📄 ciencias de la Tierra

Linking Groundwater Depletion to Land Subsidence; An Integrated Approach Using D- InSAR, Fuzzy Logic, and Machine Learning in the Isfahan-Borkhar Plain, Central Iran

Este estudio integra observaciones de D-InSAR con modelos de lógica difusa y aprendizaje automático para mapear el potencial de subsidencia del terreno en la llanura de Isfahan-Borkhar en Irán, demostrando que las Máquinas de Vectores de Soporte (SVM) alcanzan la mayor precisión (R² = 0.93) al vincular el agotamiento de las aguas subterráneas con la deformación de la superficie para una mejor mitigación de riesgos.

Autores originales: Rana Azizi, Ali M. Rajabi, Ali Manafiazar

Publicado 2026-09-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rana Azizi, Ali M. Rajabi, Ali Manafiazar

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

En el corazón árido de Irán, el suelo se hunde lentamente. Este fenómeno, conocido como subsidencia del terreno, ocurre cuando la superficie de la tierra desciende gradualmente, a menudo porque se extrae agua de los acuíferos subterráneos más rápido de lo que la naturaleza puede reponerla. A medida que el agua abandona los espacios entre los granos del suelo, el peso de la tierra superior comprime los sedimentos blandos y ricos en arcilla, provocando que la superficie se asiente. Aunque este proceso ocurre silenciosamente, sus consecuencias son ruidosas y dañinas: las carreteras se agrietan, los edificios se inclinan y la infraestructura vital, como los aeropuertos y las redes de alcantarillado, se enfrentan al colapso. En regiones donde el agua es escasa y la demanda es alta, comprender exactamente dónde y con qué rapidez se hunde el suelo se ha convertido en una tarea crítica para ingenieros y planificadores urbanos.

Durante décadas, los científicos han utilizado la tecnología satelital para observar el movimiento de la tierra. Un método poderoso consiste en enviar señales de radar desde el espacio hacia el suelo y medir los cambios minúsculos en el tiempo que tarda la señal en rebotar. Al comparar imágenes tomadas con meses de diferencia, los investigadores pueden mapear el movimiento vertical de la tierra con una precisión increíble. Sin embargo, saber que el suelo se mueve es solo la mitad de la batalla; la pregunta más difícil es predecir dónde ocurrirá después y por qué. Los métodos tradicionales para realizar estas predicciones suelen basarse en cálculos simples que suman diferentes factores de riesgo, como el tipo de suelo, la cantidad de agua que se bombea y la profundidad de las capas subterráneas. Aunque son útiles, estos cálculos directos a veces pasan por alto las formas complejas y desordenadas en que estos factores interactúan en el mundo real.

Un equipo de investigadores de la Universidad de Teherán y la Universidad de Tarbiat Modares se propuso mejorar estas predicciones para la llanura de Isfahán-Borkhar, una región vital en el centro de Irán que alberga ciudades importantes, zonas industriales y el Aeropuerto Shahid Beheshti. Querían ir más allá de la simple suma y ver si podían utilizar modelos computacionales avanzados para comprender mejor la relación entre el agotamiento de las aguas subterráneas y el hundimiento del terreno. Su enfoque fue un proceso de tres pasos que comenzó con un mapa básico y lo refinó utilizando técnicas cada vez más sofisticadas. Primero, crearon un mapa de riesgo estándar ponderando siete factores diferentes: el tipo de roca y suelo subterráneo, el uso del suelo, la tasa de extracción de agua, la cantidad de lluvia que recarga el acuífero, el espesor de las capas de sedimentos, la distancia de las fallas geológicas y cuánto ha descendido el nivel freático. Este mapa inicial les dio una idea general de dónde era mayor el riesgo.

Para hacer este mapa más preciso, los investigadores introdujeron una nueva capa de realidad: mediciones reales del hundimiento del suelo. Utilizando datos satelitales recolectados entre abril de 2023 y abril de 2024, mapearon la cantidad exacta de subsidencia en toda la llanura. Luego, utilizaron estas mediciones del mundo real para "condicionar" su mapa de riesgo inicial, enseñando esencialmente al modelo a alinearse con lo que realmente estaba sucediendo en el terreno. Con este objetivo refinado en su lugar, probaron tres tipos diferentes de modelos de lógica difusa (fuzzy logic). Estos modelos están diseñados para manejar la incertidumbre y los cambios graduales, de forma muy similar a como un humano podría describir una temperatura como "cálida" en lugar de un número específico, lo que permite una comprensión más matizada de cómo se mezclan los factores de riesgo. También probaron dos poderosas herramientas de inteligencia artificial: una que imita la forma en que el cerebro humano procesa la información a través de capas conectadas, y otra que encuentra el límite matemático óptimo para separar diferentes niveles de riesgo.

Los resultados mostraron una progresión clara en la precisión. El mapa inicial, simple, proporcionó un punto de partida decente, identificando correctamente áreas generales de riesgo, pero le costó coincidir con los detalles precisos de las mediciones satelitales. Cuando los investigadores introdujeron los modelos de lógica difusa, las predicciones se volvieron mucho más nítidas, capturando las variaciones sutiles del paisaje. El modelo más exitoso, sin embargo, fue la herramienta de inteligencia artificial basada en máquinas de vectores de soporte (support vector machines). Este modelo logró el mayor nivel de concordancia con los datos satelitales, reproduciendo con éxito los complejos patrones de subsidencia que los métodos más simples pasaron por alto. Identificó zonas de alto riesgo con una claridad notable, señalando las áreas en la parte suroeste de la llanura, el norte de Isfahán y el lado este del aeropuerto como los lugares donde es más probable que el suelo continúe hundiéndose.

El estudio confirma que, si bien los métodos tradicionales pueden ofrecer una visión general, no son suficientes para proteger la infraestructura crítica en un entorno que cambia rápidamente. Al combinar las observaciones satelitales con el aprendizaje automático avanzado, los investigadores han creado una herramienta que puede ver el comportamiento del suelo con una fidelidad mucho mayor. Este enfoque no solo nos dice que la tierra se está hundiendo; ayuda a comprender la combinación específica de suelo, agua y actividad humana que impulsa el proceso en cada vecindario. Para la ciudad de Isfahán y sus llanuras circundantes, este nivel de detalle es esencial. Permite a las autoridades centrar sus esfuerzos de monitoreo y mitigación en los puntos exactos donde el suelo es más vulnerable, ayudando a salvaguardar el aeropuerto, las plantas de energía y las viviendas construidas sobre este cimiento cambiante. El trabajo demuestra que cuando dejamos que las computadoras aprendan de la compleja realidad de la tierra, en lugar de simplemente aplicar reglas simples, obtenemos una imagen mucho más clara de los riesgos que enfrentamos.

Resumen Técnico: Vinculación del Agotamiento de las Aguas Subterráneas con la Subsidencia del Terreno en la Llanura de Isfahan-Borkhar

Planteamiento del Problema
La llanura de Isfahan-Borkhar, ubicada en el centro de Irán dentro de la zona estructural de Sanandaj-Sirjan, está experimentando una subsidencia significativa del terreno impulsada por la extracción intensiva de aguas subterráneas. La región se caracteriza por sedimentos cuaternarios de grano fino (arcilla y limo) que son altamente susceptibles a la consolidación bajo un aumento del esfuerzo efectivo causado por el descenso de los niveles freáticos. Este geopeligro amenaza infraestructuras críticas, incluyendo el Aeropuerto Shahid Beheshti, zonas industriales, plantas de energía y áreas residenciales urbanas. Si bien la subsidencia del terreno es un problema conocido en Irán, existe la necesidad de mejorar las técnicas de mapeo que vayan más allá de los esquemas de ponderación simples para capturar mejor las complejas interacciones no lineales entre los factores hidrogeológicos, geológicos y antropogénicos.

Metodología
El estudio propone un marco integrado y multinivel para evaluar y mejorar el mapeo del Potencial de Subsidencia del Terreno (LSP, por sus siglas en inglés). La metodología combina datos de teledetección con la toma de decisiones multicriterio (MCDM) convencional, lógica difusa y técnicas de aprendizaje automático (ML).

Adquisición y Acondicionamiento de Datos:
- Teledetección: Se realizó un análisis de Interferometría de Radar de Apertura Sintética Diferencial (D-InSAR) utilizando imágenes de Sentinel-1A (órbita descendente) adquiridas entre abril de 2023 y abril de 2024. Esto proporcionó datos de desplazamiento (subsidencia vertical del terreno) como verdad de campo para servir de referencia.
- Factores de Acondicionamiento: Se prepararon siete capas temáticas basadas en el marco ALPRIFT: medio del acuífero (A), uso del suelo (L), tasa de bombeo de agua subterránea (P), recarga (R), espesor del aluvión (I), distancia de las fallas (F) y descenso del nivel freático (T).
- Generación de Datos Objetivo: Se generó un Índice de Potencial de Subsidencia de la Tierra (LSPI) inicial utilizando el Marco de Suma Aditiva Simple (SAWF). Este LSPI fue luego condicionado mediante los valores de desplazamiento derivados de D-InSAR para crear un Índice de Potencial de Subsidencia de la Tierra Condicionado (CLSPI), el cual sirvió como dato objetivo o de referencia para el entrenamiento del modelo.
Jerarquía de Modelado:
- Nivel 1 (Ponderación Convencional): Se generó un mapa de LSP inicial basado en SAWF. Adicionalmente, se aplicó un modelo de Proceso de Jerarquía Analítica (AHP) utilizando pesos derivados de la literatura previa para generar un mapa de LSP comparativo.
- Nivel 2 (Optimización por Lógica Difusa): Se desarrollaron tres sistemas de inferencia difusa para refinar los resultados iniciales: Lógica Difusa de Sugeno (SFL), Lógica Difusa de Mamdani (MFL) y Lógica Difusa de Larsen (LFL). Estos modelos utilizaron los siete factores de acondicionamiento, el índice SAWF y el resultado de AHP como entradas, con el CLSPI como objetivo. Se utilizaron algoritmos de agrupamiento (Clustering Sustractivo para SFL; Fuzzy C-Means para MFL y LFL) para derivar las reglas difusas.
- Nivel 3 (Optimización por Inteligencia Artificial): Se emplearon Redes Neuronales Artificiales (ANN) y Máquinas de Vectores de Soporte (SVM). Las entradas para estos modelos incluyeron los resultados del SAWF, AHP y los tres modelos de lógica difusa. La variable objetivo fue el CLSPI normalizado. La ANN utilizó un algoritmo de entrenamiento Levenberg-Marquardt, mientras que la SVM empleó un enfoque de Mínimos Cuadrados con un núcleo de Función de Base Radial (RBF).
Validación:
Todos los mapas de LSP generados fueron validados contra los valores de desplazamiento originales derivados de D-InSAR utilizando el coeficiente de correlación de Pearson ( $r$ ), el coeficiente de determinación ( $R^2$ ) y el Error Cuadrático Medio (RMSE).

Contribuciones Clave

Integración Secuencial: El estudio introduce un marco unificado que integra secuencialmente la ponderación convencional (SAWF/AHP), la inferencia difusa y los modelos de aprendizaje automático. Este enfoque permite el refinamiento progresivo de las estimaciones de LSP.
Objetivo Híbrido: Al utilizar los datos de D-InSAR para condicionar el índice SAWF inicial (creando el CLSPI), el estudio establece un conjunto de datos objetivo robusto que cierra la breancia entre los índices de susceptibilidad teóricos y la deformación física observada.
Análisis Comparativo: El artículo proporciona una comparación directa del rendimiento entre los métodos tradicionales de MCDM, tres arquitecturas distintas de lógica difusa y dos algoritmos de aprendizaje automático dentro del mismo área de estudio y conjunto de datos.

Resultos
El desempeño de los modelos mostró una progresión clara del Nivel 1 al Nivel 3:

Modelos Convencionales: El modelo SAWF logró una concordancia moderada con la subsidencia observada ( $R^2 = 0.52$ ). El modelo AHP mejoró esto ligeramente ( $R^2 = 0.62$ ), indicando que la ponderación de expertos ofrece ganancias marginales sobre la suma aditiva simple, pero aún lucha con la heterogeneidad espacial no lineal.
Modelos de Lógica Difusa: Los tres modelos difusos superaron significativamente a los métodos convencionales. El modelo de Lógica Difusa de Sugeno (SFL) fue el mejor desempeño entre los enfoques difusos, logrando un $R^2$ de prueba de 0.87. Los modelos Mamdani (MFL) y Larsen (LFL) le siguieron con valores de $R^2$ de prueba de 0.83 y 0.78, respectivamente.
Modelos de Aprendizaje Automático: Los modelos basados en IA demostraron la mayor precisión. La Máquina de Vectores de Soporte (SVM) alcanzó el mejor desempeño general con un $R^2$ de prueba de 0.95 y un RMSE de 0.0504. La Red Neuronal Artificial (ANN) también funcionó bien, con un $R^2$ de prueba de 0.89.
Distribución Espacial: Las zonas de alto potencial se identificaron principalmente en el suroeste de la llanura de Borkhar, el norte de Isfahan, el sureste de Shahin-Shahr y el sector oriental del Aeropuerto Shahid Beheshti. Las áreas de alto riesgo específicas incluyen Gaz-e Borkhar, Dowlatabad, Baharan, Habibabad, Gavart, Khorzuq y los distritos municipales 8 y 10 de Isfahan.

Significancia y Reivindicaciones
Los autores afirman que el marco integrado propuesto mejora significamente la capacidad de reproducir los patrones espaciales de la subsidencia del terreno observada en comparación con los métodos tradicionales basados en índices. El estudio concluye que, si bien la ponderación convencional proporciona una aproximación de primer orden, la incorporación de la lógica difusa y el aprendizaje automático —específicamente SVM— mejora sustancialmente la concordancia entre el potencial modelado y la deformación real del suelo.

El artículo posiciona estos hallazgos como una herramienta práctica para la gestión de los recursos hídricos subterráneos y la mitigación de los peligros por subsidencia del terreno. Enfatiza que los mapas resultantes deben interpretarse como indicadores relativos de potencial y no como predicciones absolutas de la subsidencia futura. Los autores señalan que persisten las incertidumbres relacionadas con la calidad de los datos de aguas subterráneas y las limitaciones de la teledetección, y recomiendan que los resultados se complementen con investigaciones geotécnicas de campo para la toma de decisiones de ingeniería y la protección de infraestructuras. El estudio no propone nuevas aplicaciones futuras más allá de la utilidad inmediata de los mapas generados para el monitoreo y la planificación de la mitigación en el área metropolitana de Isfahan.

Más como este