Machine-Learning-Based Landslide Susceptibility Mapping Using an InSAR- Refined Inventory in the Mandi district, Northwestern Himalaya, India, Himalaya region

Imagina la superficie de la Tierra como un rompecabezas gigante en cámara lenta. A veces, las piezas de este rompecabezas —montañas, colinas y laderas— deciden deslizarse hacia abajo. Cuando lo hacen, se llama deslizamiento de tierra, y puede ser un desastre para las personas, carreteras y casas que viven en su trayectoria. Los científicos han intentado durante mucho tiempo predecir dónde podrían ocurrir estos deslizamientos. Tradicionalmente, han observado las pistas "estáticas": qué tan empinada es una colina, de qué tipo de rocas está hecha, cuánta lluvia cae allí y dónde han ocurrido deslizamientos antiguos en el pasado. Es como intentar predecir un accidente automovilístico mirando solo las condiciones de la carretera y el historial del coche, sin notar que el conductor está dando volantazos en ese momento.

Pero la Tierra es dinámica; siempre se está moviendo, desplazando y gruñendo bajo el peso de la gravedad, la lluvia y las placas tectónicas. Para atrapar un deslizamiento antes de que ocurra, los científicos necesitan ver el "volantazo" antes del choque. Aquí es donde entra en juego un tipo especial de tecnología espacial. Piensa en los satélites como ojos gigantes y supersensibles en el cielo que pueden medir el movimiento del suelo por apenas unos milímetros—como notar que una persona da un pequeño paso antes de tropezar. Al combinar estos "ojos espaciales" con programas informáticos potentes que aprenden de patrones (llamados aprendizaje automático), los científicos pueden construir un mapa de peligro mucho más nítido. Esto no se trata solo de mirar mapas antiguos; se trata de observar cómo la tierra respira y se mueve en tiempo real para ver dónde está a punto de soltarse.

---

La historia del artículo: Capturando los movimientos sigilosos de la Tierra

En el distrito de Mandi, en el noroeste del Himalaya en la India, el suelo es un poco una reina del drama. Es un lugar de montañas escarpadas, fuertes lluvias monzónicas y fallas tectónicas activas (grietas en la corteza terrestre). Durante años, científicos y funcionarios han intentado mapear qué partes de este distrito son más propensas a deslizarse. Solían depender de inventarios "estáticos"—básicamente, una lista de deslizamientos que ya habían ocurrido y que estaban registrados en bases de datos antiguas. Los autores de este artículo se dieron cuenta de que este enfoque era como intentar predecir el clima mirando solo el periódico de ayer. Se perdía los sutiles y lentos movimientos que ocurren justo ahora y que señalan que un deslizamiento se aproxima.

Así que el equipo, liderado por Akshay Raj Manocha y sus colegas, decidió mejorar su trabajo de detective. Tomaron datos de los satélites Sentinel-1, que actúan como cámaras de radar de alta tecnología, escaneando el distrito de Mandi de 2023 a 2024. Utilizaron dos técnicas ingeniosas, llamadas Interferometría de Dispersor Persistente (PSI) y Subconjunto de Línea de Base Pequeña (SBAS), para procesar estos datos. Puedes pensar en estas técnicas como dos formas diferentes de escuchar el latido del corazón de la Tierra. El PSI es excelente para escuchar puntos estables y duros como rocas y edificios, mientras que el SBAS es mejor para escuchar los movimientos más suaves y extendidos en áreas con vegetación. Juntos, crearon un mapa de deformación del suelo supersensible, mostrando exactamente dónde el suelo estaba reptando, deslizándose o desplazándose, incluso si aún no se había derrumbado.

El gran descubrimiento: Encontrando los deslizamientos ocultos

El equipo tomó estos nuevos datos de movimiento de alta tecnología y los usó para corregir su antigua lista de deslizamientos. Compararon el "mapa de reptación" del satélite con la base de datos existente del gobierno sobre deslizamientos. El resultado fue una revelación: la lista antigua estaba perdiendo la acción. Al usar los datos del satélite, encontraron 36 deslizamientos totalmente nuevos que nadie había mapeado antes. Esto aumentó su lista total de deslizamientos conocidos en un 18%. Fue como encontrar 36 cofres de tesoros ocultos en un mapa que todos pensaban que estaba completo.

Pero no se detuvieron solo en encontrar los deslizamientos. Querían predecir dónde serían los próximos. Para hacer esto, introdujeron su lista actualizada y "refinada por InSAR" de deslizamientos en cuatro modelos diferentes de aprendizaje computacional (algoritmos que aprenden de los datos): Gradient Boosting Extremo (XGB), Bosque Aleatorio (Random Forest), Regresión Logística y Perceptrón Multicapa. También probaron doce factores diferentes que podrían causar un deslizamiento, como la pendiente de la ladera, la cercanía a una carretera, el tipo de roca y cuánta lluvia cae.

El ganador y las reglas del juego

Los modelos computacionales jugaron un juego de "detectar el patrón" para ver cuál podía predecir mejor los deslizamientos. El ganador fue el Gradient Boosting Extremo (XGB). Fue el más preciso, especialmente cuando los investigadores utilizaron un método específico llamado "validación cruzada de bloque espacial" con un tamaño de bloque de 3,000 metros. Piensa en esto como probar el modelo en diferentes trozos del mapa para asegurarse de que no solo estaba memorizando el vecindario, sino que realmente estaba aprendiendo las reglas de todo el juego.

Los resultados fueron impresionantes. Al usar la nueva lista de deslizamientos actualizada por satélite en lugar de la antigua y estática, la precisión del modelo (medida por una puntuación llamada AUC) saltó un 12–15%. Esto sugiere que saber dónde se está moviendo el suelo actualmente marca una gran diferencia al predecir dónde se caerá eventualmente.

¿Qué hace que el suelo se deslice?

Los modelos computacionales también actuaron como detectives, señalando qué pistas importaban más. Los "sospechosos" con las huellas dactilares más grandes en la ocurrencia de deslizamientos fueron:

1. Pendiente: La inclinación es el factor número uno. Cuanto más empinada es la colina, más probable es que se deslice.
2. Distancia a las carreteras: Sorprendentemente, estar cerca de una carretera hace que un deslizamiento sea más probable. Esto se debe a que la construcción de carreteras a menudo implica cortar las laderas y cambiar cómo drena el agua, lo que debilita la pendiente.
3. Distancia a las fallas: Las áreas cerca de las grietas en la corteza terrestre (fallas) son más inestables porque las rocas allí ya están rotas y débiles.
4. Lluvia: La lluvia intensa actúa como la gota que colma el vaso, empapando el suelo y haciéndolo pesado y resbaladizo.

El equipo creó un mapa final dividido en cinco zonas: susceptibilidad muy baja, baja, moderada, alta y muy alta. Encontraron que las zonas de riesgo alto y muy alto cubren aproximadamente el 25% del distrito. Mejor aún, el mapa era correcto: la gran mayoría de los deslizamientos que encontraron (tanto los antiguos como los 36 nuevos) estaban situados precisamente en estas zonas de alto riesgo.

Los límites y el futuro

El artículo advierte cuidadosamente que esto no es una bola de cristal mágica. La tecnología satelital tiene límites. En áreas con bosques muy densos o terrenos rocosos extremadamente empinados, la señal de radar puede desordenarse (un problema llamado "decorrelación"), lo que significa que no pudieron ver el movimiento del suelo en aproximadamente el 15–20% del distrito. Además, los modelos computacionales se basan en los datos que tienen ahora; aún no tienen en cuenta cómo el cambio climático podría hacer que la lluvia sea aún más intensa en el futuro.

Sin embargo, el estudio demuestra un punto poderoso: al combinar los "ojos espaciales" que ven el movimiento del suelo con modelos computacionales inteligentes, podemos pasar de mirar un mapa de peligro estático y desactualizado a uno vivo y que respira. Es una forma de ver las señales de advertencia de la Tierra antes de que ocurra el deslizamiento, ofreciendo una mejor oportunidad para proteger a las personas y las carreteras en el Himalaya.