LA REVOLUCIÓN DEL DEEP LEARNING Y GEOSPATIAL BIG DATA EN LA PREDICCIÓN DE EVENTOS EXTREMOS: ESTADO DEL ARTE, DESAFÍOS Y PERSPECTIVAS FUTURAS PARA INUNDACIONES, DESLIZAMIENTOS DE TIERRA E INCENDIOS FORESTALES

Resumen

La creciente frecuencia de desastres climáticos exige herramientas de predicción más avanzadas. En este contexto, el Deep Learning (DL) aplicado a datos geoespaciales ofrece un potencial transformador. Este artículo realiza una revisión sistemática del estado del arte del uso de DL para el mapeo y predicción de inundaciones, deslizamientos de tierra e incendios. El análisis de 112 artículos recientes demuestra una rápida especialización del campo, con la consolidación de arquitecturas como U-Net para inundaciones y CNNs para deslizamientos. Sin embargo, los resultados también revelan una fuerte concentración geográfica de la investigación, con brechas en regiones vulnerables. La transición de la investigación a la práctica se ve obstaculizada por desafíos críticos, incluyendo la escasez de datos de entrenamiento de calidad, la baja interpretabilidad de los modelos y su limitada generalización. Se concluye que el avance futuro depende de la creación de modelos híbridos, explicables y de una agenda de investigación que promueva la equidad geográfica en la gestión de desastres.