Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

En las montañas escarpadas y azotadas por la lluvia del norte de Marruecos, el suelo es una entidad viva y cambiante. Las pendientes pronunciadas, la geología compleja y las intensas lluvias estacionales se combinan para hacer de los deslizamientos de tierra una realidad frecuente y peligrosa. Para los planificadores y los responsables de la seguridad, el objetivo es trazar un mapa que muestre dónde es probable que la tierra ceda de nuevo. Esto no es una cuestión de adivinación; es un desafío estadístico. Para construir un modelo que prediga dónde podrían ocurrir deslizamientos, los científicos necesitan dos cosas: una lista de lugares donde ya han ocurrido deslizamientos y una lista de lugares donde el terreno es estable. La primera lista es fácil de encontrar; la segunda es una trampa. El hecho de que no se haya registrado un deslizamiento en un lugar específico no significa que el terreno sea seguro. Simplemente puede significar que el deslizamiento pasó desapercibido, quedó oculto por la vegetación o es demasiado antiguo para ser visto. Tratar estos puntos no registrados como zonas confirmadas de "seguridad" es como asumir que una habitación está vacía porque no viste a nadie dentro, ignorando la posibilidad de que alguien esté escondido en el armario. Esta incertidumbre hace que sea increíblemente difícil enseñar a una computadora a distinguir entre un terreno estable y un terreno que simplemente está esperando a deslizarse.

Un equipo de investigadores de Marruecos ha abordado este problema desarrollando una nueva forma de manejar estos deslizamientos "faltantes". En lugar de obligar a una computadora a tomar una decisión única y rígida sobre qué puntos no registrados son seguros, crearon un método que abraza la incertidumbre. Probaron este nuevo enfoque, llamado MC-PU-2S, contra dos métodos existentes en las montañas del Rif, una zona conocida por su terreno escarpado y frecuentes fallos de ladera. El estudio utilizó una base de datos de casi 6,000 observaciones, incluyendo más de 2,300 ubicaciones de deslizamientos conocidos y miles de otros puntos donde el estado del terreno era desconocido. Al someter sus modelos a un riguroso proceso de prueba que evitaba que la computadora se sobreajustara al memorizar los datos de prueba, los investigadores descubrieron que su nuevo método producía una imagen mucho más clara y fiable del riesgo. Mientras que los métodos antiguos tendían a etiquetar casi todo el paisaje como peligroso, desdibujando las líneas entre el alto riesgo y el bajo riesgo, el nuevo enfoque logró separar ambos, ofreciendo no solo un mapa de peligro, sino un mapa de confianza.

El núcleo del problema radica en cómo los modelos tradicionales manejan la clase "negativa", es decir, los puntos que se asumen seguros. En muchos estudios, los investigadores simplemente eligen puntos aleatorios alejados de los deslizamientos conocidos y le dicen a la computadora: "Esto es seguro". El nuevo estudio sostiene que esta es una suposición errónea. Si un lugar es en realidad inestable pero aún no ha sido mapeado, la computadora aprende la lección equivocada. Los investigadores compararon tres estrategias diferentes para manejar esto. La primera, conocida como el método de Valor de Información Mejorado, intenta filtrar los lugares más seguros buscando en un modelo preliminar y seleccionando las áreas de menor riesgo. El segundo, llamado PU de Dos Pasos, utiliza un punto de corte estricto: si un lugar parece lo suficientemente seguro según una puntuación específica, se etiqueta como seguro; si es incluso un poco menos seguro, se descarta. Ambos métodos fuerzan una elección binaria, creando una línea divisoria tajante entre lo seguro y lo inseguro que puede no existir en el mundo real.

El nuevo método de los investigadores, MC-PU-2S, toma un camino diferente. En lugar de trazar una línea dura, asigna una probabilidad a cada punto desconocido. Pregunta: "¿Qué tan probable es que este lugar sea realmente seguro?" y permite que la respuesta sea un tono de gris en lugar de blanco o negro. Para lograrlo, la computadora ejecuta cientos de simulaciones. En cada simulación, decide aleatoriamente si trata un punto desconocido específico como seguro o inseguro, basándose en esa probabilidad. Luego, construye un modelo de predicción para cada uno de estos escenarios. Finalmente, promedia todos estos cientos de modelos. Este proceso suaviza los errores y revela qué predicciones son sólidas y cuáles son dudosas. El resultado no es solo un mapa de susceptibilidad, sino una serie de productos: un mapa que muestra el riesgo promedio, un mapa que muestra cuánto varía la predicción a través de las simulaciones y un mapa que resalta las áreas donde el modelo simplemente no puede decidirse.

Cuando los investigadores compararon los resultados, la diferencia fue sorprendente. Los métodos antiguos producían mapas donde casi cada punto en el área de estudio era clasificado con un alto riesgo de deslizamientos. La computadora estaba esencialmente gritando "peligro" en todas partes, lo cual no es útil para la planificación. El nuevo método, sin embargo, produjo una visión mucho más equilibrada. Identificó correctamente que, si bien muchas áreas son de hecho riesgosas, una parte significativa del paisaje es estable. El nuevo modelo fue mucho mejor para distinguir entre ambos, con sus predicaciones alineándose mucho más estrechamente con los datos reales. También corrigió un fallo importante de los modelos anteriores: sus estimaciones de probabilidad estaban comprimidas y sesgadas, lo que significaba que no podían distinguir con precisión un AUC de 0.9 de un AUC de 0.6. El nuevo método distribuyó estas probabilidades, permitiendo una comprensión más matizada del terreno.

Quizás el producto más valioso de este nuevo enfoque es la capacidad de identificar la incertidumbre. El estudio encontró que en aproximadamente el 23 por ciento del área, el modelo no podía decir con confianza si el terreno era seguro o inseguro. Estos son los puntos donde la clasificación oscila justo en el borde de la línea de decisión. En un mapa tradicional, estas áreas se verían igual que el resto, ocultando una falta crítica de conocimiento. En los nuevos mapas, estas áreas se señalan explícitamente. Esto es un cambio de paradigma para los responsables de la toma de decisiones. Un área de alto riesgo con alta confianza puede ser objeto inmediato de medidas de seguridad. Un área de alto riesgo con baja confianza señala que se necesita más trabajo de campo antes de gastar dinero en construcción o mitigación. Le dice a los funcionarios exactamente dónde mirar después, convirtiendo una advertencia vaga en un plan de acción específico.

El estudio también confirmó que los factores más importantes que impulsan los deslizamientos en esta región siguen siendo consistentes con lo que los geólogos ya saben: la pendiente de la ladera, la distancia a las carreteras, el tipo de roca y la cantidad de lluvia. Sin embargo, la forma en que se interpretan estos factores cambia cuando se tiene en cuenta la incertidumbre. El nuevo método mostró que la relación entre estos factores y el riesgo no es un interruptor simple, sino un gradiente complejo. Al promediar el ruido de los deslizamientos "faltantes", el modelo pudo ver estos patrones con mayor claridad. Los investigadores señalaron que, aunque su método requiere más potencia de cómputo que las técnicas anteriores, el intercambio vale la pena. La capacidad de cuantificar la incertidumbre y producir un mapa que admite lo que no sabe es un paso significativo hacia adelante en la gestión de peligros naturales.

Este trabajo no pretende haber resuelto el problema de la predicción de deslizamientos por completo. Los investigadores advierten cuidadosamente que su método es sensible a la calidad de los datos iniciales y que el número de simulaciones utilizadas en su estudio fue una prueba piloto. Sugieren que trabajos futuros deberían ejecutar incluso más simulaciones para asegurar que los resultados sean estables. También señalan que su método solo mide un tipo de incertidumbre: la incertidumbre sobre qué puntos son realmente seguros. No tiene en cuenta los errores en los propios mapas ni los cambios en el clima a lo largo del tiempo. No obstante, el estudio demuestra que alejarse del pensamiento rígido, de blanco y negro, hacia un enfoque probabilístico produce mejores resultados. En un mundo donde el suelo está en constante movimiento, un modelo que puede admitir sus propias dudas es mucho más útil que uno que es erróneamente confiado. Los nuevos mapas del norte de Marruecos ofrecen una guía más clara y honesta para proteger a las comunidades que viven al borde de la pendiente.