MARCO METODOLÓGICO PARA LA DETECCIÓN Y ANTICIPACIÓN DE DESLIZAMIENTOS DE TIERRA MEDIANTE LA INTEGRACIÓN DE DATOS DE SENSORES REMOTOS, VARIABLES DE ESTADO HIDROLÓGICO Y MODELOS DE INTELIGENCIA ARTIFICIAL, EN LA SIERRA NORTE DE PUEBLA.
Los deslizamientos de tierra representan uno de los peligros geológicos más importantes a nivel mundial. En México, el 20% del territorio presenta condiciones para el desarrollo de los deslizamientos, principalmente en los estados del centro del país, y su ocurrencia se relaciona con la interacción de factores geológicos, hidrológicos y climáticos que pueden modificar las condiciones de estabilidad. Actualmente, son todavía limitadas las metodologías integrales que permiten detectar y anticipar los deslizamientos dentro de un marco metodológico reproducible, lo que reduce la capacidad de reacción de la población ante los potenciales efectos del cambio climático. Ante este contexto, se propone un marco metodológico integrado que combine datos de sensores remotos, variables de estado hidrológico, modelos de aprendizaje de máquina y aprendizaje profundo para analizar, detectar y anticipar posibles deslizamientos de tierra.
Este marco se estructura en 5 etapas: 1) Análisis estadístico multivariado de factores asociados a los deslizamientos, para la descripción y comprensión del fenómeno; 2) Construcción del inventario de eventos base de la zona de estudio, el cual servirá para el entrenamiento y validación de los modelos posteriores; 3) Mapeo de zonas potenciales al deslizamientos de tierra con modelos de aprendizaje de máquina (Random Forest), para la identificación de una zona de atención prioritaria; 4) Modelación hidrológica, la cual permitirá comprender e interpretar las características físicas de la zona prioritaria ante los deslizamientos y proporcionar datos a los modelos de IA; y, 5) Aplicación de modelos de aprendizaje profundo, los cuales están enfocados en la detección espacial de deslizamientos mediante la segmentación de instancias con Mask R-CNN y a la anticipación de posibles eventos con el modelo de redes neuronales recurrentes Long Short-Term Memory (LSTM).
El enfoque propuesto permitirá establecer una metodología reproducible y transferible a regiones con características geográficas similares, permitiendo mejorar el monitoreo y la anticipación de deslizamientos de tierra en zonas susceptibles, en beneficio de la población vulnerable.