Examinar el detalle de un desastre natural en Italia en 2009 ha ayudado a los investigadores de KAUST a desarrollar un modelo estadístico que podría ayudar a predecir deslizamientos de tierra en áreas específicas bajo escenarios de tormenta dados.

Los modelos existentes de susceptibilidad a los deslizamientos de tierra utilizan una estructura de presencia-ausencia para predecir si es probable que se produzca un deslizamiento de tierra dentro de un área determinada. Estos modelos binarios, sin embargo, son incapaces de predecir información vital, como cuántos deslizamientos de tierra podrían ocurrir en una pendiente específica.

Luigi Lombardo, y su supervisor Raphaël Huser, en KAUST, con Thomas Opitz en INRA en Francia, desarrolló un modelo estadístico que explota el riguroso marco probabilístico de los procesos puntuales. Esto describe el comportamiento de patrones de puntos aleatorios, como lugares que provocan deslizamientos de tierra.

Su metodología estadística permite al modelo predecir no solo dónde, pero también cuántos, Los deslizamientos de tierra pueden ocurrir en un área determinada dependiendo de las circunstancias climáticas.

El equipo utilizó su modelo para examinar datos de un desastre de 2009 en Messina, Italia, que siguió a una intensa tormenta. El modelo generó mapas de alta precisión de la zona del desastre.

"Después de dos períodos de clima húmedo, la tormenta arrojó 250 milímetros de lluvia en un área pequeña en menos de ocho horas, "dice Lombardo." Los suelos en las laderas empinadas ya estaban saturados, y el diluvio resultó en alrededor de 5, 000 deslizamientos de tierra de diferentes tamaños en unos 100 kilómetros cuadrados ".

El equipo accedió a imágenes de satélite de alta resolución que mostraban el paisaje antes y después de la tormenta. Sin embargo, no tenían datos completos sobre el desencadenante del deslizamiento de tierra, el evento de lluvia, porque solo había una estación meteorológica en la zona de tormentas.

"Los científicos simplemente no tienen la instrumentación para medir cada desastre natural en profundidad, "dice Lombardo." Sin embargo, nos dimos cuenta de que los datos podían "hablarnos" y ayudarnos a reconstruir la tormenta. Sabíamos dónde estaba lo peor se habían producido repetidos deslizamientos de tierra, y la lógica sugiere que estos puntos fueron las áreas más afectadas por las lluvias ".

"Incluimos un efecto espacial latente en nuestro modelo estadístico para capturar y reconstruir de manera flexible la evolución de la tormenta, "dice Huser." Este efecto espacial latente, combinado con otras variables, como la inclinación de la pendiente, tipo de suelo y cobertura vegetal, arrojó una precisión de predicción sin precedentes ".

"El beneficio de este enfoque es que podemos simular fácilmente varios efectos espaciales latentes, cada uno con un patrón diferente, y proporcionar un conjunto completo de posibles escenarios futuros de deslizamientos de tierra a medida que evoluciona una tormenta, ", dice Lombardo." Las autoridades podrían tomar mejores acciones preventivas y evacuar a las personas a un terreno más seguro. Se podrían construir modelos similares para otras áreas propensas a deslizamientos de tierra en el mundo ".