DETERMINACIÓN DE POSIBLES ZONAS EN AMENAZA POR INUNDACIÓN

EN EL MUNICIPIO DE MOMPÓS – BOLÍVAR, MEDIANTE EL USO DE

PROCESAMIENTO DIGITAL DE IMÁGENES Y HERRAMIENTAS SIG, Y SU
POSTERIOR PUBLICACIÓN COMO DATOS ABIERTOS (OPEN DATA)

LAURA VANESSA SALAZAR DUARTE

TANIA LORENA RUIZ MORALES

FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C.
2017
TRABAJO DE GRADO EN MODALIDAD DE MONOGRAFÍA PARA OPTAR
POR EL TÍTULO DE INGENIERO CATASTRAL Y GEODESTA

DETERMINACIÓN DE POSIBLES ZONAS EN AMENAZA POR INUNDACIÓN

EN EL MUNICIPIO DE MOMPÓS – BOLÍVAR, MEDIANTE EL USO DE
PROCESAMIENTO DIGITAL DE IMÁGENES Y HERRAMIENTAS SIG, Y
POSTERIOR PUBLICACIÓN COMO DATOS ABIERTOS (OPEN DATA)

PRESENTADO POR
LAURA VANESSA SALAZAR DUARTE
TANIA LORENA RUIZ MORALES

DIRECTOR
PHD. CARLOS EDUARDO MELO MARTINEZ
Profesor titular del proyecto curricular de Ingeniería Catastral y Geodesia.

FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C.
2017
 Nota de aceptación:
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________
__________________________________________________

_________________________________________________
Firma del director

________________________________________________
Firma del jurado

iii
 AGRADECIMIENTOS

En primer lugar, a nuestras familias y a Dios, por ser nuestro sostén, por mantenernos
firmes y fuertes ante las dificultades presentadas durante todo este proceso, por su
incondicionalidad y amor. Gracias, por ser el aliento diario para seguir adelante, por
enseñarnos a soñar y a llevar a la realidad cada uno de esos deseos. Este logro, se lo
dedicamos a ellos porque son lo más importante de nuestras vidas.

Especialmente, al docente Carlos Melo, por dirigir este proyecto de grado, teniendo
siempre la disposición de solventar cada inquietud manifestada a lo largo de la elaboración
del presente trabajo y de brindar el máximo apoyo para obtener los mejores resultados
posibles. Igualmente, damos gracias al docente Javier Medina por ser el revisor de nuestro
proyecto.

A las amistades que nacieron dentro de las aulas, que nos animaron de diferentes formas
para culminar de la mejor manera esta etapa, las cuales esperamos conservar porque
hicieron de este camino un transcurrir más ameno.

A nuestra alma mater, la Universidad Distrital Francisco José de Caldas, y a los docentes
que hicieron parte de nuestra formación como Ingenieras Catastrales y Geodestas,
brindándonos a lo largo de estos años los medios y conocimientos necesarios en el
cumplimiento de esta meta. Igualmente, por darnos la oportunidad no solo de formarnos
como buenas profesionales sino también por permitirnos crecer como seres humanos al
entender que como ingenieras poseemos una función social enfocada al bienestar y
desarrollo de la sociedad.

Y finalmente, un agradecimiento mutuo, a mi compañera de proyecto de grado, por su

compromiso y paciencia en la realización de esta investigación, así mismo por su amistad y
apoyo en el transcurso de la carrera.

iv
 TABLA DE CONTENIDO

INTRODUCCIÓN .......................................................................................................... 1

JUSTIFICACIÓN ........................................................................................................... 2

ANTECEDENTES ......................................................................................................... 3

ETAPAS DE LA EVALUACIÓN DEL RIESGO ................................................. 3

Conocimiento del territorio .............................................................................. 3

Análisis de la amenaza ..................................................................................... 4

Análisis de la vulnerabilidad ............................................................................ 4

Evaluación del Riesgo ...................................................................................... 5

SIG EN LA OBTENCIÓN DE LA ZONIFICACIÓN DE AMENAZA Y

RIESGO POR INUNDACIONES. ..................................................................................... 5

DATOS ABIERTOS .............................................................................................. 6

Plataformas Web de Datos Abiertos Geoespaciales ......................................... 7

PROBLEMA Y PREGUNTA DE INVESTIGACIÓN .................................................. 9

OBJETIVOS ................................................................................................................. 10

OBJETIVO GENERAL ....................................................................................... 10

OBJETIVOS ESPECÍFICOS ............................................................................... 10

MARCO TEÓRICO CONCEPTUAL .......................................................................... 11

TIPOS DE INUNDACIONES EN COLOMBIA ................................................. 11

CARACTERÍSTICAS DE LA CUENCA COMO DETONANTE EN LA

ESTIMACIÓN DE LA AMENAZA DE INUNDACIONES .......................................... 12

METODOLOGÍAS PARA EL ANÁLISIS DE AMENAZA POR INUNDACIÓN

13

ESTADÍSTICA ESPACIAL ................................................................................ 15

COBERTURAS DE LA TIERRA........................................................................ 16

v
 Sistema de clasificación Corine Land Cover adaptado para Colombia.......... 16

Imágenes satélite Landsat 8 usadas para la clasificación de coberturas ......... 17

Clasificación digital supervisada .................................................................... 18

PROCESO ANÁLITICO JERÁRQUICO (AHP) APLICADO A LOS

SISTEMAS DE INFORMACIÓN GEOGRAFICA ........................................................ 19

DATOS ABIERTOS EN LA WEB ...................................................................... 20

Carta Internacional de Datos Abiertos ........................................................... 21

METODOLOGÍA Y DATOS ...................................................................................... 22

DIAGRAMA ........................................................................................................ 22

ÁREA DE ESTUDIO ........................................................................................... 23

SOFTWARE......................................................................................................... 24

DATOS E INSUMOS .......................................................................................... 24

Zonificación hidrográfica ............................................................................... 25

Modelo digital de elevación (DEM) ............................................................... 26

Precipitación ................................................................................................... 28

Mapa Geológico de Colombia ........................................................................ 29

Mapa de coberturas de la tierra de Colombia ................................................. 30

Imagen satelital Lansat 8 ................................................................................ 31

7.4.6.1. Datos de la imagen usados en la calibración radiométrica...................... 33

OBTENCIÓN DE VARIABLES A UTILIZAR EN EL MODELO (FORMATO

RASTER) ......................................................................................................................... 34

Subdivisión de la subzona hidrográfica .......................................................... 34

Precipitación efectiva ..................................................................................... 36

Pendientes ....................................................................................................... 42

Rugosidad ....................................................................................................... 42

Coberturas de la tierra municipio de Mompós ............................................... 43

vi
 7.5.5.1. Preparación .............................................................................................. 44

7.5.5.2. Pre-Procesamiento ................................................................................... 45

7.5.5.2.1. Calibración Radiométrica .................................................................. 45

7.5.5.2.2. Determinación de las coberturas de Interés ....................................... 47

7.5.5.3. Procesamiento (Clasificación Supervisada) ............................................ 48

7.5.5.4. Pos-Procesamiento .................................................................................. 50

MODELO AHP .................................................................................................... 51

PUBLICACIÓN DE RESULTADOS COMO DATOS ABIERTOS .................. 53

RESULTADOS ............................................................................................................ 53

SUBCRITERIOS EN FORMATO RASTER ...................................................... 53

Subdivisión de la subzona hidrográfica .......................................................... 53

Calculo de la Precipitación Efectiva ............................................................... 58

8.1.2.1. Cobertura del suelo.................................................................................. 58

8.1.2.2. Grupos hidrológicos ................................................................................ 59

8.1.2.3. Precipitación ............................................................................................ 60

8.1.2.4. Curva número (CN) y factor de escorrentía (S) ...................................... 64

8.1.2.5. Precipitación Efectiva ............................................................................. 66

Pendientes ....................................................................................................... 66

Rugosidad ....................................................................................................... 67

Coberturas del suelo municipio de Mompós .................................................. 68

8.1.5.1. Pre-Procesamiento ................................................................................... 68

8.1.5.2. Procesamiento ......................................................................................... 78

8.1.5.3. Post-Procesamiento ................................................................................. 83

MODELO AHP .................................................................................................... 87

Aplicación y validación del modelo AHP ...................................................... 87

vii
 Reclasificación de sub-criterios en valores cualitativos ................................. 89

8.2.2.1. Reclasificación de la variable-precipitación efectiva .............................. 89

8.2.2.2. Reclasificación de la variable-pendiente ................................................. 90

8.2.2.3. Reclasificación de la variable-rugosidad................................................. 91

8.2.2.4. Reclasificación de la variable-coberturas del suelo ................................ 92

POSIBLES ZONAS EN AMENAZA DE INUNDACIÓN MUNICIPIO DE

MOMPÓS ......................................................................................................................... 93

PUBLICACIÓN DE RESULTADOS COMO DATOS ABIERTOS .................. 94

DISCUSIÓN ................................................................................................................. 95

CONCLUSIONES .................................................................................................... 97

RECOMENDACIONES .......................................................................................... 99

REFERENCIAS ................................................................................................................. 101

ANEXOS ............................................................................................................................ 108

Script realizado en R para la estimación del parámetro de precipitación. ...................... 108

viii
 LISTA DE TABLAS

Tabla 1 Bandas Satélite Landsat 8 (OLI – TIRS)................................................................. 18

Tabla 2 Características del Satélite Landsat 8 (OLI – TIRS) ............................................... 18
Tabla 3. Información de los DEM’s usados. ....................................................................... 27
Tabla 4. Información base de las estaciones hidrológicas de interés. .................................. 28
Tabla 5. Características escena original ............................................................................... 32
Tabla 6. Ángulo de elevación solar y ángulo solar zenit local ............................................. 33
Tabla 7. Datos usados en el modelo de calibración radiométrica ........................................ 33
Tabla 8. Clasificación según tipo de suelo hidrológico. ....................................................... 38
Tabla 9. Categorización de la Curva Número. ..................................................................... 39
Tabla 10. Promedio de lluvias mensual anual en el mes de octubre para cada estación. ..... 40
Tabla 11. Coeficiente de Manning (Rugosidad), según el tipo de cobertura. ...................... 43
Tabla 12. Codificación y definición de subcuencas hidrográficas. ...................................... 55
Tabla 13. Codificación y definición de las microcuencas. ................................................... 56
Tabla 14. Codificación y definición de las microsubcuencas. ............................................. 57
Tabla 15. Semivariogramas teóricos con su AIC respectivo. ............................................... 62
Tabla 16. Leyenda y simbología de semivariogramas obtenidos. ........................................ 62
Tabla 17. Resultados gráficos de los mejores 4 modelos de ajuste. ..................................... 63
Tabla 18. Estadísticas Unibanda en valores de reflectancia TOA ........................................ 68
Tabla 19. Coberturas o clases de interés .............................................................................. 72
Tabla 20. Muestras Áreas de entrenamiento ........................................................................ 78
Tabla 21. Muestras áreas de entrenamiento (continuación) ................................................. 80
Tabla 22. Matriz Grado de Separabilidad entre clases. ........................................................ 81
Tabla 23. Codificación clases de interés en muestreo .......................................................... 81
Tabla 24. Área clasificada a cada cobertura ......................................................................... 83
Tabla 25. Matriz de error ...................................................................................................... 84
Tabla 26. Matriz de exactitud total ....................................................................................... 84
Tabla 27. Índice Kappa........................................................................................................ 85
Tabla 28. Área clasificada por cobertura Municipio de Mompós 2016 ............................... 86
Tabla 29. Matriz de comparación por pares (MCP) del estudio. .......................................... 88
Tabla 30. Matriz de comparación de pares normalizada. ..................................................... 88

ix
 LISTA DE ILUSTRACIONES

Ilustración 1. Diagrama Metodológico. ................................................................................ 22

Ilustración 2. Ubicación del departamento de Bolívar, Colombia. ...................................... 23
Ilustración 3. Ubicación del municipio de Mompós, Bolívar. ............................................. 24
Ilustración 4. Subzona Hidrográfica objeto de estudio......................................................... 26
Ilustración 5. Distribución de los DEM´s en la zona de estudio.. ........................................ 27
Ilustración 6. Ubicación de las estaciones hidrometerológicas utilizadas.. .......................... 29
Ilustración 7. Clasificación geológica, subzona hidrográfica de interés. ............................. 30
Ilustración 8. Coberturas de la tierra Subcuencas del municipio de Mompós. .................... 31
Ilustración 9. Escena Original – Color Natural, con delimitación del municipio de
Mompós ................................................................................................................................ 32
Ilustración 10. Clasificación hidrográfica.. .......................................................................... 35
Ilustración 11. Representación de un ejemplo de codificación de las unidades
hidrográficas. ........................................................................................................................ 36
Ilustración 12. Metodología proceso de obtención mapa de coberturas de la tierra municipio
Mompós.. .............................................................................................................................. 44
Ilustración 13. Recorte (Subescena) – Color Natural, con delimitación de municipios....... 45
Ilustración 14. Coberturas de la tierra 2005 – 2009 municpio de Mompós. ........................ 48
Ilustración 15. Distribución de las subcuencas delimitadas en la zona de estudio (UH
Nivel I). ................................................................................................................................. 54
Ilustración 16. Clasificación de la cobertura del suelo, parámetro de la Curva Número. .... 59
Ilustración 17. Clasificación de los grupos hidrológicos de la zona de interés. ................... 60
Ilustración 18. Distribución estadística y espacial de las variables. ..................................... 61
Ilustración 19. Semivariograma experimental obtenido en el software R Studio. ............... 61
Ilustración 20. Semivariogramas gaussiano (izquierda) y power exponencial (derecha) con
sus respectivos modelos de ajuste. ....................................................................................... 62
Ilustración 21. Estimación espacial de la variable precipitación, en la zona de estudio. ..... 64
Ilustración 22. Distribución espacial del Valor de Curva Número....................................... 65
Ilustración 23. Factor S calculado en el área de interés........................................................ 65
Ilustración 24. Resultados espaciales de precipitación efectiva. .......................................... 66
Ilustración 25. Pendientes en grados, de la zona de interés.. ................................................ 67

x
Ilustración 26. Coeficiente de Manning, subcuencas objeto de estudio.. ............................. 67
Ilustración 27 Muestra Ríos (RGB 457) .............................................................................. 78
Ilustración 28. Imagen resultado de la clasificación de clases a cada pixel. ........................ 82
Ilustración 29. Imagen clasificada con filtro. ....................................................................... 83
Ilustración 30. Mapa temático Coberturas de la tierra 2016 municipio de Mompós. .......... 86
Ilustración 31. Estructura jerárquica para la zonificación de amenaza por inundación en
Mompós.. .............................................................................................................................. 87
Ilustración 32. Clasificación de amenaza por precipitación Efectiva.. ................................. 90
Ilustración 33. Clasificación de amenaza por la variable pendientes.. ................................. 91
Ilustración 34. Clasificación de amenaza por rugosidad.. .................................................... 92
Ilustración 35. Clasificación de amenaza por tipo de cobertura.. ......................................... 93
Ilustración 36. Amenaza por inundación, municipio de Mompós.. ...................................... 94
Ilustración 37. Visualización de la página web desde un dispositivo de escritorio, pestaña
de INICIO. ............................................................................................................................ 95
Ilustración 38. Visualización de la página web desde un dispositivo de escritorio, pestaña
denominada Visor. ................................................................................................................ 95

xi
 INTRODUCCIÓN

La amenaza, según la Ley 1523 de 2012, se define como “peligro latente de que un
evento físico de origen natural, o causado, o inducido por la acción humana de manera
accidental, se presente con una severidad suficiente para causar pérdida de vidas, lesiones u
otros impactos en la salud, así como también daños y pérdidas en los bienes, la
infraestructura, los medios de sustento, la prestación de servicios y los recursos
ambientales”, y el análisis de amenaza es considerado uno de los componentes básicos para
la evaluación del riesgo, su objetivo es conocer la naturaleza, intensidad y distribución
espacial que se puede presentar en una zona (Rodríguez, 2012).

El municipio de Santa Cruz de Mompós por su ubicación geográfica en la depresión

momposina y su cercanía a uno de los brazos del Río Magdalena, se encuentra afectado
periódicamente por temporadas invernales y exceso de lluvia, que consecuentemente
producen inundaciones que afectan socioeconómicamente a su población, condiciones que
se han intensificado con la presencia de fenómenos climáticos, como el de “la niña”.

Establecer las zonas en amenaza de inundación se convierte en una herramienta

fundamental para la política de gestión del riesgo, y partiendo de la inexistencia de un
método específico, el proyecto se realizará con el fin de mostrar la implementación de una
metodología que integre los Sistemas de Información Geográfica (SIG) y el procesamiento
digital de imágenes satelitales, para la determinación de posibles zonas en amenaza de
inundación del municipio de Mompós, respaldados por la aplicación de un método de
análisis multicriterio, particularmente de un modelo AHP1.

Buscando dar un valor agregado, se publican los resultados finales como Datos Abiertos
(Open Data), ya que se consideran información de interés público.

En este documento se encuentra la información necesaria en el proyecto y datos básicos

tenidos en cuenta a lo largo de su desarrollo, aparte de la justificación, se encuentra unos
antecedentes en cuanto a las etapas de la evaluación del riesgo (dentro de las cuales se
encuentra el análisis de la amenaza), la aplicación de los SIG en la obtención de zonas de
amenaza por inundación y un recorrido por diferentes aplicaciones de los datos abiertos.

1
Analytic Hierarchy Process.

1
Luego de definir el problema o pregunta de investigación, se dan a conocer los objetivos
del proyecto y se continúa con el marco teórico conceptual, capitulo dentro del cual se trata
de dar un enfoque general en cuanto a comprender el contenido de este documento, como
es la definición de los tipos de inundaciones en Colombia, características de una cuenca
hidrográfica, metodologías para el análisis de la amenaza por inundación, una breve
exposición de la estadística espacial, se da a comprender datos importantes sobre las
coberturas de la tierra enfocándose hacía el tema del proyecto, la definición de un modelo
AHP y su aplicación dentro de un SIG, y datos relevantes en cuanto a los datos abiertos en
la web.

La metodología de este proyecto se resume en un diagrama, incluido dentro del capítulo 7.

METOLOGÍA Y DATOS, del cual se desprende las secciones que le prosiguen. Los datos
obtenidos son los necesarios para hallar las cuatro variables tenidas en cuenta en la
aplicación del modelo AHP, llamadas sub-criterios, comprendidas por la precipitación
efectiva, pendiente, rugosidad y coberturas del suelo, del municipio de Mompós. Asimismo
se muestra el modo seleccionado para dar a conocer el resultado final, luego de aplicar el
modelo AHP, como datos abiertos en la web.

Para terminar, tratándose de un tema netamente académico, se realiza una discusión de los
resultados obtenidos y procesos elaborados, recomendaciones generales teniendo en cuenta
la experiencia desarrollada y las respectivas conclusiones.

JUSTIFICACIÓN

El territorio colombiano se ha visto afectado drástica y habitualmente por

inundaciones de diferentes magnitudes, las cuales no solo producen consecuencias fatales
en la infraestructura y economía de los municipios, sino también lesionan gravemente y
atentan contra la salud y calidad de vida de los ciudadanos. Establecer las zonas en
amenaza por inundación, se convierte en una herramienta fundamental para dimensionar
espacialmente el territorio y obtener un soporte técnico y confiable en la toma de decisiones
sobre el ordenamiento del suelo. Los estudios detallados de riesgo, basados en procesos
geoespaciales como la percepción remota, y el procesamiento digital de imágenes
satelitales y aerotransportadas, brindan una perspectiva e interpretación visual multicriterio,
ofreciéndole un insumo cartográfico y estadístico a las acciones a ejecutar, antes-durante y

2
después de la presencia de desastres y calamidades naturales, a entidades del Sistema
Nacional de Prevención y Atención de Desastres –SNPAD- (Euscátegui, 2011).

La frecuencia y consecuencias de este fenómeno, han ido en aumento a través de las

últimas décadas, como efecto de una ocupación no planificada y adecuada, en la mayor
parte del territorio colombiano, que es susceptible a eventos de inundación. De esta manera,
la dimensión e impacto de un fenómeno como el de la Niña se ha incrementado por la falta
de estrategias, planes y elementos prácticos de planeación del territorio. En paralelo y con
la búsqueda de una mayor trascendencia del mapeo de áreas en riesgo por inundación, la
publicación y divulgación de los productos finales se hace necesaria, por su característica y
aplicabilidad colateral a todos los sectores económicos y áreas de investigación, que la
decretan como un instrumento elemental para brindar un contexto espacial en la toma de
decisiones y actuar, frente a la Gestión del Riesgo (Euscátegui, 2011).

ANTECEDENTES

Al realizar una revisión bibliográfica sobre otros estudios y prácticas, relacionados a la

elaboración del presente proyecto, algunos contenidos fueron de gran importancia por lo
que en este capítulo se muestra alguna de la información más relevante encontrada, tenida
en cuenta para la elaboración del presente proyecto.

ETAPAS DE LA EVALUACIÓN DEL RIESGO

En el proceso de la evaluación del riesgo se encuentran cuatro etapas preliminares:

Conocimiento del territorio

El transcurso de valoración del riesgo no puede aplicarse de manera general, esta

debe acomodarse a los escenarios individuales según el contexto en el que se interceda, a
los diferentes horizontes administrativos y escalas espaciales. De esta manera, se considera
que para que esta estimación sea lo más transversal y próxima al entorno, deben
incorporarse técnicas de participación examinados de dos formas y como dos herramientas
básicas: el saber y el poder de las comunidades y del gobierno local. Lo segundo se refiere
a la capacidad de hacer gestión del riesgo en función de la legislación y disponibilidad de
recursos humanos, económicos y tecnológicos, los cuales se modifican de una región a otra,

3
según el interés y dedicación política inyectada en cada periodo de gobierno. La
introducción de procesos y elementos participativos mejora la metodología, ya que la
comunidad posee un juicio claro sobre los grados de inundación en su territorio y los
valores máximos históricos puesto que es parte de su legado cultural. La cartografía social
permite hacer un contraste de las zonas en donde según los estudios, se ubican las
inundaciones y las áreas que según la experiencia de los pobladores son más susceptibles a
ser inundadas (Rodríguez, 2012).

Análisis de la amenaza

El fin de la estimación de la amenaza es comprender el entorno, la contingencia, el

rigor y la distribución geográfica que puede alcanzar una zona con una o varias
inundaciones en períodos específicos de tiempo, con el objetivo de determinar una
apreciación de las consecuencias que esta(s) pueden producir. De las diferentes
metodologías analizadas se concluye que a partir del punto de vista de la aplicabilidad y la
accesibilidad a los datos en cabeceras urbanas pequeñas, la metodología de la Universidad
Nacional de Colombia desarrollada en el 2014, basada “a partir de un algoritmo que usa
parámetros de entrada tales como el mapa del modelo digital de elevación, el mapa de
direcciones de drenaje, el mapa de la red de drenaje y el mapa de estaciones de nivel
siguiendo el concepto del HAND de Nobre calcula un mapa de amenaza por inundación
asociado a niveles de lámina de agua”, puede ser utilizada en Colombia cuyas apreciaciones
obedecen a tener que sortear escenarios como requerimientos de investigación y tecnología,
costos computacionales, habilidades para manejar software especializado y tiempo
(Rodríguez, 2012). La investigación a adelantar, se va a centrar en esta etapa de gestión del
riesgo.

Análisis de la vulnerabilidad

El estudio de la vulnerabilidad tiene como fin entender, analizar y prever la

susceptibilidad de una población o sociedad de ser damnificada o lesionada como secuela
de un desastre. Puede realizar por medio de distintas formas como la caracterización de las
personas y los instrumentos latentemente sensibles como grupos sociales, medios de
producción, edificaciones, viviendas, superficies cultivables, líneas vitales, ecosistemas,
etc. Los criterios más importantes para la elección de la metodología son los requerimientos

4
de datos, la calidad, los costos y la transferencia de los datos y productos para poder
comprender la realidad que se vive en las cabeceras urbanas pequeñas y que en la
actualidad no concurre un prototipo como tal que pueda emplearse para suplir tal necesidad
a cabalidad. Los modelos aplican condiciones sociales, económicas, físicas, ambientales,
políticas y gubernamentales según sus necesidades y contextos, pero no transversal o
simultáneamente para contemplar temáticas de la gestión pública y la gestión del riesgo
(Rodríguez, 2012).

Evaluación del Riesgo

En esta fase es imprescindible estimar cuál es la verdadera dimensión del problema

y establecer los grados de riesgo a los cuales se confronta el territorio y los posibles efectos
en el desarrollo socioeconómico de un municipio. Es trascendental concebir las brechas que
se hallan sumergidos y cambiar la ideología histórica que prevalece en el país de actuar
sobre las consecuencias de los desastres más que en los indicadores que forjan el riesgo.
Por esta razón, debe implantarse la metodología de evaluar el riesgo bajo unos
condicionantes particulares de ocupación del territorio en las que se encuentran las
comunidades en escenarios sociales, económicos, ambientales y políticos (Rodríguez,
2012).

SIG EN LA OBTENCIÓN DE LA ZONIFICACIÓN DE AMENAZA Y

RIESGO POR INUNDACIONES.

Actualmente, la integración de los Sistemas de Información Geográfica y otras

metodologías espaciales, brindan la capacidad de obtener información sobre los sistemas de
drenaje y cuencas, que son grandes determinantes en el depósito de escorrentía. El flujo de
drenaje puede integrarse en software geográficos para definir las zonas con mayor
probabilidad de estar en riesgo o amenaza de inundaciones repentinas (Youssef, 2011)

Las inundaciones súbitas son un fenómeno natural que representa una amenaza para el ser
humano y cualquier clase se infraestructura desarrollada por este. Existen varios elementos
que influyen en el total de escorrentía, que por ende afectan y determinan el ímpetu de las
inundaciones. De esta manera, ciertas características físicas y geográficas, como la
impermeabilidad de las superficies, la dinámica del sistema hidráulico de los suelos, y la

5
acumulación de agua, en conjunto con las estadísticas demográficas permiten crear una
clasificación por riesgo y amenaza de inundación. (Elkhrachy, 2015)

Los indicadores de decisión que según su definición y clasificación conforman un rango de

idoneidad y relación directa con respecto a un objetivo o fenómeno, en este caso el riesgo
de inundación, se convierten en los factores y detonantes explicativos de este evento en
particular, en el área de estudio. Una vez evaluados y elegidos los indicadores de decisión,
estos son divididos en subindicadores para puntualizar mejor estos criterios. Para ello es
utilizado el AHP, que es una metodología de toma de decisiones multicriterio introducido
por Saaty (1977) y Saaty (1994). Este método, consiste en un instrumento de soporte de
sentencias, usado para resolver problemas engorrosos de decisión, está basado en una
organización escalonada multinivel de objetivos, criterios, sub-criterios y alternativas.
(Elkhrachy, 2015)

El modelo de elevación digital (DEM) es el elemento básico más transcendental en el

modelamiento hidrológico en la producción de cartografía por riesgo de inundación. La
exactitud del cómputo de la cuenca es claramente dependiente de la resolución espacial y
precisión de los planos topográficos. El contraste en la escala de la cartografía usada no
sólo genera el aumento de la simplicidad de flujos de corriente, sino que también conlleva a
la transformación en el porcentaje de los arroyos de menor orden. (El-Behiry, 2006)

La variación de los resultados obedece al error de los insumos y decisiones adoptadas a lo

largo del procesamiento, como los pesos y atributos jerárquicos adoptados para cada uno de
los criterios y variables de decisión. Los productos cartográficos a partir del análisis pueden
utilizarse como una pauta para establecer zonas para realizar estudios más detallados.
(Elkhrachy, 2015)

DATOS ABIERTOS

En la actualidad, a nivel global existen diferentes plataformas web desarrolladas por

entidades públicas y privadas dedicadas a la publicación de datos abiertos sobre diversos
temas. En cuanto al ámbito nacional, no hay excepción. Principalmente de Colombia existe
el Portal de Datos del Estado Colombiano, el cual es una plataforma creada por el
Ministerio de Tecnología de la Información y las Comunicaciones, disponible para la

6
publicación de datos abiertos de interés nacional de las entidades públicas nacionales y
territoriales, teniendo en cuenta que las entidades públicas que publican datos abiertos en
sitios diferentes a este portal deben garantizar que los datos estén adecuadamente enlazados
y referenciados en éste. (MINTIC, 2016)

Además del Portal de Datos del Estado Colombiano, a nivel general de información
relacionada en la web con datos abiertos se puede encontrar por ejemplo el Portal de Datos
Abiertos de Bogotá2, y el Portal de Datos Abiertos de la Cámara de Comercio de Bogotá3.

Plataformas Web de Datos Abiertos Geoespaciales

En cuanto a páginas web disponibles con datos abiertos espaciales, sobre temáticas
de índole nacional y regional, de entidades públicas y privadas, en diferentes formatos y
presentaciones, se plasman los siguientes ejemplos:

ICDE4

La Infraestructura Colombiana de Datos Espaciales (ICDE), según (ICDE, s.f.) es un

articulador, que se encarga de gestionar tanto la producción como el acceso a la
información geográfica, mediante el trabajo coordinado entre el Gobierno y la Sociedad, y
la promoción de la ejecución de políticas, estándares y estrategias, dirigidas al acceso y uso
de recursos geoespaciales (datos, información, software, metadatos, servicios, estándares,
marco legal, acuerdos, políticas, de carácter geoespacial) de carácter geoespacial), siendo
de gran ayuda en la toma de decisiones.

SIG-OT5

El Sistema de Información Geográfica para la Planificación y el Ordenamiento

Territorial (SIGOT), comprende el desarrollo de un proyecto interinstitucional que
proporciona el acceso y uso de información político-administrativa, socio-económica y
ambiental georreferenciada, con el fin de ayudar en una eficaz toma de decisiones por parte
de las entidades y autoridades del sistema de planeación y ordenamiento territorial, a nivel
nacional, regional y local, mediante la búsqueda de conformar un sistema de información

2
Disponible en: http://datosabiertos.bogota.gov.co/. Consultado en marzo de 2017
3
Disponible en: http://opendatabogota.ccb.org.co/SitePages/OpenDataHome.aspx Consultado en marzo de 2017
4 Disponible en: http://www.icde.org.co/. Consultado en marzo de 2017
5 Disponible en: http://sigotn.igac.gov.co/sigotn/frames_pagina.aspx. Consultado en marzo de 2017

7
geográfica. Igualmente aplica los principios, objetivos y estrategias instadas por la
Infraestructura Colombiana de Datos Espaciales (ICDE). (IGAC, 2009)

Este sistema cuenta con la participación de un conjunto de entidades como el Instituto

Geográfico Agustin Codazzi, el cual preside el Comité de Gestión Interinstitucional.
Algunas de las demás entidades son: Agencia Presidencial para la Acción Social y la
Cooperación Internacional – Acción Social, Departamento Administrativo Nacional de
Estadística, Departamento Nacional de Planeación, Ministerio de Ambiente, Vivienda y
Desarrollo Territorial; Ministerio de Agricultura y Desarrollo Rural, Ministerio de
Educación Nacional, Ministerio de Cultura, y el Ministerio de Transporte. (IGAC, 2009)

IDECA6

La Infraestructura de Datos Espaciales de Bogotá (IDECA), según su portafolio de

productos y servicios, es el conjunto de datos, estándares, políticas, tecnologías y acuerdos
institucionales, para facilitar la producción, disponibilidad y acceso a la información
geográfica del Distrito Capital, para ser un apoyo en el desarrollo social, económico y
ambiental de la ciudad. (Unidad Administrativa Especial de Catastro Distrital, s.f.)

En esta plataforma se encuentra entre algunos de sus productos y servicios el mapa de

referencia, conformado por una base de datos espaciales en diferentes formatos: Base de
Datos Geográfica (ESRI-File Geodatabase), Base de Datos PostGIS (PostgreSQL),
Shapefile (SHP), AutoDesk (DWG), Keyhole Markup Language (KML-KMZ) y Servicio
Web de Mapas (WMS); con datos del Distrito Capital como lotes, manzanas, sectores
catastrales, malla vial integral, cuerpos de agua, entre otros.

Portal de Datos Abiertos de Esri Colombia7

Esri es una empresa privada relacionada con software afín a SIG, y consultoría
territorial. Los Datos Abiertos geográficos (o espaciales) hace parte de su contenido, por lo
que en este portal web se desarrolla la idea de un banco de datos para Colombia, en el que
se puede consultar, descargar y usar información abierta y útil, con el fin de ser un
mediador entre datos, mapas y herramientas o aplicaciones geográficas. (Esri, s.f.)

6 Disponible en: https://www.ideca.gov.co/ Consultado en marzo de 2017

7 Disponible en: http://datosabiertos.esri.co/ Consultado en marzo de 2017

8
Para participar de este banco de datos espaciales puede hacerse mediante tres opciones:
crear un portal si se tiene múltiples datos, si se tiene un conjunto de datos que se consideren
relevantes se pueden compartir cargándolos al banco de datos, y por último haciendo uso de
los datos que ya están disponibles mediante la creación de mapas y aplicaciones SIG.

PROBLEMA Y PREGUNTA DE INVESTIGACIÓN

El municipio de Santa Cruz de Mompós por su ubicación geográfica en la depresión

momposina y su cercanía a uno de los brazos del Río Magdalena, se encuentra afectado
periódicamente por temporadas invernales y exceso de lluvia, que consecuentemente
producen inundaciones que afectan socioeconómicamente a su población.

A esta condición climática y geográfica, se le suman dos agravantes que aumentan las
implicaciones de este desastre natural, por un lado se encuentra el fenómeno “la Niña” que
según el IDEAM8, en nuestro país se identifica por un incremento significativo de las
precipitaciones (anomalías positivas) y una baja de las temperaturas (anomalías negativas)
en las regiones Andina, Caribe y Pacífica, así mismo en franjas del piedemonte de los
Llanos orientales, mientras que en la región oriental (Orinoquía y Amazonía), dichas
variables suelen comportarse de manera corriente, sin ser muy claro el modelo
climatológico ante la existencia de este fenómeno (Euscátegui, 2011). Para el periodo 2010-
2011, este fenómeno superó los registros históricos de lluvias y se convirtió en un desastre
natural de dimensiones extraordinarios, específicamente para el área objeto de estudio se
encontraron 18.888 hectáreas inundadas, correspondiente al 29.5% del área del municipio.

Igualmente, se evidencia la falta de una correcta planeación del territorio que permita la
instauración de una ocupación ordenada del suelo, aun cuando existen una serie de
elementos normativos y legislativos que regulan el crecimiento y la expansión urbana, y
restringen el desarrollo de asentamientos en zonas susceptibles a inundaciones, por sus
características hidrográficas y espaciales.

Conjuntamente la insuficiencia de información acreditada y detallada del municipio de

Mompós, disponible de forma abierta, se convierte en una barrera para las investigaciones y
estudios relacionados a la toma de decisiones gubernamentales en cuanto al ordenamiento y

8
Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia

9
planificación territorial. Por lo que se hace ineludible en la presente propuesta, hacer
públicos los resultados obtenidos a través de la modalidad de Datos Abiertos en la web.

De acuerdo a todas las problemáticas, se hace necesario que el municipio de Santa Cruz de
Mompós cuente con estudios detallados de riesgo por inundación, recalcando que este fue
declarado patrimonio cultural nacional por lo reglamentado en la Ley 163 de 1959 y
patrimonio de la humanidad por la Organización de las Naciones Unidas para la Educación,
la Ciencia y la Cultura en el año 2005 (Del Castillo, 2013). Estudios trascendentales para
edificarse como la columna vertebral en la formulación de políticas públicas y planes
efectivos de ordenamiento territorial, toma de decisiones y prevención de desastres
naturales. Dándole a estos un valor agregado al compartirlos a través de la Web de manera
gratuita, lo que según (Euscátegui, 2011) se debe a su carácter integral en relación a todos
los sectores económicos y líneas de exploración, al constituirse como pesquisa base, con el
objetivo de brindar a las entidades gubernamentales un escenario geográfico de referencia
que les permitirá intervenir durante la atención de la emergencia y en todas las fases de
Gestión del Riesgo.

A partir de esta perspectiva, la siguiente propuesta pretende resolver la siguiente pregunta

de investigación:

¿Cómo con la aplicación de procesamiento digital de imágenes y uso de herramientas SIG,

se pueden definir zonas susceptibles a fenómenos naturales de inundación del municipio de
Santa Cruz de Mompós?

OBJETIVOS

OBJETIVO GENERAL

Generar un mapa de áreas de amenaza por inundación para el municipio de Mompós

(Bolívar) a partir del procesamiento digital de imágenes satelitales y herramientas SIG, y su
posterior publicación en la web como datos abiertos, con el fin de construir un aporte a la
toma de decisiones para la planificación del territorio y la prevención de desastres
naturales.

OBJETIVOS ESPECÍFICOS

10
 • Construir un modelo hidrológico con base en las variables geográficas y físicas de
la cuenca influyente (Directos Bajo Magdalena, entre el Plato y el Banco) de la zona
de estudio, para hallar el parámetro con mayor influencia en la determinación del
grado de amenaza por inundación.
• Elaborar un mapa de amenaza por inundación (baja, media y alta) para el municipio
de Mompós (Bolívar), a partir de procesos espaciales, un modelo de decisión
multicriterio y operaciones de algebra de mapas, dentro de un SIG.
• Analizar la eficiencia de la metodología aplicada para obtener zonas susceptibles de
inundación en el municipio en cuestión.
• Dar a conocer la información resultante mediante su publicación en la web como
datos abiertos espaciales, teniendo en cuenta los principios que rigen los datos
abiertos, manifestados dentro de la Carta Internacional de Datos Abiertos.

MARCO TEÓRICO CONCEPTUAL

TIPOS DE INUNDACIONES EN COLOMBIA

El Sistema de Gestión Nacional de Riesgo de Desastres a través del plan sectorial de

contingencia frente a la segunda temporada de lluvias y posible fenómeno de la Niña 2016-
2018, define a la inundación como “la acumulación temporal de agua fuera de los cauces y
áreas de reserva hídrica de las redes de drenaje (naturales y construidas), estas se presentan
debido a que los cauces de escorrentía superan la capacidad de retención e infiltración del
suelo y/o la capacidad de transporte de los canales. Las inundaciones son eventos propios y
periódicos de la dinámica natural de las cuencas hidrográficas” (Sistema Nacional de
Gestión del Riesgo de Desastres-MINTIC, 2016).

La Cartilla Básica de Sistemas de Alertas Tempranas (SAT), desarrollada por el Fondo de

Prevención y Atención de Emergencias FOPAE en el año 2011 (Fondo de Prevención y
Atención de Emergencias, 2017), estructura los conceptos de tipo de inundación de la
siguiente manera:

11
 • Por desbordamiento: Es la consecuencia del exceso de lluvias la que genera
aumento brusco del volumen de agua que supera la capacidad de transporte de
un cauce durante la creciente.
• Por encharcamiento: Producida por la acumulación de agua lluvia en un
determinado lugar o área geográfica que presenta dificultades de drenaje bien
sea por colmatación o fallas del sistema de alcantarillado. Esta inundación no
coincide necesariamente con el desbordamiento de un cuerpo de agua que
ocurre por la concentración de un elevado volumen de lluvia en un tiempo muy
breve o por una lluvia moderada y constante durante un largo tiempo.
• Por reflujo: Se presenta cuando la elevación del nivel del agua en la entrega de
un cuerpo de agua, produce el remanso o reflujo de aguas limitando el drenaje
(en general retorno de aguas de alcantarillas y desagües).
• Por rompimiento de jarillones o presas: Ocurre cuando se presenta la falla de
alguna de estas estructuras y el agua contenida por ellas pasa a ocupar sus zonas
de influencia.
• Por marejadas: Es la que se presenta en las zonas costeras por el ascenso del
nivel del mar, el cual puede ser por marejadas las cuales se originan por efectos
de la atracción lunar y vientos fuertes de origen hidrometereológico.
CARACTERÍSTICAS DE LA CUENCA COMO DETONANTE EN LA
ESTIMACIÓN DE LA AMENAZA DE INUNDACIONES

Anexamente a la información de las precipitaciones presentadas en un área

específica, coexisten otros factores que definen los caudales que se esperan en una parte
puntual o tramo de la cuenca, la infiltración y el aporte de corrientes subsuperficiales y de
aguas subterráneas.

Con respecto a las inundaciones lentas, por las propiedades que posee Colombia, al ser un
país, con una valiosa fortaleza hídrica, en épocas invernales se ostenta abundancia de
pluviosidad, la cual produce una alta amenaza de inundación, por la combinación y
presencia de los siguientes eventos: caudal precipitado, alto nivel de intervención de ríos y
quebradas, constante injerencia del ser humano sobre las zonas de conservación y
protección de fuentes hídricas, cimentación de obras lineales que afectan la zona del cauce,

12
reducción de la zonas de humedales, entre otras. Y para las inundaciones súbitas se
encuentran tres acontecimientos anexos a los anteriores, que dificultan su análisis y tiempo
de respuesta a la emergencia en comparación con las inundaciones lentas, están
corresponden a las actividades de deforestación de la cuenca, el continuo desarrollo
urbanístico y la condición geográfica de ladera en sus tres franjas definidas (González,
2014).

METODOLOGÍAS PARA EL ANÁLISIS DE AMENAZA POR INUNDACIÓN

Según una investigación realizada por la Universidad Nacional de Colombia,

titulado “Criterios metodológicos mínimos para la elaboración e interpretación cartográfica
de zonificaciones de amenaza por inundaciones fluviales para el territorio colombiano con
una aplicación práctica de dos áreas piloto” (Universidad Nacional de Colombia, Sede
MEdellín, 2010) se enfatizan y parafrasean a continuación, cinco métodos para la
evaluación de amenaza por inundación:

• Históricos: los métodos históricos utilizan marcas y placas sobre elementos

artificiales (edificaciones, vías de comunicación, obras públicas, etc.) o naturales
(rocas y árboles) ) a lo largo de las márgenes de los ríos, documentación histórica
(manuscritos e impresos de archivos, bibliotecas y hemerotecas), y testimonios
orales o audiovisuales (fotografías, dibujos, cartografía histórica, etc.), para
reconstruir la extensión cubierta o la cota alcanzada por las aguas durante una
crecida desencadenada en el período histórico.
• Paleohídricos: partiendo de la definición de los métodos paleohídricos, cualquier
análisis y fuente de eventos hidrológicos pasados (registros de aforos, inundaciones
históricas, datos dendrogeomorfológicos y liquenométricos, etc.), puede
considerarse como parte del método. Sin embargo, la literatura científica restringe
los métodos paleohídricos solamente a los provenientes de registros geológicos o
sedimentológicos. Los métodos paleohídricos utilizan los registros geológicos para
determinar depósitos o marcas de inundaciones anteriores de las cuales no se tiene
información histórica, a partir de elementos datables mediante técnicas
paleontológicas, dendrocronológicas, radiométricas o arqueológicas. Al tener

13
 información datable, puede asignarse una probabilidad de ocurrencia para los
eventos.
• Geológicos y geomorfológicos: los métodos geológicos y geomorfológicos utilizan
la tipología de las formas del terreno y los depósitos generados a partir de eventos
de inundaciones para delimitar las áreas geomorfológicamente activas dentro del
cauce fluvial, su frecuencia cualitativa de inundación, e incluso inferir órdenes de
magnitud de parámetros como la profundidad, velocidad de la corriente o carga
sólida transportada. Es importante mencionar que estas técnicas están cobrando
fuerza a lo largo del mundo al ser las únicas que consideran fenómenos naturales
difícilmente modelables con otras técnicas como las migraciones del canal o el
transporte de sólidos, y además tienen en cuenta las tendencias evolutivas naturales
del sistema fluvial.
• Hidrológicos e Hidráulicos: Los métodos hidrológicos e hidráulicos proponen,
respectivamente, estimar los caudales generados en una cuenca o corriente y
calcular las velocidades y niveles con los que circularían por un determinado tramo
fluvial. Los métodos hidrológicos encuentran los valores máximos de los caudales
para diferentes periodos de retorno, ya sea por medio del análisis estadístico de
información histórica de caudales o por medio de caudales obtenidos a partir de
modelos hidrometeorológicos que relacionan precipitación y escorrentía. Los
métodos hidráulicos parten de diferentes hipótesis, simplificaciones o
aproximaciones al flujo del agua para poder hacer uso de las ecuaciones físicas que
lo modelan esto permite estimar diferentes parámetros (profundidad, velocidad,
energía) que permiten definir el grado de amenaza. Estos métodos son los más
recomendados para determinar amenaza por inundación fluvial ya que tienen en
cuenta los procesos físicos que generan la inundación y además permiten asociar un
valor de período de retorno a la inundación.
• Asistidos por Sensores Remotos: una de las principales aplicaciones de los sensores
remotos es la de inspeccionar cuerpos de agua, debido a las características
radiactivas que posee el agua. La radiación reflejada por suelos húmedos es menor,
facilitando la delimitación de áreas inundadas. Para zonas donde se tienen imágenes
satelitales constantes, las imágenes se convierten en una evidencia fuerte de la

14
 amenaza. A partir de una caracterización simple de las mismas, se pueden delimitar
las zonas cubiertas por la inundación. De acuerdo con la forma en la que se define la
amenaza es necesario también definir frecuencia del evento. Es acá donde la
presente metodología puede tener problemas. Debido a que las imágenes
provenientes de satélites son una fuente de información relativamente nueva, no se
tiene información suficiente para poder determinar eventos con períodos de retorno
significativos, por lo que pierden su confiabilidad en la definición de la amenaza.
Para poder asociar una frecuencia de ocurrencia al evento es necesario tener
información de los caudales. Teniendo información de caudales, el evento se asocia
a un caudal con cierta frecuencia de ocurrencia pudiendo así determinar la amenaza.

ESTADÍSTICA ESPACIAL

Es considerada como la unión de técnicas adecuadas, implementadas para el estudio

de datos que hacen referencia a la medición de variables aleatorias en diferentes
ubicaciones del espacio, es decir, está ciencia se enfoca en el análisis de construcciones de
un procedimiento estocástico, que tiene lugar en un espacio euclidiano dimensional
específico (Giraldo, 2003). Para el presente estudio, el área de la estadística espacial
utilizada, corresponde a la geoestadística, la cual tiene como objeto principal, conseguir una
interpolación espacial, que en este caso, corresponde a la variable precipitación, la cual
posee la característica trascendental de ser continua en el espacio.

El primer paso para realizar un análisis geoestadístico, consiste en establecer la

dependencia espacial entre la información tomada de una variable, procedimiento que se
conoce como análisis estructural; para ello, en este caso en particular, fue utilizada la
función de semivariograma experimental, la cual se construye a partir de las distancias y el
número de parejas separadas por “x” distancia, teniendo como base, la premisa de que a
menor distancia entre las localizaciones, mayor correlación espacial existirá entre las
observaciones; como este cálculo solo se realiza para ciertas distancias en particular, se
hace necesario encontrar un modelo de ajuste, que generalice dicho semivariograma
experimental para cualquier distancia (Giraldo, 2003).

Una vez construido el semivariograma experimental y aplicado a este el mejor modelo

teórico, y a su vez el mejor método de ajuste; se procede a realizar la estimación espacial, la

15
cual se da, a partir del método conocido como kriging, el cual se fundamenta en la
minimización del error cuadrático medio de predicción. Para la representación final de la
predicción de la variable de precipitación, se optó por elaborar un mapa de contorno, en el
cual se elabora un enmallado del área objeto de estudio, y se realiza la predicción en cada
uno de sus nodos, que posteriormente se unirá con las predicciones que posean el mismo
valor, obteniendo así las isolíneas de distribución, consiguiendo de esta manera, identificar
el valor de precipitación, en toda la zona de estudio.

COBERTURAS DE LA TIERRA

La cobertura de la tierra, se define “…como la unidad delimitante que surge a partir

de un análisis de respuestas espectrales determinadas a partir de sus características
fisionómicas y ambientales, diferenciables con respecto a la unidad próxima.” (IDEAM,
s.f.). Por medio de estas unidades se pueden clasificar la totalidad de la superficie de la
tierra.

Sistema de clasificación Corine Land Cover adaptado para Colombia

El 27 de junio de 1985, de acuerdo a una medida del Consejo de ministros de la

Unión Europea, inicia “Un proyecto experimental para la recopilación de datos, la
coordinación y homogeneización de la información sobre el estado del Medio Ambiente y
los recursos naturales en la comunidad”, llamado Programa CORINE (Coordination of
Information of the Environment). (Arozarena Villar & del Bosque González, 2001)

El proyecto CORINE Land Cover (CLC) hace parte del programa CORINE, del cual es
responsable desde 1995 la Agencia Europea del Medio Ambiente (AEMA), cuyo objetivo
fundamental (de CLC) es la captura de datos numéricos y geográficos para conformar una
base de datos a escala 1:100.000 de cobertura/uso del territorio, y su actualización
constante. (Arozarena Villar & del Bosque González, 2001)

Esta metodología permite describir, clasificar y comparar las características de la superficie

de la tierra, interpretadas a partir del uso de imágenes satelitales para la elaboración de
mapas de cobertura a diversas escalas. (IDEAM, s.f.).

Actualmente, para la clasificación de coberturas de la tierra, en Colombia para cualquier

zona es posible usar la metodología CLC, gracias al proceso de adaptación y
16
estandarización a nivel nacional de esta metodología y de la leyenda de coberturas
terrestres de Colombia. Con este proceso se suple la necesidad que existía de unificar la
información existente y métodos aplicados. (IDEAM, s.f.) De esta manera está la
posibilidad de utilizarse como punto de partida para la toma de decisiones, además del
mejoramiento en la planeación y ordenamiento territorial necesario en el país y como uno
de los más recientes resultados de los procesos nombrados se tiene (IDEAM, 2010)

Imágenes satélite Landsat 8 usadas para la clasificación de coberturas

Landsat es el más amplio conjunto de datos terrestres de sensores remotos de

moderada resolución, basada en el espacio, a lo largo de cuatro décadas. El proyecto
Landsat es una iniciativa conjunta entre el Servicio Geológico de los Estados Unidos
(USGS, por sus iniciales en inglés) y la NASA, con el que mediante sus datos se apoya a
diferentes comunidades (gubernamentales, comerciales, industriales, civiles, militares y
educativas) a nivel mundial (USGS, s.f.).

El primer satélite del programa, Landsat 1, fue lanzado el 7 de marzo de 1972,

proporcionando una nueva percepción del planeta, debido a una resolución temporal y
espectral desconocida hasta ese momento. Estos satélites tienen sensores para la
teledetección, diseñados con el objetivo de obtener datos de los recursos terrestres. La serie
de satélites Landsat que se conocen son del 1 al 8, dando una de las mejores series
históricas del planeta y su evolución. (Fernández & Herrero Llorente)

El satélite Landsat 8, misión que da continuidad a los datos del programa, fue lanzado el 11
de febrero de 2013, y sus datos están disponibles a partir del 30 de mayo de 2013. Este
satélite cumple con la adquisición de datos de alta calidad, cumpliendo con los requisitos
científicos y operacionales propuestos por la NASA y el USGS. (USGS, s.f.)

Son diversas las fuentes de información usadas para la clasificación digital de imágenes,
pero se destacan las imágenes satelitales Landsat, teniendo en cuenta sus objetivos de
cartografiar y evaluar recursos naturales (Arango Gutiérrez, Branch Bedoya, & Botero
Férnandez, 2005). Por esto, la imagen adquirida para generar la variable de coberturas de la
tierra del municipio de Mompós, fue del satélite Landsat 8. Por lo que a continuación se

17
presenta información general, de interés, tanto del satélite como de las diferentes bandas
que conforman una imagen:

Tabla 1 Bandas Satélite Landsat 8 (OLI – TIRS)

LONGITUD DE ONDA RESOLUCIÓN

BANDAS
(Micrómetros) ESPACIAL (Metros)
Banda 1 Aerosol Costero 0.435-0.451 30
Banda 2 Azul 0.452-0.512 30
Banda 3 Verde 0.533-0.59 30
Banda 4 Rojo 0.636-0.673 30
Banda 5 Infrarrojo Cercano (NIR) 0.851-0.879 30
Banda 6 SWIR 1 1.566-1.651 30
Banda 7 SWIR 2 2.107-2.294 30
Banda 8 Pancromático 0.503-0.676 30
Banda 9 Cirrus 1.363-1.384 30
Banda 10 Infrarrojo Térmico (TIRS 1) 10.60-11.19 100
Banda 11 Infrarrojo Térmico (TIRS 2 ) 11.50-12.51 100
Fuente: Autores. Datos tomados de (USGS, 2014)

El satélite Landsat 8 está compuesto por dos sensores, Operational Land Imager (OLI) y
Thermal Infrared Sensor (TIRS), OLI genera hasta la novena banda incluyendo la
pancromática y el TIRS genera las bandas 10 y 11. Estos dos sensores son instrumentos de
barrido (whisk-broom). (USGS, 2016)

Tabla 2 Características del Satélite Landsat 8 (OLI – TIRS)

Fecha de Operación Febrero 11 de 2013-Presente

Orbita Helio sincrónica
Inclinación 98.2°
Altura 705 Km

Periodo orbital 98.9 minutos

Tamaño de imagen 170 x 183 Km

Resolución Radiométrica 16 bits
Resolución Temporal 16 días
Fuente: Autores. Datos tomados de: (USGS, s.f.)

Clasificación digital supervisada

18
 La clasificación digital de una imagen se refiere a extraer información de la misma,
mediante un software especializado, con el fin de agruparla y definir unas clases o
coberturas existentes en un territorio en concreto (Chuvieco, 1995). Existen dos tipos de
clasificación, dependiendo de la relación entre el analista (usuario) y el software en el
momento de realizar el procedimiento (ESRI, s.f.).

La elección del método depende de los datos y medios disponibles, y de las preferencias
personales (Chuvieco, 1995), por esto se realiza en esta sección del proyecto una
clasificación supervisada, con el fin de obtener una nueva imagen de las coberturas de la
tierra de la zona de interés.

La clasificación supervisada se basa en la interpretación del usuario quien define unas

zonas de entrenamiento sobre la imagen. Por medio de estas se entrena el software en el
reconocimiento de las distintas clases (coberturas) que se encuentran el sitio y componen la
leyenda, es decir, el software se encarga de obtener los niveles digitales9 que definen cada
clase, para posteriormente clasificar o asignar a los pixeles restantes de la imagen en una de
las clases (Chuvieco, 1995).

PROCESO ANÁLITICO JERÁRQUICO (AHP) APLICADO A LOS

SISTEMAS DE INFORMACIÓN GEOGRAFICA

El Proceso Analítico Jerárquico es uno de los métodos de análisis multicriterio,

procesos destinados a la toma de decisiones multidimensionales y creación de modelos de
evaluación (Pinzón Ospina, 2015). Con estos métodos es posible elegir entre un conjunto
de alternativas posibles, optimizar con diferentes funciones objeto simultáneas y un agente
decisor (usuario), y finalmente realizar procedimientos de evaluación racionales y
consistentes (Avila, 2000).

El método AHP fue planteado por el matemático Thomas L. Saaty a finales de los años
70´s, y consiste en establecer un modelo jerárquico para comprender problemas complejos,
el cual contiene tres niveles esencialmente: objetivo, criterios y alternativa. Este permite
asignar valores numéricos (pesos) a cada criterio, haciendo posible medir la contribución de
cada elemento de la jerarquía al nivel superior del que se desprende (Avila, 2000).
9
Al realizarse la calibración radiométrica de la imagen multiespectral los niveles digitales se convirtieron en
valores de reflectancia.

19
Hoy en día, se encuentran diferentes investigaciones y desarrollos con el fin de integrar
estos modelos de evaluación multicriterio con los sistemas de información geográfica,
convirtiéndose en una herramienta frecuente para la toma de decisiones a nivel territorial.
Tal es el caso de (Youssef, 2011), estudio cuyo objetivo es el mapeo de riesgos de
inundación en la ciudad de Najran City, del Reino de Arbia Saudi (KSA).

Al adaptar el método AHP al objetivo específico de este proyecto, se desarrolla con ayuda
de herramientas SIG, proceso posible de desarrollar luego de una investigación para la
definición de los niveles del modelo, en donde hay que tener en cuenta la importancia de la
elección de los criterios, ya que el resultado final tiene la posibilidad de variar
considerablemente dependiendo de los subcriterios y/o variables incluidas, además de las
nociones y nivel de conocimiento que tenga el usuario con respecto al estudio en desarrollo.

Asimismo, dentro de este modelo es necesario aplicar una estandarización, porque los
criterios y subcriterios tenidos en cuenta están expresados en diferentes unidades de
medida, diferentes rangos y la posibilidad de variadas interpretaciones de acuerdo a la
representatividad o adecuación del objetivo concreto (De Cos Guerra).

DATOS ABIERTOS EN LA WEB

Según la Carta Internacional de Datos Abiertos, se define a los datos abiertos como
“datos digitales que son puestos a disposición con las características técnicas y jurídicas
necesarias para que puedan ser usados, reutilizados y redistribuidos libremente por
cualquier persona, en cualquier momento y en cualquier lugar”, por lo que en la actualidad
se consideran como uno de los medios para realizar un cambio a nivel mundial, haciendo
uso de la tecnología y los medios digitales. (MINTIC, 2016)

En cuanto al cambio, se refiere a que los datos abiertos permiten una interoperabilidad entre
gobiernos, ciudadanos y organizaciones de los sectores públicos y privados. Su importancia
yace en su relación con factores estipulados y explicados dentro de (MINTIC, 2016), como
son la transparencia y control social, el empoderamiento, la posibilidad de innovación y ser
una herramienta en la toma de decisiones.

20
Al mismo tiempo, en Colombia la Ley 1712 de 2014 (Ley de Transparencia y Acceso a la
Información)10, define a los datos abiertos como “todos aquellos datos primarios o sin
procesar, que se encuentran en formatos estándar e interoperables que facilitan su acceso y
reutilización, los cuales están bajo la custodia de las entidades públicas o privadas que
cumplen con funciones públicas y que son puestos a disposición de cualquier ciudadano, de
forma libre y sin restricciones, con el fin de que terceros puedan reutilizarlos y crear
servicios derivados de los mismos”.

En palabras más simples, el objetivo de los datos abiertos es que cualquier persona o
entidad pueda acceder a ellos libremente, usarlos, transformarlos, modificarlos y/o
analizarlos, generando nueva información y conocimiento, y así se pueda mejorar el
bienestar de la población desde los ámbitos sociales, económicos y jurídicos,
principalmente.

En la actualidad los diferentes actores de la sociedad mundial se interesan cada vez en este
tema, y el medio en el que se interactúa es la web, en donde por su fácil accesibilidad se
han desarrollado diferentes mecanismos como los portales web expuestos en el numeral
3.3.1. del presente documento.

Carta Internacional de Datos Abiertos11

La Carta de Datos Abiertos (Open Data Charter), según la información disponible

en su página web, se fundó en el año 2015, mediante la cooperación entre gobiernos y
expertos, los cuales se reunieron y concertaron seis principios sobre cómo los gobiernos
deberían publicar información.

Estos seis principios acordados para el acceso, publicación y uso de los datos abiertos, son:

1. Abiertos por defecto

2. Oportunos y exhaustivos
3. Accesibles y utilizables
4. Comparables e interoperables
5. Para mejorar la gobernanza y la participación ciudadana

10
Ley 1712 de 2014. Literal J, artículo 6: Definiciones
11
Disponible en: http://opendatacharter.net/ Consultado en marzo de 2017

21
 6. Para el desarrollo incluyente y la innovación
Con estos principios se pretende poder tener una pauta en el manejo de los datos abiertos,
para aquellos gobiernos que decidan acogerse, y el objetivo en general de la Carta es la
integración cultural y la práctica de la apertura de los gobiernos para ser resistentes a los
cambios políticos, aparte de tener en cuenta la demanda de los usuarios de esta
información.

Desde octubre de 2016, la carta ha sido adoptada por 44 gobiernos, 16 naciones y 28

ciudades, municipios o departamentos.

METODOLOGÍA Y DATOS

DIAGRAMA

Ilustración 1. Diagrama Metodológico. Fuente: Elaboración propia

Mediante la Ilustración 1, se da una vista general de los procesos más importantes tenidos
en cuenta en el desarrollo de este proyecto, los cuales se exponen en las siguientes
secciones.

22
 ÁREA DE ESTUDIO

El estudio se basa especialmente en la cabecera urbana principal del municipio de

Santa Cruz de Mompós, ubicado en la depresión Momposina del departamento de Bolívar,
que según el Plan de Desarrollo Departamental 2012-2015 del mismo, ha sido clasificada
como una región de amenaza, vulnerabilidad y factor de riesgo alto para el fenómeno de
inundaciones (Gobernación de Bolivar, 2012). Limita con los municipios de Pinillos y San
Fernando. Tiene una extensión total de 645 km2 de los cuales 21.7 km2 pertenecen a la zona
urbana. El municipio se ubica en la latitud 9° 14’22” N y longitud 74° 25’30” O, a 33
msnm, con una temperatura media de 31°C. (Alcandía de Santa Cruz de Mompós, Bolívar,
s.f.)

En las siguientes imágenes se puede observar los mapas de ubicación tanto del
departamento de Bolívar (Ilustración 2) como del Municipio de Mompós (Ilustración 3).

Ilustración 2. Ubicación del departamento de Bolívar, Colombia. Fuente: A partir de Datos: (Sigot,
Geoportal DANE)

23
 Ilustración 3. Ubicación del municipio de Mompós, Bolívar. Fuente: A partir de Datos: (Sigot,
Geoportal DANE)

SOFTWARE

ERDAS IMAGINE: Este software se utilizará para la visualización, observación y

procesamiento digital de la imagen satelital.
ArcGIS: Es el software principal para el desarrollo del estudio, se utilizará para la
obtención y manejo de las imágenes en formato raster, que representan cada uno de
los factores determinantes en el evento de inundación, la elaboración del modelo
hidrológico, y la obtención de los mapas y salidas graficas resultantes.
R Studio: A través de sus librerías espaciales, se realiza el análisis estadístico y la
interpolación espacial, de la variable precipitación.

DATOS E INSUMOS

Para la ejecución del proyecto se requiere de un conjunto de mapas e información

cartográfica básica del área definida anteriormente, teniendo en cuenta el objetivo principal
del estudio y su trascendencia. La información esencial para la producción de una base de

24
datos geográfica idónea para la identificación de áreas vulnerables a inundaciones, se
considera a continuación:

Zonificación hidrográfica

La cuenca hidrográfica que drena el territorio de Mompós, se conoció a partir de la

información dispuesta por el IDEAM en la página oficial del Sistema de Información
Ambiental Colombiano12, correspondiente a un archivo en formato shapefile con la
estructura de la zonificación hidrográfica de todo el país, hasta el nivel jerárquico número
3, denominado subzona hidrográfica, que se define como una cuenca que deposita sus
aguas a una zona hidrográfica (segundo nivel jerárquico), la cual es la congregación de
diferentes cuencas que se exteriorizan como un subsistema hídrico con características de
relieve y drenaje uniforme, y sus aguas se adjudican mediante un afluente principal, hacia
el mayor nivel jerárquico, correspondiente a las áreas hidrográficas (IDEAM, 2013).

Así se identificaron los diferentes niveles categóricos, clasificando la zona de estudio de la

siguiente manera:

I. Código Área Hidrográfica: Magdalena Cauca (2)

II. Código Zona Hidrográfica: Bajo Magdalena (9)
III. Código Subzona hidrográfica: Directos Bajo Magdalena entre el Banco y el Plato
(07)
Codificación de la subzona hidrográfica: 2907

Esta subzona hidrográfica hace parte de los departamentos de Magdalena, Cesar y Bolívar y
abarca un área aproximada de 7006 kilómetros cuadrados, se delimita espacialmente como
se exhibe a continuación.

12
Disponible en: http://www.siac.gov.co/ Consultado en julio de 2017

25
 Ilustración 4. Subzona Hidrográfica objeto de estudio. Fuente: A partir de Datos tomados de (IDEAM, 2013)

Modelo digital de elevación (DEM)

Se utilizaron ocho Modelos Digitales de Elevación, para modelar y delimitar la subcuenca

hidrográfica - Directos Bajo Magdalena entre el Banco y el Plato. Estos fueron obtenidos a
partir de la página oficial Alaska Satellite Facility (UAF), la cual tiene como misión dar
acceso a diferentes datos de teledetección de alta calidad en forma eficaz, apoyándose en
las robustas bases de datos de la Agencia Estadounidense del Espacio y la Aeronautica
(NASA).

Los productos utilizados son adquiridos a través del sensor ALOS PALSAR RTC13
(radiométricamente corregidos en terreno) el cual corrige la geometría del radar de apertura
sintética (SAR) y su radiometría. En este caso se descargaron los paquetes de alta
resolución (8) que cubrían el área total de la cuenca, los cuales contienen DEM’s con
resolución espacial de 12,5 metros en el formato raster GeoTiff.

13
Disponible en https://www.asf.alaska.edu/sar-data/palsar/terrain-corrected-rtc/ Consultado en julio de 2017

26
La Tabla 3 y la Ilustración 5 muestran las características básicas de los productos utilizados
para el presente estudio, y su distribución espacial.

Tabla 3. Información de los DEM’s usados.

Características DEM 1 DEM 2 DEM 3 DEM 4 DEM 5 DEM 6 DEM 7 DEM 8

Fecha de Adquisición 2011/02/15 2011/03/16 2011/02/27
Modo de Haz FBS
Path 145 144 143
Frame 170 160 180 170 160 180 170 160
Ascendiendo/
Ascendente
Descendiendo
Polarización HH
Ángulo de Nadir 34.3°
Rotación Faraday 1.62° 1.61° 4.37° 4.39° 4.41° 2.43° 2.48° 2.52°
Órbita absoluta 26958 27381 27133
Frecuencia L-Band
Fuente: Datos tomados de (UAF, 2017).

Ilustración 5. Distribución de los DEM´s en la zona de estudio. Fuente: A partir de Datos tomados de (IDEAM, 2013).

27
 Precipitación

Se recopiló la información de precipitación mensual a nivel anual, seleccionando 22

estaciones hidrológicas instaladas por el Instituto de Hidrología Meteorología y Estudios
Ambientales (IDEAM), usando como parámetros de elección su ubicación sobre/alrededor
de unidades hidrográficas de Nivel I que drenan el municipio de Mompós (3), la periocidad
de sus registros y su funcionamiento en la actualidad. Las particularidades de código, tipo,
nombre de la estación, años de registro, municipio y localización se presentan en la
siguiente tabla, seguido de una ilustración que contiene su ubicación geográfica.
Tabla 4. Información base de las estaciones hidrológicas de interés.

FECHA DE LOCALIZACIÓN
CÓDIGO TIPO NOMBRE MUNICIPIO
INICIO COORD X COORD Y
25020880 PM Barranco De Loma 15/09/1974 Barranco De Loma 996365.617 1481119.239
25020890 PM Chilloa 15/09/1974 Margarita 984123.278 1500225.610
25020900 PM San Sebastián 15/01/1974 San Sebastián 969415.698 1512898.348
25021020 PM Tierra Grata 15/05/1974 Santa Bárbara 927333.155 1535383.155
25021030 PM San Zenón 15/05/1974 San Zenón 953361.568 1514419.616
25021040 PM Menchiquejo 15/09/1974 El Banco 1003658.117 1507817.305
25021090 PM Santa Rosa 15/10/1974 San Fernando 974014.654 1497349.111
25021180 PM Santa Cruz 15/03/1974 Mompós 932787.093 1495738.194
25021200 PM Los Negritos 15/07/1974 El Banco 999787.079 1489967.186
25021270 PM Candelaria 15/10/1976 Mompós 950743.034 1495128.249
25021280 PM Conyogal 15/03/1979 Magangué 952225.655 1483543.670
25021290 PM El Jolón 15/10/1976 San Fernando 963572.029 1498248.264
25021300 PM El Limón 15/10/1976 Cicuco 937493.783 1517360.556
25021310 PM El Pozón 15/10/1976 Hatillo De Loba 963898.227 1487494.840
25021330 PM Guaymaral 15/10/1976 Mompós 941084.434 1499829.831
25021340 PM La Esperanza 15/09/1958 Cicuco 927630.043 1514643.050
25021350 PM Mompós 15/10/1976 Mompós 960658.387 1516101.411
25021380 PM San Roque 15/05/1980 El Banco 991664.036 1494945.134
25021510 PM Barbosa 15/10/1976 Magangué 938518.908 1489553.394
25021540 PM Las Aguadas 15/11/1978 Hatillo De Loba 1002475.235 1481948.660
25025180 CO San Benito Abad 15/11/1973 San Benito Abad 893690.552 1505287.156
25025210 CO Pinillos 15/05/1974 Pinillos 958175.877 1477238.817
NOTA PM: Pluviométrica
CO: Climatológica ordinaria
Fuente: Datos tomados de (IDEAM, 2017).

28
Ilustración 6. Ubicación de las estaciones hidrometerológicas utilizadas. Fuente: A partir de Datos tomados de (IDEAM,
2017).

Mapa Geológico de Colombia

El mapa geológico colombiano, referente al año 2015, fue obtenido del Geoportal
del Servicio Geológico14, información almacena en una geodatabase con datos de tipo
vector (formato shapefile) y conformado por variables como la geomorfología.

Estos datos fueron usados como parámetros para establecer el coeficiente de escorrentía o
precipitación efectiva de las microsubcuencas influyentes en el municipio de interés.

14
Disponible en: http://geoportal.sgc.gov.co/geoportalsgc/ Consultado en julio de 2017

29
 Ilustración 7. Clasificación geológica, subzona hidrográfica de interés. Fuente: A partir de Datos tomados de (SGC,
2015)

Mapa de coberturas de la tierra de Colombia

La base de datos espaciales de coberturas de la tierra de Colombia (IDEAM, 2012),

del periodo 2005 – 2009, metodología CORINE Land Cover adaptada para Colombia
(escala 1:100.000), disponible en datos de tipo vector (formato shaphefile), fue usada como
información referencia en la clasificación supervisada de coberturas de la tierra en el área
de estudio, y en el cálculo de escorrentía mediante el método Curva Número (CN) de las
subcuentas influyentes en el municipio de interés.

30
Ilustración 8 Coberturas de la tierra Subcuencas del municipio de Mompós. Fuente: Datos tomados de: (IDEAM, 2012),
(IDEAM, 2013)

Imagen satelital Lansat 8

Luego de buscar una imagen del satélite Landsat 8 que cumpliera con los requisitos
necesarios, reciente y porcentaje de nubosidad menor al 20%, se obtiene a partir del portal
del USGS15. Imagen usada en la generación del mapa de coberturas de la tierra del
municipio de Mompós.
El porcentaje de nubosidad presente en la imagen (9,38%) se encuentra en su mayoría en la
parte inferior, por lo que en la zona de interés (municipio de Mompós) está totalmente
despejado (Ilustración 9), cumpliendo totalmente los requisitos de selección.

Los datos descargados son un archivo comprimido, conformado por las once imágenes
correspondientes a cada banda espectral, el archivo del metadato (MTL.txt) y la imagen de
la banda de calidad (BQA.TIF). Y para facilidad de manejo de la información se crea una
sola imagen multiespectral, conformada por la unión de las diez bandas multiespectrales,

15
Disponible en: http://earthexplorer.usgs.gov/ Consultado en junio de 2017

31
agregadas en orden de longitud de onda (1, 2, 3, 4, 5, 9, 6, 7, 10 y 11), con ayuda del
software ERDAS IMAGINE.

Ilustración 9. Escena Original – Color Natural, con delimitación del municipio de Mompós. Fuente: Datos tomados de:
EarthExplorer, Sigot, Geoportal DANE

En la siguiente tabla se muestra las principales características de la imagen (escena)

original descargada:
Tabla 5. Características escena original

Programa LANSAT 8
Sensor OLI-TIRS
ID Escena LC80090542017016LGN00
Número de columnas 7.581
Número de filas 7.761
Número de píxeles 58836,141
Espacio en disco 1506,04 MB
Tamaño de píxel X 30 metros
Tamaño de píxel Y 30 metros
Resolución radiométrica 16 bits
Resolución espectral 10 bandas multiespectrales
Fecha de toma 17 de Enero de 2016
Proyección Universal Transversa de Mercator

32
 Elipsoide WGS84
Datum WGS84
Zona UTM 18
Path 9
Row 54
Nivel de procesamiento Corrección Estándar del Terreno L1T
Área total (ha) 5.295.252,69 Ha
Fuente: Datos tomados de: archivo metadato imagen

7.4.6.1. Datos de la imagen usados en la calibración radiométrica

Al aplicar los diferentes procesos de corrección radiométrica a la imagen, se necesitan

varios datos encontrados en el archivo metadato. Estos fueron usados en el modelo
realizado mediante la herramienta Model Maker del software ERDAS IMAGINE,
aplicando la fórmula de conversión de los valores de niveles digitales (ND) a valores físicos
como se explica más adelante en la obtención de la variable de coberturas de la tierra del
municipio de Mompós. Los datos son:

1. Según los metadatos de la imagen la distancia tierra - sol en unidades astronómicas de

la fecha de toma (Enero 16 de 2017), correspondiente al día dieciséis del año es:

Distancia tierra - sol (d) = 0,9837290

2. El ángulo solar zenit local se calcula restándole a noventa grados el ángulo de elevación
solar disponible en los metadatos:

Tabla 6. Ángulo de elevación solar y ángulo solar zenit local

SUN_ELEVATION (θ) 90 – θ RAD (90 - θ)

49,6082846 40,3917154 0,70496842
Fuente: Datos tomados de: archivo metadato imagen

3. También es necesario el uso de los siguientes datos variables en cada banda de la

imagen multiespectral:
4.

Tabla 7. Datos usados en el modelo de calibración radiométrica

ESUN λ
BANDA Gain(M) Bias(A)
W/(m2 µm)
2 0,013286 -66,43043 1970,41
3 0,012243 -61,21507 1912,35
4 0,010324 -51,62000 1549,23

33
 5 0,0063178 -31,58886 956,01
6 0,0015712 -7,85586 247,62
7 0,00052957 -2,64785 85,46
Fuente: Datos tomados de: archivo metadato imagen y (Lizarazo, 2015)

• Los valores de “Gain (M)” corresponden al factor multiplicativo de escalado por

banda y “Bias (A)” al factor aditivo de escalado, los cuales son obtenidos del
archivo metadato (.MTL) anexo a la escena original, se encuentran como
RADIANCE_MULT_BAND_X y RADIANCE_ADD_BAND_X, respectivamente,
siendo X el número de la banda.
• ESUN λ, hace referencia a la irradiancia solar en el tope de la atmosfera. (Lizarazo,
I. 2015).

OBTENCIÓN DE VARIABLES A UTILIZAR EN EL MODELO (FORMATO

RASTER)

Para obtener cada una de las variables a usar dentro del modelo AHP, es necesario la
aplicación de una metodología diferente, expuestas en los siguientes numerales.

Subdivisión de la subzona hidrográfica

Para obtener un análisis más detallado y de mayor precisión sobre el sistema hidrológico de
la cuenca Directos Bajo Magdalena entre el Banco y el Plato, se necesitan conocer los
siguientes tres niveles jerárquicos de la zonificación hidrográfica del territorio objeto de
estudio, estos son definidos oficialmente a partir del Plan de Ordenación y Manejo
Ambiental de la Cuenca, realizado por la Corporación Autónoma Regional que posea
jurisdicción sobre esta zona. Una vez realizada la solicitud formal de este documento a la
Corporación Autónoma Regional del Sur del Bolívar, se comunicó la no existencia de un
POMCA declarado para esta cuenca debido a las problemáticas legales surgidas, ya que
sobre ella poseen jurisdicción 3 corporaciones diferentes (Corporación Autonoma Regional
del Sur de Bolivar – CSB, Corporación Autonoma Regional del Magdalena –
CORPAMAG y la Corporación Autonóma Regional del Cesar – CORPOCESAR).

Para solucionar esta limitación, se optó por usar las herramientas espaciales hidrológicas
que posee el software ArcGis, usando como insumo fundamental los modelos digitales de
elevación descritos anteriormente. El procedimiento ejecutado, se describe a continuación:

34
 • Se unificaron los ocho DEM’s descargados y se realizó un mosaico en formato
raster con el contorno de la subcuenca hidrográfica.
• Se obtuvieron raster con la información base para un modelamiento hidrológico de
una cuenca como lo son: los sumideros, la dirección y acumulación del flujo.
• Para diferenciar cada una de las unidades hidrográficas de nivel I, II y III se fue
aumentando respectivamente la cantidad de drenajes de carácter relevante, para
modelar las corrientes de enlace y el orden de la cuenca, esto se ejecuta usando
como parámetro, el valor de pixel del raster correspondiente a la dirección del flujo,
a través de la herramienta raster calculator.
• Se realizó la codificación de cada entidad hidrográfica según su nivel jerárquico,
adoptando la metodología establecida por el IDEAM, la cual se esquematiza a
continuación.

Ilustración 10. Clasificación hidrográfica. Fuente: (IDEAM, 2013).

El orden en la categorización de los últimos 3 niveles16 puede darse mediante el punto de

desembocadura (denominado punto A en la Ilustración 11) en sentido de derecha a
izquierda, comenzando la asignación de códigos en forma sucesiva comenzando por 01,
hasta que se retorna al punto inicial, como se exhibe en la siguiente imagen:

16
Para simplificación, en el presente estudio las unidades hidrográficas del Nivel I se denominarán
subcuencas, las unidades hidrográficas del Nivel II se denominarán microcuencas; y por último, las unidades
hidrográficas de Nivel III serás asignadas como microsubcuencas.

35
 Ilustración 11. Representación de un ejemplo de codificación de las unidades hidrográficas. Fuente: (IDEAM, 2013)

La toponimia de cada entidad hidrográfica se asignó de acuerdo al nombre del cuerpo de

agua o corriente más distintiva, perteneciente a la región geográfica a la cual drenan las
aguas superficiales. Esta toponimia se acogió a partir de la base cartográfica del IGAC con
escala 1:25.000 y 1:100.00017, y la información de ríos de Colombia en formato shapefile
disponible en la página oficial del SIGOT18.

Precipitación efectiva

Para obtener la precipitación efectiva se utilizó el método mayormente empleado en las

diferentes investigaciones revisadas para el presente estudio, que tienen como objetivo
hallar este parámetro; este corresponde al método desarrollado por el Soil Conservation
Service (SCS) conocido como la Curva Número. “… en este método, la profundidad de
escorrentía es una función de la profundidad total de precipitación y de un parámetro de
abstracción referido al número de curva de escorrentía, denominado número de curva o CN.
El número de curva varía en un rango de 1 a 100, existiendo una función de las siguientes

17
Disponible en http://www.igac.gov.co/wps/portal/igac/raiz/iniciohome/MapasdeColombia/Descargas
Consultado en julio de 2017
18
Disponible en http://sigotn.igac.gov.co/sigotn/default.aspx Consultado en julio de 2017

36
propiedades productoras de escorrentía de la cuenca hidrográfica: (1) tipo de suelo
hidrológico, (2) utilización y tratamiento del suelo, (3) condiciones de la superficie del
terreno, y (4) condición de humedad antecedente del suelo.” (Unión Temporal AVR-CAR,
2015).

De acuerdo a este procedimiento, la escorrentía directa (Pe) o precipitación efectiva, se

deduce a través de la siguiente ecuación:

( − 0.2 )
= (1)
( + 0.8 )

Donde:
Pe: Escorrentía directa o precipitación efectiva, en milímetros.

P: Precipitación considerada, en milímetros.

S: Diferencia potencial máxima entre P y Pe a la hora que se inicia la tormenta y representa

proporcionalmente la pérdida de escorrentía por infiltración, intercepción y
almacenamiento superficial.

Las investigaciones experimentales elaboradas por el SCS, permitieron relacionar la

máxima infiltración potencial con una variable de referencia, designado número de curva,
CN, el cual se usa para obtener el factor s, mediante la siguiente ecuación.

25400
= − 254 (2)

El número de Curva se consigue mediante tablas que como se mencionó anteriormente se

basan en la identificación de los parámetros considerados por el CSC productores de
escorrentía en una cuenca hidrográfica (Garcia, 2014), descriptos y clasificados a
continuación.

A. Tipo de suelo hidrológico, estos se encuentran divididos, según la escorrentía

generada, de manera ascendente.

• Grupo A: Suelos con gran permeabilidad incluso entando saturados. Suelos

profundos, sueltos, con poca arcilla o limo y gran porcentaje de arena y/o grava.

37
 • Grupo B: Permeabilidad moderada. Son los terrenos arenosos menos profundos, los
franco-arenosos de profundidad media y los francos profundos.
• Grupo C: Suelos poco permeables al tener algún estrato impermeable o textura
arcillosa o franco-arcillosa.
• Grupo D: Muy impermeables, gran cantidad de arcillas.
Para la generación de esta variable como información raster, fue clasificado el atributo
denominado “Descripción” del parámetro geología en formato shapefile, teniendo en
cuenta la definición anterior de cada grupo, y la clasificación propuesta de grupos
hidrológicos, mostrada a continuación.

Tabla 8. Clasificación según tipo de suelo hidrológico.

Descripción Grupo
Aluviones y Coluviones actuales
Coluvial A
Conos de deyección
Arenas y margas
Calizas recristalizadas cremas
Calizas tableadas azules
Cuarcitas blancas, micaesquistos plateados y gneises albíticos B
Dolomías negras y calizas
Margas y areniscas
Terrazas
Areniscas rojas, filitas, cuarcitas y pizarras
Filitas, cuarcitas y calcoesquistos
Limos y arcillas rojas con episodios de caliche
Margas arenosas y margas
Marmoles calizos y dolomiticos C
Marmoles fajeados y mármoles blancos y crema
Micacitas con granates
Micaesquistos y cuarcitas
Yesos
Basaltos
Cuarcitas micáceas
Diabasas
D
Margas blancas
Margas grises
Pizarras micáceas y micacitas
Fuente: Datos tomados de: (Villegas, 2017)19

19
Disponible en http://www.aguaysig.com/2017/01/metodo-del-numero-de-curva-del-scs.html Consultado en
julio de 2017

38
 B. Uso y cobertura del Suelo, y sus condiciones.

Para la categorización de este parámetro, se utilizó la clasificación Corine Land Cover

realizada por el IDEAM, en donde se reclasificaron y definieron 8 clases, puntualizadas
para usos agrícolas, suburbanos y urbanos en el libro Hidrología Aplicada de Ven Te Chow
(Chow, Maidment, & Mays, 1988)

• Bosques con buena cobertura.

• Bosques con cobertura pobre.
• Vegas de río en condiciones óptimas.
• Cultivos con tratamiento de conservación.
• Cultivos sin tratamiento de conservación.
• Pastos en buena condición.
• Pastos en pobre condición.
• Zona urbana.
• Combinación de grupos hidrológicos y usos del suelo.
Como se mencionó en el numeral anterior, debido a las características del terreno y los
insumos a los que se pudo acceder, se decidió utilizar la tabla de asignación de numero de
curva basada en usos agrícolas, suburbanos y urbanos, establecida por Chow, la cual utiliza
la siguiente asignación de valores:

Tabla 9. Categorización de la Curva Número.

Grupo hidrológico
Tipo de Cobertura
A B C D
Sin tratamiento de conservación 72 81 88 91
Cultivos
Con tratamiento de conservación 62 71 78 81
Pobre condición 68 79 86 89
Pastos
Buena condición 39 61 74 80
Vegas de río en óptimas condiciones 30 58 71 78
Pobre cubierta 45 66 77 83
Bosques
Buena Cubierta 25 55 70 77
Zona Urbana 77 85 90 92
Fuente: Datos tomados de: (Villegas, 2017) (Chow, Maidment, & Mays, 1988).

Para la obtención del raster final con el valor de pixel según la clasificación anterior, se
asignó un valor numérico a cada una de las categorías de las dos variables (grupo
hidrológico y tipo de cobertura), las cuales se fusionaron a través de la herramienta raster
calculator de Arcgis, para obtener una única combinación, y así poder reclasificar ese raster

39
previo, con cada uno de los valores correspondientes de la tabla, para un mayor
entendimiento, se enseña un ejemplo a continuación:

• Al tipo de cobertura (tp) cultivos sin tratamiento de conservación se le asignó el

valor 4.
• Al tipo de Grupo Hidrológico (gh) A se le asignó el valor 1
• Operación en raster calculator (gh*1000)+tp
• Cuando se obtiene un valor de pixel de 1004, será reclasificado al valor 72,
correspondiente a la curva número asigando en la tabla, para esa combinación.

Una vez generado la información ráster de la curva número, la generación del factor S es
relativamente simple, implementando la ecuación (2), una vez más, en la herramienta
Raster Calculator. El paso a seguir para obtener la escorrentía directa de las subcuencas de
interés, consiste en construir un ráster que contenga la información de precipitación de la
zona.

Para el cálculo de la precipitación, la premisa se basó en seleccionar el peor escenario

climatológico, por esta razón se analizaron los datos de precipitación mensual de las 22
estaciones en el periodo de tiempo de 34 años (seleccionado así, por la disposición de los
registros), de 1982 a 2015, usando el promedio para definir que el mes donde la
precipitación es mayor, es octubre. De esta manera, los valores que se utilizaron para
realizar la interpolación espacial a lo largo de las subcuencas hidrográficas, serán los
valores medios del mes de octubre, de cada estación, en el periodo de tiempo anteriormente
mencionado, los cuales se evidencian en la siguiente tabla.

Tabla 10. Promedio de lluvias mensual anual en el mes de octubre para cada estación.

CÓDIGO ESTACIÓN VALOR

25020880 Barranco 374.828125
25020890 Chilloa 294.165625
25020900 San Sebastián 243.4545455
25021020 Tierra Grata 148.030303
25021030 San Zenón 259.469697
25021040 Menchiquelo 323.8852941
25021090 Santa Rosa 284.3212121
25021180 Santa Cruz 287.2
25021200 Negritos 404.1
25021270 Candelaria 276.0483871
25021280 Coyongal 349.8969697
25021290 Jolón 280.3939394

40
 25021300 Limón 212.2166667
25021310 Pozón 398.875
25021330 Guaymaral 255.0666667
25021340 Esperanza 207.2058824
25021350 Mompós 213.9636364
25021380 San Roque 348.8181818
25021510 Barbosa 348.330303
25021540 Aguadas 371.025
25025180 San Benito 203.678125
25025210 Pinillos 285.0225806
Fuente: Datos tomados de: (IDEAM, 2017).

El método elegido para conocer la precipitación media mensual anual de cada Nivel III de
unidades geográficas, es la estadística espacial, la cual hace parte de una familia de técnicas
denominadas kriging, su prelación sobre otros procedimientos determinísticos es la
apreciación de la varianza del error de predicción, lo cual permite construir intervalos de
confianza para el respectivo pronóstico; este se modeló, con la ayuda de librerías espaciales
de R estudio como geoR, gstat y raster. Aunque existen dos procedimientos diferentes para
realizar el krigeado, correspondiente a la estimación puntual (con las coordenadas del
centroide de las entidades de nivel III) y la construcción de un mapa de pronóstico, se optó
por esta última, ya que la cantidad de estaciones es muy baja, generando una limitación a
los resultados del primer método, mientras que se considera que obteniendo una gran
cantidad de valores de píxeles, adquiridos estos con una buena resolución espacial, se
producirá una mejor estimación para la variable de precipitación en cada microcuenca.

El primer paso consiste en realizar un análisis estadístico general a los datos existentes,
función as.geodata y plot.geodata. La primera, permite convertir los datos en un objeto de
la clase denominada “geodata” que está compuesta obligatoriamente por las coordenadas y
los datos; y la segunda permite obtener un gráfico de cuartiles, dos gráficos de la relación
de la variable a estudiar con las coordenadas, X y Y, respectivamente, y una gráfica
tridimensional con las ubicaciones espaciales, y los valores asociados a estas.

Como primer paso, se debe construir el semivariograma experimental, el cual es la función

elemental que representa la variabilidad espacial de un fenómeno de interés (Gallardo,
2006), en este caso se construyó un semivariograma clásico a través de la función variog,
de la librería geoR Pero, este semivariograma experimental conseguido, no es usado para
el proceso de interpolación, este debe ser ajustado a distintos modelos o curvas teóricas que

41
caracterizan y se asemejan al comportamiento de la variable estimada, utilizando como
base, los parámetros elementales, determinados de forma visual (pepita, rango y meseta),
con el fin de disminuir los errores en la estimación; siendo el modelo seleccionado la mejor
representación de las propiedades relevantes del semivariograma empírico.

La metodología utilizada para definir el mejor modelo, consistió en la aplicación de la

función denomina likfit (librería geoR) que utiliza el método de Maxima Verosimilitud para
ajustar una curva con respecto a cada uno de los 9 modelos teóricos empleados. Se
seleccionaron los 2 mejores modelos, con criterio visual, y así mismo se corroboró esta
elección a través del Criterio de Información de Akaike (AIC20) el cual es un estimador
muestral, que tiene como objeto maximizar el parámetro log-verosimilitud esperado de un
modelo, a través del método de máxima verosimilitud, lo que puede entenderse como la
aplicación del concepto de maximización de la entropía (Caballero, 2011), a partir de esta
noción, los mejores modelos serán los que posean un menor valor de AIC. A los 2 modelos
seleccionados, se les aplica 3 modelos de ajuste más (mínimos cuadrados ordinarios,
mínimos cuadrados ponderados y máxima verosimilitud restringida), para realizar una
nueva evaluación y comparación, y definir el modelo de semivariograma ajustado para
ejecutar la interpolación espacial.

Para finalizar, se genera una malla rectangular espacial con un espaciado cada 50 metros,
con cobertura sobre la zona de estudio, y se genera sobre ella un mapa de pronóstico de la
variable precipitación, a través de la función llamada “krige” de la librería gstat, ingresando
los parámetros fundamentales para obtener un kriging ordinario.

Pendientes

Para obtener el mapa de pendientes, el instrumento clave, es el modelo digital de elevación,

el cual a través de la herramienta llamada “Slope” del software ArcGis, se transforma de
manera sencilla en un ráster que contiene la información de las pendientes del terreno, en
grados.

Rugosidad

20
AIC, por sus siglas en inglés.

42
A partir de la bibliografía revisada para el presente estudio, se evidencia que el parámetro
más utilizado y conocido, para definir la variable de rugosidad, se denomina coeficiente de
Manning, el cual es el resultado de la acción concertada de una serie de propiedades que
determinan la rugosidad, como el material, el grado de irregularidad la variación de las
secciones transversales del canal, el efecto relativo de los obstáculos, la vegetación y el
grado de sinuosidad (Elkhrachy, 2015). Las diferentes metodologías precisadas para
construirlo, exigen la existencia del conocimiento profundo y trabajo de campo de la zona
objeto de estudio, limitación que fue solucionada con la utilización de una tabla elaborada
por Tumentsetseg Shaviraachin con el Instituto Internacional para la ciencia de la
geoinformación y la observación de la Tierra (Enschede, Holanda) en una de sus
investigaciones para simular inundaciones del suelo, la cual determina el coeficiente de
Manning a través del tipo de cobertura del suelo (Shaviraachin, 2005), la cual se muestra a
continuación.

Tabla 11. Coeficiente de Manning (Rugosidad), según el tipo de cobertura.

Cobertura del suelo Coeficiente de Rugosidad

Tierras desnudas (arena) 0,03
Urbanizaciones (Construcciones, casas y carreteras) 0,1
Tierras de cultivo (Cultivos y Pastos) 0,05
Agua (Cursos de agua y cuerpos de agua) 0,03
Humedales (Pantanos) 0,04
Bosques (Árboles, arbustos y matorrales) 0,07
Fuente: Datos tomados de: (Shaviraachin, 2005).

Coberturas de la tierra municipio de Mompós

Se decide generar un nuevo mapa de coberturas de la tierra, variable necesaria para el

modelo a realizar, específicamente para el municipio de Mompós, y así no usar como
información final la de (IDEAM, 2012). Esto tiene como fin obtener unos datos
actualizados, con lo cual se cree poder obtener un mejor resultado final.

43
 Ilustración 12. Metodología proceso de obtención mapa de coberturas de la tierra municipio Mompós. Fuente: Autores.

7.5.5.1. PREPARACIÓN

Luego de obtener la imagen satelital que cumpliera con los requisitos necesarios, se
procede a realizar el recorte de acuerdo a la zona de interés (municipio de Mompós), el cual
fue definido por un polígono (Ilustración 13), con lo que se obtiene una imagen de 1094
filas por 1454 columnas con un total de 1.590.676 píxeles, correspondiente a un área de
143.160,84 hectáreas.

44
 Ilustración 13. Recorte (Subescena) – Color Natural, con delimitación de municipios. Fuente: Datos tomados de:
EarthExplorer, Sigot, Geoportal DANE

Al llevar a cabo el corte de la imagen original, se tiene el área de trabajo necesario para
llevar a cabo la siguiente fase necesaria y así proceder a realizar la clasificación supervisada
de coberturas del municipio de Mompós. Proceso

7.5.5.2. PRE-PROCESAMIENTO

El pre-procesamiento consta de la calibración radiométrica de la subescena y la

determinación de las clases de interés (coberturas presentes en la zona de trabajo a
clasificar):

7.5.5.2.1. CALIBRACIÓN RADIOMÉTRICA

Las imágenes obtenidas de sensores remotos contienen alteraciones radiométricas y

geométricas, haciendo que características como el tono, posición, forma y tamaño de los
objetos no coincidan con la realidad, estas distorsiones se clasifican en cuatro tipos: 1)
Distorsiones originadas por la plataforma, 2) Distorsiones provocadas por la rotación

45
terrestre, 3) Distorsiones provocadas por el sensor y 4) Distorsiones provocadas por la
atmósfera. (Arango Gutiérrez, Branch Bedoya, & Botero Férnandez, 2005)

Las correcciones radiométricas, según (Chuvieco, 1995), son los métodos que se llevan a
cabo para modificar los ND originales a valores más cercanos en caso de que la imagen
fuera adquirida en una recepción ideal, y se incluye la conversión de ND a parámetros
físicos (radiancia y reflectividad) dentro de estas correcciones.

En el proceso de generar nueva información a partir de una imagen satelital es preferible

tener datos que representen magnitudes radiométricas, valores que representan las
coberturas, por lo que en esta sección se realiza a la subescesa las conversiones de ND a
radiancia espectral en el sensor y de radiancia en el sensor a reflectancia aparente. Esto se
realiza mediante el uso de las ecuaciones correspondientes a cada conversión, tomadas de
(Chander, Markham, & Helder, 2009), en un modelo realizado con la herramienta Model
Maker de ERDAS IMAGINE.

Para la conversión de ND a radiancia espectral en el sensor la ecuación corresponde a:

= ∗ + (3)

Donde, es la Radiancia Espectral de la Banda X (siendo X el número de la banda);

son los ND, refiriéndose a cada una de las bandas de la subescena; es el factor de
Radiancia Multiplicativa banda X; y es el factor de Radiancia Aditiva banda X.

Y para la conversión de radiancia espectral en el sensor a reflectancia en el techo de la

atmosfera, con corrección por ángulo solar, la ecuación es:

!∗ ∗ "
= = *+",- ./,0.+12 (4)
# $ ∗ Cos ()

Donde ! es igual a la constante matemática ~ 3,1416, " es la distancia Tierra – Sol, # $

es la Irradiancia solar en el tope de la atmosfera y () es el ángulo cenital solar en radianes.

Reemplazando (1) en (2), se obtiene la ecuación (5) aplicada en el modelo.

!∗( ∗ + )∗ "
= (5)
# $ ∗ Cos ()

46
El modelo se realiza con Model Maker, en donde se aplica la ecuación 5 para las bandas 2,
3, 4, 5, 6 y 7 de la subescena, utilizando los datos respectivos del numeral 7.4.6.1. Esta
ecuación es multiplicada por 100 para obtener resultados en porcentaje. Y al correr el
modelo, se obtiene una nueva imagen, que se convertirá en la imagen de trabajo de ahora en
adelante en la obtención de la variable de coberturas de la tierra del municipio de Mompós.

7.5.5.2.2. DETERMINACIÓN DE LAS COBERTURAS DE INTERÉS

Tomando como referencia la información de (IDEAM, 2012) disponible en datos de

tipo vector (formato shaphefile), con la cual se realiza un corte referente a la zona de
estudio, con ayuda del software ArcMap y su herramienta Clip, se tiene que las coberturas
presentes en el municipio de Mompós en el período 2005-2009 son:

• Tejido urbano continúo

• Aeropuertos
• Otros cultivos transitorios
• Pastos limpios
• Pastos arbolados
• Pastos enmalezados
• Mosaico de pastos y cultivos
• Mosaico de cultivos, pastos y espacios naturales
• Mosaico de pastos con espacios naturales
• Bosque denso
• Vegetación Secundaria o en transición
• Zonas arenosas naturales
• Zonas Pantanosas
• Vegetación acuática sobre cuerpos de agua
• Ríos (50 m)
• Lagunas, lagos y ciénagas naturales

47
 Ilustración 14. Coberturas de la tierra 2005 – 2009 municpio de Mompós. Fuente: Datos tomados de: EarthExplorer,
Sigot, Geoportal DANE, (IDEAM, 2012)

Además para la determinación de las clases de interés se usó del Catálogo de patrones de
coberturas de la tierra Colombia (IDEAM, 2012) y las Fichas técnicas de los patrones de las
coberturas de la tierra de la Amazonia colombina (SIAT-AC, 2009), documentos con los
cuales se realizó una revisión de la escena de trabajo, en diferentes combinaciones RGB
para así facilitar el análisis visual y poder reconocer las coberturas de la tierra existentes
dentro de la zona.

7.5.5.3. PROCESAMIENTO (CLASIFICACIÓN SUPERVISADA)

Con las coberturas o clases de interés determinadas, se realiza la determinación de las zonas
de entrenamiento teniendo en cuenta el análisis visual y los documentos nombrados
anteriormente, teniendo en cuenta el comportamiento o que identifica cada cobertura, como
el color según la combinación RGB y la textura.

Esta delimitación se hace básicamente ingresando muestras de entrenamiento de la imagen

de cada una de las clases de interés, con el fin de instruir el software (ERDAS IMAGINE).

48
Las muestras son creadas con la herramienta AOI y almacenadas con la herramienta
Signature Editor, además el número de muestras por cobertura fue de acuerdo a la
extensión de estas sobre la zona.

Al finalizar el muestreo, se procede a realizar el análisis de separabilidad espectral entre

clases de interés, mediante la aplicación del método numérico de Divergencia
Transformada, que se desarrolla a partir de la Divergencia entre clases (Dij).

1 :; :;
1 :; :;
34 = 56 78 3 − 49 8 3 − 4 9< + 56 =8 3 − 4 98>3 − >4 98>3 − >4 9 ? (6)
2 2
:BCD
A 34 = 2000 =1 − E ? (7)

Donde,

i , j : Firmas espectrales de dos clases

3 : Matriz de covarianza de la firma espectral i

>3 : Vector de valores medios de clases de la banda i

tr : Traza de la matriz
T: Transpuesta de la matriz

En la interpretación de los resultados de este criterio, entre mayor sea el valor obtenido,
mayor es la separabilidad entre clases (Lira, 2010). Los resultados varían entre 0 y 2000,
donde 2000 se interpreta como excelente separabilidad.

Luego de obtener el resultado del análisis de separabilidad, se analiza los resultados y se

decide si es apropiada o no. En caso que los valores sean apropiados se puede realizar la
clasificación o asignación de clases a cada píxel, de lo contrario se debe volver a realizar la
delimitación de las zonas de entrenamiento.

El proceso de clasificación o asignación de clases a cada píxel de la imagen es realizado por

el software, a partir de las zonas de entrenamiento y de la selección del algoritmo
supervisado que el usuario decida. En este caso se decide realizar el proceso de
clasificación supervisada mediante el algoritmo de Máxima Verosimilitud (Maximun
Likelihood), y el método no paramétrico de espacio característico.

49
El algoritmo de Máxima Verosimilitud, considera la distribución real de los niveles
digitales en una clase, asignando el píxel a aquella clase que maximice la función de
probabilidad (Chuvieco, 1995), es decir se le asigna a cada pixel de la imagen la clase con
la cual posee mayor probabilidad de pertenecer.

A la imagen obtenida (*.TIFF) de la clasificación digital de coberturas, se aplica un filtro

con el fin de eliminar el ruido, realizado con la función del vecino más cercano
(Neighborhood). Con este método cada pixel se analiza con sus píxeles vecinos. El número
y la ubicación de los pixeles vecinos se determinan por el tamaño y forma del filtro 3x3, y
la Definición de Función por mayoría, ignorando los valores en cero. A través de la
definición de la función por mayoría el píxel del centro se sustituye por el valor más común
de la imagen a filtrar (HEXAGON GEOSPATIAL, s.f.).

Es posible que el usuario edite manualmente la imagen obtenida de la clasificación, para

corregir errores identificados. Para esto se hace la creación de Áreas de Interés (AOI21)
sobre las zonas a modificar y a cada polígono creado de los píxeles mal asignados o
clasificados se les reasigna una clase de interés, correspondiente a la realidad.

7.5.5.4. POS-PROCESAMIENTO

Al obtener la nueva imagen luego de aplicar el filtro señalado, se debe realizar la

evaluación de exactitud temática. Para esto se usa de la imagen obtenida finalmente y datos
de referencia que permiten establecer las clases que realmente existen en el terreno de la
zona de estudio, como lo son la imagen de trabajo en la clasificación y el mapa de
coberturas de Colombia.

Esta evaluación de exactitud se realiza con la ayuda de la herramienta Accuracy Assessment

del software ERDAS IMAGINE. Mediante esta herramienta se da la opción de crear los
puntos muestra aleatorios, con un parámetro de distribución estratificado, 360 número de
puntos aleatorios a generar y 1024 ventanas de búsqueda.

El tipo de muestreo aleatorio determina un tamaño de muestra a cada clase o cobertura

clasificada, según su área, garantizando una estimación exacta para cada una de ellas. Se
excluye la clase de Bosque Denso, ya que su baja proporción con respeto al área de estudio

21
AOI, por sus siglas en inglés.

50
dificulta asignar un tamaño de muestra representativo y obtener un error estándar pequeño
(Ramírez, Ramírez, Galindo, & Espejo, 2014).

Luego de generar los puntos muestra, se pone la clase real que le corresponde a cada uno, y
es posible visualizar tanto la posición de cada punto, como la clase en la que fue
clasificada. Al terminar la revisión de todos los puntos, se genera el reporte que contiene la
matriz de error, la matriz de exactitud total la cual contiene el porcentaje de exactitud
general de la clasificación, y el índice Kappa.

El índice Kappa se basa en el total de puntos muestra para cada una de las clases
clasificadas (Jensen, 2005):

. ∑J3K; I44 − ∑J3K;(I3L . I +4 )

G= (8)
. − ∑J4K;(I3L . IL4 )

Donde, r es el número de filas en la matriz, I44 es el número de observaciones en el

elemento de la fila i y la columna i, I3 es el total de observaciones en la fila i, I3 es el total
de observaciones en la columna i y n es el número total de observaciones incluidas en la
matriz.

Al finalizar la evaluación de exactitud, en caso que sea apropiada la exactitud obtenida ya

se tendrá la variable de coberturas de la tierra del municipio de Mompós, de lo contrario
habrá que iniciar los procedimientos de la clasificación digital supervisada. Y para fines de
mostrar los resultados se realiza un mapa de coberturas del municipio de Mompós, en el
software ArcMap, en el que también se realiza un recorte de la imagen clasificada para
tener la zona específica de Mompós y se convierte a formato vector.

MODELO AHP

Este tipo de modelo plantea en primera instancia, descomponer el problema de decisión en

tres categorías interrelacionadas: la meta general, los criterios y los subcriterios. Al
descomponer el problema de decisión de este proyecto en estas categorías se construye una
distribución jerárquica, la cual se trata de la estructura base del modelo (Ospina, 2015).

A partir de la estructura, se plantea la matriz de comparación por pares de criterio (MCP),

la cual determina el nivel de relevancia de cada uno de los sub-criterios con respecto a los

51
demás, mediante la cuantificación o rating de importancia relativa entre estos, de la
siguiente manera:

• 1= “x” tiene la misma importancia que el subcriterio “y”

• 3= “x” es algo más importante que el subcriterio “y”
• 5= “x” es bastante más importante que el subcriterio “y”
• 7= “x” es mucho más importante que el subcriterio “y”
• 9= “x” es absolutamente más importante que el subcriterio “y”

Luego se debe calcular el vector propio de la matriz MCP, de acuerdo al procedimiento

instaurado por el modelo AHP, este cálculo, suministra el valor o peso que debe tener cada
uno de los subcriterios para la ponderación de la variable final, para su cálculo el paso a
seguir, es obtener la matriz normalizada de la matriz inicial, y en seguida se debe construir
el vector de prioridad para cada categoría, el cual se elabora obteniendo el promedio
aritmético de cada una de las filas de la matriz normalizada.

Para conocer la confiabilidad en este resultado, se hace necesario, calcular el cociente de

consistencia o proporción de consistencia (RC22), el cual es usado para definir si los pesos
generados son correctos o deben modificarse a partir de la matriz inicial. Este cociente fue
obtenido de la siguiente manera:

N
M = (9)
N

PQRS − .
N= (10)
.−1

Donde,

• CI, es el Índice de Consistencia

• IA, es Índice aleatorio, el cual para una matriz de 4*4 corresponde a 0.9, y

PQRS = T U506 U0.V06-+"0 W06 1+ /X-+ " U+"+ U01X-.+ ∗

T U506 " W6,06,"+" 56+./WX /50 (11)

22
RC, por sus siglas en inglés.

52
Por último, para efectuar esta ponderación, cada una de las cuatro variables generadas, debe
ser reclasificada a través de las nociones y conceptos de como detona o aporta cada una de
ellas al fenómeno de inundación23, a una escala numérica de 1 a 3, donde una clasificación
de 1 equivale a amenaza baja, 2 equivale a amenaza media y 3 equivale a amenaza alta.
Una vez realizada esta operación, se implementa la herramienta Weighted Overlay de
ArcGis, la cual permite efectuar una adición ponderada de capas geográficas en formato
raster.

PUBLICACIÓN DE RESULTADOS COMO DATOS ABIERTOS

Al obtener las posibles zonas en amenaza de inundación del municipio de Mompós, para
cumplir el último objetivo, se elaboró una página web, para exhibir el presente estudio, al
público interesado en la zonificación final de amenaza por inundación en el municipio de
Mompós o en la aplicación de la metodología utilizada; está fue realizada a través de
herramientas vanguardistas en esta temática como lo son el código HTML5, CCS3 y
JavaScript.

La página web se encuentra albergada en el hosting gratuito denominado 000webhost.

RESULTADOS

Los resultados obtenidos están divididos en cuatro fases, la primera fase es la obtención de
los sub-criterios en formato raster, necesarios para obtener los de la segunda fase, mediante
la implementación del modelo de decisión multicriterio AHP, y a partir de este modelo
integrado dentro de un SIG se halla las posibles zonas en amenaza de inundación del
municipio de Mompós (tercera fase). Finalmente se lleva a cabo la publicación de este
resultado final como datos abiertos en la web.

En seguida, se evidenciarán los resultados obtenidos en cada una de las operaciones

anteriormente mencionadas.

SUBCRITERIOS EN FORMATO RASTER

Subdivisión de la subzona hidrográfica

23
Esta reclasificación fue realizada a los raster una vez cortados, bajo el límite municipal de Mompós.

53
A partir de los procedimientos ejecutados en el software Arcgis, se obtuvieron 5
subcuencas hidrográficas, 31 microcuencas y 41 microsubcuencas, como se evidencia en la
siguiente ilustración:

Ilustración 15. Distribución de las subcuencas delimitadas en la zona de estudio (UH Nivel I).
Fuente: Elaboración propia. Datos tomados de (IDEAM, 2013)

Como se evidencia cartográficamente, que solo 3 de estas subcuencas hidrográficas drenan

el municipio de Mompós, se decide realizar la codificación y denominación solamente de

54
las microsubcuencas y microcuencas, pertenecientes a las subcuencas hidrográficas
identificadas con código 290702, 290703 y 290705. En las Tablas 12, 13 y 14 se
evidencian estos resultados.

Tabla 12. Codificación y definición de subcuencas hidrográficas.

NIVEL I UNIDADES HIDROGRÁFICAS

290702 Brazo Venecia

290703 Río Magdalena – Brazo de Mompós
290705 Brazo de Loba
Fuente: Elaboración propia. Datos tomados de: (IDEAM, 2013).

55
 Tabla 13. Codificación y definición de las microcuencas.

NIVEL II UNIDADES HIDROGRÁFICAS

Rió Magdalena-
29070201 Brazo Venecia 29070202 29070203 Brazo Chincagua
Brazo de Mompós I
Río Magdalena-
29070204 Bazo de Santa Lucía 29070301 29070302 Quebrada Culebra I
Brazo de Mompós II
Arroyo Santo
29070303 Quebrada Culebra II 29070304 Caño Mocho 29070305
Domingo
29070306 Arroyo El Ahorcado 29070307 Arroyo Verdum 29070308 Arroyo El Palmar I
29070309 Caño de Palma 29070310 Caño Rosario 29070311 Brazo de Mompós I
29070312 Caño Grande 29070313 Caño Potrero 29070314 Brazo de Mompós II
29070315 Quebrada Caíman 29070316 Arroyo El Palmar II 29070317 Caño Surraba
Río Magdalena-
29070318 Caño Guamal 29070319 Caño Guasimo 29070320
Brazo de Mompós III
Río Magdalena-Brazo
29070501 29070502 Caño El Limón 29070503 Caño La Fuente
Chicagua
Caño Mundo Al
29070504 Caño Isla Grande 29070505 29070506 Brazo Guayabal
Revés
29070507 Brazo La Victoria
Fuente: Elaboración propia. Datos tomados de: (IDEAM, 2013).

56
 Tabla 14. Codificación y definición de las microsubcuencas.

NIVEL II UNIDADES HIDROGRÁFICAS

Río Magdalena-Brazo
2907020101 Brazo Venecia 2907020102 Caño Piñas 2907020201
de Mompós I

2907020202 Sin Nombre I 2907020203 Caño Michichao 2907020301 Brazo Chicagua I

Río Magdalena-Brazo
2907020302 Brazo de Patico 2907020400 Brazo de Santa Lucía 2907030101
de Mompós II

Río Magdalena-
Quebrada
2907030102 2907030103 Brazo de Mompós 2907030200 Quebrada Culebra I
Chimicuipe
III

Quebrada Culebra Arroyo Santo

2907030300 2907030400 Caño Mocho 2907030500
II Domingo

Arroyo El
2907030600 2907030700 Arroyo Verdum 2907030800 Arroyo El Palmar I
Ahorcado

2907030900 Caño de Palma 2907031000 Caño Rosario 2907031100 Brazo de Mompós I

2907031200 Caño Grande 2907031300 Caño Potrero 2907031400 Brazo de Mompós II

57
 2907031500 Quebrada Caiman 2907031600 Arroyo El Palmar II 2907031700 Caño Surraba

2907031800 Caño Guamal 2907031900 Caño Guasimo 2907032000 Brazo de Mompós III

2907050101 Caño Guadual 2907050102 Caño Talaiguita 2907050103 Brazo de Loba

2907050104 Brazo Chicagua II 2907050105 Brazo Guayabal I 2907050200 Caño El Limón

2907050300 Caño La uente 2907050400 Caño Isla Grande 2907050500 Caño Mundo Al Revés

2907050600 Brazo Guayabal II 2907050700 Brazo La Victoria

Fuente: Elaboración propia. Datos tomados de: (IDEAM, 2013).

Calculo de la Precipitación Efectiva

Para el cálculo de este parámetro se hizo necesario usar las variables de cobertura del suelo,
grupos hidrológicos, precipitación, curva número y factor de escorrentía, cuyos resultados
se muestran en los siguientes numerales, finalizando con la obtención de la Precipitación
Efectiva.

8.1.2.1. Cobertura del suelo

Como se mencionó anteriormente, se clasificaron 8 coberturas diferentes para este

parámetro, en donde se observa que en la zona objeto de estudio predominan las vegas de
río en óptimas condiciones con un 42% aproximadamente, seguida de las dos clases de
cobertura de pastos, en buena condición con 31%, y pobre condición con 12,6%, mientras
que el resto de coberturas, los 2 tipos de bosque, los 2 tipos de cultivos, y la zona urbana, se
presenta en menor proporción, en un rango de 0 a 5%, como se evidencia en la siguiente
ilustración.

58
 Ilustración 16. Clasificación de la cobertura del suelo, parámetro de la Curva Número. Fuente: Datos tomados de
(IDEAM, 2012)

8.1.2.2. Grupos hidrológicos

Frente a este parámetro, en las subcuencas de interés, no aparece la clase D, es decir

aquellos suelos altamente impermeables; por el contrario, prima la categoría A, la cual
visualmente puede relacionarse con la supremacía de la cobertura de cuerpos de agua, y así
mismo se observa una correlación con la presencia de la clase B y C con las coberturas
vegetales. En la Ilustración 17 se representa la clasificación de grupos hidrológicos
obtenida.

59
 Ilustración 17. Clasificación de los grupos hidrológicos de la zona de interés. Fuente: Datos tomados de (SGC, 2015)

8.1.2.3. Precipitación

En seguida, se observa el análisis estadístico, que presenta la variable precipitación, aunque

visualmente parece evidenciar una tendencia espacial, principalmente de los datos con la
coordenada Y (recuadro parte superior derecha); lo cual fue solventado ajustando el
semivariograma experimental hasta la mitad de la distancia máxima; así mismo se denota
que los datos tienen un comportamiento cercano a lo que se denomina normalizado, lo que
lleva a deducir que no se le debe realizar ningún tratamiento previo a los datos.

60
 Ilustración 18. Distribución estadística y espacial de las variables.
Fuente: Elaboración propia en el software R Studio.
A continuación, se presenta el semivariograma experimental clásico obtenido, cuyos
parámetros visualmente seleccionados para construir los modelos teóricos son 10000 para
la meseta parcial y 80000 para el rango.

Ilustración 19. Semivariograma experimental obtenido en el software R Studio. Fuente: Elaboración propia.

Una vez aplicados los 9 modelos teóricos: exponencial, esférico, 2 tipos de matern, circular,
gaussiano, cubico y 2 tipos de power exponencial. Visualmente y a través del estimador
AIC se observa que los mejores modelos son el Gaussiano y el Power Exponencial
(Número 1).

61
 Tabla 15. Semivariogramas teóricos con su AIC respectivo.

Fuente: Elaboración propia. Software R Studio.

Ahora se proceden a evaluar los dos modelos teóricos preseleccionados con los 4 métodos
de ajuste (mínimos cuadrados ordinarios – MCO, mínimos cuadrados ponderados – M.C.P,
máxima verosimilitud y máxima verosimilitud restringida), en la parte izquierda se exhiben
los resultados del modelo gaussiano, y en la parte derecha los resultados del modelo power
exponencial.

Ilustración 20. Semivariogramas gaussiano (izquierda) y power exponencial (derecha) con sus respectivos modelos de
ajuste. Fuente: Elaboración propia. Software R Studio.

Tabla 16. Leyenda y simbología de semivariogramas obtenidos.

Color Modelo Teórico

Mínimos Cuadrados Ordinarios

62
 Máxima Verosimilitud Restringida

Mínimos Cuadrados Ponderados

Máxima Verosimilitud
Fuente: Elaboración propia.

La forma de comparar estos 2 modelos teóricos previamente, es de forma visual, debido a

que es difícil hacer una comparación estadística entre los 4 modelos de ajuste, debido a que
su estructura matemática es diferente. Así concluye, a partir del modelo gaussiano, que el
mejor ajuste lo consiguen los modelos de ajuste máxima verosimilitud restringida y
mínimos cuadrados ponderado, y en el modelo power exponencial los modelos mínimos
cuadrados ordinarios y mínimos cuadrados ponderados. En la siguiente figura, se hace la
comparación final entre estas 4 funciones, para elegir aquel que se apegue más a las
propiedades elementales de la variable precipitación.
Tabla 17. Resultados gráficos de los mejores 4 modelos de ajuste.

Fuente: Elaboración propia. Software R Studio.

Como se observa visualmente, tanto para el modelo gaussiano como para el modelo power
exponencial, el mejor ajuste lo logra el método de mínimos cuadrados ponderados, lo que
facilita la decisión final ya que pueden compararse estadísticamente, seleccionando el
modelo gaussiano ya que la suma de sus cuadrados, asciende a 407812597, siendo menor al
valor del modelo power exponencial, correspondiente a 416048873.

63
A partir de los parámetros que arroja el mejor modelo ajustado con M.C.P., pepita =
1333.285, meseta parcial = 27439.105 y rango = 119134.293, se construye la interpolación
espacial, que arroja un intervalo entre 148 y 403 milimetros mensuales de precipitación
sobre las sucbuencas de interés, para el mes de octubre. Y evidencia una cantidad de lluvia
mayor en la zona sur de las subcuencas, donde existe mayor presencia de cuerpos de agua.
En la Ilustración 21 se denota el mapa de pronóstico obtenido.

Ilustración 21. Estimación espacial de la variable precipitación, en la zona de estudio. Fuente: Elaboración propia.

8.1.2.4. Curva número (CN) y factor de escorrentía (S)

Una vez construidos los insumos raster para aplicar la ecuación matemática del factor curva
número, se obtienen 22 valores diferentes de curva número para la zona de estudio, que
oscilan en un rango de 25 a 90 unidades, predominando los valores inferiores a 30, que
describen un suelo con altas tasas de infiltración, baja escorrentía superficial y escasa
erosión hídrica. Como se puede predecir de la fórmula del factor de escorrentía, se
adquieren también 22 valores, que varían en un rango de 28 a 762, donde predominan los
valores más altos, ya que este factor es inversamente proporcional a la CN. En la

64
Ilustración 22, y la Ilustración 23, se presentan los resultados obtenidos para la Curva
Número y el factor de escorrentía, respectivamente.

Ilustración 22. Distribución espacial del Valor de Curva Número.

Fuente: Elaboración propia. Datos tomados de (Chow, Maidment, & Mays, 1988).

65

Ilustración 23. Factor S calculado en el área de interés. Fuente: Elaboración Propia.

8.1.2.5. Precipitación Efectiva

A diferencia del raster previo del factor de precipitación, este raster final que muestra
aquella precipitación que no se suspende en la superficie y tampoco se infiltra en el suelo,
el cual presenta un contraste más marcado, donde se observa unos valores más bajos en la
parte suroccidente de las subcuencas de interés en comparación con la zona nororiente,
contraste que puede estar marcada por el Río Magdalena en la parte del Brazo de Mompós,
que así mismo delimita el departamento de Bolívar y Magdalena.

Ilustración 24. Resultados espaciales de precipitación efectiva. Fuente: Elaboración propia.

Pendientes

A partir del mapa de pendientes mostrado a continuación, se evidencia que la mayor parte
de la zona objeto de estudio es plana y ondulado, y en muy poca proporción, se encuentran
suelos quebrados o escarpados.

66
 Ilustración 25. Pendientes en grados, de la zona de interés. Fuente: Elaboración propia.

Rugosidad

67

Ilustración 26. Coeficiente de Manning, subcuencas objeto de estudio. Fuente: Elaboración propia.
En la Ilustración 26, se presenta el coeficiente de Manning (rugosidad), es decir, el grado
de resistencia, que ofrecen las paredes y el fondo del canal al flujo del fluido; a partir de
esta, se denota en la zona de interés, predomina coeficientes bajos, lo que se traduce en la
existencia un suelo compuesto por materiales finos, que genera una mayor facilidad en el
desplazamiento del agua.

Coberturas del suelo municipio de Mompós

Al aplicar la metodología expuesta en la Ilustración 12, en la página 44, se obtienen los

resultados expuestos a continuación.

8.1.5.1. Pre-Procesamiento

Al realizar la calibración radiométrica a la subescena (7.5.5.1.) se obtiene una

imagen con valores de reflectancia en el techo de la atmosfera (TOA24), cuyas estadísticas
por banda se encuentra a continuación. Según (Chuvieco, 1995) las medidas de tendencia
central dan una idea inicial sobre el comportamiento de las bandas y su homogeneidad.
Teniendo en cuenta que los valores de niveles digitales fueron transformados a valores en
porcentaje de reflectancia, y estos fueron escalados de 0 a 1, se muestra los resultados
obtenidos al respecto:

Tabla 18. Estadísticas Unibanda en valores de reflectancia TOA

BANDA 2 BANDA 3

24
TOA, por sus siglas en inglés.

68
 Modo pancromático banda 2
Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
Moda: 0,44141
Media: 0,448
Mediana: 0,44531
Desviación estándar: 0,020
Histograma banda 2
BANDA 4
Modo pancromático banda 4
Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
69
Modo pancromático banda 3
Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
Moda: 0,42188
Media: 0,413
Mediana: 0,41797
Desviación estándar: 0,031
Histograma banda 3
BANDA 5
Modo pancromático banda 5
Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
Moda: 0,30859 Moda: 0,19531
Media: 0,323 Media: 0,498
Mediana: 0,3125 Mediana: 0,53125
Desviación estándar: 0,031 Desviación estándar: 0,160

Histograma banda 4 Histograma banda 5

BANDA 6 BANDA 7

Modo pancromático banda 6 Modo pancromático banda 7

Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
Moda: 0,14453
Media: 0,275
Mediana: 0,28516
Desviación estándar: 0,075
Estadísticas Descriptivas
Reflectancia mínima: 0
Reflectancia máxima: 1
Moda: 0,14453
Media: 0,205
Mediana: 0,20313
Desviación estándar: 0,041

70
 Histograma banda 6 Histograma banda 7
Fuente: Elaboración propia con datos de metadatos de la imagen calibrada

Los anteriores datos estadísticos muestran que para todas las bandas los valores de
reflectancia van de 0 a 1, es decir de 0 a 100%. La banda 5 presenta la desviación estándar
más alta que explica una dispersión de los datos mayor que en las demás bandas, y la más
baja es de la banda 2 dando a entender que los valores de luz reflejados no están muy lejos
de la media, estos valores se demuestran en los histogramas respectivos.

Al obtener la imagen con valores de reflectancia, con los cuales se puede identificar con
mayor facilidad las coberturas presentes en la zona, se puede seguir con la determinación
de las clases o coberturas de interés.

Teniéndose en cuenta las coberturas presentes en la Ilustración 14, se agregó como clase de
interés la cobertura de Tierras desnudas y degradas, encontrada en el análisis visual
realizado a la imagen de trabajo, y se quitó la de Aeropuerto, ya que es una cobertura que
tiene un comportamiento que se puede confundir con otras como Tejido Urbano Continuo y
Tierras desnudas y degradas, además ocupa un área mínima dentro de la zona de estudio.

Finalmente, se definieron las siguientes once clases de interés a usar en la clasificación

supervisada:

71
 Tabla 19. Coberturas o clases de interés

TEJIDO URBANO CONTINUO

ID 1.1.1.
Descripción “Son espacios conformados por edificaciones y los espacios
adyacentes a la infraestructura edificada. Las edificaciones, vías y
superficies cubiertas artificialmente cubren más de 80% de la
superficie del terreno. La vegetación y el suelo desnudo representan
una baja proporción del área del tejido urbano. La superficie de la
unidad debe ser superior a cinco hectáreas.” (IDEAM, 2010)
Muestra Visual

RGB 543 RGB 564

Color: Presenta color azul muy claro a cyan en una combinación RGB 564 y en una
combinación RGB 543 tiene un color cyan claro a intenso. (SIAT-AC, 2009)
PASTOS ENMALEZADOS
ID 2.3.2.
Descripción “Son las coberturas representadas por tierras con pastos y malezas
conformando asociaciones de vegetación secundaria, debido
principalmente a la realización de escasas prácticas de manejo o la
ocurrencia de procesos de abandono. En general, la altura de la
vegetación secundaria es menor a 1,5 m” (IDEAM, 2010)
Muestra Visual

72
 RGB 564
Color: Presenta color rosado claro a naranja claro con matices de color verde en una
combinación RGB 564. “La variación del color indica aumento en el contenido de
humedad y en la actividad fotosintética”. (SIAT-AC, 2009)
MOSAICO DE PASTOS Y CULTIVOS
ID 2.4.2.
Descripción “Comprende las tierras ocupadas por pastos y cultivos, en los cuales
el tamaño de las parcelas es muy pequeño (inferior a 25 ha) y el
patrón de distribución de los lotes es demasiado intrincado para
representarlos cartográficamente de manera individual.” (IDEAM,
2010)
Muestra Visual

RGB 654
Color: “En una combinación RGB 654 los suelos en preparación se observan de color
osado intenso, los cultivos de color verde claro oscuro y los pastos de color rosada a
naranja claro”. (SIAT-AC, 2009)
MOSAICO DE CULTIVOS, PASTOS Y ESPACIOS NATURALES
ID 2.4.3.
Descripción “Comprende superficies ocupadas por cultivos y pastos en
combinación con coberturas naturales. Las áreas de cultivos y pastos
ocupan entre el 30 % y el 70 % de la superficie total de la unidad. Los
espacios naturales están conformados por las áreas ocupadas por
relictos de bosque natural, arbustales, bosque de galería o riparios,
vegetación secundaria o en transición, pantanos u otras áreas no
intervenidas o poco transformadas, que debido a limitaciones de uso,
o por sus características biofísicas permanecen en estado natural o

73
 casi natural.” (SIAT-AC, 2009)

Muestra Visual

RGB 564 RGB 654

Color: Esta cobertura presenta una mixtura de colores naranja claro a intenso, verde
claro y marrón, correspondientes a los cultivos en diferentes estados fenológicos, pastos
y espacios naturales, en una combinación RGB 564. También se pueden observar en una
combinación RGB 654 cultivos de color verde claro a verde manzana, pastos de color
rosado y los espacios naturales verde oscuro. (SIAT-AC, 2009)
BOSQUE DENSO
ID 3.1.1.
Descripción “Cobertura constituida por una comunidad vegetal dominada
por elementos típicamente arbóreos, los cuales forman un
estrato de copas (dosel) más o menos continuo cuya área de
cobertura arbórea representa más de 70% del área total de la
unidad, y con altura del dosel superior a cinco metros. Estas
formaciones vegetales no han sido intervenidas o su
intervención ha sido selectiva y no ha alterado su estructura
original y las características funcionales” Además incluye las
coberturas de Bosque denso alto de tierra firme, bosque denso
alto inundable, bosque denso bajo de tierra firme y bosque
denso bajo inundable. (IDEAM, 2010)

74
Muestra Visual

RGB 543
Color: Esta cobertura en una combinación 543 se puede ver de color rojo – magenta
intenso, con matices de colores verde, violeta. (SIAT-AC, 2009)
TIERRAS DESNUDAS Y DEGRADADAS
ID 3.3.3.
Descripción “Esta cobertura corresponde a las superficies de terreno desprovistas
de vegetación o con escasa cobertura vegetal, debido a la ocurrencia
de procesos tanto naturales como antrópicos de erosión y
degradación extrema y/o condiciones climáticas extremas. Se
incluyen las áreas donde se presentan tierras salinizadas, en proceso
de desertificación o con intensos procesos de erosión que pueden
llegar hasta la formación de cárcavas.” (IDEAM, 2010)
Muestra Visual

RGB 465
Color: Presenta un color amarillo claro a amarillo intenso en una combinación RBG 465
(SIAT-AC, 2009)
ZONAS PANTANOSAS
ID 4.1.1.

75
Descripción “Esta cobertura comprende las tierras bajas, que generalmente
permanecen inundadas durante la mayor parte del año, pueden estar
constituidas por zonas de divagación de cursos de agua, llanuras de
inundación, antiguas vegas de divagación y depresiones naturales
donde la capa freática aflora de manera permanente o estacional.
Comprenden hondonadas donde se recogen y naturalmente se
detienen las aguas, con fondos más o menos cenagosos. Dentro de
los pantanos se pueden encontrar cuerpos de agua, algunos con
cobertura parcial de vegetación acuática, con tamaño menor a 25 ha,
y que en total representan menos de 30% del área total del pantano.
(IDEAM, 2010)
Muestra Visual

RGB 547
Color: Presenta un color verde intenso con matices y parches de color rosado a rojo
claro en una combinación RBG 547 (SIAT-AC, 2009)
VEGETACIÓN ACUÁTICA SOBRE CUERPOS DE AGUA
ID 4.1.3.
Descripción “Bajo esta categoría se clasifica toda aquella vegetación flotante que
se encuentra establecida sobre cuerpos de agua, recubriéndolos en
forma parcial o total. Comprende vegetación biotipológicamente
clasificada como Pleustophyta, Rizophyta y Haptophyta.
En Colombia, esta cobertura se encuentra asociada con lagos y
lagunas andinos en proceso de eutrofización y en las zonas bajas
asociada con cuerpos de agua localizados en las planicies de
inundación o desborde.” (IDEAM, 2010)

76
Muestra Visual

RGB 564
Color: Se observa en la zona de estudio esta cobertura con un color naranja intenso, con
matices verde y naranja claro.
RÍOS
ID 5.1.1.
Descripción “Un río es una corriente natural de agua que fluye con continuidad,
posee un caudal considerable y desemboca en el mar, en un lago o
en otro río. Se considera como unidad mínima cartografiable
aquellos ríos que presenten un ancho del cauce mayor o igual a 50
metros.” (IDEAM, 2010)
Muestra Visual

RGB 457
Color: Se observa de color rojo oscuro en una combinación RGB 457.
LAGUNAS, LAGOS Y CIÉNAGAS NATURALES
ID 5.1.2.
Descripción “Un río es una corriente natural de agua que fluye con continuidad,

77
 posee un caudal considerable y desemboca en el mar, en un lago o
en otro río. Se considera como unidad mínima cartografiable
aquellos ríos que presenten un ancho del cauce mayor o igual a 50
metros.” (IDEAM, 2010)
Muestra Visual

RGB 564
Color: Se identifica de color azul oscuro, debido al contenido de partículas en
suspensión, y de color negro, el cual indica menor carga de partículas, en una
combinación RGB 547. (SIAT-AC, 2009)
Fuente: Elaboración propia con datos de (IDEAM, 2010), (SIAT-AC, 2009)

8.1.5.2. Procesamiento

Con ayuda de los documentos ya descritos en la metodología y el análisis visual

realizado en la determinación de las clases de interés, se logró identificar un número de
muestras suficiente de diferentes tamaños para cada una de las once coberturas. En las
siguientes imágenes se muestra algunos de los polígonos que fueron usados como zonas de
entrenamiento, usando variadas combinaciones RGB para facilitar la diferenciación de
clases de interés y lograr la separabilidad apropiada entre estas:

Tabla 20. Muestras Áreas de entrenamiento

78
 Tejido Urbano Continuo (RGB 457) Ríos (RGB 457)

Zonas Pantanosas (RGB 547) Pastos Enmalezados (RGB 564)

Lagunas, lagos y ciénagas naturales (RGB 543) Tierras desnudas y degradadas (RGB 463)

Bosque Denso (RGB 543) Mosaico de pastos, cultivos y espacios naturales (RGB
543)
Fuente: Elaboración propia

79
 Tabla 21. Muestras áreas de entrenamiento (continuación)

Mosaico de pastos y cultivos (RGB 654) Vegetación Acuática sobre cuerpos de agua (RGB 564)

Pastos Limpios (RGB 543)

Fuente: Elaboración propia

Por otro lado, se obtiene los valores de separabilidad entre clases de acuerdo al muestreo
realizado para las zonas de entrenamiento. A partir del cálculo de la divergencia
transformada, se obtiene la matriz de grado de separabilidad (Tabla 22) entre clases.

Inicialmente se había determinado doce coberturas de interés, pero luego de obtener los
resultados del grado de separabilidad se hizo unas modificaciones. Siguiendo el diagrama
de la metodología (Ilustración 12) en caso que la separabilidad no sea apropiada se debe
redefinir las clases de interés y volver a hacer la delimitación de las zonas de
entrenamiento. Es por esto que de esas doce coberturas no se incluyó la de Aeropuerto por
las razones ya expuestas en la sección 8.1.5.1., se realizó el muestreo de Tierras desnudas y
degradas con mayor minuciosidad porque al detallar las muestras anteriores se encontraron
muchos píxeles que no correspondían a esta cobertura y, se quitó la cobertura de Mosaico
de pastos con espacios naturales y se agregó la de Mosaico de pastos, cultivos y espacios
naturales.

80
En este primer análisis de separabilidad el grado de separabilidad entre Mosaico de pastos
con espacios naturales, y Mosaico de pastos y cultivos, era el más bajo (1163) por lo que se
decide replantear el muestreo realizado para la primera cobertura, agregándose más
muestras, eliminar la clase y agregar la nueva cobertura de Mosaico de pastos, cultivos y
espacios naturales.

Luego de realizar las modificaciones pertinentes se obtiene la nueva matriz de grado de

separabilidad para el muestreo de las finales coberturas de interés.

Tabla 22. Matriz Grado de Separabilidad entre clases.

Separabilidad
2 3 4 5 6 7 8 9 10 11
1 2000 2000 1978 1883 2000 2000 2000 2000 1946 2000
2 2000 2000 2000 2000 2000 2000 2000 2000 2000
3 2000 2000 2000 2000 2000 2000 2000 2000
4 2000 2000 1927 2000 1992 2000 2000
5 2000 1838 2000 2000 1991 2000
6 2000 2000 2000 2000 2000
7 2000 1835 2000 2000
8 2000 2000 2000
9 2000 2000
10 1997
Fuente: Elaboración propia, con datos del Informe de Separabilidad – ERDAS IMAGINE

Tabla 23. Codificación clases de interés en muestreo

No. Clase / Cobertura

1 Lagos, launas y ciénagas naturales
2 Ríos
3 Zonas Pantanosas
4 Pastos Enmalezados
5 Pastos Limpios
6 Bosque Denso
7 Mosaico de pastos y cultivos
8 Vegetación acuática sobre cuerpos de agua
9 Mosaico de pastos, cultivos y espacios naturales
10 Tierras Desnudas y Degradas
11 Tejido Urbano Continuo
Fuente: Elaboración propia

Teniendo en cuenta los valores pueden variar entre 0 y 2000, donde 2000 se interpreta
como excelente separabilidad, se puede decir que la separabilidad entre clases es apropiada,

81
el menor valor es de 1835 y aun así este se puede considerar como un aceptable grado de
separabilidad. Este valor de 1835 entre la clase 7 y 9, es entendible ya que los valores de
reflectancia tienden a ser similares porque tienen en común los pastos y cultivos, aun
presentando un patrón diferente espacial y visualmente, los valores físicos son parecidos.

Con estos nuevos resultados se finaliza otra etapa del procesamiento y se procede a realizar
la clasificación o asignación de clases a cada píxel de la imagen mediante la aplicación del
algoritmo de Máxima Probabilidad.

Bosque Denso
Pastos Enmalezados
Pastos Limpios
Ríos
Mosaico de pastos y cultivos
Tierras Desnudas y Degradadas
Zonas Pantanosas
Mosaico de pastos, cultivos y espacios naturales
Tejido Urbano Continuo
Lagos, lagunas y ciénagas naturales
Vegetación Acuática sobre cuerpos de agua

Ilustración 28. Imagen resultado de la clasificación de clases a cada píxel. Fuente: Elaboración propia

Posterior a la clasificación, se aplicó a la anterior imagen el filtro Función del vecino más
cercano por mayoría (ignorando ceros), definiendo un umbral de 3x3 píxeles. Así se logra
obtener la imagen final de la clasificación digital, donde se encuentran algunos errores,
tales como: Tierras desnudas y degradadas clasificadas como Mosaico de pastos y cultivos;
Ríos clasificados como zonas pantanosas; Zonas pantanosas clasificadas como Mosaico de
pastos y cultivos; y Lagos, lagunas y ciénagas naturales, como ríos o zonas pantanosas. A
pesar de estos errores se decide no realizar una edición sino proseguir con la evaluación de
exactitud porque las áreas con errores no son significativas.

82
 Bosque Denso
Pastos Enmalezados
Pastos Limpios
Ríos
Mosaico de pastos y cultivos
Tierras Desnudas y Degradadas
Zonas Pantanosas
Mosaico de pastos, cultivos y espacios naturales
Tejido Urbano Continuo
Lagos, lagunas y ciénagas naturales
Vegetación Acuática sobre cuerpos de agua

Ilustración 29. Imagen clasificada con filtro. Fuente: Elaboración propia

El área de la imagen clasificada a cada cobertura es el siguiente:

Tabla 24. Área clasificada a cada cobertura

Cobertura Área (Ha)

Bosque denso 39,06
Mosaico de cultivos, pastos y espacios naturales 263,43
Tierras desnudas y degradadas 790,83
Pastos enmalezados 1095,12
Vegetación acuática sobre cuerpos de agua 218,32
Pastos limpios 2344,59
Ríos 3771,54
Tejido urbano continuo 4948,47
Lagos, lagunas y ciénagas naturales 32716,3
Zonas Pantanosas 44535,2
Mosaico de pastos y cultivos 50317,7
Fuente: Elaboración propia

8.1.5.3. Post-Procesamiento

Se obtiene el reporte de exactitud temática, conformado por la matriz de error, la

matriz de exactitud total y el índice Kappa.

83
 Tabla 25. Matriz de error
Mosaico de Vegetación
Patos Mosaico Tierras Tejido Lagos, lagunas
Clase Terreno/Clase Pastos Zonas pastos, cultivos Acuática sobre TOTAL
Enmalez Ríos de pastos Desnudas y Urbano y ciénagas
Clasificicación Limpios Pantanosas y espacios cuerpos de COLUMNAS
ados y cultivos Degradadas Cotinuo naturales
naturales agua
Patos Enmalezados 3 0 0 0 0 0 0 0 0 0 3
Pastos Limpios 0 6 0 0 0 0 0 0 0 0 6
Ríos 0 0 10 0 0 0 0 0 0 0 10
Mosaico de pastos y
2 0 0 88 1 35 1 0 0 0 127
cultivos
Tierras Desnudas y
0 0 0 0 2 0 0 0 0 0 2
Degradadas
Zonas Pantanosas 0 0 1 0 0 110 0 0 1 0 112
Mosaico de pastos,
cultivos y espacios 0 0 0 0 0 0 1 0 0 0 1
naturales
Tejido Urbano Cotinuo 0 0 0 3 1 2 0 6 0 0 12
Lagos, lagunas y
0 0 0 0 0 0 0 0 82 0 82
ciénagas naturales
Vegetación Acuática
0 0 0 0 0 0 0 0 0 5 5
sobre cuerpos de agua
TOTAL FILAS 5 6 11 91 4 147 2 6 83 5 360

Fuente: Elaboración propia con datos de reporte de exactitud temática ERDAS IMAGINE

Los valores de la matriz de error pueden ser verificados dentro de la matriz de exactitud
total, teniendo en cuenta que la Tabla 25 muestra en su diagonal el número de puntos
muestra clasificados correctamente en cada cobertura, el total de filas corresponde al total
de referencias (puntos muestra designados a cada cobertura en la evaluación de exactitud) y
el total de columnas al total de puntos clasificados por el software a cada cobertura.

Los errores cometidos en la clasificación se pueden explicar por la similitud entre firmas
espectrales presentes en las zonas de entrenamiento de cada cobertura, por ejemplo, los dos
puntos modelo clasificados en la cobertura de zonas pantanosas, correspondía uno a Ríos y
otro a Lagos, lagunas y ciénagas naturales, es decir se corrobora los errores expuestos en la
anterior sección.

Tabla 26. Matriz de exactitud total

Exactitud
Total de Total Clasificaciones Exactitud
Clase del
Referencias Clasificados Correctas del Usuario
Productor
Pastos enmalezados 5 3 3 60% 100%
Pastos limpios 6 6 6 100% 100%
Ríos 11 10 10 90,91% 100%
Mosaico de pastos y cultivos 91 127 88 96,70% 69,29%
Tierras desnudas y degradas 4 2 2 50% 100%
Zonas pantanosas 147 112 110 74,83% 98,21%
Mosaico de cultivos, pastos y
2 1 1 50% 100%
espacios naturales
Tejido urbano continuo 6 12 6 100% 50%

84
 Lagos, lagunas y ciénagas
83 82 82 98,80% 100%
naturales
Vegetación acuática sobre
5 5 5 100% 100%
cuerpos de agua
Total 360 360 313
% Clasificación Correcta 86,94%
Fuente: Elaboración propia con datos de reporte de exactitud temática ERDAS IMAGINE

Tabla 27. Índice Kappa

Clase Kappa
Pastos Enmalezados 1
Pastos Limpios 1
Ríos 1
Mosaico de pastos y cultivos 0,5890
Tierras Desnudas y Degradas 1
Zonas Pantanosas 0,9698
Mosaico de pastos, cultivos y espacios naturales 1
Tejido Urbano Continuo 0,4915
Lagos, lagunas y ciénagas naturales 1
Vegetación Acuática sobre cuerpos de agua 1
Índice Kappa Total 0,821
Fuente: Elaboración propia con datos de reporte de exactitud temática ERDAS IMAGINE

Con lo anterior se puede ver que según el reporte, la clasificación correcta de la

clasificación de coberturas supervisada es de 86,94%, valor que al contrastar con el
resultado del Índice Kappa Total (0,821), se puede concluir que los resultados son buenos,
es decir la exactitud temática es apropiada, es decir se obtiene la variable de Coberturas de
la tierra del municipio de Mompós actualizada y se puede realizar el respectivo mapa
temático para mostrar los resultados finalmente.

A la imagen de la Ilustración 30, se realiza un corte para conocer específicamente las

coberturas de la tierra del municipio de Mompós 2016 y para facilidad en la elaboración del
mapa temático se convierte a formato vector (shapefile).

85
Ilustración 30. Mapa temático Coberturas de la tierra 2016 municipio de Mompós. Fuente Realización propia con datos
tomados de: Geoportal DANE

Tabla 28. Área clasificada por cobertura Municipio de Mompós 2016

Cobertura Área (Ha)

Bosque denso 29,07
Mosaico de cultivos, pastos y espacios naturales 74,68
Tierras desnudas y degradadas 195,74
Pastos limpios 521,87
Vegetación acuática sobre cuerpos de agua 530,67
Pastos enmalezados 585,29
Ríos 1424,37
Tejido urbano continuo 2628,38
Lagos, lagunas y ciénagas naturales 12492,8
Zonas Pantanosas 21266,1
Mosaico de pastos y cultivos 22416,9
Fuente: Elaboración propia

La Tabla 28 muestra las áreas de cada cobertura presentes en el municipio de Mompós,

organizadas de manera ascendente.

86
 MODELO AHP

Luego de establecer la metodología planteada en el anterior capítulo, se analiza la

información recolectada y se procede a realizar el planteamiento del modelo AHP, con lo
cual se obtuvo los resultados que se muestran a continuación.

Aplicación y validación del modelo AHP

Al entender el objetivo principal de este proyecto, se determina para el estudio en mención,

la construcción de la distribución jerárquica de la siguiente forma:

Objetivo General Zonificación de Amenaza por

Inundación, municipio de Mompós

Criterios
Decreto 1807 de Variables seleccionadas en
2014 el estudio

Geomorfología e Modelo
Subcriterios Hidrología, los dígital de
cuales fueron elevación, a
algunos de los Coeficiente
partir del de Mannig- Coberturas
insumos para cual se del suelo
obtener el Rugosidad
obtuvo la
coeficiente de variable de
escorrentía pendientes

AMENAZA BAJA
Alternativas
AMENAZA MEDIA
AMENAZA ALTA

Ilustración 31. Estructura jerárquica para la zonificación de amenaza por inundación en Mompós. Fuente: Elaboración
propia a partir de la metodología propuesta por Saaty.

1. Objetivo General: Zonificar la amenaza por inundación en el municipio de

Mompós, Bolivar.
2. Criterios: Basados en el Decreto 1807 de 2014 (por el cual se reglamenta el artículo
189 del Decreto - Ley 019 de 2012 en lo relativo a la incorporación de la gestión del
riesgo en los planes de ordenamiento territorial y se dictan otras disposiciones) y las
nociones propuestas para el estudio.

87
 3. Subcriterios: Coeficiente de escorrentía o precipitación efectiva, pendientes,
coberturas del suelo y coeficiente de manning (rugosidad).
4. Alternativas: Amenaza baja, amenaza media, amenaza alta.

Después, de acuerdo a la revisión bibliográfica realizada para el presente estudio y con base
a la escala de relevancia mencionada anteriormente, se construyó la matriz de comparación
por pares, con los cuatro subcriterios definidos anteriormente.

Tabla 29. Matriz de comparación por pares (MCP) del estudio.

Subcriterio “y”
1 2 3 4
Subcriterio Precipitación Cobertura del
Pendientes Rugosidad
Efectiva Suelo
Precipitación
1 1 3 5 7
Efectiva
Subcriterio “x”

2 Pendientes 1/3 1 3 5
3 Rugosidad 1/5 1/3 1 3
Cobertura del
4 1/7 1/5 1/3 1
suelo
Fuente: Elaboración propia a partir de la metodología propuesta del modelo AHP.

Como se explicó en el numeral 7.6., para el cálculo del vector propio de la matriz MCP, el
cual determina el peso que debe tener cada uno de los sub-criterios para la ponderación de
la variable final, se tiene que hallar la matriz normalizada de la matriz inicial (Tabla 30), y
luego se construye el vector de prioridad para cada categoría.

Tabla 30. Matriz de comparación de pares normalizada.

Subcriterio “y”
1 2 3 4
Subcriterio Precipitación Cobertura del
Pendientes Rugosidad
Efectiva Suelo
Precipitación
1 0.5988024 0.66225166 0.53590568 0.4375
Subcriterio “x”

Efectiva
2 Pendientes 0.19760479 0.22075055 0.32154341 0.3125
3 Rugosidad 0.11976048 0.07284768 0.10718114 0.1875

88
 Cobertura del
4 0.08383234 0.04415011 0.03536977 0.0625
suelo
Fuente: Elaboración propia a partir de la metodología propuesta del modelo AHP.

En cuanto al vector prioridad, se adquirió la siguiente ponderación:

1. Precipitación efectiva: 55.86%

2. Pendientes: 26.31%
3. Rugosidad: 12.18%
4. Coberturas del suelo: 5.65%

Inmediatamente, para validar el modelo, se calcula el cociente de consistencia (RC) de este

último resultado. Para este caso, los resultados son idóneos ya que el RC asciende a 0.0610,
cumpliendo la condición de ser menor a 0.1, para matrices de 4*4 (Osorio & Orjuela,
2008).

Luego, se procede a realizar la reclasificación de los sub-criterios como se muestra en la

siguiente sección.

Reclasificación de sub-criterios en valores cualitativos

Como se describe en la metodología (numeral 7.6., página 53) cada una de las cuatro sub-
criterios generados, deben ser reclasificados a los valores cualitativos de las tres
alternativas definidas (Amenaza alta, media y baja), a través de las nociones y conceptos de
como detona o aporta cada una de estos al fenómeno de inundación.

8.2.2.1. Reclasificación de la variable-precipitación efectiva

No existe ningún rango numérico que clasifique el coeficiente de escorrentía en las

tres categorías de amenaza, pero si se define la noción, a mayor coeficiente de escorrentía,
mayor es la amenaza o disposición de un suelo a ser inundado; bajo este parámetro y
analizando la distribución del valor de escorrentía en el municipio de Mompós, se clasificó
esta variable raster de la siguiente manera:

1. Amenaza Baja valores entre 18.65 y 43

2. Amenaza Media valores entre 43 y 80
3. Amenaza Alta valores entre 80 y 226.965

89
 Ilustración 32. Clasificación de amenaza por precipitación Efectiva. Fuente: Elaboración propia.

A partir de la anterior ilustración se observa que la mayor parte del municipio de Mompós
se encuentra dentro de la categoría de amenaza baja por precipitación efectiva, con un
67.92%, seguido de la amenaza media, con 25.27%; y en una menor proporción, la
amenaza alta, con 6.81%.

8.2.2.2. Reclasificación de la variable-pendiente

En este caso, el parámetro utilizado fue cualitativo, clasificando al suelo denominado plano
a ligeramente ondulado como amenaza alta, al suelo moderadamente inclinado a muy
inclinado como amenaza media; y al suelo escarpado a muy escarpado, como amenaza
baja; donde su categorización en grados se da así:

• Amenaza Alta Pendientes entre 0 y 4°

• Amenaza Media Pendientes entre 4° y 14.04°
• Amenaza Baja Pendientes mayores a 14.04°

90
 Ilustración 33. Clasificación de amenaza por la variable pendientes. Fuente: Elaboración propia.

Evidentemente, la amenaza alta generada a partir de las pendientes, en la categoría

predominante en el municipio de Mompós, con el 79.23%, seguida de la amenaza media
con 20.35%, y con una presencia poco significativa, la amenaza baja con 0.42%.

8.2.2.3. Reclasificación de la variable-rugosidad

Para esta variable cuantitativa, pasa algo similar como con la precipitación efectiva; el
único indicador para clasificar la amenaza, es la concepción de que a mayor coeficiente de
manning, más susceptible es el terreno de padecer inundaciones, por esto se definieron los
rangos de amenaza, a partir del comportamiento de la variable en el terreno objeto de
estudio, categorizándola así:

• Amenaza Baja| valores entre 0 y 0.035

• Amenaza Media valores entre 0.035 y 0.06
• Amenaza Alta valores mayores a 0.06

91
 Ilustración 34. Clasificación de amenaza por rugosidad. Fuente: Elaboración propia.

La ilustración manifiesta una superioridad de la amenaza media con el 65.86% clasificado

en esta categoría, continuo de la amenaza baja con el 32.65%, y en menor medida la
amenaza alta con tan solo el 1.49%

8.2.2.4. Reclasificación de la variable-coberturas del suelo

La clasificación de cada una de las 11 coberturas anteriormente identificadas, en los tres

diferentes niveles de amenaza, se basaron en las características físicas y la capacidad de
infiltración del agua que tiene cada una de ellas, conociendo la premisa; a mayor capacidad
de infiltración, menor vulnerabilidad presenta un suelo frente al fenómeno de inundación.
Clasificando las coberturas de la siguiente forma:

• Amenaza Alta Ríos

Mosaico de pastos y cultivos
Tierras desnudas y degradadas
Zonas pantanosas

92

• Amenaza Media
• Amenaza Baja
Tejido Urbano Continúo
Lagos, lagunas y ciénagas naturales
Vegetación acuática sobre cuerpos de agua
Pastos Enmalezados
Pastos Limpios
Mosaico de cultivos, pastos y espacios naturales
Bosque Denso

Ilustración 35. Clasificación de amenaza por tipo de cobertura. Fuente: Elaboración propia.

POSIBLES ZONAS EN AMENAZA DE INUNDACIÓN MUNICIPIO DE

MOMPÓS

Al desarrollar el modelo AHP como se explica en el numeral 7.6, se obtiene la zonificación

final de amenaza por inundación en el municipio de Mompós, a partir de la ponderación de
las variables rasterizadas anteriormente mencionadas.

93
Se evidencia que la mayor parte del territorio se encuentra categorizado como amenaza
media, es decir 536 km2 (86.19%), mientras que, en una proporción similar se presenta la
amenaza baja y alta, con 43.73 km2 (7.03%) y 42.18 km2 (6.78%), respectivamente, como
lo denota la Ilustración 36.

Ilustración 36. Amenaza por inundación, municipio de Mompós. Fuente: Elaboración propia.

PUBLICACIÓN DE RESULTADOS COMO DATOS ABIERTOS

La página web creada no solo permite conocer detalles generales sobre la investigación,
sino también visualizar los Web Map Service dispuestos por el IGAC para la zona y
acceder a la descarga de los subcriterios obtenidos en el proyecto y la zonificación final en
formato vectorial y raster.

Esta página web tiene acceso a través del siguiente enlace:

https://mompos.000webhostapp.com.

94
 Ilustración 37. Visualización de la página web desde un dispositivo de escritorio, pestaña de INICIO.
Fuente: Elaboración propia.

Ilustración 38. Visualización de la página web desde un dispositivo de escritorio, pestaña denominada Visor.
Fuente: Elaboración propia.

DISCUSIÓN

A partir del objetivo general planteado para esta investigación, los resultados finales están
divididos en tres etapas, de las cuales se considera que dos de ellas fueron cumplidas a
cabalidad, correspondientes a la obtención de una zonificación final de amenaza por

95
inundación para el municipio de Santa Cruz de Mompós y su publicación como datos
abiertos en la web, mientras que la última fase no se logró en su totalidad puesto que se
estima, que un producto cartográfico con escala 1:100.000 es insuficiente a la hora de
generar planes de mitigación y prevención de desastres, evidentemente sí se convierte es un
insumo relevante para la evaluación del riesgo en la región, ya que da una noción general
de las zonas y veredas más afectadas frente a este fenómeno, pero carece de detalle para
generar planes específicos, principalmente para las áreas más vulnerables (clasificadas
como amenaza alta), las cuales coinciden en su mayoría, con el perímetro urbano y los
centros poblados del municipio.

Los escasos datos históricos de eventos de inundación e información temática del

municipio de Mompós, disponibles en la web y la poca disposición de las instituciones
públicas de la región para compartirla, se convirtieron en la mayor limitante del estudio
porque algunos de los procedimientos realizados, como la obtención del parámetro de
rugosidad, se apoyaron en una serie de supuestos y simplificaciones necesarias para
cumplir con los objetivos del proyecto, lo que originó la disminución de precisión y/o
generalización en los resultados previos y finales. Agregando a esto la inexistencia de un
Plan de ordenación y manejo ambiental de cuenca hidrográfica (POMCA) declarado, y la
carencia de valores usados en la interpolación espacial para obtener la predicción de la
variable de precipitación, los cuales se quedan cortos en comparación con el área de la zona
de estudio, debido a las insuficientes estaciones meteorológicas dispuestas por el IDEAM
dentro del municipio y la cuenca hidrográfica influyente.

A pesar de ello se evidencia que la zonificación de amenaza por inundación obtenida fue de
alguna manera la esperada, en cuanto a distribución de los rangos de amenaza (baja, media
y alta) teniendo en cuenta las características del territorio y el grado de conocimiento
adquirido de la zona en el desarrollo del proyecto, en especial de los centros poblados y/o
zonas urbanas. Manifestando que el municipio de Mompós es un territorio particular
porque además de la influencia de los restantes subcriterios explicados y hallados, las
coberturas del suelo corresponden en gran proporción a lagos, lagunas y ciénagas naturales,
ríos y zonas pantanosas, tal como se muestra en la Tabla 29, sustentando su gran relación
con la clasificación de amenaza media.

96
Una de las barreras encontradas en el presente estudio, es el alto grado de subjetividad
utilizado en la toma de decisiones, no solo frente a la selección de variables definidas como
factores influyentes del fenómeno de inundación, sino también en la comparación entre
ellas para adoptar los pesos en la aplicación del modelo AHP, dificultad que también
obstaculiza la comparación con otras metodologías y entorpece la evaluación de sus
resultados debido a que cada territorio es único y posee ciertas particularidades geográficas,
y aunque según la revisión bibliográfica hecha frente a diversos estudios sobre gestión del
riesgo, la utilización de variables como precipitación, pendientes y coberturas del suelo es
común, la subjetividad, no es solo un problema que presenta esta investigación sino en
general cualquier estudio de gestión del riesgo.

La valoración de los resultados de zonificación por amenaza de inundación es compleja,

dificultando realizar una comparación más detallada y profunda, ya que a pesar de que
existe conocimiento de la existencia de estudios de amenaza por este fenómeno en la zona
objeto de estudio, realizados por el IDEAM en el año 2016, a través de tecnologías de
LIDAR y batimetría, estudios de alta resolución espacial, estos no se encuentran a
disposición de cualquier usuario.

Para terminar, a través de la comparación de estudios similares, se denota que, aunque es

frecuente la utilización de fotointerpretación, aplicación de algebra de mapas, y manejo de
herramientas SIG en la elaboración de estudios de gestión del riesgo, por lo menos en este
campo, es muy baja en nuestro país, la implementación de modelos multicriterio para
soportar la toma de decisiones conceptuales.

CONCLUSIONES

Según la zonificación final de amenaza por inundación del presente proyecto, la

mayor parte del territorio del municipio de Santa Cruz de Mompós, se encuentra clasificado
como amenaza media, lo que obliga a los entes administrativos municipales y nacionales, a
formular e implementar eficientemente planes de mitigación y sistemas de alerta tempranas,
para la disminución de afectaciones por este fenómeno, tomando en cuenta la incidencia de
la variabilidad climática en las condiciones de amenaza a nivel nacional, como lo indica un
estudio denominado "Mapa de Lluvias en Colombia" realizado por el IDEAM en el año
2009, se produjo un aumento de precipitación en el periodo de tiempo 1970-2000,

97
incrementando de esta forma la incertidumbre en la ferocidad y periocidad de estos
eventos, puesto que se produce una alteración significativa en uno de los factores
detonadores que contribuyen a la generación de amenazas como inundaciones y
deslizamientos (Banco Mundial, 2012).

A través de la comparación con otras metodologías, se evidencia que aquella establecida en

el Decreto 1807 de 2014 carece de especificaciones y rigurosidad, evidenciado en los
estudios triviales realizados a nivel municipal, los cuales parecen ser elaborados solamente
con el fin de cumplir con la normatividad bajo unas condiciones de referencia inadecuadas
que la mayoría de veces son una herramienta insuficiente para formular proyectos de
planificación y ordenamiento territorial.

De esta manera, la gestión del riesgo en Colombia limita sus alcances al no trascender de
los documentos a la socialización con las comunidades, teniendo en cuenta que la
producción de información temática de amenazas y riesgos no es significativa si está no se
lleva al siguiente nivel, el cual consiste en hacerla pública y construir planes de mitigación
de riesgo, noción que respalda el documento "Análisis de la gestión del riesgo de desastres
en Colombia" realizado por el Banco Internacional de Reconstrucción y Fomento en el
2012, en el cual se afirma que "la inadecuada articulación entre entidades y la poca
armonización de los instrumentos de planificación y gestión pública inciden en el aumento
de la vulnerabilidad institucional y política, y por consiguiente en el riesgo de la población
colombiana".

Desde el punto de vista metodológico del presente estudio, la integración de un método de

decisión multicriterio (modelo AHP) y las herramientas de los sistemas de información
geográfica, aumentan la confiabilidad de los datos porque le dan un soporte estadístico a
decisiones y supuestos que se basan principalmente en los criterios conceptuales del recurso
humano que desarrolle los estudios de gestión del riesgo.

Aun así, se considera que incrementar el número de variables, de mejor calidad, o

parámetros que desde su definición se consideren detonantes del fenómeno de inundación,
a pesar de extender la complejidad del modelo, permiten aumentar la contextualización del
componente espacial y acercarse más a las características geográficas y físicas del

98
territorio, porque dan una visión más amplia y real de la zona de interés y así mismo
producen resultados más detallados.

Del resultado final del presente estudio, se deduce que a pesar de utilizar insumos
secundarios de poca resolución (temporal y espacial), la metodología se puede adecuar a las
particularidades de cualquier región y que los instrumentos SIG permiten operar las
variables espaciales en formato raster de manera sencilla y eficaz.

Además se comprende que la implementación de esta metodología puede adquirir mejores

resultados, a un costo no tan elevado, para su incorporación dentro de los planes de
ordenamiento territorial, cumplimiento fundamentalmente cuatro requisitos: (1) existencia
de un flujo y acceso de información cartográfica entre los entes territoriales, las
Corporaciones Autónomas Regionales y demás entidades correspondientes, (2)
profesionales y especialistas idóneos para la ejecución de los estudios de gestión de riesgo,
(3) agregación de información primaria u obtención de estudios actuales a escala detallada
(estudios insitu, tecnologías remotas como el Radar y RPAS25), y por último, (4) el
compromiso de las entidades con el adecuado manejo de la información, con el fin de
cumplir estrategias de apertura de esta, como datos abiertos.

Finalmente, se considera trascendental que la academia comprenda la importancia de

adoptar y llevar a la práctica, la cultura de los datos abiertos, debido a que la publicación e
interoperabilidad de la información le dan un valor agregado al nuevo conocimiento
generado, lo cual es entendido por el gobierno nacional, quien en la actualidad ejecuta una
fuerte labor y brinda incentivos a la generación y producción de datos abiertos, puesto que
comprende su incidencia en el avance de las diversas investigaciones socioeconómicas,
ambientales y políticas que influyen directamente en el desarrollo del país.

RECOMENDACIONES

Una de las aspiraciones resultantes de la ejecución de este proyecto, es la generación de un

mayor interés desde la academia frente a la gestión del riesgo para apoyar directamente a
los municipios con el desarrollo y la mejora en la formulación de planes de ordenamiento
territorial; por lo tanto se recomienda a futuros estudiantes inclinados en elaborar

25
Remotely Piloted Aircraft System

99
investigaciones similares, tanto en fenómenos de inundación, como en remoción en masa y
avenidas torrenciales, buscar la posibilidad de hacer un reconocimiento presencial y
muestreo de la zona de interés e indagar la oportunidad de establecer un convenio
interadministrativo entre la universidad y la alcaldía, para obtener insumos de mejor calidad
y apoyo, logrando un mayor conocimiento del área de interés.

La segunda recomendación está dirigida a todas las entidades públicas y privadas

generadoras de información considerada de interés público, como lo son los estudios e
informes de gestión de riesgo, poniendo a disposición de cualquier usuario las estadísticas y
productos cartográficos resultantes; y para aquellas que poseen una responsabilidad social
mayor, como lo son las alcaldías municipales, las corporaciones autónomas regionales, y
los futuros profesionales del país, se enfoquen en construir planes de mitigación y
prevención de desastres con sustentos técnicos verídicos, que no solo sean llevados al
papel, sino que igualmente sean implementados y dados a conocer a la sociedad civil.

100
 REFERENCIAS

Alcandía de Santa Cruz de Mompós, Bolívar. (s.f.). Nuestro Municipio: Información

General. Obtenido de Sitio oficial de Santa Cruz de Mompós en Bolívar, Colombia:
http://www.santacruzdemompos-bolivar.gov.co/index.shtml#5

Arango Gutiérrez, M., Branch Bedoya, J., & Botero Férnandez, V. (2005).
CLASIFICACIÓN NO SUPERVISADA DE COBERTURAS VEGETALES
SOBRE IMÁGENES DIGITALES DE SENSORES REMOTOS: "LANDSAT -
ETM+". Revista Facultad Nacional de Agronomía, Medellín, 58(1), 2611-2634.

Arozarena Villar, A., & del Bosque González, I. (2001). La ocupación del suelo "Corine
Land-Cover". Proyecto de actualización I&CLC2000 de la Unión Europea.
Instituto Geográfico Nacional. Obtenido de Asociación Española de Teledección:
http://www.aet.org.es/congresos/ix/Lleida139.pdf

Avila, R. (2000). El AHP (Proceso Analítico Jerárquico) y su aplicación para determinar

los usos de las tierras: El caso Brasil. Proyecto regional "Información sobre tierras
y aguas para un desarrollo agrícola sostenible", FAO, Santiago de Chile.

Banco Mundial. (2012). Análisis en gestión del riesgo de desastres en Colombia: un aporte
para la construcción de políticas públicas. Bogotá, Colombia.

Benedikt Gräler, E. P. (2016). Spatio-Temporal Interpolation using gstat. The R Journal

8(1), 214-218.

Caballero Díaz, F. F. (2011). Selección de modelos mediante criterios de información en

análisis factorial. Aspectos teóricos y computacionales. Granada, España.

Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric
calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensor.
Remote Sensing of Environment, 893-903.

Chow, V., Maidment, D., & Mays, L. (1988). Applied Hidrology. Singapore.

Chuvieco, E. (1995). FUNDAMENTOS DE TELEDETECCIÓN ESPACIAL (Segunda ed.).

Madrid, España: Ediciones Rialp, S.A.

101
Congreso de la República de Colombia. (1959). Ley 163 de 1959. Por la cual se dictan
medidas sobre defensa y conservación del patrimonio histórico, artístico y
monumentos públicos de la Nación. Bogotá, Colombia.

Congreso de la República de Colombia. (2012). Ley 1523 de 2012. Por la cual se adopta la
Política Nacional de Gestión del Riesgo de Desastres y se dictan otras
disposiciones. Bogotá, Colombia.

Congreso de la República de Colombia. (2014). Ley 1712 de 2014. Por medio de la cual se
crea la Ley de Transparencia y del Derecho de Acceso a la Información Pública
Nacional y se dictan otras disposiciones. Bogotá, Colombia .

Córdoba Aguilar, E., Puentes, M., & Otero, L. (2006). Análisis de imágenes LANDSAT-7
ETM+ para determinar la cobertura del suelo de la zona costera de la bahía de
Tumaco. Boletín Científico CCCP, 41-52.

De Cos Guerra, O. (s.f.). SIG y evaluación multicriterio: propuesta metodológica para

cuantificar el grado de metropolización en el territorio. Obtenido de Repositorio
Universidad de Cantanbria. Dpto de Geografía, Urbanismo y Ordenamiento del
Territorio.

Del Castillo, G. E. (2013). Ecosistema cultural y paisaje cultural momposino. Cuadernos de

Vivienda y Urbanismo.

Diggle & Ribeiro, P. J. (2016). geoR: Analysis of Geostatistical Data. R package version
1.7-5.2. Obtenido de https://CRAN.R-project.org/package=geoR

Diggle, P. J. (2016). geoR: Analysis of Geostatistical Data. R package version 1.7-5.2.

Obtenido de https://CRAN.R-project.org/package=geoR

El-Behiry, M. G.-K.-H. (2006). Integrated gis and remote sensing for runoff hazard analysis
in Ain Sukhna industrial area, Egypt. Earth Sciences, 17(1).

Elkhrachy, I. (2015). Flash flood hazard mapping using satellite images and gis tools: A
case study of najran city, kingdom of Saudi Arabia (KSA). The Egyptian Journal of
Remote Sensing and Space Science, 18(2), 261-278.

102
Esri. (s.f.). Central Esri: Open Data. Obtenido de esri Colombia:
http://www.esri.co/Central_Esri/Open_data/

ESRI. (s.f.). Image classification: What is image classification? Obtenido de ArcGIS

Desktop - ArcMap: http://desktop.arcgis.com/en/arcmap/latest/extensions/spatial-
analyst/image-classification/what-is-image-classification-.htm#

Euscátegui, C. &. (2011). Análisis del impacto del fenómeno “la Niña” 2010-2011 en la
hidroclimatología del país. Obtenido de Colombia. Instituto de Hidrología,
Meteorología y Estudios Ambientales de Colombia–IDEAM.

Fernández, I. A., & Herrero Llorente, E. (s.f.). El Satélite Landsat. Análisis visual de
imágenes obtenidas del sensor ETM+ Satélite Landsat. Universidad de Valladolid:
Departamento de Ingeniería Agrícola y Forestal.

Fondo de Prevención y Atención de Emergencias. (13 de Marzo de 2017). Sistema de

Alerta Temprana. Obtenido de
http://portal.gestiondelriesgo.gov.co/Paginas/SAT.aspx

Gallardo, A. (septiembre de 2006). Geoestadística. Sevilla, Espala.

Garcia, I. B. (julio de 2014). Estudios del comportamiento hidrológico de una pequeña

cuenca forestal. Valencia, España.

Giraldo, R. (2003). Introducción a la Geoestadística. Bogotá, Universidad Nacional de

Colombia.

Gobernación de Bolivar. (Abril de 2012). Plan de Desarrollo Departamental de Bolivar

2012-2015. Cartagena.

González Velandia, J. C. (2014). La gestión del riesgo de desastres en las inundaciones de

Colombia: una mirada crítica (Bachelor's thesis).

HEXAGON GEOSPATIAL. (s.f.). Thematic Raster GIS: Neighborhood Functions.

Obtenido de ERDAS IMAGINE Help :
https://hexagongeospatial.fluidtopics.net/reader/A_ypBxKoAhzsopKGPzMUWw/L
d5wsZGUWrxBFi9S1wLQkA

103
Hijmans, R. J. (2016). raster: Geographic Data Analysis and Modeling. R package version
2.5-8. Obtenido de https://CRAN.R-project.org/package=raster

ICDE. (s.f.). ¿Quiénes Somos?: ¿Qué es la ICDE? Obtenido de Infraestrutura Colombiana

de Datos Espaciales: http://www.icde.org.co

IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Metodología CORINE Land

Cover adaptada para Colombia Escala 1:100.000. Instituto de Hidrología,
Meteorología y Estudios Ambientales, 72. Obtenido de Sistema de Información
Ambiental Territorial de la Amazonia Colombiana:
http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-
fc16b8037522&groupId=762

IDEAM. (2012). CATÁLOGO DE PATRONES DE COBERTURAS DE LA TIERRA.

Obtenido de Sitio web Instituto de Hidrología, Metereología y Estudios
Ambentales:
http://www.ideam.gov.co/documents/11769/153716/Catalogo+Coberturas+Tierra.p
df/f2eafe32-f300-4ae7-9ab7-f90a8670d75e

IDEAM. (2012). Mapa de Coberturas de la Tierra Metodología Corine Land Cover

Adaptada para Colombia Escala 1:100.000 (Período 2005 - 2009).

IDEAM. (noviembre de 2013). Zonificación y codificación de unidades hidrográficas e

hidrogeológicas de Colombia. Bogotá D.C., Colombia.

IDEAM. (s.f.). COBERTURAS DE LA TIERRA. Obtenido de Instituto de Hidrología,

Meteorología y Estudios Ambientales:
http://www.ideam.gov.co/web/ecosistemas/coberturas-tierra

IDEAM. (s.f.). METODOLOGÍA CORINE LAND COVER. Obtenido de Instituto de

Hidrología, Meteorología y Estudios Ambientales:
http://www.ideam.gov.co/web/ecosistemas/metodologia-corine-land-cover

IGAC. (Septiembre de 2009). Resumen Ejecutivo: Proyecto Sistema de Información

Geográfica para la Planeación y el Ordenamiento Territorial Nacional - SIGOT- .
Obtenido de SIGOT:

104
 http://sigotn.igac.gov.co/sigotn/documentos%20SIGOTN/RESUMEN_EJECUTIV
O.pdf

Jensen, J. R. (2005). Introductory Digital Image Processing: A remote sensing perspective.

(Tercera ed.). United States and globally: Pearson Practice Hall.

Ligges, U. a. (2003). Scatterplot3d - an R Package for Visualizing Multivariate Data. .

Journal of Statistical Software 8(11), 1-20.

Lira Chávez, J. (2010). Tratamiento Digital de Imágenes Multiespectrales. México, D.F.:

Instituto de Geografía, UNAM.

Lizarazo, I. (2015). An approach to estimate surface reflectance from RapidEye and

Landsat OLI imagery. International Journal of Remote Sensing .

MINTIC. (Junio de 2016). Guía de datos abiertos en Colombia. Obtenido de Estrategía

Gobierno en Línea: http://estrategia.gobiernoenlinea.gov.co/623/articles-
8248_Guia_Apertura_Datos.pdf

Osorio & Orjuela, J. C.-J. (Septiembre de 2008). El proceso de análisis jerárquico (AHP) y
la toma de decisiones multicriterio. Ejemplo de aplicación. Pereira, Colombia.

Ospina, E. P. (2015). Determinación de zonas aptas para la construcción de colegios

distritales en la localidad de Suba, partiendo de análisis multicriterio y herramientas
SIG. Bogotá, Colombia.

Pebesma, E. (2004). Multivariable geostatistics in S: the gstat package. . Computers &

Geosciences, 30: 683-691.

Pinzón Ospina, E. (2015). DETERMINACIÓN DE ZONAS APTAS PARA LA

CONSTRUCCIÓN DE COLEGIOS DISTRITALES EN LA LOCALIDAD DE SUBA,
PARTIENDO DE MÉTODOS DE ANÁLISIS MULTICRITERIO Y
HERRAMIENTAS SIG.

Presidente de la República de Colombia . (2012). Decreto Ley 019 de 2012. Por el cual se
dictan normas para suprimir o reformar regulaciones, procedimientos y trámites
innecesarios existentes en la Administración Pública. Bogotá, Colombia.

105
Presidente de la República de la Colombia. (2014). Decreto 1807 de 2014. Por el cual se
reglamenta el artículo 189 del Decreto-ley 019 de 2012 en lo relativo a la
incorporación de la gestión del riesgo en los planes de ordenamiento territorial y se
dictan otras disposiciones. Bogotá, Colombia.

Ramírez, S., Ramírez, M., Galindo, G., & Espejo, O. (2014). Evaluación de la exactitud
temática del mapa de cambio de bosque para la región amazónica colombiana en el
periodo 2010-2012. Presentado en XVI Simposio Internacional Selper 2014: La
Geoinformación al Servicio de la Sociedad, Medellin - Colombia.

Rodríguez, G. E. (2012). Diseño Metodológico para la Evaluación del Riesgo por

Inundación a Nivel Local con Información Escasa. Proyecto de Tesis Doctoral.
Universidad Nacional de Colombia.

SGC. (2015). Mapa Geológico de Colombia 2015. Obtenido de Geoportal del Servicio
Geológico Colombiano:
http://geoportal.sgc.gov.co/geoportalsgc/catalog/main/home.page

Shaviraachin, T. (Marzo de 2005). FLOOD SIMULATION. A case study in the Lower

Limpopo Valley, Mozambique using the SOBEK flood model. Enschede, The
Netherlands.

SIAT-AC. (2009). Fichas técnicas de los patrones de las coberturas de la tierra de la

Amazonía colombiana. Obtenido de Sitio Web Sistema de Información Ambiental
Territorial de la Amazonía colombiana:
http://siatac.co/c/document_library/get_file?uuid=8dfce45c-685b-458b-b096-
5d96728d0933&groupId=762

Sistema Nacional de Gestión del Riesgo de Desastres-MINTIC. (28 de Julio de 2016). Plan
sectorial de contingencia frente a la segunda temporada de lluvias y posible
fenómeno La Niña 2016-2018. Colombia.

UNAL, S. M. (2010). Criterios metodológicos mínimos para la elaboración e interpretación

cartográfica de zonificaciones de amenaza por inundaciones fluviales para el
territorio colombiano con una aplicación práctica de dos áreas piloto (inundaciones
lentas y súbitas). Medellín: UNAL, p. 46.
106
Unidad Administrativa Especial de Catastro Distrital. (s.f.). Quiénes somos: Portafolio.
Obtenido de IDECA: https://www.ideca.gov.co

Unión Temporal AVR-CAR. (2015). Inundaciones Municipio La Palma. Bogotá.

USGS. (2014). What are the band designations for the Landsat satellites? Obtenido de
Landsat Missions: https://landsat.usgs.gov/what-are-band-designations-landsat-
satellites

USGS. (2016). Landsat 8 (L8) Data Users Handbook - Section 2: Observatory Overview.
Obtenido de Landsat Missions: https://landsat.usgs.gov/landsat-8-l8-data-users-
handbook-section-2

USGS. (s.f.). About Landsat: Landsat Missions Timeline Landsat 8. Obtenido de Landsat
Missions: https://landsat.usgs.gov/landsat-8-history

USGS. (s.f.). About Landsat: Landsat Project Description. Obtenido de Landsat Missions:
https://landsat.usgs.gov/landsat-project-description

Youssef, A. M. (2011). Flash flood risk estimation along the St. Katherine road, southern
Sinai, Egypt using GIS based morphometry and satellite imagery. Environmental
Earth Sciences, 62(3), 611-623.

107
 ANEXOS

Script realizado en R para la estimación del parámetro de precipitación.

# Exploracion de datos geoestadisticos

PREC <- read.table("C:/Users/LORENA/Downloads/PROYECTO/ESTACIONES/estaciones.txt", head=T)
plot(PREC$X,PREC$Y,pch=20,xlab="ESTE",ylab="NORTE")
text(PREC$X+5000,PREC$Y+5000,PREC$VALOR,cex=0.6)
library(scatterplot3d)
scatterplot3d(PREC$X,PREC$Y,PREC$VALOR,xlab="ESTE",ylab="NORTE",zlab="PRECIPITACIÓN")
my.lm<-lm(VALOR~X+Y,data = PREC)
summary(my.lm)

# Estimacion del variograma

library(geoR)
aq.geo<-as.geodata(PREC, coords.col = 4:5, data.col = 3)
plot.geodata(aq.geo)

# estimador clásico #distancia=hmax/2

aq.cl1<-variog(aq.geo,option="cloud")
plot(aq.cl1,pch=20)
aq.v1<-variog(aq.geo, uvec=seq(0,120000,10000)) # uvec: inin dist, fin dist, tamaño
rezago (lag)
plot(aq.v1,pch=20)
aq.vc1<-variog(aq.geo, uvec=seq(0,120000,10000), bin.cloud=T) # las nubes de semivarianza son
incluidas en cada bin, util para analizar la variabilidad local e inclusive detectar atipicos.
plot(aq.vc1,bin.cloud=T)

# estimador robusto #distancia=hmax/2

aq.cl2<-variog(aq.geo,option="cloud",estimator.type="modulus")
plot(aq.cl2,pch=20)
aq.v2<-variog(aq.geo,uvec=seq(0,120000,10000),estimator.type="modulus")
plot(aq.v2,pch=20)
aq.vc2<-variog(aq.geo,uvec=seq(0,120000,10000),estimator.type="modulus",bin.cloud=T)
plot(aq.vc2,bin.cloud=T)

# Pruebas con varios intervalos

plot(variog(aq.geo,uvec=seq(0,120000,5000)))
plot(variog(aq.geo,uvec=seq(0,120000,2500)))
plot(variog(aq.geo,uvec=seq(0,120000,1200)))
plot(variog(aq.geo,uvec=seq(0,120000,1000)))
plot(variog(aq.geo,uvec=seq(0,150000,20000)))
plot(variog(aq.geo,uvec=seq(0,180000,50000)))
plot(variog(aq.geo,uvec=seq(0,200000,80000)))

108
# Superposición del variograma empírico y de un modelo de variograma
aq.exp.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000))
aq.sph.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="sph")
aq.mat.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="mat",kappa=1.5)
aq.mat2.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="mat",kappa=1,fix.nugget=T)
aq.cir.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="cir")
aq.gau.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="gau")
aq.cub.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="cub")
aq.pow.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="powered.exponential",kappa=1.75)
aq.pow2.ml<-likfit(geodata = aq.geo, ini = c(10000,
7000),cov.model="powered.exponential",kappa=1.75,fix.nugget=T)
plot(aq.v1)
lines(aq.pow2.ml,max.dist=120000,lwd=3,col='red')
lines(aq.mat2.ml,max.dist=120000,lwd=3,col='blue')
lines(aq.pow.ml,max.dist=120000,lwd=3,col='green')
lines(aq.mat.ml,max.dist=120000,lwd=3,col='yellow')
lines(aq.cub.ml,max.dist=120000,lwd=3,col='orange')
lines(aq.gau.ml,max.dist=120000,lwd=3,col='cyan')
lines(aq.cir.ml,max.dist=120000,lwd=3,col='grey')
lines(aq.exp.ml,max.dist=120000,lwd=3,col='magenta')
lines(aq.sph.ml,max.dist=120000,lwd=3,col='pink')
# los mejores son el 'gaussiano' y el 'powered.exponential'

# Diferentes metodos de ajuste del variograma

aq.gau.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="gau")
aq.gau.rml<-likfit(geodata = aq.geo, ini = c(10000, 5000),cov.model="gau",lik.method='REML')
aq.gau.ols<-variofit(vario = aq.v1, ini = c(10000,
7000),cov.model="gau",weights="equal",minimisation.function="optim")
aq.gau.wls<-variofit(vario = aq.v1, ini = c(10000, 7000),cov.model="gau",weights="npairs")
aq.pow.ml<-likfit(geodata = aq.geo, ini = c(10000, 7000),cov.model="powered.exponential",kappa=1.75)
aq.pow.rml<-likfit(geodata = aq.geo, ini = c(10000,
7000),cov.model="powered.exponential",kappa=1.75,method='RML')
aq.pow.ols<-variofit(vario = aq.v1, ini = c(10000,
7000),cov.model="powered.exponential",kappa=1.75,weights="equal",minimisation.function="optim")
aq.pow.wls<-variofit(vario = aq.v1, ini = c(10000,
7000),cov.model="powered.exponential",kappa=1.75,weights="npairs")
plot(aq.v1)
lines(aq.gau.ml,max.dist=120000,lwd=3,col='red')
lines(aq.gau.rml,max.dist=120000,lwd=3,col='blue')
lines(aq.gau.ols,max.dist=120000,lwd=3, col='yellow')
lines(aq.gau.wls,max.dist=120000,lwd=3,col='green')
#legend(locator(1),legend=c('ML','RML','OLS','WLS'),lwd=c(3,3,3,3),colors=('1','2','3','4'))
plot(aq.v1)
lines(aq.pow.ml,max.dist=120000,lwd=3,col='red')
lines(aq.pow.rml,max.dist=120000,lwd=3,col='blue')
lines(aq.pow.ols,max.dist=120000,lwd=3, col='yellow')

109
lines(aq.pow.wls,max.dist=120000,lwd=3,col='green')
#legend(20,2000000,legend=c('ML','RML','OLS','WLS'),lwd=c(3,3,3,3),lty=c(1,2,3,4))
plot(aq.v1)
lines(aq.gau.rml,max.dist=120000,lwd=3,col='red')
lines(aq.gau.wls,max.dist=120000,lwd=3,col='blue')
lines(aq.pow.ols,max.dist=120000,lwd=3, col='yellow')
lines(aq.pow.wls,max.dist=120000,lwd=3,col='green')

library(geoR)
library(gstat)
library(raster)
puntos<-expand.grid(x=seq(920000,1020000,50), y=seq(1460000,1560000,50))
xy<-PREC[,4:5]
coordinates(puntos) = c("x", "y")
proj4string(puntos)<-CRS("+init=epsg:3116")
dat1<- structure(list(este=c(PREC$X), norte=c(PREC$Y)), Names = c("este", "norte", "preci"), class=
"data.frame", row.names= c(NA, -22L))
pts <- SpatialPointsDataFrame(coords = xy,data=dat1,proj4string = CRS("+init=epsg:3116"))
proj4string(pts)
krig<-krige(formula = PREC$VALOR~1,pts,puntos, vgm(33298.9, "Gau", 158837.3,
nugget=1034.101),nmax=10 )
kr_50_sv<- cbind(krig@coords,krig$var1.pred)
write.csv(kr_50_sv, "kr_50_sv.cvs")

110