Analyse von Erdbebenvorkommen in Ecuador (Festland)

Susanne Krieger

1 Einleitung

Tektonisch liegt das Festland Ecuadors auf dem nord-westlichen Teil der Südamerikanischen Platte, welche im Pazifischen Ozean vor der Küste des Landes auf die ozeanische Nazca Platte trifft. Es handelt sich um eine aktive Subduktionszone, den kolumbianischen-ecuadoriansichen Graben, welche dem Pazifischen Feuerring zuzuordnen ist (Chatelain et al., 1999; Parra et al., 2016). Aufgrund der tektonischen Charakteristika des Landes ist die seismische Aktivität in Ecuador entsprechend als hoch einzustufen - Erdbeben mit einer Magnitude von > 5.0 (Richterskala) sind keine Seltenheit (Beauval et al., 2018). Gleichzeitig ist der südamerikanische Staat geprägt von einem stetigen Bevölkerungswachstum sowie steigenden sozio-ökonomischen Ungleichheiten (INEC, 2012). Vor diesem Hintergrund wird die Erforschung historischer Erdbebenvorkommen somit immer wichtiger, um das Erdbebenrisiko für die ecuadorianische Bevölkerung besser einschätzen und entsprechende Präventionsmaßnahmen treffen zu können (Parra et al., 2016).

Ziel dieser Untersuchung ist es daher, die räumliche Verteilung sowie die Intensitäten der Erdbebenvorkommen in Ecuador (Festland) in einem Untersuchungszeitraum zwischen 2000-2020 zu analysieren. Im Fokus der Arbeit steht damit folgende Frage: In welchem Ausmaß waren einzelne Regionen Ecuadors (Festland) in den letzten 20 Jahre von Erdbeben betroffen? Zur Beantwortung der Fragestellung werden insgesamt drei Hypothesen genauer betrachtet:

  1. Das Vorkommen und die Intensität von Erdbeben ist in Küstenbereichen des Landes aufgrund der unmittelbaren Nähe zur Subduktionszone des Pazifischen Feuerrings höher ausgeprägt als im Landesinneren.
  2. Die räumliche Verteilung der Erdbebenvorkommen ist unabhängig der Erdbebentiefe.
  3. Für den Menschen gefährliche Erdbeben, d.h. seichte Erdbeben ab einer Magnitude > 5.0 (Parra et al., 2016; USGS, 2020), treten tendenziell in bevölkerungsreichen Gebieten auf. Aufgrund der Bevölkerungsverteilung sind damit verhältnismäßig viele Menschen in Ecuador Erdbebengefahren ausgesetzt.

Die Analyse beruht auf frei verfügbaren Geodaten unterschiedlicher Anbieter, welche unter Einsatz der Software RStudio kontextualisiert und zur Beantwortung der Fragestellung aufbereitet werden.


2 Datengrundlage

Die zentrale Datengrundlage dieser Arbeit setzt sich aus folgenden Datensätzen zusammen:

Zu Zwecken der Visualisierung wurden dazu noch folgende Informationen bezogen:


3 Allgemeine Datenaufbereitung

3.1 Vorbereitung des Arbeitsraumes in RStudio

Bevor die methodische Analyse durchgeführt werden kann, muss zunächst ein persönliches Arbeitsumfeld in RStudio definiert werden und weitere Pakete mit methodisch spezialisierten Funktionen geladen werden.

### GENERAL ---
# load packages 
if (!require(sf)){install.packages("sf"); library(sf)}
if (!require(dplyr)){install.packages("dplyr"); library(dplyr)}
if (!require(tmap)){install.packages("tmap"); library(tmap)}
if (!require(ggplot2)){install.packages("ggplot2"); library(ggplot2)}
if (!require(lubridate)){install.packages("lubridate"); library(lubridate)}
if (!require(rgeos)){install.packages("rgeos"); library(rgeos)}
if (!require(RColorBrewer)){install.packages("RColorBrewer"); library(RColorBrewer)}
if (!require(tidyverse)){install.packages("tidyverse"); library(tidyverse)}
if (!require(viridis)){install.packages("viridis"); library(viridis)}
if (!require(ggpubr)){install.packages("ggpubr"); library(ggpubr)}
if (!require(raster)){install.packages("raster"); library(raster)}

3.2 Basisdaten einlesen und modifizieren

3.2.1 Landes- und Verwaltungsgrenzen

Als Basis des Projektes dienen Shapefile-Datensätze der Verwaltungsgrenzen Ecuadors auf Ebene der Provincias, ähnlich der Bundesländer in Deutschland, sowie detaillierter auf Ebene der Cantones, vergleichbar mit unseren Landkreisen. Da sich die Analyse nur auf Gebiete des ecuadorianischen Festlandes bezieht, werden bur Einheiten ausgewählt, die nicht zu den Galapagos Inseln gehören. Die Landesgrenzen (Ecuador, Festland) werden in einem nächsten Schritt aus den geometrischen Informationen der Provincias abgeleitet, indem diese über den Befehl summarise zusammengefasst werden.

### SPATIAL DATA, Ecuador boundaries ------
# A. Provincias ----
# read the data, boundaries provincias 
ecuador_provincias <- st_read('data/ecu_admbnda_adm1_inec_20190724.shp')

# select all provinces on the mainland 
ecuador_prov_mainland <- ecuador_provincias %>% 
  filter(ADM1_ES != 'Galapagos') %>% 
  dplyr::select(Shape_Leng, Shape_Area, ADM1_ES, ADM1_PCODE, ADM0_PCODE, geometry)

# transform to dataframe (for further visualization with ggplot)
provincias_sp <- as_Spatial(ecuador_prov_mainland)
provincias_df <- fortify(provincias_sp)


# B. Cantones ----
# read the data, boundaries cantones 
ecuador_cantones <- st_read('data/ecu_admbnda_adm2_inec_20190724.shp')

# select all provinces except galapagos 
ecuador_canton_mainland <- ecuador_cantones %>% 
  filter(ADM1_ES != 'Galapagos') %>% 
  dplyr::select(Shape_Area, ADM2_ES, ADM2_PCODE, ADM1_ES, ADM1_PCODE, ADM0_PCODE, geometry)


# C. Country, mainland  ----
# create a new object with geometry information of provincias and dissolve polygons (wgs84)
ecuador_country <- ecuador_prov_mainland %>% 
  summarise(Shape_Area = sum(Shape_Area)) 

3.2.2 Städte

Räumliche Informationen zu größeren Städten des Landes werden aus dem OSM Datensatz Ecuador Populated Places abgeleitet, der über die Datenbank für humanitäre Angelegenheiten der Vereinten Nationen bereit gestellt wird. Aus dem Datensatz werden nur Orte extrahiert, die mit der Eigenschaft city versehen sind sowie eine bestimmte Einwohnerzahl (> 250.000 EW) haben.

# C. Major cities in Ecuador ---
# load the data, populated places in Ecuador 
ecuador_pop_places <- st_read('data/hotosm_ecu_populated_places_points.shp')

# extract only place = city and cities with population with > 250.000 inhabitants (Census INEC 2010)
ecuador_cities_big <- ecuador_pop_places %>% 
  filter(place == "city") %>% 
  dplyr:: select(place, name, population, geometry) %>% 
  filter(name == 'Guayaquil' | name == 'Quito' | name == 'Cuenca' | name == 'Santo Domingo')

# extract the capital city Quito by name
capital_city <- filter(ecuador_cities_big, name == 'Quito')

3.2.3 Erdbeben zwischen 2000-2020

Der verwendete Datensatz zu Erdbeben in Ecuador stammt aus der weltweiten Datenbank der US Geological Survey und liegt im CSV-Format vor. Für weitere Analysen wird eine neue Spalte erstellt, in dem die Erdbeben abhängig der Erdbebentiefe in zwei Gruppen unterteilt werden:

  • Seichte Erdbeben (Shallow), in einer Tiefe bis zu 70 km unter der Erdoberfläche
  • Tiefe Erdbeben (Deep-focus), in einer Tiefe ab 70 km unter der Erdoberfläche

Die angewandte Kategorisierung der Erdbeben basiert auf Informationen des Datenanbieters USGS. Eine Unterteilung der Erdbeben nach dem Paramter der Tiefe ist für die vorliegende Untersuchung deshalb von Bedeutung, da potenzielle Auswirkungen auf den Menschen bei seichten Erdbeben höher sind als bei tiefer gelegenen Vorkommen gleicher Magnitude (Parra et al., 2016).

### EARTHQUAKE DATA, Ecuador ---
## General operations ---
# read usgs earthquake csv
earthquakes <- read.csv(file = "data/Earthquake_Ecuador.csv", sep = ',', header = T, stringsAsFactors = F, 
                               na.strings = "")

# create groups of magnitude depth (shallow, 0-70 km; 2- deep-focus, > 70 km)
earthquakes$magGroup <- if_else(earthquakes$depth >= 0 & earthquakes$depth <= 70, 'Shallow', 
                                if_else(earthquakes$depth > 70, 'Deep-focus','NA'))

Zur räumlichen Verortung der Erdbeben werden die Daten über die Zuweisung eines CRS in Simple Feature Objekte überführt und auf das Ausmaß der Landesgrenze Ecuador (Festland) zugeschnitten.

# transform dataframe to sf object and delete supplementary columns
earthquakes_sf <- earthquakes %>% 
  st_as_sf(coords = c('longitude', 'latitude'), crs = 4326) %>% 
  st_transform(32717) %>%
  dplyr::select(time, depth, mag, place, magGroup, geometry) %>% 
  rename(Magnitude = mag)


## Clip to Ecuador mainland ----
# choose only earthquakes within Ecuador mainland 
earthquakes_ecuador_utm <- earthquakes_sf[subset(ecuador_country_utm), ]

# reproject to wgs84 for further visualization
earthquakes_ecuador_wgs <- st_transform(earthquakes_ecuador_utm, 4326)


3.2.4 Plattentektonik

Um die räumliche Verteilung von Erdbeben in Ecuador in Kontext zu setzen, sollen zusätzlich Informationen zur Plattentektonik in dem Untersuchungsgebiet dargestellt werden. Da die Daten zu verschiedenen Typen von Plattengrenzen separat vorliegen, werden diese zunächst zu einem gesamten Datensatz (weltweit) verschnitten werden.

# A. General data exploration 
# load the data
tectonics_ridges <- st_read('data/ridge.shp')
tectonics_transform <- st_read('data/transform.shp')
tectonics_trench <- st_read('data/trench.shp')

# create indicator columns for each data set and select important columns 
tectonics_ridges$type <- 'ridge'
tectonics_ridges <- dplyr::select(tectonics_ridges, strnum, platecode, geogdesc, geometry, type)

tectonics_transform$type <- 'transform'
tectonics_transform <- dplyr::select(tectonics_transform, strnum, platecode, geogdesc, geometry, type)

tectonics_trench$type <- 'trench'
tectonics_trench <- dplyr::select(tectonics_trench, strnum, platecode, geogdesc, geometry, type)

# merge the data to one dataset 
tectonics_all <- rbind(tectonics_ridges, tectonics_transform, tectonics_trench)

# check the crs 
st_crs(tectonics_all)

Zu Visualisierungzwecken werden die Daten nicht nur auf das Festland Ecuadors, sondern auf einen erweiterten Auschnitt zugeschnitten, welcher auch küstennahe Bereiche beinhaltet, in denen die Subduktionszone des Pazifischen Feuerrings zu verorten ist.


4 Analyse und Visualisierung

Die Analyse ist in zwei Bereiche unterteilt: In einem ersten Teil wird auf einem größeren Maßstab die räumliche Verteilung sowie die Intensitäten von Erdbebenvorkommen zwischen 2000-2020 für das gesamte Festland Ecuadors betrachtet. Aufbauend auf diesen Ergebnissen liegt der Fokus im zweiten Teil der Analyse auf einer besonders betroffenen Region, welche (v.a. im Hinblick auf Bevölkerungszahlen) genauer untersucht wird.


4.1 Geographische Gliederung Ecuadors

Als Einführung in die Thematik soll nachfolgend ein überblick über die geographische Gliederung des ecuadorianischen Festlandes gegeben werden. Die Unterteilung der Regionen orientiert sich an wissenschaftlichen Artikeln zur Botanik und Biologie Ecuadors (Brito Vera & Borges, 2015; Schneider et al., 2018). Die Provincias des ecuadorianischen Festlandes werden entsprechend in drei Zonen eingeteilt: Costa, Sierra und Oriente. Die Zuordnung erfolgt durch die Erstellung einer neuen Spalte im Original-Datensatz, darauffolgend werden die einzelnen Polygone in drei Zonen zusammengefasst.



4.2 Überblick: Erdbebenvorkommen auf dem Festland Ecuadors zwischen 2000-2020

4.2.1 Analyse der Datenverteilung nach Magnitude und Tiefe

Vor der räumlichen Aufbereitung und Analyse der Erdbebendaten, ist es interessant zu untersuchen, ob wesentliche Unterschiede zwischen den zugeordneten Gruppen bestehen. Die nachfolgende Darstellung zeigt entsprechend die Datenverteilung der Erdbebenstärke (Magnitude) in Abhängigkeit der Tiefe des Erdebebens. Zur Visualisierung wird auf das Paket ggplot2 zurückgegriffen, das auch für spätere Darstellungen angewandt wird. Hierfür müssen die geometrischen Daten der Simple Feature Objekte in das Datenformat eines dataframe überführt werden.

# convert to dataframe for visualization with ggplot
earthquakes_ecuador_sp <- as_Spatial(earthquakes_ecuador_wgs) # intermediate step for conversion (to Spatial Object)
earthquakes_ecuador_df <- fortify(earthquakes_ecuador_wgs) # finale step for conversion (to dataframe)

# boxplot with ggplot
ggplot() + 
  geom_boxplot(data = earthquakes_ecuador_df, aes(x= magGroup, y = Magnitude, fill = magGroup)) + 
  labs(title = 'Earthquakes in Ecuador between 2000-2020', y = 'Magnitude', caption = 'Data: USGS [2020]') + 
  theme(axis.text.x = element_blank(),
        axis.title.x = element_blank(),
        axis.ticks.x = element_blank(), 
        plot.title = element_text(face = 'bold')) + 
  scale_fill_discrete('Earthquake depth')

Aus der Darstellung lassen sich keine maßgeblichen Differenzen zwischen den Medianwerte sowie der Datenverteilung im Innerquartilsabstand der betrachteten Gruppen ableiten. Das einzige Unterscheidungsmerkmal ist die höhere Anzahl an Ausreißern für seichte Erdbeben, d.h. Extremwerte, die sowohl negativ als auch positiv außerhalb des Innerquartilsabstandes liegen. Zusammenfassend ist anhnad der Graphik kein unmittelbarer Zusammenhang der Magnitude mit zunehmender bzw. abnehmender Tiefe festzuhalten.


4.2.2 Zeitlich differenzierte Kartierung aller Erdbebenvorkommen

Da der eingeladene Datensatz zu Erdbebenvorkommen über den gesamten Zeitraum von 20 Jahren sehr viele Datenpunkte enthält, bietet sich eine zeitlich differenzierte Kartierung der Erdbebenvorkommen an. Dazu werden die Daten insgesamt vier gleichmäßigen Zeitabschnitten von jeweils fünf Jahren zugeordnet (2000-2005, 2005-2010, usw.). Die zeitliche Dimension der einzelnen Erdbeben wird aus der Spalte time extrahiert, welche im Originaldatensatz jedoch noch nicht im datetime-Format vorliegt. Bevor die zeitlichen Informationen über Funktionen des Paketes lubridate bestimmt werden können, müssen die Daten bereinigt und in ein verarbeitbares Format (ymd hms) überführt werden. Aus den bereinigten und transformierten Daten kann daraufhin die zeitliche Information year separat entnommen und in einer neuen Spalte zugeordnet werden. In einem letzten Schritt können auf dieser Datenbasis zusätzlich neue Spalteninformationen zu den gewünschten Zeiträumen erstellt werden.

# clear up the time values of earthquakes_sf
time_values <- gsub("T", "", earthquakes_ecuador_wgs$time) 
time_values <- substr(time_values, 1, 18) 
earthquakes_ecuador_wgs$time <- time_values

# create datatime format for time values, earthquakes_sf 
time_values <- ymd_hms(earthquakes_ecuador_wgs$time, tz = "UTC")
earthquakes_ecuador_wgs$time <- time_values

# create groups of time spans 
earthquakes_ecuador_wgs$year <- year(earthquakes_ecuador_wgs$time)
earthquakes_ecuador_wgs$timeGroup <- if_else(earthquakes_ecuador_wgs$year >= 2000 & 
                                               earthquakes_ecuador_wgs$year <= 2005,
                                             '2000-2005', 
                                    if_else(earthquakes_ecuador_wgs$year > 2005 & 
                                              earthquakes_ecuador_wgs$year <= 2010,
                                            '2006-2010',
                                            if_else(earthquakes_ecuador_wgs$year > 2010 & 
                                                      earthquakes_ecuador_wgs$year <= 2015,
                                                    '2011-2015',
                                                    if_else(earthquakes_ecuador_wgs$year > 2015 & 
                                                              earthquakes_ecuador_wgs$year <= 2020, 
                                                            '2016-2020', 'NA'))))

Mit den neuen Informationen kann der Erdbebendatensatz nun zeitlich differenziert dargestellt werden. über die Funktion tm_facets des tmap Paketes kann eine automatisierte Visualisierung der Daten nach einer bestimmten Variable, in dem vorliegenden Fall der fünfjährigen Zeiträume, durchgeführt werden. Abstufungen in der Farb- und Formgebung helfen weiterhin für eine detaillierte Darstellung der Erdbebenvorkommen.

map_earthquakes_diff <- tm_shape(ecuador_country) + 
  tm_polygons(col="grey", border.col="white", alpha = 0.5) + 
  tm_shape(ecuador_zonas) + 
  tm_polygons(col = NA, border.col = 'white', alpha = 0.5, lwd = 0.3) + 
  tm_scale_bar(color.dark = 'gray18', breaks = c(0, 50, 100, 150, 200), position = c('right', 'bottom')) + 
  tm_shape(earthquakes_ecuador_wgs) +
  tm_symbols(size = 'Magnitude', shape = 'magGroup', shapes = c(21, 25),
             col = 'Magnitude', border.col = 'gray15', border.lwd = 0.6, 
             alpha = 1, palette = 'YlOrRd', title.shape = 'Earthquake depth', 
             legend.hist = TRUE, legend.col.show = T, legend.size.show = F,
             legend.hist.title = 'Magnitude frequency') +
  tm_facets(by = 'timeGroup') + 
  tm_shape(capital_city) + 
  tm_symbols(size = 0.3, shape = 15, col = 'gray24') + 
  tm_text(text = 'name', xmod = 1.4, ymod = 0.35, size = 0.9, fontface = 'bold') + 
  tm_layout(inner.margins = c(0.15, 0.01, 0.05, 0.12), 
            legend.hist.width = 1, 
            legend.outside.position = 'right', 
            legend.title.fontface = 'bold', 
            title = 'Earthquake occurrence\nbetween 2000-2020', 
            title.fontface = 'bold', title.size = 1.3, 
            legend.text.size = 0.95)
map_earthquakes_diff


Dank der zeitlichen Differenzierung konnte der Umfang des Datensatzes für die jeweilige Abbildung zwar reduziert werden; eindeutige Aussagen über räumliche Verteilungsmuster der Erdbebenvorkommen sind aufgrund der Vielzahl an Einzeldatenpunkten jedoch noch nicht möglich. Tendenziell lassen sich zwei Schwerpunkte der Erdbebenvorkommen erkennen - einerseits im Landesinneren, in der biogeographischen Region des Oriente, sowie andererseits in der Küstenregion, in der v.a. innerhalb der letzten fünf Jahre verhältnismäßig viele Erdbeben stattgefunden haben.


4.2.3 Heatmap - Räumliches Clustering aller Erdbebenvorkommen

Zur Ermittlung von Erdbebenrisikozonen auf dem ecuadorianischen Festland bietet es sich weiterhin an, eine zusammenfassende Analyse der räumlichen Verteilung und Dichte der Erdbebenvorkommen durchzuführen. Um einen umfassenderen überblick zu bekommen, sollen im Folgenden die Daten der Erdbebenvorkommen nicht mehr punktuell dargestellt, sondern miteinander in Verbindung gebracht und somit Erdbebenzentren besser ersichtlich werden. Die Analyse ist dabei nicht mehr zeitlich aufgegliedert, sondern bezieht sich auf den gesamten Untersuchungszeitraum (2000-2020). Da die angewandte Methodik über die Funktion ggplot durchgeführt wird, muss auch hier zunächst eine Umwandlung der Datenformate erfolgen (siehe 4.2.1).


Über die Funktion stat_density2d wird eine Kerndichteschätzung (engl.: kernel density estimation) durchgeführt. Es handelt sich dabei um ein statistisches Verfahren, das die Wahrscheinlichkeitsverteilung einer betrachteten Varibale, in dem vorliegenden Fall der Erdbebenvorkommen zwischen 2000-2020, berechnet. Die Ergebnisse, dargestellt in Form einer Heatmap, lassen somit Rückschlüsse auf (räumliche) Verteilungsmuster der untersuchten Daten zu.

# visualization with ggplot, all earthquakes 
heatmap_allgroups <- ggplot()+
  geom_polygon(data = mainland_df, aes(long, lat, group = group), colour = NA, 
               fill = 'gray38', alpha = 0.9) + 
  geom_polygon(data = colombia_df, aes(long, lat, group = group),
               fill = 'gray70', alpha = 0.9, colour = 'white', lwd = 0.1) + 
  geom_polygon(data = peru_df, aes(long, lat, group = group), 
               fill = 'gray70', alpha = 0.9, colour = 'white', lwd = 0.1) + 
  geom_path(data = tectonics_df, aes(long, lat, group = group, linetype = type), 
            colour = 'gray15', lwd = 0.8) + 
  geom_polygon(data = zonas_df, aes(long, lat, group = group), colour = 'white', 
               lwd = 0.1, alpha = 0.9, fill = NA) + 
  scale_linetype_manual(values = c(4,1), name = 'Plate boundary') + 
  geom_sf(data = capital_city, colour = 'black', size = 1, shape = 15)  + 
  geom_sf_text(data = capital_city, aes(label = name), colour = 'black', size = 2.5,  
               nudge_x = -0.45, nudge_y = 0.15) + 
  stat_density2d(aes(x = X, y = Y, fill = ..level.., alpha = ..level..), 
                 data = earthquakes_ecuador_df, geom = "polygon") + 
  scale_fill_gradient(low = "yellow", high = "red", name = 'Earthquake\noccurrence', 
                      breaks=c(0.05,0.175,0.30),labels=c("Low","Moderate","High"),
                      limits=c(0,0.35)) +
  scale_alpha(guide = FALSE) + 
  theme(panel.grid.major = element_line(colour = 'white', size = 0.3),
        panel.grid.minor = element_blank(),
        legend.position = "right", 
        axis.title = element_blank(),
        panel.background = element_rect(fill = 'lightcyan2', colour = NA), 
        plot.title = element_text(face = 'bold')) + 
  labs(title = 'Earthquake occurrence in Ecuador between 2000-2020', 
       caption = "Data: OCHA, Plates Project, USGS") 
heatmap_allgroups

Die Analyse zeigt eine starke Konzentration der Erdbebenvorkommen im Inland Ecuadors - die hier ermittelte Erdbebenrisikozone (unabhängig der Erdbebentiefe bzw. Intensität) befindet sich damit nicht in unmittelbarer Nähe der Subduktionszone des Pazifischen Feuerrings. Nur schwach lässt sich eine zweite Achse verstärkter Erdbebenvorkommen erkennen, welche tendenziell in den Küstenbereichen der nördlichen Regionen zu verorten ist. Auf Basis der vorliegenden Darstellung kann die erste Hypothese dieser Arbeit, dass mehr Erdbeben in den Küstenbereichen des Festlandes vorkommen, demnach jedoch nicht bestätigt werden.


4.2.4 Heatmap - Räumliches Clustering der Erdebebenvorkommen nach Tiefe

Zur vertiefenden Analyse der Fragestellung ist es weiterhin interessant, die Verteilungsmuster der Erdbeben aufgegliedert nach der Tiefe der Ereignisse zu betrachten. Dieser Teil der Untersuchung bezieht sich insbesondere auf die zweite Hypothese der Arbeit und dient dazu herauszufinden, ob die räumliche Verteilung der Erdbebenvorkommen unabhängig der Tiefe des jeweiligen Ereignisses ist. Der Erdbebendatensatz wird dazu zunächst abhängig der Tiefe (Shallow, Deep-focus) aufgegliedert.

# extract only shallow or deep-focus earthquakes 
earthquakes_shallow_df <- filter(earthquakes_ecuador_df, magGroup == 'Shallow')
earthquakes_deep_df <- filter(earthquakes_ecuador_df, magGroup == 'Deep-focus')

Für eine vergleichende Betrachtung werden die extrahierten Daten in zwei separaten Objekten mit ggplot dargestellt und über die Funktion ggarrange in einer gemeinsamen Graphik verbunden. Die Ergebniskarte zeigt interessante räumliche Unterschiede zwischen tiefen und seichten Erdbebenvorkommen:

# arrange both heatmaps in one figure
heatmaps_arrange <- ggarrange(heatmap_shallow_arrange, heatmap_deep_arrange, 
                     common.legend = TRUE, legend = 'bottom')
heatmaps_arrange

Die Analyse zeigt deutliche Differenzen in der räumlichen Verteilung der Erdbeben je nach Tiefe der Vorkommen. Während tiefere Erdbeben (Deep-focus) sehr zentriert auf ca. 77.5° W, 2.5° S im Landesinneren stattfinden, sind seichte Erdbeben vorwiegend in den Küstenbereichen des Landes zu verorten. Die zweite Hypothese dieser Arbeit ist damit nicht zutreffend. Gleichzeitig erlaubt die Darstellung Rückschlüsse auf die erste Hypothese der Untersuchung - dass das Vorkommen und die Intensität der Erdbeben in den Küstenbereichen höher ist. Die Hypothese ist weiterhin nur bedingt anzunehmen, da ein großer Teil der Erdbeben im Landesinneren und nicht in unmittelbarer Nähe der Subduktionszone (trench) liegt. Jedoch sind die menschlich spürbare Intensität der seichten Erdbeben, welche zentriert in den Küstenbereichen vorkommen, wie bereits erwähnt, als höher einzuschätzen. Auf Basis dieser Erkenntnisse soll im Folgenden ein regionaler Fokus auf den Küstenbereich (Costa) gelegt werden, da hier eine Expositionsanalyse, d.h. Überschneidung der Erdbebenvorkommen mit der Bevölkerungsdichte, von höherer Relevanz ist.


4.3 Fokus: Seichte Erdbebenvorkommen in den Küstenbereichen Ecuadors zwischen 2000-2020

4.3.1 Räumliche Verteilung seichter Erdebeben im Küstengebiet

Zur Untersuchung von seichten Erdbebenvorkommen im Küstengebiet werden zunächst alle betrachteten Datensätze (Erdbeben, Cantones) auf die biogeographische Zone Costa zugeschnitten und relevante Informationen extrahiert.


Alternativ zu den vorherigen Heatmaps soll die Verteilung der seichten Erdbeben ermittelt werden, indem die Anzahl an Erdbebenvorkommen pro räumlicher Einheit bestimmt wird. Dies erfolgt zunächst auf Ebene der Cantones, d.h. das durch eine Verschneidung beider Datensätze die Gesamtanzahl der Erdbeben (unabhängig der Magnitude) pro Canton berechnet werden kann.

# earthquakes per canton
earthquakes_per_canton <- cantones_costa %>% 
  mutate(earth_occ_shallow = lengths(st_intersects(cantones_costa, shallow_costa)))
# have a quick look with tmap 
qtm(earthquakes_per_canton, fill = 'earth_occ_shallow', fill.title = 'Earthquakes\nper Canton')


Aus der vorläufigen Visualisierung wird ersichtlich, dass die Analyse der Erdbebenvorkommen pro Verwaltungseinheit zwar Einblicke in räumliche Verteilungsmuster zulässt, diese aber nur bedingt aussagekräftig ist. Es handelt sich hier um ein grundlegendes Problem kartographischer Darstellungen: Häufig wird sich auf politisch vorgegebene Verwaltungseinheiten bezogen, welche jedoch zumeist unterschiedlich große Flächen umfassen und damit (in absoluten Werten) nicht vergleichbar sind. Zudem werden Ergebnisse häufig vorschnell “auf die Fläche” projiziert, d.h. dass ein stark lokal begrenztes Phänomen wie beispielsweise Erdbebenzentren auf die gesamte Fläche der betroffenen Einheit übertragen wird und so ein verzerrtes Bild entsteht. Um diese Problematik graphisch zu verdeutlichen, wird im Folgenden die ermittelte Verteilung von seichten Erdbeben pro Canton mit einer räumlich fokussierteren Darstellungsform geom_hex kontrastiert. Mit dieser Funktion wird die Anzahl der Erdbebenvorkommen in deckungsgleichen Sechsecken (Hexagone) gemessen und somit eine räumlich vergleichbare Basis geschaffen. Die Darstellung zeigt, dass die Erdbebenvorkommen vermehrt in unmittelbarer Küstennähe (nahe der Subduktionszone des Pazifischen Feuerrings) auftreten.

# All shallow earthquakes, Hexbin 
hexbin_shallow <- ggplot() + 
  geom_polygon(data = buffer_zonas_df, aes(long, lat, group = group), 
             fill = 'gray40', alpha = 0.9, lwd = 0) + 
  geom_polygon(data = costa_df, aes(long, lat, group = group), 
               fill = 'lightgoldenrodyellow', alpha = 1, colour = 'white', lwd = 0.075) + 
  geom_polygon(data = colombia_costa_df, aes(long, lat, group = group),
               fill = 'gray70', alpha = 0.9, colour = NA) + 
  geom_polygon(data = peru_costa_df, aes(long, lat, group = group), 
               fill = 'gray70', alpha = 0.9, colour = 'white', lwd = 0.1) +
  geom_polygon(data = cantones_costa_df, aes(long, lat, group = group), 
               fill = NA, alpha = 0.7, colour = 'white', lwd = 0.075) + 
  geom_hex(data = shallow_costa_df, aes(x = X, y = Y), bins = 30) + 
  scale_fill_viridis(option = 'magma',
                     name = 'Total earthquakes', limits = c(0.5, 6.5), direction = -1) + 
  geom_sf(data = big_cities_costa, colour = 'gray20', size = 1, shape = 15)  + 
  geom_sf_text(data = big_cities_costa, aes(label = name), colour = 'black', size = 2.4, check_overlap = T, 
               nudge_x = 0.25, nudge_y = 0.15) +
  scale_x_discrete(breaks = c(-81, -80, -79, -78), labels = c('81°W', '80°W', '79°W', '78°W')) + 
  theme(panel.grid.major = element_line(colour = 'white', size = 0.3),
        panel.grid.minor = element_blank(),
        legend.position = "right", 
        axis.title = element_blank(),
        panel.background = element_rect(fill = 'lightcyan2', colour = NA), 
        plot.title = element_text(face = 'bold')) + 
  labs(title = 'Earthquake occurrence, 2000-2020',
       subtitle = 'Shallow earthquakes (Depth < 70 km)', 
       caption = "Data: INEC, OCHA, USGS") 
costa_arrange <- ggarrange(canton_shallow, hexbin_shallow)
costa_arrange


4.3.2 Expositionsanalyse: Vorkommen starker seichter Erdbeben und Bevölkerungsdichte im Küstengebiet

In einem letzten Schritt soll das Auftreten von Erdbeben mit der Bevölkerungsdichte in den betroffenen Gebieten kontextualisiert werden, um Aussagen über potenzielle Risikozonen treffen zu können. Dieser Teil der Analyse bezieht sich vor allem den die dritte Hypothese der Arbeit - dass verhältnismäßig viele Menschen den Erdbebengefahren ausgesetzt sind. Vor diesem Hintergrund sollen nur Erdbebenvorkommen untersucht werden, welche besonders hohe Auswirkungen auf menschliche Infrastrukturen haben: Seichte Erdbeben (< 70 km tief) ab einer Magnitude von > 5.0. Diese Kriterienfestsetzung leitet sich aus Informationen der Michigan Technology University zu Kategorisierung von Erdbebenmagnituden ab und kann je nach Fokus der Analyse ggf. angepasst werden. Für das weitere Vorgehen werden dementsprechend nur seichte Erdbeben im Küstengebiet ab einer Magnitude von > 5.0 ausgewählt.

# select only shallow earthquakes and of magnitude > 5.0 (high impact)
shallow_costa_heavy <- earthquakes_costa %>% 
  filter(magGroup == 'Shallow' & Magnitude >= 5.0) 

Zur Darstellung der Bevölkerungsdichte werden nun Daten des Instituto Nacional de Estaìstica y Censos zu absoluten Bevölkerungszahlen pro Canton (Projektionen für das Jahr 2020) eingeladen, angepasst und mit den geometrischen Informationen des Simple Feature Objekt der Cantones zusammengeführt. Darüber hinaus werden neue Spalten erstellt mit Informationen zur Fläche des jeweiligen Canton sowie zur Bevölkerungsdichte pro Flächeneinheit (in km2) (Pop_Tot/area).

# read the data, population cantones 
ecuador_pop_cantones <- read.csv(file = "data/Cantones_pop_proj.csv", sep = ',', header = T, stringsAsFactors = F, 
                                 na.strings = "")

# filter only cantones on the mainland and select & rename important columns 
pop_canton_mainland <- ecuador_pop_cantones %>% 
  filter(ADM1_ES != 'Galapagos') %>% 
  dplyr::select(ADM1_ES, ADM1_PCODE, ADM2_ES, ADM2_PCODE, Projection2020) %>% 
  rename(prov_name = ADM1_ES, canton_name = ADM2_ES, Pop_Tot = Projection2020)

# merge the two datasets (cantones) together by canton_ID, select important columns and calculate pop_density 
pop_cantones_sf <- ecuador_canton_mainland %>% 
  merge(pop_canton_mainland, by = 'ADM2_PCODE') %>% 
  dplyr::select(ADM2_PCODE, Shape_Area, canton_name, Pop_Tot, ADM1_PCODE.x, ADM1_ES, geometry) %>% 
  rename(canton_code = ADM2_PCODE, prov_code = ADM1_PCODE.x, prov_name = ADM1_ES) %>% 
  st_transform(32717) %>% 
  mutate(area = as.numeric(st_area(ecuador_canton_mainland)/1000000)) %>% 
  mutate(pop_dens_km2 = Pop_Tot/area) %>% 
  st_transform(4326) 

# filter only coastal cantones 
pop_cantones_costa_sf <- filter(pop_cantones_sf, prov_name == 'Esmeraldas' |
                                  prov_name == 'Manabi' |
                                  prov_name == 'Los Rios' |
                                  prov_name == 'Guayas' |
                                  prov_name == 'Santa Elena' |
                                  prov_name == 'El Oro'|
                                  prov_name == 'Zona No Delimitada')


# population density per cantones as dataframe 
pop_dens_sp <- as_Spatial(pop_cantones_costa_sf)
pop_dens_df <- fortify(pop_dens_sp)
pop_dens_df <- merge(fortify(pop_dens_sp), 
                     as.data.frame(pop_dens_sp), by.x="id", by.y=0) # merge to keep column information 

Die Daten können nun mit ggplot in einer gemeinsamen Darstellung visualisiert werden. Zur Ermittlung von seismic hazard zones, d.h. Zonen mit einer hohen Wahrscheinlichkeit im Auftreten von für den Menschen “gefährlichen” Erdbeben, wird wie in Kapitel 4.2.3 und 4.2.4 die Methodik der Kerndichteschützung angewandt.

Das Ergebnis der Analyse zeigt eine verhältnismäßig hohe Bevölkerungsdichte v.a. in den südlichen Teilen des Küstengebietes, insbesondere um die Millionenstadt Guyaquil. Demgegenüber befinden sich die ermittelten Erdbebenrisikozonen vorwiegend in unmittelbarer Küstennähe in nördlicher gelegenen Regionen des betrachteten Gebietes. Die Annahme (Hypothese 3), dass aufgrund der Bevölkerungsverteilung in Ecuador verhältnismäßig viele Menschen einem Erdbebenrisiko ausgesetzt sind, bestätigt sich damit nicht.


Während die Bevölkerungsdichte ein relevanter Indikator dafür ist, wieviele Menschen potenziell von einem Erdbeben betroffen sind, bestimmt eine Vielzahl an zusätzlichen Faktoren den tatsächlichen Schaden eines starken Erdbebenvorkommens. So sind beispielsweise die sozio-ökonomische Situation der betroffenen Bevölkerung sowie der Zustand von physischen Infrastrukturen (Gebäude, Evakuationsmöglichkeiten) von zentraler Bedeutung für die Vulnerabilität einer bestimmten Region gegenüber Erdbebenrisiken. Die Untersuchung solch vertiefender Parameter konnte aufgrund des Umfangs der Arbeit zwar nicht betrachtet werden, jedoch sind weiterführende Informationen unter folgenden Interquellen frei zugänglich:



Literaturverzeichnis

  • Beauval, C., Mariniere, J., Yepes, H., Audin, L., Nocquet, J.-M, Alvarado, A., Baize, S., Aguilar, J., Singaucho, J. & Jomard, H. (2018). A New Seismic Hazard Model for Ecuador. Bulletin of the Seismological Society of America, 108(3). Doi: 10.1785/0120170259.
  • Brito Vera, G. & Borges, A. (2015): A Checklist of the scorpions of Ecuador (Arachnida : Scorpiones), with notes on the distribution and medical significance of some species. In: Journal of Venomous Animals and Toxins including Tropical Diseases. Doi: 10.1186/s40409-015-0023-x.
  • Chatelain, J.-L., Tucker, B., Guillier, B., Kaneko, F., Yepes, H., Fernandez, J., Valverde, J., Hoefer, G., Souris, M., Duprier, E., Yamada, T., Bustamante, G. & Villacis, Carlos (1999): Earthquake risk management pilot project in Quito, Ecuador. GeoJournal, 49, 185-196. Doi: 10.1023/A:1007079403225.
  • Instituto nacional de estadìstica y censons (INEC) (2012): Proyecciones Poblacionales. Online unter: https://www.ecuadorencifras.gob.ec/proyecciones-poblacionales/.
  • Parra, H., Benito, M. B. & Gaspar-Escribano, J. M. (2016): Seismic hazard assessment in continental Ecuador. Bull Earthquake Eng, 14, 2129-2159. Doi: 101007/s10518-016-9906-7.
  • Schneider, E., Cmara-Leret, R., Barfod, A., Weckerle, C. (2018): Palm Use by Two Chachi Communities in Ecuador: a 30-Year Reappraisal. In: Economic Botany. Doi: 10.1007/s12231-017-9397-8.
Previous
Next