📄 ciencias de la Tierra

Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning

Este estudio propone un flujo de trabajo orientado al despliegue que integra las incrustaciones del modelo fundacional AlphaEarth con el aprendizaje de positivo-no etiquetado para superar los desafíos de etiquetado y redundancia, logrando un mapeo de susceptibilidad de deslizamientos de tierra a escala local altamente selectivo en Hong Kong mediante la fusión efectiva de representaciones geoespaciales transferibles con características físicas tradicionales.

Autores originales: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

Publicado 2026-09-24

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mingxuan Li, Wenkai Li, Hongliang Liu, Changshan Liang

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

Cada año, las lluvias intensas y el terreno escarpado conspiran para enviar toneladas de roca y suelo deslizándose ladera abajo, amenazando vidas e infraestructuras. En lugares como Hong Kong, donde las ciudades se construyen justo al pie de montañas abruptas, predecir dónde podrían ocurrir estos deslizamientos es una cuestión de seguridad urgente. Durante décadas, los expertos han mapeado estos riesgos midiendo factores físicos: qué tan empinada es una pendiente, qué tipo de roca subyace, cuánta agua fluye a través del suelo y qué tan lejos está una colina de un río. Estas mediciones son fiables, pero a menudo pasan por alto las texturas sutiles y complejas del terreno que señalan el peligro. En años recientes, ha surgido un nuevo tipo de inteligencia artificial, entrenada en vastas cantidades de imágenes satelitales para reconocer patrones en la superficie terrestre que los humanos no pueden ver fácilmente. Estos sistemas, conocidos como modelos fundacionales geoespaciales, pueden generar una "huella digital" digital del paisaje, capturando detalles sobre la vegetación, el suelo y la actividad humana, todo a la vez. El desafío ha sido descubrir cómo utilizar estas potentes y abstractas huellas digitales para predecir deslizamientos de tierra en áreas locales específicas, especialmente cuando los datos disponibles son incompletos.

Un equipo de investigadores de la Universidad de Sun Yat-Sen ha abordado este problema combinando estas avanzadas huellas digitales de IA con una forma ingeniosa de manejar los datos incompletos. En el mundo real, los científicos saben exactamente dónde han ocurrido deslizamientos de tierra, pero rara vez saben con certeza dónde no han ocurrido. Un punto en un mapa sin un deslizamiento registrado podría ser seguro, o podría ser simplemente un lugar al que no se ha observado recientemente. Los modelos computacionales tradicionales luchan contra esta incertidumbre porque normalmente exigen una lista clara de puntos "seguros" para aprender. Para sortear esto, los investigadores utilizaron un método llamado aprendizaje de positivo-no etiquetado (positive-unlabeled learning). En lugar de intentar adivinar qué puntos son seguros, el modelo aprende de las ubicaciones confirmadas de deslizamientos de tierra y trata todo lo demás como "desconocido". Esto permite que el sistema aprenda los patrones de peligro sin necesidad de una lista perfecta de zonas seguras. Los investigadores probaron este enfoque en Hong Kong, alimentando al modelo con dos tipos de información: las mediciones físicas tradicionales y las nuevas huellas digitales generadas por IA de un sistema llamado AlphaEarth. Querían ver si las huellas digitales de la IA podían sostenerse por sí solas, o si funcionaban mejor cuando se combinaban con los datos físicos de la vieja escuela.

Los resultados mostraron que, si bien las huellas digitales de la IA por sí solas podían hacer una predicción decente, no eran toda la historia. Cuando los investigadores combinaron las huellas digitales de la IA con los factores físicos tradicionales, el modelo se volvió significativamente más preciso y estable. Este enfoque combinado hizo algo notable: identificó áreas de alto riesgo con mucha mayor precisión. En las zonas más peligrosas identificadas por el modelo combinado, la densidad de deslizamientos de tierra reales fue aproximadamente veinticuatro veces mayor que el nivel promedio de fondo. Más impresionante aún, el modelo logró capturar la mayoría de los eventos de deslizamiento de tierra conocidos marcando solo el 6,3 por ciento de toda el área de estudio como de alto riesgo. Este nivel de enfoque es crucial para los planificadores de emergencias, ya que les permite concentrar sus recursos en los puntos más críticos en lugar de dispersarlos sobre áreas vastas.

Uno de los hallazgos más interesantes fue cómo las huellas digitales de la IA ayudaron al modelo a evitar un error común. En ciudades densamente pobladas, los modelos tradicionales a menudo se confunden con estructuras hechas por el hombre que son empinadas, como terraplenes de autopistas o los lados de edificios altos. Debido a que estas estructuras parecen empinadas en un mapa, el modelo a veces las señalaba como peligrosas, a pesar de que están construidas para ser estables. Las huellas digitales de la IA, sin embargo, contienen información sutil sobre la textura de la superficie y el material que permite distinguir entre una ladera natural e inestable y un muro sólido e ingenierizado. Al incluir estas huellas digitales, el modelo dejó de señalar estas estructuras urbanas como de alto riesgo, reduciendo las falsas alarmas y, al mismo tiempo, identificando correctamente las pendientes naturales que estaban realmente en peligro. Esto sugiere que la IA no está reemplazando las mediciones físicas, sino que está añadiendo una capa de detalle de grano fino que ayuda al modelo a comprender el contexto del paisaje.

El estudio también destacó la importancia de cómo se manejan estos complejos datos de IA. Las huellas digitales puras generadas por la IA son increíblemente de alta dimensión, lo que significa que contienen cientos de números interconectados que pueden confundir a un modelo computacional si no se limpian primero. Los investigadores descubrieron que, si alimentaban el sistema directamente con los datos brutos, la lógica del modelo se volvía inestable y más difícil de entender. Al utilizar una técnica para simplificar y organizar estos números antes de que el modelo los viera, aseguraron que las predicciones finales no solo fueran precisas, sino también consistentes y fiables. Este paso fue esencial para hacer que la tecnología fuera utilizable en el mundo real, donde los ingenieros necesitan confiar en que el mapa que están mirando tiene sentido.

En última instancia, esta investigación ofrece un camino práctico hacia adelante para la gestión de desastres. Sugiere un enfoque de dos pasos para diferentes situaciones. Cuando ocurre un desastre o cuando los datos escasean, un modelo que utiliza solo las huellas digitales de la IA puede proporcionar una evaluación rápida y automatizada para obtener una sensación rápida del peligro. Cuando el tiempo y los recursos permiten un análisis más detallado, combinar esas huellas digitales con los datos físicos tradicionales crea un mapa altamente preciso que puede guiar las decisiones de ingeniería y las investigaciones de campo. El trabajo demuestra que, si bien la inteligencia artificial es poderosa, su mayor valor a menudo proviene de trabajar junto al conocimiento humano, llenando los vacíos donde los métodos tradicionales fallan y ayudándonos a ver los riesgos ocultos en nuestro mundo cambiante.

Resumen Técnico: Aprovechamiento de los Embeddings de Modelos Fundacionales Geoespaciales para el Mapeo de Susceptibilidad de Deslizamientos de Tierra a Escala Local mediante Aprendizaje de Positivo-No Etiquetado

Planteamiento del Problema
El mapeo de la susceptibilidad de deslizamientos de tierra (LSM, por sus siglas en inglés) a escala local es crítico para la gestión de desastres, pero enfrenta dos cuellos de botella principales al desplegar inteligencia artificial avanzada: la representación efectiva de características y la fiabilidad de las etiquetas de entrenamiento. El LSM convencional depende de factores condicionantes físicamente interpretables (p. ej., pendiente, litología) que a menudo no logran capturar texturas superficiales sutiles e interacciones no lineales compleas. Si bien el aprendizaje profundo ofrece una extracción de características más fuerte, típicamente demanda grandes conjuntos de datos etiquetados, los cuales suelen ser indisponibles en contextos operativos locales. Además, los inventarios de deslizamientos de tierra sufren inherentemente de una falta de muestras negativas fiables (no deslizamientos); la ausencia de un registro no garantiza la estabilidad, lo que conduce a un entrenamiento sesgado si se utiliza el muestreo convencional de Positivo-Negativo (PN). Asimismo, los Modelos Fundacionales Geoespaciales (GeoFMs), aunque prometedores para representaciones transferibles, introducen desafíos respecto a la redundancia de alta dimensión, la multicolinealidad y la incertidumbre de si sus embeddings pueden sostenerse por sí solos o deben fusionarse con factores físicos tradicionales.

Metodología
Este estudio propone un flujo de trabajo orientado al despliegue que integra los embeddings de AlphaEarth (un GeoFM) con el aprendizaje de Positivo-No Etiquetado (PU) para abordar estas limitaciones. El estudio utiliza Hong Kong como banco de pruebas, utilizando el Inventario de Deslizamientos de Tierra de Terreno Natural Mejorado (ENTLI) para muestras positivas (1,059 eventos de 2017–2024) y datos de fondo no etiquetados.

La metodología procede a través de tres fases centrales:

Preprocesamiento y Optimización de Características:
- Fuentes de Datos: Se derivaron 81 variables predictoras, incluyendo 64 bandas de embeddings de AlphaEarth (A00–A63), factores topográficos, hidrológicos, geológicos, de actividad superficial y factores derivados de satélite.
- Diagnóstico de Colinealidad: Los análisis de Factor de Inflación de la Varianza (VIF) y de correlación de Pearson revelaron una severa multicolinealidad interna dentro de las 64 dimensiones de los embeddings y redundancia entre los embeddings y ciertos índices satelitales (NDVI, NDBI).
- Conjuntos de Características: Se definieron tres configuraciones: Solo-Embedding, Solo-Tradicional (todos los factores no relacionados con embeddings) y Fusionado (todos los factores).
- Optimización: Para mitigar la multicolinealidad, se aplicó PCA (Análisis de Componentes Principales) reteniendo el 95% de la varianza a los conjuntos Solo-Embedding y Fusionado. El NDVI y el NDBI fueron excluidos del conjunto Fusionado debido a su redundancia con los embeddings.
Modelado con Aprendizaje de Positivo-No Etiquetado:
- Algoritmo: Se empleó el algoritmo de Aprendizaje de Positivo y Fondo con Restricciones (PBLC). A diferencia del aprendizaje supervisado estándar, el PBLC entrena sobre deslizamientos confirmados positivos y muestras de fondo no etiquetadas, estimando la probabilidad posterior de ocurrencia de deslizamientos mientras se tiene en cuenta la frecuencia de la etiqueta ( $c$ ).
- Arquitectura: Una Red Neuronal Artificial (ANN) totalmente conectada con tres capas ocultas (32, 16, 8 neuronas) sirvió como clasificador.
- Función de Pérdida: Se utilizó una función de pérdida compuesta ( $L_{total}$ ) que combina la Pérdida Focal (para manejar el desequilibrio de clases), un término de restricción de PBLC (asumiendo que la probabilidad máxima de deslizamiento $P_{max} \approx 1$ ) y regularización L2.
- Validación: Se implementó una estrategia de evaluación robusta de 100 ejecuciones experimentales independientes (10 conjuntos de datos $\times$ 10 ejecuciones de entrenamiento) para evaluar la estabilidad. El rendimiento se midió mediante AUC y la puntuación $F_{pb}$ (un proxy del F1-score en entornos PU).
Análisis de Interpretabilidad y Estabilidad:
- Análisis SHAP: Se utilizaron explicaciones aditivas de Shapley (SHAP) para cuantificar las contribuciones de las características e interpretar la lógica de decisión de los embeddings de alta dimensión.
- Métricas de Estabilidad: Se calculó el Coeficiente de Correlación de Rango de Spearman a través de las 100 ejecuciones para evaluar la consistencia en los rankings de importancia de las características.

Contribuciones Clave

Estrategia de Despliegue de Aprendizaje PU: El estudio establece un flujo de trabajo para la evaluación de la susceptibilidad de ingeniería-geológica bajo etiquetas negativas poco fiables, utilizando PBLC para aprender de inventarios positivos y datos no etiquetados sin necesidad de un muestreo manual de negativos.
Benchmarking Sistemático de Embeddings GeoFM: Proporciona un análisis comparativo de los conjuntos de características Solo-Embedding, Solo-Tradicional y Fusionado, cuantificando la capacidad base de los GeoFMs y las ganancias marginales logradas mediante la fusión.
Directrices para Embeddings de Alta Dimensión: La investigación diagnostica explícitamente la redundancia en los embeddings de GeoFM y evalúa las estrategias de optimización (PCA, regularización), ofreciendo orientación práctica para equilibrar la precisión predictiva con la robustez del modelo e interpretabilidad.

Resultos

Rendimiento: El modelo Fusionado (Embeddings + factores Tradicionales) alcanzó la mediana de AUC y las puntuaciones $F_{pb}$ más altas con los rangos intercuartílicos más estrechos, lo que indica una precisión y estabilidad superiores. El modelo Solo-Embedding sirvió como una línea base competitiva de bajo preprocesamiento, pero mostró una menor estabilidad.
Selectividad Espacial: El modelo Fusionado delineó las zonas de alta susceptibilidad más concentradas. Capturó la mayoría de los deslizamientos dentro de solo el 6.3% del área de estudio, logrando una densidad de deslizamientos aproximadamente 24 veces superior al nivel de fondo.
Reducción de Falsos Positivos: En áreas altamente urbanizadas (p. ej., la Península de Kowloon), el modelo Solo-Tradicional exhibió una "decepción de elevación", asignando alta susceptibilidad a superficies artificiales empinadas (terraplenes, carreteras elevadas). El modelo Fusionado, aprovechando la semántica de superficie de los GeoFM, redujo significativamente estos falsos positivos mientras mantenía la precisión en terrenos montañosos naturales.
Importancia de las Características: El análisis SHAP confirmó que, si bien los factores tradicionales (Pendiente, Litología, Uso de Suelo) siguieron siendo dominantes, la inclusión de los embeddings desplazó el peso hacia las variables geológicas e hidrológicas. Las contribuciones de los embeddings fueron más equitativas que las de los factores físicos.
Estabilidad vs. Precisión: Los estudios de ablación revelaron que eliminar el PCA (usando embeddings brutos) producía ganancias marginales en las métricas de prueba, pero causaba un declive sustancial en la estabilidad de la importancia de las características (menor correlación de Spearman de SHAP) y un aumento en las brechas de sobreajuste. Por lo tanto, la reducción de la dimensionalidad es crítica para un despliegue robusto.

Significancia y Reivindicaciones
El artículo afirma que este flujo de trabajo soporta el tamizaje rápido de ingeniería-geológica y la evaluación detallada de la susceptibilidad bajo restricciones de etiquetas realistas. Propone un marco de modo dual:

Nivel 1 (Respuesta Rápida): Utilizando modelos PU de Solo-Embedding para situaciones de emergencia o regiones con escasez de datos donde no hay etiquetas negativas disponibles y el tiempo de preprocesamiento es limitado.
Nivel 2 (Evaluación Detallada): Utilizando modelos Fusionados con reducción de dimensionalidad para la planificación post-desastre y selección de sitios, asegurando que los resultados sean estadísticamente precisos, físicamente interpretables y robustos.

El estudio concluye que los embeddings de los GeoFM no reemplazan a los factores físicos tradicionales, sino que los complementan al proporcionar una semántica superficial de grano fino que resuelve las fallas de la lógica puramente física (p. ej., en entornos urbanos). Si bien la codificación espacio-temporal implícita en los embeddings de AlphaEarth agiliza la representación del cambio ambiental acumulativo, los autores señalan modestamente que esto es un suplemento y no un reemplazo de las variables de activación explícitamente dinámicas (p. ej., la lluvia en tiempo real). El marco se presenta como una herramienta práctica para priorizar investigaciones de campo en lugar de un sustituto del análisis geotécnico específico de cada sitio.

Más como este