Predicción y evaluación del riesgo de deslizamientos basada en teledetección mediante un modelo híbrido profundo CNN–LSTM

Por qué saber dónde pueden fallar las laderas puede salvar vidas

Los deslizamientos pueden ocurrir con poca advertencia, sepultando viviendas, bloqueando carreteras y dañando infraestructuras esenciales. En regiones montañosas, especialmente donde la lluvia es intensa y el terreno ya está sometido a tensiones, la gente vive y se desplaza bajo pendientes cuya estabilidad es difícil de evaluar a simple vista. Este estudio muestra cómo los datos satelitales y un tipo avanzado de modelo informático capaz de reconocer patrones pueden combinarse para señalar qué partes de una gran región son más propensas a deslizarse, ofreciendo a los planificadores y a los gestores de emergencias una forma poderosa de reducir el riesgo.

Ver las laderas de riesgo desde el espacio

Los investigadores se centran en la provincia de Kerman, en el sureste de Irán, un paisaje de altas montañas, valles profundos y llanuras áridas moldeado por fallas activas y un clima duro. En un terreno tan accidentado, los estudios de campo tradicionales son lentos e incompletos. En su lugar, el equipo recurre a la teledetección: imágenes satelitales que revelan la cobertura del suelo y la vegetación, y modelos digitales de elevación que describen la altura y la inclinación del terreno. A partir de estas fuentes derivan propiedades clave como el ángulo y la orientación de la pendiente, e indicadores de cómo tiende a acumularse o fluir el agua. También cartografían la proximidad de cada punto a ríos, carreteras y fallas, y clasifican el uso del suelo, desde cultivos hasta roca desnuda.

Seguir la historia del agua a lo largo del tiempo

Pero los deslizamientos no son impulsados solo por la forma del terreno. El agua, que llega en forma de lluvia o se almacena en embalses, puede debilitar gradualmente las laderas hasta que fallan. Para capturar este aspecto cambiante del problema, el estudio compila registros diarios de precipitaciones y niveles de embalses. Para cada punto de la región, el modelo mira hacia atrás durante los 30 días previos a un deslizamiento conocido—o a un periodo sin fallo—para ver cuánta agua llegó y cómo cambió día a día. Esta ventana móvil de un mes permite al método reconocer no solo los aguaceros extremos, sino también el efecto acumulativo de muchos días húmedos que saturan lentamente el terreno.

Enseñar a un modelo híbrido a leer espacio y tiempo

En el núcleo del trabajo hay un modelo híbrido de aprendizaje profundo que combina dos técnicas complementarias. Una parte, llamada red neuronal convolucional, se especializa en reconocer patrones espaciales. Examina pequeños parches de las capas apiladas de terreno y uso del suelo, aprendiendo qué combinaciones de pendiente, tipo de roca y otros factores tienden a asociarse con deslizamientos pasados. La otra parte, una red LSTM (memoria a largo y corto plazo), está diseñada para manejar secuencias. Lee las cadenas de 30 días de precipitaciones y niveles de embalses, aprendiendo qué patrones temporales son más peligrosos. El modelo fusiona estas dos corrientes—dónde está la pendiente y cuán húmedo ha estado recientemente—en una única evaluación de la probabilidad de deslizamiento en cada ubicación.

Probarse frente a deslizamientos reales

Para evaluar el rendimiento de su sistema, los autores reúnen un inventario de 719 deslizamientos documentados a partir de informes, comprobaciones de campo e imágenes detalladas, y los emparejan con un número igual de ubicaciones estables. Dividen estos datos en conjuntos de entrenamiento y de prueba independientes, asegurándose de que el modelo nunca vea los ejemplos de prueba durante el aprendizaje. Cuando se enfrenta a casos no vistos, el modelo híbrido distingue correctamente sitios con y sin deslizamiento en más del 95 por ciento de las veces y obtiene una de las puntuaciones más altas posibles en una curva diagnóstica estándar. Supera a métodos ampliamente usados como máquinas de vectores de soporte, árboles de decisión, bosques aleatorios e incluso a modelos más sencillos de aprendizaje profundo que utilizan solo espacio o solo tiempo.

Convertir predicciones en mapas útiles

Usando el modelo entrenado, el equipo genera una probabilidad continua de ocurrencia de deslizamientos para cada celda de la cuadrícula en la provincia de Kerman, y luego clasifica los resultados en susceptibilidad baja, media, alta y muy alta. Aproximadamente una cuarta parte de la región entra en el grupo de alto riesgo, principalmente en pendientes pronunciadas donde las precipitaciones y los cambios en los embalses son notables, mientras que aproximadamente un tercio se considera de bajo riesgo. Cuando los autores superponen su mapa con el inventario independiente de deslizamientos, más del 86 por ciento de los eventos registrados se encuentran dentro de las zonas de alto y muy alto riesgo, lo que muestra que las advertencias del modelo se alinean estrechamente con fallos reales. Un análisis de las entradas confirma que la inclinación de la pendiente es el factor dominante, seguida de cerca por la precipitación total reciente y los cambios en los niveles de embalses.

Qué significa esto para las personas sobre el terreno

En términos sencillos, el estudio demuestra que combinar la información de “dónde” procedente de satélites con la información de “cuándo” sobre el agua crea una imagen mucho más nítida del peligro de deslizamiento que cualquiera de las dos por separado. El modelo híbrido no predice el día exacto en que fallará una ladera, pero sí revela qué áreas son inherentemente frágiles bajo condiciones húmedas habituales. Ese conocimiento puede guiar la ubicación más segura de carreteras y edificaciones, señalar aldeas e infraestructuras que necesitan protección o vigilancia, y ayudar a los planificadores de emergencias a concentrar recursos escasos donde más se necesitan. El enfoque también es flexible: con datos adecuados, puede adaptarse a otras regiones montañosas que enfrentan amenazas similares de la gravedad y el agua.

Cita: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Palabras clave: susceptibilidad a deslizamientos, teledetección, aprendizaje profundo, mapeo de riesgos, predicción de peligros