Métodos de identificación y métricas de evaluación para el estado de la Gran Muralla de mampostería de Pekín

Por qué importa hoy la salud de la Gran Muralla

La Gran Muralla es más que una imagen de postal; es un problema de ingeniería del siglo XXI. Al extenderse por montañas escarpadas alrededor de Pekín, sus tramos de ladrillo y piedra están siendo erosionados lentamente por el clima, la vegetación y el turismo masivo. Inspeccionar una estructura tan vasta ladrillo a ladrillo es imposible solo con equipos humanos. Este estudio muestra cómo los drones, las imágenes tipo satélite y la inteligencia artificial pueden trabajar juntos para escanear la Muralla de forma automática y asignar una puntuación sobre el estado de cada tramo, ayudando a los conservadores a decidir dónde actuar antes de que el daño sea irreversible.

Cuatro formas en que una muralla puede fallar

Para enseñar a las máquinas qué parecen “saludable” y “no saludable”, los investigadores primero tuvieron que acordar categorías sencillas y realistas de daño. Dividieron la Gran Muralla de mampostería en Pekín en cuatro estados visibles. En el primero, la muralla está mayormente íntegra, a menudo gracias a reparaciones pasadas e inspecciones regulares. El segundo muestra defectos locales—ladrillos faltantes, grietas o piedras rotas—mientras la estructura principal aún se mantiene. El tercero está dominado por la vegetación, donde las raíces invaden y separan la mampostería. El cuarto es el más severo, con grandes colapsos de torres y tramos de muralla, dejando solo restos bajos. Estas categorías convierten un problema complejo de conservación en un conjunto de patrones visuales claros que las computadoras pueden aprender a reconocer.

Construyendo un gemelo digital de cientos de kilómetros

Con estos cuatro estados, el equipo ensambló una gran instantánea digital de la Gran Muralla. Usando vuelos con drones y modelos tridimensionales, recogieron imágenes que cubren más de 500 kilómetros de muralla alrededor de Pekín y las destilaron en más de 300 kilómetros de “ortofotos” de alta calidad —imágenes aéreas corregidas para que las distancias y los ángulos en pantalla coincidan con los del terreno—. Los especialistas trazaron entonces contornos precisos alrededor de las zonas dañadas y las etiquetaron según las cuatro categorías. Un proceso de revisión en tres niveles verificó estas etiquetas contra registros de reparación y juicio experto. El resultado es un conjunto de datos detallado de 3.408 teselas de imagen, cada una de 512 por 512 píxeles, completo con coordenadas geográficas e historial de versiones—esencialmente un mapa ampliable y rastreable del estado de la Muralla.

Enseñar a una IA ligera a leer las grietas de la muralla

El núcleo del estudio es un nuevo modelo de visión por computadora llamado MEP‑deep, diseñado para detectar patrones sutiles de daño en estas imágenes y al mismo tiempo ser lo bastante ligero para ejecutarse en hardware modesto. Basado en una arquitectura neuronal compacta creada originalmente para teléfonos inteligentes, el modelo añade dos componentes de “atención” que le ayudan a centrarse en lo más relevante. Uno ajusta la intensidad con que se ponderan diferentes características de la imagen, de modo que las señales de grietas y ladrillos faltantes destaquen frente al fondo. El otro examina cómo se disponen los patrones en el espacio, permitiendo al sistema distinguir, por ejemplo, una roca natural de una piedra que fue parte de la Muralla. Probado no solo en el conjunto de datos de la Gran Muralla sino también en un banco de pruebas internacional estándar de imágenes urbanas, el modelo superó de forma leve pero consistente a varios métodos establecidos, todo ello usando muchos menos recursos computacionales.

Convertir colores en un mapa en puntuaciones útiles

Reconocer zonas dañadas es solo la mitad de la historia; los gestores también necesitan un número que resuma el estado de un tramo de muralla. Por ello los investigadores crearon un sistema de puntuación basado en la proporción de cada tipo de daño dentro de una sección dada. Las áreas con mampostería más íntegra obtienen puntuaciones más altas, mientras que los tramos dominados por colapso o vegetación densa se penalizan con mayor severidad. Un término matemático de “decadencia” asegura que incluso pequeños incrementos en tipos de daño severo reduzcan notablemente la puntuación, reflejando su impacto desproporcionado en la seguridad y la autenticidad. Comparando las puntuaciones calculadas a partir de etiquetas humanas con las predicciones del modelo en varias secciones restauradas, el equipo mostró que el sistema automatizado puede aproximarse lo suficiente al juicio experto como para guiar dónde inspeccionar primero en el terreno.

Qué significa esto para el futuro de la Gran Muralla

En pocas palabras, este trabajo convierte la Gran Muralla de mampostería de Pekín en un conjunto de datos vivo que puede ser vigilado a lo largo del tiempo. En lugar de esperar a colapsos evidentes, los gestores del patrimonio pueden usar vuelos de drones y el modelo MEP‑deep para generar mapas de daño y puntuaciones de salud actualizados para tramos largos y de difícil acceso de la Muralla. Aunque los autores reconocen que existen modelos de IA más precisos y pesados, su enfoque liviano es práctico para el uso de campo y puede mejorarse aún más. Más allá de China, la misma combinación de categorías visuales claras, conjuntos de datos elaborados con cuidado y IA eficiente podría ayudar a proteger otros sitios patrimoniales largos y frágiles—desde fronteras antiguas hasta canales históricos—al convertir piedras dispersas en información útil y accionable.

Cita: Liu, F., Wang, Z., Zhang, Z. et al. Identification methods and evaluation metrics for the condition of the Beijing masonry Great Wall. npj Herit. Sci. 14, 122 (2026). https://doi.org/10.1038/s40494-026-02392-z

Palabras clave: Conservación de la Gran Muralla, monitoreo del patrimonio, teledetección, aprendizaje profundo, detección de daños estructurales