Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ARTICULO Modificado en Desarrollo - 1
ARTICULO Modificado en Desarrollo - 1
Resumen
La escasez de agua se ha convertido en un problema critico que lleva al ser humano a buscar activamente
nuevas fuentes de agua optando principalmente por las aguas subterráneas para resolver sus problemas de
abastecimiento, un reflejo directo de las aguas subterráneas son los manantiales. Para este trabajo se calculó el
potencial de manantiales de la zona centro de Boyacá utilizando métodos estadísticos de regresión logística
(convencional y Lasso) y pesos de evidencia incluyendo 489 manantiales y 17 factores de acondicionamiento y/o
variables.
Palabras clave:
Agua subterránea, Boyacá, Peso de Evidencia, Potencial de Manantiales, SIG, Regresión Logística, Regresión
Logística Lasso.
Abstract
The scarcity of water has become a critical problem that leads the human being to actively seek new sources of
water, opting mainly for groundwater to solve its supply problems, a direct reflection of the groundwater is the
springs. For this work, the potential of springs in the central zone of Boyacá was calculated using statistical
methods of logistic regression (conventional and Lasso) and weights of evidence including 489 springs and 17
conditioning factors and / or variables.
Key words: Groundwater, Boyacá, Weight of Evidence, Spring Potential, GIS, Logistic Regression, Lasso Logistic
Regression.
información útil para una mejor planificación y Figura 1. Localización área de estudio.
gestión de los recursos hídricos del departamento.
Por esta razón, en este trabajo se hará una
identificación de los mismos y se generará el mapa
de potencial de ocurrencia de manantiales
empleando tres modelos estadísticos diferentes
(Regresión Logística, Regresión Logística Lasso y
Peso de Evidencia) para facilitar la identificación de
Las zonas de alta y baja probabilidad de ocurrencia
de estos cuerpos de agua.
METODOLOGÍA
La metodología de trabajo se ejecutó en cuatro
Figura 2. Metodología del Proyecto fases las cuales se resumirán en la Figura 2 con su
respectiva descripción:
Dentro de estas variables se incluyeron la litología. Posteriormente con ayuda del software
pendiente, elevación, orientación de la pendiente, ArcGIS 10.5 se generaron los mapas temáticos de
curvatura (plana y de perfil), los índices cada una de las variables categóricas y continúas
geomorfológicos TWI, STI, TSP, distancia a la red seleccionadas anteriormente (ver figura 3).
fluvial, distancia a la red vial, cobertura vegetal, uso Cada mapa temático se superpuso con el mapa del
del suelo, tipo de suelo, NDVI, precipitación y inventario de puntos de agua del Servicio Geológico
Colombiano (SGC), obteniendo una base de datos
Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
entre la intersección de cada uno de estos para los análisis de ocurrencia de manantiales utilizando un
puntos que corresponden a manantiales y a no grupo de métodos estadísticos a partir del conjunto
manantiales. de datos obtenido en la fase 2.
La tercera y cuarta fase se desarrolló realizando el En estas fases se generaron los mapas de
análisis de ocurrencia de manantiales utilizando un probabilidad de ocurrencia de manantiales
grupo de métodos estadísticos a partir del conjunto mediante Regresión Logística (convencional y
de datos obtenido en la fase 2. Lasso); (Fernández, 2011) y Peso de Evidencia (Fan,
La tercera y cuarta fase se desarrolló realizando el et al., 2011) finalmente se compraron y validaron
los diferentes métodos mediante las curvas ROC.
Suelos Indice transporte de sedimentos NDVI
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
MÉTODOS ESTADÍSTICOS
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
Figura 7 Mapas de potencial de manantiales generados a partir de: regresión logística modelo 1, regresión logística, regresión logística
modelo 2 , regresión logística Lasso y peso de evidencia
En la tabla 10, se presentan las 10 variables En la tabla 11, se evidencian las 10 variables
principales seleccionadas por el modelo de Peso de principales seleccionadas por el modelo de Peso de
Evidencia (WOE) consideradas significativas en la Evidencia (WOE) que reducen la probabilidad de
ocurrencia de manantiales. Las principales ocurrencia de manantiales. Estas variables son:
Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
Cobertura del Suelo 1 “Tejido Urbano Continuo” regresión logística, regresión logística modelo 2,
con un valor de contraste igual a -2,57, Litología 2 regresión logística Lasso y peso de evidencia.
“Depósitos Clásticos Hidrogenicos”, Suelo 22 En tonalidades azules se representan las zonas
“VMAa” con un valor equivalente a -2,53, STI entre donde la predicción de ocurrencia de manantiales
los rangos 0,1 – 0,3 con un valor de contraste igual es mayor, en tonalidades amarillas y verdes donde
a -2,40, Suelo 20 “MMXd1” con una valor de -2,26, la probabilidad de ocurrencia es media y en
Uso de Suelo 9 “Ganadería Intensiva y Semi - tonalidades rojas donde es baja.
intensiva” -2,15, DEM entre los rangos 2470 - 2484 Para el método de regresión logística modelo 1 las
con un contraste igual a -2,07 que representarían zonas con probabilidades altas se encuentran en la
zonas de baja altitud en la zona de estudio, parte central de la zona de estudio, las zonas con
Litología 12 “Zona Urbana” ,Suelo 24 “Zona probabilidades bajas se encuentran al S - SE de la
Urbana”, Uso del Suelo 10 “Zona Urbana”, con un zona y distribuidos de forma irregular en el sector y
valor equivalente a -2.06. las zonas con probabilidades medias se encuentran
al s-w de la zona. Este resultado no era el deseado
debido a que se esperaba que los valores de
probabilidad alta y bajas mostraran un claro control
por parte de algunas variables (NDVI, Cobertura de
suelo, pendiente, uso de suelo) pero dicho control
no es visible en el mapa obtenido. Esta falta de
control por parte de las variables de entrada sobre
el mapa es una consecuencia de la
multicolinealidad presente en el conjunto de datos
como en el caso de curvatura, suelos y litología.
Para el Modelo 2 de Regresión Logística se las
zonas donde la predicción de ocurrencia de
manantiales es mayor, estas zonas se encuentran
principalmente en las zonas montañosas presentes
en el área de estudio. Las probabilidades bajas se
encuentran principalmente las zonas planas del
área presentando relación con los depósitos
cuaternarios encontrados en la zona de estudio.
Estos resultados muestran la influencia de la
variable pendiente sobre la ocurrencia de los
manantiales, en donde los valores altos de
probabilidad de ocurrencia de manantiales (color
azul) están asociados a las zonas en donde la
pendiente es alta (áreas montañosas), mientras que
las probabilidades de ocurrencia bajas (color rojo)
están asociadas a zonas con pendientes bajas
(zonas planas).
Para la Regresión Logística Lasso las
probabilidades altas están asociadas a zonas
montañosas. Las probabilidades medias se
encentran dispersas en la zona de estudio Y las
probabilidades bajas se encuentran asociados con
zonas planas representando los depósitos
cuaternarios encontrados en la zona. Estos
resultados muestran la influencia de las variables
(NDVI, cobertura de suelos (asociados con la
En la figura 7 se observan los mapas de vegetación, suelos) sobre la ocurrencia de los
probabilidad de ocurrencia de manantiales manantiales, en donde los valores altos de
generados a partir de: regresión logística modelo 1, probabilidad de ocurrencia de manantiales (color
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
azul) están asociados a las zonas en donde la la muestra que se prueba es manantial y el modelo
vegetación es más abundante, mientras que las calcula una probabilidad alta de no manantial, es
probabilidades de ocurrencia bajas (color rojo) decir, el modelo estaría realizando una clasificación
están asociadas a zonas con índices de vegetación incorrecta.. La sensibilidad se refiere a la capacidad
bajos. que tiene el modelo para clasificar correctamente
los manantiales. La especificidad se refiere a la
Para el método de Peso de Evidencia las zonas de capacidad que tiene el modelo de clasificar
baja probabilidad se encuentran en zonas planas correctamente los no manantiales. Un modelo con
relacionadas con los depósitos cuaternarios. Las buena capacidad predictiva debería tener valores
zonas de alta probabilidad de abarcan un gran altos tanto de sensibilidad como de especificidad
porcentaje del área de estudio .En este método de (Camarero, Almazan, & Mañas, (s.f)).
Peso de Evidencia las variables presentan
dependencia condicional, debido a estas El modelo Regresión Logística Lasso mostró el
correlaciones, el modelo (WOE) genera una mayor desempeño en la clasificación del potencial
sobreestimación y subestimación de probabilidad de manantiales en la zona centro de Boyacá, con un
en la ocurrencia de manantiales sobresaliendo las índice de sensibilidad igual a 0,84 seguido por el
zonas de alta y baja probabilidad y, minimizando las modelo Regresión Logística Modelo 2 con (0,82),
zonas de probabilidad media. Peso de Evidencia (0,81) y Regresión Logística
Modelo 1 (0,66).
En cuanto a la clasificación de los no manantiales,
5. validación de resultados el Modelo 1 de Regresión Logística (especificidad =
0,71) logra el mayor rendimiento, seguido del
modelo Peso de Evidencia (0,69), Regresión
Logística Modelo 2 (0,66) y por último el modelo de
Regresión Logística Lasso (0,63).
5. Discusión de resultados
Los resultados para el método de regresión
La pregunta de investigación es: ¿Cuáles son los logística muestran que las variables con
factores que contribuyen a la ocurrencia de coeficientes positivos mayores a 1.0 y que por lo
manantiales en la parte central de Boyacá? Para tanto tienen mayor influencia en la ocurrencia de
responder a esta pregunta se emplearon tres manantiales incluyen al NDVI, cobertura de suelo
técnicas estadísticas incluyendo Regresión Logística (arbustal, herbazal, bosque galería) y tipo de suelo
convencional, Regresión Logística Lasso y Peso de (ME y MHEg) lo cual indica que la ocurrencia de
Evidencia. La aplicación de estos procedimientos manantiales está controlada por la vegetación
estadísticos requiere que la información de entrada (NDVI y cobertura de suelo) y la presencia de
posea ciertas características (independencia lineal e pendientes altas (tipos de suelo) y descubiertas
independencia condicional de las variables), y por (tipo de suelo ME y coberturas de suelo zona de
lo tanto es importante verificar que dichas área minera y tierras degradadas). Los resultados
características se cumplan. Las variables de indican que la ocurrencia de manantiales también
entrada usadas en este trabajo presentan está controlada por la presencia de zonas
multicolinealidad y son condicionalmente descubiertas como zonas extracción minera
dependientes lo cual indica que su análisis con los (cobertura de suelo 5), tierras desnudas y
procedimientos de Regresión Logística y pesos de degradadas (cobertura de suelo 21) y donde aflora
evidencias puede presentar problemas, y los el material parental (tipo de suelo ME. Estos
resultados obtenidos se deben interpretar con resultados se presentan de manera gráfica en las
mucho cuidado. El problema de multicolinealidad Figuras 53 y 54.
de la Regresión Logística se resolvió parcialmente
eliminando del conjunto de entrada de aquellas
variables que presentaban una alta correlación
(Modelo de Regresión Logística 2), dentro de las
cuales se eliminaron el suelo y la litología. Este
hecho no es ideal ya que estas son variables que de
acuerdo a nuestra hipótesis inicial son influyentes
para la ocurrencia de manantiales. Así mismo, el
hecho de no incluir algunas variables dentro del
análisis cambia los coeficientes del modelo lineal
estimado y por lo tanto una variable que
inicialmente era importante (coeficiente cercano a
0) ahora puede serlo (coeficiente diferente de 0).
En el caso del método de pesos de evidencias, las Figura 2. Modelo conceptual de ocurrencia de manantiales en
variables de entrada presentan dependencia zonas descubiertas de pendiente alta.
condicional lo cual hace que las probabilidades de
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
2. CONCLUSIONES
1. Este estudio utilizó los métodos Regresión
Logística, Regresión Logística Lasso, Peso de
Evidencia (WOE) para realizar los mapas de
probabilidad de ocurrencia de manantiales en la
Figura 7. Modelo conceptual de ocurrencia de manantiales en zona centro de Boyacá. Se determinó que las
zonas con pendiente intermedia a baja y suelo tipo MMEx1 variables que tienen influencia positiva en la
ocurrencia de manantiales para el método de
Las variables que tienen una influencia negativa en Regresión Logística Modelo 1 son: NDVI, Cobertura
la ocurrencia de manantiales son aquellos con de Suelo 18 (Herbazal), Cobertura de Suelo 19
coeficientes negativos estimados con el (Arbustal) y Cobertura de suelo 10 (Mosaico de
procedimiento de Regresión Logística Lasso (ver Pastos y Cultivos); las variables que para este
tabla 8 y tabla 14). Estas variables corresponden a mismo método disminuyen la probabilidad de
los tipos de suelo MMAg3 (tipo de suelo 15), MHVd ocurrencia de manantiales son: Uso de Suelo 6
(tipo de suelo 10), y MMHa (tipo de suelo 19) . (Mosaico de Cultivos) y Uso de Suelo 9 (Pastos y
Ganadería).
Los resultados anteriores muestran que existe una 2.Se identificó que las variables que tienen
clara interacción entre las variables de entrada del influencia positiva en la ocurrencia de manantiales
presente análisis a la hora de considerar su efecto para el método de Regresión Logística Modelo 2
en la ocurrencia de los manantiales, sin embargo, son: NDVI, Pendiente, TWI, DEM (Modelo Digital de
esta interacción se presenta en forma de variables Elevación); las variables que disminuyen la
relacionadas con el suelo y específicamente la probabilidad de ocurrencia de manantiales son: Uso
cobertura de suelo. Esta variable de cobertura se de Suelo 9 (Pastos y Ganadería), Uso de Suelo 3
encuentra relacionada con el tipo de suelo, y en la (Cultivo de Hortalizas) y Precipitación.
parte central de Boyacá estos suelos tienen un 3.Para el método de Regresión Logística Lasso se
control muy fuerte del relieve y del material determinó que las variables que tienen influencia
parental. Esto indica que la variable cobertura de positiva en la ocurrencia de manantiales son: NDVI,
suelo está encapsulando las variaciones de la Cobertura de Suelo 5 (Zonas de Extracción Minera),
topografía, tipo de suelo y material parental Cobertura de Suelo 21 (tierras desnudas y
(litología). Es por esta razón, que esta variable degradadas) y Cobertura de suelo 17 (plantación
aparece como influyente en los métodos de forestal).
Regresión Logística Modelo 1 y Peso de Evidencia, 4.Las principales variables que debido a sus
Esta variable no se consideró en la Regresión coeficientes reducen la probabilidad de ocurrencia
Logística Modelo 2 ya que algunas de sus categorías de manantiales son: Suelo 19 MMHa ,suelo 10
cobertura de suelo 8 y 10 (pastos limpios, mosaico suelo 15 “MMAg3.
de pastos y cultivos) presentaban altos valores de 5.Se determinó que las variables que tienen
factor de inflación de varianza y valores bajos de influencia positiva en la ocurrencia de manantiales
tolerancia (ver tabla 4), lo cual indica que para el método de Peso de Evidencia son: Suelo 14
efectivamente esta variable se encontraba “MMAF2” ,Suelo 12 “MHVF” ,Pendiente, Cobertura
correlacionada con otras de las variables de de Suelo 18 (Arbustal), Cobertura del Suelo 19
entrada. En el caso de la metodología de pesos de “herbazal; las variables que para este mismo
evidencia, la cobertura de suelo 18 y 19 (arbustal, método disminuyen la probabilidad de ocurrencia
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
de manantiales son: Cobertura del Suelo 1 (Tejido de Peso de Evidencia Modificado (MWOE) (Wey,
Urbano Continuo), seguido de Suelo 22 “VMAa”, Zhang, & Agterberg, 2018) debido a que este
Litología 2 (Depósitos Clásticos Hidrogenicos), STI modelo debilita la dependencia condicional
(entre los rangos 0,1 – 0,3), Suelo 20 “MMXd1”, generando mejores resultados.
Uso de Suelo 9 (Ganadería Intensiva y Semi – Se recomienda realizar un estudio similar al
intensiva), DEM (entre los rangos 2470 – 2484), Uso presentado en el presente trabajo para los
del Suelo 10 (Zona Urbana), Suelo 24 (Zona manantiales que ocurren en zonas de pendientes
Urbana), Litología 12 (Zona Urbana). bajas. Los resultados presentados en este
Se concluye que, aunque la categoría NDVI se documento muestran claramente el control que
encuentra entre las variables más influyentes en los ejerce la pendiente sobre la ocurrencia de
métodos de Regresión Logística Modelo 1, manantiales, pero estos resultados no aplican para
Regresión Logística Modelo 2 y Regresión Logística todos los manantiales presentes en la zona de
Lasso se presenta una excepción en el método de estudio. Los modelos conceptuales de la ocurrencia
Pesos de Evidencia debido a que no se presenta de manantiales derivados en este trabajo (figuras
como una variable influyente debido a los 53 a 58) aplican para zonas de pendientes altas y
problemas de correlación que este método moderadas dejando la gran inquietud sobre los
presenta para seleccionar las variables. factores que controlan los manantiales en las zonas
Se determina que los modelos que visualmente de pendientes bajas como lo es el abanico aluvial.
presentan una mejor distribución de las zonas de
alta, media y baja probabilidad de ocurrencia de REFERENCIAS
manantiales son Regresión Logística modelo 2 y
Agencia PCJ. ((s.f)). Protección de los Manantiales para Enfrentar
Regresión Logística Lasso, sin embargo, es los Cambios Climaticos.
importante tener en cuenta que el modelo de Amat , J. (2016). Selección de predictores, regularización ridge,
Regresión Logística Lasso es el método que evalúa lasso, elastic net y reducción de dimensionalidad.
todas las variables, este caso no ocurre con el Obtenido de
https://www.cienciadedatos.net/documentos/31_sel
Modelo 2 de Regresión Logística debido a que en eccion_de_predictores_subset_selection_ridge_lasso
este método se eliminaron las variables que _dimension_reduction
presentan multicolinealidad. Angarita, J. C., & Marín, R. A. (2019). Modelo de Predicción de
Incumplimiento de Pago en Sector de Microfinanzas -
Analitics. Bogota.
AQUAE . ((s.f)). Importancia del agua y funciones en los seres
Recomendaciones vivos. Obtenido de AQUAE FUNDACIÓN:
https://www.fundacionaquae.org/importa
Al realizar análisis de probabilidad de ocurrencia ncia-del-agua/
de manantiales a través de los diferentes métodos Arabameri, A., Roy, J., Saha, S., Blaschke, T.,
estadísticos (Regresión Logística, Regresión Ghorbanzadeh, O., & Tien Bui, D. (2019).
Logística Lasso, Peso de Evidencia, etc.) se Application of Probabilistic and Machine
recomienda utilizar a la par los índices Learning Models for Groundwater Potentiality
estadísticos (coeficientes) los cuales al ser Mapping in Damghan Sedimentary Plain, Iran.
analizados conjuntamente con los mapas permiten ArcMap. (2016). Función de Curvatura. Obtenido de ArcGIS for
Desktop:
estimar las relaciones existentes entre las variables https://desktop.arcgis.com/es/arcmap/10.3/manage-
dependientes e independientes mientras los mapas data/raster-and-images/curvature-function.htm
generados indican la distribución de las zonas de ArcMap. (2018). ArcGis for Desktop. Obtenido de
alta, media y baja probabilidad de ocurrencia de https://desktop.arcgis.com/es/arcmap/10.3/tools/sp
atial-analyst-toolbox/how-aspect-works.htm
manantiales, esto con el fin de tener un mejor Avellaneda , F., Villaona , J., Gonzalez , M., & Safra, D. (2017).
criterio en el análisis de estos y en futuras toma de Evaluación de un prospecto de Hidrocarburos en el
decisiones. Sinclinal San Miguel, Municipio de Iza Departamento
Para aplicar el método Peso de Evidencia se de Boyacá. Bucaramanga.
Balsa , C., & sanchez , A. (2017). Un paquete R para analisis
recomienda no utilizar variables con dependencia masivo de modelos predictivos de regresión logística
condicional por los errores que se pueden generar multivariante y sus medidas de discriminación y de
en la aplicación de este, en caso de ser necesaria la clasificacíon asociadas . España.
aplicación de las variables que presenten esa
multicolinealidad se recomienda aplicar el modelo
Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
Camarero, L., Almazan, A., & Mañas, B. ((s.f)). Regresión Guijarro , F. (2013). Estadística Aplicada a la valoración de
Logística: Fundamentos y Aplicación a la Modelos multivariantes . Valencia : Editorial
Investigación Sociologíca. España. Universitat Politécnica de Valencia .
Carrasco , M. (2016). Tecnicas de Regularización en Regresión: Hastie , T., Tibshirani,, R., & Friedman, J. (2009). The Elements of
Implementación y Aplicaciones. España. Statistical Learning: Data Mining, Inference, and
Carrasco, M. (2016). Tecnicas de Regularización en Regresión: Prediction. Springer.
Implementación y Aplicaciones. España. Huang , J. (2014). Investigation on Landslide Susceptibility using
Chen, W., Zhao, X., Tsangaratos, P., Shahabi, H., Ilia, I., Xue, Remote Sensing and GIS Methods. Hong Kong: Open
W., . . . Ahmad, B. B. (2020). Evaluating the usage of Access Theses and Dissertations. 33.
tree-based ensemble methods in groundwater IDEAM . (2015). Estudio Nacional del Agua . Bogota .
spring. Journal of Hidrology. IDEAM, IGAC, IAvH, (Invemar, Sinchi, I., & IIAP. (2007).
CORPOBOYACA. (28 de Julio de 2017). Socialización y Entrega ECOSISTEMAS CONTINENTALES, COSTEROS Y
del Modelo Hidrogeológico de la Zona Centro de MARINOS DE COLOMBIA. Bogotá, D. C.
Boyacá. Obtenido de CORPOBOYACA: IGAC . (2005). Estudio General de Suelos y Zonificacion de Tierras
https://www.corpoboyaca.gov.co/noticias/socializaci del Departamento de Boyaca . Bogota D.C.
on-y-entrega-del-modelo-hidrogeologico-de-la-zona- IGRAC. ((s.f)). Qué es agua subterranea? Obtenido de
centro-de-boyaca/ International Groundwater Resources Assessment
Diaz Garcia , J. J. (2015). Estudio de Índices de vegetación a partir Centre: https://www.un-igrac.org/es/que-es-agua-
de imágenes aéreas tomadas desde UAS/RPAS y IGRAC. (s.f ). IGRAC. Obtenido de International Groundwater
aplicaciones de estos a la agricultura de precisión. Resources Assessment Centre : https://www.un-
MADRID. igrac.org/es
Domingo, J. M., Corral, E., Ruiz, F., Fernández , R., & Redondo, F. INGEOMINAS. (1979). Geología de las Planchas 170, Velez, 190,
(2013). Cuantificación de la influencia del índice de Chiquinquira, Colombia. Bogotá.
humedad en la profundidad y capacidad Hidrica del INGEOMINAS. (2001). Geología de la Plancha 192 Laguna de
suelo. España: Sociedad Española de Ciencias Tota. Bogotá.
Forestales. INGEOMINAS. (2009). Geología del Domo Volcanico de Iza y sus
Dornelles, S., & Tena, D. (2011). El inconsciente colectivo en la Alrededores Sector Pesca e Iza. Bogotá.
imagen de marca. anagramas rumbos sentidos Irala, J., Fernandez-Crehuet, R., & Serrano, A. (1997). Intervalos
comun. de confianza anormalmente amplios en regresión
Fan, D., Cui, X.-m., Yuan, D.-b., Wang, J., Yang, J., & Wang, S. logística: interpretación de resultados de programas
(2011). Weight of Evidence Method and Its estadísticos. 230-234.
Applications and Its Applications and Development. James, G., Witten, D., Tibshirani, R., & Hastie, T. (2013). An
Beijing, China: College of Geoscience and Surveying Introduction to Statistical Learning with Applications
Engineering. in R. Springer.
FAO. (1996). Bases Digitales de Datos de Suelo y Terreno a Nivel Joshep , M. (2016). Practical Guide to Logistic Regression.
Mundial y Nacional. Roma. Estados Unidos : Prensa CRC, 2016.
Fernández, S. (2011). Regresión Logística. Madrid. Kemp, L. D., Bonham - Carter, G. F., & Raines, G. L. (1999). Peso
Finnegan, N., Sklar, L., & F. T. (2007). Interplay of sediment de Evidencia. Obtenido de Arc-WofE: Arcview
supply, river incision, and channel morphology extension for weights of evidence mapping:
revealed by the transient evolution of an https://www.ige.unicamp.br/wofe/documentation/w
experimental bedrock channel. JOURNAL OF ofeintr.htm
GEOPHYSICAL RESEARCH,. Mariño, S. J. (2 de Septiembre de 2020). En Boyacá los
doi:10.1029/2006JF000569 Campesinos Recibirán Recompensa por Cuidar y
Fuentes, M. J., Sanchez, A., & Sainz, G. I. (2018). Detección de Defender un Páramo. Última Hora.
Fallos Dinamica y Descentralizada Basada en Mercedes, C., & Poma, S. ((s.f)). Estimación de la Ocurrencia de
Métodos de Regresión. 554 - 561. Incidencias en Declaración de Pólizas de Importación.
Garcia, G., & Rache, J. (2018). ZONIFICACIÓN DE Perú.
SUSCEPTIBILIDAD A MOVIMIENTOS EN MASA EN LA Miraki , S., Zanganeh , S., Chapi, K., Singh , V., Shirzadi , ,.,
MICROCUENCA TABACAL - MUNICIPIO DE LA PALMA, Shahabi , H., & Pham , B. T. (2019). Mapping
DEPARTAMENTO DE CUNDINAMARCA. Bogota D.C. Groundwater Potential Using a Novel Hybrid
Gil Martinez, C. (Mayo de 2018). Regresión Logística Lineal y Intelligence Approach. Water Resour Manage, 281-
Múltiple. Obtenido de Regresión Logística: 302.
https://rstudio-pubs-static.s3.amazonaws.com/ Montoya Valer, S. K. (2017). Factores Socieconomicos que
Gobernación de Boyacá. (Junio de 2012). Gobernación de Afectan al Consumo Domestico de Agua Potable
Boyacá. Obtenido de Usando la Regresión Múltiple Puno Ciudad - 2015 .
https://www.boyaca.gov.co/hidrografia-boyacense/ Perú.
Gobernación de Boyacá. (Junio de 2012). Hidrografía Boyacense. Moore, I. D., & Wilson, J. (1992). Length-slope factors for the
Obtenido de Gobernación de Boyacá: Revised Universal Soil Loss Equation: Simplified
www.boyaca.gov.co/hidrografia-boyacense/ method of estimation. Journal of soil and water
Govaerts, B., & Verhulst, N. (2010). The normalized difference conservation., 423-428.
vegetation index (NDVI) Greenseeker(TM) handheld Moore, I. D., Gesseler, P. E., Nielsen, G. A., & Peterson, G. A.
sensor: toward the integrated evaluation of crop (1993). Soil attribute prediction using terrain analysis.
management part A: concepts and case studies. 443-452.
Mexico .
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo
Moreno, M., & Fechi, Y. (2006). PLAN DE ORDENACIÓN Y Tibshirani, R. (1996). Regression Shrinkage and Selection via the
MANEJO AMBIENTAL DE LA CUENCA ALTA DEL RIO Lasso. Journal of the Royal Statistical Society., 267-
CHICAMOCHA. TUNJA. 288.
Mozzicafreddo, S., Ortega, J., Papa, N., & Torre, P. J. ((s.f)). Tinoco, O. (2008). Una Aplicación de la Prueba Chi-Cuadrado con
Delimitación de Zonas de Manejo Utilizando SPSS.
Variables. Argentina. Torres , O. (2014). Logit, Probit and Multinomial Logit models in
Naghibi, S., Pourghasemi, H., & Dixon , B. (2016). GIS-based R. Mexico .
groundwater potential mapping using boosted USGS. (2018). NDVI, la Fundación para la Fenología de
regression tree, classification and regression tree, Teledetección. Obtenido de USGS:
and random forest machine learning models in Iran. https://www.usgs.gov/core-science-systems/eros/ph
Environ Monit Assess . enology/science/ndvi-foundation-remote-sensing-
Oh, H.-J., & Lee, S. (2010). Landslide susceptibility mapping on phenology?qt-science_center_objects=0#qt-
Panaon Island, Philippines using a geographic science_center_objects
information system. Environ Earth Sci, 935 - 951. Van Westen, C. J., Rengers , N., & Soeters, R. (2003). Use of
Olusegun, M., Garba, H., & Samson, A. (2015). Variance Inflation Geomorphological Information in Indirect Landslide
Factor: As a Condition for the Inclusion of Suppressor Susceptibility Assessment. International Institute for
Variable(s) in Regression Analysis. Open Journal of Aerospace Survey and Earth Sciences, 399 - 419.
Statistics,, 754-767. Van, F. J., Rengers, N., & Soeters, R. (2003). Use of
Ozdemir, A. (2011). GIS-based Groundwater Spring Potential Geomorphological Information in Indirect Landslide
Mapping in the Sultan Mountains (Konya, Turkey) Susceptibility Assessment. Natural Hazards, 399 -
Using Frequency Ratio, Weights of Evidence and 419.
Logistic Regression Methods and their Comparison. Velandia, F. (2003). Cartografía Geologíca y Estructural Sector
Journal of Hydrology, 290 - 308. Sur del Municipio de Paipa . Bogotá.
Peréz , L. R. (Diciembre de 2018). Manantiales. Obtenido de Velandia, F. (2005). Interpretación de Transcurrencia de las
Tecnologías de abastecimiento de agua: Fallas Soapaga y Boyacá apartir de Imagenes Landsat
https://sswm.info/es/gass-perspective-es/tecnologia TM. Bogotá: Boletín de Geología.
s-de/tecnologias-de-abastecimiento-de-agua/ Vicéns , J., & Medina , E. (2005 ). Analisis de datos cualitativos .
manantiales Wey, Y.-L., Zhang, D., & Agterberg, F. (2018). Modified Weights-
Pourtaghi, Z. S., & Pourghasemi, H. R. (2014). GIS-Based of-Evidence Modeling with Example of Missing
Groundwater Spring Potential Assessment and Geochemical Data. Hindawi.
Mapping in the Birjand Township, Southern Khorasan Wilson, J. P., & Lorang, M. (2000). Spatial Models of Soil Erosion
Province, Iran. Journal of Hydrology, 643 - 662. and GIS. California.
Ramos , R. (2018). Estudio de la susceptibilidad al deslizamiento Wu, T. T., & Lange, K. (2008). COORDINATE DESCENT
de laderas en el Estado de Guerrero, México, ALGORITHMS FOR LASSO PENALIZED REGRESSION.
aplicando Tecnologías de Información Geográfica. Institute of Mathematical Statistics, 224 - 244.
Madrid,España.
Renzoni, G. (1967). Geología del Cuadrangulo J-12. Bogotá.
Rodrigo, J. (Agosto de 2016). Regresión Logística. Obtenido de
Regresión Logística Simple y Multiple:
https://www.cienciadedatos.net/documentos/27_re
gresion_logistica_simple_y_multiple#
Rodriguez , A., & Solano, O. (2000). Mapa Geologico
Departemento de Boyaca. INGEOMINAS.
Serra, A. (2020). Comparación de Algoritmos de Clasificación
Supervisada. España.
SGC. (2004 ). Atlas de Aguas Subterraneas de Colombia .
Obtenido de Ministerio del Ambiente y Desarrollo
Sostenible:
https://www.minambiente.gov.co/index.php/compo
nent/content/article/1936-acuiferos#
SGC. (2013). Documento metodológico de la zonificación de
susceptibilidad y amenaza relativa por movimientos
en masa escala 1:100.000. bogota .
SGC. (2016). Mdelo Hidrogeologico Boyaca Centro . Bogota .
SGC. (2016). MODELO HIDROGEOLOGICO BOYACA CENTRO .
BOGOTA .
SGC. (2017). Guia metodologica para la zonificación de amenaza
por movimientos en masa escala 1:25000. Bogota
D.C.
SIGLA. (2014). Modelo Digital de Elevación. Obtenido de Sistema
de Información Geográfica de Latinoamérica S.A.S:
http://www.sigla-sas.com/modelos-digitales-de-
elevacion.html