Una evaluación sistemática del riesgo regional de deslizamientos bajo la lluvia de tifones: un estudio de caso en Taishun, Zhejiang, China en septiembre de 2016

Por qué fallan las laderas en grandes tormentas

Cuando un tifón potente llega a tierra, la mayoría de las personas se preocupa primero por el viento y las inundaciones. Pero en regiones empinadas y lluviosas, se desarrolla otro peligro de manera más silenciosa: laderas enteras pueden ceder de repente. Este estudio examina uno de esos sucesos en el condado de Taishun, provincia de Zhejiang, donde el tifón Meranti en septiembre de 2016 desencadenó miles de deslizamientos. Al combinar imágenes satelitales, registros de precipitación y modelos informáticos avanzados, los investigadores muestran cómo la lluvia intensa, el terreno escarpado y la geografía local se combinan para convertir pendientes verdes y estables en ríos de tierra en movimiento rápido.

Dónde cedió el terreno

El equipo se centró en una zona montañosa del sureste de China que suele quedar en la trayectoria de los tifones. Usando imágenes satelitales de alta resolución tomadas antes y después de Meranti, junto con comprobaciones de campo, cartografiaron 4.102 deslizamientos en un área de unas 3.400 kilómetros cuadrados. La mayoría de los deslizamientos fueron relativamente pequeños, pero en conjunto cubrieron más de seis kilómetros cuadrados. Los deslizamientos se concentraron en una franja que corre del noroeste al sureste a través de las montañas centrales, coincidiendo con la trayectoria de las precipitaciones más intensas. Muchas laderas mostraron cicatrices largas y estrechas con tierra desnuda y vegetación rota, un patrón típico de fallos impulsados por la lluvia en esta región.

Lluvia, colinas, ríos y bosques trabajando juntos

Para entender por qué algunas laderas fallaron mientras otras cercanas se mantuvieron en pie, los científicos examinaron nueve factores clave: altitud sobre el nivel del mar, pendiente, orientación de la ladera, tipo de roca, vegetación, uso del suelo, humedad superficial, distancia a los ríos y precipitación total durante la tormenta. Encontraron que los deslizamientos eran más comunes a elevaciones moderadas (unos 400–800 metros) en laderas bastante empinadas (25–40 grados). Las pendientes orientadas al sur y sureste, expuestas directamente a las lluvias monzónicas, fallaron con mayor frecuencia. Capas de roca suaves y profundamente meteorizadas, especialmente areniscas y lutitas del Cretácico, ofrecían cimientos débiles. Una cubierta vegetal moderada y suelos forestales, a menudo presentes en pendientes más empinadas y con suelos más profundos, también se asociaron con más deslizamientos—no porque los árboles causen los fallos, sino porque esos ambientes almacenan más agua y se asientan sobre pendientes más frágiles. La proximidad a los ríos aumentó asimismo el riesgo, ya que el agua corriente puede socavar la base de las laderas y facilitar su colapso durante las tormentas.

Cómo los modelos inteligentes revelan patrones ocultos

Los investigadores recurrieron luego al aprendizaje automático automatizado para convertir estos ingredientes en un mapa de peligro práctico. Alimentaron todos los deslizamientos cartografiados, además de un número igual de ubicaciones estables, en un “conjunto” de diferentes modelos informáticos que aprenden a partir de ejemplos. Este sistema, llamado AutoGluon, prueba y combina muchos modelos para encontrar la mezcla más fiable. El mejor modelo combinado pudo distinguir con gran precisión las laderas inestables de las estables. Cuando sus predicciones se trazaron en un mapa, las áreas clasificadas como de alto o muy alto peligro se alinearon estrechamente con donde ocurrieron los deslizamientos durante el tifón Meranti, especialmente en la franja montañosa central. El equipo también empleó un método conocido como SHAP para abrir la “caja negra” del modelo y medir cuánto empujaba cada factor a las laderas hacia el fallo o la seguridad.

Encontrar los puntos de inflexión del desastre

Las herramientas de interpretación mostraron que tres ingredientes son los más importantes: cuánta lluvia cayó, a qué altitud se sitúa la ladera y cuán empinada es. Las puntuaciones internas del modelo aumentaron una vez que la precipitación total alcanzó alrededor de 160–180 milímetros durante el período clave de cuatro días de la tormenta, marcando un punto de inflexión más allá del cual las laderas se volvían rápidamente inestables. La altitud y la inclinación mostraron un comportamiento umbral similar: las pendientes de media montaña, de moderadas a muy empinadas, eran mucho más propensas a fallar que las colinas bajas y suaves o los picos muy altos y rocosos. Otros factores—como el tipo de roca, la concentración de humedad en los valles y la vegetación—ajustaron moderadamente el riesgo al alza o a la baja, a menudo de maneras no lineales. En conjunto, estos patrones explican por qué los deslizamientos surgieron en racimos densos en lugar de distribuirse de forma uniforme por el paisaje.

Convertir el conocimiento en alertas tempranas

Al combinar un mapeo detallado, datos satelitales de precipitación y aprendizaje automático transparente, este estudio ofrece una imagen más clara de cómo las lluvias de tifón se traducen en peligro de deslizamientos sobre el terreno. Para no especialistas y autoridades locales por igual, el mensaje clave es directo: cuando cae lluvia muy intensa sobre laderas forestadas, cortadas por ríos, de elevación media y bastante empinadas, el riesgo de un fallo súbito de la pendiente aumenta de forma marcada. El marco desarrollado aquí puede adaptarse a otras regiones montañosas proclives a tormentas, ayudando a las autoridades a orientar la vigilancia, las alertas tempranas y las obras de protección hacia los lugares con mayor probabilidad de deslizarse en el próximo gran tifón.

Cita: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

Palabras clave: deslizamientos, lluvia de tifón, riesgos montañosos, aprendizaje automático, alerta temprana