Una evaluación multirriesgo integrada mediante aprendizaje automático en los complejos relieves del norte de Pakistán

Por qué importa esta historia de montaña

El valle de Hunza, en el norte de Pakistán, es famoso por sus cumbres y glaciares impresionantes, pero también es uno de los paisajes más peligrosos del planeta. Las pendientes pronunciadas, el deshielo, las tormentas violentas y las fallas activas hacen que aldeas, carreteras y megaproyectos estén expuestos a múltiples tipos de desastres a la vez. Este estudio muestra cómo se pueden combinar los datos modernos y el aprendizaje automático para dibujar una imagen única y fácil de usar de dónde se solapan varios peligros, ayudando a proteger a las personas, la infraestructura y las rutas comerciales vitales en esta frágil región de alta montaña.

Un valle bajo múltiples amenazas

El distrito de Hunza se ubica en el escarpado Karakoram, donde los cañones fluviales atraviesan rocas que se elevan desde unos 1.800 metros hasta casi 7.800 metros sobre el nivel del mar. Enormes glaciares alimentan el río Hunza, que a su vez suministra agua y energía a millones de personas más valle abajo. Pero las mismas fuerzas que convierten a esta zona en una potente «torre de agua» también generan peligro. Las fuertes lluvias veraniegas, el rápido deshielo de nieve y hielo, los suelos sueltos y las fallas activas se combinan para producir deslizamientos, flujos de detritos, inundaciones repentinas y roturas de lagos glaciares (GLOF). Los terremotos pueden sacudir pendientes ya fracturadas, desencadenando cadenas de desprendimientos y crecidas. Dado que carreteras, viviendas y tierras de cultivo se amontonan en los estrechos fondos de valle, incluso un acontecimiento moderado puede tener consecuencias graves, como se ha visto en desastres pasados que destruyeron aldeas, obstruyeron ríos y cortaron la carretera del Karakoram, el único enlace terrestre de Pakistán con China.

De mapas dispersos a una gran imagen

Hasta ahora, la mayoría de los estudios se centraban en un peligro a la vez—solo deslizamientos o solo inundaciones, por ejemplo. Ese enfoque pasa por alto cómo los peligros pueden actuar conjuntamente o desencadenarse entre sí, y puede inducir a error a los planificadores que deben diseñar carreteras, puentes y asentamientos para condiciones reales. Los autores se propusieron construir una visión integrada “multirriesgo” para Hunza. Reunieron una amplia gama de información: datos detallados de elevación, pendiente y curvatura del terreno, distancia a ríos y carreteras, patrones de precipitación, cobertura de suelo y vegetación, indicadores de nieve y glaciar, tipos de roca subyacentes y mapas existentes de peligrosidad de lagos glaciares e intensidad de sacudida sísmica. En total se consideraron dieciocho factores geonambientales, que reflejan cómo interactúan en el terreno el agua, la gravedad, el clima y la geología.

Enseñar a un bosque digital a leer el terreno

Para convertir esta montaña de datos en orientaciones útiles, el equipo utilizó un método de aprendizaje automático conocido como modelo de clasificación y regresión basado en bosque, una forma práctica del popular enfoque “random forest”. Primero compilaron inventarios de dónde han ocurrido los peligros—deslizamientos, crecidas repentinas, flujos de detritos, zonas propensas a terremotos y áreas de GLOF—y emparejaron esas ubicaciones con las condiciones ambientales en cada punto. El algoritmo aprendió entonces qué combinaciones de pendiente, precipitación, tipo de roca, vegetación y otros factores separan mejor los puntos peligrosos de los más seguros. Al construir repetidamente muchos árboles de decisión sobre diferentes muestras y promediar sus resultados, el modelo produjo mapas de susceptibilidad fiables para cada peligro. Las comprobaciones estadísticas mostraron un rendimiento sólido, lo que significa que el modelo pudo distinguir zonas de alto y bajo riesgo con más frecuencia de la esperada por azar.

Dónde se acumulan los peligros

Una vez creados los mapas individuales, los investigadores los pusieron en la misma escala y los combinaron en un único mapa multirriesgo. Los resultados revelan que más del 40 por ciento de Hunza está expuesto al menos a un peligro significativo, y porciones más pequeñas pero críticas enfrentan varios a la vez. Aproximadamente una quinta parte del distrito es muy propensa únicamente a deslizamientos, mientras que otras zonas están amenazadas principalmente por crecidas repentinas o flujos de detritos. Las áreas más alarmantes—aunque relativamente pequeñas en superficie—son donde coinciden sacudidas sísmicas, flujos de detritos, deslizamientos y crecidas repentinas. Estos puntos calientes superpuestos se agrupan en las partes central e inferior del valle a lo largo de los corredores fluviales y la carretera del Karakoram, donde se concentran asentamientos, tierras de cultivo e infraestructura importante. Incluso las regiones clasificadas como “bajo peligro” a menudo están cubiertas por glaciares y nieve, lo que recuerda a los planificadores que el calentamiento futuro podría alterar los patrones de riesgo.

Convertir mapas en futuros más seguros

Para los no especialistas, el mensaje clave es sencillo: en un paisaje como Hunza, ningún peligro por sí solo cuenta toda la historia. Este estudio demuestra que al combinar datos satelitales, observaciones de campo, juicio experto y aprendizaje automático es posible crear mapas claros que muestran dónde se solapan múltiples amenazas y dónde la acción de protección es más urgente. Aunque el trabajo se centra en la susceptibilidad—la probabilidad de que los procesos naturales puedan producir eventos dañinos—ofrece una base potente para decisiones de ordenación del territorio más inteligentes, una ubicación más segura de carreteras y presas, y una planificación específica de sistemas de alerta temprana y evacuación. A medida que el cambio climático siga intensificando fenómenos extremos y acelerando el deshielo glaciar, este tipo de herramientas integradas y basadas en datos serán esenciales para ayudar a las comunidades de montaña en Pakistán y en todo el mundo a adaptarse y prosperar.

Cita: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Palabras clave: cartografía multirriesgo, desastres en montaña, aprendizaje automático, valle de Hunza, reducción del riesgo de desastres