Desentrañando la erosión de los Sundarbans: cómo el aprendizaje automático mapea los impactos del cambio climático

Por qué este delta nos importa a todos

Los Sundarbans, el bosque de manglares más grande del mundo en la desembocadura del Ganges, actúan como un escudo natural para millones de personas frente a las tormentas y el aumento del nivel del mar. Sin embargo, su laberinto de islas se va transformando de forma constante: en algunos lugares las costas se desmoronan y en otros crecen. Este estudio utiliza décadas de imágenes satelitales y herramientas informáticas modernas para desenmarañar cómo y dónde cambian los Sundarbans, y cuándo métodos simples son suficientes frente a cuándo hace falta aprendizaje automático avanzado. Las respuestas son importantes para proteger tanto a las comunidades costeras como a este ecosistema de alcance global.

Un laberinto de islas en movimiento

La Reserva de la Biosfera de Sundarbans en India contiene casi un centenar de islas boscosas, entrelazadas por canales de marea y bordeadas de manglares. Aunque la presión humana es relativamente baja dentro de la reserva, la región ya ha perdido alrededor de 100 kilómetros cuadrados de tierra en las últimas tres décadas, principalmente a lo largo de las costas abiertas del sur. Al trazar la línea de costa en miles de puntos espaciados uniformemente desde 1988 hasta 2023 mediante imágenes satelitales, los autores construyeron un retrato detallado de qué costas retroceden y cuáles avanzan. Encontraron que las islas orientadas al mar, en el sur, están erosionándose rápidamente, en algunos puntos más de 30 a 50 metros por año, mientras que partes de las islas del oeste y del extremo norte están ganando tierra por deposición de sedimentos.

Leer líneas rectas en una costa inquieta

Para describir el cambio en el tiempo, los científicos costeros a menudo ajustan una línea recta a las posiciones de la línea de costa y usan su pendiente como tasa a largo plazo de avance o retroceso. Pero las costas responden a tormentas, mareas y sedimentos en pulsos, no siempre de forma continua. El estudio comprobó, para más de 21.000 puntos de costa, qué tan bien una línea recta se ajustaba realmente al historial en cada ubicación. Las costas en erosión a lo largo del mar abierto y de los canales principales a menudo siguieron tendencias casi rectilíneas, lo que significa que su cambio fue lo bastante estable como para que una línea simple funcionara bien. En contraste, muchos lugares donde se estaba formando tierra mostraron curvas, pausas y saltos que una línea recta no podía capturar, revelando un comportamiento fuertemente no lineal.

Lo que descubrieron las máquinas

Los investigadores recurrieron luego a dos métodos de aprendizaje automático, random forests y gradient boosting, para ver qué factores naturales explicaban mejor las tasas observadas de erosión o crecimiento. Alimentaron a los modelos con información como la distancia de cada punto respecto al mar abierto, a fuentes de sedimento transportado por ríos, el ancho del canal de marea cercano, la pendiente de la playa y el tipo de sedimento subyacente. Los modelos coincidieron en que dominan factores amplios y regionales: la distancia al mar es el principal motor de la erosión, mientras que la proximidad a ríos ricos en sedimentos es lo más importante para la formación de nueva tierra. Detalles locales, como pendientes suaves de playa y canales anchos, ayudan a que el sedimento se asiente y se mantenga, pero en conjunto juegan un papel menor. Mediante pruebas repetidas, el equipo también identificó un punto de inflexión en el ajuste por línea recta: cuando la calidad del ajuste cruzaba cierto valor, los modelos lineales para la erosión seguían siendo fiables; por debajo de ese umbral, el aprendizaje automático ofrecía mejores respuestas.

Una forma más inteligente de elegir la herramienta adecuada

Al combinar el enfoque de la línea recta con el aprendizaje automático, el estudio propone un marco práctico para planificadores costeros. Donde la erosión es intensa y la tendencia es casi rectilínea, los métodos lineales simples son precisos, transparentes y económicos de aplicar. En zonas donde el historial de la línea de costa es más errático —especialmente donde la tierra intenta formarse— las mismas pruebas señalan que se necesitan modelos de aprendizaje automático más flexibles para captar ráfagas de cambio a corto plazo y la interacción entre olas, mareas y suministro de sedimentos. Esta estrategia de “dos niveles” ayuda a enfocar los esfuerzos avanzados de modelado y recopilación de datos exactamente donde más importan, reduciendo costes y minimizando errores.

Guiando la protección de personas y manglares

Para no especialistas, el mensaje central es que no todo el cambio costero es igualmente difícil de predecir. En los Sundarbans, la erosión de las costas orientadas al mar se comporta de forma relativamente simple y constante, y puede rastrearse con herramientas sencillas, mientras que la formación de nueva tierra es mucho más complicada y requiere análisis sofisticados. Reconocer esta diferencia permite a los gestores diseñar mejores sistemas de alerta, desviar nuevas construcciones de los bordes más frágiles y apoyar defensas basadas en la naturaleza como manglares y canales de marea amplios donde son más efectivos. En un mundo que se calienta y donde muchas costas enfrentan presiones similares, este método ofrece un modelo para convertir datos fragmentarios en orientaciones más claras y específicas por ubicación sobre dónde las costas resistirán, dónde se desmoronarán y cómo podemos responder.

Cita: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

Palabras clave: cambio de la línea de costa de Sundarbans, erosión y acreción costera, resiliencia del delta de mangle, teledetección satelital, aprendizaje automático en adaptación climática