Introducción

La inteligencia artificial (AI) es cada vez más reconocida como una fuerza transformadora en disciplinas científicas, y las geociencias no son una excepción. Entre las aplicaciones más impactantes de la IA en este campo se encuentra la asignación de susceptibilidades (LSM), un proceso que identifica áreas propensas a la falla de pendiente. Los deslizamientos presentan amenazas significativas a la vida humana, la infraestructura y los ecosistemas, causando miles de dólares anuales.

Comprensión de la Susceptibilidad de los deslizamientos de tierra

El mapeo de susceptibilidad a la tierra es el proceso de estimación de los deslizamientos de tierra que pueden ocurrir en el futuro, basado en la distribución espacial de los deslizamientos pasados y un conjunto de factores de condicionamiento. Diferente de la cartografía de peligros, que también incorpora probabilidad temporal, y de la cartografía de riesgo, que incluye la exposición y vulnerabilidad. La idea principal es producir un puntaje de susceptibilidad continuo o una clase de riesgo categórica para cada pixel o unidad de terreno en un área de estudio.

Los enfoques tradicionales de LSM incluyen modelos heurísticos (expertos), estadísticos (por ejemplo, regresión logística, ratio de frecuencia) y modelos deterministas (con base física). Los métodos heurísticos son subjetivos y no fáciles de reproducir. Los modelos estadísticos asumen relaciones lineales y a menudo requieren una selección variable cuidadosa. Los modelos deterministas necesitan parámetros geotécnicos detallados que raramente están disponibles a escala regional.

Los factores de condicionamiento comunes utilizados en el LSM incluyen:

  • Atributos topográficos: ángulo de pendiente, aspecto, curvatura, elevación, índice de humedad topográfico (TWI), índice de potencia de flujo (SPI).
  • Factores geológicos: Litología (tipo de roca), densidad de falla, grado de meteorización.
  • Cubierta de la tierra: Tipo de vegetación, uso de la tierra, Índice de Vegetación de Diferencia Normalizada (NDVI).
  • Factores hipodológicos: lluvia anual, intensidad de precipitación, distancia al drenaje.
  • Factores antropógenos: densidad de red vial, talas cortadas, actividad minera.

Cada factor contribuye de manera diferente dependiendo de la geología y el clima locales. Los modelos AI aprenden automáticamente estas contribuciones de los datos de entrenamiento, que normalmente consisten en mapas de inventario de deslizamientos (puntos o polígonos) y las capas de factor correspondientes.

El papel de la inteligencia artificial

AI, en particular el aprendizaje automático (ML) y el aprendizaje profundo (DL), aborda los retos fundamentales de LSM: espacios de características de alta dimensión, interacciones no lineales, y la necesidad de procesamiento escalable y automatizado en grandes áreas. En lugar de definir manualmente reglas de decisión, los modelos AI se entrenan en ejemplos etiquetados –landslide y píxeles no-landslide – para aprender una asignación de factores de condicionamientos a la probabilidad de deslizamiento.

  • El descubrimiento de la papilla: AI puede detectar interacciones complejas entre factores que los analistas humanos podrían perder.
  • Escalabilidad: Una vez entrenados, los modelos pueden aplicarse a regiones o naciones enteras sin aportes de expertos adicionales.
  • cuantificación de la incertidumbre: Los productos probabilísticos permiten a los encargados de adoptar decisiones comprender los niveles de confianza.
  • Integración de datos multifunción: AI puede fusionar imágenes satelitales, modelos de elevación digital (DEM), mapas de suelo y redes de precipitación en una predicción unificada.

Key Insight: El éxito de la IA en los anillos de LSM sobre la calidad y representatividad de los datos de entrenamiento. La basura en, la basura sigue siendo la caveat más importante.

Algoritmos de aprendizaje de la máquina clave

Numerosos algoritmos de LL se han aplicado a LSM, cada uno con diferentes puntos fuertes y debilidades. Entre los más estudiados se encuentran:

  • Regreso Logístico (LR): Un simple clasificador lineal que estima la probabilidad de aparición de deslizamientos de tierra. Sirve como base pero a menudo infravaloran los conjuntos de datos complejos.
  • ] Árboles de decisión (DT): Un modelo similar a los árboles donde se utilizan características para dividir los datos en grupos homogéneos. Fácil de interpretar pero propenso a sobreajustar sin podar.
  • Random Forest (RF): Un conjunto de muchos árboles de decisión entrenados en muestras de arranque y subconjuntos de características aleatorias. RF es robusto, maneja bien los datos perdidos, y proporciona puntajes de importancia. Se clasifica constantemente entre los mejores intérpretes de referencias LSM.
  • ]Support Vector Machines (SVM): Un clasificador discriminativo que encuentra el hiperplano óptimo que separa las clases de deslizamiento y no deslizamiento. SVM funciona bien en espacios de alta dimensión pero requiere una cuidadosa selección de núcleo (por ejemplo, función radial).
  • Máquinas de Boosting de Gradiente (GBM):] Conjunto secuencial que construye árboles para corregir errores de árboles anteriores. XGBoost y LightGBM son variantes populares que ofrecen alta precisión y velocidad, aunque son más sensibles a los hiperparametros.
  • Redes neuronales artificiales (ANN): Perceptrones multicapa (MLP) con una o más capas ocultas. Las AN pueden modelar relaciones no lineales pero requieren grandes conjuntos de datos y una afinación cuidadosa para evitar el sobreajuste.

En estudios comparativos, el impulso de RF y gradiente a menudo alcanza la mayor precisión de predicción (AUC √≥ 0.85–0.95) en diversos terrenos. Sin embargo, ningún algoritmo es universalmente mejor; la elección depende del tamaño de datos, tipos de características y necesidades de interpretabilidad.

Enfoques de aprendizaje profundo

El aprendizaje profundo extiende las redes neuronales con muchas capas ocultas y arquitecturas especializadas para datos espaciales o secuenciales. En LSM, las redes neuronales convolutivas (NCN) son particularmente prometedoras porque pueden procesar directamente imágenes de mapas (por ejemplo, DEM, bandas de satélites) sin extracción manual. A CNN aprende características espaciales jerárquicas —edas, texturas y patrones de landforme— que son altamente relevantes para la predicción de deslizante

Las redes neuronales recurrentes (RNNs) y las redes de memoria a corto plazo (LSTM) también se han aplicado a datos de series temporales, como secuencias de precipitaciones que conducen a un evento de deslizamiento. Combinando CNN y LSTM en un modelo híbrido permite el análisis simultáneo de factores espaciales y temporales, mejorando las previsiones de susceptibilidad en los plazos estacionales.

A pesar de su poder, los modelos de aprendizaje profundo requieren datos de etiquetado extenso (muchos de miles de muestras) y recursos computacionales sustanciales. Para muchas regiones, tales inventarios no están disponibles, haciendo que el aprendizaje de transferencia —donde un modelo pre-entrenado en una zona está bien ajustado en otra— un área de investigación activa.

Fuentes de datos y procesamiento previo

Los datos de insumos de alta calidad son la base de cualquier proyecto LSM basado en AI.

  • Modelos de Elevación Digital (DEM):] SRTM (30 m), ALOS World 3D (30 m), o DEMs de LiDAR (de 1 a 5 m) proporcionan derivados topografía. La resolución superior mejora la detección de fallos de pendiente locales.
  • Inventarios de deslizamiento: Mapas históricos de eventos de interpretación de fotos aéreas, detección de cambios de imagen por satélite o encuestas de campo. Incompletos inventarios conducen a modelos sesgados.
  • Mapas geológicos: Las unidades de litología son a menudo el factor de control más fuerte. Las unidades discretas suelen codificarse como variables categóricas.
  • Imágenes satélite:] Landsat 8/9, Sentinel-2, o muy alta resolución (VHR) imágenes proporcionan cobertura terrestre, NDVI y detección de daños post-evento.
  • Datos de la precipitación: Los productos de precipitación arrugada (por ejemplo, CHIRPS, TRMM, GPM) ofrecen promedios a largo plazo o índices de precipitación anteriores.

Los pasos de procesamiento incluyen:

  1. Resampling: Todos los rasters deben estar alineados a la misma resolución espacial (por ejemplo, 30 m) y sistema de coordenadas.
  2. Normalización o Normalización: Las características continuas se escalan a cero media y varianza unitaria para ayudar a converger algoritmos de ML.
  3. Valores perdidos: Los vecinos o la interpolación de los K-nearest pueden llenar las brechas, pero las grandes áreas desaparecidas pueden requerir la exclusión.
  4. ■ Desbalance de clase: Se utilizan técnicas como submarinismo aleatorio de no deslizamientos, sobresampado de deslizamientos (SMOTE), o ajuste de pesos de clase en la función de pérdida.
  5. Selección de características: La multicollinealidad (por ejemplo, la alta correlación entre la pendiente y la ICM) puede dañar algunos modelos. Se recomienda el análisis del factor de inflación de variación (VIF) o la eliminación de características recursivas.

Formación y validación modelo

La construcción de un modelo de IA confiable para LSM requiere de rigurosos protocolos de formación y validación.

  1. ]Modelo:] Los píxeles de deslizamiento terrestre se etiquetan como 1; píxeles no de deslizamiento como 0. La práctica común es seleccionar aleatoriamente un número igual de puntos no de deslizamiento de áreas de baja sustentabilidad (por ejemplo, terreno plano) para crear un conjunto de datos equilibrado.
  2. Separación de Test de la red: El conjunto de datos etiquetado se divide en forma (70-80%) y pruebas (20-30%) se establece, a menudo utilizando la validación transversal espacial (por ejemplo, k-fold o salir-uno-rea-out) para evitar los sesgos de autocorrelación espacial.
  3. Hyperparameter Tuning: Buscar en aprietos, búsqueda aleatoria o optimización Bayesiana encontrar parámetros óptimos (por ejemplo, profundidad de los árboles, tasa de aprendizaje).
  4. Métrices de evaluación:
    • ] ] [Area Bajo la curva de características de funcionamiento del receptor (AUC-ROC):] Medidas de la capacidad general de discriminación.
    • Matriz de Confusión: Precisión, precisión, recuerdo, F1-score. Recordar (valor positivo real) es especialmente importante para minimizar los deslizamientos perdidos.
    • Kappa Coeficient: Acuerdo más allá de las posibilidades.
  5. Predicción espacial: El modelo entrenado se aplica a toda la red de área de estudio, generando un mapa de susceptibilidad (probabilidad de 0 a 1). El mapa se reclasifica a menudo en clases de susceptibilidad (por ejemplo, muy baja a muy alta) utilizando descansos naturales o cuantiles.

El exceso de equipamiento es un riesgo constante. Usar demasiadas características o modelos demasiado complejos (por ejemplo, redes profundas con datos insuficientes) puede producir una alta precisión de entrenamiento pero una mala generalización. Regularización (L1/L2), desplegamiento (para redes neuronales) y detener la ayuda temprana para mitigar esto.

Case Studies

1. Región de Himalaya (India/Nepal)

Los investigadores aplicaron Bosques aleatorios y MVV para mapear susceptibilidad en el Garhwal Himalayas utilizando la pendiente, aspecto, litología, uso de la tierra y precipitaciones. RF logró AUC = 0.92, superando SVM (0.88).El mapa resultante destacó que más del 30% de la región cae en alta o muy alta susceptibilidad, guiando la construcción de carreteras y la planificación de asentamientos [Kumar et alLT.

2. California, EE.UU.

En el Área de la Bahía de San Francisco, una red neural convolutiva profunda fue entrenada en 1 m de DEM y ortofotos para predecir deslizamientos superficiales desencadenados por tormentas. El CNN identificó correctamente el 85% de los fallos conocidos y redujo falsos positivos en un 40% en comparación con una base de regresión logística [Programa de peligros de deslizamiento de tierras de los EE.UU., 2022][FLT:

3. Italia meridional (Campania)

XGBoost combinado con datos de humedad del suelo obtenidos por satélite mejoró la cartografía de susceptibilidad en áreas con cambio rápido del uso de la tierra. El modelo capturó variaciones estacionales, mostrando que los incendios forestales de verano aumentan significativamente la susceptibilidad en el otoño siguiente. El estudio destacó la importancia de factores de condicionamiento dinámico (Guzzetti et al., 2021)].

Estos estudios ilustran que el LSM basado en AI no sólo coincide sino que a menudo supera los métodos tradicionales en precisión, especialmente cuando se dispone de datos de entrada de alta resolución.

Beneficios y limitaciones

Beneficios

  • Precisión: Los modelos AI suelen alcanzar valores de AUC por encima de 0,85, lo que supera los métodos estadísticos convencionales.
  • Automatización: Una vez entrenada, se pueden aplicar modelos a continentes enteros, acelerando las evaluaciones que antes tardaron meses.
  • Integración de los recursos múltiples: AI fusiona sin fisuras los datos de raster, vector y temporal en un solo marco.
  • Productos probabilísticos: Los mapas de probabilidad continuo permiten un umbral flexible basado en la tolerancia al riesgo.
  • Transferibilidad: Los modelos pre-entrenados pueden adaptarse a nuevas regiones con datos limitados mediante el aprendizaje de transferencia.

Limitaciones

  • dependencia de datos: El rendimiento está directamente ligado a la integridad de inventario y a la calidad de mapa de factor. Los inventarios desfasados conducen a modelos sesgados.
  • Naturaleza de la caja negra: Muchos modelos de IA (especialmente redes profundas) ofrecen poca interpretabilidad. Técnicas de IA (XAI) explicables como SHAP o LIME son necesarias para entender qué factores impulsan las predicciones.
  • ] Riesgo de adaptación: Los modelos complejos pueden memorizar el ruido en lugar de generalizarse, especialmente en pequeños conjuntos de datos.
  • Costo computacional: El aprendizaje profundo requiere recursos de GPU y una amplia afinación de hiperparametro.
  • La estabilidad temporal: Los mapas de sostenibilidad son estáticos, pero los desencadenantes de deslizamiento (por ejemplo, precipitación) son dinámicos. La combinación de IA con monitoreo en tiempo real sigue siendo un reto.

Future Directions

El campo se mueve rápidamente hacia un LSM más robusto y operativo impulsado por IA. Las tendencias clave incluyen:

  • Ensemble Learning:] Combinar múltiples algoritmos (por ejemplo, RF + XGBoost + red neuronal) a menudo produce predicciones mejores y más estables que cualquier modelo único.
  • Transfer Learning and Domain Adaptation: Usar modelos capacitados en regiones ricas en datos (por ejemplo, Europa) para realizar mapas de arranque en áreas de riesgo de datos (por ejemplo, África Central).
  • Integración con sensores en tiempo real: Los modelos AI actualizados por los datos de IoT (por ejemplo, los tiltímetros, los medidores de lluvia) podrían pasar de la susceptibilidad estática a la previsión dinámica de los riesgos.
  • Explicable AI (XAI): Herramientas como la importancia de la característica, las parcelas de dependencia parcial y los mapas de saliencia aumentarán la confianza y la aceptación reglamentaria.
  • Plataformas de base de voz: Servicios como Google Earth Engine ahora albergan bibliotecas ML (por ejemplo, TensorFlow, XGBoost) que pueden procesar conjuntos de datos globales sin descargar terabytes de datos. Esto democratiza LSM para las naciones en desarrollo [Google Earth Engine][F.
  • Multi-Hazard Frameworks: Los modelos AI que simultáneamente predicen deslizamientos, inundaciones y terremotos podrían apoyar mejor la reducción integrada del riesgo de desastres.

Conclusión

La inteligencia artificial ha avanzado fundamentalmente en la cartografía de susceptibilidad, permitiendo evaluaciones más precisas, escalables y automatizadas que nunca. algoritmos de aprendizaje automático, desde el Bosque Aleatorio hasta redes convolutivas profundas, aprenden directamente de datos ambientales para producir superficies de riesgo probabilistas que puedan guiar la planificación del uso de la tierra, sistemas de alerta temprana y desarrollo de infraestructura.

Para más lectura, explore el Programa de peligros de deslizamiento de tierras de los EE.UU. y estudios revisados por pares en revistas como Landslides y Engineering Geology ]