Señales desde el espacio. Contexto sobre el terreno.
Ilustración del terreno
Entorno de la investigación
Las Azores
Enfoque
Aprendizaje automático
Datos de entrada del modelo original
20+ factores condicionantes
01 / La pregunta detrás de la investigación
¿Dónde podría producirse el próximo deslizamiento ?
En las Azores, las lluvias prolongadas e intensas pueden desencadenar deslizamientos de tierra y poner en riesgo a las personas, las viviendas y las infraestructuras.
El estudio de caso original de SOILRISK se propuso abordar un reto práctico: identificar dónde podría producirse un deslizamiento en los próximos días, con suficiente detalle espacial para apoyar la preparación y la planificación de emergencias.
La investigación combinó información sobre el terreno y las condiciones ambientales cambiantes. El objetivo era pasar de comprender qué laderas son susceptibles a comprender cómo puede evolucionar el riesgo con el tiempo.
02 / El enfoque
Muchos factores. Una visión conectada.
Un algoritmo propio de alerta temprana, basado en un enfoque de aprendizaje automático.
El enfoque original de SOILRISK describe más de 20 factores condicionantes. La cobertura del suelo, la geología, la vegetación, la humedad del suelo, el viento, la precipitación y el movimiento del terreno aportan distintas piezas de la visión conjunta.
Combinar estos factores permite al modelo considerar tanto las características de una ladera como las condiciones que cambian a su alrededor.
03 / La información que lo sustenta
De los satélites a las condiciones locales.
Cuatro fuentes de datos descritas en la descripción técnica original.
01 / Deformación del terreno
Seguir el movimiento de laderas.
La interferometría radar por satélite (InSAR) ayuda a identificar movimientos de la superficie del terreno. Estas observaciones aportan información sobre cómo cambia la actividad de las laderas en el espacio y el tiempo, y pueden ayudar a identificar inestabilidades aisladas.
02 / Vegetación
Comprender lo que cubre el suelo.
La vegetación, las características del suelo y la pendiente ayudan a identificar áreas susceptibles. La investigación utilizó imágenes de Sentinel-2 para obtener el NDVI, un índice del estado de la vegetación.
03 / Humedad del suelo
Seguir los cambios en la humedad.
El método original utilizó datos radar de Sentinel-1 y detección de cambios para estimar la humedad del suelo. Se utilizaron mapas de cobertura del suelo para enmascarar las áreas donde esas estimaciones eran menos fiables.
04 / Meteorología
Incorporar las condiciones que siguen cambiando.
La precipitación y el viento alimentan el algoritmo como variables dinámicas. Donde están disponibles, las observaciones horarias de estaciones meteorológicas locales aportan contexto, junto con los servicios de previsión meteorológica.
04 / De la investigación a la aplicación
Una base regional. Una perspectiva más amplia.
El trabajo en las Azores forma parte de la base científica de los modelos propios de SOILRISK de Eyecon.
La aplicación reúne los modelos regionales de SOILRISK con información global de LHASA, meteorología y mediciones locales compatibles. Cada fuente tiene su propia cobertura, resolución y horizonte de previsión.
Consulta en la aplicación el modelo y la información disponibles para tu ubicación. La investigación regional descrita aquí no debe interpretarse como una especificación de alcance mundial.