En Kimtang, un pueblo de montaña en el centro de Nepal, el suelo se mueve extremadamente lento pero continuo: aparecen grietas en los escalones de las casas, los árboles crecen torcidos y los desplazamientos imperceptibles a simple vista se acumulan hasta convertirse en desastres potenciales. Antoinette Tordesillas, matemática de la Universidad de Melbourne, mostró una imagen de satélite en color a través de un enlace de vídeo: entre toda la ladera azul, el sistema de inteligencia artificial marcó en rojo deslumbrante una gran zona al pie del pueblo, lo que significa que esta ladera donde los residentes han cultivado y vivido durante generaciones se encuentra en un estado de grave inestabilidad y puede convertirse en un devastador deslizamiento de tierra en cualquier momento. Irónicamente, todos los aldeanos de Jintang fueron reubicados debido a un deslizamiento de tierra cercano en 2019, pero AI evaluó el nuevo lugar de reasentamiento como el terreno más inestable de toda la región.

Según la impresión tradicional, los deslizamientos de tierra suelen ser desastres instantáneos y sin previo aviso, pero las imágenes de radar por satélite revelan otra imagen: días, semanas o incluso años antes de que se produzca un colapso a gran escala, las partículas de la superficie han comenzado a "separarse libremente" lentamente a nivel milimétrico, como si los bailarines se movieran según una especie de "coreografía invisible". Al monitorear estas pequeñas deformaciones a lo largo del tiempo, la inteligencia artificial puede detectar señales de desastre que son invisibles a simple vista mucho antes de que ocurran. Las investigaciones muestran que bajo la influencia de múltiples factores como el cambio climático, la construcción de infraestructura y la minería, la frecuencia de los deslizamientos de tierra globales está aumentando. Sólo en Estados Unidos, los deslizamientos de tierra matan entre 25 y 50 personas cada año y causan miles de millones de dólares en pérdidas económicas; A nivel mundial, el número de muertes cada año es de "decenas de miles". En octubre de 2025, se produjeron múltiples deslizamientos de tierra en las montañas de Nepal, que mataron a unas 60 personas, lo que puso de relieve una vez más la vulnerabilidad del país de alta montaña.

Es casi imposible identificar este "estado anterior al desastre" a gran escala sólo con el poder humano. El equipo de Todesilas confía en el satélite de radar europeo "Sentinel-1": este satélite emite impulsos de radar a la superficie con una frecuencia de aproximadamente 2.000 veces por segundo para obtener información precisa sobre el terreno y el desplazamiento. Sucedió que este satélite sobrevoló el área de Jintang varias veces con un ángulo de incidencia adecuado, proporcionando a la IA suficientes datos de alta calidad para "leer" la pendiente extremadamente activa de las imágenes masivas. Las últimas imágenes utilizadas para el análisis son de enero de 2025. Hasta el momento, no se han producido deslizamientos de tierra a gran escala en la zona, pero la alerta temprana de alto riesgo proporcionada por AI ha permitido al equipo de investigación intervenir con antelación y trabajar con los aldeanos y los gobiernos locales para formular planes de vigilancia del terreno y discutir posibles rutas de evacuación y puntos de reunión de emergencia.

El mapa de riesgos generado por la inteligencia artificial no sólo señala los peligros, sino que también ayuda a encontrar "anclas" relativamente seguras. Por ejemplo, el algoritmo mostró que la escuela secundaria local en Jintang está ubicada en una de las áreas más estables de la pendiente. Esta información ha sido claramente comunicada por los investigadores al jefe de la aldea y a los funcionarios gubernamentales como una base importante para evitar futuras emergencias y asignar recursos. Todesillas enfatizó que utilizaron el aprendizaje automático con restricciones físicas: el equipo de investigación integró años de comprensión del "mecanismo físico de la inestabilidad de la pendiente" en el modelo, en lugar de dejar la tarea completamente a una "caja negra" para reducir el riesgo de errores de juicio. Aun así, la IA aún puede cometer errores, por lo que la clave es la calibración y corroboración continua con mediciones reales.

Se están utilizando tecnologías similares en investigaciones de peligros geológicos a mayor escala. Alessandro Novellino, del Servicio Geológico Británico (BGS), está utilizando IA para procesar datos del radar Sentinel-1 que cubren toda la isla de Gran Bretaña, analizando la deformación de aproximadamente 300.000 pendientes. Los resultados muestran que alrededor de 3.000 de las pistas tienen "movimiento lento continuo". El desplazamiento anual es de sólo milímetros y es casi imperceptible para el ojo humano, pero puede indicar el riesgo de deslizamientos de tierra a gran escala en el futuro. Incluso si estas pendientes nunca colapsan por completo, la deformación continua es suficiente para afectar seriamente la infraestructura de transporte durante muchos años: las investigaciones estiman que tales pendientes activas están asociadas con aproximadamente 14.000 kilómetros de carreteras y 360 kilómetros de tramos ferroviarios, y deben incluirse con antelación en la planificación de mantenimiento y refuerzo.

Novelino señaló que si los analistas comparan e interpretan estas imágenes de satélite una por una, la carga de trabajo se medirá en "años", pero el sistema de aprendizaje automático puede completar la misma tarea en minutos u horas, dando lugar así a "nueva ciencia que era simplemente imposible de hacer en el pasado". Este trabajo actual no utiliza datos en tiempo real porque el acceso en tiempo real es costoso, pero los datos históricos de hace uno o dos años siguen siendo valiosos: siempre que la tendencia a largo plazo sea clara, pueden proporcionar la base para una evaluación de riesgos a mediano y largo plazo. En otros escenarios, BGS también movilizará rápidamente los últimos datos de teledetección después de que ocurra un desastre para ayudar en la respuesta de emergencia. Por ejemplo, después de que se produjo un deslizamiento de tierra fatal en Sumatra, Indonesia, completaron un mapeo automático de aproximadamente 4.000 deslizamientos de tierra en un corto período de tiempo, proporcionando a las agencias gubernamentales y de investigación científica locales referencias clave sobre qué carreteras aún son transitables y qué áreas fueron las más afectadas.

Los operadores de infraestructuras también han comenzado a considerar la IA como una "lupa" para la seguridad geológica. Network Rail, responsable de la mayor parte de la red ferroviaria de Gran Bretaña, dijo que utiliza "análisis impulsado por IA" para integrar datos de sensores en las vías, inspecciones con drones, trenes de inspección dedicados e inspecciones manuales para identificar y gestionar los riesgos de deslizamientos de tierra e inestabilidad de los cimientos a lo largo de las líneas, lo que permite a los equipos de mantenimiento detectar problemas con anticipación e intervenir rápidamente, reduciendo la posibilidad de interrupciones en las líneas o incluso accidentes de descarrilamiento.

En las zonas de alta montaña también se han implantado tecnologías similares en el ámbito de la alerta de avalanchas. El invierno pasado, sólo en los Alpes europeos las avalanchas mataron a más de 100 personas. En la zona del lago Tahoe en California, Estados Unidos, una avalancha se cobró la vida de nueve esquiadores en febrero. James Fox, estudiante de maestría en la Ecole Polytechnique Fédérale de Lausanne, notó que había cámaras web por todos los Alpes. Él y sus colaboradores desarrollaron un sistema de reconocimiento de imágenes basado en aprendizaje profundo para "capturar" automáticamente el momento de las avalanchas a partir de estas imágenes de vigilancia pública. Para entrenar el sistema, anotaron manualmente alrededor de 4.000 fotografías de avalanchas, lo que permitió a la red neuronal aprender a identificar los contornos de las avalanchas y las características dinámicas en paisajes montañosos complejos.

Fox dijo que el aprendizaje profundo tiene ventajas obvias en tareas visuales que son "difíciles de abstraer en reglas a simple vista", pero el sistema no debe estar completamente "desatendido". Enfatizó que los resultados del reconocimiento de IA deben usarse como señales de alerta temprana, que deben juzgarse manualmente antes de decidir si iniciar el rescate, en lugar de permitir que "la computadora emita una alarma automáticamente". Esta tecnología ha sido probada en el campo en el servicio de alerta de avalanchas del Tirol austríaco. Aunque la agencia local cree que tiene "perspectivas prometedoras", el actual índice de falsas alarmas sigue siendo elevado. Es especialmente fácil identificar erróneamente como avalanchas las rocas expuestas después del derretimiento de la nieve. Por lo tanto, todavía es necesaria una optimización continua y la colaboración entre humanos y máquinas a corto plazo.

A medida que el calentamiento climático continúa debilitando el permafrost alpino, aumenta el riesgo de avalanchas, desprendimientos de rocas y deslizamientos de tierra, y se espera que las herramientas de inteligencia artificial se conviertan en uno de los principales medios para monitorear este "acelerador oculto". Mediante una comparación a largo plazo de los cambios de imágenes en montañas, glaciares, paredes rocosas y otras áreas, los investigadores pueden detectar antes signos de desprendimiento de hielo y agrietamiento de las capas de roca, ajustando así las rutas de escalada, cerrando secciones peligrosas o reforzando instalaciones clave.

Lo interesante es que la inteligencia artificial no se limita a “trazar más líneas rojas”. En algunos lugares, ayuda a las ciudades a “aflojar las restricciones”. El equipo de Ingry Natalia Gómez-Miranda, ingeniera de la Universidad Pascual Bravo en Colombia, recopiló y analizó más de 180 registros de deslizamientos de tierra y coordenadas geográficas precisas en Medellín de 1981 a 2019, y utilizó el aprendizaje automático para volver a dibujar áreas urbanas propensas a deslizamientos de tierra y desglosarlas por nivel de riesgo. Los resultados muestran que algunas laderas que han sido designadas durante mucho tiempo como "zonas de no construcción" muestran riesgos menores en el modelo actualizado y pueden reabrirse para la construcción bajo regulaciones estrictas, liberando más espacio de tierra legal y seguro para ciudades con escasez de viviendas.

Pero para los científicos que han trabajado durante mucho tiempo con datos sobre deslizamientos de tierra, los cambios más profundos pueden ser "psicológicos". Descubrieron que las montañas que la gente está acostumbrada a ver como "eternas" en realidad siempre suben y bajan lentamente: la corteza choca y se eleva, la erosión se debilita y la gravedad se redistribuye. Estos procesos nunca se detienen, pero sí a una velocidad extremadamente lenta. “Ahora, cada vez que viajo a Nepal, me resulta difícil relajarme por completo”, dijo Todesilas. Ahora, cuando mira las montañas, ya no puede considerarlas simplemente como un paisaje estático, sino más bien como un guión geológico que lentamente pasa las páginas. Sólo se necesita la “lupa” de la IA para que los humanos puedan comprender las corrientes subyacentes.