Una investigación liderada por la UEx predice los deslizamientos de tierra

Los investigadores han desarrollado mediante inteligencia artificial mapas de susceptibilidad de zonas vulnerables a deslizamientos de tierra en China con alta precisión (landslides). La línea de investigación, liderada por el catedrático de la Universidad de Extremadura Antonio Plaza, se lleva a cabo en colaboración con Universidad de Ciencias de la Tierra de Wuhan. El objetivo es anticipar los deslizamientos de tierra y evitar así los riesgos

14/02/2024. El grupo de investigación Computación Hiperespectral acoge en la Escuela Politécnica estancias de investigadores procedentes de diferentes universidades en China. En este marco, la Universidad de Ciencias de la Tierra de Wuhan propuso aplicar la inteligencia artificial en el estudio de los deslizamientos de tierra, un problema grave y habitual en China que en ocasiones tiene como consecuencia pérdidas humanas.

Según explica Antonio Plaza, los deslizamientos de tierra se producen, en general, por tres causas. La primera de ellas son las inundaciones, así, las lluvias torrenciales en zonas monzónicas pueden provocar deslizamientos de tierra. Los otros factores son los terremotos y las erupciones volcánicas. Aunque también hay casos en los que interviene el factor humano, como los deslizamientos en vertederos, en canteras o minas y en construcciones sobre terrenos no adecuados e inestables.

Una vez se ha producido el deslizamiento de tierra, gracias a las imágenes satélite se puede estudiar, monitorizar el terreno y analizar los cambios antes y después del suceso. “Pero nosotros lo que hemos generado son mapas de susceptibilidad gracias a los algoritmos de inteligencia artificial. Es decir, todavía no se ha producido el deslizamiento, pero puede ser que en una determinada zona si llueve mucho o si hay un terremoto se pueda producir. El objetivo es anticipar los riesgos con el fin de evitar daños”, explica Plaza.

Los investigadores han recogido todos los factores condicionantes y datos geológicos, tipo de roca, suelo y vegetación, la proximidad de una falla tectónica, etc. La cuestión es cómo utilizar todos estos datos para generar mapas de susceptibilidad o predicción. Y aquí es donde interviene la Universidad de Extremadura. “Nosotros somos expertos en utilizar técnicas de inteligencia artificial que hemos aplicado en la prevención de incendios o contaminación de agua a través de imágenes hiperespectrales. Ahora, hemos entrenado redes neuronales convolucionales, que son métodos llamados de aprendizaje profundo, y las hemos adaptado a este problema en concreto”, subraya Antonio Plaza.

Se trata de redes neuronales de muchas capas que imitan la forma de aprendizaje del cerebro humano. Hoy, estas redes neuronales ofrecen mayor capacidad y rendimiento que las redes clásicas a la hora de aprender y relacionar conceptos, ya que se comportan de manera similar al cerebro. “Estas redes han supuesto una revolución y son la base de la inteligencia artificial actual”, subraya el investigador de la UEx.

Los investigadores han desarrollado una red neuronal convolucional adaptada a la generación de mapas de susceptibilidad. Procesa e interpreta las imágenes hiperespectrales de la zona obtenidas por satélite y los factores condicionantes (la altura, índice de vegetación, tipo de roca, la población, la distancia a una falla tectónica etc.).

Esta metodología tiene una alta precisión total, situada en torno al 93%. De acuerdo con los análisis realizados tomando como referencia eventos sucedidos, se ha determinado la susceptibilidad de la zona y después se ha contrastado la precisión de esta predicción con lo acaecido. “Nuestro método supone un aumento de la precisión de un 26% comparado con otras técnicas que no utilizan redes neuronales”, afirma Plaza.

El método desarrollado por la UEx supone un avance científico muy significativo, ya que es el primero que abarca todos los factores condicionantes, las imágenes satélites y la inteligencia artificial. Además, es transferible a otro tipo de zonas en el mundo.

Fuente: Servicio de Difusión de la Cultura Científica de la UEx

Referencia:

T. Chen, X. Gao, G. Liu, C. Wang, Z. Zhao, J. Dou R. Niu and A. Plaza. BisDeNet: A New Lightweight Deep Learning-Based Framework for Efficient Landslide Detection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing; vol. 17, pp. 3648-3663, 2024.  https://doi.org/10.1109/JSTARS.2024.3351873

L. Lv, T. Chen, J. Dou and A. Plaza. A Hybrid Ensemble-Based Deep-Learning Framework for Landslide Susceptibility Mapping. International Journal of Applied Earth Observation and Geoinformation; vol. 108, pp. 1-14, 102713, April 2022 https://doi.org/10.1016/j.jag.2022.102713 (Identified as ESI Highly Cited Paper by Clarivate Analytics).