data.frame(Validacion_ROC_AHP_Paron)

#filter(Datos, Queb_cod == Q1)

#Q1 <-subset(Datos, Queb_cod == "Q1")

#View(Q1)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict_Q1<-
0.57*Datos$X_Pendmajority+0.25*Datos$X_GEOM_AHPmajority+0.14*Datos$X_NDVI_AHPmajority
+0.04*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

#View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

#View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Validación ROC_Llanganuco(AHP)

names(Validacion_ROC_AHP_Llang)

Datos <- data.frame(Validacion_ROC_AHP_Llang)

#VALIDACIÓN

#La predicción con respecto al modelo más optimo

Predict_Q1<-
0.511*Datos$X_Pendmajority+0.241*Datos$X_GEOM_AHPmajority+0.103*Datos$X_Geol_AHPmajo
rity+0.103*Datos$X_NDVI_AHPmajority+0.043*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

#View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

#View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Validación ROC_Ulta(AHP)

names(Validacion_ROC_AHP_Ulta)

Datos <- data.frame(Validacion_ROC_AHP_Ulta)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict_Q1<-
0.535*Datos$X_Pendmajority+0.232*Datos$X_GEOM_AHPmajority+0.131*Datos$X_Geol_AHPmajo
rity+0.065*Datos$X_NDVI_AHPmajority+0.037*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

#View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Validación ROC_Honda(AHP)

names(Validacion_ROC_AHP_Honda)

Datos <- data.frame(Validacion_ROC_AHP_Honda)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict_Q1<-
0.462*Datos$X_Pendmajority+0.261*Datos$X_GEOM_AHPmajority+0.155*Datos$X_Geol_AHPmajo
rity+0.080*Datos$X_NDVI_AHPmajority+0.041*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Validación ROC_Llaca(AHP)
Datos <- data.frame(Validacion_ROC_AHP_Llaca)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict_Q1<-
0.643*Datos$X_Pendmajority+0.183*Datos$X_NDVI_AHPmajority+0.130*Datos$X_Geol_AHPmajorit
y+0.044*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)

#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")

#Validación ROC_Cojup(AHP)

Datos <- data.frame(Validacion_ROC_AHP_Cojup)

#VALIDACIÓN

#La prediccion con respecto al modelo mas optimo

Predict_Q1<-
0.596*Datos$X_Pendmajority+0.266*Datos$X_Geom_AHPmajority+0.089*Datos$X_Geol_AHPmajor
ity+0.050*Datos$X_BIO12_AHPmajority

summary(Predict_Q1)

View(Predict_Q1)

Pre_Q1<-plogis(Predict_Q1)

View(Pre_Q1)

#Comparación de las predicciones con las observaciones

library(InformationValue)
#Punto de corte que maximo (threshold )

Puntodecorte_Q1<- optimalCutoff(Datos$Var_depen,Pre_Q1,optimiseFor = "Both")

Puntodecorte_Q1

#Observaciones correctas

ObsCorrectas_Q1<-1-misClassError(Datos$Var_depen,Pre_Q1,threshold=Puntodecorte_Q1)

ObsCorrectas_Q1

#Instalar y cargar la siguiente libreria

#install.packages("pROC")

library("pROC")

rocobj_Q1<- plot.roc(Datos$Var_depen,Pre_Q1,smooth=FALSE,print.auc=T,

col="blue",xlab="1-ESpecificidad",ylab="Sensibilidad")