Cómo la inteligencia artificial permite predecir mejor los deslizamientos de tierra en Minnesota
Los deslizamientos de tierra representan un riesgo geológico importante, causando cada año daños significativos a las infraestructuras y pérdidas humanas. En Minnesota, una región caracterizada por un paisaje moldeado por las glaciaciones, estos fenómenos siguen estando mal cartografiados a escala regional. Una investigación reciente utilizó métodos avanzados de inteligencia artificial para crear el primer mapa detallado de las zonas de riesgo en este estado estadounidense.
Se compararon cinco modelos de aprendizaje automático y aprendizaje profundo para identificar las zonas más expuestas. Entre ellos, dos enfoques resultaron particularmente efectivos: los bosques aleatorios y una red neuronal especializada llamada TabKANet. Estos modelos analizaron datos como la pendiente, la altitud, el uso del suelo y las precipitaciones. Los resultados muestran que las laderas abruptas y las zonas de baja altitud son las más vulnerables, pero que factores locales, como la concentración de agua o las actividades humanas, también pueden desempeñar un papel decisivo.
El estudio también utilizó una técnica llamada SHAP para explicar cómo cada factor influye en el riesgo. Por ejemplo, una pendiente más pronunciada aumenta claramente la probabilidad de deslizamiento, mientras que una altitud más baja, a menudo asociada con suelos saturados de agua, también agrava la situación. Sin embargo, sobre el terreno, otros elementos como el drenaje o las modificaciones del paisaje por el ser humano pueden volverse determinantes.
Una innovación importante de esta investigación es el uso de «contrafactuales», un método que simula los cambios necesarios para estabilizar una zona inestable. Por ejemplo, reducir la pendiente, mejorar el drenaje o reforzar la vegetación podría ser suficiente para prevenir un deslizamiento. Estas herramientas ayudan a las autoridades a priorizar las acciones de prevención y a comprender mejor los mecanismos involucrados.
Este enfoque combina precisión y transparencia, ofreciendo a los gestores de riesgos y a los urbanistas un marco confiable para tomar decisiones informadas. Podría aplicarse en otras regiones del mundo que enfrentan desafíos similares, mejorando así la seguridad de las poblaciones y la resiliencia de las infraestructuras.
Sources et crédits
Étude source
DOI : https://doi.org/10.1007/s41748-026-01114-6
Titre : Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches
Revue : Earth Systems and Environment
Éditeur : Springer Science and Business Media LLC
Auteurs : Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil