altocumulusrascacielis.gif
mardeniebla.gif
fuegoalatardecer.gif

Un modelo de aprendizaje automático duplica la precisión de las predicciones mundiales sobre desprendimientos de tierras

 6 -8 minutos

Cada año, los corrimientos de tierra -el movimiento de rocas, tierra y escombros por una ladera- causan miles de muertes, miles de millones de dólares en daños e inutilizan carreteras y líneas eléctricas. Dado que el terreno, las características de las rocas y el suelo, el tiempo y el clima contribuyen a la actividad de los corrimientos de tierra, puede resultar difícil determinar con precisión las zonas con mayor riesgo de sufrir estos peligros en un momento dado. Los sistemas de alerta temprana suelen ser regionales y se basan en datos específicos de la región proporcionados por sensores terrestres, observaciones sobre el terreno y totales de precipitaciones. ¿Pero qué pasaría si pudiéramos identificar las zonas de riesgo en cualquier parte del mundo y en cualquier momento?

El modelo y la herramienta cartográfica Global Landslide Hazard Assessment (LHASA) de la NASA.

La versión 2 de LHASA, publicada el mes pasado junto con la investigación correspondiente, es un modelo basado en el aprendizaje automático que analiza una colección de variables individuales y conjuntos de datos derivados de satélites para producir "nowcasts" personalizables. Estas predicciones actuales, oportunas y específicas, son estimaciones de la actividad potencial de los desprendimientos en tiempo casi real para cada área de 1 kilómetro cuadrado entre los polos. El modelo tiene en cuenta la pendiente del terreno (las pendientes más altas son más propensas a los desprendimientos), la distancia a las fallas geológicas, la composición de la roca, las precipitaciones pasadas y presentes, y los datos de humedad del suelo y masa de nieve obtenidos por satélite.

"El modelo procesa todos estos datos y ofrece una estimación probabilística del riesgo de desprendimiento en forma de mapa interactivo", explica Thomas Stanley, científico de la Asociación de Investigación Espacial Universitaria del Centro de Vuelo Espacial Goddard de la NASA en Greenbelt (Maryland), que dirigió la investigación. "Esto es importante porque proporciona una escala relativa del peligro de desprendimiento, en lugar de limitarse a decir que hay o no hay riesgo de desprendimiento. Los usuarios pueden definir su área de interés y ajustar las categorías y el umbral de probabilidad a sus necesidades."

 La imagen muestra un mapa global de riesgo potencial de desprendimiento de tierras elaborado por el Modelo de Evaluación de Riesgo de Desprendimiento de Tierras (LHASA) de la NASA en junio de 2021. Los colores rojo y amarillo en las cordilleras indican el mayor riesgo y el azul oscuro el menor. Créditos: NASA

Para "enseñar" a este modelo, los investigadores introducen en una tabla todas las variables relevantes de los desprendimientos y muchos lugares en los que se han registrado desprendimientos en el pasado. El algoritmo de aprendizaje automático toma la tabla y prueba diferentes escenarios y resultados posibles, y cuando encuentra el que se ajusta a los datos con mayor precisión, produce un árbol de decisión. A continuación, identifica los errores en el árbol de decisión y calcula otro árbol que corrija esos errores. Este proceso se repite hasta que el modelo ha "aprendido" y mejorado hasta 300 veces.

"El resultado es que esta versión del modelo es aproximadamente dos veces más precisa que la primera, lo que la convierte en la herramienta de previsión global más precisa disponible", dijo Stanley. "Si bien la precisión es más alta -a menudo el 100%- para los principales eventos de deslizamiento de tierra desencadenados por ciclones tropicales, mejoró significativamente en todos los inventarios".

La versión 1, lanzada en 2018, no era un modelo de aprendizaje automático. Combinaba datos de precipitación por satélite con un mapa global de susceptibilidad a los deslizamientos de tierra para producir sus nowcasts. Hizo sus predicciones utilizando un árbol de decisión basado en gran medida en los datos de precipitación de la semana anterior y clasificó cada celda de la cuadrícula como riesgo bajo, moderado o alto.

"En esta nueva versión, tenemos 300 árboles de información cada vez mejor comparados con la primera versión, que se basaba en un solo árbol de decisión", dijo Stanley. "La versión 2 también incorpora más variables que su predecesora, incluyendo datos de humedad del suelo y masa de nieve".

En general, el suelo sólo puede absorber una cantidad de agua antes de saturarse y, combinada con otras condiciones, supone un riesgo de desprendimiento. Al incorporar los datos de humedad del suelo, el modelo puede determinar la cantidad de agua que ya está presente en el suelo y la cantidad de lluvia adicional que lo haría superar ese umbral. Asimismo, si el modelo conoce la cantidad de nieve presente en una zona determinada, puede tener en cuenta el agua adicional que entra en el suelo cuando la nieve se derrite. Estos datos proceden del satélite Soil Moisture Active Passive (SMAP), gestionado por el Jet Propulsion Laboratory de la NASA en el sur de California. Se lanzó en 2015 y proporciona una cobertura continua de la humedad del suelo.

La versión 2 de LHASA también añade una nueva función de exposición que analiza la distribución de las carreteras y la población en cada celda de la cuadrícula para calcular el número de personas o infraestructuras expuestas a los riesgos de desprendimiento. Los datos de exposición se pueden descargar y se han integrado en el mapa interactivo. La incorporación de este tipo de información sobre las carreteras expuestas y las poblaciones vulnerables a los desprendimientos ayuda a mejorar el conocimiento de la situación y las acciones de las partes interesadas, desde las organizaciones internacionales hasta los funcionarios locales.

Esta imagen muestra un "nowcast" de deslizamientos de tierra para el 18 de noviembre de 2020 durante el paso del huracán Iota por Nicaragua y Honduras. Créditos: NASA

Basándose en años de investigación y aplicaciones, la versión 2 de LHASA fue probada por el programa de desastres de la NASA y en situaciones del mundo real antes de su lanzamiento oficial. En noviembre de 2020, cuando los huracanes Eta e Iota azotaron Centroamérica en un lapso de dos semanas, los investigadores que trabajaban con el programa de Desastres de Ciencias Aplicadas a la Tierra de la NASA utilizaron la versión 2 de LHASA para generar mapas de riesgo de deslizamiento de tierra previsto para Guatemala y Honduras. Los investigadores superpusieron el modelo con datos de población a nivel de distrito para poder evaluar mejor la proximidad entre los peligros potenciales y las comunidades densamente pobladas. Los coordinadores del programa de catástrofes compartieron la información con los organismos nacionales e internacionales de respuesta a las emergencias para que pudieran dar a conocer mejor los peligros al personal sobre el terreno.

Aunque se trata de una herramienta útil para la planificación y la mitigación de riesgos, Stanley afirma que el modelo está pensado para utilizarse con una perspectiva global y no como un sistema local de alerta de emergencias para una zona concreta. Sin embargo, la investigación futura puede ampliar ese objetivo.

"Estamos trabajando en la incorporación de la previsión de precipitaciones en la versión 2 de LHASA, y esperamos que proporcione más información para la planificación y las actuaciones avanzadas antes de que se produzcan precipitaciones importantes", afirma Stanley. Uno de los retos, señala Stanley, es obtener un archivo suficientemente largo de datos de previsión de precipitaciones del que el modelo pueda aprender.

Mientras tanto, los gobiernos, los organismos de socorro, los encargados de responder a las emergencias y otras partes interesadas (así como el público en general) tienen acceso a una potente herramienta de evaluación de riesgos en la versión 2 de LHASA.

Para saber más y acceder al mapa actual, visite:

https://landslides.nasa.gov/viewer

By Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo. NASA's Earth Science News Team . Editor: Ellen Gray

Fuente: