Artículo cientíﬁco / Scientiﬁc paper

CIENCIAS DE LA TIERRA

pISSN:1390-3799; eISSN:1390-8596

http://doi.org/10.17163/lgr.n39.2024.07

ANÁLISIS DE SUSCEPTIBILIDAD A DESLIZAMIENTOS

EMPLEANDO EL PROCESO DE JERARQUÍA ANALÍTICA EN UNA

CARRETERA AMAZÓNICA DEL ECUADOR

LANDSLIDES SUSCEPTIBILITY ANALYSIS EMPLOYING ANALYTICAL

HIERARCHY PROCESS ON AN AMAZONIAN ROADWAY IN ECUADOR

Cristian J. Cargua*1, Ronny Espin2, Bryan G. Valencia3, Marco Simbaña4,

Sebastián Araujo2, Carolina Cornejo3y Anderson Ocampos2

1Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográﬁca, Unidad de

Posgrado, Lima, Perú.

2Grupo de Investigación en Geofísica y Geotecnia, Facultad de Ciencias de la Tierra y Agua, Universidad Regional Amazónica

Ikiam, Muyuna Km 7, Tena, Napo, Ecuador.

3Grupo de Investigación de Ciencias de la Tierra y Clima, Facultad de Ciencias de la Tierra y Agua, Universidad Regional Ama-

zónica Ikiam, Muyuna Km 7, Tena, Napo, Ecuador.

4Universidad de Investigación de Tecnología Experimental Yachay, Urcuquí, Ecuador.

*Autor para correspondencia: cristian.cargua@unmsm.edu.pe

Manuscrito recibido el 19 de mayo de 2022. Aceptado, tras revisión, el 06 de julio de 2023. Publicado el 1 de marzo de 2024.

Resumen

La carretera Puyo-Tena es propensa a deslizamientos de tierra debido a la geodinámica, geomorfología y materiales

geológicos de la zona (aﬂoramientos y estratos inestables). En los últimos años, este problema ha provocado de for-

ma persistente la inutilización parcial o total de la carretera en numerosas ocasiones. El objetivo de la investigación

fue generar un modelo cartográﬁco de susceptibilidad a deslizamientos a partir de variables como la pendiente, las

formaciones geológicas, la cobertura y uso de la tierra, así como las distancias a fallas, carretera y ríos. El grado de

incidencia de deslizamientos se estimó como la combinación lineal de las variables ponderadas mediante el proceso

de jerarquía analítica. La importancia de este método semicuantitativo radica en su capacidad para desagregar un

problema de decisión complejo en un modelo de decisión más simple y coherente. El modelo cartográﬁco resultante

se reclasiﬁcó en cinco categorías de susceptibilidad: muy baja, baja, moderada, alta y muy alta. Los resultados mostra-

ron que 17 km de los 80 km de la carretera Puyo-Tena tienen una alta probabilidad a deslizamientos, lo que equivale

a 21,25% de la carretera. Además, dentro de este porcentaje, se determinó que existen quince regiones con alta proba-

bilidad de deslizamientos debido a su ubicación en zonas con fuertes pendientes, litología porosa y permeable, gran

cantidad de ríos y suelos agrícolas. Para la veriﬁcación del modelo se utilizó el área bajo la curva (en inglés AUC)

de la característica operativa del receptor (en inglés ROC). Los resultados de la veriﬁcación mostraron que el modelo

cartográﬁco para el área de estudio tiene un valor de precisión de 83,7%. El modelo cartográﬁco de susceptibilidad

a deslizamientos permitirá tomar las decisiones pertinentes para mitigar eventos potenciales que puedan poner en

peligro a transportistas, bienes materiales y residentes de la zona.

116 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Palabras clave: susceptibilidad, deslizamiento, proceso de jerarquía analítica, sistema de información geográﬁca

(SIG), modelo cartográﬁco de susceptibilidad.

Abstract

The Puyo-Tena roadway is prone to landslides due to the geodynamics, geomorphology, and geological materials of

the area (unstable outcrops and strata). In recent years, this problem has persistently caused the road to be partially

or completely disabled on numerous occasions. The objective of the research was to generate a cartographic model

of landslides susceptibility based on variables such as slope, geological formations, land cover and land use, as well

as distances to faults, road, and rivers. The degree of landslides incidence was estimated as the linear combination of

the weighted variables using the analytic hierarchy process. The importance of this semi-quantitative method lies in

its ability to break down a complex decision problem into a simpler and more coherent decision model. The resulting

cartographic model was classiﬁed into ﬁve susceptibility categories: very low, low, moderate, high, and very high. The

results showed that 17 km out of the 80 km of the Puyo-Tena roadway have a high probability of landslides, which is

equivalent to 21.25% of the road. Furthermore, within this percentage, it was determined that there are ﬁfteen regions

with a high probability of landslides due to their location in areas with steep slopes, porous and permeable lithology, a

large number of rivers, and agricultural soils. The area under the curve (AUC) of the receiver operating characteristic

(ROC) was used for model veriﬁcation. The veriﬁcation results showed that the cartographic model for the study area

has an accuracy value of 83.7%. The cartographic model of landslide susceptibility will enable relevant decisions to

be made to mitigate potential hazards that may endanger transporters, material goods, and residents of the area.

Keywords: susceptibility, landslide, analytical hierarchy process, geographic information system (GIS), susceptibility

mapping model.

Forma sugerida de citar: Cargua, C., Espin, R., Valencia, B., Simbaña, M., Araujo, S., Cornejo, C. y Ocampos,

A. (2024). Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerar-

quía Analítica en una carretera amazónica del Ecuador. La Granja: Revista de Ciencias

de la Vida. Vol. 39(1):116-136. http://doi.org/10.17163/lgr.n39.2024.07.

IDs Orcid:

Cristian J. Cargua: https://orcid.org/0000-0003-3036-270X

Ronny Espin: https://orcid.org/0000-0003-0409-4764

Bryan G. Valencia: https://orcid.org/0000-0002-5970-4964

Marco Simbaña: https://orcid.org/0000-0003-2974-3839

Sebastián Araujo: https://orcid.org/0000-0002-9704-5779

Carolina Cornejo: https://orcid.org/0000-0002-4421-1032

Anderson Ocampos: https://orcid.org/0000-0003-4094-2337

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

1 Introducción

Los deslizamientos se caracterizan por ser movi-

mientos de masa de rocas, tierra y escombros bajo

la inﬂuencia directa de la gravedad (Cruden, 1991;

Cruden y Varnes, 1996). Estos movimientos son par-

te de la dinámica geológica del planeta inﬂuencia-

dos por actividades humanas, lluvias o sobrecar-

gas estáticas, que ocasionan que estos se aceleren

y en algunos casos sean catastróﬁcos (Pourghasemi

y col., 2018; Basu y Pal, 2020). La susceptibilidad

a los deslizamientos indica qué tan propensa es

una zona en especíﬁco a fallar, ya sea a nivel local

o regional (Hearn y Hart, 2019). Esta susceptibili-

dad suele expresarse con un modelo cartográﬁco de

susceptibilidad a los deslizamientos que muestra

la probabilidad de ocurrencia de deslizamientos,

independientemente de la escala de tiempo. La re-

levancia de estos modelos cartográﬁcos radica en

que su desarrollo es especíﬁco y detallado acerca de

una zona en particular.

Con el propósito de determinar la susceptibili-

dad a deslizamientos, la cartografía analiza varia-

bles que afectan la estabilidad del terreno como

la geología, geomorfología, topografía y distan-

cia a ríos (Raghuvanshi, Ibrahim y Ayalew, 2014;

Dahal y Dahal, 2017; Hamza y Raghuvanshi, 2017;

Vásquez, 2023). La elaboración de modelos carto-

gráﬁcos de susceptibilidad considera la calidad de

datos, resolución espacial del área de trabajo y la

metodología para el análisis y digitalización de las

variables empleadas (Mansouri Daneshvar, 2014).

El desarrollo de estos modelos considera enfoques

cualitativos (como el método heurístico y método

Mora-Vahrson-Mora, cuantitativos (como el méto-

do determinístico y método estadístico) o la unión

de ambos. Históricamente, los primeros modelos en

desarrollarse constaban de datos cualitativos con

aspectos geológicos y morfológicos de deslizamien-

tos de laderas inventariadas (Nilsen y col., 1979;

Mallick y col., 2018). Progresivamente, fueron per-

feccionándose e incluían análisis más robustos co-

mo los análisis de jerarquía analítica (Komac, 2006;

Teši´c y col., 2020; Chanu y Bakimchandra, 2022), bi-

variados (Van Westen, 1997; Jamir y col., 2022), mul-

tivariados (Carrara, 1983; Benchelha y col., 2020;

Pham y col., 2021), regresión logística (Dai y col.,

2001; Lee y Min, 2001; Nhu y col., 2020; Wubalem

y Meten, 2020), lógica difusa (Ercanoglu y Gok-

ceoglu, 2004; Bahrami, Hassani y Maghsoudi, 2021;

Bien y col., 2022) y redes neuronales artiﬁciales (Bra-

gagnolo, Silva y Grzybowski, 2020; Bravo-López

y col., 2022; Gameiro, Oliveira y Guasselli, 2022).

Los métodos cualitativos se caracterizan por in-

corporar la opinión del experto en función de resul-

tados empíricos realizados a pequeña escala (Demir

y col., 2013; Roccati y col., 2021; Asmare, 2023). Por

lo general, los métodos cualitativos más comunes

se limitan a analizar las propiedades geológicas y

geomorfológicas de deslizamientos inventariados.

Sin embargo, existen métodos cualitativos más so-

ﬁsticados como los semicuantitativos (Nicu y As˘an-

dulesei, 2018; Dolui, Yuvaraj y Geetha, 2019). Un

método semicuantitativo emplea procedimientos

de ponderación y clasiﬁcación en métodos cualita-

tivos. Un claro ejemplo, es el proceso de jerarquía

analítica desarrollado por Saaty (1990), el cual ha

sido empleado en esta investigación. Este método

se ha convertido en una herramienta muy utiliza-

da ya que ayuda a los responsables de la toma de

decisiones a elegir el mejor criterio, reduciendo las

decisiones complejas a una serie de pares compara-

tivos y sintetizando los resultados (Sonker, Tripathi

y Singh, 2021). Por ello, es que esta herramienta ha

sido ampliamente utilizada por varios investiga-

dores en el mundo para el desarrollo de modelos

cartográﬁcos para la susceptibilidad a los desliza-

mientos (Guillen y col., 2022; Ozturk y Uzel-Gunini,

2022; Salcedo y col., 2022; Wang y col., 2022; Okoli

y col., 2023).

Una característica de la región amazónica del

Ecuador es la frecuencia de deslizamientos de tierra

alrededor de principales poblados y redes impor-

tantes de conexión vial (Gobierno Cantonal de Pas-

taza, 2020; Gobierno Provincial de Napo, 2020; Se-

cretaría Técnica de la Circunscripción Territorial Es-

pecial Amazónica, 2021; Servicio Nacional de Ges-

tión de Riesgos y Emergencias, 2022b; Servicio Na-

cional de Gestión de Riesgos y Emergencias, 2022a).

Sin embargo, la baja resolución espacial de los mo-

delos de susceptibilidad disponibles a escala regio-

nal impide conocer la susceptibilidad de zonas pun-

tuales (Zumpano y col., 2014). Por ejemplo, la carre-

tera Puyo – Tena, ubicada entre las provincias de

Pastaza y Napo, no cuenta con estudios a detalle

por parte de los gobiernos autónomos descentrali-

zados en relación a la susceptibilidad a los desliza-

mientos tal y como se aprecia en los reportes del

Gobierno Cantonal de Pastaza (2020) y Gobierno

118 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Provincial de Napo (2020). Esta carretera presenta a

menudo constantes deslizamientos que han afecta-

do la vialidad entre ambas provincias (Ecoamazóni-

co, 2014; Ecoamazónico, 2020; Ecoamazónico, 2021;

Correo, 2017; Obras Públicas Ecuador, 2022). Por lo

tanto, la presente investigación tiene como objetivo

generar un modelo cartográﬁco de susceptibilidad a

los deslizamientos que identiﬁque las regiones más

propensas a deslizamientos a lo largo de la carre-

tera Puyo– Tena. Esta ruta se considera como una

importante red de conexión que une al Ecuador con

su Amazonía.

2 Descripción del Área de Estudio

La investigación se realizó en la carretera Puyo–

Tena, entre las provincias de Pastaza y Napo, en

la Amazonía ecuatoriana (Figura 1). La carretera se

encuentra delimitada al oeste por la Cordillera Real,

al norte por el cantón Tena, al este por la Cuenca

Oriente y al sur por el cantón Pastaza. Además, po-

see una gran variedad de geoformas como regiones

montañosas, vertientes y planicies (Ministerio del

Ambiente de Ecuador, 2014).

Los aspectos que engloban el área de estudio

son pendiente (desde 5◦a>70◦), altitud (desde los

449 metros sobre el nivel del mar (en adelante m.

s. n. m.) hasta los 1108 m. s. n. m.), precipitación

(desde los 3500 mm/año hasta los 4500 mm/año)

y suelos residuales. Además, el área de interés tie-

ne una temperatura promedio anual de 23,5 ◦C y

una precipitación anual de 4200 mm (Harris y col.,

2020). Ciertas zonas de los taludes estudiados al ca-

recer de cobertura vegetal, contar con litología po-

rosa y precipitaciones fuertes, desarrollan condicio-

nes idóneas para que existan altos índices de inﬁl-

tración, haciéndolos susceptibles a deslizamientos y

erosión del suelo (Laraque y col., 2004; Bravo y col.,

2017).

Figura 1. Ubicación del área de estudio.

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

3 Materiales y Métodos

Se utilizó el Proceso de Jerarquía Analítica cono-

cido también como AHP por sus siglas en inglés

(Analytical Hierarchy Process). AHP es un método

semicuantitativo basado en la evaluación multicri-

terio de toma de decisiones para tratar problemas

complejos y multiatributos (Gudiyangada Nachap-

pa y col., 2020). El proceso de jerarquía analítica de-

sarrollado por Saaty (1990) desagrega un problema

de decisión compleja en diferentes niveles jerárqui-

cos y permite cuantiﬁcar las opiniones y transfor-

marlas en un modelo de decisión coherente. El pro-

ceso se basa en cuatro principios: i) desarrollo de

jerarquía, ii) comparación de pares, iii) síntesis de

juicios y iv) comprobación de consistencia. Este mé-

todo conjuntamente con la combinación lineal pon-

derada permite tener la representación gráﬁca de

las zonas más susceptibles a deslizamientos. Al ﬁ-

nal, el proceso de jerarquía analítica conﬁere la me-

jor opción para la toma de decisiones (Mallick y col.,

2018; Basu y Pal, 2020; Zhou, Zhou y Tan, 2020). El

proceso llevado a cabo hasta obtener el modelo car-

tográﬁco de susceptibilidad a los deslizamientos se

detalla a continuación.

3.1 Inventario de Deslizamientos

De acuerdo con Wieczorek (1984), es necesario pro-

porcionar un mapa de deslizamientos para discer-

nir ubicaciones y especiﬁcar deslizamientos que se

han producido con diferentes escalas espaciales y

temporales. Por ende, una base de datos representa-

tiva de los deslizamientos es un requisito previo pa-

ra cualquier evaluación de peligro o riesgo de des-

lizamientos (Varnes e International Association of

Engineering Geology, 2021; Guzzetti y col., 1999), y

un modelo cartográﬁco de susceptibilidad a los des-

lizamientos no es la excepción. Utilizando ortofoto-

grafías como base, se identiﬁcaron deslizamientos

que luego fueron conﬁrmados en campo median-

te tres días de recorrido (27, 28 y 29 de julio del

2021). Además, producto del recorrido in situ se en-

contraron otros deslizamientos. Cada deslizamiento

encontrado fue georreferenciado y caracterizado en

función de su litología y tipo de deslizamiento. En

total se identiﬁcaron 62 deslizamientos a lo largo de

la carretera de interés. En la Tabla 1 y Figura 2 se

muestran los deslizamientos de mayor tamaño.

Tabla 1. Parte representativa del inventario de los deslizamientos encontrados en la carretera Puyo-Tena.

Inventario Coordenadas Grado-Decimal Formación

Geológica

Tipo de

DeslizamientoLongitud Latitud

1−77,8088◦−1,1159◦Arajuno Rotacional

2−77,7947◦−1,0978◦Chalcana Caída

3−77,7933◦−1,0936◦Chalcana Caída

4−77,7905◦−1,0831◦Chalcana Rotacional

5−77,7912◦−1,0789◦Tiyuyacu Rotacional

3.2 Preparación de las Capas de las Varia-

bles de Deslizamientos

Toda la información utilizada para cumplir con el

objetivo se recopiló de fuentes gubernamentales y

educativas. Esta información se detalla en la Tabla

2. Se estableció que las variables a ser consideradas

en la susceptibilidad a los deslizamientos fueron las

formaciones geológicas, la pendiente, las fallas geo-

lógicas, la construcción de la carretera, la distancia

a ríos y la cobertura y uso de la tierra (en adelante

CUT). La selección de las seis variables y sus cate-

gorías se realizó en función a la información obte-

nida en campo y oﬁcina. Estudios similares suscita-

do en la región respaldan la importancia de tomar

en cuenta este tipo de variables en la realización

de modelos cartográﬁcos de susceptibilidad a los

deslizamientos (Klimeš y Rios Escobar, 2010; Ortiz

y Martínez-Graña, 2018; Barella, Sobreira y Zêzere,

2019; Orejuela y Toulkeridis, 2020; Vásquez, 2023).

Las categorías se reﬁeren a las distintas divisiones

que tiene cada variable; por ejemplo, las formacio-

nes Napo, Tena y Mera son categorías de la variable

formaciones geológicas. Posteriormente, las varia-

bles seleccionadas fueron convertidas en capas te-

máticas como paso inicial en el desarrollo del mo-

delo cartográﬁco de susceptibilidad.

120 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

a) b)

d) e)

Figura 2. Deslizamientos de acuerdo con el inventario de la Tabla 1: a) es 1, b) es 2, c) es 4, d) es 3 y e) es 5.

Todas las capas temáticas fueron rasterizadas

con una resolución de píxel de 12,5 m. Todas las

ponderaciones hechas para las seis variables y sus

categorías fueron seleccionadas de acuerdo con los

análisis efectuados en campo y oﬁcina. Las reclasi-

ﬁcaciones para cada capa temática se realizaron con

base en los datos obtenidos de cada variable. Poste-

riormente, se combinaron las capas temáticas, anali-

zadas con el AHP mediante la Combinación Lineal

Ponderada (WLC por sus siglas en ingles Weighted

Linear Combination) el cual es un método analítico

e híbrido (cualitativo y cuantitativo) usado en SIG

para procesar capas ráster (Feizizadeh y Blaschke,

2013). La distancia a las fallas geológicas, carretera

y ríos se calcularon mediante la herramienta buffer

en QGIS. La pendiente se obtuvo a partir de un Mo-

delo Digital de Elevación o DEM por sus siglas en

inglés (Digital Elevation Model) de 12,5 m de reso-

lución del píxel para el área de estudio. Todos los

procedimientos de análisis espacial se realizaron en

el software libre QGIS versión 3,4 Madeira (Figura

3).

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

Tabla 2. Fuentes de datos usados para el estudio.

Datos Descripción Fuente

Ortofotografías

(Resolución 0,30 m) Descargado PROGRAMA SIGTIERRAS

http://www.sigtierras.gob.ec/

Modelo Digital

de Elevación – DEM

(Resolución 12,5 m)

Descargado ASF

https://search.asf.alaska.edu/#/

Pendiente Derivado del

DEM 12,5 m DEM 12,5 m

Formaciones

Geológicas Descargado MAGAP

http://geoportal.agricultura.gob.ec/

Fallas Geológicas Descargado PROYECTO SARA

https://sara.openquake.org/start

Carretera Descargado IGM

http://www.geoportaligm.gob.ec/portal/

Ríos Descargado IGM

http://www.geoportaligm.gob.ec/portal/

Cobertura y uso de la

Tierra (CUT) Descargado MAGAP

http://geoportal.agricultura.gob.ec/

Figura 3. Diagrama de Flujo del Estudio.

122 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Todas las capas temáticas vectoriales se rasteri-

zaron con resolución de píxel de 12,5 m ×12,5 m.

La rasterización permitió que las seis capas temáti-

cas pudieran ser combinadas y formar una sola capa

ráster. Se seleccionó la resolución de píxel de 12,5 m

debido a que con esa resolución espacial se trabajó

el DEM. El procedimiento de cada una de las varia-

bles se detalla a continuación.

Pendiente

Los valores de pendiente se extrajeron del DEM de

12,5 m de resolución de píxel. La pendiente es una

variable indispensable, ya que dependiendo de su

ángulo de inclinación ocasionará que haya mayor o

menor susceptibilidad a deslizamientos (Dolui, Yu-

varaj y Geetha, 2019; Nguyen y col., 2019; Bahrami,

Hassani y Maghsoudi, 2021). En este estudio, esta

capa temática se obtuvo al usar la librería gdaldem

de QGIS, y se categorizó en seis partes: <5◦, 5 –

12◦, 12 – 25◦, 25 – 40◦, 40 – 70◦y >70◦(Figura 4a).

La categorización se basó a partir de la reclasiﬁca-

ción establecida por la fuente de los datos (Tabla 2).

Los valores de ponderación de esta y del resto de

variables se detallan en los resultados.

Formaciones Geológicas

Las formaciones geológicas, dependiendo de la li-

tología, permeabilidad y de la consolidación del te-

rreno, inﬂuirán en gran medida en la probabilidad a

los deslizamientos (Althuwaynee y Pradhan, 2017;

Salehpour Jam y col., 2021). Para el desarrollo de

esta capa temática, se registraron un total de siete

formaciones geológicas, depósitos aluviales, depó-

sitos coluviales y otros (sin descripción) a lo largo

de la carretera de interés (Figura 4b). La categoriza-

ción se basó en observaciones de las formaciones y

depósitos recientes.

Distancia a Fallas

Las zonas con fallas activas son susceptibles a des-

lizamientos (Demir y col., 2013; Ozdemir, 2020). Las

áreas más cercanas a esta zona tienen mayor pro-

babilidad de ocurrencia a deslizamientos, debido al

intenso cizallamiento. Para el desarrollo de esta ca-

pa temática, las distancias a la falla se categorizaron

en cinco clases: <200 m, 200 – 400 m, 400 – 600 m,

600 – 1000 m y >1000 m (Figura 4c). Esta categoriza-

ción se basó en las observaciones de aﬂoramientos

afectados por las zonas de falla, los cuales aparecie-

ron hasta los 1000 m. De igual forma, las fallas pre-

sentes en el área de estudio corresponden a fallas

cuaternarias, aproximadamente <1,8 Ma.

Distancia a Carretera

Las carreteras situadas en zonas de taludes promue-

ve la existencia de una mayor susceptibilidad a des-

lizamientos, debido a la presencia de infraestructu-

ras, proceso de colonización, aparición de nuevos

asentamientos y conexiones con otras carreteras (Ig-

we y col., 2020; Panchal y Shrivastava, 2020). Duran-

te los trabajos de campo, se evidenció que, a cau-

sa de estos cuatro factores, existieron aﬂoramientos

afectados situados hasta 750 m de la línea de carre-

tera. Por tal motivo, esta capa temática se categorizó

en cuatro clases: <250 m, 250 – 500 m, 500 – 750 m

y>750 m (Figura 4d).

Distancia a Ríos

Los ríos erosionan el terreno favoreciendo así los

deslizamientos de suelo (Achour y col., 2017; Teši´c

y col., 2020). En el campo se evidenciaron desliza-

mientos ubicados hasta 750 m, medidos desde el

margen de los ríos. Se produjo un mayor número de

deslizamientos cerca de los ríos y una mayor masa

desplazada, en comparación con regiones más dis-

tantes donde hubo menor número de deslizamien-

tos. Por lo tanto, para esta capa temática, los ríos se

categorizaron en cinco clases: <50 m, 50 – 250 m,

250 – 500 m, 500 – 750 m y >750 m (Figura 4e).

Cobertura y Uso de la Tierra (CUT)

La CUT es una variable importante que interviene

en procesos de deslizamientos. La remoción de bos-

ques para convertirlos en pastizales, zonas agríco-

las o en zonas de expansión urbana, intensiﬁca la

erosión y ﬂujo de caudales cuando existe precipita-

ción. Estos acontecimientos favorecen en gran me-

dida a la ocurrencia de deslizamientos del terreno

(Guevara, Carbajal y Tuxpan Vargas, 2020; Roccati

y col., 2021). Para el desarrollo de esta última capa

temática se registraron cinco categorías de uso de

tierra: Agricultura, Área sin Cobertura Vegetal, Bos-

que, Vegetación Arbustiva y Zona Antrópica (Figu-

ra 4f). Los cuerpos de agua fueron excluidos, ya que

se analizaron en la variable de distancia a ríos.

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

Figura 4. Capas temáticas de las variables a lo largo de la carretera Puyo– Tena: (a) Pendiente, (b) Formaciones Geológicas, (c)

Distancia a Fallas, (d) Distancia a Carretera, (e) Distancia a Ríos y (f) CUT.

124 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

3.3 Cartografía de Susceptibilidad

Para la aplicación del método AHP es indispensable

asignar un peso relativo a las variables. Los cálculos

matemáticos para obtener los valores de cada paso

del AHP se realizaron utilizando el software RStu-

dio. A continuación, se describen en detalle los pa-

sos utilizados. a) Desarrollo de la estructura jerár-

quica de las variables. b) Matriz de juicios por com-

paración de pares. Ponderación relativa de acuerdo

a la Tabla 3 (Saaty, 1977). Aplicando el criterio de

esta tabla, se decidió qué variable es más inﬂuyente

con relación a otra variable. Se estableció la priori-

dad y se ponderaron las seis variables. c) Síntesis de

juicios comparativos. Cálculo de la prioridad ﬁnal

de cada variable de acuerdo a la tabla (Saaty, 1977).

En este punto se obtuvo la ponderación ﬁnal nor-

malizada de cada variable, determinando así cuán-

to aportaron las variables para cumplir con el obje-

tivo. d) Evaluación de Consistencia. Permitió veriﬁ-

car si las ponderaciones de los juicios comparativos

tuvieron lógica. e) Combinación de capas temáticas

y obtención del modelo cartográﬁco de susceptibili-

dad. f) Reclasiﬁcación del modelo cartográﬁco ﬁnal

de susceptibilidad.

Tabla 3. Escala fundamental de Saaty (1977).

Valor Deﬁnición Explicación

1 Igual de importancia Dos elementos de decisión inﬂuyen por igual

en el elemento de decisión principal.

3Moderadamente más

importante

Un elemento de decisión es moderadamente

más inﬂuyente que otro.

5 Mucho más importante Un elemento de decisión tiene más

inﬂuencia que otro.

7Muchísimo más

importante

Un elemento de decisión tiene una inﬂuencia

signiﬁcativamente mayor que el otro.

9Extremadamente más

importante

La diferencia de decisión entre

las inﬂuencias de los dos elementos de

decisión es extremadamente signiﬁcativa.

2, 4, 6, 8 Valores de juicios

intermedios

Valores de juicio entre igual, moderadamente,

mucho y extremadamente

Una vez realizada las ponderaciones, emplean-

do el cálculo de coherencia o radio de coherencia

(CR), se determinó si el cálculo concluyó correcta-

mente o no, descrita en la Ec (1). Así fue posible re-

conocer si hubo coherencia o no en la comparación

de rango de importancia de cada variable.

CR =

RI (1)

Donde, RI (Tabla 4) se reﬁere al índice de consis-

tencia aleatorio; en cambio, CI se reﬁere al índice de

consistencia descrito en la Ec (2). El RI es un valor

deﬁnido que es parte del método AHP.

CI =

λmax −n

n−1(2)

Donde, λmax es el valor propio máximoy se cal-

cula a partir de la matriz y nes el orden de la matriz.

Según Saaty (1990), la relación de coherencia debe

ser menor o igual a 10% o una imprecisión inferior

a 10%. El principio consiste en comparar el juicio

con la comparación aleatoria de los elementos. Fi-

nalmente, las ponderaciones integraron las distin-

tas clases causales en un único índice de susceptibi-

lidad a los deslizamientos, LSI, utilizando la Ec (3)

(Saaty, 1990).

LSI =

∑

i=1

Ri∗Wi(3)

Donde, Rison las clases de clasiﬁcación de cada

variable y Wison las ponderaciones para cada una

de las variables condicionantes de los deslizamien-

tos. El modelo cartográﬁco LSI resultante se recla-

siﬁcó en cinco clases de susceptibilidad: muy baja,

baja, moderada, alta y muy alta. Estas cinco divisio-

nes se realizaron de acuerdo al método de cuantiles,

utilizando los valores de los píxeles del modelo car-

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

tográﬁco ﬁnal de susceptibilidad a los deslizamien-

tos.

3.4 Validación del Modelo Cartográﬁco

Una validación adecuada se obtiene comparando

el modelo cartográﬁco ﬁnal, desarrollado a partir

del método AHP, con el mapa de inventario de des-

lizamientos (Basu y Pal, 2020; Ozdemir, 2020). La

validación se realizó mediante el método de la Cur-

va de Características Operativas del Receptor (ROC

por sus siglas en inglés Receiver Operating Cha-

racteristics), el cual ha sido ampliamente utilizado

para este tipo de estudios (Igwe y col., 2020; Bah-

rami, Hassani y Maghsoudi, 2021; Salehpour Jam

y col., 2021; Kincal y Kayhan, 2022).

La curva ROC se utiliza para mostrar gráﬁca-

mente la correlación entre la tasa de verdaderos po-

sitivos y la tasa de falsos positivos (Soeters y Van

Westen, 1996; Williams y col., 1999; Althouse, 2016).

En el área bajo la curva (AUC por sus siglas en in-

glés Area Under the Curve) de la curva ROC, mien-

tras más próxima se encuentre a 1,0 tendrá una ma-

yor predicción del modelo cartográﬁco; en cambio,

mientras más cercano esté a 0,5 el modelo carecerá

de conﬁabilidad ya que tendrá una predicción alea-

toria.

Tabla 4. Índice de Consistencia Aleatorio de Saaty (1990).

n12345678910

RI 0 0 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49

4 Resultados

4.1 Proceso de Jerarquía Analítica

El desarrollo de la jerarquización y comparación de

pares permitió conocer el grado de inﬂuencia de

las variables en los procesos de deslizamientos del

suelo (Tabla 5). Las variables más destacadas fue-

ron pendiente, formaciones geológicas, distancias

a ríos y cobertura y uso de la tierra, mientras que

las menos inﬂuyentes fueron distancias a carrete-

ra y fallas. El análisis del radio de coherencia para

cada variable y para el modelo cartográﬁco ﬁnal

de susceptibilidad obtuvieron un valor inferior a

0,10 (Tabla 5 y Tabla 6). Estos valores reﬂejan que

el procedimiento AHP fue realizado correctamente.

Tras el desarrollo de la jerarquización, compara-

ción de pares, juicios comparativos y evaluación de

consistencia se obtuvo la matriz ﬁnal con las ponde-

raciones de las seis variables para realizar el modelo

ﬁnal de susceptibilidad a los deslizamientos (Tabla

6).

El modelo ﬁnal de susceptibilidad a desliza-

mientos se reclasiﬁcó en cinco clases: muy baja, ba-

ja, moderada, alta y muy alta (Figura 5). Con ba-

se en los datos de la (Tabla 7), los porcentajes del

área de susceptibilidad fueron muy baja (0,64%),

baja (31,96%), moderada (50,87%), alta (15,83%) y

muy alta (0,70%). Una vez culminado el modelo,

se encontró que en la carretera Puyo-Tena existen

quince regiones con clases de susceptibilidad alta y

muy alta (Figura 5 y Tabla 8), donde cuatro de ellas

se encuentran cerca de los poblados de Puyo, Santa

Clara, Arosemena Tola y Puerto Napo. Las quince

regiones fueron seleccionadas tras la observación y

análisis del modelo ﬁnal. Los deslizamientos inven-

tariados se colocaron sobre el modelo cartográﬁco

ﬁnal y gran parte de ellos se situaron dentro de estas

quince regiones de alta y muy alta susceptibilidad a

los deslizamientos.

4.2 Validación del Modelo Cartográﬁco

Se utilizó la librería “ROCR” del paquete “ROCR”

en el software RStudio para evaluar la precisión de

nuestro modelo cartográﬁco de susceptibilidad a los

deslizamientos. El análisis de la curva ROC reve-

ló un AUC de 0,837 lo que indica una precisión de

predicción de 83,7% (Figura 6). Esta métrica es una

medida conﬁable para evaluar el rendimiento del

modelo en la predicción de los deslizamientos.

126 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Tabla 5. Matriz de jerarquización y comparación de pares de las variables.

Variables Categorías Ponderación

Categorías

Ponderación

Variables

Pesos

Categorías

Variables

Formaciones

Geológicas

Depósito

Aluvial 2

0,039 0,0032

Formación

Tena 8 0,154

Formación

Mera 7 0,135

Formación

Arajuno 8 0,154

Formación

Chambira 6 0,115

Formación

Napo 5 0,097

Formación

Tiyuyacu 6 0,115

Formación

Chalcana 5 0,097

Depósito

Coluvial 4 0,077

Otros 1 0,020

Fallas

<200 9

0,359 0,0011

200 – 400 7 0,280

400 – 600 5 0,199

600 – 1000 3 0,120

>1000 1 0,039

Pendiente

<5° 1

0,039 0,0028

5 – 12° 2 0,077

12 – 25° 4 0,154

25 – 40° 5 0,193

40 – 70 ° 8 0,308

>70° 6 0,230

Distancia a

Carretera

<250 7

0,411 0,0033

250 – 500 5 0,294

500 – 750 3 0,176

>750 2 0,118

Distancia a

Ríos

<50 9

0,375 0,0017

50 – 250 7 0,292

250 – 500 4 0,167

500 – 750 3 0,125

>750 1 0,043

CUT

Agricultura 7

0,368 0,0039

Área sin

Cobertura

Vegetal

1 0,053

Bosque 4 0,211

Vegetación

Arbustiva 5 0,263

Zona Antrópica 2 0,105

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

Tabla 6. Matriz de comparación de pares y ponderación ﬁnal de cada variable causante de deslizamientos de tierra.

Matriz de Comparación de Pares Ponderación CR

Final

Pendiente Formaciones

Geológicas Ríos CUT Carretera Fallas

Pendiente 1,00 0,281

0,0039

Formaciones

Geológicas 0,78 1,00 0,219

Ríos 0,67 0,86 1,00 0,187

CUT 0,56 0,72 0,84 1,00 0,157

Carretera 0,34 0,43 0,50 0,60 1,00 0,094

Fallas 0,23 0,29 0,34 0,40 0,67 1,00 0,063

5 Discusión

En esta investigación se utilizó el método AHP ba-

sado en SIG como método de evaluación multicrite-

rio para identiﬁcar zonas con susceptibilidad a los

deslizamientos en la carretera Puyo– Tena. Los da-

tos presentados de las seis variables muestran cómo

inﬂuyen en la susceptibilidad a los deslizamientos

a lo largo de la carretera de estudio; situación si-

milar en los estudios de Hepdeniz (2020) y Chanu

y Bakimchandra (2022). A raíz de la jerarquización,

ponderación de pares, juicios comparativos y el va-

lor obtenido en el radio de consistencia (CR <0,1)

se conoció que las ponderaciones efectuadas en las

variables son conﬁables y que fueron realizadas co-

rrectamente. Además, con la validación del modelo

cartográﬁco mediante el área bajo la curva AUC de

la curva ROC se obtuvo 0,837, lo que nos permite

respaldar que la calidad del modelo desarrollado de

susceptibilidad a los deslizamientos cuenta con la

característica de ser muy buena (Roy y Saha, 2019;

Sonker, Tripathi y Singh, 2021).

En comparación con estudios similares realiza-

dos en carreteras de otros países, se observaron re-

sultados diferentes a los obtenidos en esta investi-

gación. La carretera de India estudiada por Panchal

y Shrivastava (2022) presentó un valor cercano al de

nuestro estudio, con un AUC de 0,825. Por otro la-

do, la carretera de China-Pakistán estudiada por Ali

y col. (2019), obtuvo un AUC de 0,72, mientras que

la carretera estudiada en Argelia por Achour y col.

(2017), consiguió un valor de AUC de 0,66. Esta bre-

ve comparación revela la variabilidad de los valores

de AUC en estudios realizados en diferentes regio-

nes del mundo. Dicha variación estará relacionada

con el número de deslizamientos inventariados y la

calidad del modelo cartográﬁco ﬁnal de la suscepti-

bilidad a los deslizamientos. De acuerdo con al buf-

fer de 1000 m analizado a lo largo de la carretera

de estudio, un 16,53% (25,38 km2) corresponden a

regiones potenciales para deslizamientos de tierra

repartido 15,83% (24,31 km) en alta y 0,70% (1,07

km) en muy alta susceptibilidad. El resto, aproxi-

madamente 83,57% (128,14 km2) de la carretera, no

representa gran riesgo para una posible eventuali-

dad a deslizamientos.

Tabla 7. Áreas de las categorías del modelo cartográﬁco de sus-

ceptibilidad a los deslizamientos.

Categorías de

Susceptibilidad Área

[km2]

Área

[%]

Muy Baja 0,97 0,64

Baja 49,07 31,96

Moderada 78,10 50,87

Alta 24,31 15,83

Muy Alta 1,07 0,70

Total 153,52 100%

Conforme al modelo cartográﬁco LSI de suscep-

tibilidad a los deslizamientos (Figura 5) y los datos

que muestra la Tabla 8, aproximadamente 17 km

de los aproximadamente 80 km que son de la ca-

rretera Puyo– Tena son susceptibles a deslizamien-

tos, es decir, un 21,25% de la carretera tiene peligro

a deslizamientos de tierra. Una vez analizadas las

variables in situ y digitalmente, se determinó que

las cuatro variables más importantes en intervenir

en procesos de deslizamientos en este sitio de estu-

dio son: pendiente, formaciones geológicas, distan-

cias a ríos y CUT; por el contrario, las dos variables

restantes distancia a carretera y distancia a fallas,

son las que tienen menos inﬂuencia. Para esta inves-

tigación las variables analizadas tienen esta jerar-

quía, pero como mencionan He y Beighley (2008),

128 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

quizás en otras condiciones y otra zona de estudio,

las variables menos inﬂuyentes podrían ser más de-

terminantes. Por ejemplo, si una carretera en cons-

trucción está atravesando montañas pronunciadas

(Pourghasemi, Pradhan y Gokceoglu, 2012), o si la

zona de estudio está cerca de zonas de fallas activas

causante de terremotos (Abedini, Ghasemyan y Re-

zaei, 2017), serían las principales variables para la

susceptibilidad a deslizamientos.

Tabla 8. Principales regiones de la carretera Puyo-Tena con susceptibilidad alta y muy alta a los deslizamientos.

Región km

[Inicio]

Coordenadas

Grado-Decimal km

[Fin]

Coordenadas

Grado-Decimal

Longitud Latitud Longitud Latitud

1 0,125 -78,0500 -1,5088 3,692 -78,0236 -1,4993

2 14,163 -77,9987 -1,4235 14,275 -77,9988 -1,4225

3 29,018 -77,9238 -1,3486 29,329 -77,9224 -1,3465

4 36,498 -77,8880 -1,3119 36,765 -77,8858 -1,3111

5 38,933 -77,8822 -1,2963 39,679 -77,8840 -1,2914

6 41,097 -77,8897 -1,2853 42,424 -77,8898 -1,2746

7 44,583 -77,8886 -1,2569 48,331 -77,8821 -1,2304

8 56,780 -77,8547 -1,1634 57,653 -77,8511 -1,1568

9 59,150 -77,8425 -1,1470 60,820 -77,8328 -1,1361

10 63,517 -77,8169 -1,1197 63,938 -77,8137 -1,1217

11 66,121 -77,8053 -1,1076 66,700 -77,8018 -1,1042

12 67,864 -77,7920 -1,1051 68,886 -77,7947 -1,0973

13 70,238 -77,7901 -1,0871 70,937 -77,7916 -1,0812

14 72,836 -77,7904 -1,0657 73,655 -77,7912 -1,0597

15 75,536 -77,7966 -1,0459 76,381 -77,7951 -1,0391

Con base en los resultados, se determina que

existen quince regiones de la carretera con gran

probabilidad de deslizamientos (Figura 5 y Tabla

8). La mayoría de estas regiones se ubican fuera de

los principales poblados a excepción de las regiones

1, 6, 8 y 15 que se localizan cerca de los poblados

de Puyo, Santa Clara, Arosemena Tola y Puerto Na-

po, respectivamente. A pesar de la cercanía, esto

no representa un riesgo latente a los habitantes de

estos sectores. Para este estudio, la pendiente es

la variable más importante debido a que la mayo-

ría de los deslizamientos inventariados muestran

rasgos de ser inﬂuenciados por la inclinación del

aﬂoramiento; escenario similar en los estudios de

Dolui, Yuvaraj y Geetha (2019) y Bahrami, Hassani

y Maghsoudi (2021).

La mayoría de los deslizamientos se encuentran

en zonas con pendientes >40◦, especíﬁcamente en

el rango de 40◦– 70◦. Las formaciones geológicas

se consideran la segunda variable de incidencia im-

portante, ya que su constitución litológica, resisten-

cia geomecánica y porosidad intervienen en la ocu-

rrencia a los deslizamientos. Las condiciones físicas

de cada formación geológica inﬂuyen de distinta

manera para la aparición de deslizamientos. Forma-

ciones geológicas como Chambira, Tiyuyacu, Mera,

Tena y Arajuno, cuentan con litología porosa, baja

resistencia geomecánica y con poca resistencia a la

permeabilidad; por tal razón, cuentan con gran nú-

mero de deslizamientos. Los ríos son la tercera va-

riable importante. Los distintos ríos atraviesan di-

versas zonas de alta y baja pendiente, favoreciendo

así la erosión del terreno y pérdida en la resisten-

cia del suelo. La mayoría de deslizamientos se en-

contraron cerca de los ríos grandes y pequeños, lo

que da una clara idea que es una variable impor-

tante en procesos de deslizamientos. Por último, la

CUT también se considera una variable importante.

El cambio del uso de la tierra provoca que el suelo

se degrade, pierda resistencia mecánica y ocasione

mayor inﬁltración de agua y por tanto sea más sus-

ceptible a deslizamientos. Todos estos aspectos son

inﬂuenciados por actividades antrópicas que se ob-

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

servan claramente a lo largo de la carretera Puyo-

Tena. En cambio, la distancia a la carretera y la dis-

tancia a fallas son las que menos inﬂuyen en los des-

lizamientos del terreno. La carretera Puyo – Tena, al

ser asfaltada, tiene gran ocurrencia de tránsito, pe-

ro los movimientos originados por vehículos o ac-

tividades humanas, no inﬂuyen en gran proporción

para que haya deslizamientos.

Figura 5. Modelo cartográﬁco LSI de Susceptibilidad a los Deslizamientos usando el método AHP. Regiones de la carretera

Puyo-Tena.

130 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Las fallas geológicas son detonantes de sismos,

los cuales generan movimientos de terreno. Los sis-

mos en la Amazonía han sido menores en cantidad,

en comparación a otras regiones del país, además

las afectaciones han sido leves (Rivadeneira y col.,

2007). Hasta la actualidad, en la carretera de estu-

dio estos sismos son de baja magnitud con poca

periodicidad y no tiene gran repercusión para des-

lizamientos. Por tal razón, estas dos variables son

las que menos inﬂuyen para la ocurrencia de desli-

zamientos en la zona de estudio.

Por último, en décadas recientes se han desarro-

llado nuevos métodos cartográﬁcos para el análisis

de susceptibilidad a deslizamientos como regresión

logística, redes neuronales, machine learning y AHP.

El método AHP se basa a partir de inventarios de

deslizamientos y análisis estadísticos, multicriterio,

criterio del experto, jerarquización, entre otros. Se

tomaron en cuenta seis variables que están presen-

tes de manera habitual en procesos de deslizamien-

tos de tierra. La jerarquización de cada una de ellas

estuvo sujeta al inventario de deslizamientos y al

conocimiento del área de estudio. A partir de los

cuatro principios del método AHP se logró obtener

un modelo cartográﬁco LSI de susceptibilidad a los

deslizamientos, y así determinar las principales re-

giones susceptibles a los deslizamientos de tierra de

la carretera Puyo-Tena.

Figura 6. Curva ROC del modelo cartográﬁco de susceptibilidad a los deslizamientos usando el método AHP.

6 Conclusiones

La susceptibilidad a los deslizamientos en la carre-

tera Puyo-Tena, evaluada mediante el método AHP,

permitió una rápida y práctica manipulación de los

datos físicos del área de estudio. El modelo carto-

gráﬁco LSI de susceptibilidad se obtuvo mediante

la jerarquización, ponderación y digitalización de

las seis variables que intervinieron en la investiga-

ción. La validación a través del método AUC/ROC

dio un valor de 0,837 correspondiente a una preci-

sión de predicción de 83,7%. Este valor respaldó la

calidad del modelo cartográﬁco desarrollado con la

característica de ser muy bueno. La aplicación del

método AHP permitió identiﬁcar las variables de

mayor inﬂuencia, las cuales fueron pendiente, for-

maciones geológicas, distancias a ríos y cobertura y

uso de la tierra. De primera mano, el modelo LSI de

susceptibilidad a los deslizamientos se reclasiﬁcó en

cinco clases de susceptibilidad obteniendo superﬁ-

cies de 0,64%, 31,96%, 50,87%, 15,83% y 0,70% para

las clases de muy baja, baja, moderada, alta y muy

alta, respectivamente. Se determinó que aproxima-

damente 17 km de los aproximadamente 80 km que

son de la carretera Puyo – Tena son susceptibles a

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

deslizamientos, es decir, un 21,25% de la carretera

posee potencial a deslizamientos de tierra. Además,

se conoció que la carretera estudiada cuenta con

15 regiones entre alta y muy alta probabilidad pa-

ra la ocurrencia de deslizamientos. Estas regiones

se situaron sobre zonas de alta pendiente, litología

porosa y permeable, gran cantidad de ríos y suelos

aptos para la agricultura. De igual forma, las regio-

nes 1, 6, 8 y 15 se situaron cerca a los poblados de

Puyo, Santa Clara, Arosemena Tola y Puerto Napo,

respectivamente. Estas regiones, a pesar de su cer-

canía a los poblados en mención, aparentemente no

representan un riesgo para los habitantes del sector.

El modelo cartográﬁco de susceptibilidad a des-

lizamientos proporciona información coincidente

con el inventario de deslizamientos levantado en

campo. Este modelo puede ser manejado por ins-

tituciones gubernamentales o no gubernamentales

que tienen como ﬁn la planiﬁcación del uso de tie-

rra, planiﬁcación y gestión del territorio o ﬁnes si-

milares. El modelo de susceptibilidad permitirá to-

mar decisiones para evitar posibles peligros que

atenten contra la vida y bienestar de la población,

planiﬁcar una eﬁciente red vial, considerar las me-

jores opciones para la expansión urbana y rural; in-

clusive, desarrollar políticas de construcción aleda-

ñas a las vías.

Contribución de los autores

CJCQ; Conceptualización, Curación de datos, Aná-

lisis formal, Adquisición de ﬁnanciación, Investi-

gación, Metodología, Administración de proyec-

to, Recursos, Software, Supervisión, Validación, Vi-

sualización, Escritura-borrador original y Escritu-

ra–revisión y edición. JREC; Conceptualización,

Curación de datos, Análisis formal, Adquisición

de ﬁnanciación, Investigación, Metodología, Ad-

ministración de proyecto, Supervisión, Validación,

Escritura-borrador original y Escritura-revisión y

edición. BGVC; Conceptualización, Curación de da-

tos, Análisis formal, Investigación, Metodología,

Supervisión y Validación. MVST; Conceptualiza-

ción, Investigación y Metodología. JSAS; Concep-

tualización, Investigación y Metodología. ECCB; In-

vestigación, Recursos, Software, Escritura-borrador

original, Escritura–revisión y edición. ADOC; In-

vestigación, Recursos y Software.

Referencias

Abedini, M., B. Ghasemyan y M. Rezaei (2017).

«Landslide susceptibility mapping in Bijar city,

Kurdistan Province, Iran: a comparative study

by logistic regression and AHP models». En: En-

vironmental earth sciences 76, 1-14. Online:https:

//n9.cl/ghgby.

Achour, Y. y col. (2017). «Landslide susceptibility

mapping using analytic hierarchy process and

information value methods along a highway

road section in Constantine, Algeria». En: Ara-

bian Journal of Geosciences 10, 1-16. Online:https:

//n9.cl/ggext0.

Ali, S. y col. (2019). «Landslide susceptibility map-

ping by using a geographic information sys-

tem (GIS) along the China–Pakistan Economic

Corridor (Karakoram Highway), Pakistan». En:

Natural Hazards and Earth System Sciences 19.5,

999-1022. Online:https://n9.cl/3qz9h.

Althouse, A. (2016). «Statistical graphics in action:

making better sense of the ROC curve». En: In-

ternational Journal of Cardiology 215, 9-10. Onli-

ne:https://n9.cl/hipk6.

Althuwaynee, O. y B. Pradhan (2017). «Semi-

quantitative landslide risk assessment using

GIS-based exposure analysis in Kuala Lumpur

City». En: Geomatics, Natural Hazards and Risk

8.2, 706-732. Online:https://n9.cl/44j52.

Asmare, D. (2023). «Application and validation

of AHP and FR methods for landslide sus-

ceptibility mapping around choke mountain,

northwestern ethiopia». En: Scientiﬁc African 19,

e01470. Online:https://n9.cl/7vjlh.

Bahrami, Y., H. Hassani y A. v Maghsoudi (2021).

«Landslide susceptibility mapping using AHP

and fuzzy methods in the Gilan province, Iran».

En: GeoJournal 86, 1797-1816. Online:https://n9.

cl/frz7v.

Barella, C., F. Sobreira y J. Zêzere (2019). «A compa-

rative analysis of statistical landslide susceptibi-

lity mapping in the southeast region of Minas

Gerais state, Brazil». En: Bulletin of Engineering

Geology and the Environment 78, 3205-3221. Onli-

ne:https://n9.cl/z8lcl2.

Basu, T. y S. Pal (2020). «A GIS-based factor cluste-

ring and landslide susceptibility analysis using

AHP for Gish River Basin, India». En: Environ-

ment, development and sustainability 22, 4787-4819.

Online:https://n9.cl/uh67s2.

132 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Benchelha, S. y col. (2020). «Landslide susceptibility

mapping in the commune of Oudka, Taounate

Province, North Morocco: A comparative analy-

sis of logistic regression, multivariate adaptive

regression spline, and artiﬁcial neural network

models». En: Environmental & Engineering Geos-

cience 26.2, 185-200. Online:https://n9.cl/fxlus.

Bien, T. y col. (2022). «Landslide susceptibility map-

ping at sin Ho, Lai Chau province, Vietnam

using ensemble models based on fuzzy unorde-

red rules induction algorithm». En: Geocarto In-

ternational 37.27, 17777-17798. Online:https : / /

bit.ly/3QWPHxw.

Bragagnolo, L., R. da Silva y J. Grzybowski (2020).

«Landslide susceptibility mapping with r. lands-

lide: A free open-source GIS-integrated tool ba-

sed on Artiﬁcial Neural Networks». En: Environ-

mental Modelling & Software 123, 104565. Onli-

ne:https://n9.cl/2lss7i.

Bravo-López, E. y col. (2022). «Landslide susceptibi-

lity mapping of landslides with artiﬁcial neural

networks: Multi-approach analysis of backpro-

pagation algorithm applying the neuralnet pac-

kage in Cuenca, Ecuador». En: Remote Sensing

14.14, 3495. Online:https://n9.cl/zihph.

Bravo, C. y col. (2017). «Indicadores morfológicos y

estructurales de calidad y potencial de erosión

del suelo bajo diferentes usos de la tierra en la

Amazonía ecuatoriana». En: Anales de Geograﬁa

de la Universidad Complutense 37.2, 247-264. Onli-

ne:https://n9.cl/2lss7i.

Carrara, A. (1983). «Multivariate models for lands-

lide hazard evaluation». En: Journal of the Inter-

national Association for Mathematical Geology 15,

403-426. Online:https://n9.cl/ij7ke.

Chanu, M. y O. Bakimchandra (2022). «Landslide

susceptibility assessment using AHP model and

multi resolution DEMs along a highway in Ma-

nipur, India». En: Environmental Earth Sciences

81.5, 156. Online:https://n9.cl/55hjo.

Correo (2017). Tramos de 21 vías de once provincias si-

guen cerrados.

Cruden, D. (1991). «A simple deﬁnition of a lands-

lide.» En: Bulletin of Engineering Geology & the

Environment 43.1, 27-29. Online:https://n9.cl/

b5nhdd.

Cruden, D. y D. Varnes (1996). «Landslides: inves-

tigation and mitigation». En: Transportation Re-

search Board. Cap. Chapter 3 - Landslide types

and processes, págs. 36-75.

Dahal, B. y R. Dahal (2017). «Landslide hazard

map: tool for optimization of low-cost mitiga-

tion». En: Geoenvironmental Disasters 4, 1-9. On-

line:https://n9.cl/xd5dr.

Dai, F. y col. (2001). «Assessment of landslide sus-

ceptibility on the natural terrain of Lantau Is-

land, Hong Kong». En: Environmental geology 40,

381-391. Online:https://n9.cl/pktic.

Demir, G. y col. (2013). «A comparison of lands-

lide susceptibility mapping of the eastern part

of the North Anatolian Fault Zone (Turkey)

by likelihood-frequency ratio and analytic hie-

rarchy process methods». En: Natural hazards 65,

1481-1506. Online:https://n9.cl/4vxpj.

Dolui, B., R. Yuvaraj y G. Geetha (2019). «Landslide

susceptibility mapping using AHP model in Nil-

giri District». En: Thematics Journal of Geography

8.12, 189-208. Online:https://n9.cl/vy1ht.

Ecoamazónico (2014). MTOP atiende inmediatamente

los 6 deslizamientos de tierra.

— (2020). Reporte de un derrumbe en la vía al Tena.

— (2021). Vía habilitada en el Paso Lateral.

Ercanoglu, M. y C. Gokceoglu (2004). «Use of

fuzzy relations to produce landslide susceptibi-

lity map of a landslide prone area (West Black

Sea Region, Turkey)». En: Engineering geology

75.3-4, 229-250. Online:https://n9.cl/gyhr2c.

Feizizadeh, B. y T. Blaschke (2013). «GIS-

multicriteria decision analysis for landslide sus-

ceptibility mapping: comparing three methods

for the Urmia lake basin, Iran». En: Natural ha-

zards 65, 2105-2128. Online:https : / / n9 . cl /

qlba92.

Gameiro, S., G. de Oliveira y L. Guasselli (2022).

«The inﬂuence of sampling on landslide sus-

ceptibility mapping using artiﬁcial neural net-

works». En: Geocarto International, 1-23. Onli-

ne:https://n9.cl/qiex9x.

Gobierno Cantonal de Pastaza (2020). Plan de Desa-

rrollo y Ordenamiento Territorial del cantón Pastaza

2020-2030. Gobierno Cantonal de Pastaza.

Gobierno Provincial de Napo (2020). Plan de Desa-

rrollo y Ordenamiento Territorial Napo 2020-2023.

Gobierno Provincial de Napo.

Gudiyangada Nachappa, T. y col. (2020). «Com-

parison and validation of per-pixel and object-

based approaches for landslide susceptibility

mapping». En: Geomatics, Natural Hazards and

Risk 11.1, 572-600. Online:https://n9.cl/bxnw9.

Guevara, M. de J., N. Carbajal y J. Tuxpan Var-

gas (2020). «Soil deterioration in the southern

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

Chihuahuan Desert caused by agricultural prac-

tices and meteorological events». En: Journal of

Arid Environments 176, 104097. Online:https://

n9.cl/j313s.

Guillen, K. y col. (2022). «Landslide susceptibility

analysis based on a semiquantitative method in

the sierra-costa region, michoacán, mexico». En:

Physical Geography 43.4, 463-486. Online:https://

n9.cl/84ebbv.

Guzzetti, F. y col. (1999). «Landslide hazard evalua-

tion: a review of current techniques and their ap-

plication in a multi-scale study, Central Italy».

En: Geomorphology 31.1-4, 181-216. Online:https:

//bit.ly/3udcJaq.

Hamza, T. y T. Raghuvanshi (2017). «GIS ba-

sed landslide hazard evaluation and zonation–

A case from Jeldu District, Central Ethiopia».

En: Journal of King Saud University-Science 29.2,

151-165. Online:https://n9.cl/i8u6e.

Harris, I. y col. (2020). «Version 4 of the CRU TS

monthly high-resolution gridded multivariate

climate dataset». En: Scientiﬁc data 7.1, 109. Onli-

ne:https://n9.cl/6huao.

He, Y. y R. Beighley (2008). «GIS-based regional

landslide susceptibility mapping: a case study

in southern California». En: Earth Surface Proces-

ses and Landforms: The Journal of the British Geo-

morphological Research Group 33.3, 380-393. Onli-

ne:https://n9.cl/977ea.

Hearn, G. y A. Hart (2019). «Landslide susceptibi-

lity mapping: a practitioner’s view». En: Bulletin

of Engineering Geology and the Environment 78.8,

5811-5826. Online:https://n9.cl/kvril.

Hepdeniz, K. (2020). «Using the analytic hierarchy

process and frequency ratio methods for lands-

lide susceptibility mapping in Isparta-Antalya

highway (D-685), Turkey». En: Arabian Journal

of Geosciences 13.16, 795. Online:https://n9.cl/

dzcxg.

Igwe, O. y col. (2020). «GIS-based gully erosion sus-

ceptibility modeling, adapting bivariate statisti-

cal method and AHP approach in Gombe town

and environs Northeast Nigeria». En: Geoenvi-

ronmental Disasters 7, 1-16. Online:https:/ /n9.

cl/9d7nz.

Jamir, M. y col. (2022). «Landslide susceptibility

mapping of Noklak Town, Nagaland, North-

east India using bivariate statistical method».

En: Geological Journal 57.12, 5250-5264. Onli-

ne:https://n9.cl/q0qdk.

Kincal, C. y H. Kayhan (2022). «A combined method

for preparation of landslide susceptibility map

in Izmir (Türkiye)». En: Applied Sciences 12.18,

9029. Online:https://n9.cl/u3cks.

Klimeš, J. y V. Rios Escobar (2010). «A landslide sus-

ceptibility assessment in urban areas based on

existing data: an example from the Iguaná Va-

lley, Medellín City, Colombia». En: Natural Ha-

zards and Earth System Sciences 10.10, 2067-2079.

Online:https://n9.cl/v4r15.

Komac, M. (2006). «A landslide susceptibility model

using the analytical hierarchy process method

and multivariate statistics in perialpine Slo-

venia». En: Geomorphology 74.1-4, 17-28. Onli-

ne:https://n9.cl/gw7og.

Laraque, A. y col. (2004). «ediment Transfer th-

rough the ﬂuvial system». En: vol. 288. IAHS.

Cap. Sediment yields and erosion rates in the

Napo River Basin: an Ecuadorian Andean Ama-

zon tributary, 220-225. Online:https :// bit .ly/

3MH0nOd.

Lee, S. y K. Min (2001). «Statistical analysis of lands-

lide susceptibility at Yongin, Korea». En: Envi-

ronmental Geology 40.9, 1095-1113. Online:https:

//bit.ly/3tzABol.

Mallick, J. y col. (2018). «GIS-based landslide sus-

ceptibility evaluation using fuzzy-AHP multi-

criteria decision-making techniques in the Abha

Watershed, Saudi Arabia». En: Environmental

Earth Sciences 77, 1-25. Online:https: / / n9 . cl /

uuy8p.

Mansouri Daneshvar, M. (2014). «Landslide suscep-

tibility zonation using analytical hierarchy pro-

cess and GIS for the Bojnurd region, northeast

of Iran». En: Landslides 11.6, 1079-1091. Onli-

ne:https://n9.cl/2azojx.

Ministerio del Ambiente de Ecuador (2014). Sistema

de Clasiﬁcación de Ecosistemas del Ecuador Conti-

nental. Ministerio del Ambiente de Ecuador.

Nguyen, V. y col. (2019). «Hybrid machine lear-

ning approaches for landslide susceptibility mo-

deling». En: Forests 10.2, 157. Online:https://n9.

cl/2i4cc.

Nhu, V. y col. (2020). «Shallow landslide suscep-

tibility mapping: A comparison between logis-

tic model tree, logistic regression, naïve bayes

tree, artiﬁcial neural network, and support vec-

tor machine algorithms». En: International jour-

nal of environmental research and public health 17.8,

2749. Online:https://n9.cl/am82bp.

134 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Análisis de Susceptibilidad a Deslizamientos empleando el Proceso de Jerarquía Analítica en una

carretera amazónica del Ecuador

Nicu, I. y A. As˘andulesei (2018). «GIS-based eva-

luation of diagnostic areas in landslide suscep-

tibility analysis of Bahluiet

,River Basin (Molda-

vian Plateau, NE Romania). Are Neolithic sites

in danger?» En: Geomorphology 314, 27-41. Onli-

ne:https://n9.cl/71hsz.

Nilsen, T. y col. (1979). Relative slope stability and

land-use planning. Selected examples from the San

Francisco Bay region, California. Ministerio del

Ambiente de Ecuador.

Obras Públicas Ecuador (2022). Trabajamos con ma-

quinaria y personal en coordinación con @GadPasta-

za y GAD de Santa Clara debido a un deslizamiento

en el sector.

Okoli, J. y col. (2023). «High-Resolution Lidar-

Derived DEM for Landslide Susceptibility As-

sessment Using AHP and Fuzzy Logic in Ser-

dang, Malaysia». En: Geosciences 13.2, 34. Onli-

ne:https://n9.cl/43tlc.

Orejuela, I. y T. Toulkeridis (2020). «Evaluation

of the susceptibility to landslides through dif-

fuse logic and analytical hierarchy process

(AHP) between Macas and Riobamba in Cen-

tral Ecuador». En: 2020 Seventh International Con-

ference on eDemocracy y eGovernment (ICEDEG),

págs. 201-207.

Ortiz, J. y A. Martínez-Graña (2018). «A neural

network model applied to landslide susceptibi-

lity analysis (Capitanejo, Colombia)». En: Geo-

matics, Natural Hazards & Risk 9.1, 1106-1128. On-

line:https://n9.cl/hg8r7.

Ozdemir, A. (2020). «A comparative study of the

frequency ratio, analytical hierarchy process, ar-

tiﬁcial neural networks and fuzzy logic methods

for landslide susceptibility mapping: Ta¸skent

(Konya), Turkey». En: Geotechnical and Geological

Engineering 38, 4129-4157. Online:https://n9.cl/

w77582.

Ozturk, D. y N. Uzel-Gunini (2022). «Investigation

of the effects of hybrid modeling approaches,

factor standardization, and categorical mapping

on the performance of landslide susceptibility

mapping in Van, Turkey». En: Natural Hazards

114.3, 2571-2604. Online:https://n9.cl/f0ct7.

Panchal, S. y A. Shrivastava (2020). «Application of

analytic hierarchy process in landslide suscepti-

bility mapping at regional scale in GIS environ-

ment». En: Journal of Statistics and Management

Systems 23.2, 199-206. Online:https : / / n9 . cl /

7uzpk.

— (2022). «Landslide hazard assessment using

analytic hierarchy process (AHP): A case study

of National Highway 5 in India». En: Ain Shams

Engineering Journal 13.3, 101626. Online:https://

n9.cl/b2pkh.

Pham, Q. y col. (2021). «A comparison among fuzzy

multi-criteria decision making, bivariate, multi-

variate and machine learning models in lands-

lide susceptibility mapping». En: Geomatics, Na-

tural Hazards and Risk 12.1, 1741-1777. Onli-

ne:https://n9.cl/719xzd.

Pourghasemi, H., B. Pradhan y C. Gokceoglu (2012).

«Application of fuzzy logic and analytical hie-

rarchy process (AHP) to landslide susceptibility

mapping at Haraz watershed, Iran». En: Natural

hazards 63, 965-996. Online:https://n9.cl/l2h6a.

Pourghasemi, H. y col. (2018). «Analysis and eva-

luation of landslide susceptibility: a review on

articles published during 2005–2016 (periods of

2005-2012 and 2013-2016)». En: Arabian Journal of

Geosciences 11, 1-12. Online:https://n9.cl/06bsn.

Raghuvanshi, T., J. Ibrahim y D. Ayalew (2014).

«Slope stability susceptibility evaluation para-

meter (SSEP) rating scheme–an approach for

landslide hazard zonation». En: Journal of Afri-

can Earth Sciences 99, 595-612. Online:https: / /

n9.cl/zxw0it.

Rivadeneira, F. y col. (2007). Breves fundamentos sobre

los terremotos en el Ecuador. Corporación Editora

Nacional.

Roccati, A. y col. (2021). «GIS-based landslide

susceptibility mapping for land use planning

and risk assessment». En: Land 10.2, 162. Onli-

ne:https://n9.cl/oke3i.

Roy, J. y S. Saha (2019). «Landslide susceptibility

mapping using knowledge driven statistical mo-

dels in Darjeeling District, West Bengal, India».

En: Geoenvironmental Disasters 6.1, 1-18. Onli-

ne:https://n9.cl/ro35j.

Saaty, Thomas L. (1977). «A scaling method for

priorities in hierarchical structures». En: Jour-

nal of mathematical psychology 15.3, 234-281. On-

line:https://n9.cl/zvwbr.

— (1990). The Analytic Hierarchy Process: Planning,

Priority Setting, Resource Allocation. Analytic hie-

rarchy process series. RWS Publications.

Salcedo, D. y col. (2022). «Smart City Planning Ba-

sed on Landslide Susceptibility Mapping Using

Fuzzy Logic and Multi-criteria Evaluation Tech-

niques in the City of Quito, Ecuador». En: Docto-

LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.

Artículo cientíﬁco/Scientiﬁc paper

CIENCIAS DE LA TIERRA Cargua et al.

ral Symposium on Information and Communication

Technologies - DSICT, págs. 89-103.

Salehpour Jam, A. y col. (2021). «GIS-based landsli-

de susceptibility mapping using hybrid MCDM

models». En: Natural Hazards 108, 1025-1046.

Online:https://n9.cl/in8wa.

Secretaría Técnica de la Circunscripción Territorial

Especial Amazónica (2021). Plan Integral para la

Amazonía 2021-203. Secretaría Técnica de la Cir-

cunscripción Territorial Especial Amazónica.

Servicio Nacional de Gestión de Riesgos y Emergen-

cias (2022a). Informe Nro. 136 - Época lluviosa del

01 de enero al 22 de julio de 2022. Inf. téc. Servicio

Nacional de Gestión de Riesgos y Emergencias.

— (2022b). Informe de Situación No. 45 – Época lluvio-

sa a nivel Nacional - cierre. Inf. téc. Servicio Nacio-

nal de Gestión de Riesgos y Emergencias.

Soeters, R. y C. Van Westen (1996). «Slope instability

recognition, analysis and zonation». En: Landsli-

des: investigation and mitigation 247, 129-177. On-

line:https://n9.cl/vma1z.

Sonker, I., J. Tripathi y A. Singh (2021). «Landslide

susceptibility zonation using geospatial techni-

que and analytical hierarchy process in Sikkim

Himalaya». En: Quaternary Science Advances 4,

100039. Online:https://n9.cl/czyzla.

Teši´c, D. y col. (2020). «Landslide susceptibility

mapping using AHP and GIS weighted overlay

method: a case study from Ljig, Serbia». En: Ser-

bian Journal of Geosciences 6.1, 9-21. Online:https:

//n9.cl/h2k7n.

Van Westen, C. (1997). «ILWIS Applications Gui-

de». En: The International Institute for Aeros-

pace Survey y Earth Sciences. Cap. Statistical

landslide hazard analysis, págs. 73-84.

Varnes, D. e International Association of Enginee-

ring Geology (2021). Landslide hazard zonation: a

review of principles and practice. Unesco.

Vásquez J. y Estrada, M. (2023). «A comparati-

ve study of the bivariate statistical methods

and the Analytical Hierarchical Process for

the assessment of mass movement susceptibi-

lity. A case study: The LM-116 Road-Peru».

En: Rudarsko-geološko-naftni zbornik 38.1, 149-166.

Online:https://n9.cl/u17f0.

Wang, Z. y col. (2022). «Reﬁned zoning of landslide

susceptibility: a case study in Enshi County, Hu-

bei, China». En: International journal of environ-

mental research and public health 19.15, 9412. Onli-

ne:https://n9.cl/kwqq4.

Wieczorek, G. (1984). «Preparing a detailed

landslide-inventory map for hazard evalua-

tion and reduction». En: Bulletin of the Associa-

tion of Engineering Geologists 21.3, 337-342. Onli-

ne:https://n9.cl/d0l2y.

Williams, C. y col. (1999). «A comparison of statis-

tical methods for prenatal screening for Down

syndrome». En: Applied Stochastic Models in Bu-

siness and Industry 15.2, 89-101. Online:https://

n9.cl/38to7.

Wubalem, A. y M. Meten (2020). «Landslide suscep-

tibility mapping using information value and lo-

gistic regression models in Goncha Siso Eneses

area, northwestern Ethiopia». En: SN Applied

Sciences 2, 1-19. Online:https://n9.cl/pg3ik.

Zhou, S., S. Zhou y X. Tan (2020). «Nationwide sus-

ceptibility mapping of landslides in Kenya using

the fuzzy analytic hierarchy process model». En:

Land 9.12, 535. Online:https://n9.cl/a1cjp.

Zumpano, V. y col. (2014). «A landslide susceptibi-

lity analysis for Buzau County, Romania». En:

Rev. Roum. Géogr./Rom. Journ. Geogr 58.1, 9-16.

Online:https://n9.cl/ten7t.

136 LAGRANJA:Revista de Ciencias de la Vida 39(1) 2024:116-136.