Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

En los abruptos paisajes montañosos del suroeste de China, la tierra a veces se desplaza con una fuerza repentina y destructiva. Los deslizamientos de tierra son una amenaza persistente para las vidas, los hogares y la infraestructura de las personas que viven en estos valles escarpados. Durante décadas, científicos e ingenieros han dependido de modelos computacionales para predecir dónde podrían ocurrir estos desastres. Estos modelos son excelentes detectando patrones; pueden mirar un mapa de una ladera y decir: "Este lugar parece peligroso", analizando factores como la pendiente del terreno, cuánta lluvia cae allí o qué tipo de roca subyace al suelo. Sin embargo, existe una diferencia crucial entre detectar un patrón y comprender la causa. Saber que un deslizamiento ocurre a menudo donde el terreno es empinado no nos dice automáticamente qué pasaría si de alguna manera pudiéramos cambiar la inclinación, o si pudiéramos alterar la cantidad de agua en el suelo. Para gestionar realmente el riesgo, necesitamos saber no solo qué está asociado con un deslizamiento, sino qué causaría realmente que el riesgo aumentara o disminuyera si interviniéramos.

Este es el desafío que un equipo de investigadores de la Universidad Politécnica de Tecnología de Chongqing, la Universidad de Educación de Chongqing y la Universidad de Pekín se propusieron abordar. Se centraron su estudio en Chongqing, una ciudad famosa por su topografía dramática y su rápido crecimiento urbano, donde la intersección entre la naturaleza y la actividad humana crea un laboratorio perfecto para probar nuevas formas de entender los peligros geológicos. En lugar de simplemente preguntar qué factores predicen un deslizamiento, plantearon una pregunta diferente y más difícil: si pudiéramos cambiar un factor ambiental específico, ¿cómo cambiaría el riesgo de un deslizamiento? Para responder a esto, fueron más allá de las herramientas de predicción estándar y aplicaron un método conocido como T-learner. Este enfoque permite a los investigadores simular un escenario de "qué pasaría si", estimando la diferencia de riesgo entre un nivel alto de un factor, como la lluvia intensa, y un nivel bajo, mientras se tiene en cuenta cuidadosamente todas las demás condiciones presentes en el paisaje.

Los investigadores comenzaron con un conjunto masivo de datos que contenía más de 30,000 registros, la mitad de los cuales eran lugares donde habían ocurrido deslizamientos y la otra mitad donde no. Recopilaron 17 piezas de información diferentes para cada ubicación, desde la altura del terreno y el ángulo de la pendiente hasta la cantidad de agua que se evapora del suelo, la distancia a los ríos y el tipo de roca debajo. Utilizando un potente algoritmo de aprendizaje computacional, primero entrenaron un modelo para reconocer los patrones que distinguen un sitio de deslizamiento de uno seguro. Este modelo fue altamente preciso, identificando correctamente las ubicaciones de los deslizamientos en sus datos de prueba con un alto grado de éxito. Sin embargo, el equipo sabía que una alta precisión por sí sola no revela la causa. Un modelo podría aprender que los deslizamientos ocurren cerca de las carreteras simplemente porque las carreteras se construyen en pendientes pronunciadas, no porque las carreteras mismas desencadenen el deslizamiento. Para desenredar esto, utilizaron el T-learner para estimar el efecto promedio de cambiar cada factor.

Los resultados ofrecieron una visión matizada de lo que impulsa el riesgo de deslizamientos en esta región. El análisis sugirió que los tres factores con las mayores diferencias de riesgo contrafactual estimadas fueron la evapotranspiración, la precipitación y la elevación. La evapotranspiración es una medida de cuánta agua se mueve del suelo y las plantas hacia el aire; en este estudio, las áreas con niveles más altos de este proceso estaban asociadas con un menor riesgo predicho de deslizamientos. Del mismo modo, una mayor elevación y una mayor precipitación total también estuvieron vinculadas a un menor riesgo en su modelo específico. Los investigadores advirtieron que este hallazgo respecto a la precipitación no debe traducirse directamente en una recomendación de intervención para aumentar la precipitación. Explicaron que este resultado probablemente refleja condiciones a largo plazo en lugar de desencadenantes inmediatos; quizás las áreas con alta precipitación anual tienen vegetación que está mejor adaptada para retener el suelo, o los datos capturan un aspecto diferente del ciclo del agua que las tormentas repentinas que causan fallos inmediatos. En contraste, la intensidad de la precipitación —la velocidad a la que cae la lluvia— mostró un efecto positivo, lo que significa que una lluvia más rápida e intensa estaba asociada con un mayor riesgo, lo cual concuerda con el entendimiento común de cómo se desencadenan los deslizamientos.

El estudio también destacó una distincción crítica entre lo que un modelo computacional considera importante y lo que realmente causa un cambio en el riesgo. Los investigadores compararon sus nuevos estimados de "qué pasaría si" con un método estándar llamado SHAP, que simplemente clasifica los factores basándose en cuánto ayudan al modelo a realizar predicciones. En la clasificación estándar, la evapotranspiración era el factor más importante, seguida de la precipitación y la elevación. Aunque el orden era similar, el significado era distinto. El método estándar decía que estos factores eran los mejores para adivinar dónde ocurriría un deslizamiento. El nuevo método sugería que, si pudiéramos cambiar estos factores, el riesgo cambiaría significativamente. Por ejemplo, el estudio encontró que la diferencia de riesgo estimada para la evapotranspiración era mayor que la de la pendiente, un factor que tradicionalmente se considera el más crítico en la ciencia de los deslizamientos. Sin embargo, los investigadores señalaron explícitamente que este patrón no implica que estas variables hayan demostrado tener efectos causales directos más fuertes que la pendiente. Las definiciones de tratamiento, la covariación espacial y los factores de confusión no medidos pueden influir en la clasificación relativa, lo que significa que estos resultados deben verse como hipótesis para una verificación posterior en lugar de una prueba definitiva de fuerza causal.

A pesar de estos hallazgos intrigantes, los investigadores fueron cuidadosos al definir los límites de su trabajo. Enfatizaron que su estudio era una instantánea en el tiempo, utilizando datos recopilados todos a la vez en lugar de rastrear cambios a lo largo de los años. Debido a esto, no pudieron probar que un factor definitivamente cause otro, ni pudieron descartar la posibilidad de que algún factor oculto, como el tipo de suelo o la ingeniería humana pasada, influyera tanto en las condiciones ambientales como en el riesgo de deslizamiento. También señalaron que sus resultados son específicos del entorno montañoso y húmedo de Chongqing y podrían no aplicarse a desiertos secos o llanuras. El estudio sirve como un poderoso marco exploratorio, mostrando que podemos ir más allá de la simple predicción para hacer preguntas más profundas sobre la causa y el efecto. Sugiere que los esfuerzos futuros para prevenir deslizamientos deberían observar de cerca el ciclo del agua y la vegetación, pero se detiene antes de decirle a los ingenieros exactamente qué construir o dónde excavar. En su lugar, proporciona un nuevo conjunto de hipótesis para probar, instando a los científicos a diseñar estudios futuros que puedan rastrear cambios a lo largo del tiempo y confirmar si estos efectos estimados se mantienen en el mundo real.

El valor último de esta investigación radica en su capacidad para separar la señal de la predicción de la señal de la causa. Al aplicar estas herramientas estadísticas avanzadas a un problema del mundo real, el equipo demostó que los factores que utilizamos para predecir un desastre no siempre son los mismos factores que debemos abordar para prevenirlo. Demostraron que, si bien una computadora puede aprender a detectar una ladera peligrosa con gran precisión, comprender por qué esa ladera es peligrosa requiere un tipo de pensamiento diferente. El estudio concluye que, aunque aún no podemos afirmar que hayamos resuelto el misterio de la causalidad de los deslizamientos en Chongqing, hemos dado un paso significativo hacia la comprensión de las complejas relaciones entre la lluvia, el suelo y la pendiente. Esta nueva perspectiva ofrece una hoja de ruta para la investigación futura, una que prioriza la verificación de estos vínculos causales con mejores datos y pruebas más rigurosas, conduciendo finalmente a comunidades más seguras en estos paisajes desafiantes.