Video Experimental Relacionado
Updated: Feb 24, 2026

A Protocol for Conducting Rainfall Simulation to Study Soil Runoff
Published on: April 3, 2014
Optimización de las características de las precipitaciones para determinar los umbrales de deslizamientos de tierra
Himasha Abeysiriwardana1, Thomas Kjeldsen1, Cormac Reale1
1Department of Architecture and Civil Engineering, Claverton Down Campus, University of Bath, Bath, BA2 7AY UK.
Este estudio introduce un nuevo marco para establecer umbrales de precipitación para predecir deslizamientos de tierra en áreas con datos limitados. Los métodos de inferencia bayesiana ofrecen umbrales de predicción de deslizamientos de tierra más estables que los mínimos cuadrados no lineales, especialmente con períodos de lluvia antecedente más largos.
Área de la Ciencia:
- Geociencias
- Hidrología
- Riesgos Naturales
Sus antecedentes:
- La predicción de deslizamientos de tierra utiliza comúnmente umbrales de precipitación, pero estos son sensibles a la definición del evento.
- La definición del tiempo mínimo entre eventos (MIT) y del evento desencadenante (TE) afecta significativamente la precisión del umbral.
Objetivo del estudio:
- Desarrollar un nuevo marco para umbrales de precipitación basados en datos en regiones de alto riesgo y con datos limitados.
- Evaluar el impacto de las definiciones de MIT y TE en la estimación de umbrales de precipitación utilizando inferencia bayesiana (BI) y mínimos cuadrados no lineales (NLS).
Principales métodos:
- Se emplearon técnicas de inferencia bayesiana (BI) y mínimos cuadrados no lineales (NLS).
- Se analizaron los espacios de duración de la precipitación y de intensidad-duración utilizando datos de precipitación de 15 minutos (2005-2023) y registros de deslizamientos de tierra de South Wales.
- Se evaluaron las variaciones en las definiciones de tiempo mínimo entre eventos (MIT) y evento desencadenante (TE).
Principales resultados:
- Los umbrales derivados de la inferencia bayesiana (BI) demostraron ser más estables que los derivados de los mínimos cuadrados no lineales (NLS).
- Los métodos NLS a menudo produjeron umbrales poco realistas y casi planos, especialmente en el espacio de intensidad-duración.
- Tanto BI como NLS mostraron un rendimiento óptimo con un tiempo mínimo entre eventos (MIT) de 48 horas, lo que resalta el papel de la lluvia antecedente.
Conclusiones:
- Los métodos bayesianos robustos pueden mejorar la predicción de deslizamientos de tierra en regiones con escasez de datos mediante la reducción de escala de los umbrales globales.
- Las prácticas cuidadosas de delineación de eventos son cruciales para mejorar la precisión de los modelos de predicción de deslizamientos de tierra.
- El estudio proporciona un marco para establecer umbrales de precipitación confiables y basados en datos para sistemas de alerta temprana de deslizamientos de tierra.
Más Videos Relacionados
Videos de Conceptos Relacionados
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Design Example: Maintaining Level of an Embankment
Precipitation Processes
Precipitation Titration: Endpoint Detection Methods
In the Volhard method, a standard excess of AgNO3 is first added to the...
Precipitation and Co-precipitation
Precipitation Gravimetry
In determining nickel by gravimetric analysis, a precipitant of ethanolic dimethylglyoxime is added to a hot nickel salt solution. This is quickly followed by the dropwise addition of dilute ammonia solution until precipitation occurs. A...

