GEOESTADÍSTICA APLICADA AL MODELAMIENTO PREDICTIVO DE DAÑOS
SÍSMICO EN SARMIENTO (SAN JUAN – ARGENTINA)
Luciana Maricel Narváez [1]
(Manuscrito recibido el 20 de mayo de 2025,
en versión final 23 de septiembre de 2025)
Para citar este documento
Narváez, L.M., 2025 Geoestadística
aplicada al modelamiento predictivo de daños sísmico en Sarmiento (San Juan –
Argentina). Boletín geográfico, 47,
1-15, https://id.caicyt.gov.ar/ark:/s2313903x/9cn97s8ar
Resumen
El
departamento Sarmiento, al igual que toda la provincia de San Juan, tiene una
historia sísmica marcada por importantes terremotos destructivos, como los
ocurridos en 1894, 1941, 1944, 1952, 1977 y 2021. Estos terremotos han dejado
una huella significativa, causando daños severos o incluso colapsos en
viviendas, edificios públicos e históricos, así como importantes impactos
económicos en gran parte de la población. Además, lamentablemente, han provocado
un número considerable de heridos y fallecidos. En respuesta a esta situación,
este trabajo se propone contribuir al conocimiento de los daños poblacionales
en el departamento Sarmiento mediante su cuantificación y la aplicación de
metodologías avanzadas de análisis espacial. Para ello, se emplea la
metodología de la geoestadística en el modelado predictivo de los daños
sísmicos, ya que las variables involucradas, al tener continuidad espacial, son
adecuadas para este tipo de análisis. Los resultados proporcionan modelos
predictivos claros y concisos para la gestión en caso de un evento sísmico.
Palabras
claves: Mapas, Cuantificación, Amenaza, Metodologías
avanzadas de análisis espacial
GEOSTATISTICS APPLIED TO
PREDICTIVE MODELING OF SEISMIC DAMAGE IN SARMIENTO (SAN JUAN, ARGENTINA)
Abstract
The Sarmiento Department, like the entire
province of San Juan, has a seismic history marked by powerful and destructive
earthquakes, such as those recorded in 1894, 1941, 1944, 1952, 1977, and 2021. These
events have left a profound impact, causing severe damage and even the collapse
of homes, public buildings, and historic structures, along with substantial
economic losses affecting large sectors of the population. Unfortunately, they
have also resulted in a significant number of injuries and fatalities.
In response to this context, the objective of
this study is to advance the understanding of population-level damage in the
Sarmiento Department by quantifying it and applying advanced spatial analysis
methodologies. To achieve this, geostatistical methods are employed to develop
predictive models of seismic damage, as the variables involved exhibit spatial
continuity and are therefore well suited to this type of analysis. The results
offer clear and concise predictive models that can support decision-making and
management actions in the event of a seismic event.
Keywords: Maps,
Quantification, Threat, Advanced patial analysis methodologies.
Introducción
Uno
de los objetivos más importantes de todo estudio de riesgo es salvar vidas
humanas. Para ello, es fundamental conocer el número de víctimas esperadas,
entendiendo por víctimas tanto los heridos como los fallecidos, que podría
provocar un terremoto. La documentación existente acerca del número de víctimas
en terremotos pasados es escasa, siendo además muy difícil la estimación de
pérdidas humanas, por causa de las diferencias en el número de víctimas
dependiendo del momento en que se produce el terremoto y de la intensidad de
éste. A pesar de estas limitaciones, se estima que el 25% del total de muertes
producidas por terremotos a nivel mundial fueron causadas por daños no
estructurales en los edificios o provocadas por otros efectos inducidos por el
terremoto, como incendios, caída de bloques o deslizamientos. Este tipo de
desastres es muy difícil de predecir, pero normalmente causan una baja
proporción de las muertes totales. La mayor parte de las víctimas es debida al
colapso de los edificios. En este sentido, el colapso total o parcial de las
edificaciones es considerado la causa principal de las muertes y lesiones por
el número de edificios con daños de consideración.
Es
bien conocido que los desastres sísmicos, aunque tiene su origen y causa
principal en el daño físico directo y en la degradación de los edificios,
estructuras e infraestructuras, van más allá, golpeando entre otros aspectos, a
la población, al sistema de salud y a los sistemas productivos y
socioeconómicos. En este estudio se abordan diferentes aspectos que se modelan
a partir del daño físico directo; concretamente los daños a la población. Entre
los daños esperados a la población se propone cuantificar los fallecidos,
heridos, atrapados bajo los escombros y la población sin vivienda. Se aplica la
metodología de la geoestadística para el modelado predictivo de los daños
sísmicos esperados, debido a que las variables en cuestión son aleatorias
regionalizadas aptas para su tratamiento.
Como base territorial, se ha seleccionado un área pequeña
con delimitación político-administrativa: el departamento Sarmiento (Figura 1)
en la provincia de San Juan. Esta elección se fundamenta principalmente en su
alta sismicidad y gran concentración de la población, lo que lo convierte en un
caso testigo interesante para ensayar la metodología propuesta.
Figura 1. Localización del departamento Sarmiento. Elaborado
sobre la base de CFCyC (2016).
A raíz de importantes terremotos ocurridos en diferentes países
ubicados en áreas
de amenaza sísmica alta, ha sido necesario desarrollar métodos para evaluar el
riesgo y daños sísmico con el fin de evitar que el número de víctimas y
pérdidas materiales sea mayor. En este sentido, se presenta una recopilación
sobre varias metodologías existentes, dentro de las que se destacan los
siguientes trabajos:
La metodología Urban System Exposure (USE) fue desarrollada como parte del proyecto de
investigación GEMITIS (1996-1999) del Bureau de Recherches
Geologiques et Minieres, (BRGM).
(Mouroux, et al, 2004). Se terminó
de desarrollar y fue aplicado, a las ciudades de Barcelona, Bitola, Bucarest,
Catania, Niza, Sofía y Thessaloniki como parte del
proyecto Rick-EU (Masuere y Lutoff,
2006).
En cuanto a la metodología se utilizó Sistemas de Información Geográficos
(SIG) para el análisis de la vulnerabilidad sísmica urbana, Rashed
y Week (2003) integraron técnicas de análisis
espacial multicriterio y lógica difusa. Este método fue aplicado a la ciudad de
Los Ángeles.
Cardona (2001) plantea una estimación holística del riesgo
sísmico, teniendo en cuenta un marco conceptual integrador y un enfoque
holístico para la evaluación del riesgo de desastre, que no solo tiene en
cuenta variables relacionada con los efectos físicos, sino también variables
relacionadas con aspectos sociales, económicos, y de capacidad de respuesta o
recuperación post-desastre o resiliencia.
A partir de una recopilación
de diversos textos relacionados con la temática en estudio, se puso especial
atención en cómo ha sido abordado el tema, su nivel de desarrollo y las
tendencias actuales. En este contexto, resulta clave la elaboración de mapas de
riesgo y modelos predictivos de daños, para diseñar planes de contingencia que
deben ser desarrollados por los organismos operativos de respuesta durante la
fase de preparación ante emergencias. Cabe destacar que un plan operativo
basado en estos mapas puede resultar significativamente más eficaz que uno
elaborado sin ese conocimiento previo, ya que permite establecer procedimientos
de respuesta más precisos y adecuados para asistir a la población en
situaciones de desastre.
Metodología
La geoestadística puede considerarse como una disciplina que se
ocupa del análisis estadístico de variables espacialmente distribuidas; es
decir se aplica a variables geográficas que se comporten como variables aleatorias regionalizadas (VAR). Se define como
variable regionalizada z (x) a
la variable distribuida en el espacio con una estructura espacial de correlación. El
procedimiento detallado que comprende el estudio geoestadístico para las
variables a estimar y modelizar en la elaboración de los mapas predictivos de
daños sísmicos se conforma de las siguientes etapas (Márquez, 2018).
Etapa 1: Análisis Estadístico
Preliminar.
Las
técnicas estadísticas convencionales nos permiten obtener todo un conjunto de
información, desconocida a priori sobre la muestra bajo estudio, que es
imprescindible para realizar correctamente cualquier análisis estadístico y en
particular un análisis geoestadístico. La identificación de valores extremos y
su ubicación geográfica, la evaluación de la forma de la distribución y el
cálculo de medidas de localización, variabilidad y correlación es muy
importante para establecer si algunos supuestos necesarios de la teoría
geoestadística son válidos para definir qué procedimiento de predicción es el
más conveniente.
En relación a la muestra bajo
estudio, para que sea estadísticamente significativa, se opta por trabajar con
el muestreo probabilístico y entre los diferentes muestreos (estratificado,
aleatorio, conglomerado, sistemático) que existen, se decide por el aleatorio
simple. La razón se debe a que los muestreos probabilísticos tienen la ventaja de ser los únicos que
permiten realizar inferencias, como calcular el error del muestreo.
Es importante
resaltar que le peligro o amenaza sísmica afecta a todos los habitantes del
área de estudio, por esta razón, fue posible seleccionar las VAR con
continuidad espacial para ser tratadas en la base de datos geográfica.
Específicamente se seleccionaron aquellas variables que más daños generan en la
población y que son las que más preocupan frente a la ocurrencia de un
terremoto. Estas son: cantidad de fallecidos esperados, cantidad de heridos
esperados, cantidad de población sin viviendas y cantidad de población atrapada
bajo los escombros.
Para
la obtención de la base de cálculo de las variables mencionadas se parte del
siguiente enfoque: el método uniparamétrico es utilizado para definir la acción
sísmica a partir de la descripción de los daños en la escala de intensidad macrosísmica delimitada por MSK (Medvedev, 1978). El uso de
matrices de probabilidad de daños (MPD) nos permite pronosticar los posibles
daños en cada una de las tipologías descritas en la escala, según la severidad
del evento sísmico esperado. Este enfoque es bien conocido y ampliamente
utilizado en la práctica sismológica (Braga, Dolce & Liberatore, 1982).
Etapa 2: Análisis
de la continuidad espacial.
El proceso de estimación y
modelación de la función que describe la correlación espacial es conocido como
análisis estructural. El análisis estructural o estudio variográfico según (Armstrong & Roth, 1997) está compuesto
por: el cálculo del semivariograma experimental y el
ajuste de éste a un modelo teórico conocido (modelos autorizados).
El cálculo del semivariograma experimental es la herramienta
geoestadística más importante en la determinación de las características de
variabilidad y correlación espacial del fenómeno estudiado. Este análisis tiene
como condicionantes: la distribución estadística, la existencia de valores
aberrantes o anómalos, la presencia de zonas homogéneas o posibles
zonificaciones en la distribución de las leyes.
Ahora, el semivariograma experimental obtenido no es utilizado en el
proceso de estimación, debe ser ajustado a este uno a varios modelos teóricos o
modelos autorizados, obteniéndose un modelo o función analítica que caracteriza
la continuidad espacial de la variable estudiada. Es decir, el modelo de variograma teórico seleccionado debe representar
fielmente los aspectos que se suponen importantes del variograma
experimental, que serán usados posteriormente en el proceso de estimación o
simulación.
Como
el ajuste de los modelos teóricos al semivariograma
experimental, se realiza variando los valores Co (efecto de pepita),
C + Co (meseta) y a (alcance), hasta coincidir con los parámetros
que mejor se ajustan, es conveniente validar el modelo seleccionado y los
parámetros meseta y alcance escogidos. Al respecto se discute la validación cruzada.
El método de validación cruzada ha sido ampliamente
utilizado para evaluar el grado de bondad de un modelo de semivariograma
y reconocido como un método óptimo de estimación de sus parámetros. La operación de validar un semivariograma teórico ajustado a uno experimental siempre
toma mucho tiempo, éste se considera como el último de los pasos importantes
del análisis de variabilidad, debido a que una vez obtenido este resultado será
utilizado en la estimación por krigeaje en cualquiera
de sus variantes. Se van
probando diferentes valores de los parámetros del semivariograma
hasta que los errores de validación cumplan los siguientes criterios
estadísticos (1 a 5):
1. Media del error
Media =
(1)
Sea pequeña.
2. Error Medio Cuadrático
EMC = 
(2)
Sea el mínimo posible.
3. EMC estandarizado
EMC std = 
≈ 1.0 (3)
4. correlación muestral entre
z(xi) y 
cercana a 1.0
5. Correlación muestral entre
z(xi) y {z(xi)- }/ 
≈ 0
donde Z(xi) son los
valores muestrales en el punto xi y los valores
estimados mediante kriging y 𝜎𝑖 las desviaciones estándar asociadas a la
estimación.
Asimismo, debe verificarse que la Comprobación del RMSE relativo
(RMSErel)
6. RMSErel= 
Sea pequeño (4)
RMSE_rel < 30% →
aceptable en variables ambientales.
RMSE_rel < 15% → muy bueno.
RMSE_rel < 10% → excelente.
Todo
lo expresado hasta aquí tiene un único objetivo, conocer la información
disponible para realizar estimaciones, es decir, estimar valores desconocidos y
representarlos en una cartografía, a partir, no sólo de los conocidos, sino
también de su estructura de continuidad espacial. A diferencia de otra gran
variedad de métodos de interpolación que no utilizan estas características y
que se emplean actualmente con diferentes fines. Hay dos grupos principales de técnicas de
interpolación: determinísticas y geoestadísticos. Las técnicas de interpolación
determinísticas generan superficies continuas mediante el grado de similitud o
suavizado. Las técnicas de interpolación geoestadísticos crean superficies
continuas a partir de las propiedades estadísticas de los datos de partida (Márquez, 2018).
Estas
dos técnicas de estimación utilizan directamente los valores muestreados en el
proceso de estimación y refieren pesos de acuerdo a
las distancias entre los datos, sin tener en cuenta la continuidad espacial de
la información disponible. Veamos ahora el krigeaje, interpolador de la geoestadística, que sí utiliza los resultados
que discutidos del análisis estructural.
El
krigeaje es una técnica de estimación que proporciona
el mejor estimador lineal imparcial (BLUE, en inglés, Best
Linear Unbiased Estimator)
y que además proporciona un error de estimación conocido como varianza de krigeaje que depende del modelo de variograma
obtenido y de las localizaciones de los datos. Esto brinda la posibilidad de
hacer análisis sobre la calidad de las estimaciones.
Uno
de los problemas encontrados al modelar semivariogramas
es la existencia de tendencia en los datos, es decir, que los valores medidos
aumentan o disminuyen en alguna dirección en el área de estudio. Este es el
caso de un fenómeno no estacionario, lo que hace imposible la aplicación del krigeaje presentado hasta aquí. Con el objetivo de
solucionar este problema Matheron (1970) propuso el Krigeaje Universal (KU), que consiste en extraer de la
variable original Z(x) la parte no estacionaria por medio de una componente
determinística m(x) que representa la deriva, hasta encontrar la parte
estacionaria del fenómeno, obteniéndose un componente estocástico R(x)
relacionados por la siguiente (5):
Z(x) = m(x) + R(x) (5)
Validación
con los criterios de Akaike y Bayesiano.
El objetivo de la evaluación de modelos es seleccionar aquellos
que presenten el mejor balance entre la capacidad de ajuste de los datos y su
complejidad. Modelos con un mayor número de parámetros tienden a ajustar mejor
una base de datos, no obstante, tienden a ser más inestables y a modelar la
variabilidad de esos datos más que su tendencia. Los modelos pueden ser
evaluados de acuerdo con los siguientes criterios:
·
Criterio de información Akaike (AIC): el criterio combina la teoría de máxima verosimilitud,
información teórica y la entropía de información, y es definido por la ecuación
(6):
(6)
donde log(L(θb)) es el logaritmo de la máxima verosimilitud, que
permite determinar los valores de los parámetros libres de un modelo
estadístico, y K es el número de parámetros libres del modelo. Este criterio
tiene en cuenta los cambios en la bondad de ajuste y las direcciones en el
número de parámetros entre los modelos. Los mejores modelos son aquellos que
presentan el menor valor de AIC.
· Criterio
de información bayesiano (BIC): calculado para los diferentes modelos como una
función de la bondad de ajuste del log Lik, el
número de parámetros ajustados (K) y el número total de datos (N).
El BIC está definido por (7):
(7)
El modelo con el más bajo valor de BIC es considerado el mejor en
explicar los datos con el mínimo número de parámetros.
Resultados
En este estudio,
se buscó avanzar en la estimación de los daños sísmicos esperados en la
población de Sarmiento. La evaluación total de las pérdidas humanas causadas
por terremotos de gran intensidad se basó únicamente en los daños físicos
directos (estructurales) provocados en las edificaciones, excluyendo los daños
indirectos.
La implementación
del plan de muestreo (Figura 2 y Figura 3): el tamaño de la
población denominada “1”, es de 1.785 viviendas. Mediante la aplicación de la
fórmula del cálculo del tamaño muestral se obtuvieron 317 viviendas con un
nivel de confianza del 95%. El tamaño de la población “2” del objeto a estudiar
comprende 71.710 viviendas. Con la aplicación de la fórmula del cálculo del
tamaño muestral se obtuvieron 365 viviendas considerando el mismo nivel de
confianza.
Figura 2. Implementación del
plan de muestreo 1. Elaboración propia sobre los datos de CFCyC (2016) y DGyCSJ
(2019).
Figura 3. Implementación del plan de
muestreo 2. Elaboración propia sobre los datos de CFCyC (2016) y DGyCSJ
(2019).
El
primer paso del método, conocido como análisis preliminar de la base de datos indicó,
en términos generales, que ninguna de las variables en estudio sigue una
distribución normal, aunque algunas podrían considerarse cuasinormales
según el valor de su asimetría. En cuanto a la dispersión de los datos, ninguna
variable mostró una medida de dispersión calculada igual a cero, lo que sugiere
la presencia de datos extremos que disminuyen la confiabilidad de la medida
considerada como el centro de gravedad de la serie de datos. Se detectaron
errores en algunas variables, los cuales fueron considerados como atípicos
debido a que las mediciones realizadas indican que los valores están dentro del
rango esperado en la realidad del tema en cuestión. En
cuanto a la tendencia espacial de los datos en el departamento Sarmiento se
puede describir, lo siguiente para las distintas muestras:
-Muestra 1 (M1): se observa una distribución
heterogénea de los datos y con una marcada delimitación territorial. Se observa
un predominio en los extremos orientales y occidentales de las variables con
áreas intermedias vacías, posiblemente debido a la influencia de los accidentes
del relieve, entre otros limitantes.
-Muestra 2 (M2): se representa una distribución
regular con valores localizados a menor distancia y cubriendo todo el
territorio. Podemos decir que las variables están distribuidas en forma más
regular en el departamento con tendencia decreciente en sentido oeste a este.
En
esta etapa se estudia la correlación espacial de las VAR requerido por el
proceso de estimación y modelación. Dicho análisis se compone primeramente por
el cálculo del semivariograma experimental de cada
una de las variables correspondientes a población fallecida, heridos, atrapados
bajo los escombros y población sin vivienda, en las muestras. El cálculo del semivariograma experimental es una importante herramienta
para la determinación de las características de variabilidad y correlación
espacial del fenómeno en estudio. En este sentido, tener conocimiento de cómo
la variable cambia de una localización a otra, es el aspecto más importante de
la geoestadística para el análisis del fenómeno o de la variable de
distribución espacial en estudio.
Posteriormente
se lleva a cabo el ajuste de estos semivariogramas experimentales
a diferentes modelos teóricos conocidos con la variación de los parámetros
correspondientes (pepita, alcance, meseta). El modelo teórico final que mejor
se ajusta es determinado mediante la validación cruzada y los coeficientes
correspondientes a diferentes técnicas estadísticas. Esta información es
crucial para identificar el mejor interpolador que comprende cada variable a
predecir de los daños sísmicos.
Estos análisis
comprueban la existencia de anisotropía en todas las VAR, ya que la correlación
entre los datos depende de la dirección en que se calcule. Esto determina, que
la esperanza matemática de las variables no es la misma o no es constante en
todas las direcciones o que la varianza depende del sentido en que se
determina, indicando concretamente que no hay estacionariedad.
Ahora bien, el punto crucial en
el proceso geoestadístico radica en la selección del modelo teórico y los
parámetros adecuados para ajustarse a las características del semivariograma empírico de cada VAR. En este sentido, la
validación cruzada y los coeficientes de Akaike y Bayesiano son métodos
reconocidos como óptimos. Como resultado de este proceso, se determinó que los variogramas teóricos que mejor se ajustan a los variogramas experimentales de las variables de población
fallecida, heridos, sin vivienda y atrapados bajo los escombros corresponden a
los de tipo geoestadísticos. Sintéticamente las funciones de mejor ajuste son:
Semivariogramas teóricos - M1
-Población fallecida
-------------------------------à Circular
-Población de heridos -----------------------------à Circular
-Atrapados bajo los
escombros-------------------à Esférico
-Población sin
vivienda----------------------------à Circular
Semivariogramas teóricos – M2
-Población fallecidos-------------------------------àEsférico
-Población de
heridos------------------------------àCircular
-Atrapados bajo los
escombros-------------------àGaussiano
-Población sin
vivienda----------------------------à Esférico
Estos
resultados de validación se utilizan en la estimación por krigeado
en la variante Universal, dada la naturaleza no estacionaria y asumiendo una
hipótesis intrínseca en la estructura espacial de las VAR que comprenden los
daños sísmicos.
A
diferencia de otra gran variedad de métodos de interpolación que no utilizan
estas características, el krigeaje, interpolador de la geoestadística, sí
utiliza los resultados obtenidos del análisis estructural realizado en cada una
de las VAR. En el caso particular de las VAR en estudio en función del análisis
estructural estamos en presencia de la existencia de tendencia en los datos, es
decir los valores medidos aumentan o disminuyen en alguna dirección en el área
de estudio. Este es el caso de variables no estacionarias, lo que hace
corresponder la aplicación del krigeaje
Universal (KU) propuesto por Matheron, (1970).
Finalmente
se presentan los modelos predictivos de daños sísmicos en el departamento
Sarmiento para las variables población fallecida (Figura 4 y figura 5),
población de heridos (Figura 6 y Figura 7), población atrapada bajo los
escombros (Figura 8 y Figura 9) y población sin viviendas (Figura 10 y Figura
11). Los mapas responden a una graduación de daños establecida por la
metodología HAZUS (FEMA/NIBS, 1999) que propone nos porcentajes de <1% -
<50% para el daño leve, moderado, severo y completo respectivamente.
Figura 4. Modelo Predictivo de Población Fallecida – M1. Fuente: elaboración propia sobre los datos del INDEC (2022). DGyCSJ (2019).
Figura 5. Modelo Predictivo de Población Fallecida – M2. Fuente: elaboración propia sobre los datos del
INDEC (2022). DGyCSJ
(2019).
Figura 6. Modelo Predictivo de Población Herida – M1. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
Figura 7. Modelo Predictivo de Población Herida – M2. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
Figura 8. Modelo Predictivo de Población Atrapada bajo los escombros – M1. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
Figura 9. Modelo Predictivo de Población Atrapada bajo los escombros – M2. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
Figura 10. Modelo Predictivo de Población Sin Viviendas– M1. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
Figura 11. Modelo Predictivo de Población Sin Viviendas– M2. Fuente: elaboración propia en base a INDEC (2022) y DGyCSJ (2019).
El enfoque uniparamétrico con un
terremoto potencial, que provoque una intensidad de IX y las matrices de daños
propuestos por MSK-78 con las ecuaciones de cálculo para la estimación de la
población fallecida, población herida, población de atrapados bajo los
escombros y población sin viviendas para la muestra; y la posterior
interpolación con el método de la geoestadística siguiendo rigurosamente las
etapas que comprende, delimitan claramente dos áreas opuestas a los daños
sísmicos esperados en el departamento Sarmiento. Los modelos predictivos
representan las siguientes distribuciones territoriales:
-Áreas con alto nivel de daños
sísmicos (hasta 50%): se representa para las áreas que obtendrán los elevados
daños potenciales ante la ocurrencia de un evento sísmico con intensidad de IX.
Se compone de las viviendas que sufrirían las peores consecuencias de tipo C
con sus habitantes. Las áreas que sobresalen en los mapas corresponden a las
localidades de: Tres Esquinas, Las Lagunas, Cochagual,
Los Berros, Pedernal y Cañada Honda.
-Áreas con bajo nivel de daños
sísmicos (inferiores a 1%): en este nivel se localizan las áreas que presentan
la mayor extensión territorial en cuanto a los daños sísmicos esperados para un
terremoto con una intensidad de IX. Se agrupan las viviendas que están
construidas mayormente de tipo A siendo las sismorresistentes y favoreciendo a
sus habitantes ante un sismo. Las localidades que se localizan en estas áreas
comprenden: Media Agua, Colonia Fiscal, Punta del Médano, Cieneguita, Divisadero
y Guanacache.
Esta delimitación areal, si bien se manifiesta en todas las variables
estudiadas, representan diferentes extensiones. Tal es el caso, de la población
herida que presenta la mayor extensión territorial, diferente a la distribución
de la población fallecida que representa la menor extensión en el departamento.
Conclusiones
El presente trabajo se centró en
la modelización predictiva de daños sísmicos en el departamento Sarmiento, San
Juan, Argentina, con la aplicación de geoestadística. Esto fue posible porque
el peligro sísmico afecta a todo el territorio, de aquí que hacer
interpolaciones espaciales y realizar mapas de distribución de los daños tienen
sentido porque las predicciones sobre todo en el área se manifiestan de forma
continua.
Los modelos predictivos de daños
sísmicos generados brindan cartografías con resultados fiables y concisos,
delimitando áreas con niveles de daños que comprende la escala de HAZUS y que
alcanzan hasta el 50% de probabilidad y otra área con bajo nivel de daños
menores a 1%. Así también esta delimitación territorial se repite en todas las
variables estudiadas de población fallecida, población herida, población sin
viviendas y población atrapada bajo los escombros.
Los resultados obtenidos de los
modelos predictivos de daños sísmicos para todas las VAR estimadas, marcan una
coincidencia en la distribución territorial en el departamento Sarmiento.
Destacándose, por un lado, las áreas con daños sísmicos menores en las localidades
con mayores viviendas de tipo A como el caso de Media Agua o localidades con
menor cantidad de habitantes como Guanacache,
Cieneguita o Divisadero. Opuesto, se localizan las áreas con mayores
probabilidades de daños compuestas mayormente de viviendas tipo C y más
ocupación de habitantes como Tres Esquinas, Los Berros, Pedernal. Asimismo, se observan diferencias en la
extensión de la distribución territorial de las VAR, encontrado áreas con mayor
extensión como es el caso de la población herida y lo contrario se manifiesta
en las áreas que representa a la población fallecida.
La información que aportan los
modelos predictivos de daños sísmicos son un recurso fundamental para brindar una ayuda eficaz, para la
prevención y minoración del riesgo sísmico, la elaboración de planes de
emergencia y para la toma de decisiones referentes a la ordenación del
territorio.
Referencias
CFCyC (2016). Atlas socioeconómico de
la provincia de San Juan. Centro de Fotogrametría, Cartografía y Catastro.
Facultad de Ingeniería. Universidad Nacional de San Juan. Instituto Geográfico
Nacional (IGN).
Armstrong, M., & Roth, C.
(1997). Notas del curso Geoestadística. Centro de Geoestadística de la Escuela
Nacional Superior de Minas de París, Fontainebleau, Francia.
Braga, F., Dolce, M., & Liberatore, D. (1982). A
statistical study on damaged buildings and an ensuing review of the MSK-76
scale, 7th. European Conference on Earthquake
Engineering. Atenas, Grecia.
Cardona, O. (2001). Estimación
holística del riesgo sísmico utilizando sistemas dinámicos complejos. Tesis
doctoral. Universidad Politécnica de Cataluña.
DGyCSJ, Dirección de Geodesia y
Catastro de la Provincia de San Juan. (2019). Base de datos de edificaciones
del Departamento Sarmiento [Archivo shapefile no
publicado]. Gobierno de San Juan.
FEMA/NIBS (1999), Federal Emergency Management Agency. HAZUS technical
manual. Washington D. C.
INDEC (2022) Instituto Nacional
de Estadísticas y Censo. Servicios estadísticos: Datos de población. Recuperado
de https://www.indec.gob.ar/indec/web/Nivel4-Tema-2-41-165
Mouroux, P., Bertrand, E., Bour, M., Le Brun, B., Depinois, S., Masure,
P. & The Risk-UE Team (2004). The european Risk-Ue Project: an advanced
approach to earthquake risk scenarios. 13th World Conference on Earthquake
Engineering.Vancouver, B.C., Canada, August 1-6, 2004, Paper No. 3329.
Masure, P. & Lutoff, C. (2006), Urban system exposure to natural
disasters: an integrated approach, in Oliveira C.S, Roca A., Goula X,
“Assessing and managing earthquake risk. Geoscientific and Engineering
Knowledge for Earthquake Risk Mitigation: developments, tools,
techniques", Ed Springer, pp. 239-259.
Márquez, E. (2018). Recopilado y
compilado de la geoestadística. Facultad de Ingeniería. Universidad Nacional de
San Juan. Argentina.
Matheron, G. (1970). La Théorie des Variables Régionalisées
et ses Applications. Les Cahiers du Centre de Morphologie Mathématique de Fontainebleau (Fascicule
5). École des Mines de Paris.
Medvedev, S. V. (1978). Seismic intensity scale MSK-76. Schweizerische
Geophysikalische Kommission.
Rashed, T., & Weeks,
J. (2003) Metodología SIG para el análisis de la vulnerabilidad sísmica: Ciudad
de Los Ángeles. International Journal of Geographical Information Science 17(6),
574-576.