Los deslizamientos de tierra se posicionan como uno de los fenómenos naturales más catastróficos a nivel mundial, provocando anualmente pérdidas económicas masivas y numerosas víctimas fatales. Ante este escenario, nuevos avances científicos y tecnológicos están transformando la manera en que se predicen y gestionan estos desastres.
Monitoreo mediante detección acústica distribuida (DAS)
Una de las innovaciones más prometedoras es la implementación de la detección acústica distribuida (DAS, por sus siglas en inglés), una tecnología que permite convertir cables de fibra óptica preinstalados en arreglos de sensores acústicos de vibración de alta resolución.
De acuerdo con una investigación publicada en Nature, este sistema es capaz de identificar firmas de micro-deformación en las perturbaciones causadas por los deslizamientos, revelando patrones dinámicos y respuestas espaciales interconectadas. Esta herramienta es particularmente valiosa durante eventos climáticos extremos, como los tifones, donde el monitoreo oportuno representa un desafío crítico. Mediante el uso de análisis multidominio (tiempo-frecuencia-espacio), el sistema DAS mejora la detección temprana y el monitoreo de alta resolución, optimizando la gestión de desastres naturales.
Machine Learning e imágenes aéreas: un salto en la precisión
De forma complementaria, un equipo global de científicos ha desarrollado una metodología que podría aumentar la precisión de las predicciones de deslizamientos de tierra hasta en un 94 por ciento.
Este avance es fruto de la colaboración entre Kamal Rana, estudiante de doctorado en ciencias de la imagen del Rochester Institute of Technology; Nishant Malik, profesor asistente de la misma institución; y Kushanav Bhuyan, coautor principal de la Universidad de Padova y del Machine Intelligence and Slope Stability Laboratory.
El equipo identificó que los modelos predictivos tradicionales tenían un “punto ciego”: la falta de datos detallados sobre los diferentes tipos de fallas y sus mecanismos. Para solucionar esta deficiencia, los investigadores emplearon un método que combina imágenes aéreas y datos de elevación de sitios donde ya se han registrado deslizamientos. Al integrar esta información con técnicas avanzadas de aprendizaje automático (machine learning), lograron entrenar algoritmos capaces de reconocer y predecir los patrones de deslizamiento con una exactitud significativamente mayor.
