Metodologías para la evaluación de peligrosidad a los deslizamientos inducidos por terremotos
Resumen Abstract Índice Conclusiones
María José García Rodríguez
2010-A
Descargar PDF
La presente tesis tiene como principal objetivo realizar un aporte metodológico para la modelización estocástica en la evaluación de la susceptibilidad y peligrosidad de deslizamientos de laderas inducidos por sismos. Dada la imposibilidad de predecir estos fenómenos con un margen suficientemente pequeño de tiempo como para tomar acciones a corto plazo, la línea de evaluación de la peligrosidad y la adopción de políticas preventivas es, actualmente, la medida más eficaz de mitigación del riesgo asociado.
Los deslizamientos de laderas pueden ser inducidos por diversas causas, que actúan como factor detonante. Las más frecuentes son las fuertes lluvias y los terremotos, que en principio pueden considerarse independientes, aunque se ha evidenciado que muchos terremotos han disparado mayor número de deslizamientos en zonas previamente afectadas por fuertes lluvias. Por ello, aunque esta tesis se centra en la evaluación de la peligrosidad asociada al terremoto, su relación con las precipitaciones será tenida en cuenta.
Como en la mayoría de los riesgos naturales, el estudio del peligro de deslizamientos de laderas requiere disponer de un modelo matemático que permita la evaluación y análisis de la probabilidad de ocurrencia del fenómeno en una determinada región y durante un tiempo dado. La comunidad científica en los últimos años se ha esforzado por encontrar el modelo que mejor se adapte a la realidad; una tarea que resulta difícil y complicada, debido principalmente a que los deslizamientos son fenómenos complejos que involucran gran cantidad de parámetros interaccionando entre sí, como son la morfología del terreno, geología, nivel de precipitaciones, sismicidad y tectónica de la región, entre otros.
El objetivo central de esta tesis consiste en investigar y desarrollar la modelización matemática del peligro de los deslizamientos de laderas a escala regional. Para abordar el fenómeno, no solo es importante la definición de un modelo conceptual, sino también su implementación computacional. Las aplicaciones con los métodos estocásticos han ido creciendo en estos últimos años debido principalmente a la capacidad de los ordenadores y al uso generalizado de herramientas geoespaciales, como los Sistemas de Información Geográfica (SIG). Actualmente, la aplicación de técnicas estadísticas junto con el uso de los SIG, proporcionan importantes herramientas para la consulta de la información, análisis geoespaciales, así como, la representación y la visualización de los datos geográficos, facilitando la elaboración de mapas de amenaza y peligro y la consiguiente, toma de decisiones en multitud de campos, particularmente en materia de riesgos naturales. Esta tesis aprovecha estas técnicas y herramientas para realizar algunas aportaciones en esta línea de trabajo.
Para la consecución del objetivo propuesto se ha comenzando realizando una completa descripción del estado del arte, analizando y clasificando los diferentes métodos empleados en la literatura científica: geomorfológicos, heurísticos, físicos, estocásticos, y métodos alternativos como las redes neuronales artificiales. Se han estudiado además diferentes métodos estadísticos habitualmente empleados en otras materias y se ha valorado la posibilidad de aplicarlos para modelizar el fenómeno del deslizamiento. La conclusión de los métodos que resultan más idóneos para el fin propuesto es una de las principales contribuciones de esta tesis.
Los deslizamientos, al igual que otros fenómenos naturales, se caracterizan por presentar comportamientos que en ocasiones son caóticos, por lo que resulta conveniente el uso de modelos no lineales para la evaluación del peligro asociado. Por ello se ha puesto especial énfasis en la investigación sobre la resolución de técnicas estocásticas, entre las que han resultado, como más idóneas y fiables para la evaluación del peligro de deslizamientos de áreas extensas, las técnicas de regresión logística y las redes neuronales.
Dichas técnicas han sido aplicadas para el escenario del terremoto del 13 de enero de 2001 en El Salvador, del que se dispone de un importante volumen de información, que se ha aprovechado para el contraste de modelos. En una primera fase, se ha realizado una aplicación empleando los métodos de regresión logística y redes neuronales para evaluar la susceptibilidad y el peligro de deslizamientos asociados al escenario citado. La comparación de los resultados de nuestra predicción con las observaciones arroja un ajuste del 89.4% entre el modelo real y el predicho cuando se utiliza el método de regresión logística y un 95.1% al usar el método de redes neuronales artificiales.
Por último, el modelo calibrado se ha empleado para evaluar el peligro de deslizamientos asociados a movimientos potenciales por sismos futuros, con un 10 % de probabilidad de excedencia en 50 años, correspondientes a movimientos con periodo de retorno de 475 años. Se ha elegido esta probabilidad por ser la que habitualmente regula el diseño sismorresistente de estructuras convencionales en la mayor parte de las normativas. Como resultado final se obtienen mapas de peligrosidad de deslizamientos inducidos por sismos, basados en los modelos de regresión logística y redes neuronales, que pueden servir para identificar las zonas con mayor peligro y pueden ser de utilidad en planificación urbanística y territorial.
This thesis focuses on the use of stochastic modelling methodology to assess earthquake-triggered landslide hazard and susceptibility. Due to the fact that it is currently impossible to predict these phenomena early enough to take action, the most effective way to mitigate the risk of landslides is the hazard assessment line and the adoption of preventive policies.
Landslides can be induced by various causes, which act as triggers. The most common are heavy rains and earthquakes, which can be considered triggers independently, although it has been proven that some earthquakes have triggered more landslides in areas previously affected by heavy rains. Therefore, although this thesis focuses on the assessment of landslide hazard associated with earthquakes, the effect of precipitation will also be taken into account.
As with the majority of natural hazards, the study of landslides requires a mathematical model for the evaluation and analysis of the phenomenon’s probability of occurrence in a particular region. In recent years, the scientific community has worked to find the model that best fits the reality of this phenomenon, but this is a difficult and complicated task mainly because landslides are complex phenomena that involve a large number of interacting parameters, such as terrain morphology, geology, precipitation levels, and the seismicity and tectonics of the region, among others. The central objective of this thesis is to investigate the mathematical modelling of landslide hazard at the regional scale.
In order to evaluate the phenomenon, it is important not only to define a mathematical conceptual model, but also its computational implementation. The applications of stochastic and heuristic methods have increased in recent years, mainly due to the increased capabilities of computers and the widespread use of geospatial tools such as Geographic Information Systems (GIS). Currently, the application of statistical techniques together with a GIS provides important tools for creating interactive queries of the information, geospatial analysis, as well as the representation and visualization of geographic data, thereby supporting the hazard mapping and thus the decision-making in many fields, particularly those concerning natural hazards. This thesis combines these techniques and tools to make a contribution to natural hazard assessment.
To reach the proposed objective, a comprehensive description of the techniques and tools available was compiled by analyzing and categorizing the different methods used in the scientific literature: heuristics, stochastics, artificial neural networks, etc. Since landslides, like other natural phenomena, are characterized by complex and sometimes chaotic behaviour, both linear and non-linear mathematical models should be used to assess landslide hazard.
In this thesis, stochastic techniques were investigated, mainly those of logistic regression and neural networks, with focus on the assessment of landslide hazard in wide areas. These techniques were applied to the El Salvador earthquake scenario of 13 January 2001, which provides a significant amount of information to contrast the two models. The results of this study were compared with our predictions for both models, with the logistic regression technique yielding a value of 89.4 percent and the artificial neural networks model a value of 95.1 percent.
Finally, earthquake-triggered landslide hazard models were developed for the Central American country of El Salvador, for the specific scenario of a past event. In addition, a probabilistic model of movement, in terms of peak acceleration (PGA) with a return period of 475 years, was developed. This movement, which is generally considered in the design of regulations for conventional structures, could be applicable in the prediction of future occurrences of this phenomenon. This should be useful for detecting dangerous areas for urban and territorial planning purposes.
ÍNDICE DE CONTENIDOS
ÍNDICE DE FIGURASix
ÍNDICE DE TABLASxv
INTRODUCCIÓN1
PARTE I. FUNDAMENTOS TEÓRICOS RELACIONADOS CON EL FENÓMENO DE LOS DESLIZAMIENTOS DE LADERA7
1.INTRODUCCIÓN7
2. OBJETIVOS9
3. CONCEPTOS GENERALES RELACIONADOS CON LOS DESLIZAMIENTOS DE LADERAS11
3.1. Definiciones y Conceptos Básicos11
3.2. Clasificación de los deslizamientos14
3.2.1. En función del mecanismo de rotura y propagación del movimiento14
3.2.2. En función de la actividad18
3.3.3. En función del desarrollo19
3.3. Causas de los deslizamientos20
3.3.1. Factores de susceptibilidad20
3.3.2. Factores Detonante21
3.4. Riesgo de Deslizamientos de Laderas24
3.4.1. Deslizamientos en Centroamérica25
3.4.2. Deslizamientos en España26
4. FACTOR DETONANTE29
4.1. Caracterización del movimiento sísmico29
4.1.1. Parámetros Característicos29
4.1.2. Parámetros de Daño Potencial31
4.2. Evaluación y Predicción de Parámetros32
4.2.1. Estimación de parámetros para un determinado escenario sísmico32
4.2.2. Predicción de parámetros: Análisis de Peligrosidad34
4.2.3. Cálculo de la Peligrosidad39
PARTE II. ESTADO DEL ARTE EN LA EVALUACIÓN DE LA SUSCEPTIBILIDAD Y/O PELIGROSIDAD DE DESLIZAMIENTOS DE LADERA45
5. ESTADO DEL ARTE45
5.1. Principios Básicos47
5.2. Cartografía de Zonas Inestables y/o Movimientos de Ladera47
5.2.1. La Unidad Cartográfica48
5.2.2. Escala de Trabajo50
5.3. El SIG en el Análisis de Susceptibilidad y Peligrosidad de Deslizamientos50
5.3.1. Definición51
5.3.2. Desarrollo Histórico52
5.3.3. Ventajas e Inconvenientes53
6. CLASIFICACIÓN DE LAS METODOLOGÍAS57
7. DESARROLLO DE METODOLOGÍAS57
7.1. Metodologías Geomorfológicas57
7.1.1. Análisis de la densidad de los deslizamientos57
7.1.2. Análisis de la actividad de los deslizamientos58
7.1.3. Análisis de la susceptibilidad geomorfológica58
7.1.4. Análisis de las unidades de paisaje o land system58
7.2. Metodologías Deterministas. Método de Newmark59
7.2.1. Fundamentos teóricos59
7.2.1.1. Factor de Seguridad (FS)59
7.2.1.2. Aceleración crítica (AC)61
7.2.1.3. Desplazamiento de Newmark (ND)62
7.2.1.4. Estimación de la probabilidad de deslizamiento64
7.3. Semi-Cuantitativas65
7.3.1. Índice Estadístico de Deslizamiento65
7.3.2. Método del Proceso de Análisis Jerárquico (Analytical Hierarchy Process, AHP)66
7.3.3. Metodología de Mora-Vahrson69
7.3.3.1. Factor de Susceptibilidad69
7.3.3.2. Factor Detonante71
7.3.4 Metodología Rodríguez, 200172
7.4. Metodologías Estadísticas76
7.4.1. Bivariantes76
7.4.1.1. Teoría de Probabilidad Condicionada Bayesiana78
7.4.1.2. Método del Valor de Información (Information Value)78
7.4.1.3. Pesos de Evidencia (Weight Of Evidence, WoE)79
7.4.1.4. Factor Certeza (Certainty Factor)82
7.4.1.5. Método Matriz83
7.4.2. Estadísticas Multivariantes87
7.5. Metodológicas Alternativas93
7.5.1. Redes Neuronales Artificiales (RNA)93
7.5.1.1. Introducción93
7.5.1.2. Fundamentos Biológicos de Las Redes Neuronales93
7.5.1.3. Redes Neuronales Artificiales (RNA)95
7.5.1.4. Multicapa Perceptrón97
7.5.1.5. Algoritmo de Aprendizaje de la Regla Delta Generalizada (Backpropagation)97
7.5.1.6. Estudios de Susceptibilidad a los Deslizamientos de Laderas con RNA101
7.5.1.7. Ventajas e Inconvenientes de las RNA103
7.5.2. Conjuntos Difusos (Fuzzy Set)105
7.5.2.1. Teoría de la Evidencia o Dempster-Shafer106
PARTE III. APLICACIÓN METODOLÓGICA EN EL SALVADOR113
8. INTRODUCCIÓN113
9. CONTEXTO DE LA APLICACIÓN117
9.1. Tectónica119
9.2. Morfología121
9.2.1. La Llanura Costera Aluvial121
9.2.2. La Cadena Costera122
9.2.3. Meseta o Graben Central126
9.2.4. La Cadena Volcánica Septentrional127
9.3. Geología130
9.3.1. Formaciones Sedimentarias132
9.3.2. Formaciones Volcánicas e Intrusivas133
9.3.3. Elementos estratigráficos136
9.4. Propiedades Geotécnicas de los suelos137
9.5. Sismicidad141
9.6. Precipitaciones146
9.7. Información Histórica Relacionada con Deslizamientos de Laderas147
10. ESCENARIO DE LA APLICACIÓN: SISMOS Y DESLIZAMIENTOS DE 2001151
10.1. Terremotos del 2001151
10.1.1. Terremoto del 13 de enero154
10.1.2. Terremoto del 13 de Febrero155
10.2. Deslizamientos de 2001156
10.3. Daños del Terremoto 13 de Enero de 2001163
10.4. Daños del Terremoto 13 de Febrero de 2001166
11. SIG DE EL SALVADOR169
11.1. Introducción169
11.2. Cartografía Base170
11.3. Capa Geológica170
11.3.1. Proceso de Digitalización171
11.3.2. Estructuración de la Base de Datos172
11.3.3. Georreferenciación176
11.3.4. Edición178
11.3.5. Validación178
11.4. Modelo Digital del Terreno (MDT)179
11.5. Inventario de deslizamientos de laderas182
11.5.1. Generalidades182
11.5.2. Inventario de deslizamientos de El Salvador asociados a los sismos de 2001 en El Salvador182
12. EVALUACIÓN DE LA SUSCEPTIBILIDAD A LOS DESLIZAMIENTOS DE LADERAS189
12.1. Análisis de factores susceptibles a los deslizamientos189
12.1.1. Mapa Litológico Reclasificado190
12.1.2. Modelo Digital de Elevaciones194
12.1.3. Mapa de Pendientes195
12.1.4. Mapa de Orientaciones197
12.1.5. Mapa de Rugosidad199
12.1.6. Mapa de Precipitación Media Anual201
12.1.7. Mapa de Usos del Suelo203
12.2. Análisis de la distribución de deslizamientos de laderas en función de los factores condicionantes205
12.3. Evaluación de la Susceptibilidad por medio de Técnicas de Regresión Logística (RL)207
12.3.1. Resumen Fundamentos Teóricos207
12.3.2. Cálculo con Regresión Logística208
12.3.2.1. Método de Variable Completa209
12.3.3.2. Método de pasos sucesivos (Stepwise)212
12.3.3. Curva COR214
12.3.4. Cartografía de resultados del Modelo RL219
12.4. Evaluación de la Susceptibilidad por medio de Redes Neuronales Artificiales (RNA).221
12.4.1. Resumen Fundamentos Teóricos221
12.4.2. Cálculo de la Red221
12.4.2.1. Creación222
12.4.2.2. Aprendizaje223
12.4.2.3. Validación223
12.4.3. Cartografía de resultados del Modelo de RNA227
13. EVALUACIÓN DE LA ACCIÓN DETONANTE229
13.1. Introducción229
13.2. Escenario del Sismo del 13 de Enero de 2001229
13.2.1. Mapa del Movimiento en Suelo Firme229
13.2.2. Mapa Detonante: Movimiento incluyendo el Efecto Local232
13.3. Peligrosidad Sísmica: Movimiento Probable por Sismos Futuros242
13.3.1. Mapa del Movimiento en Suelo Firme244
13.3.2. Mapa Detonante: Movimiento Probable incluyendo el Efecto Local246
14. EVALUACIÓN DE LA PELIGROSIDAD A LOS DESLIZAMIENTOS DE LADERAS249
14.1. Mapa de Peligrosidad a los deslizamientos del 13 enero de 2001249
14.2. Mapa de Peligrosidad Probabilista253
14.3. Discusión257
SUMARIO Y CONCLUSIONES267
PROBLEMAS ABIERTOS271
REFERENCIAS273
En los últimos años el fenómeno de los deslizamientos de laderas está siendo objeto de una intensa labor científica destinada a conocer mejor la peligrosidad asociada y a proponer medidas de mitigación del correspondiente riesgo. Prueba de ello es la publicación de gran número de trabajos que presentan distintos métodos y técnicas, donde las diferencias se refieren fundamentalmente, al tipo de principios, a la unidad cartográfica seleccionada y a las herramientas empleadas para el análisis y la evaluación de la peligrosidad. En esta tesis se ha realizado un estado del arte sobre las metodologías más importantes para la evaluación de la peligrosidad y/o susceptibilidad inherentes a los deslizamientos de laderas. Dicho estado del arte ha permitido desarrollar una clasificación metodológica de las técnicas empleadas y encuadrar mejor el problema abordado, así como canalizar las aportaciones realizadas en esta tesis.
A continuación se exponen las principales conclusiones deducidas del trabajo, que se refieren a la metodología propuesta y aplicada en El Salvador, a los factores identificados como más determinantes de la susceptibilidad de deslizamientos, y a los resultados del análisis de peligrosidad.
Sobre la Metodología propuesta y la Aplicación en El Salvador
Tras la revisión de la literatura científica, se comprueba que existe cierta confusión entre los términos susceptibilidad y peligrosidad, en relación con la ocurrencia de deslizamientos. En nuestro trabajo hemos prestado especial atención a la distinción de estos dos aspectos fundamentales del fenómeno: la susceptibilidad y la peligrosidad. Así, los mapas de susceptibilidad reflejan la distribución de factores condicionantes de los deslizamientos, pero no indican la probabilidad de ocurrencia de los mismos; es decir, no contienen la componente temporal que si está incluida en la peligrosidad.
Después de realizar una clasificación metodológica, y analizar los diferentes métodos que componen el estado del arte, se proponen como más idóneos – para modelizar el fenómeno de los deslizamientos a escala regional – los métodos de regresión logística (RL) y las Redes Neuronales Artificiales (RNA). Se ha comprobado la utilidad e idoneidad de ambas técnicas para evaluar inicialmente la susceptibilidad y posteriormente, la peligrosidad de deslizamientos inducidos por sismos a escala regional mediante una aplicación desarrollada en El Salvador.
Por otra parte, el empleo de herramientas SIG ha facilitado la toma de decisiones en multitud de áreas temáticas, y en concreto en temas de peligrosidad y riesgo inherentes a distintos fenómenos naturales (volcanes, terremotos, huracanes, etc.), debido a su gran capacidad de análisis de datos espaciales y de explotación de resultados. Ello ha conllevado un ahorro en tiempo, costo y recursos personales en los consiguientes estudios para la mitigación de estos riesgos. Así, la implementación de un SIG para El Salvador (SIGSAL) en esta tesis ha proporcionado numerosas ventajas para el almacenamiento e integración de diferentes bases de datos, mapas topográficos y temáticos, imágenes de satélites, etc., permitiendo la realización de análisis geoespaciales entre diversas capas (geológicas, climáticas, topográficas, geotécnicas, etc.) y la representación de resultados gráficos y cartográficos.
Aplicando el método de regresión logística RL se ha obtenido un modelo de susceptibilidad particular para el Salvador, en el que se han identificado los siguientes factores influyentes: rugosidad, elevación, pendiente, precipitación media anual, orientación, litología y usos de suelo; determinándose los pesos relativos de los distintos factores. En el modelo de RL, la probabilidad de ocurrencia es estimada a partir de una formula logística, que facilita la definición de un modelo funcional acorde a los datos y factores analizados. Además, el modelo RL ha permitido el cálculo de los odds ratio, que representan el grado de probabilidad asociada con cada factor. Finalmente, un modelo simplificado de susceptibilidad ha sido deducido por regresión logística stepwise para la zona de estudio, dando como resultado la identificación de los factores que resultan más determinantes, que son la rugosidad y el tipo de suelo. El nivel de significación alcanzado, al calibrar el modelo para el escenario del sismo del 13 de enero de 2001, es del 89%.
A parte del modelo RL, se ha estimado un modelo de susceptibilidad a escala regional empleando las Redes Neuronales Artificiales RNAs, considerando el algoritmo de aprendizaje de la regla delta generalizada (o backpropagation). Estas redes han sido diseñadas y entrenadas a partir del inventario de deslizamientos, y de la información cartográfica previamente implementada en el SIG de El Salvador. Los factores considerados han sido los mismos que en el modelo de la susceptibilidad de RL. Se ha llevado a cabo una validación del proceso mediante el uso de la matriz de confusión y la curva COR, obteniendo un porcentaje de precisión global del 95.1%.
Una discusión sobre las ventajas e inconvenientes de ambos métodos, RL y RNA ha sido planteada, siendo destacables las siguientes consideraciones:
•El modelo RL ajusta los datos a una ecuación fija en la que se determinan una serie de coeficientes, por lo que no es tan flexible para la resolución de problemas complejos como el modelo de las RNAs, que posee más grados de libertad.
•Las ventajas de las RNAs y su posible aplicación a la evaluación de la peligrosidad de deslizamientos de laderas, están basadas en la simulación que logran de los sistemas biológicos neuronales, con capacidad de manejar datos imprecisos y/o incompletos. Otras ventajas adicionales derivan de la no linealidad del modelo, la capacidad de generalizar, la tolerancia a las incertidumbres y la objetividad de asignación de los pesos a los factores condicionantes, con la mínima intervención del operador. Por otra parte, el método de las RNAs es un método independiente de la distribución estadística de los datos, por lo que no existen variables estadísticas específicas para su utilización.
•Sin embargo, se ha detectado que las RNAs presentan también una serie de problemas y limitaciones, que se manifiestan, por ejemplo, a la hora de la definición de la arquitectura de la red, la selección del algoritmo y parámetros de entrenamiento. Las RNAs necesitan de una gran cantidad de muestras de entrenamiento, algo fundamental para obtener modelos fiables. Comparadas con los métodos estadísticos, las RNAs permiten definir clases más acertadas y ajustadas a la naturaleza de los datos. Sin embargo, estos métodos son “cajas negras”, puesto que no se conocen exactamente como aprenden problemas particulares y como aplican las reglas estimadas a los nuevos casos, o como obtienen conclusiones a partir de las redes entrenadas.
•Se puede decir que no hay un método único para estudiar los deslizamientos, que sea el mejor en todos los casos y para todas las posibles situaciones. Dependiendo del número de muestras de entrenamiento, las capas del SIG disponibles, la resolución de los datos, etc., un modelo u otro puede ser más apropiado para abordar con éxito un problema específico.
En definitiva, tras analizar los resultados obtenidos, podemos concluir que no se puede considerar un método superior de forma absoluta frente al otro, puesto que ambos son complementarios. Las características de ambos métodos permitirán – ajustando parámetros y variables- analizar el problema de los deslizamientos en regiones extensas, como la ocupada por un país como El Salvador. Sin embargo, las características de los datos, en concreto su baja resolución espacial (con píxeles de un hectómetro de lado, de acuerdo a la escala regional adoptada) solo permiten un análisis inicial del fenómeno. Así, los mapas que ofrecen los métodos RL y RNA solo pueden considerarse como una primera aproximación al problema, dirigida a identificar las zonas de mayor susceptibilidad y/o peligrosidad. Posteriormente, será necesario realizar los estudios pertinentes a una escala de mayor detalle y empleando los métodos apropiados.
Sobre los factores más determinantes en la susceptibilidad
Tras la aplicación de la metodología RL se concluye que la litología y la rugosidad son los factores más influyentes en el modelo de susceptibilidad de deslizamientos obtenido, mientras que los usos del suelo constituyen el factor menos significativo. La máxima frecuencia de ocurrencia de deslizamientos se presenta en el intervalo de pendientes 73º–81º, con elevaciones entre 1630 y 1900m. Los rangos de pendientes junto con la elevación están reflejando un relieve escarpado que corresponde a valores altos de rugosidad. Este factor está también relacionado con la orientación y concavidad de la ladera, lo que puede explicar el hecho de que la mayoría de las observaciones de deslizamientos se encuentren al norte (20,8%) y noroeste (19,6%) de las laderas.
Otro de los factores más influyentes después de la rugosidad, es la litología de la zona y las características del suelo, que están muy relacionadas con las actividades de las erupciones volcánicas en el pasado. Existen dos categorías litológicas donde se percibe una mayor densidad de deslizamientos: roca dura asociada a los depósitos epiclásticos y volcaniclásticos (43,2%), y suelos no consolidados, piroclásticos donde se incluyen las Tierras Blancas (TB) y Tobas Color Café (TCC) (41.5%). Generalmente, las caídas de rocas se inician en la parte intermedia-alta de la ladera, y los depósitos de TB y TCC se localizan en la parte superior de cimas de montaña.
Respecto al índice de lluvias, la concentración más alta de deslizamientos con un porcentaje del 35,4%, ocurre en el rango de precipitaciones mayor entre 2520 y 2690 mm, seguido de un porcentaje de 17,8% en el intervalo de 1820 a 1920mm.
Sobre la peligrosidad de deslizamientos en El Salvador
En otro orden, se ha hecho un esfuerzo por analizar y modelizar el factor detonante que interviene en el disparo del deslizamiento. Es sabido que pueden intervenir diferentes factores como acción detonante o de disparo: lluvias torrenciales, terremotos, acciones antrópicas, etc. En nuestro caso hemos considerado el terremoto como fenómeno inductor del deslizamiento, siendo el factor detonante el movimiento causado por éste, que se ha modelizado en función de la energía liberada en el foco, la propagación de ondas sísmicas en su trayectoria y el efecto local del suelo en la región estudiada.
Para el análisis del factor detonante se han considerado dos supuestos: escenario determinista para un evento pasado, y escenario probabilista asociado a movimientos futuros. Se han obtenido así los mapas de acción detonante para el escenario del sismo del 13 de enero de 2001 y para eventuales movimientos futuros asociados a un periodo de retorno de 475 años. Ello implica movimientos con probabilidad de excedencia del 10% en 50 años, elegida por ser la que se utiliza en normativas sísmicas para regular el diseño de estructuras convencionales.
Combinando ambos mapas de susceptibilidad y detonante, se han obtenido los mapas de peligrosidad a los deslizamientos para el escenario citado, que han servido para la validación de modelos (al ser comparados con el inventario existente), y los mapas de peligrosidad probabilistas, útiles para la predicción y mitigación del riesgo asociado a eventos futuros.
Las zonas que resultan con mayor peligrosidad de deslizamientos debido a sismos futuros, con las dos técnicas empleadas (RL y RNA), se localizan en las unidades geomorfológicas identificadas como cadena costera y cadena volcánica septentrional de El Salvador (figuras 14.10 y 14.11).
PROBLEMAS ABIERTOS
Esbozamos finalmente algunos problemas encontrados en la realización de esta tesis, que podrían marcar pautas para futuras investigaciones, dando continuidad a la línea de trabajo aquí presentada.
Uno de los problemas encontrados radica en la dificultad de seleccionar los factores condicionantes de la susceptibilidad, que pueden ser muchos, complejos y difíciles de modelizar. En esta tesis se han considerado los más significativos, pudiendo ser completados con otros en trabajos futuros, como la curvatura de la ladera, distancia a fallas, proximidad a carreteras, etc.
Otro problema ha derivado del hecho de no disponer de un inventario de deslizamientos completo y preciso para todo el país, contemplando diferentes escenarios sísmicos. Hemos hecho uso, en su lugar, del inventario existente para el sismo del 13 de enero de 2001, que ha resultado determinante en nuestra aplicación. Para ganar precisión en futuras investigaciones, sería necesario recopilar información de eventos pasados y preparar una base de datos de deslizamientos completa y actualizada. En ella deberían indicarse aspectos fundamentales, como la localización de la ladera deslizada, la fecha y hora del deslizamiento, el tipo de deslizamiento, existencia de vegetación, material involucrado, etc. Además, esa base de datos debería ir asociada a la cartografía de la zona, diferenciando adecuadamente el contorno del escarpe y el depósito del deslizamiento.
En la aplicación del método de Redes Neuronales Artificiales, RNA, hemos encontrado, como aspecto más problemático, el hecho de no disponer de un inventario con mayor número de muestras que el existente y ligado a otros posibles escenarios, que permitiera un mejor entrenamiento de la red. Se requeriría, además, contemplar otras situaciones diferentes a la del escenario sísmico que ha caracterizado la aplicación. La disponibilidad de inventarios más completos permitiría mejorar el proceso de entrenamiento y aumentaría la fiabilidad de los resultados. A este respecto, sería también conveniente profundizar en el desarrollo de la arquitectura de la red, definiendo adecuadamente el número de nodos de entrada, las capas ocultas y los parámetros de aprendizaje.
Por otra parte, se ha encontrado cierta dificultad en la caracterización geotécnica y en la adopción de una clasificación litológica adecuada para modelizar, tanto el efecto local en el movimiento sísmico, como la influencia del tipo de suelo en la susceptibilidad, a la escala regional de trabajo adoptada. Este aspecto también podría ser mejorado en aplicaciones futuras, incorporando resultados de sondeos e investigaciones geofísicas que puedan contribuir a mejorar la clasificación litológica y a definir factores de amplificación al movimiento sísmico para cada clase definida.
Por último, la identificación de zonas de mayor o menor susceptibilidad y/o peligrosidad a partir de los mapas obtenidos, conlleva la necesidad de clasificar los valores resultantes en rangos comprensibles y ajustados a los datos del inventario de deslizamientos. En este trabajo hemos diferenciado cinco rangos, estableciendo así cinco niveles tanto para la susceptibilidad como para la peligrosidad: muy baja, baja, media, alta y muy alta. Pero la determinación de estos rangos es subjetiva y se ha realizado según criterio de experto. El ajuste y definición de estos rangos es otro punto abierto para futuras investigaciones.