Crean una IA que detecta micromovimientos del suelo antes de que todo colapse
Científicos desarrollaron un sistema de inteligencia artificial que analiza imágenes satelitales y detecta desplazamientos milimétricos del terreno días, meses o años antes de un deslizamiento. La tecnología ya identificó miles de laderas inestables en varios países.
Los deslizamientos de tierra parecen eventos repentinos. Pero no lo son. Días, semanas o incluso años antes de que una ladera colapse, el suelo comienza a moverse. Los granos de tierra se separan, las superficies se inclinan milímetros, se abren grietas invisibles al ojo humano. La pregunta siempre fue cómo captar esas señales antes de que sea demasiado tarde.
Un equipo de la Universidad de Melbourne encontró una respuesta: entrenaron un sistema de inteligencia artificial para leer lo que los satélites ya ven pero nadie sabe interpretar.
El algoritmo que aprende a ver lo imperceptible
El avance se apoyó en los datos del satélite europeo Sentinel-1. Desde órbita, el aparato emite pulsos hacia la superficie terrestre -unas 2000 mediciones por segundo- y registra el retorno con precisión milimétrica. Lo que el satélite captura son cambios mínimos en la distancia entre el aparato y el suelo. Esa información existía desde hace años, pero “analizarlo manualmente sería incapaz para el ser humano”, dijo Antoinette Tordesillas, matemática de la Universidad de Melbourne y coautora del desarrollo.
Su equipo creó un algoritmo de aprendizaje automático que procesa esas señales y detecta patrones de deformación del terreno. La clave no fue solo aplicar IA, sino guiarla con el conocimiento físico de cómo ocurren los deslizamientos.
Looking at a new house to buy?
— Alex Forbes (@AlexForbesOps) March 19, 2026
Follow the cracks in the street, up the driveway, through the garage, and into the home to tell the story of how the ground moves throughout the property.
It may manage your expectations or reveal major red flags before making an offer. pic.twitter.com/3VO0GYnXc2
“Utilizamos nuestro conocimiento de la física de los deslizamientos de tierra para guiar la IA”, explicó Tordesillas. Eso permitió que el sistema no buscara cualquier anomalía, sino aquellas que la mecánica de suelos reconoce como precursoras de un colapso.
El resultado es un mapa coloreado donde el rojo señala zonas inestables y el azul terreno firme. Una herramienta que ningún equipo humano podría generar con la misma velocidad ni consistencia.
Validación en Nepal y escalamiento global
La primera prueba de campo ocurrió en Kimtang, una aldea en el centro de Nepal. La zona presentaba señales visibles de inestabilidad -grietas en construcciones, árboles torcidos- pero nadie había cuantificado el riesgo con precisión.
El satélite Sentinel-1 sobrevoló la región en un ángulo que resultó óptico para las mediciones. El sistema de IA procesó los datos y marcó una extensa área justo debajo del pueblo como inestable. El hallazgo tuvo una implicación crítica: los aldeanos habían sido reubicados años atrás tras un deslizamiento previo, pero la nueva zona de asentamiento resultó ser la más inestable de toda la región.
Massive avalanche rushed down a valley in Akkaya Village, in the Çukurca district of Hakkari, Turkey (15.03.2026)
— Disaster News (@Top_Disaster) March 15, 2026
Video: Şırnak Gündem pic.twitter.com/ulRxeBXyTh
El mismo enfoque se replicó en el Reino Unido. Investigadores del Servicio Geológico Británico (BGS) aplicaron algoritmos similares sobre imágenes de Sentinel-1 para analizar 300.000 pendientes alrededor de la isla. El sistema identificó 3.000 laderas que se encuentran en movimiento activo.
“Hablamos de milímetros al año; es algo imperceptible a simple vista”, explicó Alessandro Novellino, geocientífico del BGS. Esos movimientos lentos no siempre terminan en un deslizamiento catastrófico, pero con el tiempo afectan infraestructura crítica: en el Reino Unido, las zonas detectadas impactan 14.000 kilómetros de carreteras y 360 kilómetros de vías férreas.
Novellino destacó la ganancia en eficiencia: a un equipo humano le llevaría meses o incluso años realizar el mismo análisis que los sistemas de aprendizaje automático completan en minutos u horas.
Aplicación en emergencias y nuevos horizontes
La utilidad del sistema se probó también en contexto de desastre. En octubre de 2024, una serie de deslizamientos afectó la isla de Sumatra, en Indonesia, y causó alrededor de 60 muertes. El equipo del BGS utilizó inteligencia artificial para analizar imágenes durante un fin de semana, y cartografió más de 4000 deslizamientos en una zona que cubría media isla.
El mismo principio se aplicó a las avalanchas de nieve. James Fox, del Instituto Federal Suizo de Tecnología de Lausana, diseñó un modelo de aprendizaje profundo capaz de detectar avalanchas en imágenes de cámaras web. El equipo entrenó el algoritmo con 4.000 imágenes etiquetadas manualmente. Una vez entrenado, el sistema aprendió a reconocer por sí mismo las características visuales de una avalancha.
En Colombia, la inteligencia artificial permitió una aplicación diferente. Ingrid Natalia Gómez-Miranda, de la Universidad Pascual Bravo en Medellín, y sus colegas analizaron 180 registros históricos de deslizamientos en la ciudad entre 1981 y 2019. Con aprendizaje automático, clasificaron zonas según su nivel de riesgo. El resultado modificó criterios previos: algunas áreas donde la construcción estaba prohibida por temor a deslizamientos resultaron ser seguras.
El desafío pendiente
Los desarrollos actuales tienen una limitación común: trabajan con datos históricos o con intervalos que pueden demorar meses. Los satélites como Sentinel-1 no ofrecen información en tiempo real. Sin embargo, los investigadores coinciden en que el avance más significativo ya ocurrió: la demostración de que es posible automatizar la detección de movimientos imperceptibles a escala continental.
Los próximos pasos incluyen la integración con nuevas misiones satelitales como el Observatorio Vera Rubin o el Telescopio Espacial Roman de la NASA, que ofrecerán mayor resolución y frecuencia de datos.