In the last decade, the evaluation of the susceptibility to landslide through the statistical method became an important issue for scientific institutions because is as a low cost economic alternative for large areas of study. The problem currently faced by research society is the large number of statistical models used in the study of susceptibility landslide. There is a need to debug and propose models with a high degree of reliability in the landslide zoning. In this work evaluated and compared by using validation models, landslide susceptibility maps produced with three different statistical methods (SPATSMO-SL, Logistic regression and artificial neural network). An inventory of landslide was developed which was randomly divided in two groups 70% (654 landslide) for training of the models and 30% (280 landslide) for their respective validation. For modeling, 25 conditioning factors were chosen as variables related to the landslide, the relationship between the distributions of landslide and the variables associated with them were analyzed using the three methods and later calculate the susceptibility of landslide of this study area. Accuracy, precision, and predictive capacity of final landslide susceptibility maps were evaluated on the basis of 30% of landslide not employed in the training. The predictive capacity of each model was determined with the area under the ROC curve, accuracy and precision were determined by the confusion matrix. The work carried in our study area identified the location of 934 landslide, 16 translational movements of debris, 8 rock flows and 910 debris flows .The ROC curve obtained by means of the methods SPATSMO-SL, Logistic regression and artificial neural network was of 0854, 0946, and 0952 respectively.
En la última década la evaluación de la susceptibilidad a procesos de remoción (PRM) en masa a través del método estadístico se convirtió en un tema importante para las instituciones científicas como una alternativa económica de bajo costo para grandes áreas de estudió. El problema al que actualmente se enfrentan las sociedades investigadoras es la gran cantidad modelos estadísticos que se emplean en el estudio de la susceptibilidad a PRM. Existe la necesidad de depurar y proponer modelos con alto grado de confiabilidad en la zonificación de PRM. En este estudio se evaluaron y compararon mediante el uso de modelos de validación, mapas de susceptibilidad de PRM producidos con tres métodos estadísticos diferentes (SPATSMO-SL, Regresión logística y Red Neuronal Artificial). Se elaboró un inventario de PRM el cual fue dividido aleatoriamente en dos grupos 70% (654 PRM) para entrenamiento de los modelos y 30 % (280 PRM) para su respectiva validación. Para la modelación se eligieron 25 factores condicionantes como variables relacionadas a los PRM, la relación entre las distribuciones de PRM y las variables asociadas a ellos fueron analizados utilizando los tres métodos para posteriormente calcular la susceptibilidad de PRM del área de estudio. La exactitud, precisión y capacidad predictiva de los mapas de susceptibilidad de PRM final fueron evaluados sobre la base del 30% de PRM no empleados en el entrenamiento. La capacidad predictiva de cada modelo se determinó con el área bajo la curva ROC, la exactitud y precisión se determinaron mediante la matriz de confusión. Los trabajos realizados en nuestra zona de estudio identificaron la ubicación de 934 PRM, 16 movimientos traslacionales de derrubios, 8 flujos de roca y 910 flujos de derrubios. La curva ROC obtenida mediante los métodos SPATSMO-SL, regresión logística y red neuronal artificial fue de 0.854, 0.946, y 0.952 respectivamente.
