From Heuristic Models to GeoAI: A Scientometric and Thematic Evolution of Landslide Susceptibility Mapping Approaches

Los deslizamientos de tierra se encuentran entre las fuerzas más destructivas de la Tierra, capaces de tragarse autopistas, sepultar aldeas y remodelar paisajes en cuestión de momentos. Durante décadas, los científicos han intentado predecir dónde es más probable que ocurran estos eventos, creando mapas que resaltan las áreas de alto riesgo. Estos mapas, conocidos como mapas de susceptibilidad a deslizamientos, se basan en la comprensión de la relación entre el propio terreno y los factores que desencadenan el movimiento, tales como pendientes pronunciadas, lluvias intensas y el tipo de roca o suelo presente. En los inicios de este trabajo, los expertos dependían en gran medida de su propia experiencia y juicio para ponderar estos factores, extrayendo conclusiones basadas en lo que sabían sobre el terreno. Con el tiempo, sin embargo, las herramientas disponibles para estos investigadores han cambiado drásticamente. El auge de las potentes computadoras, las imágenes satelitales de alta resolución y el software avanzado ha permitido que los científicos pasen de la simple observación al ámbito de la predicción basada en datos, donde los algoritmos pueden procesar vastas cantidades de información para encontrar patrones invisibles al ojo humano.

Un nuevo estudio realizado por investigadores de la Universidad Estatal de Morgan y la Escuela Federal de Topografía de Nigeria ofrece una mirada exhaustiva a cómo este campo se ha transformado en los últimos veinte años. El equipo no realizó un nuevo experimento de campo; en su lugar, llevó a cabo una revisión masiva de la literatura científica existente para rastrear la evolución de la predicción de deslizamientos. Recopilaron 795 artículos de investigación revisados por pares publicados entre 2006 y 2026 de las principales bases de datos científicas. Utilizando un software especializado diseñado para analizar cómo se conectan y cambian los temas de investigación a lo largo del tiempo, mapearon el viaje intelectual del campo. Su objetivo era comprender no solo qué métodos se utilizaron, sino cómo todo el enfoque hacia el problema cambió de la intuición humana a la inteligencia artificial.

El análisis revela una transición clara y constante en la forma en que los científicos abordan el mapeo de deslizamientos. En el periodo inicial, de 2006 a 2012, la investigación estuvo dominada por lo que los autores llaman modelos heurísticos. Estos son métodos donde los expertos asignan pesos a diferentes factores basados en su conocimiento, utilizando a menudo herramientas estadísticas simples para verificar su trabajo. Durante estos años, el enfoque principal fue la recopilación de mejores datos mediante la teledetección, que consiste en utilizar satélites y aeronaves para observar la Tierra desde arriba. A medida que la línea de tiempo avanzó hacia el periodo entre 2013 y 2018, el enfoque se desplazó hacia enfoques más cuantitativos. Los investigadores comenzaron a depender fuertemente del aprendizaje automático (machine learning), un tipo de ciencia de la computación donde los algoritmos aprenden de los datos para hacer predicciones sin ser programados explícitamente para cada regla específica. Esta era vio un aumento en el uso de modelos digitales de elevación, que son representaciones 3D detalladas del terreno, permitiendo una comprensión mucho más precisa de la pendiente y la estabilidad.

Para cuando los investigadores examinaron el periodo de 2019 a 2022, el campo había entrado en una nueva fase caracterizada por la rápida adopción del aprendizaje profundo (deep learning). Este es un tipo más avanzado de inteligencia artificial que imita la forma en que el cerebro humano procesa la información a través de capas de nodos interconectados. El estudio encontró que durante estos años, el número de artículos publicados explotó, con casi el 90 por ciento de toda la investigación en su conjunto de datos apareciendo después de 2018. Los temas en la literatura se expandieron para incluir modelos de ensamble complejos, que combinan las predicciones de múltiples algoritmos diferentes para crear un resultado más robusto y preciso. Los investigadores también notaron una creciente integración de tecnologías como LiDAR, que utiliza pulsos láser para crear mapas increíblemente detallados de la superficie del suelo, e InSAR, una técnica que utiliza radar para detectar movimientos diminutos en la superficie de la tierra antes de que ocurra un deslizamiento.

En el periodo más reciente, de 2023 a 2026, el estudio identifica un paisaje maduro donde el enfoque se ha desplazado hacia hacer que estos poderosos sistemas de inteligencia artificial sean comprensibles y confiables. Si bien el objetivo central de predecir deslizamientos sigue siendo el mismo, los métodos se han vuelto altamente especializados. Los investigadores encontraron que los científicos ahora trabajan en la inteligencia artificial explicable, un campo dedicado a abrir la "caja negra" de los algoritmos complejos para que los humanos puedan entender por qué un modelo hizo una predicción específica. Esto es crucial para los tomadores de decisiones que necesitan confiar en los mapas antes de poder usarlos para planificar carreteras o evacuar comunidades. El estudio también destaca un énfasis creciente en la infraestructura, con más investigación dedicada a proteger las autopistas y las zonas urbanas, reflejando el valor creciente de estos sistemas en un mundo donde el cambio climático y la urbanización están haciendo que los deslizamientos sean más frecuentes y peligrosos.

La revisión también descubrió el lado humano de este progreso científico. Los investigadores mapearon la red global de colaboración y encontraron que el trabajo está fuertemente concentrado en Asia, particularmente en China, que produjo el mayor número de estudios. India, Vietnam y los Estados Unidos también surgieron como importantes centros de actividad. El análisis mostró que estos investigadores no trabajan de forma aislada; en cambio, forman densas redes de colaboración, con equipos en diferentes países trabajando juntos para compartir datos y refinar sus modelos. Este esfuerzo internacional ha sido esencial para impulsar el campo, permitiendo la prueba de nuevos métodos a través de diversos paisajes y condiciones geológicas.

A pesar de estos avances significativos, el estudio señala que persisten desafíos. Los investigadores observan que, si bien los modelos son cada vez más precisos, todavía luchan con la incertidumbre. A menudo es difícil saber exactamente cómo funcionará un modelo en una nueva ubicación que nunca ha visto antes, un problema conocido como transferibilidad. También existen preocupaciones sobre la calidad de los datos utilizados para entrenar estos sistemas; si los registros de deslizamientos pasados son incompletos o inexactos, las predicciones sufrirán. Además, la complejidad de los modelos de inteligencia artificial más nuevos puede hacerlos difíciles de interpretar, planteando preguntas sobre cómo asegurar que están tomando decisiones basadas en principios geológicos sólidos en lugar de solo coincidencias estadísticas.

En última instancia, esta revisión sirve como una hoja de ruta para el futuro de la ciencia de los deslizamientos. Confirma que el campo ha ido mucho más allá de los simples mapas basados en expertos del pasado, evolucionando hacia una disciplina sofisticada impulsada por los grandes datos (big data) y la inteligencia artificial. Los autores sugieren que la próxima frontera radica en la creación de sistemas que no solo sean poderosos, sino también transparentes y capaces de operar en tiempo real. Al combinar la última tecnología geoespacial con la computación avanzada, los científicos aspiran a construir un futuro donde las comunidades puedan ser advertidas de deslizamientos inminentes con mayor precisión y confiabilidad, cambiando el rumbo contra uno de los peligros más impredecibles de la naturaleza.