Modelamiento geoespacial para la identificación de zonas críticas vulnerables a peligros múltiples, cuenca hidrográfica Camaná - Majes - Colca, Arequipa
Notice bibliographique
Résumé
La evaluación de peligros naturales y el análisis de vulnerabilidad forman parte de la Gestión de Riesgo, como herramienta para adoptar medidas preventivas que eviten o reduzcan los efectos de un desastre. Actualmente, el modelamiento geoespacial mediante los Sistemas de Información Geográfica (SIG) es un método integral para la identificación de fenómenos naturales y para el análisis espacial de la susceptibilidad a estos. Las evidencias históricas, muestran que la región de Arequipa ha sufrido grandes pérdidas, como producto de fenómenos de origen geológico, hidrológico y atmosférico, por ello es preciso desarrollar estudios a detalle bajo este enfoque. El presente estudio responde dicha necesidad; cuyo objetivo fue identificar zonas potencialmente susceptibles a la ocurrencia de peligros múltiples y expuestas en condiciones de vulnerabilidad social; mediante el análisis y modelamiento geoespacial en una plataforma SIG, en el ámbito de la Cuenca Hidrográfica Camana-Majes-Colca; en función de sus características físicas y socioeconómicas. Se diseñó y construyó una base de datos geoespacial; luego, las unidades de cada variable fueron valoradas en función del nivel de peligro y grado de vulnerabilidad que representan, para posteriormente ser integradas asignándoles coeficientes ponderativos; en función al grado de incidencia que tienen sobre el submodelos correspondientes; los cuales a su vez se integraron mediante un análisis matricial y ponderativo para generar el modelo final. Los resultados muestran un nivel de peligro global Muy Alto, en un 18.8% de la cuenca, que incluye los centros poblados de Viscachani, Andagua, Chachas, Choco, Pampacolca, Madrigal, Lari, Huambo, Chilcaymarca, Yanque, Maca, entre otros, considerados como zonas críticas y los cuales deben ser priorizados al momento de tomar acciones enfocadas a la Gestión de Riesgo de Desastres. Nivel Alto, en un 47.9% del territorio; nivel Medio, en un 17.0% y nivel Bajo, en un 16.2% que incluye los centros poblados de Cicera, Villa Hermosa Pedregal, San Pedro, San Isidro del Labrador, CP ubicados en las pampa de irrigación de ajes y al norte del Distrito de Aplao; considerados zonas con niveles de bajo riesgo ante desastres.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».