Modelamiento geoespacial para la identificación de zonas críticas vulnerables a peligros múltiples, cuenca hidrográfica Camaná - Majes - Colca, Arequipa
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".