A 34 años del aluvión de Antofagasta: Modelo predictivo busca anticipar estos desastres
Tiempo de lectura: 2 minutos A 34 años de la tragedia que dejó 91 fallecidos, un equipo de geólogos de CIGIDEN y la UCN lidera un innovador proyecto que utiliza inteligencia artificial para identificar zonas con alta susceptibilidad a remociones en masa.
El 18 de junio de 1991, una lluvia inusual en la zona hiperárida de Antofagasta desató una catástrofe que marcó la memoria colectiva del norte de Chile. El aluvión resultante dejó un saldo de 91 personas fallecidas, 16 desaparecidas y más de 20.000 damnificados. Inspirada en este desastre, una nueva investigación chilena busca que la historia no se repita, utilizando tecnología de punta para anticipar este tipo de amenazas.
Francisca Roldán, Doctora (c) en Geología de la Universidad Católica del Norte (UCN) e investigadora del Centro de Investigación para la Gestión Integrada del Riesgo de Desastres (CIGIDEN), encabeza el desarrollo de un robusto modelo predictivo. El objetivo es identificar con precisión las áreas con alta susceptibilidad a remociones en masa tipo flujo, analizando de forma cuantitativa los factores que las condicionan en las distintas geografías del país.
Nueva herramienta contra los desastres
El aluvión de Antofagasta fue un punto de inflexión que evidenció la necesidad de comprender la geodinámica de la región para prevenir futuros desastres socionaturales. A 34 años de aquel evento, el proyecto liderado por Roldán busca saldar esa deuda. «Avanzamos hacia una metodología sistemática, replicable y adaptable, que incorpore tecnologías geoespaciales, trabajo geológico en terreno, análisis de datos masivos y algoritmos de aprendizaje automático (Machine Learning)», explica la experta.
La base de este sistema es la creación de un catastro detallado de remociones en masa, que registra eventos pasados en el tiempo y el espacio. Aunque la metodología se está aplicando actualmente en la cuenca del Alto Maipo, en la Cordillera de los Andes de Chile central, su diseño permite replicarla desde el norte del país hasta la Región del Maule.
De hecho, ya se están realizando pruebas preliminares en zonas críticas como San Pedro de Atacama y en la Región de Atacama (El Salado y El Tránsito), con la colaboración de geólogos y estudiantes de la UCN.
Machine Learning al servicio de la alerta temprana
¿Cómo funciona exactamente este sistema? El modelo se construye mediante una estrategia que combina múltiples factores: análisis espectral con imágenes satelitales, fotointerpretación y un exhaustivo trabajo geológico en terreno. «Este catastro proporciona los datos de entrenamiento y validación necesarios para construir modelos de alta precisión», detalla Roldán. Con esta información, el algoritmo de Machine Learning «aprende» a reconocer los patrones que preceden a un aluvión.
Una de las mayores ventajas del sistema es su capacidad de actualización continua. Esto permite su integración en plataformas de monitoreo permanente o en sistemas de alerta temprana, contribuyendo a generar modelos predictivos que se vuelven más precisos y dinámicos con el tiempo. Así, se podría evaluar la respuesta de una cuenca específica ante distintos escenarios de lluvias intensas, fortaleciendo la gestión del riesgo de desastres a nivel local.
Como parte de la investigación, el equipo de CIGIDEN también está explorando una variable poco estudiada: la influencia de los glaciares rocosos en los aluviones de la zona central. Según las geólogas, eventos de precipitación extremos pueden alterar el balance de estos glaciares, desestabilizando laderas y aumentando el riesgo de remociones en masa, un factor clave en el actual contexto de cambio climático.
