Tendencias Globales en el uso de Inteligencia Artificial para la predicción de deslizamientos de tierra: Una Revisión Bibliométrica

Christopher Gabriel Espinosa Ruiz, Verónica Susana Sánchez Velastegui

Resumen


Los deslizamientos de tierra representan una de las amenazas naturales más frecuentes y destructivas a nivel global, exacerbada por el cambio climático y la expansión urbana no planificada. Ante este escenario, el uso de técnicas de inteligencia artificial (IA) ha emergido como una alternativa poderosa para la predicción de zonas susceptibles a deslizamientos. El presente estudio tuvo como objetivo analizar las tendencias globales en la investigación sobre la aplicación de IA en la predicción de deslizamientos de tierra, mediante una revisión sistemática con enfoque bibliométrico de artículos indexados en Scopus entre 2020 y 2024. Se aplicó el protocolo PRISMA y se utilizó el paquete bibliometrix en RStudio para procesar un total de 118 documentos que cumplieron criterios de calidad e impacto. Los resultados revelan una concentración temática en torno a técnicas como Random Forest, Support Vector Machine (SVM), redes neuronales artificiales y redes neuronales convolucionales, destacándose también el uso creciente de modelos híbridos. La producción científica se ha desarrollado principalmente en Asia y Europa, con escasa representación en América Latina y África. Si bien se han logrado avances importantes en precisión predictiva y modelado geoespacial, persisten desafíos relacionados con la interpretación de los modelos, la equidad geográfica en la investigación y la integración efectiva de estas herramientas en políticas de gestión del riesgo. Este estudio aporta una visión consolidada del estado del arte y constituye un referente útil para investigadores, tomadores de decisiones y planificadores territoriales comprometidos con la reducción del riesgo de desastres mediante tecnologías basadas en inteligencia artificial.


Palabras clave


deslizamientos de tierra; inteligencia artificial; predicción; bibliometría; aprendizaje automático.

Texto completo:

PDF HTML

Referencias


Abbaszadeh Shahri, A., & Maghsoudi Moud, F. (2021). Landslide susceptibility mapping using hybridized block modular intelligence model. Bulletin of Engineering Geology and the Environment, 80(1), 267–284. https://doi.org/10.1007/s10064-020-01922-8

Achour, Y., & Pourghasemi, H. R. (2020). How do machine learning techniques help in increasing accuracy of landslide susceptibility maps? Geoscience Frontiers, 11(3), 871–883. https://doi.org/10.1016/j.gsf.2019.10.001

Akosah, S., Gratchev, I., Kim, D.-H., & Ohn, S.-Y. (2024). Application of Artificial Intelligence and Remote Sensing for Landslide Detection and Prediction: Systematic Review. Remote Sensing, 16(16), 2947. https://doi.org/10.3390/rs16162947

Ali, S. A., Parvin, F., Vojteková, J., Costache, R., Linh, N. T. T., Pham, Q. B., Vojtek, M., Gigović, L., Ahmad, A., & Ghorbani, M. A. (2021). GIS-based landslide susceptibility modeling: A comparison between fuzzy multi-criteria and machine learning algorithms. Geoscience Frontiers, 12(2), 857–876. https://doi.org/10.1016/j.gsf.2020.09.004

Arabameri, A., Saha, S., Roy, J., Chen, W., Blaschke, T., & Tien Bui, D. (2020). Landslide Susceptibility Evaluation and Management Using Different Machine Learning Methods in The Gallicash River Watershed, Iran. Remote Sensing, 12(3), 475. https://doi.org/10.3390/rs12030475

Aria, M., & Cuccurullo, C. (2017). bibliometrix : An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007

Azarafza, M., Azarafza, M., Akgün, H., Atkinson, P. M., & Derakhshani, R. (2021). Deep learning-based landslide susceptibility mapping. Scientific Reports, 11(1), 24112. https://doi.org/10.1038/s41598-021-03585-1

Chang, Z., Du, Z., Zhang, F., Huang, F., Chen, J., Li, W., & Guo, Z. (2020). Landslide Susceptibility Prediction Based on Remote Sensing Images and GIS: Comparisons of Supervised and Unsupervised Machine Learning Models. Remote Sensing, 12(3), 502. https://doi.org/10.3390/rs12030502

Chen, C., & Fan, L. (2023). Selection of contributing factors for predicting landslide susceptibility using machine learning and deep learning models. Stochastic Environmental Research and Risk Assessment. https://doi.org/10.1007/s00477-023-02556-4

Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285–296. https://doi.org/10.1016/j.jbusres.2021.04.070

Fang, Z., Wang, Y., Peng, L., & Hong, H. (2021). A comparative study of heterogeneous ensemble-learning techniques for landslide susceptibility mapping. International Journal of Geographical Information Science, 35(2), 321–347. https://doi.org/10.1080/13658816.2020.1808897

Guo, Z., Tian, B., Zhu, Y., He, J., & Zhang, T. (2024). How do the landslide and non-landslide sampling strategies impact landslide susceptibility assessment? — A catchment-scale case study from China. Journal of Rock Mechanics and Geotechnical Engineering, 16(3), 877–894. https://doi.org/10.1016/j.jrmge.2023.07.026

Huang, F., Xiong, H., Yao, C., Catani, F., Zhou, C., & Huang, J. (2023). Uncertainties of landslide susceptibility prediction considering different landslide types. Journal of Rock Mechanics and Geotechnical Engineering, 15(11), 2954–2972. https://doi.org/10.1016/j.jrmge.2023.03.001

Kudaibergenov, M., Nurakynov, S., Iskakov, B., Iskaliyeva, G., Maksum, Y., Orynbassarova, E., Akhmetov, B., & Sydyk, N. (2024). Application of Artificial Intelligence in Landslide Susceptibility Assessment: Review of Recent Progress. Remote Sensing, 17(1), 34. https://doi.org/10.3390/rs17010034

Lima, P., Steger, S., Glade, T., & Murillo-García, F. G. (2022). Literature review and bibliometric analysis on data-driven assessment of landslide susceptibility. Journal of Mountain Science, 19(6), 1670–1698. https://doi.org/10.1007/s11629-021-7254-9

Nsengiyumva, J. B., & Valentino, R. (2020). Predicting landslide susceptibility and risks using GIS-based machine learning simulations, case of upper Nyabarongo catchment. Geomatics, Natural Hazards and Risk, 11(1), 1250–1277. https://doi.org/10.1080/19475705.2020.1785555

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Alonso-Fernández, S. (2021). Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Revista Española de Cardiología, 74(9), 790–799. https://doi.org/10.1016/j.recesp.2021.06.016

Pugliese Viloria, A. de J., Folini, A., Carrion, D., & Brovelli, M. A. (2024). Hazard Susceptibility Mapping with Machine and Deep Learning: A Literature Review. Remote Sensing, 16(18), 3374. https://doi.org/10.3390/rs16183374

Sameen, M. I., Pradhan, B., & Lee, S. (2020). Application of convolutional neural networks featuring Bayesian optimization for landslide susceptibility assessment. CATENA, 186, 104249. https://doi.org/10.1016/j.catena.2019.104249

Segoni, S., Pappafico, G., Luti, T., & Catani, F. (2020). Landslide susceptibility assessment in complex geological settings: sensitivity to geological information and insights on its parameterization. Landslides, 17(10), 2443–2453. https://doi.org/10.1007/s10346-019-01340-2

Thi Ngo, P. T., Panahi, M., Khosravi, K., Ghorbanzadeh, O., Kariminejad, N., Cerda, A., & Lee, S. (2021). Evaluation of deep learning algorithms for national scale landslide susceptibility mapping of Iran. Geoscience Frontiers, 12(2), 505–519. https://doi.org/10.1016/j.gsf.2020.06.013

Yang, Z., Xu, C., & Li, L. (2022). Landslide Detection Based on ResU-Net with Transformer and CBAM Embedded: Two Examples with Geologically Different Environments. Remote Sensing, 14(12), 2885. https://doi.org/10.3390/rs14122885

Youssef, A. M., & Pourghasemi, H. R. (2021). Landslide susceptibility mapping using machine learning algorithms and comparison of their performance at Abha Basin, Asir Region, Saudi Arabia. Geoscience Frontiers, 12(2), 639–655. https://doi.org/10.1016/j.gsf.2020.05.010

Zhang, X., Zhu, C., He, M., Dong, M., Zhang, G., & Zhang, F. (2021). Failure Mechanism and Long Short-Term Memory Neural Network Model for Landslide Risk Prediction. Remote Sensing, 14(1), 166. https://doi.org/10.3390/rs14010166

Zhengjing, M., & Gang, M. (2023). Knowledge-infused Deep Learning Enables Interpretable Landslide Forecasting. ArXiv, 2307.08951.

Zhou, X., Wen, H., Zhang, Y., Xu, J., & Zhang, W. (2021). Landslide susceptibility mapping using hybrid random forest with GeoDetector and RFE for factor optimization. Geoscience Frontiers, 12(5), 101211. https://doi.org/10.1016/j.gsf.2021.101211

.




DOI: https://doi.org/10.23857/pc.v10i5.9477

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/