TP2_Clustering Espacial de Incendios en Huánuco
Javier Carbajal Galarza | Consigna 3
2025
library(readxl)
library(tidyverse)
library(dplyr)
library(stringr)
library(ggplot2)
library(sf)
library(terra)
library(leaflet)
library(leaflet.extras)
library(geodata)
library(spdep)
library(dbscan)
library(RColorBrewer)
library(cluster)
library(factoextra)
library(inflection)
library(kableExtra)Clustering Espacial de Incendios Forestales en Huánuco mediante Algoritmos de Machine Learning
Este análisis utiliza los registros de incendios forestales ocurridos en
el departamento de Huánuco, ubicado en la zona centro-oriental del Perú.
Al ser un territorio que conecta la sierra con la Amazonía, Huánuco
presenta una alta diversidad ecológica, pero también una elevada
vulnerabilidad a incendios, especialmente en áreas donde convergen
actividades agrícolas, zonas boscosas y centros poblados.
El objetivo es identificar patrones espaciales de concentración de
incendios aplicando métodos de Machine Learning para análisis
geográfico, como K-means, DBSCAN y HDBSCAN. Estas técnicas permiten
distinguir zonas críticas con alta densidad de eventos frente a puntos
aislados, y los resultados se integran con la cartografía oficial del
departamento —incluyendo provincias y distritos— para facilitar su
interpretación territorial y su posible uso en la gestión del riesgo y
la planificación ambiental.
#cargo de los datos y despues análisis estadístico exploratorio
incendios_huanuco2025 <- st_read("C:/_ALIDE/Documentos/data_ciencia/MPP-CDD-02/data/serfor/incendios_huanuco.shp") ## Reading layer `incendios_huanuco' from data source
## `C:\_ALIDE\Documentos\data_ciencia\MPP-CDD-02\data\serfor\incendios_huanuco.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 1260 features and 43 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -77.2306 ymin: -10.47345 xmax: -74.86699 ymax: -8.466419
## Geodetic CRS: WGS 84## FUENTE DOCREG FECREG OBSERV
## Length:1260 Length:1260 Min. :1899-12-30 Length:1260
## Class :character Class :character 1st Qu.:1899-12-30 Class :character
## Mode :character Mode :character Median :1899-12-30 Mode :character
## Mean :1899-12-30
## 3rd Qu.:1899-12-30
## Max. :1899-12-30
## NA's :2
## ZONUTM ORIGEN REFER ANNO
## Min. :18 Min. :0 Length:1260 Length:1260
## 1st Qu.:18 1st Qu.:0 Class :character Class :character
## Median :18 Median :0 Mode :character Mode :character
## Mean :18 Mean :0
## 3rd Qu.:18 3rd Qu.:0
## Max. :18 Max. :0
##
## MES DIA DURAC CODPIF
## Length:1260 Length:1260 Length:1260 Length:1260
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## CODRIF CODOIF CODSIN SUPTOT
## Length:1260 Length:1260 Length:1260 Min. : 0.42
## Class :character Class :character Class :character 1st Qu.: 2.80
## Mode :character Mode :character Mode :character Median : 5.62
## Mean : 12.43
## 3rd Qu.: 12.34
## Max. :272.63
##
## NOMDEP NOMPRO NOMDIS CATDEP
## Length:1260 Length:1260 Length:1260 Length:1260
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## CATPRO CATDIS VERAFECT TIPRO
## Length:1260 Length:1260 Min. :0 Min. :0
## Class :character Class :character 1st Qu.:0 1st Qu.:0
## Mode :character Mode :character Median :0 Median :0
## Mean :0 Mean :0
## 3rd Qu.:0 3rd Qu.:0
## Max. :0 Max. :0
##
## CODCF CODPAS FFECHA CODRVIF
## Length:1260 Length:1260 Length:1260 Length:1260
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## created_us created_da last_edite
## Length:1260 Min. :2025-09-22 Length:1260
## Class :character 1st Qu.:2025-09-22 Class :character
## Mode :character Median :2025-10-24 Mode :character
## Mean :2025-10-10
## 3rd Qu.:2025-10-24
## Max. :2025-10-24
##
## last_edi_1 GID_1 GID_0 COUNTRY
## Min. :2025-10-09 Length:1260 Length:1260 Length:1260
## 1st Qu.:2025-10-09 Class :character Class :character Class :character
## Median :2025-10-24 Mode :character Mode :character Mode :character
## Mean :2025-10-17
## 3rd Qu.:2025-10-24
## Max. :2025-10-24
##
## NAME_1 VARNAME_1 NL_NAME_1 TYPE_1
## Length:1260 Length:1260 Length:1260 Length:1260
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ENGTYPE_1 CC_1 HASC_1 ISO_1
## Length:1260 Length:1260 Length:1260 Length:1260
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## ## [1] "sf" "data.frame"## [1] "FUENTE" "DOCREG" "FECREG" "OBSERV" "ZONUTM"
## [6] "ORIGEN" "REFER" "ANNO" "MES" "DIA"
## [11] "DURAC" "CODPIF" "CODRIF" "CODOIF" "CODSIN"
## [16] "SUPTOT" "NOMDEP" "NOMPRO" "NOMDIS" "CATDEP"
## [21] "CATPRO" "CATDIS" "VERAFECT" "TIPRO" "CODCF"
## [26] "CODPAS" "FFECHA" "CODRVIF" "created_us" "created_da"
## [31] "last_edite" "last_edi_1" "GID_1" "GID_0" "COUNTRY"
## [36] "NAME_1" "VARNAME_1" "NL_NAME_1" "TYPE_1" "ENGTYPE_1"
## [41] "CC_1" "HASC_1" "ISO_1" "geometry"## [1] 1260 44# Información del CRS y tipo de geometría
# ver si está en grados, sino reproyectaremos a metros
st_crs(incendios_huanuco2025)## Coordinate Reference System:
## User input: WGS 84
## wkt:
## GEOGCRS["WGS 84",
## DATUM["World Geodetic System 1984",
## ELLIPSOID["WGS 84",6378137,298.257223563,
## LENGTHUNIT["metre",1]]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["degree",0.0174532925199433]],
## CS[ellipsoidal,2],
## AXIS["latitude",north,
## ORDER[1],
## ANGLEUNIT["degree",0.0174532925199433]],
## AXIS["longitude",east,
## ORDER[2],
## ANGLEUNIT["degree",0.0174532925199433]],
## ID["EPSG",4326]]## [1] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [13] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [25] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [37] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [49] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [61] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [73] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [85] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [97] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [109] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [121] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [133] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [145] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [157] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [169] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [181] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [193] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [205] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [217] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [229] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [241] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [253] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [265] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [277] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [289] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [301] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [313] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [325] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [337] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [349] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [361] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [373] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [385] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [397] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [409] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [421] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [433] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [445] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [457] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [469] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [481] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [493] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [505] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [517] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [529] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [541] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [553] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [565] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [577] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [589] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [601] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [613] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [625] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [637] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [649] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [661] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [673] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [685] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [697] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [709] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [721] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [733] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [745] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [757] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [769] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [781] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [793] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [805] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [817] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [829] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [841] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [853] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [865] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [877] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [889] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [901] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [913] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [925] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [937] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [949] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [961] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [973] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [985] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [997] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1009] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1021] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1033] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1045] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1057] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1069] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1081] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1093] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1105] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1117] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1129] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1141] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1153] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1165] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1177] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1189] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1201] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1213] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1225] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1237] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## [1249] POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT POINT
## 18 Levels: GEOMETRY POINT LINESTRING POLYGON MULTIPOINT ... TRIANGLE# Incluyo límites administrativos (nivel 1 = departamentos) y los pasamos a sf
peru_spat <- geodata::gadm("PER", level = 1, path = "C:/_ALIDE/tmp_gadm")
peru <- st_as_sf(peru_spat)
# Igualo CRS del límite al CRS actual de incendios (solo para poder dibujarlos juntos)
peru <- st_transform(peru, st_crs(incendios_huanuco2025))
# Filtro el departamento de Huánuco
huanuco <- peru[ peru$NAME_1 %in% c("Huánuco", "Huanuco"), ]
# Mapa combinado para ubica los puntos de ocurrencias o incendios en Huánuco.
ggplot() +
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1) + # Polígono de Huánuco
geom_sf(data = incendios_huanuco2025, color = "red", alpha = 0.6, size = 1) + # Puntos de incendios
labs(title = "Incendios en el Departamento de Huánuco",
subtitle = "Puntos de ocurrencias",
x = "Longitud", y = "Latitud") +
theme_minimal()
#PREPARACIÓN PARA CLUSTERING: COORDENADAS EN METROS
#Como K-means, DBSCAN esan tn grados reproyectamos los CRS en METROS (ajusta el EPSG a tu zona; 5347).
# Para extraer coordenadas (X,Y) en METROS (del CRS actual)
coords <- st_coordinates(incendios_huanuco2025)
incendios_huanuco2025$X <- coords[,1]
incendios_huanuco2025$Y <- coords[,2]
#lo convierte a metros
incendios_huanuco2025 <- st_transform(incendios_huanuco2025, 5347)
# 3. Mapa
ggplot() +
geom_sf(data = incendios_huanuco2025, size = 0.7, alpha = 0.7, color = "red") +
labs(title = "Puntos de incendios en Huánuco (CRS en metros)",
subtitle = "Datos en metros para clustering",
x = "Este (m)", y = "Norte (m)") +
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1) +
theme_minimal()
1 K-MEANS: PARTICIONAMIENTO EN K CLUSTERS
#Se tiene que sembrar una semilla de la aleatoriedad (centroides iniciales aleatorios)
set.seed(123)# K=3
modelo_kmeans3 <- kmeans(x=incendios_huanuco2025 %>% st_coordinates(.), # Eso hace que lea lista como dos columnas de datos de coordenadas, st_Coordinates (da la estructura)
centers=3,
nstart=25,
iter.max =20)## K-means clustering with 3 clusters of sizes 586, 238, 436
##
## Cluster means:
## X Y
## 1 3664508 8874643
## 2 3612662 8976207
## 3 3725074 8839576
##
## Clustering vector:
## [1] 1 1 1 1 1 3 3 3 1 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 3
## [38] 2 1 3 1 2 2 2 3 1 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 3 3 3 3 1 1 1 1 1 1 1 1 1
## [75] 1 1 1 1 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [112] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [149] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [186] 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [223] 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [260] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [297] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [334] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
## [371] 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [408] 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [445] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [482] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [519] 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 3 3 3 1 1 1
## [556] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [593] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [630] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [667] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [704] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [741] 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [778] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [815] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 3 1 1 3
## [852] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 1 1 1
## [889] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [926] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3
## [963] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 1 3 3 3 3 3 3 3 3 3 1 1
## [1000] 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [1037] 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1074] 1 1 1 1 1 1 3 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2
## [1111] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [1148] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 1 1 1 1 1 1 1 1 1
## [1185] 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 2
## [1222] 2 2 1 1 1 1 1 1 3 1 1 1 3 3 3 3 3 3 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1259] 1 1
##
## Within cluster sum of squares by cluster:
## [1] 868125698752 177627508177 360734134382
## (between_SS / total_SS = 78.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
El modelo K-means con K=3 dividió los incendios en tres zonas
principales con tamaños relativamente grandes (586, 238 y 436 eventos).
Los centroides muestran dónde se concentra cada grupo en el territorio.
El 78% de la variabilidad espacial está explicada por esta partición, lo
que indica una separación moderadamente clara entre clusters, aunque
existe dispersión interna que sugiere que no todos los grupos son
compactos.
# Asigna el número de cluster a cada punto
incendios_huanuco2025 <- incendios_huanuco2025 %>%
mutate(cluster_kmeans=modelo_kmeans3$cluster)#Mapa de K=3 (solo para ver la partición en el espacio)
ggplot()+
geom_sf(data=incendios_huanuco2025, aes(color=as.factor(cluster_kmeans)))+
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1) 
K-means identificó tres regiones prioritarias donde los incendios se concentran. Esto sugiere que existen factores territoriales o socioambientales que influyen en la recurrencia del fuego en esas áreas (uso de suelo, cercanía a campos agrícolas, zonas de transición bosque-selva, etc.), pero este metodo es mas limitado que el DBSCAN o HDBSCAN.
# K=8
modelo_kmeans8 <- kmeans(x = incendios_huanuco2025 %>%
st_coordinates(geometry),
centers = 8,
iter.max = 20,
nstart = 25)
modelo_kmeans8## K-means clustering with 8 clusters of sizes 201, 209, 183, 173, 111, 222, 5, 156
##
## Cluster means:
## X Y
## 1 3667735 8872056
## 2 3610637 8982440
## 3 3730720 8823766
## 4 3678274 8902616
## 5 3636327 8912009
## 6 3722680 8852664
## 7 3833443 8945707
## 8 3661615 8821570
##
## Clustering vector:
## [1] 1 1 1 1 1 6 3 6 8 6 6 6 4 4 4 4 4 4 4 5 5 5 5 5 5 4 4 5 5 5 5 5 5 5 6 1 7
## [38] 2 4 3 5 2 2 2 6 4 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 6 6 6 8 4 4 4 4 4 4 4 4 4
## [75] 4 4 4 4 4 4 4 4 6 1 1 1 1 1 8 1 1 5 1 5 5 1 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
## [112] 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [149] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 6 6 6 6 6
## [186] 6 6 3 3 1 1 1 1 1 1 1 1 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 4 4 4 4 4 4 4
## [223] 4 6 4 4 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 1 1 1 1 1 4 4 4 4 1 1 1 5 5 5 5 5
## [260] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 1 1 1 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## [297] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
## [334] 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 3 3 6 8 6 8
## [371] 8 6 6 6 6 8 8 8 8 8 8 8 8 1 1 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
## [408] 6 6 6 6 6 1 1 1 1 1 1 1 1 1 1 1 8 8 8 8 1 5 5 5 4 4 4 4 4 4 4 4 4 4 4 4 4
## [445] 4 4 4 4 4 5 4 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [482] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [519] 2 2 2 2 2 2 2 2 2 2 2 2 2 6 2 2 4 4 4 4 6 4 4 4 4 1 1 1 6 1 1 6 6 6 1 1 1
## [556] 1 1 4 4 4 4 1 1 4 4 4 4 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 8 8 1 1 1 8 8 8
## [593] 8 8 1 1 1 1 1 1 5 5 5 5 5 5 5 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
## [630] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 6 6
## [667] 3 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 3 3 3 3 3 3 3 3 3 3 3 3 3
## [704] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 6 6 3 3 6 6 6 6 6 6 6 6 6 6
## [741] 6 6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 8 8 1 1 1 8 8 8 8 8
## [778] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
## [815] 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 4 1 8 8 8 6 6 1 1 6
## [852] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 4 4 4 4 4 5 5 5 5 5 5 5 5 1 1 1
## [889] 1 1 1 1 1 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 4 4 4 4 4 4 4 4 1 1 1 1 4 4 5 5 5
## [926] 5 5 5 5 5 5 5 5 5 5 5 5 5 5 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3
## [963] 3 3 3 3 3 3 3 6 6 6 6 6 6 6 6 6 6 8 8 8 8 8 8 8 8 8 6 8 6 8 8 6 6 6 6 1 1
## [1000] 1 1 1 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6
## [1037] 6 6 6 6 6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 1
## [1074] 1 1 1 4 4 4 7 7 7 7 6 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 2 2 2 2 2 2 2
## [1111] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [1148] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 6 3 3 3 5 8 8 8 8 8 1 1 1
## [1185] 1 1 1 1 1 6 6 6 6 6 6 6 6 6 6 6 6 3 6 6 3 3 8 8 8 8 6 2 2 2 2 2 2 2 2 2 2
## [1222] 2 2 5 5 5 5 5 5 6 1 8 8 3 6 6 6 6 6 6 6 6 6 6 8 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1259] 1 1
##
## Within cluster sum of squares by cluster:
## [1] 64797157310 100489822452 48657413518 52067139774 65758442772
## [6] 52449108401 2235358179 57337522606
## (between_SS / total_SS = 93.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"
El modelo K-means con 8 clusters revela que los incendios no se
distribuyen uniformemente, sino que se concentran en al menos ocho zonas
diferenciadas dentro del territorio de Huánuco. El 93 % de la
variabilidad espacial total se explica por la agrupación, lo que indica
una separación fuerte entre los centros definidos. Sin embargo, los
valores desiguales de la suma de cuadrados sugieren que algunos clusters
son compactos y bien definidos, mientras que otros presentan mayor
dispersión interna.
Se observa que hay 8 cluster de los cuales, el clúster 7 tiene solo 5
puntos (numero de incendios). Aunque K-means lo está tratando como un
grupo, pero probablemente sea ruido o puntos aislados (algo que DBSCAN
identifica mejor).
ggplot()+
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1)+
geom_sf(data = incendios_huanuco2025, aes(color=as.factor(cluster_kmeans8)), inherit.aes = FALSE)+
labs(color="Clusters")+
scale_color_brewer(palette = "Paired")+
theme_void()
Método del Codo ¿Cuántos K elegir? este método busca el
punto de inflexión
La curva baja con fuerza entre 1, 2 y 3 clusters, lo que indica que
agrupar mejora bastante en esos valores. A partir de 4, la línea se
aplana y la reducción del error es mínima. Por tanto, el punto donde
deja de bajar fuerte está entre 3 y 4, por lo que ese sería un número
razonable de clusters.
Método silhouette
# - Silhouette: calidad promedio de asignación por K (1≈muy bien, 0≈frontera, <0≈mal)
sil_kmeans3 <- silhouette(x = modelo_kmeans3$cluster,
dist = incendios_huanuco2025 %>%
st_coordinates(.) %>%
dist())Valores cercanos a 0 indican que el punto está próximo al límite entre dos clusters.
sil_kmeans8 <- silhouette(x = modelo_kmeans8$cluster,
dist = incendios_huanuco2025 %>%
st_coordinates(.) %>%
dist())fviz_nbclust(x = incendios_huanuco2025 %>%
st_coordinates(.),
FUN = kmeans,
method = "silhouette",
k.max = 20)
Aquí, el valor máximo también ocurre en “k = 2”, lo que sugiere que 2
clusters es la cantidad óptima para una buena estructura de
agrupamiento, ya que a partir de ese punto, la calidad de los clusters
no mejora significativamente.
k-means supone clusters “compactos y de tamaño similar”. Si la forma es alargada o hay ruido/atípicos, DBSCAN/HDBSCAN suele ir mejor.
2 USO DBSCAN
CLUSTERS POR DENSIDAD (SIN FIJAR K)
#Identificar el nivel de eps y minPts optimo
# DBSCAN usa dos parámetros:
# - eps: radio de vecindad (EN METROS, por nuestro CRS)
# - minPts: mínimo de puntos en esa vecindad para ser “núcleo”
kNNdistplot(st_coordinates(incendios_huanuco2025), k = 20)
abline(h = 150, col = "red")
Aqui se busca el punto donde empieza la subida fuerte (el codo hacia
arriba), que marca el límite entre puntos densos (en clusters) y puntos
aislados (ruido).El valor correcto de eps debería estar justo antes de
la pendiente fuerte, no en la parte plana ni en la parte muy alta.
#para Calcular distancias al k-ésimo vecino más cercano
k <- 20
dist_knn <- kNNdist(st_coordinates(incendios_huanuco2025), k = k)
# Ordena distancias (requisito para detectar el codo)
dist_sorted <- sort(dist_knn)
idx <- seq_along(dist_sorted)
# etecta automáticamente el punto de inflexión ("codo")
knee_index <- uik(x = idx, y = dist_sorted) # uik = unit invariant knee
eps_optimo <- dist_sorted[knee_index]
eps_optimo## [1] 2976.641El eps óptimo ordenado es 3000 o 3 km
#Un primer intento (ajustado la escala a 3000 m o 3 km).
modelo_dbscan <- dbscan(x = incendios_huanuco2025 %>%
st_coordinates(.),
eps = 3000,
minPts = 15)## DBSCAN clustering for 1260 objects.
## Parameters: eps = 3000, minPts = 15
## Using euclidean distances and borderpoints = TRUE
## The clustering contains 11 cluster(s) and 1002 noise points.
##
## 0 1 2 3 4 5 6 7 8 9 10 11
## 1002 16 46 21 27 26 18 28 28 17 16 15
##
## Available fields: cluster, eps, minPts, metric, borderPoints
Con los parámetros iniciales (eps = 3000, minPts = 15), DBSCAN
identificó 11 clústeres pequeños y clasificó el 79.5% de los incendios
(1002 de 1260) como ruido, que puede verse en el gráfico lineas abajo.
Esto indica que la densidad espacial de los eventos es baja o dispersa,
y que los parámetros deben ajustarse (especialmente el valor de eps)
para capturar agrupamientos más representativos del fenómeno.
# Etiquetamos: cluster 0 = ruido (no asignado a ningún núcleo)
incendios_huanuco2025 <- incendios_huanuco2025 %>%
mutate(cluster_dbscan=modelo_dbscan$cluster)# Mapa: ruido en gris, clusters con color
ggplot()+
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1)+
geom_sf(data=incendios_huanuco2025 %>%
filter(cluster_dbscan==0), color="gray", size=0.7)+
geom_sf(data=incendios_huanuco2025 %>%
filter(cluster_dbscan!=0), aes(color=as.factor(cluster_dbscan)))
#Para hacer un zoom hacemos un interactivo
leaflet() %>%
addTiles() %>%
addCircleMarkers(data=incendios_huanuco2025 %>%
filter(cluster_dbscan!=0) %>%
st_transform(4326))
El grafico muestra los clústeres que no son ruido. Las agrupaciones que
sí aparecen son bastante compactas, lo que indica alta densidad local en
áreas específicas del departamento.
pal <- colorFactor(palette = colorRampPalette(brewer.pal(12, "Set3"))(51),
domain = incendios_huanuco2025$cluster_dbscan)leaflet() %>%
addProviderTiles(providers$CartoDB.DarkMatter) %>%
addCircleMarkers(
data = incendios_huanuco2025 %>%
st_transform(4326) %>%
filter(cluster_dbscan != 0),
radius = 3,
color = ~pal(cluster_dbscan),
fillOpacity = 0.8,
stroke = TRUE,
weight = 1
) %>%
addMiniMap(tiles = providers$CartoDB.DarkMatter)
El mapa muestra la distribución espacial de los incendios que DBSCAN
reconoció como parte de un clúster significativo. Cada color representa
un grupo con alta densidad interna y separación respecto a otros. La
concentración principal se localiza en la zona sur y centro de Huánuco,
lo que sugiere áreas de recurrencia o condiciones territoriales
favorables a la propagación del fuego. Los demás puntos del dataset (que
no cumplen los requisitos mínimos de densidad) no se visualizan porque
fueron clasificados como ruido.
#Envolventes convexas por cluster (para visualizar “manchas”)
incendios_dbscan <- incendios_huanuco2025 %>%
filter(cluster_dbscan != 0) %>%
group_by(cluster_dbscan) %>%
summarise(geometry = st_union(geometry)) %>%
st_convex_hull()# Mapa interactivo (Web Mercator) con puntos/convex-hull
leaflet() %>%
addProviderTiles(providers$CartoDB.DarkMatter) %>%
addPolygons(data=incendios_dbscan %>%
st_transform(4326),
color = ~pal(cluster_dbscan),
popup = ~paste0("Cluster N°: ", cluster_dbscan)) %>%
addCircleMarkers(data=incendios_huanuco2025 %>%
st_transform(4326) %>%
filter(cluster_dbscan != 0),
radius = 3,
color = ~pal(cluster_dbscan),
fillOpacity = 0.8,
stroke = TRUE,
weight = 1) %>%
addMiniMap(tiles = providers$CartoDB.DarkMatter)sil_dbscan <- silhouette(modelo_dbscan$cluster, incendios_huanuco2025 %>%
st_coordinates(.) %>%
dist())#Silhouette de DBSCAN (usualmente ignorando ruido = 0)
sil_dbscan %>%
as.data.frame() %>%
filter(cluster!=0) %>%
summarise(sil_width=mean(sil_width))
El índice Silhouette mide qué tan bien asignado está cada punto a su
clúster (toma valores entre -1 y 1), con 0.75 se puede decir que DBSCAN
produjo grupos muy bien formados, con alta densidad interna y buena
separación espacial.
AJUSTE AUTOMÁTICO DE eps CON “CODO” kNN
Método k-NN (K-Nearest Neighbors)
#Distancias al k-ésimo vecino (k=20), 2) ordenarlas, 3) buscar el “codo”
knndist_dbscan <- kNNdist(x = incendios_huanuco2025 %>%
st_coordinates(.),
k = 20)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2809 5042 6729 8829 10643 146849## [1] 2## [1] 2976.641#Visual para documentar la elección
kNNdistplot(x = incendios_huanuco2025 %>%
st_coordinates(.),
k = 20)
abline(v = knee_index, col = "red")
abline(h = eps_optimo, col = "steelblue")
modelo_dbscan_ajustado <- dbscan(x = incendios_huanuco2025 %>%
st_coordinates(.),
eps = eps_optimo,
minPts = 20)## DBSCAN clustering for 1260 objects.
## Parameters: eps = 2976.64145565701, minPts = 20
## Using euclidean distances and borderpoints = TRUE
## The clustering contains 2 cluster(s) and 1215 noise points.
##
## 0 1 2
## 1215 22 23
##
## Available fields: cluster, eps, minPts, metric, borderPointssil_dbscan_ajustado <- silhouette(modelo_dbscan_ajustado$cluster, incendios_huanuco2025 %>%
st_coordinates(.) %>%
dist())# Nueva silhouette (excluyendo ruido)
sil_dbscan_ajustado %>%
as.data.frame() %>%
filter(cluster!=0) %>%
summarise(sil_width=mean(sil_width))
Al ajustar minPts de 15 → 20 (manteniendo eps = 3000), el índice
Silhouette aumentó de 0.75 a 0.96, lo que indica un salto enorme en la
calidad del clustering.
incendios_huanuco2025 <- incendios_huanuco2025 %>%
mutate(cluster_dbscan_ajustado=modelo_dbscan_ajustado$cluster)# Envolventes para los clusters ajustados (solo visual)
incendios_dbscan_ajustado <- incendios_huanuco2025 %>%
filter(cluster_dbscan_ajustado != 0) %>%
group_by(cluster_dbscan_ajustado) %>%
summarise(geometry = st_union(geometry)) %>%
st_convex_hull()# Mapa interactivo con capas (clusters / ruido) con control
leaflet() %>%
addProviderTiles(providers$CartoDB.DarkMatter) %>%
addPolygons(data=incendios_dbscan_ajustado %>%
st_transform(4326),
color = ~pal(cluster_dbscan_ajustado),
popup = ~paste0("Cluster N°: ", cluster_dbscan_ajustado)) %>%
addCircleMarkers(data=incendios_huanuco2025 %>%
st_transform(4326) %>%
filter(cluster_dbscan_ajustado != 0),
radius = 3,
color = ~pal(cluster_dbscan_ajustado),
fillOpacity = 0.5,
stroke = TRUE,
weight = 1) %>%
addMiniMap(tiles = providers$CartoDB.DarkMatter)
El mapa muestra menos clusters. Ahora, un punto ya no entra a un cluster
si solo tiene 15 vecinos, para ello debe tener 20 vecinos dentro de 3
km. Eso elimina agrupamientos marginales. Al incrementar el parámetro
minPts de 15 a 20, el algoritmo DBSCAN eliminó agrupaciones débiles y
conservó únicamente los núcleos de incendios más densos. Esto redujo el
número de clusters pero incrementó drásticamente su coherencia interna,
tal como lo demuestra el índice silhouette, que pasó de 0.75 a 0.96.
leaflet() %>%
addProviderTiles(providers$CartoDB.DarkMatter) %>%
addPolygons(data=incendios_dbscan_ajustado %>%
st_transform(4326),
color = ~pal(cluster_dbscan_ajustado),
popup = ~paste0("Cluster N°: ", cluster_dbscan_ajustado)) %>%
addCircleMarkers(data=incendios_huanuco2025 %>%
st_transform(4326) %>%
filter(cluster_dbscan_ajustado != 0),
radius = 3,
color = "#7B1FA2",
fillOpacity = 0.8,
stroke = TRUE,
weight = 1) %>%
addMiniMap(tiles = providers$CartoDB.DarkMatter)3 Clusters con HDBSCAN
HDBSCAN: DENSIDAD JERÁRQUICA (SIN eps)
# Ventaja: no requiere eps y maneja densidades heterogéneas; entrega "scores" de estabilidad.
modelo_hdbscan <- hdbscan(x = incendios_huanuco2025 %>%
st_coordinates(.),
minPts = 20)## HDBSCAN clustering for 1260 objects.
## Parameters: minPts = 20
## The clustering contains 6 cluster(s) and 196 noise points.
##
## 0 1 2 3 4 5 6
## 196 204 31 23 93 365 348
##
## Available fields: cluster, minPts, coredist, cluster_scores,
## membership_prob, outlier_scores, hc
HDBSCAN redujo el ruido de 1002 (DBSCAN) a 196 puntos, lo que significa
que el patrón espacial de incendios sí pertenece a múltiples núcleos de
densidad real, y no solo a unos pocos focos dispersos. Eso quiere decir
que los incendios no están tan dispersos como parecía al inicio:
realmente sí existen varias zonas donde se concentran con fuerza. Una
ventaja importante de HDBSCAN es que no obliga a elegir cuántos
clústeres habrá. En lugar de imponer un número (como ocurre con
K-means), el método detecta por sí mismo cuántos grupos reales existen
en los datos. Ahora, los clústeres aparecen porque están en los datos,
no porque uno como analista los forzó. Esto hace que el resultado sea
más real / fiel al comportamiento del fenómeno.
ggplot()+
geom_sf(data = huanuco, fill = NA, color = "black", linewidth = 1)+
geom_sf(data=incendios_huanuco2025 %>%
filter(cluster_hdbscan==0),
color="gray", size=0.5)+
geom_sf(data=incendios_huanuco2025 %>%
filter(cluster_hdbscan!=0),
aes(color=as.factor(cluster_hdbscan)))+
labs(color="Clusters")+
theme_void()
# Mapa: ruido (0) en gris, clusters coloreados
pal_hdbscan <- colorFactor(palette = colorRampPalette(brewer.pal(12, "Set3"))(90),
domain = incendios_huanuco2025$cluster_hdbscan)# Envolventes convexas por cluster HDBSCAN (visual)
incendios_hdbscan <- incendios_huanuco2025 %>%
dplyr::filter(cluster_hdbscan != 0) %>%
dplyr::group_by(cluster_hdbscan) %>%
dplyr::summarise(n = dplyr::n(), .groups = "drop") %>%
sf::st_convex_hull()# Leaflet de HDBSCAN (puntos + envolventes)
leaflet() %>%
addProviderTiles(providers$CartoDB.DarkMatter) %>%
# Polígonos (envolventes)
addPolygons(
data = incendios_hdbscan %>% st_transform(4326),
color = ~pal_hdbscan(cluster_hdbscan),
fillColor = ~pal_hdbscan(cluster_hdbscan),
fillOpacity = 0.25,
weight = 2
) %>%
# Puntos de clúster
addCircleMarkers(
data = incendios_huanuco2025 %>%
st_transform(4326) %>%
dplyr::filter(cluster_hdbscan != 0),
radius = 4,
color = ~pal_hdbscan(cluster_hdbscan),
fillOpacity = 0.85,
stroke = FALSE
) %>%
# Puntos ruido (cluster 0) opcional
addCircleMarkers(
data = incendios_huanuco2025 %>%
st_transform(4326) %>%
dplyr::filter(cluster_hdbscan == 0),
radius = 2,
color = "gray70",
fillOpacity = 0.4,
stroke = FALSE
) %>%
addMiniMap(tiles = providers$CartoDB.DarkMatter)
Este mapa muestra los clusters de incendios forestales identificados
mediante HDBSCAN en el departamento de Huánuco y zonas aledañas. Cada
color representa un grupo de incendios que el algoritmo detectó como una
zona con alta densidad de ocurrencias, es decir, un foco territorial
donde los incendios tienden a repetirse o concentrarse.
Los incendios no están distribuidos de manera uniforme; se agrupan en al
menos 3–4 zonas principales, que podrían corresponder a áreas agrícolas,
zonas de transición bosque–cultivo o ejes viales.
El método eliminó gran parte del “ruido”, es decir, los puntos aislados sin patrón claro. Cada envolvente (polígono) muestra la extensión geográfica de cada clúster, no solo puntos sueltos.
# Métrica silhouette (excluyendo ruido)
sil_hdbscan <- silhouette(modelo_hdbscan$cluster, incendios_huanuco2025 %>%
st_coordinates(.) %>%
dist())
El índice Silhouette de 0.54 indica que los clusters obtenidos son
razonablemente consistentes: los incendios dentro de cada grupo tienden
a estar relativamente cerca entre sí y suficientemente lejos de otros
clusters. No es una separación perfecta, pero sí evidencia que la
distribución espacial tiene una estructura clara y no es aleatoria.
# Estabilidad de clusters (propia de HDBSCAN), valores mayores = clusters más robustos
hdbscan_estabilidad <- incendios_huanuco2025 %>%
filter(cluster_hdbscan!=0) %>%
group_by(cluster_hdbscan) %>%
summarise(n=n()) %>%
mutate(estabilidad=modelo_hdbscan$cluster_scores)
HDBSCAN no solo detectó clusters, sino que midió qué tan “verdaderos”
son. Los clusters 5, 1 y 6 no son casualidades: son zonas donde los
incendios se concentran de forma consistente, lo que los convierte en
áreas prioritarias para prevención y monitoreo.
El gráfico muestra qué clusters son consistentes en los datos: los altos
y gruesos son grupos reales, los cortos son débiles y lo que no tiene
barra es ruido. ASí, el cluster 5 es el que se mantiene unido durante
más tiempo cuando el algoritmo reduce la densidad, es decir, es el grupo
más fuerte y consistente espacialmente.El segundo más estable es el
cluster 1, seguido por el cluster 6.
El análisis demuestra que los incendios en Huánuco no ocurren de manera
aleatoria: forman núcleos espaciales consistentes concentrados en zonas
específicas.Entre los métodos probados, HDBSCAN ofrece la mejor
capacidad para identificar estos patrones de forma realista, al
reconocer diferencias de densidad, reducir ruido y permitir priorización
territorial.Su aplicación puede servir como base técnica para diseñar
estrategias de prevención, asignación de recursos y monitoreo satelital
enfocado, superando el enfoque administrativo tradicional basado en
distritos o provincias.