MOVIMIENTOS DE LADERA: ANÁLISIS ESTADÍSTICO

Asignatura G171: Procesos Geomorfológicos

INTRODUCCIÓN

A continuación, se llevará a cabo una caracterización geográfica de los movimientos de ladera registrados en el área de trabajo. Para ello se recurrirá a la representación gráfica y a la elaboración de diversos parámetros estadísticos.

En primer lugar, se creará un dataframe con todos los datos necesarios para ese análisis.

df_region <- read.csv2("D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/df_region.csv")
df_naturales <- read.csv2("D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/df_naturales.csv") 
df_humanos <- read.csv2("D:/G171_Procesos_Geomorfologicos_2022/2_Procesos_Ladera/Practica_Laderas/df_humanos.csv")

library(plyr)

## Warning: package 'plyr' was built under R version 4.3.2

df_final <- join_all(list(df_region, df_naturales, df_humanos), 
                     by='ID', 
                     type='left')
View(df_final)

Los dataframes que no van a ser usados se eliminan del Global Environment

rm(df_region, df_naturales, df_humanos)

TABLAS ESTADÍSTICAS

• Variabilidad interanual

ano_bc_ni <- table(df_final$yy)
ano_bc_fi <- prop.table(table(df_final$yy))*100                            
tabla_ano_bc <- cbind(ano_bc_ni,ano_bc_fi)          
colnames(tabla_ano_bc) <- c("ni","fi")

• Variabilidad mensual

mes_bc_ni <- table(df_final$mm)
mes_bc_fi <- prop.table(table(df_final$mm))*100                            
tabla_mes_bc <- cbind(mes_bc_ni,mes_bc_fi)          
colnames(tabla_mes_bc) <- c("ni","fi")

• Magnitud

magnitud_bc_ni <- table(df_final$magnitud)
magnitud_bc_fi <- prop.table(table(df_final$magnitud))*100                            
magnitud_bc_Ni <- cumsum(table(df_final$magnitud))                              
magnitud_bc_Fi <- cumsum(prop.table(table(df_final$magnitud)))                    
tabla_bc_magnitud <- cbind(magnitud_bc_ni,magnitud_bc_fi, magnitud_bc_Ni, magnitud_bc_Fi)          
colnames(tabla_bc_magnitud) <- c("ni","fi", "Ni", "Fi")

• Categoría

categoria_bc_ni <- table(df_final$categoria)
categoria_bc_fi <- prop.table(table(df_final$categoria))                            
tabla_categoria_bc <- cbind(categoria_bc_ni,categoria_bc_fi)          
colnames(tabla_categoria_bc) <- c("ni","fi")

tabla_categoria_bc <- as.data.frame(tabla_categoria_bc)
tabla_categoria_bc <- tabla_categoria_bc[with(tabla_categoria_bc, order(-tabla_categoria_bc$ni)), ] # Orden decreciente

tabla_categoria_bc$Ni <- cumsum(tabla_categoria_bc$ni)
tabla_categoria_bc$Fi <- cumsum(tabla_categoria_bc$fi)

View(tabla_categoria_bc)

• Procesos originadores.

proceso_bc_ni <- table(df_final$proceso)
proceso_bc_fi <- prop.table(table(df_final$proceso))                            
tabla_proceso_bc <- cbind(proceso_bc_ni,proceso_bc_fi)          
colnames(tabla_proceso_bc) <- c("ni","fi")

tabla_proceso_bc <- as.data.frame(tabla_proceso_bc)
tabla_proceso_bc <- tabla_proceso_bc[with(tabla_proceso_bc, order(-tabla_proceso_bc$ni)), ]       # Orden decreciente

tabla_proceso_bc$Ni <- cumsum(tabla_proceso_bc$ni)
tabla_proceso_bc$Fi <- cumsum(tabla_proceso_bc$fi)

View(tabla_proceso_bc)

• Tipología

tipo_bc_ni <- table(df_final$tipo)
tipo_bc_fi <- prop.table(table(df_final$tipo))                            
tabla_tipo_bc <- cbind(tipo_bc_ni,tipo_bc_fi)          
colnames(tabla_tipo_bc) <- c("ni","fi")

tabla_tipo_bc <- as.data.frame(tabla_tipo_bc)
tabla_tipo_bc <- tabla_tipo_bc[with(tabla_tipo_bc, order(-tabla_tipo_bc$ni)), ]       # Orden decreciente

tabla_tipo_bc$Ni <- cumsum(tabla_tipo_bc$ni)
tabla_tipo_bc$Fi <- cumsum(tabla_tipo_bc$fi)

View(tabla_tipo_bc)

GRAFICOS

Primero se representarán las variables relacionadas con la evolución interanual, mensual, magnitud etc… para pasar luego a las características topográficas y climáticas.

• Variabilidad interanual

barplot(table(df_final$yy), 
        main="Frecuencia de movimientos de ladera según años",
        ylim=c(0,20),
        xlab="Años",                               
        ylab="Número de eventos")   

• Variabilidad mensual

barplot(table(df_final$mm), 
        main="Frecuencia de movimientos de ladera según meses",
        ylim=c(0,20),
        xlab="Meses",                               
        ylab="Número de eventos")   

• Magnitud

barplot(table(df_final$magnitud), 
        main="Frecuencia de movimientos de ladera según magnitud",
        ylim=c(0,60),
        xlab="Categorías",                               
        ylab="Número de eventos")   

• Categoría

barplot(table(df_final$categoria), 
        main="Frecuencia de movimientos de ladera según categoría",
        las = 1,
        ylim=c(0,100),
        xlab="Tipología",                               
        ylab="Número de eventos")   

• Procesos

barplot(table(df_final$proceso), 
        main="Frecuencia de movimientos de ladera según categoría",
        las = 2,
        ylim=c(0,100),
        ylab="Número de eventos")   

• Tipología

barplot(table(df_final$tipo), 
        main="Frecuencia de movimientos de ladera según categoría",
        las = 2,
        ylim=c(0,100),
        ylab="Número de eventos")   

A continuación se representarán (y comentarán) los gráficos con la distribución de las variables topográficas previamente calculadas. Estas son:

• La altitud media.

hist(df_final$altitud[!is.na(df_final$altitud)],
     main = "Altitud media de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,30),
     xlab = "Altitud (m)",
     col = "grey",
     ylab = "Número de eventos")

• La pendiente.

hist(df_final$pendiente[!is.na(df_final$pendiente)],
     main = "Pendiente media de los movimientos de ladera",
     ylim = c(0,35),
     xlab = "Pendiente (º)",
     col = "grey",
     ylab = "Número de eventos")

Como valores característicos podemos tomar referencia los siguientes:

Pendiente (°)	Descripción del terreno
0–2°	Plano o casi plano
2–5°	Pendiente muy suave
5–10°	Pendiente suave
10–15°	Pendiente moderada
15–25°	Pendiente intermedia
25–35°	Pendiente abrupta
35–45°	Pendiente muy abrupta
>45°	Pendiente extremadamente abrupta / escarpe

• El índice (rugosidad) TRI.

hist(df_final$TRI[!is.na(df_final$TRI)],
     main = "Índice rugosidad del terreno (TRI) alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,20),
     xlab = "TRI (Sin dimensión)",
     col = "grey",
     ylab = "Número de eventos")

Los valores característicos del índice TRI son los siguientes:

Valor TRI	Tipo de terreno
~0	Flat terrain (very low relief)
0–2	Nearly flat to gently rolling hills
2–5	Moderately rugged terrain
5–10	Highly rugged terrain
10–20	Very rugged or mountainous terrain
>20	Extremely rugged / steep terrain

• El índice TPI (posición topográfica.

hist(df_final$TPI[!is.na(df_final$TPI)],
     main = "Índice TPI alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,25),
     xlab = "TPI (Sin dimensión)",
     col = "grey",
     ylab = "Número de eventos")

Los valores características del índice TPI son los siguientes:

Valor TPI	Tipo de relieve
>> 0	Montaña Ridge
Ligeramente > 0	Zona alta de una ladera / Ladera convexa
≈ 0	Zona llana o media ladera
Ligeramente < 0	Zona baja de una ladera / Ladera cóncava
<< 0	Valle / Depresion

• La curvatura

hist(df_final$curvatura[!is.na(df_final$curvatura)],
     main = "Curvatura alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,25),
     xlab = "Curvatura (Sin dimensión)",
     col = "grey",
     ylab = "Número de eventos")

• La precipitación anual

hist(df_final$Precipitacion[!is.na(df_final$Precipitacion)],
     main = "Precipitación anual alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,25),
     xlab = "Precipitación (mm)",
     col = "grey",
     ylab = "Número de eventos")

• La densidad de la población

hist(df_final$Densidad[!is.na(df_final$Densidad)],
     main = "Densidad de población alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,100),
     xlab = "Densidad (hab/km2)",
     col = "grey",
     ylab = "Número de eventos")

• La huella ecológica

hist(df_final$Densidad[!is.na(df_final$Densidad)],
     main = "Densidad de población alrededor de los movimientos de ladera",
     breaks = 15,
     ylim = c(0,100),
     xlab = "Densidad (hab/km2)",
     col = "grey",
     ylab = "Número de eventos")

Por su parte, las variables cualitativas se representarán mediante un diagrama de barras.

• Orientación de la ladera en la que se produjo el movimiento.

barplot(table(df_final$orientacion, useNA = "no"), 
        xlab = "Orientación de la pendiente (º)", 
        main = "Orientación de la pendiente",
        ylim = c(0,30),
        col = "grey",
        ylab = "Número de eventos")