📄 earth_science

Soil Erosion Susceptibility Assessment Using Integrated RUSLE-GIS and Machine Learning Models in the Chittar River Basin, India

Este estudio integró la Ecuación Universal de Pérdida de Suelo Revisada (RUSLE) con Sistemas de Información Geográfica (SIG) y cuatro modelos de aprendizaje automático para evaluar la susceptibilidad a la erosión del suelo en la cuenca del río Chittar en la India, encontrando que el modelo de Bosque Aleatorio (Random Forest) logró la mayor precisión predictiva (AUC = 0,967) para identificar áreas propensas a la erosión para apoyar la gestión sostenible de la cuenca hidrográfica.

Autores originales: Jeilani Mohammed, Shashi Mesapam

Publicado 2026-08-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jeilani Mohammed, Shashi Mesapam

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la piel de la Tierra como una manta gigante y viva hecha de suelo. Esta manta es increíblemente importante porque contiene el agua que nuestros cultivos beben y los nutrientes que hacen crecer a las plantas. Pero, al igual que una manta dejada a la intemperie en una tormenta, esta manta de suelo puede romperse y ser arrastrada por el agua. Este proceso se llama erosión del suelo, y es un poco como un ladrón en cámara lenta que roba la parte más fértil del terreno, dejando atrás nada más que roca dura e inútil. Cuando esto sucede, la tierra no puede cultivar alimentos, los ríos se obstruyen con lodo y todo el ecosistema comienza a tener dificultades. Los científicos han estado tratando de averiguar exactamente dónde es más activo este "ladrón" durante mucho tiempo. Utilizan herramientas como la "Ecuación Universal Revisada de Pérdida de Suelo" (RUSLE), que es básicamente una calculadora gigante que suma con qué fuerza golpea la lluvia, qué tan empinadas son las colinas y cuánta hierba cubre el suelo para adivinar cuánto suelo podría perderse. También utilizan el "Aprendizaje Automático" (Machine Learning), que es como enseñar a una computadora a ser un detective superinteligente capaz de detectar patrones ocultos en enormes pilas de datos que los humanos podrían pasar por alto. Comprender dónde es más probable que el suelo desaparezca es crucial porque, si sabemos dónde están las zonas de peligro, podemos construir cercas, plantar árboles o cambiar los métodos de cultivo para proteger la tierra antes de que sea demasiado tarde.

Ahora, hagamos un acercamiento a la cuenca del río Chittar en la India, un lugar donde la tierra varía desde montañas escarpadas y montañosas hasta llanuras agrícolas planas. Dos investigadores, Jeilani Mohammed y Shashi Mesapam, decidieron jugar a ser detectives para ver exactamente cuánto suelo está en riesgo en esta zona específica. No se limitaron a un solo método; en su lugar, construyeron un "super-telescopio" de alta tecnología combinando la calculadora de suelo tradicional (RUSLE) con un Sistema de Información Geográfica (SIG)—piensa en esto como un mapa mágico e interactivo que puede superponer diferentes tipos de información—y luego introdujeron todos esos datos en cuatro modelos diferentes de Aprendizaje Automático para ver cuál podía predecir mejor el peligro.

El equipo reunió una cantidad masiva de información, como un detective recolectando pistas. Observaron datos de lluvia de 2000 a 2025, mapas del tipo de suelo, la forma del terreno (usando un modelo digital de elevación) y para qué se estaba utilizando realmente la tierra (como bosques, granjas o ciudades). Desglosaron el problema de la erosión del suelo en cinco ingredientes principales: la fuerza con la que golpea la lluvia (R), la facilidad con la que el suelo se desmorona (K), la longitud y pendiente de las laderas (LS), la cantidad de cobertura vegetal (C) y qué tipo de trucos agrícolas se están utilizando para detener la erosión (P).

Una vez que tuvieron todas estas pistas, dejaron que cuatro algoritmos informáticos hicieran su trabajo. Estos algoritmos eran como cuatro detectives con diferentes estilos: Bosque Aleatorio (RF), Máquina de Vectores de Soporte (SVM), Árbol de Clasificación y Regresión (CRT) y Árbol de Regresión Potenciado (BRT). Cada detective intentó predecir qué partes de la cuenca tenían más probabilidades de perder su suelo. Para ver quién era el mejor detective, los probaron contra datos del mundo real que no les habían mostrado a las computadoras antes.

Los resultados fueron claros: el modelo de Bosque Aleatorio fue la estrella del espectáculo. Logró una puntuación de 0.967 en una escala llamada "Área Bajo la Curva" (AUC), que es una forma de medir qué tan bueno es un modelo para distinguir entre tierra segura y tierra peligrosa. Una puntuación tan alta sugiere que el modelo es extremadamente confiable. El modelo SVM quedó en segundo lugar con una puntuación de 0.925, mientras que los modelos CRT y BRT obtuvieron puntuaciones más bajas de 0.870 y 0.820, respectivamente. El estudio encontró que el modelo de Bosque Aleatorio fue el más preciso para mapear las zonas de "susceptibilidad", es decir, áreas donde es probable que ocurra la erosión del suelo.

Cuando observaron los mapas creados por el mejor modelo, encontraron que el suelo estaba en mayor peligro en las partes altas y escarpadas de la cuenca, específicamente en el noroeste. Estas áreas son como la parte superior de un tobogán resbaladizo donde la lluvia golpea con fuerza, el terreno es empinado y no hay suficiente vegetación para sujetar el suelo. En contraste, las partes centrales y orientales, más planas, estaban mucho más seguras, con riesgos de erosión muy bajos. La computadora también les dijo que las "pistas" más importantes para predecir la erosión fueron la pendiente del terreno, el uso de la tierra (como agricultura frente a bosque), la fuerza con la que golpea la lluvia y la elevación del terreno.

El artículo señala explícitamente que, aunque su modelo es muy bueno, tiene algunas limitaciones. Utilizaron datos que representan una instantánea en el tiempo y no tuvieron en cuenta cómo podría cambiar la tierra en el futuro debido al cambio climático o a nuevas prácticas agrícolas. Además, este "super-telescopio" específico fue construido para la cuenca del río Chittar, por lo que, aunque funciona de maravilla allí, no podemos estar 100% seguros de que funcionaría exactamente de la misma manera en una parte completamente diferente del mundo sin más pruebas. Sin embargo, el estudio sugiere fuertemente que combinar la ecuación de suelo de la vieja escuela con el aprendizaje automático moderno y smart es una forma poderosa de encontrar los puntos donde necesitamos proteger nuestro suelo más, ayudando a los agricultores y planificadores a mantener intacta la manta de la Tierra.

Resumen Técnico: Evaluación de la Susceptibilidad a la Erosión del Suelo mediante la Integración de Modelos RUSLE-SIG y Aprendizaje Automático en la Cuenca del Río Chittar, India

Planteamiento del Problema
La erosión del suelo sigue siendo un desafío ambiental crítico, particularmente en regiones semiáridas y montañosas, lo que conduce a la degradación de las tierras agrícolas, la reducción de la calidad del agua y la inestabilidad de los ecosistemas. En la cuenca del río Chittar (Tamil Nadu, India), los rápidos cambios en el uso del suelo, la deforestación y las prácticas agrícolas intensivas han exacerbado el desplazamiento del suelo. Si bien la Ecuación Revisada del Universal de Pérdida de Suelo (RUSLE) es un modelo empírico ampliamente utilizado para estimar la pérdida de suelo, tiene limitaciones debido a su incapacidad para capturar plenamente las interacciones complejas y no lineales entre las variables topográficas, climáticas, del suelo y del uso del suelo. En consecuencia, existe la necesidad de marcos predictivos más robustos que integren RUSLE con técnicas avanzadas de aprendizaje automático (ML) para mejorar la precisión espacial de los mapas de susceptibilidad a la erosión del suelo.

Metodología
El estudio empleó un marco integrado que combina el modelo RUSLE, Sistemas de Información Geográfica (SIG) y cuatro algoritmos de aprendizaje automático: Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CRT) y Boosted Regression Tree (BRT).

Adquisición y Preprocesamiento de Datos:
- Área de Estudio: La cuenca del río Chittar (2,150 km²), caracterizada por una topografía heterogénea que abarca desde las estribaciones de los Ghats Occidentales hasta las llanuras de aguas abajo.
- Conjuntos de Datos: Se utilizaron datos de precipitación del IMD (2000–2025), conjuntos de datos de suelos de la FAO, SRTM DEM (resolución de 30 m) y datos de LULC basados en Sentinel-2 (2025).
- Factores de Condicionamiento: Se derivaron 12 factores que incluyen la erosividad de la lluvia (R), la erodibilidad del suelo (K), la longitud/pendiente de la pendiente (LS), el manejo de la cobertura (C), las prácticas de apoyo (P), la pendiente, la orientación, la elevación, el Índice de Humedad Topográfica (TWI), el Índice de Potencia de la Corriente (SPI), el Índice de Rugosidad del Terreno (TRI), la densidad de drenaje y la textura del suelo.
Enfoque de Modelado:
- Componente RUSLE: Se calculó la pérdida anual de suelo ( $A = R \times K \times LS \times C \times P$ ) para identificar puntos críticos de erosión.
- Análisis de Multicolinealidad: Se realizaron pruebas de Factor de Inflación de la Varianza (VIF) y Tolerancia (TOL). Las variables con VIF > 5 (específicamente TWI y TRI) fueron excluidas para evitar la redundancia.
- Integración de Aprendizaje Automático: Los puntos de erosión derivados de RUSLE sirvieron como la variable objetivo. Los factores de condicionamiento restantes se utilizaron para entrenar los modelos RF, SVM, CRT y BRT.
- Validación: Los modelos se validaron utilizando el 30% de los datos no utilizados en el entrenamiento. El rendimiento se evaluó mediante curvas de Característica de Operación del Receptor (ROC), Área Bajo la Curva (AUC) y el True Skill Score (TSS).

Resultos Clave

Importancia de los Factores: El modelo Random Forest identificó la pendiente, el uso y cobertura del suelo (LULC), la erosividad de la lluvia y la elevación como los factores más influyentes que controlan la susceptibilidad a la erosión del suelo en la cuenca.
Distribución Espacial:
- Resultado de RUSLE: Identificó erosión severa a extrema (>25 t/ha/año) principalmente en las áreas del noroeste y la cuenca alta, impulsada por pendientes pronunciadas, alta intensidad de lluvia y baja cobertura vegetal. Las regiones central y oriental exhibieron erosión de baja a moderada.
- Predicciones de ML: El modelo RF produjo el mapa de susceptibilidad más coherente espacialmente, delineando eficazmente las zonas de alto riesgo con una clara continuidad. El modelo SVM mostró patrones similares pero con transiciones más suaves, mientras que los modelos CRT y BRT exhibieron patrones fragmentados o una subrepresentación de las clases de susceptibilidad extrema.
Desempeño de los Modelos:
- Random Forest (RF): Logró la mayor precisión predictiva con un AUC de 0.967, indicando una excelente capacidad de discriminación.
- Support Vector Machine (SVM): Funcionó bien con un AUC de 0.925.
- Classification and Regression Tree (CRT): Alcanzó un AUC de 0.870.
- Boosted Regression Tree (BRT): Registró el desempeño más bajo entre los modelos probados con un AUC de 0.820, aunque todavía se considera aceptable.

Significancia y Reivindicaciones
Los autores afirman que el marco integrado RUSLE–SIG–Aprendizaje Automático, particularmente al utilizar el algoritmo Random Forest, proporciona una herramienta fiable y robusta para el mapeo de la susceptibilidad a la erosión del suelo. El estudio demuestra que la incorporación de técnicas de ML supera las limitaciones del modelo empírico RUSLE al capturar mejor las relaciones no lineales entre las variables ambientales.

La significancia primaria de este trabajo radica en su capacidad para identificar con precisión las zonas propensas a la erosión dentro de la cuenca del río Chittar, apoyando así la gestión sostenible de las cuencas hidrográficas y la planificación de la conservación del suelo. Los hallazgos sugieren que priorizar las prácticas de conservación —como la forestación, la agricultura de contorno y el aterrazamiento— en las áreas identificadas de alto riesgo en el noroeste y la cuenca alta es crítico para mitigar la degradación del suelo. Los autores señalan que, si bien los modelos están validados para la cuenca del río Chittar, su aplicabilidad a otras cuencas requiere mayor investigación, y la investigación futura debe incorporar escenarios dinámicos de uso de suelo y cambio climático para mejorar la precisión de la predicción.

Más como este