Evaluación del riesgo de deslizamientos bajo escenarios pluviométricos específicos basada en un enfoque híbrido CNN-TRIGRS y matricial: estudio de caso en el municipio de Meishan, provincia de Zhejiang, China

Por qué las laderas inestables afectan la vida cotidiana

Los deslizamientos pueden parecer desastres montañosos poco frecuentes, pero en muchas localidades con colinas amenazan viviendas, carreteras y líneas eléctricas cada temporada de lluvias. En el municipio de Meishan, en el este de China, los tifones frecuentes y los largos periodos húmedos empapan regularmente las laderas sobre las comunidades. Este estudio explora una nueva forma de identificar qué partes del paisaje son más propensas a ceder bajo distintos tipos de lluvia, ofreciendo a planificadores locales y residentes una orientación más clara sobre dónde el peligro es mayor y cuándo es más probable que ocurra.

Un municipio entre colinas empinadas y lluvias intensas

Meishan se encuentra en una zona de montañas bajas donde las elevaciones oscilan principalmente entre 160 y 250 metros. Estratos de roca frágil, como las lutitas, se degradan en suelos sueltos que descansan sobre una roca madre más dura y menos permeable. Cuando el agua de lluvia se infiltra en ese suelo, puede acumular presión a lo largo del contacto con la roca madre, convirtiendo la interfaz en una superficie resbaladiza. Unido a pendientes pronunciadas y a canales que concentran la escorrentía, este contexto geológico hace que la zona sea propensa a deslizamientos superficiales que se llevan la capa superior del suelo, un patrón confirmado por 45 deslizamientos registrados en las colinas circundantes.

Combinando aprendizaje inteligente con la física de las laderas

Para comprender dónde es más probable que se inicien los deslizamientos, los investigadores combinaron dos tipos de herramientas. Primero, emplearon una forma de inteligencia artificial llamada red neuronal convolucional, que aprende patrones directamente de los datos en lugar de basarse en reglas seleccionadas manualmente. Esta examinó diez variables que pueden influir en la falla de una ladera, incluida la altitud, la inclinación, el tipo de roca, la distancia a ríos y carreteras y la cobertura vegetal, para asignar a cada celda de 30 por 30 metros una puntuación de susceptibilidad. En segundo lugar, utilizaron un modelo físico de talud que simula cómo la lluvia se infiltra en el terreno y reduce el margen de seguridad del suelo en una ladera, expresado como factor de seguridad. Este modelo, conocido como TRIGRS, rastrea cómo las presiones de agua cambiantes durante las tormentas pueden llevar una ladera de estable a inestable.

Poner a prueba muchos tipos de tormentas sobre las mismas colinas

El equipo se centró en cuatro escenarios pluviométricos realistas extraídos de una década de registros meteorológicos locales. Estos abarcaron desde varios días de lluvia moderada y sostenida, pasando por lluvia intensa y torrencial, hasta aguaceros cortos pero muy intensos. Para cada escenario, TRIGRS estimó qué porción de cada ladera pasaba a distintas clases de estabilidad, desde muy estable hasta muy inestable. Los resultados mostraron que la mayor parte del área es segura en condiciones secas, pero la lluvia de alta intensidad, incluso durante unas pocas horas, amplía notablemente las zonas más inestables, particularmente en pendientes empinadas cerca de los bordes de cuencas y en las colinas centrales donde se han concentrado deslizamientos pasados. La duración también importa, pero se observó que los episodios intensos de precipitación son especialmente eficaces para minar rápidamente la resistencia de las laderas.

Una cuadrícula clara para combinar el dónde y el cuándo

Traducir toda esta información en mapas de peligro prácticos requirió una forma de fusionar la susceptibilidad a largo plazo de cada celda de la cuadrícula con su estabilidad a corto plazo bajo lluvias específicas. Los investigadores construyeron una matriz de decisión simple que cruza cinco niveles de susceptibilidad con cinco niveles de estabilidad. A cada combinación se le asigna un nivel de peligro, también en cinco escalones desde muy bajo hasta muy alto. Por ejemplo, una celda que sea a la vez muy susceptible e inestable bajo una tormenta dada se marca como peligro alto o muy alto, mientras que una celda con baja susceptibilidad y comportamiento estable permanece en peligro bajo. Esta tabla basada en reglas hace que el resultado combinado sea fácil de interpretar: cada categoría de peligro refleja tanto la propensión del terreno como su respuesta a un patrón de lluvia particular.

Qué significa esto para las personas que viven en laderas riesgosas

Cuando el equipo comparó sus mapas de peligro con las ubicaciones conocidas de deslizamientos, más del 90 por ciento de los deslizamientos pasados se ubicaron en las zonas de peligro alto y muy alto, y casi ninguno ocurrió en las zonas de peligro muy bajo. Esta fuerte correspondencia sugiere que el enfoque híbrido puede identificar de forma fiable las áreas peligrosas incluso donde faltan redes de monitoreo detalladas. Si bien el método sigue dependiendo de buenos datos de entrada y no puede capturar cada pequeño rasgo del terreno, ofrece a las autoridades locales una forma eficiente y transparente de planificar el uso del suelo, priorizar inspecciones de taludes y adaptar alertas tempranas a tipos específicos de tormentas, ayudando a comunidades como Meishan a convivir con mayor seguridad con sus colinas circundantes.

Cita: Wang, Z., Wang, Z., Shi, F. et al. Assessment of landslide hazard under specific rainfall scenarios based on a hybrid CNN-TRIGRS and matrix approach: a case study of Meishan Town, Zhejiang Province, China. Sci Rep 16, 16200 (2026). https://doi.org/10.1038/s41598-026-46051-6

Palabras clave: riesgo de deslizamientos, precipitaciones, estabilidad de taludes, redes neuronales, cartografía de peligros