Todos los años, deslizamientos de tierra:el movimiento de rocas, tierra, y escombros por una pendiente:causan miles de muertes, miles de millones de dólares en daños, e interrupciones en carreteras y líneas eléctricas. Porque el terreno características de las rocas y el suelo, clima, y el clima contribuyen a la actividad de deslizamientos de tierra, Identificar con precisión las áreas con mayor riesgo de sufrir estos peligros en un momento dado puede ser un desafío. Los sistemas de alerta temprana son generalmente regionales, basados ​​en datos específicos de la región proporcionados por sensores terrestres, observaciones de campo, y totales de lluvia. Pero, ¿y si pudiéramos identificar áreas de riesgo en cualquier parte del mundo en cualquier momento?

Ingrese a la herramienta de mapeo y modelo de Evaluación Global de Riesgos de Deslizamientos de Tierra (LHASA) de la NASA.

LHASA Versión 2, publicado el mes pasado junto con la investigación correspondiente, es un modelo basado en aprendizaje automático que analiza una colección de variables individuales y conjuntos de datos derivados de satélites para producir "predicciones inmediatas" personalizables. Estas proyecciones inmediatas oportunas y específicas son estimaciones de la actividad potencial de deslizamientos de tierra en tiempo casi real para cada área de 1 kilómetro cuadrado entre los polos. Los factores del modelo en la pendiente del terreno (las pendientes más altas son más propensas a deslizamientos de tierra), distancia a las fallas geológicas, la composición del rock, lluvias pasadas y presentes, y datos de humedad del suelo y masa de nieve obtenidos por satélite.

"El modelo procesa todos estos datos y genera una estimación probabilística del peligro de deslizamientos de tierra en forma de mapa interactivo, "dijo Thomas Stanley, Científico de la Asociación de Investigación Espacial de Universidades en el Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, quien dirigió la investigación. "Esto es valioso porque proporciona una escala relativa de peligro de deslizamientos de tierra, en lugar de simplemente decir que existe o no riesgo de deslizamiento de tierra. Los usuarios pueden definir su área de interés y ajustar las categorías y el umbral de probabilidad para satisfacer sus necesidades ".

Para "enseñar" el modelo, Los investigadores ingresan una tabla con todas las variables relevantes de deslizamientos de tierra y muchos lugares que han registrado deslizamientos de tierra en el pasado. El algoritmo de aprendizaje automático toma la mesa y prueba diferentes escenarios y resultados posibles, y cuando encuentra el que se ajusta a los datos con mayor precisión, genera un árbol de decisiones. Luego identifica los errores en el árbol de decisiones y calcula otro árbol que corrige esos errores. Este proceso continúa hasta que el modelo ha "aprendido" y mejorado 300 veces.

"El resultado es que esta versión del modelo es aproximadamente el doble de precisa que la primera versión del modelo, convirtiéndola en la herramienta de predicción inmediata mundial más precisa disponible, ", dijo Stanley." Si bien la precisión es más alta, a menudo del 100%, para los principales deslizamientos de tierra provocados por ciclones tropicales, mejoró significativamente en todos los inventarios ".

Versión 1, lanzado en 2018, no era un modelo de aprendizaje automático. Combinó datos de precipitación satelital con un mapa global de susceptibilidad a deslizamientos de tierra para producir sus pronósticos inmediatos. Hizo sus predicciones utilizando un árbol de decisiones basado en gran parte en los datos de lluvia de la semana anterior y categorizó cada celda de la cuadrícula como baja, moderar, o de alto riesgo.

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

Generalmente hablando, el suelo solo puede absorber cierta cantidad de agua antes de saturarse, y combinado con otras condiciones, planteando un riesgo de deslizamiento de tierra. Al incorporar datos de humedad del suelo, el modelo puede discernir cuánta agua ya está presente en el suelo y cuánta lluvia adicional la empujaría más allá de ese umbral. Igualmente, si el modelo conoce la cantidad de nieve presente en un área determinada, puede tener en cuenta el agua adicional que ingresa al suelo a medida que la nieve se derrite. Estos datos provienen del satélite Soil Moisture Active Passive (SMAP), que es administrado por el Laboratorio de Propulsión a Chorro de la NASA en el sur de California. Se lanzó en 2015 y proporciona una cobertura continua de humedad del suelo.

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

Sobre la base de años de investigación y aplicaciones, La versión 2 de LHASA fue probada por el programa de desastres de la NASA y las partes interesadas en situaciones del mundo real previas a su lanzamiento formal. En noviembre de 2020, cuando los huracanes Eta e Iota azotaron Centroamérica en un lapso de dos semanas, Los investigadores que trabajan con el programa de Desastres de Ciencias Aplicadas a la Tierra de la NASA utilizaron la Versión 2 de LHASA para generar mapas de la amenaza de deslizamientos de tierra pronosticada 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 desastres compartieron la información con las agencias nacionales e internacionales de respuesta a emergencias para brindar una mejor comprensión de los peligros al personal en el terreno.

Si bien es una herramienta útil para fines de planificación y mitigación de riesgos, Stanley dice que el modelo está destinado a ser utilizado con una perspectiva global en mente en lugar de como un sistema de alerta de emergencia local para un área específica. Sin embargo, las investigaciones futuras pueden ampliar ese objetivo.

"Estamos trabajando para incorporar un pronóstico de precipitación en la versión 2 de LHASA, y esperamos que proporcione más información para la planificación y las acciones avanzadas antes de los grandes eventos de lluvia, "dijo Stanley. Un desafío, Stanley señala, está obteniendo un archivo suficientemente extenso de datos de precipitación pronosticados de los que el modelo puede aprender.

Mientras tanto, gobiernos agencias de socorro, socorristas, y otras partes interesadas (así como el público en general) tienen acceso a una poderosa herramienta de evaluación de riesgos en LHASA Versión 2.