Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

En las altas y escarpadas montañas, donde la tierra se desplaza constantemente y el clima puede volverse violento en un instante, un tipo específico de desastre representa una amenaza implacable para la vida y la infraestructura. Se trata del flujo de detritos, un río turbulento y rápido de lodo, rocas y agua que desciende por pendientes pronunciadas con una fuerza devastadora. A diferencia de un simple deslizamiento de tierra que podría detenerse tras unos pocos cientos de metros, un flujo de detritos puede recorrer kilómetros, arrastrando todo a su paso y sepultando carreteras, puentes y aldeas bajo toneladas de escombros. Estos eventos son particularmente peligrosos en regiones donde el desarrollo humano, como la construcción de carreteras, corta las laderas inestables, o donde el cambio climático trae lluvias más intensas y un derretimiento más rápido de la nieve. Comprender dónde es más probable que ocurran estos flujos no es solo un ejercicio académico; es una cuestión de supervivencia para las comunidades y las rutas comerciales vitales que atraviesan estos paisajes traicioneros.

Los investigadores han intentado predecir estos desastres utilizando diferentes herramientas durante mucho tiempo. Algunos dependen del juicio de expertos, donde los geólogos observan un mapa y deciden qué áreas parecen peligrosas basándose en su experiencia. Otros utilizan métodos estadísticos que cuentan con qué frecuencia ocurrieron desastres pasados en ciertos tipos de terreno. Más recientemente, los científicos han comenzado a utilizar programas informáticos avanzados, conocidos como aprendizaje automático (machine learning), que pueden aprender de vastas cantidades de datos para encontrar patrones complejos que los humanos podrían pasar por alto. Sin embargo, estos modelos informáticos suelen actuar como una "caja negra", realizando predicciones sin explicar claramente por qué llegaron a una determinada conclusión. Un nuevo estudio centrado en la Carretera del Karakórum, una ruta crítica de 1.200 kilómetros que conecta China y Pakistán a través de algunos de los terrenos geológicamente más activos de la Tierra, buscó comparar estos diferentes enfoques. El equipo quería ver qué método funcionaba mejor y, fundamentalmente, utilizar técnicas modernas para abrir esa "caja negra" y comprender exactamente qué factores impulsan estos flujos mortales.

La Carretera del Karakórum es un salvavidas para la región, pero también es un lugar de peligro extremo. La carretera serpentea a través de una zona donde colisionan tres grandes cordilleras, creando acantilados escarpados, valles profundos y un paisaje que es remodelado constantemente por terremotos y erosión. La autopista tiene un historial de ser bloqueada por flujos de detritos, lo que a veces corta el comercio y atrapa a los viajeros durante semanas. Para comprender el riesgo, el equipo de investigación, liderado por científicos de universidades de China, Pakistán y Arabia Saudita, recopiló un registro detallado de 104 eventos pasados de flujos de detritos a lo largo de la carretera. Verificaron 62 de estos sitios mediante visitas de campo e identificaron los 42 restantes utilizando imágenes satelitales de alta resolución, creando un mapa fiable de dónde han golpeado estos desastres en el pasado.

Con este inventario en mano, los investigadores probaron cinco métodos diferentes para predecir dónde podrían ocurrir futuros flujos de detritos. Compararon dos métodos tradicionales que dependen de la opinión de expertos y reglas estadísticas contra tres modelos informáticos avanzados. Los métodos tradicionales incluían un proceso en el que los expertos clasifican la importancia de diferentes factores, como la pendiente o la lluvia, y otro que observa la relación simple entre eventos pasados y características específicas del terreno. Los modelos informáticos incluyeron dos poderosos algoritmos de aprendizaje automático, Random Forest y XGBoost, que están diseñados para encontrar conexiones complejas y no lineales en los datos que los métodos más simples podrían pasar por alto. El equipo alimentó todos estos modelos con trece piezas de información sobre el paisaje, incluyendo elevación, pendiente, distancia a las carreteras, tipo de suelo, lluvia y la cantidad de nieve y cobertura vegetal.

Los resultados mostraron un ganador claro en términos de precisión. Los modelos de aprendizaje automático superaron significativamente a los métodos tradicionales. El modelo Random Forest resultó ser el más preciso para distinguir entre áreas seguras y peligrosas, identificando correctamente la ubicación de los flios de detritos pasados con un alto grado de fiabilidad. El modelo XGBoost le siguió de cerca, mostrando también un rendimiento superior en comparación con los enfoques basados en expertos y estadísticos. Los métodos tradicionales, aunque útiles, tendían a sobreestimar el peligro en algunas áreas o a pasar por alto los puntos específicos y localizados donde es más probable que se inicien los flujos. Los modelos informáticos fueron mejores al reconocer que el riesgo no se distribuye uniformemente por el paisaje, sino que se concentra en zonas específicas de alto riesgo donde las pendientes pronunciadas se encuentran con canales de agua activos y la infraestructura humana.

Quizás la contribución más valiosa de este estudio no fue solo encontrar el mejor modelo, sino explicar cómo funciona. Debido a que los modelos de aprendizaje automático suelen ser difíciles de interpretar, los investigadores utilizaron una técnica llamada SHAP, que actúa como un reflector para mostrar exactamente cuánto influyó cada factor en la decisión de la computadora. Descubrieron que los impulsores más críticos de los flujos de detritos no eran una sola cosa, sino una combinación de factores trabajando juntos. La acumulación de agua en el suelo, la pendiente de la ladera y la proximidad a los arroyos fueron los principales contribuyentes. Sin embargo, el estudio reveló una interacción crucial: la presencia de carreteras aumentó significamente el riesgo. Cuando las carreteras cortan terrenos escarpados, interrumpen el drenaje natural y desestabilizan el suelo, haciendo que las laderas sean mucho más propensas a fallar cuando ocurren lluvias intensas o el derretimiento de la nieve. Los modelos informáticos mostraron que las zonas de mayor riesgo son aquellas donde estas condiciones naturales —pendientes pronunciadas y concentración de agua— se encuentran con la perturbación humana.

El estudio también destacó el papel específico del clima y la geología en esta región. La zona es propensa a lluvias estacionales intensas y un rápido derretimiento de la nieve, que proporcionan el agua necesaria para convertir el suelo suelto en un río de detritos en movimiento. El terreno mismo está fracturado por grandes fallas geológicas, lo que hace que la roca y el suelo sean inherentemente inestables. Cuando el agua se filtra en estas grietas y se congela, se expande y rompe la roca aún más, creando un suministro de material suelto que puede ser fácilmente arrastrado. Los investigadores descubrieron que los modelos de aprendizaje automático capturaron con éxito estas interacciones complejas, identificando que el peligro es mayor en valles estrechos y en las desembocaduras de los arroyos tributarios donde el agua y los detritos convergen.

Los mapas producidos por el estudio ofrecen una herramienta práctica para la gestión de riesgos a lo largo de la Carretera del Karakórum. Al señalar las áreas con la mayor probabilidad de flujos de detritos, los ingenieros y planificadores pueden centrar sus esfuerzos donde más se necesitan. En lugar de intentar reforzar toda la carretera, los recursos pueden dirigirse hacia "puntos de estrangulamiento" específicos, como puentes y alcantarillas, donde la carretera es más vulnerable a ser bloqueada o destruida. El estudio sugiere que mejorar los sistemas de drenaje, construir barreras protectoras y reforzar las laderas de corte empinadas en estas zonas de alto riesgo identificadas podría mejorar significativamente la resiliencia de la carretera. Además, la capacidad de predecir estos eventos con mayor precisión significa que los sistemas de alerta temprana pueden calibrarse mejor, dando a los viajeros y a las comunidades locales más tiempo para reaccionar antes de que ocurra un desastre.

Esta investigación subraya un cambio en la forma en que abordamos los peligros naturales en entornos complejos. Si bien el conocimiento experto y las estadísticas básicas tienen su lugar, la capacidad del aprendizaje automático para procesar vastas cantidades de datos y revelar patrones ocultos ofrece una forma más precisa de entender el riesgo. El estudio confirma que la Carretera del Karakórum es un corredor de alta vulnerabilidad, pero también proporciona un camino claro a seguir. Al comprender la combinación específica de terreno escarpado, flujo de agua y actividad humana que desencadena estos desastres, es posible construir una infraestructura más segura y resiliente que pueda resistir las poderosas fuerzas de la naturaleza. Los hallazgos sirven como un plano no solo para esta ruta comercial crítica, sino también para otras regiones montañosas de todo el mundo donde existen desafíos similares.