����������������������������������������������������������������������������������

 

 

Tendencias Globales en el uso de Inteligencia Artificial para la predicci�n de deslizamientos de tierra: Una Revisi�n Bibliom�trica

 

Global Trends in the Use of Artificial Intelligence for Landslide Prediction: A Bibliometric Review

 

Tend�ncias globais no uso de intelig�ncia artificial para a previs�o de deslizamentos de terras: uma revis�o bibliom�trica

 

 

 

 

 

 

 

 

 

Correspondencia: arlen.rojas@uncah.edu.ec

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 26 de marzo de 2025 *Aceptado: 24 de abril de 2025 * Publicado: �11 de mayo de 2025

 

       I.          Mag�ster en Gesti�n Empresarial basado en M�todos Cuantitativos en la Universidad T�cnica de Ambato, Ingeniero en Comercio Exterior en Escuela Superior Polit�cnica de Chimborazo, Docente de la Universidad Estatal de Bol�var de la Facultad de Ciencias de la Salud y del Ser Humano Carrera de Ingenier�a en Riesgos de Desastres, Guaranda, Ecuador.

     II.          Mag�ster en Pedagog�a de las Ciencias Experimentales menci�n Qu�mica y Biolog�a de la Universidad Nacional de Chimborazo, Licenciado en Ciencias de la Educaci�n menci�n Qu�mico Biol�gicas de la Universidad T�cnica Particular de Loja, Docente de la Universidad Estatal de Bol�var de la Facultad de Ciencias de la Educaci�n, Sociales, Filos�ficas y Human�sticas de la Carrera de Pedagog�a de Matem�ticas y de la F�sica, Guaranda, Ecuador.

 

Resumen

Los deslizamientos de tierra representan una de las amenazas naturales m�s frecuentes y destructivas a nivel global, exacerbada por el cambio clim�tico y la expansi�n urbana no planificada. Ante este escenario, el uso de t�cnicas de inteligencia artificial (IA) ha emergido como una alternativa poderosa para la predicci�n de zonas susceptibles a deslizamientos. El presente estudio tuvo como objetivo analizar las tendencias globales en la investigaci�n sobre la aplicaci�n de IA en la predicci�n de deslizamientos de tierra, mediante una revisi�n sistem�tica con enfoque bibliom�trico de art�culos indexados en Scopus entre 2020 y 2024. Se aplic� el protocolo PRISMA y se utiliz� el paquete bibliometrix en RStudio para procesar un total de 118 documentos que cumplieron criterios de calidad e impacto. Los resultados revelan una concentraci�n tem�tica en torno a t�cnicas como Random Forest, Support Vector Machine (SVM), redes neuronales artificiales y redes neuronales convolucionales, destac�ndose tambi�n el uso creciente de modelos h�bridos. La producci�n cient�fica se ha desarrollado principalmente en Asia y Europa, con escasa representaci�n en Am�rica Latina y �frica. Si bien se han logrado avances importantes en precisi�n predictiva y modelado geoespacial, persisten desaf�os relacionados con la interpretaci�n de los modelos, la equidad geogr�fica en la investigaci�n y la integraci�n efectiva de estas herramientas en pol�ticas de gesti�n del riesgo. Este estudio aporta una visi�n consolidada del estado del arte y constituye un referente �til para investigadores, tomadores de decisiones y planificadores territoriales comprometidos con la reducci�n del riesgo de desastres mediante tecnolog�as basadas en inteligencia artificial.

Palabras Clave: deslizamientos de tierra; inteligencia artificial; predicci�n; bibliometr�a; aprendizaje autom�tico.

 

Abstract

Landslides represent one of the most frequent and destructive natural hazards globally, exacerbated by climate change and unplanned urban expansion. Given this scenario, the use of artificial intelligence (AI) techniques has emerged as a powerful alternative for predicting areas susceptible to landslides. This study aimed to analyze global trends in research on the application of AI in landslide prediction through a systematic review using a bibliometric approach of articles indexed in Scopus between 2020 and 2024. The PRISMA protocol was applied and the bibliometrix package in RStudio was used to process a total of 118 documents that met quality and impact criteria. The results reveal a thematic concentration around techniques such as Random Forest, Support Vector Machine (SVM), artificial neural networks, and convolutional neural networks, with the increasing use of hybrid models also being highlighted. Scientific production has developed mainly in Asia and Europe, with limited representation in Latin America and Africa. While significant advances have been made in predictive accuracy and geospatial modeling, challenges persist related to model interpretation, geographic equity in research, and the effective integration of these tools into risk management policies. This study provides a consolidated overview of the state of the art and constitutes a useful reference for researchers, decision-makers, and territorial planners committed to disaster risk reduction through artificial intelligence-based technologies.

Keywords: Landslides; artificial intelligence; prediction; bibliometrics; machine learning.

 

Resumo

Os deslizamentos de terras representam um dos perigos naturais mais frequentes e destrutivos do mundo, agravados pelas altera��es clim�ticas e pela expans�o urbana n�o planeada. Perante este cen�rio, a utiliza��o de t�cnicas de intelig�ncia artificial (IA) surge como uma alternativa poderosa para prever �reas suscet�veis a deslizamentos de terras. O presente estudo teve como objetivo analisar as tend�ncias globais na investiga��o sobre a aplica��o da IA ​​na previs�o de deslizamentos, atrav�s de uma revis�o sistem�tica com uma abordagem bibliom�trica de artigos indexados na Scopus entre 2020 e 2024. Foi aplicado o protocolo PRISMA e utilizado o pacote bibliometrix no RStudio para processar um total de 118 documentos que cumpriam os crit�rios de qualidade e impacto. Os resultados revelam uma concentra��o tem�tica em torno de t�cnicas como Random Forest, Support Vector Machine (SVM), redes neuronais artificiais e redes neuronais convolucionais, destacando tamb�m a crescente utiliza��o de modelos h�bridos. A produ��o cient�fica desenvolveu-se sobretudo na �sia e na Europa, com pouca representatividade na Am�rica Latina e em �frica. Embora tenham sido feitos avan�os significativos na precis�o preditiva e na modela��o geoespacial, ainda existem desafios relacionados com a interpreta��o de modelos, a equidade geogr�fica na investiga��o e a integra��o eficaz destas ferramentas nas pol�ticas de gest�o de risco. Este estudo fornece uma vis�o consolidada do estado da arte e constitui uma refer�ncia �til para investigadores, decisores e planeadores territoriais empenhados na redu��o do risco de desastres atrav�s de tecnologias baseadas em intelig�ncia artificial.

Palavras-chave: deslizamentos de terras; intelig�ncia artificial; previs�o; bibliometria; aprendizagem de m�quina.

 

Introducci�n

Los deslizamientos de tierra constituyen uno de los fen�menos naturales m�s devastadores en t�rminos de p�rdida de vidas humanas, infraestructura y alteraci�n de los ecosistemas. Su impacto es especialmente severo en regiones monta�osas y de alta pendiente, donde la acci�n combinada de factores geol�gicos, hidrometeorol�gicos y antr�picos exacerba las condiciones de inestabilidad del terreno (Ali et al., 2021).

Tradicionalmente, la evaluaci�n de la susceptibilidad a deslizamientos se ha basado en modelos f�sicos que requieren datos geot�cnicos e hidrol�gicos detallados, lo que limita su aplicaci�n en regiones extensas con escasa informaci�n (Lima et al., 2022). En cambio, los modelos emp�ricos, estad�sticos y especialmente los enfoques de inteligencia artificial han cobrado relevancia por su capacidad de integrar m�ltiples variables, procesar grandes vol�menes de datos y generar predicciones precisas incluso en contextos complejos y con alta incertidumbre (Abbaszadeh Shahri & Maghsoudi Moud, 2021; Nsengiyumva & Valentino, 2020).

La irrupci�n de la inteligencia artificial en el campo de la predicci�n de deslizamientos ha transformado el enfoque metodol�gico de los estudios cient�ficos recientes. Algoritmos como Random Forest, Support Vector Machines (SVM), redes neuronales artificiales (ANN) y arquitecturas m�s complejas como las redes convolucionales (CNN) y las redes recurrentes (RNN) han sido aplicados con resultados alentadores en distintos contextos geogr�ficos, mejorando la precisi�n de los mapas de susceptibilidad y fortaleciendo los sistemas de alerta temprana (Huang et al., 2023). Estos modelos, al combinar datos derivados de sistemas de informaci�n geogr�fica (SIG), im�genes satelitales y registros hist�ricos de eventos, han demostrado ser herramientas efectivas para apoyar la toma de decisiones en la gesti�n del riesgo de desastres.

La literatura reciente evidencia un crecimiento notable en el uso de inteligencia artificial para modelar la susceptibilidad a deslizamientos, especialmente en pa�ses como China, Ir�n, India y Corea del Sur (Yang et al., 2022; Zhang et al., 2021). Se han desarrollado modelos h�bridos que integran redes neuronales con algoritmos de optimizaci�n como el Grey Wolf Optimizer y algoritmos gen�ticos, logrando mejoras en precisi�n y rendimiento (Abbaszadeh Shahri & Maghsoudi Moud, 2021; Guo et al., 2024). Sin embargo, persisten desaf�os asociados a la interpretabilidad de los modelos, la estandarizaci�n de metodolog�as y la escasa transferibilidad de resultados a contextos con baja disponibilidad de datos, como Am�rica Latina y �frica subsahariana (Nsengiyumva & Valentino, 2020).

Adem�s del aspecto t�cnico, la investigaci�n sobre IA aplicada a deslizamientos debe contemplar la dimensi�n territorial y social del riesgo. En este sentido, estudios recientes han enfatizado la importancia de incorporar factores humanos y antr�picos �como el uso del suelo, la infraestructura vial y la expansi�n urbana� dentro de los modelos predictivos, reconociendo que el riesgo es una construcci�n compleja donde confluyen procesos f�sicos y sociales (Ali et al., 2021; Segoni et al., 2020). Asimismo, la integraci�n de estas herramientas en planes de ordenamiento territorial y pol�ticas p�blicas es a�n limitada, lo que plantea un reto para la transferencia efectiva del conocimiento cient�fico hacia la gesti�n operativa del riesgo.

Pese al auge de publicaciones cient�ficas en los �ltimos a�os, no existen suficientes an�lisis sistem�ticos que identifiquen las tendencias, vac�os y estructuras tem�ticas que han marcado el desarrollo de este campo. La diversidad de metodolog�as, la fragmentaci�n tem�tica y el car�cter interdisciplinar de la inteligencia artificial aplicada a los deslizamientos dificultan la comprensi�n global del estado actual de la investigaci�n. En este marco, los estudios bibliom�tricos constituyen una herramienta clave para evaluar el crecimiento, la concentraci�n de autores e instituciones, la evoluci�n de t�picos y las redes de colaboraci�n que configuran el campo (Lima et al., 2022; Youssef & Pourghasemi, 2021).

Este art�culo presenta una revisi�n bibliom�trica sistem�tica sobre el uso de inteligencia artificial en la predicci�n de deslizamientos de tierra, basada en publicaciones de Scopus entre 2020 y 2024. Analiza los modelos de IA m�s empleados, autores, revistas, pa�ses l�deres y palabras clave frecuentes. Tambi�n examina la estructura tem�tica mediante mapas de coocurrencia. El objetivo es identificar tendencias, desaf�os y din�micas investigativas actuales. La revisi�n ofrece una visi�n cr�tica y actualizada del estado del arte. Es un recurso �til para investigadores y responsables en gesti�n del riesgo geol�gico.

 

Metodolog�a

Este estudio se desarroll� bajo un enfoque cuantitativo, espec�ficamente como una revisi�n sistem�tica de literatura con an�lisis bibliom�trico, centrado en las tendencias de investigaci�n sobre el uso de inteligencia artificial para la predicci�n de deslizamientos de tierra. La revisi�n bibliom�trica, como t�cnica documental, permite examinar la producci�n cient�fica a trav�s del an�lisis de metadatos, facilitando la identificaci�n de redes de colaboraci�n, autores destacados, fuentes de publicaci�n influyentes y �reas emergentes de investigaci�n (Donthu et al., 2021).

Las fuentes de datos utilizadas en esta revisi�n fueron Scopus y el repositorio editorial MDPI. Aunque la b�squeda inicial abarc� el periodo 2015�2024, durante la fase de elegibilidad se restringi� la selecci�n a art�culos publicados desde 2020. Esta decisi�n respondi� a la necesidad de asegurar la actualidad y relevancia de los estudios, considerando el acelerado desarrollo de las t�cnicas de aprendizaje autom�tico y deep learning en el �mbito de las geociencias.

La estrategia de b�squeda se dise�� utilizando operadores booleanos y t�rminos clave asociados a la inteligencia artificial y a los procesos de inestabilidad de laderas. La b�squeda se ejecut� en el campo `TITLE-ABS-KEY` de Scopus, con la siguiente cadena: (("landslide" OR "slope instability" OR "susceptibility") AND ("artificial intelligence" OR "machine learning" OR "deep learning" OR "neural network" OR "random forest"))

Los criterios de inclusi�n fueron definidos para asegurar la calidad y relevancia de los estudios incorporados. Se incluyeron �nicamente art�culos que: a) estuvieran publicados entre los a�os 2020 y 2024; b) contaran con un identificador DOI v�lido; c) tuvieran un m�nimo de 20 citas acumuladas al momento de la recolecci�n de datos; d) presentaran en el t�tulo (TI) o palabras clave (DE) alguno de los t�rminos definidos en la estrategia de b�squeda.

Los documentos que no cumpl�an con estos criterios, como aquellos sin citas o sin estructura bibliogr�fica completa, fueron excluidos. En cuanto a los registros obtenidos desde MDPI (n = 4), estos no pudieron ser procesados en el entorno de an�lisis debido a que el formato de exportaci�n disponible carec�a de campos estructurados necesarios para la funci�n �convert2df()� del paquete bibliometrix. Por esta raz�n, y tras intentos de normalizaci�n de sus metadatos, se excluy� del an�lisis bibliom�trico formal, aunque fueron considerados en las directrices PRISMA.

El procesamiento de los datos se realiz� en RStudio (v2024.03) utilizando el paquete bibliometrix (Aria & Cuccurullo, 2017). Se convirtieron los registros .bib con convert2df(), se eliminaron duplicados con distinct(), y se aplicaron filtros tem�ticos y de elegibilidad (a�o ≥ 2020, DOI v�lido, citas ≥ 20). Luego, se generaron indicadores con biblioAnalysis(), gr�ficos con networkPlot() y thematicMap(), y se construy� el diagrama PRISMA con DiagrammeR, siguiendo sus cuatro fases metodol�gicas

 

Aplicaci�n del protocolo PRISMA

La revisi�n se estructur� siguiendo el protocolo PRISMA 2020 (Page et al., 2021), con el objetivo de mantener trazabilidad en la selecci�n y exclusi�n de estudios. El proceso se resume en el Gr�fico 1:

Gr�fico N� 1

Diagrama de flujo PRISMA

 

 

 

 

 

 

 

 

 

 

 

 

Nota. Diagrama de flujo PRISMA 2020 que ilustra el proceso de identificaci�n, cribado, elegibilidad e inclusi�n de estudios para la revisi�n bibliom�trica sobre el uso de inteligencia artificial en la predicci�n de deslizamientos de tierra.

Identificaci�n: se recopilaron 549 art�culos a partir de las b�squedas en Scopus (n = 545) y MDPI (n = 4).

Cribado: se eliminaron 0 duplicados, por lo que se mantuvieron 545 registros �nicos para su an�lisis.

Selecci�n tem�tica: se descartaron 2 registros por no presentar concordancia tem�tica con los t�rminos establecidos en la estrategia de b�squeda.

Elegibilidad: se excluyeron 425 registros por no cumplir con los criterios m�nimos establecidos: a�o de publicaci�n anterior a 2020, ausencia de DOI v�lido o menos de 20 citas acumuladas.

Inclusi�n final: se incluyeron 118 art�culos cient�ficos, todos provenientes de Scopus, que cumplieron con todos los criterios de calidad, impacto y actualidad requeridos.

Este procedimiento garantiz� que el an�lisis bibliom�trico se base en literatura cient�fica reciente, relevante y altamente citada, cumpliendo con el rigor metodol�gico del enfoque PRISMA y alineado con los objetivos de la investigaci�n.

 

Resultados

An�lisis bibliom�trico de la producci�n cient�fica

Se analizaron 118 art�culos indexados en Scopus (2020�2024) que cumplieron con los criterios de inclusi�n. La muestra refleja el avance reciente en el uso de inteligencia artificial para predecir deslizamientos de tierra. Destacan enfoques computacionales, apoyo a decisiones y modelaci�n geoespacial.

Como se muestra en la Tabla 1, el conjunto de datos abarca publicaciones procedentes de 34 fuentes, con un promedio de 72,29 citas por documento y una media de 15,70 citas anuales, lo que evidencia un impacto acad�mico considerable. La edad promedio de los documentos es de 3,68 a�os, lo que confirma la vigencia del tema analizado. La tasa anual de crecimiento de publicaciones fue de �41,43 %, reflejando una disminuci�n sostenida en el volumen de art�culos.

La producci�n analizada estuvo compuesta casi en su totalidad por art�culos cient�ficos, con una amplia diversidad tem�tica evidenciada en 671 Keywords Plus y 333 palabras clave de autor. Participaron 433 investigadores, con un promedio de 5.23 coautores por art�culo y solo dos publicaciones de autor�a individual. Adem�s, m�s del 54 % de los trabajos fueron resultado de colaboraciones internacionales, lo que refleja una elevada interconexi�n acad�mica a nivel global en torno al uso de inteligencia artificial para la gesti�n del riesgo por deslizamientos.

Tabla N� 1
Informaci�n general de los datos bibliom�tricos analizados (2020�2024)

Nota. Elaboraci�n propia con base en datos procesados mediante el paquete bibliometrix en RStudio.

 

Producci�n Cient�fica anual

La evoluci�n temporal de la producci�n cient�fica muestra una tendencia decreciente en el periodo 2020�2024, con un pico en 2021 (38 art�culos) y una ca�da marcada en 2024 (4 documentos), lo que representa una tasa anual de crecimiento negativa del �41,43 % (Gr�fica N� 2). Aunque esta disminuci�n puede se�alar una fase de estabilizaci�n, no implica necesariamente una p�rdida de inter�s en la tem�tica, que contin�a siendo relevante desde el enfoque bibliom�trico.

 

Gr�fico N� 2

Producci�n cient�fica anual

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

Citas promedio anuales

El an�lisis de citas promedio por art�culo complementa la evaluaci�n de la productividad al incorporar la dimensi�n de impacto acad�mico. Como se ilustra en el Gr�fico N� 3, se observa un comportamiento ascendente en la cantidad media de citas por documento a lo largo del periodo analizado. En 2020, los art�culos registraron en promedio 15 citas, mientras que en 2024 esta cifra aument� hasta 36 citas por art�culo.

Gr�fico N� 3

Citas promedio por art�culo

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometri en RStudio.

Autores m�s productivos

El an�lisis de productividad individual identific� a los autores m�s activos en el uso de inteligencia artificial para predecir deslizamientos. HUANG J, HUANG F y CATANI F lideran con 9 publicaciones cada uno, seguidos por PRADHAN B (8), WANG Y (7), LEE S y CHEN W (6), y finalmente LI W, GUO Z y CHANG Z con entre 4 y 5 art�culos.

Estos resultados revelan una concentraci�n significativa de la producci�n cient�fica en un n�mero reducido de autores, lo cual puede ser indicativo de n�cleos de investigaci�n especializados en el tema. Esta concentraci�n tambi�n sugiere la existencia de l�neas de investigaci�n consolidadas, posiblemente respaldadas por grupos de trabajo colaborativo o por proyectos cient�ficos continuos.

Gr�fico N� 4

Autores m�s productivos en el estudio

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos ��procesados con el paquete bibliometrix en RStudio.

 

Revistas cient�ficas con mayor n�mero de publicaciones

El an�lisis de las fuentes de publicaci�n revela que Remote Sensing lidera en n�mero de art�culos sobre inteligencia artificial aplicada a deslizamientos, con 34 publicaciones, seguida por Geoscience Frontiers (15) e ISPRS International Journal of Geo-Information (8) (Gr�fica N� 5). La mayor�a de los estudios se difunden en revistas de acceso abierto con enfoque en teledetecci�n, geoinformaci�n y an�lisis ambiental, lo que confirma el car�cter interdisciplinar y aplicado de este campo de investigaci�n.

 

 

Gr�fico N� 5

Revistas cient�ficas con mayor n�mero de publicaciones

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

Documentos m�s citados

Los art�culos m�s citados representan los aportes m�s influyentes en el campo, como muestra la Gr�fica N� 6. Sobresalen los estudios de Youssef AM (2021) con 312 citas, Thi Ngo PT (2021) con 297 y Sameen MI (2020) con 280, los cuales emplean redes neuronales, random forests y modelos h�bridos en la zonificaci�n de susceptibilidad a deslizamientos. Su elevado n�mero de citas confirma su valor como referentes metodol�gicos esenciales para futuras investigaciones.

Gr�fico N� 6

Documentos m�s citados

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

Pa�ses con mayor producci�n cient�fica

Desde una perspectiva geogr�fica, el an�lisis bibliom�trico muestra una fuerte concentraci�n de la producci�n cient�fica en pa�ses con alta capacidad investigativa. China lidera con m�s de 40 publicaciones, impulsada por su vulnerabilidad geodin�mica y pol�ticas cient�ficas activas (Gr�fica N� 7). Le siguen Australia, con un perfil eminentemente colaborativo (MCP), e India, Italia, Austria, Ir�n, Bangladesh, Corea del Sur y Alemania. La distinci�n entre publicaciones nacionales (SCP) e internacionales (MCP) refleja distintos niveles de internacionalizaci�n, evidenciando estrategias de cooperaci�n clave en inteligencia artificial y predicci�n de riesgos naturales.

Gr�fico N� 7

Pa�ses con mayor producci�n cient�fica

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio. SCP: Publicaciones de un solo pa�s. MCP: Publicaciones de m�ltiples pa�ses.

 

Palabras clave m�s frecuentes

El examen de las palabras clave m�s recurrentes permite identificar los ejes conceptuales que articulan la producci�n cient�fica del campo. Como se muestra en la Gr�fica N� 8, los t�rminos m�s prominentes incluyen machine learning, random forest, landslide, support vector machine, deep learning, remote sensing, susceptibility mapping, neural network y GIS.

Estas palabras clave reflejan el enfoque metodol�gico basado en aprendizaje autom�tico, integraci�n de datos espaciales y t�cnicas de clasificaci�n avanzadas. Su frecuencia sugiere que el campo est� dominado por t�cnicas computacionales aplicadas a la generaci�n de modelos predictivos espacialmente expl�citos.

Gr�fico N� 8

Nube de palabras clave utilizadas.

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

Red de coocurrencia

La estructura relacional entre palabras clave, visualizada mediante una red de coocurrencia, permite identificar los cl�steres tem�ticos m�s consolidados. En la Gr�fica N� 9 se observan m�ltiples nodos organizados por color seg�n su agrupaci�n sem�ntica. Entre los n�cleos destacados se encuentran aquellos centrados en landslide susceptibility, machine learning, support vector machines, deep learning y GIS.

La presencia de t�rminos como disaster management, risk assessment y remote sensing refleja un enfoque aplicado orientado a la gesti�n de riesgos.

 

 

 

 

 

 

 

 

 

 

Gr�fico N� 9

Red de coocurrencia de palabras clave

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

Mapa tem�tico

El an�lisis tem�tico permite evaluar la madurez y la centralidad de los t�picos investigativos mediante su distribuci�n en cuatro cuadrantes. Como se aprecia en la Gr�fica N� 10, los temas motores (alta densidad y centralidad) incluyen t�rminos como convolutional neural network, geographic information system y factor selection, lo que evidencia su rol protag�nico en la producci�n cient�fica reciente.

En el cuadrante de temas b�sicos, aparecen artificial intelligence, landslide susceptibility, cnn y artificial neural network, lo cual indica su funci�n como fundamentos te�ricos ampliamente referenciados, pero con potencial de mayor desarrollo metodol�gico.

Por otro lado, los temas especializados (alta densidad y baja centralidad) comprenden t�rminos como ensemble model, china y feature selection, que representan enfoques profundos, pero menos conectados con el resto del campo. Finalmente, el cuadrante de temas emergentes o en declive presenta escasa presencia, lo que podr�a interpretarse como una consolidaci�n del campo y una direccionalidad investigativa establecida.

 

 

 

Gr�fico N� 10
Mapa tem�tico de la producci�n cient�fica

Nota. Elaboraci�n propia con base en los datos bibliogr�ficos procesados con el paquete bibliometrix en RStudio.

 

S�ntesis tem�tica de los documentos m�s citados

M�s all� del an�lisis cuantitativo, es fundamental examinar los art�culos m�s citados, dado su alto impacto en el campo. Este apartado sintetiza los diez documentos m�s influyentes, destacando objetivos, metodolog�as, modelos utilizados y hallazgos clave. As�, se identifican las principales tendencias e innovaciones en el uso de inteligencia artificial para la predicci�n de deslizamientos de tierra.

El art�culo de Youssef & Pourghasemi (2021), con 312 citas, es actualmente el m�s influyente en la literatura sobre predicci�n de deslizamientos mediante inteligencia artificial. Su estudio compar� siete algoritmos de aprendizaje autom�tico en la cuenca de Abha (Arabia Saudita), destacando el modelo Random Forest por su alta capacidad predictiva (AUC = 95.1%). La investigaci�n integr� variables topogr�ficas, geol�gicas y de cobertura terrestre en un entorno SIG, aportando un marco metodol�gico robusto y replicable para la zonificaci�n de susceptibilidad a deslizamientos en regiones �ridas y monta�osas.

Con 297 citas, el estudio de Thi Ngo et al. (2021) es una referencia clave en la aplicaci�n de aprendizaje profundo para mapear la susceptibilidad a deslizamientos en Ir�n. Compar� redes RNN y CNN con 4069 eventos y 11 factores, logrando mayor precisi�n con RNN (AUC = 0.88). Identific� que un 20 % del territorio presenta alta o muy alta susceptibilidad, especialmente en zonas monta�osas, evidenciando la utilidad de estos modelos en contextos geoespaciales complejos y su valor para la gesti�n de riesgos a gran escala.

Con 280 citas, Sameen et al. (2020) propusieron un modelo basado en 1D-CNN optimizado con t�cnicas bayesianas para predecir la susceptibilidad a deslizamientos en Yangyang, Corea del Sur. Utilizando 17 factores seleccionados con Random Forest, lograron una precisi�n del 83.11 % y un AUC de 0.880, superando a modelos como ANN y SVM. La arquitectura incluy� regularizaci�n con dropout, evitando el sobreajuste pese al limitado tama�o muestral. El uso de optimizaci�n bayesiana mejor� el rendimiento en un 3 %. El estudio destaca la capacidad de las redes profundas para modelar relaciones no lineales en contextos geoespaciales complejos.

Con 279 citas, Zhou et al. (2021) desarrollaron un modelo h�brido que combina Random Forest con GeoDetector y RFE para mejorar la predicci�n de deslizamientos en el condado de Wuxi, China. Usaron 22 factores condicionantes y 406 eventos hist�ricos, obteniendo AUC de 0.863 y 0.860 en las versiones optimizadas, frente a 0.853 del modelo tradicional. Su aporte destaca por la selecci�n eficaz de variables naturales y antr�picas clave, proponiendo una metodolog�a robusta y replicable en �reas de alta susceptibilidad.

Con 258 citas, Azarafza et al. (2021) desarrollaron un modelo h�brido CNN�DNN para mapear la susceptibilidad a deslizamientos en Isfahan, Ir�n, usando 222 eventos hist�ricos y 15 factores condicionantes. El modelo, validado con datos satelitales y de campo, alcanz� un AUC de 90.9 % y una precisi�n del 84 %, superando a m�todos como SVM y regresi�n log�stica. Su principal aporte radica en la combinaci�n de aprendizaje profundo con validaci�n emp�rica rigurosa, logrando alta precisi�n en zonas geol�gicamente activas como el Zagros.

Con 230 citas, Chang et al. (2020) compararon modelos supervisados (SVM y CHAID) y no supervisados (K-means y Kohonen) para predecir la susceptibilidad a deslizamientos en Ningdu, China, usando datos satelitales y SIG. Con 12 factores geoespaciales, SVM obtuvo el mejor desempe�o (AUC = 0.892), superando ampliamente a los m�todos no supervisados. El estudio resalta la superioridad de los modelos supervisados y la importancia de contar con inventarios hist�ricos para entrenar algoritmos m�s precisos en cartograf�a de riesgo.

Con 227 citas, el estudio de Achour & Pourghasemi (2020) evalu� el uso de algoritmos de aprendizaje autom�tico (RF, SVM y BRT) para cartografiar la susceptibilidad a deslizamientos en la autopista A1 en Argelia. Utilizando nueve factores geoambientales, el modelo Random Forest obtuvo el mejor desempe�o (AUC = 0.972), destacando por su precisi�n y estabilidad. El trabajo evidencia la eficacia de los SIG y t�cnicas avanzadas de datos en la identificaci�n de zonas cr�ticas, aportando herramientas clave para la planificaci�n territorial y la gesti�n del riesgo en infraestructuras viales vulnerables.

Con 187 citas, Fang et al. (2021) evaluaron t�cnicas de ensamblaje heterog�neo para predecir la susceptibilidad a deslizamientos en Yanshan, China. Compararon cuatro enfoques (stacking, blending, promedios simple y ponderado) integrando modelos como CNN, RNN, SVM y regresi�n log�stica, con 16 factores y 380 eventos hist�ricos. El m�todo blending destac� con un AUC de 0.858 y una precisi�n del 80.70 %. El estudio demuestra que los modelos ensamblados superan a los individuales, proponiendo un enfoque robusto y adaptable a otros contextos de riesgo geogr�fico.

Con 176 citas, el estudio de Ali et al. (2021) compar� m�todos de decisi�n multicriterio difusos (FDEMATEL-ANP) con algoritmos de aprendizaje autom�tico (Na�ve Bayes y Random Forest) para modelar la susceptibilidad a deslizamientos en Eslovaquia. Utilizando 2000 puntos georreferenciados y 16 factores condicionantes, Random Forest destac� con una AUC de 0.954 y una precisi�n del 92.2 %. El enfoque integr� t�cnicas SIG y validaci�n rigurosa, consolid�ndose como una metodolog�a replicable para la planificaci�n territorial en zonas de riesgo.

Con 168 citas, Arabameri et al. (2020) evaluaron la susceptibilidad a deslizamientos en la cuenca del r�o Gallicash, Ir�n, mediante los modelos RF, ADTree y FLDA. Con 249 eventos y 16 factores condicionantes, Random Forest mostr� el mejor desempe�o (AUC = 0.97), seguido por FLDA y ADTree. El 16.1 % del �rea fue clasificada como de alta susceptibilidad. El estudio resalta el valor de estos modelos en la gesti�n del riesgo y la planificaci�n territorial, promoviendo el uso de mapas predictivos para prevenir desarrollos en zonas vulnerables.

Como complemento a la revisi�n narrativa, la Tabla N� 2 presenta una s�ntesis estructurada de los diez art�culos m�s citados, detallando los autores, a�o de publicaci�n, pa�s donde se aplic� el estudio, modelos utilizados y n�mero total de citas. Esta representaci�n tabular permite una visualizaci�n comparativa clara de los enfoques metodol�gicos m�s influyentes en el uso de inteligencia artificial para la predicci�n de deslizamientos, y sirve como referencia r�pida para identificar las tendencias dominantes en el campo.

 

 

Tabla N� 2

Resumen de los diez art�culos m�s citados sobre inteligencia artificial aplicada a la predicci�n de deslizamientos de tierra

Nota. Elaboraci�n propia con base en los art�culos analizados en la secci�n 3.2.

 

Discusi�n

Los resultados de la presente revisi�n bibliom�trica evidencian una evoluci�n significativa en la aplicaci�n de t�cnicas de inteligencia artificial (IA) para la predicci�n de deslizamientos de tierra en la �ltima d�cada. La alta concentraci�n de publicaciones en revistas especializadas y la colaboraci�n internacional destacada reflejan un inter�s creciente y una consolidaci�n del campo. Sin embargo, al contrastar estos hallazgos con estudios recientes, emergen diversas consideraciones que enriquecen la comprensi�n del panorama actual y futuro de esta l�nea de investigaci�n.

Los modelos Random Forest, SVM y redes neuronales destacan en los estudios recientes por su eficacia en capturar relaciones no lineales entre variables geol�gicas y ambientales. Kudaibergenov et al. (2024) subrayan su amplia adopci�n en la evaluaci�n de susceptibilidad a deslizamientos. Adem�s, el uso de redes neuronales convolucionales junto con datos de sensores remotos ha mejorado significativamente la precisi�n en la detecci�n y mapeo de zonas propensas a deslizamientos.

No obstante, estudios como el de Chen & Fan (2023) subrayan la importancia de una selecci�n adecuada de factores condicionantes para mejorar la precisi�n de los modelos predictivos. La aplicaci�n de m�todos como la eliminaci�n recursiva de caracter�sticas (RFE) y la optimizaci�n por enjambre de part�culas (PSO) ha permitido identificar las variables m�s relevantes, optimizando as� el rendimiento de los modelos de IA en la predicci�n de deslizamientos.

Una de las cr�ticas recurrentes a los modelos de aprendizaje profundo es su limitada interpretabilidad. En respuesta, Zhengjing & Gang (2023) proponen la integraci�n de conocimientos previos en modelos de aprendizaje profundo, utilizando arquitecturas basadas en transformadores para mejorar la transparencia y comprensi�n de las predicciones realizadas. Este enfoque no solo mejora la precisi�n, sino que tambi�n facilita la adopci�n de estas herramientas por parte de los tomadores de decisiones y profesionales en gesti�n de riesgos.

La incorporaci�n de t�cnicas h�bridas de inteligencia artificial ha potenciado el rendimiento de los modelos de susceptibilidad a deslizamientos. Guo et al. (2024) combinaron CNN con unidades GRU logrando alta precisi�n en zonas monta�osas, mientras que Abbaszadeh Shahri & Maghsoudi Moud (2021) integraron el algoritmo Grey Wolf con redes neuronales artificiales, obteniendo excelentes resultados en terrenos complejos. Estos avances reflejan una evoluci�n hacia enfoques m�s integrales y adaptativos frente a la complejidad geoespacial.

A pesar del crecimiento sostenido en la producci�n cient�fica sobre el uso de inteligencia artificial para predecir deslizamientos de tierra, persisten desaf�os importantes relacionados con la representatividad geogr�fica de estos estudios. La mayor�a de las investigaciones se concentran predominantemente en regiones espec�ficas como Asia y Europa, dejando importantes brechas en �reas subrepresentadas como Am�rica Latina y �frica. Este sesgo geogr�fico limita significativamente la generalizaci�n y aplicabilidad de los modelos desarrollados, lo que destaca la urgente necesidad de ampliar investigaciones hacia contextos geogr�ficos diversos (Akosah et al., 2024).

Lima et al. (2022) evidencian que la precisi�n de los modelos de susceptibilidad a deslizamientos basados en datos depende cr�ticamente de la calidad y disponibilidad de informaci�n geoespacial. La escasez y heterogeneidad de datos en ciertas regiones limita su aplicabilidad en otros contextos, lo que resalta la necesidad de fortalecer la recolecci�n y normalizaci�n de datos a nivel global. Esto es clave para mejorar la representatividad y utilidad de los modelos en escenarios afectados por el cambio clim�tico.

La aplicaci�n de modelos de inteligencia artificial en sistemas de alerta temprana y planificaci�n territorial representa un �rea estrat�gica y de creciente inter�s. Estudios recientes han evidenciado su potencial para mejorar la capacidad de respuesta ante eventos de deslizamientos, permitiendo una detecci�n m�s precisa y oportuna de �reas en riesgo (Pugliese Viloria et al., 2024). Por ejemplo, Huang et al. (2023) demostraron que al integrar m�ltiples tipos de deslizamientos �como ca�das de rocas y movimientos coluviales� en modelos acoplados como C5.0 y SVM, se logra reducir la incertidumbre predictiva y mejorar la precisi�n en regiones monta�osas.

Sin embargo, la adopci�n de estas tecnolog�as requiere una colaboraci�n estrecha entre cient�ficos, autoridades locales y comunidades, asegurando que las soluciones desarrolladas sean accesibles, comprensibles y adaptadas a las necesidades espec�ficas de cada contexto.

 

Conclusiones

• Esta revisi�n bibliom�trica caracteriz� la investigaci�n global sobre el uso de inteligencia artificial para predecir deslizamientos entre 2020 y 2024. El campo muestra una consolidaci�n metodol�gica, con predominio de publicaciones en revistas de acceso abierto y fuerte participaci�n de autores asi�ticos, especialmente de China. Se destacan algoritmos como Random Forest, SVM, redes neuronales profundas y modelos h�bridos, que han mostrado alta capacidad predictiva en entornos geoespaciales complejos.
• Desde el punto de vista t�cnico, el campo ha evolucionado hacia metodolog�as cada vez m�s precisas, como el aprendizaje profundo, la optimizaci�n de caracter�sticas y la combinaci�n de modelos, lo cual ha favorecido el desarrollo de mapas de susceptibilidad m�s confiables. Tambi�n se han registrado avances en la interpretabilidad de los modelos, mediante la incorporaci�n de arquitecturas m�s transparentes, capaces de facilitar la toma de decisiones en entornos reales.
• Persisten desaf�os clave en este campo, como la baja representatividad geogr�fica de los estudios, con limitada cobertura en Am�rica Latina y �frica, lo que dificulta la generalizaci�n de los modelos. La escasa calidad y disponibilidad de datos geoespaciales en regiones con menor infraestructura t�cnica tambi�n limita su aplicabilidad. Adem�s, integrar la inteligencia artificial en sistemas de alerta temprana requiere una articulaci�n efectiva entre investigadores, autoridades y comunidades para garantizar soluciones contextualizadas y accesibles.

Finalmente, la inteligencia artificial ha probado ser una herramienta eficaz en la predicci�n de deslizamientos, mejorando la precisi�n y adaptabilidad de los modelos. No obstante, su aplicaci�n global exige una agenda investigativa m�s inclusiva y orientada a resolver problemas reales en comunidades vulnerables. Es clave estandarizar bases de datos, fortalecer la cooperaci�n internacional y desarrollar modelos m�s explicables para avanzar hacia una gesti�n del riesgo equitativa y basada en evidencia cient�fica.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Referencias

1.�������� 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

2.�������� 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

3.�������� 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

4.�������� Ali, S. A., Parvin, F., Vojtekov�, 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

5.�������� 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

6.�������� 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

7.�������� Azarafza, M., Azarafza, M., Akg�n, 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

8.�������� 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

9.�������� 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

10.������ 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

11.������ 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

12.������ 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

13.������ 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

14.������ 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

15.������ Lima, P., Steger, S., Glade, T., & Murillo-Garc�a, 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

16.������ 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

17.������ 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., Hr�bjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., � Alonso-Fern�ndez, S. (2021). Declaraci�n PRISMA 2020: una gu�a actualizada para la publicaci�n de revisiones sistem�ticas. Revista Espa�ola de Cardiolog�a, 74(9), 790�799. https://doi.org/10.1016/j.recesp.2021.06.016

18.������ 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

19.������ 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

20.������ 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

21.������ 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

22.������ 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

23.������ 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

24.������ 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

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

26.������ 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

.

 

�

 

 

 

 

 

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).