Los deslizamientos de tierra representan un riesgo geol\u00f3gico importante, causando cada a\u00f1o da\u00f1os significativos a las infraestructuras y p\u00e9rdidas humanas. En Minnesota, una regi\u00f3n caracterizada por un paisaje moldeado por las glaciaciones, estos fen\u00f3menos siguen estando mal cartografiados a escala regional. Una investigaci\u00f3n reciente utiliz\u00f3 m\u00e9todos avanzados de inteligencia artificial para crear el primer mapa detallado de las zonas de riesgo en este estado estadounidense.<\/p>\n
Se compararon cinco modelos de aprendizaje autom\u00e1tico y aprendizaje profundo para identificar las zonas m\u00e1s 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 m\u00e1s vulnerables, pero que factores locales, como la concentraci\u00f3n de agua o las actividades humanas, tambi\u00e9n pueden desempe\u00f1ar un papel decisivo.<\/p>\n
El estudio tambi\u00e9n utiliz\u00f3 una t\u00e9cnica llamada SHAP para explicar c\u00f3mo cada factor influye en el riesgo. Por ejemplo, una pendiente m\u00e1s pronunciada aumenta claramente la probabilidad de deslizamiento, mientras que una altitud m\u00e1s baja, a menudo asociada con suelos saturados de agua, tambi\u00e9n agrava la situaci\u00f3n. Sin embargo, sobre el terreno, otros elementos como el drenaje o las modificaciones del paisaje por el ser humano pueden volverse determinantes.<\/p>\n
Una innovaci\u00f3n importante de esta investigaci\u00f3n es el uso de \u00abcontrafactuales\u00bb, un m\u00e9todo que simula los cambios necesarios para estabilizar una zona inestable. Por ejemplo, reducir la pendiente, mejorar el drenaje o reforzar la vegetaci\u00f3n podr\u00eda ser suficiente para prevenir un deslizamiento. Estas herramientas ayudan a las autoridades a priorizar las acciones de prevenci\u00f3n y a comprender mejor los mecanismos involucrados.<\/p>\n
Este enfoque combina precisi\u00f3n y transparencia, ofreciendo a los gestores de riesgos y a los urbanistas un marco confiable para tomar decisiones informadas. Podr\u00eda aplicarse en otras regiones del mundo que enfrentan desaf\u00edos similares, mejorando as\u00ed la seguridad de las poblaciones y la resiliencia de las infraestructuras.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s41748-026-01114-6<\/a><\/p>\n Titre\u00a0:<\/strong> Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches<\/p>\n Revue : <\/strong> Earth Systems and Environment<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil<\/p>\n","protected":false},"excerpt":{"rendered":" C\u00f3mo la inteligencia artificial permite predecir mejor los deslizamientos de tierra en Minnesota Los deslizamientos de tierra representan un riesgo geol\u00f3gico importante, causando cada a\u00f1o da\u00f1os significativos a las infraestructuras y p\u00e9rdidas humanas. En Minnesota, una regi\u00f3n caracterizada por un paisaje moldeado por las glaciaciones, estos fen\u00f3menos siguen estando mal cartografiados a escala regional. Una… Seguir leyendo C\u00f3mo la inteligencia artificial permite predecir mejor los deslizamientos de tierra en Minnesota<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3,5,7],"tags":[],"class_list":["post-25","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-humano-humanitario","category-internacional","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/25","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/comments?post=25"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/25\/revisions"}],"predecessor-version":[{"id":26,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/posts\/25\/revisions\/26"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/media?parent=25"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/categories?post=25"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/es\/wp-json\/wp\/v2\/tags?post=25"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}