SFEL: un marco de aprendizaje automático para predecir la deformación del terreno basada en retrodispersión radar

Vigilando las laderas antes de que se muevan

Las carreteras y los pueblos de montaña pueden parecer sólidos, pero en lugares como las estribaciones del Himalaya en India el suelo se desplaza lentamente bajo los pies. Los deslizamientos repentinos suelen cortar carreteras, dañar viviendas y poner vidas en peligro. Este estudio explora una nueva forma de “escuchar” esas laderas inquietas utilizando radar satelital, ensayos de suelo y conocimiento local, y de integrar todo eso en un sistema de aprendizaje automático que puede pronosticar cambios sutiles del terreno con meses de antelación.

Un peligro escondido en el suelo

Los investigadores se centran en un corredor de carretera proclive a deslizamientos en el distrito de Mandi, en Himachal Pradesh, una región del Himalaya medio con pendientes empinadas, fuertes lluvias monzónicas y geología compleja. Aquí, incluso pequeños cambios en la resistencia o en la humedad del suelo pueden inclinar la balanza entre la estabilidad y el colapso. Las investigaciones de campo tradicionales se apoyan en sondeos, ensayos de laboratorio y el criterio de expertos, pero estos métodos son caros, lentos y limitados a pocas ubicaciones. Al mismo tiempo, el radar satelital se ha vuelto muy bueno detectando movimientos pasados del terreno, aunque rara vez se utiliza para predecir lo que sucederá a continuación. El reto es combinar estas pistas dispersas en una herramienta práctica de alerta temprana.

Fusión de satélites, ensayos de laboratorio y sabiduría local

El equipo recogió datos en 110 puntos a lo largo de la carretera, incluyendo 55 ubicaciones de deslizamientos conocidas y 55 puntos relativamente estables. En el laboratorio midieron propiedades geotécnicas estándar: qué tan pegajoso o plástico es el suelo, cuánto agua puede retener, su densidad y porosidad, y la proporción de arena, limo y arcilla. En el campo también registraron los indicios que los residentes y expertos locales llevan generaciones usando: color del suelo, tacto entre los dedos, olores terrosos, cuán húmedo o compacto parece el terreno y el estado de la vegetación. Estos indicadores “tradicionales” fueron puntuados cuidadosamente en una escala de cinco puntos por 12 observadores entrenados para convertir la percepción humana en cifras utilizables.

Convertir ecos radar en señales de deformación

Para vigilar las laderas a lo largo del tiempo, los investigadores emplearon datos de radar del satélite Sentinel‑1 procesados en Google Earth Engine, una plataforma cartográfica en la nube. En lugar de calcular el movimiento tridimensional completo del terreno, siguieron cambios en la retrodispersión radar—la intensidad del eco radar desde la superficie—durante un periodo de dos años. Al comparar la señal de cada mes con una referencia anterior obtuvieron una medida simple llamada ΔVV que refleja cómo cambia la superficie: las disminuciones persistentes suelen señalar hundimiento o compactación del terreno, mientras que los aumentos pueden indicar más humedad o crecimiento de vegetación. Aunque ΔVV no indica directamente cuántos milímetros se ha movido la tierra, actúa como un indicador sensible de la deformación que puede medirse de forma consistente en los 110 puntos a intervalos mensuales.

Un ensamblado apilado para ver a uno y seis meses

Introducir docenas de variables relacionadas con el suelo y el radar en un modelo puede generar fácilmente ruido y sobreajuste. Para evitarlo, los autores aplicaron filtros estadísticos para conservar solo las 16 características más informativas, equilibrando correlaciones lineales y relaciones más complejas. Luego introdujeron su Stacked Forecasting Ensemble Learner (SFEL), que combina varios algoritmos de regresión—árboles de decisión, bosques aleatorios, gradient boosting, máquinas de vectores de soporte y un método de vecinos más cercanos—en una estructura de dos capas. La primera capa aprende a partir de los indicadores del suelo y los tradicionales para generar sus propios pronósticos de ΔVV; una segunda “meta‑aprendiz” aprende cómo combinar de la mejor forma esas predicciones. Entrenado y probado con validación cruzada cuidadosa, SFEL pudo pronosticar el proxy de deformación basado en radar a uno y seis meses con errores muy pequeños dentro del estrecho rango de valores observados y explicó alrededor del 97–99% de la variación en los datos.

Abrir la caja negra con la importancia de las características

Dado que las decisiones sobre deslizamientos afectan carreteras, viviendas y presupuestos, un modelo debe ser comprensible, no solo preciso. El equipo utilizó una herramienta de explicación popular llamada SHAP para mostrar cómo cada característica empujaba las predicciones hacia arriba o hacia abajo. En horizontes cortos de un mes, las propiedades relacionadas con la resistencia mecánica—como la gravedad específica, el índice de plasticidad y la cobertura vegetal—ejercieron los mayores papeles estabilizadores o desestabilizadores. A seis meses, rasgos relacionados con la humedad como el contenido natural de agua, el contenido de limo y la capacidad de retención de agua del suelo se volvieron más influyentes, destacando el impacto creciente de estaciones monzónicas largas y húmedas. De forma importante, indicadores tradicionales como el vigor de la vegetación, el color del suelo y el olor terroso aparecieron constantemente entre los predictores útiles, mostrando que el conocimiento experiencial local puede cuantificarse y combinarse de forma significativa con datos de laboratorio.

Qué significa esto para las personas que viven bajo las laderas

Para el público general, la conclusión es que cada vez es más posible anticipar cómo pueden evolucionar las laderas peligrosas antes de que aparezcan grietas o fallos visibles. Al fusionar radar satelital, ensayos detallados del suelo y las señales sutiles que agricultores e ingenieros ya perciben en el terreno, el marco SFEL ofrece una manera rápida y escalable de señalar tramos de carretera o ladera donde las condiciones empeoran en silencio. Aunque no mide el movimiento exacto del terreno en centímetros, rastrea de forma fiable cambios en el comportamiento superficial relacionados con el riesgo en periodos de uno y seis meses. Con más pruebas en otras regiones montañosas y la incorporación de datos de precipitación y sismos, enfoques como este podrían apoyar inspecciones más dirigidas, una mejor gestión de taludes y alertas más tempranas—ayudando a las comunidades a convivir de forma más segura con las montañas en movimiento que las rodean.

Cita: Sankhyan, S., Sharma, S., pohal, S. et al. SFEL a machine learning framework for forecasting radar backscatter based ground deformation. Sci Rep 16, 7626 (2026). https://doi.org/10.1038/s41598-026-37619-3

Palabras clave: predicción de deslizamientos, radar satelital, deformación del suelo, aprendizaje automático, pendientes del Himalaya