Desarrollo y optimización de un modelo de morfodiversidad para zonas montañosas mediante clasificación supervisada y redes neuronales artificiales

Por qué importa la forma de las montañas

Cuando pensamos en proteger la naturaleza, normalmente imaginamos plantas y animales raros. Pero el suelo que los sustenta —los acantilados, valles, crestas y gargantas fluviales— configura en silencio dónde puede prosperar la vida. Este artículo explora cómo medir esa variedad física, denominada morfodiversidad, de manera precisa y automatizada. Centrándose en las montañas Pieniny de Polonia, el autor muestra cómo las técnicas informáticas modernas, incluidas las redes neuronales artificiales, pueden convertir datos de elevación detallados en mapas fiables que ayudan a guiar la conservación y la planificación del uso del suelo.

Un laboratorio montañoso para la diversidad del paisaje

Las montañas Pieniny, que se extienden a lo largo de la frontera polaco‑eslovaca, son una cordillera compacta pero extraordinariamente diversa. Acantilados calcáreos escarpados, gargantas profundas como la famosa garganta del río Dunajec, laderas de flysch más suaves, rocas volcánicas y fondos de cuencas llanos conviven uno junto a otro. Esta mezcla de litologías y formas del terreno crea un mosaico de hábitats, desde peñascos soleados hasta valles sombreados, que a su vez sustenta una rica biodiversidad. Dado que la zona ha sido cartografiada y estudiada en detalle, sirve como un “laboratorio” ideal para probar nuevas formas de cuantificar cuán variado es realmente el paisaje, más allá de lo que el ojo puede juzgar fácilmente desde un mapa o un mirador.

De la elevación bruta a la variedad medible del terreno

El estudio parte de un modelo digital de elevación de alta resolución, una descripción tridimensional detallada de la superficie terrestre. A partir de él, el autor deriva siete rasgos básicos del terreno: altitud, pendiente, orientación (la dirección a la que mira una ladera), dos tipos de curvatura (cómo se doblan las superficies), diferencias locales de altura y la presencia de afloramientos rocosos. La región se cubre con miles de celdas hexagonales de tamaño regular. Dentro de cada celda, el ordenador mide cuánto varían estos rasgos del terreno de píxel a píxel. En lugar de limitarse a contar cuántos “tipos” de formas del relieve están presentes, el método trata la variación en sí misma como la señal: cuanto más cambio en altura, inclinación o dirección dentro de una celda, más morfodiversa será probablemente.

Entrenar un clasificador digital para reconocer terrenos complejos

Para convertir estos números en un mapa significativo, el estudio utiliza clasificación supervisada y redes neuronales artificiales, modelos informáticos inspirados de forma laxa en cómo el cerebro aprende patrones. Expertos humanos marcan primero celdas ejemplo como claramente “morfodiversas” (picos escarpados, crestas rocosas, valles profundamente encajados, paredes de garganta dramáticas) o “no morfodiversas” (fondos de valles planos, superficies de lagos, laderas amplias y suaves). Estos ejemplos etiquetados enseñan a la red neuronal qué combinaciones de altitud, pendiente y otros rasgos suelen corresponder con terreno complejo. Una vez entrenada, la red asigna una probabilidad a cada celda de la región, indicando qué tanta probabilidad hay de que pertenezca a la clase morfodiversa. El resultado es un mapa continuo que luego puede agruparse en categorías intuitivas, desde muy baja hasta muy alta morfodiversidad.

Depurar los datos para conservar solo lo relevante

Los métodos más antiguos con frecuencia sumaban muchos indicadores del terreno, contando sin querer la misma información varias veces y difuminando la imagen. Este estudio aborda ese problema combinando redes neuronales con análisis de sensibilidad global, una técnica que evalúa cuánto contribuye realmente cada entrada a predicciones precisas. Al “desactivar” gradualmente variables y seguir los cambios en el error del modelo, el autor identifica qué rasgos aportan información real y cuáles son en gran medida redundantes. Los modelos optimizados muestran que solo un puñado de factores —diferencias de altura dentro de una celda, altitud global, pendiente, el patrón de orientaciones de las pendientes y la presencia de afloramientos rocosos— son suficientes para capturar la estructura esencial de la morfodiversidad. Incluso después de eliminar entradas de bajo valor, los modelos simplificados siguen coincidiendo muy estrechamente con las versiones completas, con valores de correlación de hasta 0,96–0,98.

Qué significan los resultados para la protección de la naturaleza

El modelo refinado, en especial la versión RCMSC–ANN–M, genera mapas que se alinean bien con la comprensión geomorfológica del paisaje Pieniny. Destaca no solo las espectaculares crestas altas y paredes de gargantas, sino también áreas morfológicamente complejas en laderas de valles y estribaciones que de otro modo podrían pasar desapercibidas. Dado que el método se basa en datos de elevación ampliamente disponibles y en un conjunto compacto de variables clave, puede adaptarse a otras regiones montañosas del mundo. Para los planificadores de conservación, esto ofrece una forma objetiva de localizar y comparar zonas “geológicamente ricas” que sustentan la biodiversidad y el valor paisajístico, ayudando a priorizar dónde deben centrarse la protección, la gestión del turismo o los estudios de campo detallados.

Cita: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Palabras clave: geodiversidad, morfodiversidad, paisajes montañosos, redes neuronales, geoconservación