¿Qué distritos de Piura enfrentan un riesgo Muy Alto de movimientos de masa?

Los eventos climáticos extremos asociados a El Niño y La Niña incrementan el riesgo de inundaciones y movimientos de masa en diversas regiones del país. En este contexto, resulta fundamental contar con herramientas que permitan identificar los territorios más expuestos y apoyar la toma de decisiones basada en evidencia.

En este artículo se presenta la elaboración de un mapa profesional del nivel de riesgo a movimientos de masa a nivel distrital en el departamento de Piura, utilizando R y datos oficiales de CENEPRED. El análisis permite identificar los distritos expuestos a un nivel Muy Alto de riesgo y aporta una visualización clara para la gestión y prevención del riesgo.

📌 El objetivo final será identificar visualmente en qué zonas de Piura se concentra el mayor nivel de riesgo.

1. Librerías necesarias

library(tidyverse)
library(sf)
library(leaflet)

2. Descarga automática de los datos

Los datos corresponden al Escenario Climático – Riesgo a Movimientos de Masa a nivel distrital.

url_zip <- "https://sigrid.cenepred.gob.pe/sigridv3/storage/escenario_climatico_llu/10_shape.zip"

if (!file.exists("data/10_shape.zip")) {
  download.file(url_zip, "data/10_shape.zip", mode = "wb")
}

dir.create("data/shapefiles", showWarnings = FALSE)
unzip("data/10_shape.zip", exdir = "data/shapefiles")

3. Lectura del shapefile de riesgo

shp_masa <- st_read("data/shapefiles/Shape/Riesgo_MMasa_Distritos.shp")

Variables clave:

• NOMBDEP: Departamento
• NOMBPROV: Provincia
• NOMBDIST: Distrito
• NRiesgo_MM: Nivel de riesgo

4. Filtrar únicamente el departamento de Piura

shp_masa_piura <- shp_masa |>
  filter(str_to_title(str_to_lower(NOMBDEP)) == "Piura")

Este paso es fundamental para enfocar el análisis territorial solo en Piura.

5. Ordenar niveles de riesgo y definir colores

shp_masa_piura$NRiesgo_MM <- factor(
  shp_masa_piura$NRiesgo_MM,
  levels = c("Muy alto", "Alto", "Medio", "Bajo")
)

colores_categorias <- c(
  "Muy alto" = "#D73027",
  "Alto"     = "#FC8D59",
  "Medio"    = "#FEE08B",
  "Bajo"     = "#91CF60"
)

🔴 Los colores más intensos representan mayor nivel de riesgo.

6. Construcción del mapa estático

piu_map <- ggplot(shp_masa_piura) +
  geom_sf(aes(fill = NRiesgo_MM)) +
  scale_fill_manual(values = colores_categorias) +
  labs(
    title = "Piura: Nivel de riesgo a movimientos de masa por distrito",
    subtitle = "Periodo 2025–2027",
    caption = "Fuente: CENEPRED | Elaboración: Denis Rodríguez"
  )

7. Etiquetar distritos con riesgo Muy Alto

cents_m <- shp_masa_piura |>
  st_point_on_surface() |>
  st_coordinates() |>
  as.data.frame() |>
  bind_cols(st_drop_geometry(shp_masa_piura))

piu_map <- piu_map +
  geom_text(
    data = cents_m |> filter(NRiesgo_MM == "Muy alto"),
    aes(X, Y, label = NOMBDIST),
    size = 2.5,
    color = "black",
    check_overlap = TRUE
  )

Esto permite identificar claramente los distritos más críticos.

8. Ajuste visual final

piu_map <- piu_map +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "bottom"
  )

9. Exportar el mapa

ggsave(
  "imagenes/Map_Piura_masa.png",
  piu_map,
  width = 8,
  height = 8,
  dpi = 320
)

Ideal para informes institucionales y presentaciones.

11. ¿En qué zonas de Piura se observa mayor riesgo?

El análisis visual del mapa muestra que el riesgo Muy Alto y Alto se concentra principalmente en:

• Distritos de la sierra de Piura
• Zonas con pendientes pronunciadas
• Áreas con mayor exposición a lluvias intensas

Estos territorios requieren priorización en la planificación preventiva, gestión del riesgo y toma de decisiones públicas.

12. Conclusión

Este ejercicio demuestra cómo:

• Pasar de datos espaciales oficiales a mapas claros y comunicables
• Combinar mapas estáticos para informes y mapas interactivos para exploración
• Identificar territorios críticos en Piura con evidencia visual para captar la atención de tomadores de desción.