2. Motivación
En cualquier escenario, se espera que el riesgo sea
reducido o controlado.
Tragedias como las ocurridas en Vargas 1999 y 2005
son eventos socio-naturales que nos demuestran la
importancia de prepararnos mejor.
El aporte del trabajo es una metodología para modelar
el riesgo espacio-temporal de origen hidrometeorológico
aplicado al estado Vargas, usando un enfoque
bayesiano. Esta herramienta ayuda a identificar las
zonas de mayor riesgo, lo cuál puede ser utilizado en la
elaboración de planes de prevención.
Como objetivos específicos se ajustan modelos
probabilísticos para la amenaza y la vulnerabilidad, y
finalmente se estiman los mapas de riesgo.
3. Definiciones
Amenaza natural: Es un fenómeno natural, que puede desencadenar un
desastre (precipitación, erupción volcánica, terremoto, etc.). Ésta es de carácter
aleatorio en el sentido de que no se puede predecir con exactitud el tiempo de
ocurrencia y ni su localización.
Vulnerabilidad: (Downing et.al (1999)) la define como el grado de pérdida
(0 a 100%) en pérdidas humanas, daños a la propiedad o interrupción de alguna
actividad económica debido a un evento perjudicial para un período y lugar.
Exposición: Es la cantidad de la infraestructura, población, ecosistemas
o unidad ambiental expuesta a las amenazas individuales o múltiples.
Riesgo: Es la pérdida esperada ( en cuanto a número de personas afectadas,
bienes dañados, o actividad económica no lograda), debida a la manifestación
de una amenaza en una extensión espacial y un tiempo determinado.
4. Insumos
• Zona de estudio: Estado Vargas.
•Base de datos: Enero 1970 - Junio 2006.
• Precipitación mensual (Argus-CEsMA, http://www.cesma.usb.ve/argus/)
• Número de afectados por lluvias (recopilación de hemeroteca,
Lic. José M. Campos).
• Variables macroclimáticas (ENSO, MEI, SOI, etc.) ( NOAA)
• Población (INE).
5. Amenaza
• Datos de precipitación promedio
mensual (estado Vargas).
• Se implementa la técnica de
Kriging bayesiano para generar
mapas de amenaza.
Vulnerabilidad
• Se presenta el número de afectados
como datos agregados espacialmente.
• Datos con excesos de ceros.
• Modelos: cero inflados (Distribución
de probabilidad Poisson o Binomial
Negativa).
9. Contacto:
Grupo de Estadística Ambiental
Centro de estadística y matemática aplicada(CEsMA)
Universidad Simón Bolívar
http://www.cesma.usb.ve/
Desireé Villalta dvillalta@usb.ve
Lelys Bravo lbravo@usb.ve
Andrés Sajo asajo@usb.ve