Mapeo del potencial de manantiales de agua subterránea en

La zona centro de Boyacá utilizando peso de evidencia,

Regresión logística convencional y Lasso.
(Mapping the potential of groundwater springs in the central area of Boyacá
using weight of evidence,
Conventional logistic regression and Lasso.)

María Fernanda Muños Nope 1,2, Neyla Esperanza Daza Cárdenas2

1
Escuela de Ingeniería Geológica , Uptc.
2
Departamento de Ingeniería Eléctrica y Electrónica, Grupo Inv UDEA, aracris@yahoo.es
Universidad Pedagógica y Tecnológica de Colombia.

(Recibido abril 23 de 2021y aceptado julio 01 de 2021)

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.

1. INTRODUCCIÓN superficiales. Un reflejo directo de las aguas

El agua dulce es uno de los recursos más
significativos e influyentes en todo el planeta tierra
(AQUAE , (s.f)) que está escaseando debido al
aumento de las bajas precipitaciones y las altas
temperaturas; por esta razón, el ser humano está
en la búsqueda activa de nuevas fuentes de agua
optando principalmente por las aguas subterráneas
siendo la opción más viable para resolver sus
problemas de abastecimiento (Peréz , 2018).
En Colombia, las aguas subterráneas son
reconocidas por ser fuentes principales,
complementarias o alternas de aprovechamiento
en cuencas con acceso limitado de aguas
subterráneas son los manantiales, siendo estos la
fuente principal para las comunidades ya sea para
consumo humano o actividades agrícolas; por esta
razón es importante para las autoridades
ambientales identificar los factores influyentes en
la formación de los manantiales para garantizar la
delimitación, conservación, disponibilidad del agua
en cantidad y calidad, y la protección de las cuencas
hidrográficas y de sus recursos naturales (Agencia
PCJ, (s.f)).
La zona centro de Boyacá no tiene aún la
información sobre los factores que contribuyen a la
ocurrencia de manantiales lo cual dificulta obtener
Revista Ingeniería, Investigación y Desarrollo

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.

Localización del área de estudio

El área de estudio comprende una superficie de
aproximadamente 859 Km2 del departamento el
cual está ubicado en el centro-oriente del país
abarcando parcialmente los municipios de Combita,
Duitama, Firavitoba, Nobsa, Paipa, Santa Rosa de
Viterbo, Sogamoso, Sotaquirá, Tibasosa y Tuta
(SGC, 2016). Ver figura 1.

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
pendiente, elevación, orientación de la pendiente,
curvatura (plana y de perfil), los índices
geomorfológicos TWI, STI, TSP, distancia a la red
fluvial, distancia a la red vial, cobertura vegetal, uso
del suelo, tipo de suelo, NDVI, precipitación y
litología. Posteriormente con ayuda del software
ArcGIS 10.5 se generaron los mapas temáticos de
cada una de las variables categóricas y continúas
seleccionadas anteriormente (ver figura 3).
Cada mapa temático se superpuso con el mapa del
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
puntos que corresponden a manantiales y a no
manantiales.
La tercera y cuarta fase se desarrolló realizando el
análisis de ocurrencia de manantiales utilizando un
grupo de métodos estadísticos a partir del conjunto
de datos obtenido en la fase 2.
La tercera y cuarta fase se desarrolló realizando el
Suelos Indice transporte de sedimentos
análisis de ocurrencia de manantiales utilizando un
grupo de métodos estadísticos a partir del conjunto
de datos obtenido en la fase 2.
En estas fases se generaron los mapas de
probabilidad de ocurrencia de manantiales
mediante Regresión Logística (convencional y
Lasso); (Fernández, 2011) y Peso de Evidencia (Fan,
et al., 2011) finalmente se compraron y validaron
los diferentes métodos mediante las curvas ROC.
NDVI

Uso de suelos Precipitación Distancia a los ríos

Cobertura de suelos Distancia a las vías Litología

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
3.3.1 Regresión logística
En la Regresión Logística se estima la probabilidad
de que un evento ocurra; es decir el valor esperado
de Y dado las variables predictoras debe tomar
valores entre 0 y 1. Debido a que el modelo de
Regresión Logística no es lineal, se requiere de un
algoritmo iterativo para estimar los parámetros
(Mercedes & Poma, (s.f)). La función más utilizada
que cumple con esta descripción es la función
logística (función sigmoide) (Rodrigo, 2016).
Esta relación, indica cuanto más probable es el
éxito que el fracaso, pudiendo tomar cualquier
valor entre 0 (muy baja probabilidad de éxito) y ∞
(muy alta probabilidad de éxito).
Al aplicar logaritmo a la ecuación, obtenemos una
función lineal:
Donde  corresponde a los odds
(posibilidades),
El   indica el cambio en el logaritmo
de Odds debido al incremento de una unidad de x,
o lo que es lo mismo, multiplica los Odds por 
3.3.2 Regresión logística Lasso
Tibshirani (1996) introdujo el método Lasso con el
objetivo de encontrar una técnica de regresión que
lograra estabilizar las estimaciones y predicciones y
a su vez realizara una selección de variables ya que
sólo los parámetros con mayor influencia en la
regresión tendrán coeficientes distintos de cero.
(Carrasco , 2016).
La regularización Lasso penaliza la suma del valor
absolutos de los coeficientes de regresión
||β||1=∑pj=1|βj|. A esta penalización se le conoce
como L1 y tiene el efecto de forzar a que los
coeficientes de los predictores tiendan a cero. A
medida que λ aumenta, mayor es la penalización y
más predictores quedan excluidos. (Amat , 2016).
Función de penalización de Lasso:
A mayor λ, mayor es la penalización en los
coeficientes de regresión. Es por esto que la
cantidad de variables seleccionadas depende
netamente del valor que se le asigna a este
parámetro de penalización. En caso de reducir λ,
automáticamente se reduce la penalización por lo
que una cantidad de variables pueden ingresar al
modelo (Wu & Lange, 2008).
3.3.3 Peso de evidencia
El modelo Peso de la Evidencia utiliza
probabilidades condicionales y no condicionales,
está basado en calcular fundamentalmente los
pesos de las clases que conforman las variables
condicionantes (Oh & Lee, 2010). Los pesos
positivos (W+) indican la presencia de la clase como
parámetro que favorece la presencia del evento y
su magnitud indica su correlación. El peso negativo
(W-) indica la ausencia de la clase. En caso de ser
cero, indica que la clase analizada no es de interés
para el evento o que no brinda información del
evento de interés. Para cada factor hay cuatro
combinaciones posibles (Van Westen, Rengers , &
Soeters, 2003).
Donde A1 es el número de pixeles con presencia
del evento en la clase; A2 número de pixeles donde
está el evento, pero no están presentes en la
misma clase; A3 número de pixeles en la clase
donde no se presenta el evento; y A4 es el número
de pixeles en la clase donde no se presenta el
evento y que no está presente en la misma clase
(SGC, 2017). Para cada variable, entonces, se
estima el Peso de Contraste (C) de la siguiente
forma:
El contraste da una medida de correlación entre el
factor condicionante y el evento. El contraste será
cero cuando la distribución espacial del evento de
interés es independiente del factor considerado; es
positivo cuando existe una asociación positiva y
negativo cuando existe una asociación negativa
(SGC, 2017).
 Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324

4. RESULTADOS observa entre las categorías del suelo y litología

(ver tabla 2).
4.1 Regresión logística modelo 1

En este estudio inicialmente se realiza la Regresión

Logística a través del software de análisis
estadístico R utilizando todas las variables
predictivas categóricas y continuas.
En el método de Regresión Logística se aplican dos
procedimientos (entrenamiento y validación). En el
procedimiento de entrenamiento se estiman los
coeficientes del modelo de regresión usando el 70%
de los datos los cuales son seleccionados
aleatoriamente mientras que el procedimiento de
validación se realiza con el 30% de datos restantes.
Este procedimiento de validación se realiza con el
fin de comprobar la efectividad del modelo.
Se realiza un análisis de multicolinealidad de
variables para el modelo inicial que considera todas
las variables de entrada (ver Tabla 1).
En este estudio se usa la inflación de varianza (FIV)
para detectar la multicolinealidad; cuando los
valores de inflación de varianza (FIV) son
superiores a 10 y los índices de tolerancia son
inferiores a 0,1 se indica una correlación entre
variables. Para este estudio se muestra una clara
correlación entre las variables de curvatura
estándar, curvatura de perfil, curvatura del plano,
cobertura del suelo 8, cobertura del suelo 10, y uso
del suelo y litología (en todos los casos). Debido a la
presencia de multicolinealidad en estas variables, la
estimación de los coeficientes tiene problemas de
estabilidad numérica y por lo tanto pueden tener
un alto grado de error.

Tabla 1. Prueba de multicolinealidad para la Regresión Logística

definida usando todos los factores.
Variable Tolerancia FIV Variable Tolerancia FIV Variable Tolerancia FIV
precipitation 0,6799911 1,470608 soil.cover3 0,5734189 1,743926 soil.cover16 0,8603338 1,16234
curvature 0,00499 200,4022 soil.cover5 0,8754986 1,142206 soil.cover17 0,4938095 2,025072
dist.roads 0,772077 1,295208 soil.cover6 0,9465236 1,056498 soil.cover18 0,2733407 3,658438
twi 0,3333426 2,999917 soil.cover7 0,5899183 1,69515 soil.cover19 0,2350364 4,25466
sti 0,1323533 7,555535 soil.cover8 0,0750416 13,32595 soil.cover20 0,6566631 1,522851
spi 0,1924302 5,19669 soil.cover9 0,4055461 2,465811 soil.cover21 0,8556209 1,168742
ndvi 0,6382232 1,56685 soil.cover10 0,0528381 18,92574 soil.use1-10 0 Inf
dem 0,277106 3,608728 soil.cover11 0,1898919 5,266153 soil1-24 0 Inf
plan.curv 0,0155266 64,40553 soil.cover12 0,1110351 9,006165 lithology1-12 0 Inf
dist.riv 0,7955606 1,256975 soil.cover13 0,2535403 3,944147 slope 0,3070482 3,256818
prof.curv 0,0138531 72,18617 soil.cover14 0,8077899 1,237946 aspect 0,9004167 1,110597
soil.cover2 0,4585969 2,180564 soil.cover15 0,8628929 1,158892

Los coeficientes positivos significativos aumentan la Tabla 2 Coeficientes Regresión Logística

contribución al cálculo de la probabilidad de
Variable Coeficiente
ocurrencia de manantiales como lo son las variables
Precipitación 0,00E+00
NDVI, Cobertura de suelo 18 (Herbazal), Cobertura NDVI 5,58E+00
del suelo 19 (Arbustal), Cobertura del suelo 10 Cobertura suelo 10 2,40E+00
(Mosaico de pastos y cultivos), y Pendiente. Los Cobertura suelo 18 3,65E+00
coeficientes negativos disminuyen la contribución Cobertura suelo 19 2,95E+00
al cálculo de probabilidad de ocurrencia de Uso del suelo 6 -3,91E+00
manantiales esto lo muestran las variables de Uso Uso del suelo 9 -2,70E+00
del Suelo 6 (Mosaico de Cultivo) Uso del Suelo 9 Suelo 24 NA
(Pastos y Ganadería). Algunas categorías no Litologia 1 - 12 NA
presentan valores de estimación de coeficiente Pendiente 1,92E-01
(NA) lo cual es consecuencia de la multicolinealidad
de las variables de entrada. Esta problemática se 4.2 REGRESIÓN LOGÍSTICA MODELO 2

Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Revista Ingeniería, Investigación y Desarrollo

Debido a la presencia de multicolinealidad en el Litología para suprimir la correlación entre las

conjunto de datos original se procedió a realizar
una selección de variables para aplicar nuevamente
el procedimiento de Regresión Logística (Regresión
Logística Modelo 2). En este método se omitieron
las variables que anteriormente presentaban
correlación. Los resultados del análisis de
multicolinealidad para este nuevo conjunto de
datos se presentan en la Tabla 3. De los resultados
mostrados en esta tabla ahora este nuevo conjunto
variables no se puede determinar la influencia
déstas (curvatura, suelo y litología) en la ocurrencia
de manantiales. Gracias a este problema y con el
fin de incluir todas las variables en el análisis se
de datos no presenta multicolinealidad ya que los
valores de inflación de varianza (FIV) son inferiores
a 10 y los índices de tolerancia son mayores a 0,1.

Tabla 3. Análisis de multicolinealidad Regresión Logística

modelo 2.
Variable Tolerancia FIV Variable Tolerancia FIV
precipitation 0,788261 1,268615 soil.use3 0,6114677 1,635409
curvature 0,6590006 1,517449 soil.use4 0,962209 1,039275
dist.roads 0,8514131 1,174518 soil.use5 0,6259336 1,597614
twi 0,376976 2,652689 soil.use6 0,4758022 2,101714
sti 0,1518717 6,584505 soil.use7 0,9311885 1,073896
spi 0,2119865 4,717282 soil.use8 0,5089204 1,964944
ndvi 0,7416208 1,348398 soil.use9 0,3523459 2,83812
dem 0,4167066 2,39977 soil.use10 0,6740479 1,483574
dist.riv 0,8718861 1,146939 slope 0,3506097 2,852174
soil.use2 0,5599173 1,785978 aspect 0,9575365 1,044347
emplea la Regresión Logística Lasso siendo un
En la tabla 4 se observan las variables método más robusto cuando se presenta
seleccionadas por el Modelo 2 de Regresión multicolinealidad en el conjunto de datos de
Logística y sus respectivos coeficientes, entrada
observándose que las variables más significativas La Figura 3 muestra el resultado de la estimación
con coeficientes positivos altos son: NDVI, de los coeficientes del modelo de Regresión
Pendiente, TWI, DEM. Las variables con coeficientes Logística usando todas las variables de entrada. En
negativos son: Uso del suelo 9 (Pastos y Ganadería), el eje X inferior, se representa el Log-Lambda, este
Uso del suelo 3 (Cultivos de Hortalizas) y representa un parámetro que controla el efecto
Precipitación (ver tabla 4). Estas variables con relativo del término de penalización en el proceso
coeficientes negativos presentes en la zona de de selección de variables. Para este caso se
estudio disminuyen la probabilidad de ocurrencia determinó un valor de lambda óptimo de λ
de manantiales. =0,000273 con lo cual 50 variables de un total de 58
son seleccionadas (esto se puede observar en el eje
Tabla 4. Coeficientes Modelo 2 X superior)
Variable Coeficiente Figura 3. Comportamiento de los coeficientes por medio de la
Precipitación -4,34E-03 regularización Lasso aplicado al conjunto de datos.
TWI 2,01E-01
NDVI 6,15E+00
DEM 2,99E-03
Uso del suelo 3 -1,37E+00
Uso del suelo 9 -1,19E+00
Pendiente 2,06E-01

5.1.1.3. REGRESIÓN LOGÍSTICA LASSO

Debido a que en el modelo 2 de Regresión Logística
se omiten las variables de Curvatura, Suelos y
 Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324

En la tabla 4, se evidencian las variables

seleccionadas por el modelo de LR Lasso. Las
principales variables que debido a sus coeficientes
influyen positivamente en esta probabilidad de
ocurrencia son: NDVI, Cobertura de Suelo 5 “Zonas 20 “Arbustal. Las principales variables que debido a
de extracción minera”, Cobertura de Suelo 21 sus coeficientes reducen la probabilidad de
“Tierras desnudas + degradadas”, Cobertura del ocurrencia de manantiales son: Suelo 19 MMHa,
Suelo 17 “plantación forestal”, Cobertura del Suelo suelo 10 MHVd, suelo 15 “MMAg3.
Tabla 4. Coeficientes regresión Lasso

4.4 peso de evidencia

(p < 0,05 indica dependencia condicional entre variables)

En cuarto lugar, se utiliza el modelo de Peso de

Evidencia (WOE) donde se emplean todas las
variables predictivas (ver tabla 9). Para analizar la
relación de dependencia y/o independencia entre
dos variables cualitativas, se utiliza la prueba
estadística (test chi cuadrado). Esta prueba
permite determinar si existe una relación entre dos
variables categóricas (cualitativas), pero no señala
el grado o el tipo de relación; es decir, no indica el
porcentaje de influencia de una variable sobre la
otra o la variable que causa la influencia (Tinoco,
2008). Tabla 1. Coeficientes Peso de Evidencia para

Tabla 5 Valores independientes condicionales usando

test.

Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
 Revista Ingeniería, Investigación y Desarrollo
En la tabla 9 los valores de P< 0,05 indican que las
variables son condicionalmente dependientes, es
decir están correlacionadas. Entre 256
comparaciones por pares, se encontró que 194 de
las parejas de comparación por pares dependían
entre sí (ver tabla 9). Para este caso, las variables
litología y suelo muestran dependencia condicional
con casi todas las variables de entrada al obtener
un nivel de significancia ≤0,05. En el caso contrario,
el par de Curvatura estándar y Dirección de la
Pendientes muestra independencia condicional
presentando un nivel de significancia = 0,88.
Regresión Logística (modelo 1)
Regresión Logística Lasso
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
Tabla 2. Coeficientes Peso de Evidencia para
En la tabla 10, se presentan las 10 variables
principales seleccionadas por el modelo de Peso de
Evidencia (WOE) consideradas significativas en la
ocurrencia de manantiales. Las principales
variables más contribuyentes de acuerdo a los
valores de contraste son: Suelo 14 “MMAF2” con
un valor de contraste igual a 2,73, seguido de Suelo
12 “MHVF” ,con 2,37, Pendiente entre los rangos
16,5 – 32,4 con un valor de contraste igual a 2,27,
Cobertura de Suelo 18 “Arbustal” y Suelo 17
“MMCe2” con un valores equivalentes de 2,15,
Cobertura del Suelo 19 “herbazal ” con un valor
de 1,99, Suelo 6 “ME”, Litología 7 (mezcla de limo y
arena no consolidada) con valores de 1,88, Uso de
suelo 7 (frutales y bosques comerciales) y Suelo 21
“MMXe1” Con valores de 1,66.
7- Mapas de potencial de manantiales
Regresión Logística (modelo 2)
Peso de evidencia
En la tabla 11, se evidencian las 10 variables
principales seleccionadas por el modelo de Peso de
Evidencia (WOE) que reducen la probabilidad de
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”
con un valor de contraste igual a -2,57, Litología 2
“Depósitos Clásticos Hidrogenicos”, Suelo 22
“VMAa” con un valor equivalente a -2,53, STI entre
los rangos 0,1 – 0,3 con un valor de contraste igual
a -2,40, Suelo 20 “MMXd1” con una valor de -2,26,
Uso de Suelo 9 “Ganadería Intensiva y Semi -
intensiva” -2,15, DEM entre los rangos 2470 - 2484
con un contraste igual a -2,07 que representarían
zonas de baja altitud en la zona de estudio,
Litología 12 “Zona Urbana” ,Suelo 24 “Zona
Urbana”, Uso del Suelo 10 “Zona Urbana”, con un
valor equivalente a -2.06.
En la figura 7 se observan los mapas de
probabilidad de ocurrencia de manantiales
generados a partir de: regresión logística modelo 1,
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
regresión logística, regresión logística modelo 2,
regresión logística Lasso y peso de evidencia.
En tonalidades azules se representan las zonas
donde la predicción de ocurrencia de manantiales
es mayor, en tonalidades amarillas y verdes donde
la probabilidad de ocurrencia es media y en
tonalidades rojas donde es baja.
Para el método de regresión logística modelo 1 las
zonas con probabilidades altas se encuentran en la
parte central de la zona de estudio, las zonas con
probabilidades bajas se encuentran al S - SE de la
zona y distribuidos de forma irregular en el sector y
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
vegetación, suelos) sobre la ocurrencia de los
manantiales, en donde los valores altos de
probabilidad de ocurrencia de manantiales (color
Revista Ingeniería, Investigación y Desarrollo
azul) están asociados a las zonas en donde la
vegetación es más abundante, mientras que las
probabilidades de ocurrencia bajas (color rojo)
están asociadas a zonas con índices de vegetación
bajos.
Para el método de Peso de Evidencia las zonas de
baja probabilidad se encuentran en zonas planas
relacionadas con los depósitos cuaternarios. Las
zonas de alta probabilidad de abarcan un gran
porcentaje del área de estudio .En este método de
Peso de Evidencia las variables presentan
dependencia condicional, debido a estas
correlaciones, el modelo (WOE) genera una
sobreestimación y subestimación de probabilidad
en la ocurrencia de manantiales sobresaliendo las
zonas de alta y baja probabilidad y, minimizando las
zonas de probabilidad media.
5. validación de resultados
Tabla 3. Resultados para el procedimiento de validación de
los modelos ajustados para la estimación de la probabilidad de
ocurrencia de manantiales en la parte central de Boyacá.
De acuerdo a los resultados de datos de validación
observados en la tabla 13 el parámetro Positivos
Verdaderos, corresponde cuando la muestra que se
prueba es manantial y el modelo calcula una
probabilidad alta de manantial, en otros términos,
el modelo está haciendo una clasificación correcta;
Negativos Verdaderos, corresponde cuando la
muestra no es manantial y el modelo calcula una
probabilidad baja de manantial, es decir, el modelo
está realizando una clasificación correcta; Positivos
Falsos, corresponde cuando la muestra que se
prueba no es manantial y el modelo calcula una
probabilidad alta de manantial, por consiguiente, el
modelo estaría realizando una clasificación
incorrecta; Negativos Falsos, corresponde cuando
la muestra que se prueba es manantial y el modelo
calcula una probabilidad alta de no manantial, es
decir, el modelo estaría realizando una clasificación
incorrecta.. La sensibilidad se refiere a la capacidad
que tiene el modelo para clasificar correctamente
los manantiales. La especificidad se refiere a la
capacidad que tiene el modelo de clasificar
correctamente los no manantiales. Un modelo con
buena capacidad predictiva debería tener valores
altos tanto de sensibilidad como de especificidad
(Camarero, Almazan, & Mañas, (s.f)).
El modelo Regresión Logística Lasso mostró el
mayor desempeño en la clasificación del potencial
de manantiales en la zona centro de Boyacá, con un
índice de sensibilidad igual a 0,84 seguido por el
modelo Regresión Logística Modelo 2 con (0,82),
Peso de Evidencia (0,81) y Regresión Logística
Modelo 1 (0,66).
En cuanto a la clasificación de los no manantiales,
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).
Figura 1. ROC para datos de validación
Se evaluó la precisión de cada modelo utilizando la
curva ROC. En el eje Y observamos la sensibilidad,
en el eje X se tiene el valor de 1-especificidad y se
evaluó el entrenamiento y el rendimiento
predictivo de los modelos a partir del área bajo la
curva y de esta forma explicar cuál es el mejor
modelo. Se observa que el modelo que tuvo un
mejor comportamiento fue el modelo Regresión
Logística Modelo 2 (AUC=0,81), Regresión Logística
Lasso (AUC=0,81), Peso de Evidencia (WOE) con
 Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
(AUC=0,81) y por último Regresión Logística
Modelo 1 (AUC=0,71).
En resumen, los resultados anteriores indican que
no existen grandes diferencias entre los cuatro
métodos usados como se aprecia en los valores de
sensibilidad, especificidad, área bajo las curvas
ROC, y los números de muestras clasificadas
correcta e incorrectamente .Sin embargo, según los
resultados de validación, el mejor modelo sería la
Regresión Logística Lasso para la predicción de
ocurrencia de manantiales (tabla 13 y Figura 53);
mientras que el mejor modelo para la predicción de
la ocurrencia de no-manantiales es la Regresión
Logística Modelo 1 (tabla 13).
5. Discusión de resultados
La pregunta de investigación es: ¿Cuáles son los
factores que contribuyen a la ocurrencia de
manantiales en la parte central de Boyacá? Para
responder a esta pregunta se emplearon tres
técnicas estadísticas incluyendo Regresión Logística
convencional, Regresión Logística Lasso y Peso de
Evidencia. La aplicación de estos procedimientos
estadísticos requiere que la información de entrada
posea ciertas características (independencia lineal e
independencia condicional de las variables), y por
lo tanto es importante verificar que dichas
características se cumplan. Las variables de
entrada usadas en este trabajo presentan
multicolinealidad y son condicionalmente
dependientes lo cual indica que su análisis con los
procedimientos de Regresión Logística y pesos de
evidencias puede presentar problemas, y los
resultados obtenidos se deben interpretar con
mucho cuidado. El problema de multicolinealidad
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
variables de entrada presentan dependencia
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
ocurrencia de manantiales sean estimadas de
manera sesgada.
El método de la Regresión Logística Lasso está
precisamente diseñado para ser empleado en
situaciones en donde las variables de entrada
presentan multicolinealidad ya que los coeficientes
se van estimando uno a uno, y la inclusión de una
variable al conjunto de datos se hace sin que se
presenten problemas en la estimación de esos
coeficientes (Carrasco , 2016). Esto quiere decir que
la pregunta de investigación se puede responder
sin problema usando los resultados de la Regresión
Logística Lasso y estos resultados se van a
comparar con los obtenidos con los otros modelos.
Los resultados para el método de regresión
logística muestran que las variables con
coeficientes positivos mayores a 1.0 y que por lo
tanto tienen mayor influencia en la ocurrencia de
manantiales incluyen al NDVI, cobertura de suelo
(arbustal, herbazal, bosque galería) y tipo de suelo
(ME y MHEg) lo cual indica que la ocurrencia de
manantiales está controlada por la vegetación
(NDVI y cobertura de suelo) y la presencia de
pendientes altas (tipos de suelo) y descubiertas
(tipo de suelo ME y coberturas de suelo zona de
área minera y tierras degradadas). Los resultados
indican que la ocurrencia de manantiales también
está controlada por la presencia de zonas
descubiertas como zonas extracción minera
(cobertura de suelo 5), tierras desnudas y
degradadas (cobertura de suelo 21) y donde aflora
el material parental (tipo de suelo ME. Estos
resultados se presentan de manera gráfica en las
Figuras 53 y 54.
Figura 2. Modelo conceptual de ocurrencia de manantiales en
zonas descubiertas de pendiente alta.
Revista Ingeniería, Investigación y Desarrollo

Figura 3. Modelo conceptual de ocurrencia de manantiales en

zonas con vegetación y pendiente alta.
Figura 5. Modelo conceptual de ocurrencia de manantiales en
Las variables que tienen coeficientes positivos zonas con pendiente intermedia y suelo tipo AMVe2
entre 0,1 y 1 y que por lo tanto representan
variables que tienen una influencia intermedia en la
ocurrencia de manantiales estas incluyen los tipos
de suelo MMAf2, AMVe2 y MMCe2 con predominio
de coberturas de mosaico de pastos y cultivos y
bosque fragmentado, e influencia de la pendiente,
curvatura de plano y el índice de humedad
topográfica (TWI). Estos resultados se resumen de
manera gráfica en las Figuras 55, 56 y 57 .En la
Figura 56 y 57 se presenta el modelo para el tipo de
suelo MMAf2 y el suelo AVMe2 que tienen
características muy similares. La Figura 58 presenta
el modelo para el tipo de suelo MMCe2 el cual se
caracteriza por suelos alta fertilidad lo que hace
que en la cobertura predominen los cultivos. Figura 6. Modelo conceptual de ocurrencia de manantiales en
zonas con pendiente intermedia y suelo tipo MMCe2

Las variables que tienen coeficientes positivos entre

0,0 y 0,1 y que tendrían una contribución baja a la
ocurrencia de manantiales incluyen el tipo de suelo
MMXe1, curvatura de perfil, altitud (DEM),
distancia a los ríos y tipos de litología 11(areniscas y
rocas ígneas intrusivas) y litología 7 (depósitos no
consolidados de arenas y limo mezclado. Un
resumen de las condiciones de ocurrencia de
manantiales en zonas de pendiente moderada se
presenta en la Figura 59.

Figura 4. Modelo conceptual de ocurrencia de manantiales en

zonas con pendiente intermedia y suelo tipo MMAf2.
 Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
Figura 7. Modelo conceptual de ocurrencia de manantiales en
zonas con pendiente intermedia a baja y suelo tipo MMEx1
Las variables que tienen una influencia negativa en
la ocurrencia de manantiales son aquellos con
coeficientes negativos estimados con el
procedimiento de Regresión Logística Lasso (ver
tabla 8 y tabla 14). Estas variables corresponden a
los tipos de suelo MMAg3 (tipo de suelo 15), MHVd
(tipo de suelo 10), y MMHa (tipo de suelo 19) .
Los resultados anteriores muestran que existe una
clara interacción entre las variables de entrada del
presente análisis a la hora de considerar su efecto
en la ocurrencia de los manantiales, sin embargo,
esta interacción se presenta en forma de variables
relacionadas con el suelo y específicamente la
cobertura de suelo. Esta variable de cobertura se
encuentra relacionada con el tipo de suelo, y en la
parte central de Boyacá estos suelos tienen un
control muy fuerte del relieve y del material
parental. Esto indica que la variable cobertura de
suelo está encapsulando las variaciones de la
topografía, tipo de suelo y material parental
(litología). Es por esta razón, que esta variable
aparece como influyente en los métodos de
Regresión Logística Modelo 1 y Peso de Evidencia,
Esta variable no se consideró en la Regresión
Logística Modelo 2 ya que algunas de sus categorías
cobertura de suelo 8 y 10 (pastos limpios, mosaico
de pastos y cultivos) presentaban altos valores de
factor de inflación de varianza y valores bajos de
tolerancia (ver tabla 4), lo cual indica que
efectivamente esta variable se encontraba
correlacionada con otras de las variables de
entrada. En el caso de la metodología de pesos de
evidencia, la cobertura de suelo 18 y 19 (arbustal,
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
herbazal) aparecen como influyentes para la
ocurrencia de manantiales junto con el tipo de
suelo 6 (ME), 7 (MEEg), 12 (MHVf), 14 (MMAf2), 17
(MMCE2) y 21 (MMXE1), el uso del suelo
Agricultura y frutas (uso suelo 7) y la litología de
arena no consolidada (litología 7). Esto indica que
la cobertura de suelo se encuentra correlacionada
con estos otros factores (tipo de suelo y litología).
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
zona centro de Boyacá. Se determinó que las
variables que tienen influencia positiva en la
ocurrencia de manantiales para el método de
Regresión Logística Modelo 1 son: NDVI, Cobertura
de Suelo 18 (Herbazal), Cobertura de Suelo 19
(Arbustal) y Cobertura de suelo 10 (Mosaico de
Pastos y Cultivos); las variables que para este
mismo método disminuyen la probabilidad de
ocurrencia de manantiales son: Uso de Suelo 6
(Mosaico de Cultivos) y Uso de Suelo 9 (Pastos y
Ganadería).
2.Se identificó que las variables que tienen
influencia positiva en la ocurrencia de manantiales
para el método de Regresión Logística Modelo 2
son: NDVI, Pendiente, TWI, DEM (Modelo Digital de
Elevación); las variables que disminuyen la
probabilidad de ocurrencia de manantiales son: Uso
de Suelo 9 (Pastos y Ganadería), Uso de Suelo 3
(Cultivo de Hortalizas) y Precipitación.
3.Para el método de Regresión Logística Lasso se
determinó que las variables que tienen influencia
positiva en la ocurrencia de manantiales son: NDVI,
Cobertura de Suelo 5 (Zonas de Extracción Minera),
Cobertura de Suelo 21 (tierras desnudas y
degradadas) y Cobertura de suelo 17 (plantación
forestal).
4.Las principales variables que debido a sus
coeficientes reducen la probabilidad de ocurrencia
de manantiales son: Suelo 19 MMHa ,suelo 10
suelo 15 “MMAg3.
5.Se determinó que las variables que tienen
influencia positiva en la ocurrencia de manantiales
para el método de Peso de Evidencia son: Suelo 14
“MMAF2” ,Suelo 12 “MHVF” ,Pendiente, Cobertura
de Suelo 18 (Arbustal), Cobertura del Suelo 19
“herbazal; las variables que para este mismo
método disminuyen la probabilidad de ocurrencia
Revista Ingeniería, Investigación y Desarrollo
de manantiales son: Cobertura del Suelo 1 (Tejido
Urbano Continuo), seguido de Suelo 22 “VMAa”,
Litología 2 (Depósitos Clásticos Hidrogenicos), STI
(entre los rangos 0,1 – 0,3), Suelo 20 “MMXd1”,
Uso de Suelo 9 (Ganadería Intensiva y Semi –
intensiva), DEM (entre los rangos 2470 – 2484), Uso
del Suelo 10 (Zona Urbana), Suelo 24 (Zona
Urbana), Litología 12 (Zona Urbana).
Se concluye que, aunque la categoría NDVI se
encuentra entre las variables más influyentes en los
métodos de Regresión Logística Modelo 1,
Regresión Logística Modelo 2 y Regresión Logística
Lasso se presenta una excepción en el método de
Pesos de Evidencia debido a que no se presenta
como una variable influyente debido a los
problemas de correlación que este método
presenta para seleccionar las variables.
Se determina que los modelos que visualmente
presentan una mejor distribución de las zonas de
alta, media y baja probabilidad de ocurrencia de
manantiales son Regresión Logística modelo 2 y
Regresión Logística Lasso, sin embargo, es
importante tener en cuenta que el modelo de
Regresión Logística Lasso es el método que evalúa
todas las variables, este caso no ocurre con el
Modelo 2 de Regresión Logística debido a que en
este método se eliminaron las variables que
presentan multicolinealidad.
Recomendaciones
Al realizar análisis de probabilidad de ocurrencia
de manantiales a través de los diferentes métodos
estadísticos (Regresión Logística, Regresión
Logística Lasso, Peso de Evidencia, etc.) se
recomienda utilizar a la par los índices
estadísticos (coeficientes) los cuales al ser
analizados conjuntamente con los mapas permiten
estimar las relaciones existentes entre las variables
dependientes e independientes mientras los mapas
generados indican la distribución de las zonas de
alta, media y baja probabilidad de ocurrencia de
manantiales, esto con el fin de tener un mejor
criterio en el análisis de estos y en futuras toma de
decisiones.
Para aplicar el método Peso de Evidencia se
recomienda no utilizar variables con dependencia
condicional por los errores que se pueden generar
en la aplicación de este, en caso de ser necesaria la
aplicación de las variables que presenten esa
multicolinealidad se recomienda aplicar el modelo
de Peso de Evidencia Modificado (MWOE) (Wey,
Zhang, & Agterberg, 2018) debido a que este
modelo debilita la dependencia condicional
generando mejores resultados.
Se recomienda realizar un estudio similar al
presentado en el presente trabajo para los
manantiales que ocurren en zonas de pendientes
bajas. Los resultados presentados en este
documento muestran claramente el control que
ejerce la pendiente sobre la ocurrencia de
manantiales, pero estos resultados no aplican para
todos los manantiales presentes en la zona de
estudio. Los modelos conceptuales de la ocurrencia
de manantiales derivados en este trabajo (figuras
53 a 58) aplican para zonas de pendientes altas y
moderadas dejando la gran inquietud sobre los
factores que controlan los manantiales en las zonas
de pendientes bajas como lo es el abanico aluvial.
REFERENCIAS
Agencia PCJ. ((s.f)). Protección de los Manantiales para Enfrentar
los Cambios Climaticos.
Amat , J. (2016). Selección de predictores, regularización ridge,
lasso, elastic net y reducción de dimensionalidad.
Obtenido de
https://www.cienciadedatos.net/documentos/31_sel
eccion_de_predictores_subset_selection_ridge_lasso
_dimension_reduction
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
vivos. Obtenido de AQUAE FUNDACIÓN:
https://www.fundacionaquae.org/importa
ncia-del-agua/
Arabameri, A., Roy, J., Saha, S., Blaschke, T.,
Ghorbanzadeh, O., & Tien Bui, D. (2019).
Application of Probabilistic and Machine
Learning Models for Groundwater Potentiality
Mapping in Damghan Sedimentary Plain, Iran.
ArcMap. (2016). Función de Curvatura. Obtenido de ArcGIS for
Desktop:
https://desktop.arcgis.com/es/arcmap/10.3/manage-
data/raster-and-images/curvature-function.htm
ArcMap. (2018). ArcGis for Desktop. Obtenido de
https://desktop.arcgis.com/es/arcmap/10.3/tools/sp
atial-analyst-toolbox/how-aspect-works.htm
Avellaneda , F., Villaona , J., Gonzalez , M., & Safra, D. (2017).
Evaluación de un prospecto de Hidrocarburos en el
Sinclinal San Miguel, Municipio de Iza Departamento
de Boyacá. Bucaramanga.
Balsa , C., & sanchez , A. (2017). Un paquete R para analisis
masivo de modelos predictivos de regresión logística
multivariante y sus medidas de discriminación y de
clasificacíon asociadas . España.
 Revista de Ingeniería, Investigación y Desarrollo. ISSN 1900-771X/E-ISSN 2422-4324
Camarero, L., Almazan, A., & Mañas, B. ((s.f)). Regresión
Logística: Fundamentos y Aplicación a la
Investigación Sociologíca. España.
Carrasco , M. (2016). Tecnicas de Regularización en Regresión:
Implementación y Aplicaciones. España.
Carrasco, M. (2016). Tecnicas de Regularización en Regresión:
Implementación y Aplicaciones. España.
Chen, W., Zhao, X., Tsangaratos, P., Shahabi, H., Ilia, I., Xue,
W., . . . Ahmad, B. B. (2020). Evaluating the usage of
tree-based ensemble methods in groundwater
spring. Journal of Hidrology.
CORPOBOYACA. (28 de Julio de 2017). Socialización y Entrega
del Modelo Hidrogeológico de la Zona Centro de
Boyacá. Obtenido de CORPOBOYACA:
https://www.corpoboyaca.gov.co/noticias/socializaci
on-y-entrega-del-modelo-hidrogeologico-de-la-zona-
centro-de-boyaca/
Diaz Garcia , J. J. (2015). Estudio de Índices de vegetación a partir
de imágenes aéreas tomadas desde UAS/RPAS y
aplicaciones de estos a la agricultura de precisión.
MADRID.
Domingo, J. M., Corral, E., Ruiz, F., Fernández , R., & Redondo, F.
(2013). Cuantificación de la influencia del índice de
humedad en la profundidad y capacidad Hidrica del
suelo. España: Sociedad Española de Ciencias
Forestales.
Dornelles, S., & Tena, D. (2011). El inconsciente colectivo en la
imagen de marca. anagramas rumbos sentidos
comun.
Fan, D., Cui, X.-m., Yuan, D.-b., Wang, J., Yang, J., & Wang, S.
(2011). Weight of Evidence Method and Its
Applications and Its Applications and Development.
Beijing, China: College of Geoscience and Surveying
Engineering.
FAO. (1996). Bases Digitales de Datos de Suelo y Terreno a Nivel
Mundial y Nacional. Roma.
Fernández, S. (2011). Regresión Logística. Madrid.
Finnegan, N., Sklar, L., & F. T. (2007). Interplay of sediment
supply, river incision, and channel morphology
revealed by the transient evolution of an
experimental bedrock channel. JOURNAL OF
GEOPHYSICAL RESEARCH,.
doi:10.1029/2006JF000569
Fuentes, M. J., Sanchez, A., & Sainz, G. I. (2018). Detección de
Fallos Dinamica y Descentralizada Basada en
Métodos de Regresión. 554 - 561.
Garcia, G., & Rache, J. (2018). ZONIFICACIÓN DE
SUSCEPTIBILIDAD A MOVIMIENTOS EN MASA EN LA
MICROCUENCA TABACAL - MUNICIPIO DE LA PALMA,
DEPARTAMENTO DE CUNDINAMARCA. Bogota D.C.
Gil Martinez, C. (Mayo de 2018). Regresión Logística Lineal y
Múltiple. Obtenido de Regresión Logística:
https://rstudio-pubs-static.s3.amazonaws.com/
Gobernación de Boyacá. (Junio de 2012). Gobernación de
Boyacá. Obtenido de
https://www.boyaca.gov.co/hidrografia-boyacense/
Gobernación de Boyacá. (Junio de 2012). Hidrografía Boyacense.
Obtenido de Gobernación de Boyacá:
www.boyaca.gov.co/hidrografia-boyacense/
Govaerts, B., & Verhulst, N. (2010). The normalized difference
vegetation index (NDVI) Greenseeker(TM) handheld
sensor: toward the integrated evaluation of crop
management part A: concepts and case studies.
Mexico .
Calle 4 Sur N° 15-134 Edificio Administrativo Tercer piso Sogamoso, Boyacá-Colombia www.uptc.edu.co/enlaces/ringinvedesa
Guijarro , F. (2013). Estadística Aplicada a la valoración de
Modelos multivariantes . Valencia : Editorial
Universitat Politécnica de Valencia .
Hastie , T., Tibshirani,, R., & Friedman, J. (2009). The Elements of
Statistical Learning: Data Mining, Inference, and
Prediction. Springer.
Huang , J. (2014). Investigation on Landslide Susceptibility using
Remote Sensing and GIS Methods. Hong Kong: Open
Access Theses and Dissertations. 33.
IDEAM . (2015). Estudio Nacional del Agua . Bogota .
IDEAM, IGAC, IAvH, (Invemar, Sinchi, I., & IIAP. (2007).
ECOSISTEMAS CONTINENTALES, COSTEROS Y
MARINOS DE COLOMBIA. Bogotá, D. C.
IGAC . (2005). Estudio General de Suelos y Zonificacion de Tierras
del Departamento de Boyaca . Bogota D.C.
IGRAC. ((s.f)). Qué es agua subterranea? Obtenido de
International Groundwater Resources Assessment
Centre: https://www.un-igrac.org/es/que-es-agua-
IGRAC. (s.f ). IGRAC. Obtenido de International Groundwater
Resources Assessment Centre : https://www.un-
igrac.org/es
INGEOMINAS. (1979). Geología de las Planchas 170, Velez, 190,
Chiquinquira, Colombia. Bogotá.
INGEOMINAS. (2001). Geología de la Plancha 192 Laguna de
Tota. Bogotá.
INGEOMINAS. (2009). Geología del Domo Volcanico de Iza y sus
Alrededores Sector Pesca e Iza. Bogotá.
Irala, J., Fernandez-Crehuet, R., & Serrano, A. (1997). Intervalos
de confianza anormalmente amplios en regresión
logística: interpretación de resultados de programas
estadísticos. 230-234.
James, G., Witten, D., Tibshirani, R., & Hastie, T. (2013). An
Introduction to Statistical Learning with Applications
in R. Springer.
Joshep , M. (2016). Practical Guide to Logistic Regression.
Estados Unidos : Prensa CRC, 2016.
Kemp, L. D., Bonham - Carter, G. F., & Raines, G. L. (1999). Peso
de Evidencia. Obtenido de Arc-WofE: Arcview
extension for weights of evidence mapping:
https://www.ige.unicamp.br/wofe/documentation/w
ofeintr.htm
Mariño, S. J. (2 de Septiembre de 2020). En Boyacá los
Campesinos Recibirán Recompensa por Cuidar y
Defender un Páramo. Última Hora.
Mercedes, C., & Poma, S. ((s.f)). Estimación de la Ocurrencia de
Incidencias en Declaración de Pólizas de Importación.
Perú.
Miraki , S., Zanganeh , S., Chapi, K., Singh , V., Shirzadi , ,.,
Shahabi , H., & Pham , B. T. (2019). Mapping
Groundwater Potential Using a Novel Hybrid
Intelligence Approach. Water Resour Manage, 281-
302.
Montoya Valer, S. K. (2017). Factores Socieconomicos que
Afectan al Consumo Domestico de Agua Potable
Usando la Regresión Múltiple Puno Ciudad - 2015 .
Perú.
Moore, I. D., & Wilson, J. (1992). Length-slope factors for the
Revised Universal Soil Loss Equation: Simplified
method of estimation. Journal of soil and water
conservation., 423-428.
Moore, I. D., Gesseler, P. E., Nielsen, G. A., & Peterson, G. A.
(1993). Soil attribute prediction using terrain analysis.
443-452.
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