Análisis multitemporal de los cambios en terreno montañoso basado en imágenes de UAV y datos de nubes de puntos

Vigilar cómo respiran y se desplazan las montañas

Los paisajes montañosos escarpados pueden parecer eternos, pero están entre los lugares más inquietos del planeta. Las lluvias intensas, los terremotos, los deslizamientos y el lento desplazamiento del terreno pueden remodelar valles, dañar viviendas y cortar carreteras. Este estudio muestra cómo pequeños drones y un análisis avanzado de imágenes pueden convertir estas regiones agrestes en áreas cuidadosamente vigiladas, revelando dónde el suelo se ha movido desde apenas unos centímetros hasta varios metros. Esa información puede guiar a los equipos de rescate tras desastres y apoyar una planificación más segura para las comunidades que viven en laderas inestables.

Por qué es difícil ver los cambios en la montaña

Medir cómo cambia el terreno montañoso con el tiempo está lejos de ser sencillo. Los acantilados pronunciados proyectan sombras profundas, la densa vegetación oculta el suelo y partes del paisaje suelen quedar bloqueadas a la vista. Las fotografías aéreas tradicionales o las imágenes por satélite pueden pasar por alto movimientos sutiles, e incluso los escaneos láser de alta tecnología se ven afectados cuando las ramas se mueven o cuando el terreno solo queda parcialmente captado. El resultado es que desplazamientos peligrosos pueden pasar desapercibidos, o que surjan falsas alarmas donde solo han cambiado las sombras o la vegetación estacional. Por ello, las regiones montañosas necesitan métodos que no solo capten los colores superficiales desde arriba, sino también la forma tridimensional del terreno subyacente.

Usar drones para capturar la forma del terreno

Para abordar este desafío, los investigadores volaron vehículos aéreos no tripulados —pequeños drones con cámara— sobre un área de seis hectáreas en las montañas de Guanziling, Taiwán, en dos ocasiones, con aproximadamente un año de diferencia. Mediante una planificación cuidadosa de trayectorias de vuelo superpuestas y manteniendo una altura de vuelo baja, recolectaron miles de imágenes de alta resolución, en las que cada píxel representa apenas dos centímetros en el terreno. A partir de estas fotografías, se utilizó software de código abierto para reconstruir detalladas “nubes de puntos” tridimensionales, en las que millones de puntos coloreados representan las superficies de edificios, árboles, carreteras y suelo desnudo. Este paisaje digital se ancló a coordenadas del mundo real con marcas de control en tierra, lo que aseguró que las dos prospecciones pudieran compararse con precisión a nivel centimétrico.

Enseñar al ordenador a entender la escena

El alto nivel de detalle por sí solo no basta: el ordenador también necesita saber qué está observando. El equipo entrenó un modelo de aprendizaje profundo llamado DeepLabv3 para realizar segmentación semántica, es decir, asignar a cada píxel de las imágenes de drone una categoría simple como edificio, carretera, vegetación, río u otros objetos artificiales. Etiquetaron manualmente cientos de fragmentos de imagen de la primera prospección para crear un mapa de referencia y usaron esto para enseñar a la red a reconocer patrones similares. El modelo entrenado demostró ser altamente preciso, coincidiendo con las etiquetas humanas para la mayoría de las categorías en más del 90% de los casos sobre terreno complejo y ondulado. Este paso permitió al sistema separar elementos rígidos, como casas y carreteras, de otros más cambiantes como el follaje, lo cual es crucial para decidir si un cambio aparente es preocupante o simplemente el movimiento de las hojas.

Medir el movimiento real del terreno en 3D

Una vez alineadas las dos prospecciones y clasificado cada píxel, los investigadores recurrieron a las nubes de puntos para medir cuánto se había movido el terreno. Emplearon un método llamado Comparación Multiescala Modelo a Modelo de Nubes (Multiscale Model-to-Model Cloud Comparison), que analiza a lo largo de la pendiente local y calcula cuánto se ha desplazado la superficie entre los dos periodos, estimando además la incertidumbre de cada medida. En lugares estables, como tejados y carreteras pavimentadas, el método reportó una discrepancia media de solo unos cuatro centímetros, confirmando que la alineación era ajustada. En zonas de cambio importante, el sistema detectó desplazamientos medios del orden de tres metros, con la mayoría de puntos afectados claramente por encima del nivel de ruido, lo que constituye evidencia sólida de movimiento real del terreno y no de error de medición.

Ver lo que las imágenes 2D no muestran

El verdadero valor del marco metodológico reside en combinar las vistas bidimensionales y tridimensionales. Una comparación simple de las imágenes clasificadas de las dos fechas a veces señalaba cambios donde en realidad no los había, por ejemplo en regiones oscurecidas por sombras cambiantes o cubiertas por vegetación más densa. Al verificar esos cambios aparentes con el mapa de desplazamientos 3D, los investigadores pudieron descartar casos con poco o ningún movimiento medido. En un conjunto de zonas de “cambio medio”, un enfoque solo 2D detectó menos de una décima parte de los desplazamientos reales, mientras que el análisis 3D descubrió movimientos reales que promediaban más de dos metros, incluso donde los árboles ocultaban parcialmente el suelo. Esta fusión 2D–3D convirtió un mosaico ruidoso de cambios aparentes en una imagen más clara de dónde el terreno se había deformado realmente.

Qué significa esto para las comunidades montañosas

En términos prácticos, el estudio demuestra una receta útil para vigilar cómo respira y se desplaza el terreno montañoso e inestable a lo largo del tiempo. Al emparejar prospecciones de drones económicas con etiquetado inteligente de imágenes y mediciones 3D precisas de distancias, las autoridades pueden cartografiar dónde las laderas se deslizan, dónde han crecido los deslizamientos y qué tan cerca están estos cambios de viviendas y carreteras. La sólida concordancia del sistema con mapas de referencia humanos sugiere que sus estimaciones de cambio son lo bastante fiables como para informar evaluaciones post-desastre, el monitoreo de deslaves y la planificación a largo plazo. A medida que este enfoque se difunda, las comunidades en regiones agrestes podrían obtener advertencias más tempranas sobre movimientos del terreno, mapas de daños más precisos tras tormentas o terremotos y mejor información para decidir dónde —y dónde no— construir en el futuro.

Cita: Hou, TC., Trinh, T.B.N., Yang, TY. et al. Multi-temporal analysis of mountainous terrain changes based on UAV images and point cloud data. Sci Rep 16, 12792 (2026). https://doi.org/10.1038/s41598-026-42202-x

Palabras clave: deslizamientos en montaña, mapeo con drones, nubes de puntos 3D, detección de cambios del terreno, monitoreo de desastres