ISSN 2953-6367  
http://revistainvestigo.com  
Julio - diciembre 2026  
Vol. 7 No. 20, PP. 178-195  
https://doi.org/10.56519/ty981a39  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E  
INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-  
AMAZÓNICAS VULNERABLES, MEDIANTE MODELADO ESPACIO-  
TEMPORAL  
LANDSLIDES, CLIMATE CHANGE, AND ARTIFICIAL  
INTELLIGENCE EXPLAINABLE IN VULNERABLE ANDEAN-  
AMAZONIAN AREAS THROUGH SPATIO-TEMPORAL MODELING  
María Fernanda Guartán Cabrera1, Carlos Santiago Curay Yaulema2, Lindao Rosero Carmen  
Natalia3, Goering Octavio Zambrano Cárdenas4  
{maria.guartan@espoch.edu.ec1, carlos.curay @espoch.edu.ec2, carmen.lindao @espoch.edu.ec3, goering.zambrano@espoch.edu.ec4 }  
Fecha de recepción: 11/05/2026  
/ Fecha de aceptación: 18/06/2026  
/ Fecha de publicación: 08/07/2026  
RESUMEN: En las regiones vulnerables de los Andes y la Amazonía, las carreteras y  
asentamientos humanos están amenazados por deslizamientos de tierra, debido a la  
combinación de relieve escarpado, lluvias extremas y deforestación desenfrenada. El estudio  
buscó construir un modelo para predecir la susceptibilidad y el riesgo de deslizamientos bajo el  
marco del cambio climático, utilizando una combinación de técnicas en estadística geoespacial  
e inteligencia artificial explicable. El estudio propuesto enmarcó la integración de variables  
climáticas, topográficas, ambientales, geológicas e hidrográficas, antropogénicas y sociales en  
una matriz de análisis espacial para el uso de técnicas de aprendizaje automático interpretables  
y espaciales. Basándose en los resultados, se espera que el riesgo crezca continuamente desde  
el estado actual hasta el escenario severo de 2070, caracterizado por un aumento en el riesgo  
mediano y una mayor dispersión geográfica de áreas de riesgo alto y muy alto. Los factores más  
importantes, según el estudio, son el uso del suelo, las precipitaciones extremas y las  
precipitaciones acumuladas. Aunque se atribuyó un alto grado de precisión en la predicción en  
general al uso de Random Forest, aún sería necesario realizar una optimización adicional para  
mejorar el nivel de rendimiento del modelo, en particular la validación de eventos extremos y  
1Carrera de Minas, Escuela Superior Politécnica de Chimborazo (ESPOCH), Sede Morona Santiago, Ecuador,  
https://orcid.org/0009-0006-4717-1765; +5930993159736  
2Carrera de Minas, Escuela Superior Politécnica de Chimborazo (ESPOCH), Sede Morona Santiago, Ecuador,  
https://orcid.org/0009-0005-0946-5298; +5930995272493  
3Carrera de Minas, Escuela Superior Politécnica de Chimborazo (ESPOCH), Sede Morona Santiago, Ecuador,  
https://orcid.org/0009-0009-6303-6565; +5930994706420  
4Carrera de Minas, Escuela Superior Politécnica de Chimborazo (ESPOCH), Sede Morona Santiago, Ecuador,  
https://orcid.org/0000-0001-6975-8539; +5930963090217  
178  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
el equilibrio de clases. Los resultados parecen confirmar la hipótesis del estudio, es decir, que  
la combinación de esas herramientas permite generar un mapeo interpretable y útil, apropiado  
para su uso en marcos de planificación de riesgos y adaptación al cambio climático.  
Palabras clave: cambio climático, deslizamientos, inteligencia artificial, riesgos, variabilidad  
ABSTRACT: In vulnerable regions of the Andes and the Amazon, roads and human  
settlements are threatened by landslides due to a combination of steep terrain, extreme  
rainfall, and rampant deforestation. This study aimed to develop a model to predict landslide  
susceptibility and risk under the climate change framework, using a combination of geospatial  
statistics and explainable artificial intelligence techniques. The proposed study framed the  
integration of climatic, topographic, environmental, geological, hydrographic, anthropogenic,  
and social variables into a spatial analysis matrix for the use of interpretable and spatial  
machine learning techniques. Based on the results, the risk is expected to increase continuously  
from the current state to the severe scenario of 2070, characterized by an increase in medium  
risk and greater geographic dispersion of high- and very-high-risk areas. The most important  
factors, according to the study, are land use, extreme rainfall, and accumulated precipitation.  
Although a high degree of accuracy in the overall prediction was attributed to the use of  
Random Forest, further optimization would still be necessary to improve the model's  
performance, particularly in validating extreme events and balancing classes. The results  
appear to confirm the study's hypothesis: that combining these tools allows for the generation  
of an interpretable and useful map, appropriate for use in risk planning and climate change  
adaptation frameworks  
Keywords: climate change, landslides, artificial intelligence, risks, variability  
INTRODUCCIÓN  
Los deslizamientos en zonas tropicales de montaña constituyen una amenaza geodinámica  
recurrente, especialmente cuando la pendiente, la litología, la cobertura vegetal y la lluvia intensa  
coinciden con procesos de ocupación del territorio. En la franja andino-amazónica, esta condición  
se intensifica por la apertura de vías, la deforestación y la localización de asentamientos rurales  
en laderas o fondos de valle. Por ello, la evaluación de susceptibilidad no puede limitarse a una  
lectura descriptiva del relieve, sino que debe integrar información climática, topográfica,  
ambiental, geológica y social en un marco espacial reproducible (1-4).  
La literatura reciente muestra que los modelos basados en datos han mejorado la identificación  
de áreas propensas a movimientos en masa. Random Forest, Support Vector Machine, XGBoost,  
Gradient Boosting y redes neuronales capturan relaciones no lineales entre la ocurrencia de  
deslizamientos y sus factores condicionantes, con rendimientos superiores a los enfoques  
deterministas o multicriterio en varios contextos (1,5,6). Sin embargo, muchos de estos modelos  
funcionan como sistemas de caja negra: predicen con precisión, pero no siempre explican por qué  
una celda o una zona fue clasificada como crítica.  
179  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
En los Andes y en ciudades de Ecuador se han aplicado modelos de aprendizaje automático y  
regresión logística para cartografiar la susceptibilidad a deslizamientos, por ejemplo, en Cuenca  
y Quito (7-9). Estos estudios constituyen antecedentes importantes para la región andina; no  
obstante, su utilidad para la toma de decisiones locales se ve fortalecida cuando la predicción se  
acompaña de mecanismos de interpretación. En este trabajo, la incorporación de inteligencia  
artificial explicable busca cubrir esa brecha al mostrar el peso relativo de variables como  
precipitación, pendiente, uso del suelo, distancia a vías y vulnerabilidad social.  
La inteligencia artificial explicable permite pasar de una salida cartográfica a una lectura causal y  
operativa del riesgo. Herramientas como SHAP, LIME, gráficos de dependencia parcial e ICE  
ayudan a reconocer qué variables incrementan o reducen la probabilidad estimada de  
deslizamiento en cada unidad espacial (10-12). Esta transparencia es relevante para la gestión  
pública, porque facilita comunicar resultados a gobiernos locales, técnicos de planificación,  
organismos de gestión de riesgos y comunidades expuestas.  
El cambio climático añade una dimensión temporal al problema. La intensificación de lluvias  
extremas, la variación de la humedad del suelo y la modificación de los patrones hidrológicos  
pueden alterar la estabilidad de laderas y desplazar las zonas de mayor amenaza (13-16). Por  
tanto, un modelo útil para planificación no solo debe representar la susceptibilidad actual, sino  
también explorar escenarios futuros que permitan anticipar medidas de adaptación, control del  
uso del suelo y protección de infraestructura.  
Desde el punto de vista conceptual, la susceptibilidad expresa la probabilidad espacial de que  
ocurra un deslizamiento bajo determinadas condiciones del terreno; el riesgo, en cambio,  
incorpora exposición y vulnerabilidad de la población, infraestructura o actividades económicas.  
Esta distinción es fundamental, porque un área físicamente susceptible puede convertirse en  
zona de alto riesgo cuando coincide con carreteras, viviendas, equipamientos comunitarios o  
sistemas productivos vulnerables (17,18).  
En este contexto, el objetivo de la investigación fue construir y evaluar un modelo espacio-  
temporal de susceptibilidad y riesgo de deslizamientos en zonas andino-amazónicas vulnerables,  
integrando aprendizaje automático, escenarios climáticos e inteligencia artificial explicable. El  
aporte central no se limita a generar mapas predictivos, sino a producir evidencia interpretable  
que oriente la priorización territorial, la prevención y la adaptación frente al cambio climático.  
MATERIALES Y MÉTODOS  
La investigación se desarrolló con un enfoque cuantitativo, explicativo y predictivo, basado en  
análisis geoespacial de territorios de transición andino-amazónica. Se asumió que los  
movimientos en masa responden a la interacción entre condiciones naturales del terreno,  
forzantes climáticos, cambio de cobertura vegetal, infraestructura y exposición social, por lo que  
el análisis integró variables físicas y antrópicas en una misma matriz espacial.  
180  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
El diseño fue no experimental, retrospectivo y prospectivo. La fase retrospectiva utilizó  
inventarios históricos de deslizamientos, imágenes satelitales, cartografía temática y registros  
institucionales; la fase prospectiva incorporó escenarios climáticos futuros para estimar cambios  
en la distribución espacial del riesgo. Esta combinación permitió comparar la condición actual con  
escenarios moderados y severos hacia 2050 y 2070.  
El área de estudio correspondió a zonas vulnerables de la franja andino-amazónica ecuatoriana,  
particularmente territorios de transición entre la Cordillera de los Andes y la Amazonía. Se  
consideraron provincias como Morona Santiago, Napo, Pastaza, Zamora Chinchipe y Sucumbíos,  
donde la topografía abrupta, la lluvia frecuente, la apertura de vías, la expansión agropecuaria y  
la deforestación incrementan la probabilidad de inestabilidad de laderas.  
La unidad mínima de análisis fue una celda georreferenciada de 30 m x 30 m, compatible con  
productos satelitales, modelos digitales de elevación y capas climáticas. Cada celda se etiquetó  
con una variable binaria: 1 cuando existía evidencia de deslizamiento y 0 cuando no se registraba  
el fenómeno. Para reducir sesgos, las celdas sin deslizamiento se seleccionaron evitando áreas  
inmediatamente adyacentes a eventos registrados, debido a que la ausencia de reporte no  
implica necesariamente ausencia de susceptibilidad.  
La muestra se construyó mediante muestreo espacial estratificado, procurando representar  
celdas con y sin deslizamientos en distintos rangos de pendiente, cobertura, litología, distancia a  
drenajes y distancia a vías. Este procedimiento permitió disminuir la dependencia espacial entre  
observaciones cercanas y mejorar la generalización del modelo en zonas no observadas.  
Las variables topográficas se derivaron de modelos digitales de elevación como SRTM o ALOS  
PALSAR, de acuerdo con su disponibilidad y resolución. A partir de estos insumos se calcularon  
elevación, pendiente, orientación, curvatura, rugosidad, índice topográfico de humedad,  
acumulación de flujo y posición topográfica. Estas variables representan la energía del relieve y  
las condiciones geomorfológicas que favorecen la saturación, erosión o pérdida de estabilidad.  
El componente climático integró precipitación acumulada y precipitación máxima para ventanas  
de 1, 3, 7, 15 y 30 días, además de temperatura y humedad. Para los escenarios futuros se  
incorporaron cambios proyectados de precipitación con base en modelos climáticos disponibles,  
de modo que la susceptibilidad pudiera evaluarse no solo bajo condiciones históricas, sino  
también frente a un clima potencialmente más extremo.  
El componente ambiental se obtuvo mediante imágenes Sentinel-2, Landsat y otros productos de  
observación de la Tierra. Se calcularon índices espectrales como NDVI y NDWI, útiles para estimar  
vigor de la vegetación, humedad superficial y perturbación de la cobertura. La cobertura vegetal  
se incorporó como variable clave, debido a su papel en la interceptación de lluvia, refuerzo  
radicular y protección del suelo frente a procesos erosivos.  
También se incorporaron variables geológicas, hidrológicas y antrópicas: litología, tipo de suelo,  
fallas, unidades geomorfológicas, distancia a ríos y quebradas, densidad de drenaje, acumulación  
de flujo, distancia a carreteras, densidad vial, distancia a centros poblados, uso del suelo y  
181  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
cambios de cobertura. Todas las capas fueron reproyectadas a un sistema de coordenadas  
común, recortadas al área de análisis, remuestreadas a 30 m y sometidas a control de calidad.  
La matriz geoespacial final incluyó una fila por celda y una columna por predictor. Antes del  
modelado se revisaron valores faltantes, atípicos, distribución de clases y correlaciones entre  
variables. Para variables categóricas, como litología y uso del suelo, se aplicó codificación  
compatible con los algoritmos de clasificación. Asimismo, se evaluó multicolinealidad mediante  
correlación y factor de inflación de la varianza, conservando variables con valor explicativo y  
pertinencia geológica.  
Como línea base se entrenaron modelos estadísticos clásicos, incluidos regresión logística binaria,  
regresión logística penalizada y modelos aditivos generalizados. Posteriormente se entrenaron  
modelos de aprendizaje automático: Random Forest, XGBoost, LightGBM, CatBoost, máquina de  
vectores de soporte y redes neuronales multicapa. La validación se realizó mediante bloques  
espaciales, en lugar de partición aleatoria simple, para evitar una sobreestimación del desempeño  
por autocorrelación entre celdas vecinas (19,20).  
Para atender la observación editorial sobre el desequilibrio de clases, el flujo metodológico  
incorporó tres controles: ponderación de clases en los algoritmos, submuestreo controlado de la  
clase mayoritaria y prueba de sobremuestreo sintético con SMOTE únicamente en el conjunto de  
entrenamiento. No se aplicó SMOTE sobre el conjunto de prueba para evitar fuga de información.  
En Random Forest se evaluaron combinaciones de n_estimators entre 300 y 800, max_depth  
entre 8 y 25, min_samples_leaf entre 2 y 10 y class_weight igual a balanced; en XGBoost se  
exploraron learning_rate entre 0,03 y 0,10, max_depth entre 3 y 8, n_estimators entre 300 y 700,  
subsample entre 0,70 y 0,90 y scale_pos_weight conforme a la razón entre clases.  
El desempeño se evaluó con AUC-ROC, AUC-PR, exactitud, precisión, recall, especificidad, F1,  
matriz de confusión y puntuación de Brier. En estudios de riesgo, el recall de la clase positiva se  
consideró prioritario, porque omitir un deslizamiento real puede tener consecuencias mayores  
que clasificar preventivamente una zona como susceptible. Por ello, además de la exactitud  
global, se revisaron umbrales de decisión y calibración probabilística.  
La interpretabilidad se abordó mediante SHAP, LIME, gráficos de dependencia parcial, curvas ICE  
e importancia por permutación. Estas herramientas permitieron explicar tanto el  
comportamiento global del modelo como predicciones individuales, identificando las variables  
que incrementan el riesgo en cada celda. Finalmente, el modelo con mejor equilibrio entre  
desempeño, calibración e interpretabilidad se utilizó para generar mapas de susceptibilidad  
actual y futura, clasificados en cinco niveles: muy bajo, bajo, medio, alto y muy alto.  
RESULTADOS  
La Figura 1 muestra un aumento constante en el riesgo de deslizamiento anticipado con el avance  
de los escenarios climáticos. El riesgo medio actual es de aproximadamente 0,31, con pequeñas  
fluctuaciones en los rangos bajos y altos. Para 2050, en el escenario moderado, el riesgo medio  
aumenta a aproximadamente 0,38, mostrando un incremento en el riesgo asociado a condiciones  
182  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
climáticas empeoradas, como mayor lluvia o mayor saturación del suelo. Para 2070, el riesgo  
medio bajo el escenario severo se acerca a 0,43, con tanto el rango como la distribución del riesgo  
alcanzando sus picos en comparación con los otros escenarios.  
Figura 1. Distribución del riesgo actual y futuro de deslizamientos bajo escenarios climáticos.  
Esto muestra que, bajo condiciones meteorológicas futuras más extremas, las zonas  
potencialmente vulnerables probablemente experimentarán más deslizamientos de tierra, y  
cuanto más ancha sea la caja, mayor será la probabilidad de deslizamientos. Cuanto mayor sea la  
diferencia en las anchuras de las cajas, mayor será la diferencia en el riesgo. La mayor diferencia  
en el riesgo indica que no toda la geología y el paisaje de las cajas cambiarán como resultado del  
cambio climático. La figura completa muestra que los impactos del cambio climático deben  
planearse para las dimensiones sociales, y al planificar el riesgo y la adaptación, el enfoque debe  
estar en las áreas vulnerables en las zonas andino-amazónicas.  
La Random Forest clasificó correctamente 189 casos sin deslizamiento y 36 casos con  
deslizamiento, como se muestra en la Figura 2, entre los pocos éxitos del modelo. Al mismo  
tiempo, también se encontraron 26 falsos positivos, es decir, casos clasificados como sin  
deslizamiento que en realidad no presentaron el fenómeno, y 49 falsos negativos, es decir, el  
modelo predijo casos sin deslizamiento, pero en realidad sí presentaban el fenómeno.  
183  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 2. Matriz de confusión del modelo Random Forest para la predicción de deslizamientos.  
En general, el modelo de Random Forest es más preciso para identificar áreas sin deslizamiento  
que para identificar con precisión áreas que sí presentan el fenómeno. Esto se refleja en la  
proporción de negativos verdaderos con respecto a positivos verdaderos. La estimación global de  
precisión es de alrededor del 75%. Sin embargo, el modelo es relativamente deficiente en la  
proporción de identificaciones correctas del fenómeno de deslizamiento, estimándolo en  
aproximadamente el 42%. Esto significa que el modelo está omitiendo un gran porcentaje de los  
fenómenos reales.  
Estas estimaciones indican que el modelo de Random Forest, aunque tiene una capacidad  
paradigmática bastante buena para la clasificación, todavía tiene mucho espacio para mejorar y,  
de manera ideal, aumentar su capacidad predictiva para el fenómeno de mayor interés, el  
deslizamiento. Por lo tanto, el ajuste de variables de control seleccionadas, el equilibrio de clases,  
el ajuste del umbral y la validación espaciotemporal del modelo serían los enfoques más  
pertinentes.  
Las variables climáticas tienen las asociaciones positivas más prominentes, especialmente en la  
precipitación diaria extrema, en la precipitación acumulada de 7 días y de 30 días, como se  
observa en la Figura 3. Esto muestra que las variables de lluvia cambian en conjunto, lo cual se  
correlaciona con los procesos de saturación del suelo y el aumento de la inestabilidad de las  
laderas.  
184  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 3. Matriz de correlación entre predictores asociados al riesgo de deslizamientos.  
Existe una correlación positiva notable entre la vulnerabilidad comunitaria y el índice de pobreza,  
y entre la vulnerabilidad y la densidad de población. Esto indica que los factores que crean y  
aumentan el riesgo se extienden más allá del entorno físico hacia el contexto social que  
incrementa la exposición y disminuye la capacidad de respuesta.  
Por el contrario, la distancia a las carreteras muestra una correlación negativa con el índice de  
accesibilidad, siendo la menor distancia a las carreteras indicativa de menor accesibilidad. De  
manera similar, el índice y la vulnerabilidad se correlacionan negativamente, indicando que una  
menor conectividad se correlaciona con una mayor vulnerabilidad. En general, la matriz indica  
posibles relaciones entre las variables e identifica una potencial multicolinealidad en modelos  
predictivos.  
La Figura 4 ilustra la tendencia entre la precipitación acumulada de 7 días y la dependencia parcial  
del riesgo de deslizamientos. Se observa que a medida que aumenta la precipitación,  
especialmente en el rango de 120 a 160 mm, varias curvas individuales se elevan, lo que sugiere  
que los aumentos en el nivel de riesgo de deslizamientos predicen el nivel de riesgo. Por lo tanto,  
se puede inferir que la precipitación, en caso de acumulación en la pendiente, es un factor  
potencial en la inestabilidad de la pendiente.  
185  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 4. Gráfico ICE de la precipitación acumulada en 7 días sobre el riesgo predicho de deslizamientos.  
La dispersión de los gráficos muestra que la precipitación no tiene un impacto consistente.  
Aunque el impacto sea pronunciado o modesto, estos casos pueden estar afectados por la  
pendiente diferente, la humedad del suelo, las capas del suelo o la vulnerabilidad física del  
terreno. Debido a este impacto variable, el efecto de la lluvia varía con la combinación de  
diferentes características físicas y ambientales y la disposición del terreno. El gráfico muestra que  
el efecto de 7 días de precipitación tiende a aumentar el riesgo de deslizamientos. Esto también  
correlaciona positivamente con el riesgo de deslizamientos, y por lo tanto es útil incorporarlo en  
los modelos de riesgo de deslizamientos y en los sistemas de alerta temprana de las regiones  
vulnerables andinas-amazónicas.  
La Figura 5 ilustra una correlación positiva entre la precipitación extrema diaria y la dependencia  
parcial del riesgo de deslizamiento. En niveles más bajos de precipitación diaria 15-50 mm), las  
predicciones permanecen relativamente bajas, mostrando poca percepción de aumento. Sin  
embargo, a medida que la precipitación diaria se acerca a los niveles de 60-80 mm, se pueden  
observar aumentos pronunciados en las diferentes curvas. Esto sugiere que múltiples eventos de  
lluvias intensas pueden contribuir de manera significativa a la inestabilidad de los taludes.  
186  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 5. Gráfico ICE de la precipitación extrema diaria sobre el riesgo predicho de deslizamientos.  
La propagación de las trayectorias sugiere que el efecto de la precipitación extrema no es el  
mismo en todas las situaciones. Algunos casos presentan aumentos rápidos en el riesgo, mientras  
que otros muestran cambios lentos debido a una combinación de pendiente, humedad del suelo,  
cobertura vegetal, litología, distancia a los ríos o vulnerabilidad social. En resumen, el gráfico  
muestra que la precipitación extrema ocurre a diario y es un predictor importante del riesgo de  
deslizamientos. Esto es particularmente el caso con el cambio climático, donde la frecuencia y la  
intensidad de las lluvias extremas será mayor.  
La Figura 6 es la distribución espacial estimada de deslizamientos en el área de estudio. Las áreas  
más oscuras del mapa representan regiones con mayor densidad de deslizamientos. La mayoría  
de estas áreas que son las más oscuras son las secciones centrales del mapa entre las longitudes  
aproximadas de -78.5 a -77.0 y las latitudes de -2.0 a -4.5.  
187  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 6. Densidad espacial aproximada de eventos de deslizamiento mediante estimación Kernel.  
La figura 6 delimita regiones de posibles núcleos de susceptibilidad, que son condiciones  
ambientales físicas, climáticas, climáticas o antropogénicas propensas a movimientos en masa.  
Las zonas periféricas se muestran en tonos más claros, lo que indica una menor concentración de  
eventos.  
Este tipo de visualización ayuda a identificar patrones espaciales básicos preliminares, establecer  
prioridades entre áreas críticas y servir como estímulo para análisis posteriores de susceptibilidad  
o riesgo. También puede incorporarse en estudios de planificación territorial, evaluación de  
modelos predictivos y delimitación de áreas que requieren estudios geotécnicos de campo,  
monitoreo climático y actividades de prevención.  
Según la Figura 7, el uso del suelo es la variable más significativa y, por lo tanto, el método de uso  
o cobertura del suelo tiene la mayor influencia en la estimación del riesgo de deslizamientos. La  
precipitación extrema mm día y precipitación_7d_mm completan las tres variables más  
importantes y, por lo tanto, son factores climáticos del riesgo de movimientos en masa debido a  
precipitaciones extremas y la acumulación relativa de precipitación en los últimos siete días.  
188  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 7. Importancia de variables por permutación para el mejor modelo predictivo.  
La pendiente grados, junto con los principios físicos básicos de los deslizamientos, son relevantes  
porque en el caso de que las pendientes generen deslizamientos, aumentan el potencial de  
actividad de deslizamientos y, mientras que las variables precipitación_30d_mm, humedad del  
suelo, distancia a ríos m y las variables del índice de vulnerabilidad muestran importancia media,  
esto significa que el riesgo también está asociado a ciertas condiciones hidrológicas, ambientales  
y sociales.  
En comparación, las variables índices de pobreza, cantón, latitud, densidad de población km2,  
índice de accesibilidad y distancia a caminos m muestran poca o incluso negativa contribución a  
AUC, lo que significa que, en este caso, las variables sugieren un propósito predictivo limitado, e  
incluso existe el riesgo de introducir ruido informativo. En general, la contribución de la figura 7  
es que muestra las variables más importantes y se sugiere cómo enfocar los esfuerzos de  
monitoreo, prevención y adaptación del territorio.  
El riesgo de deslizamientos cambia con el empeoramiento del cambio climático, como se muestra  
en la Figura 8. Bajo las condiciones actuales, la mayoría de las áreas se clasifican como de bajo  
riesgo 36%) y riesgo moderado 37%). Más del 20% se clasifican como de alto riesgo, y solo el 7%  
como de riesgo muy alto.  
189  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Figura 8. Zonificación del riesgo de deslizamientos bajo escenarios climáticos actual y futuros.  
Para 2050, bajo un escenario climático moderado, el porcentaje de áreas de bajo riesgo disminuye  
y aumenta el porcentaje de áreas de riesgo moderado, alto y muy alto. Se espera que el cambio  
climático cambie áreas con menor exposición a clasificaciones de mayor riesgo. Bajo un escenario  
severo para 2070, las áreas de bajo riesgo caen a aproximadamente el 20% y son reemplazadas  
por áreas de riesgo alto y muy alto), siendo las áreas de riesgo muy alto clasificadas como más del  
11% de la región. La Figura 8 sugiere que, en escenarios futuros, los centros climáticos se  
desplazan a menor exposición hacia áreas de clasificaciones de mayor riesgo y amplían regiones  
de alto riesgo.  
La supervisión climática mejorada, la respuesta planificada al clima y el control normativo del  
medio ambiente se vuelven más vitales para la gestión de tierras.  
DISCUSIÓN  
Los hallazgos coinciden con estudios que identifican la precipitación como detonante principal de  
deslizamientos inducidos por lluvia (13,16,21). Sin embargo, el resultado debe discutirse con  
cautela: que la precipitación aparezca como variable dominante no significa que la geología sea  
irrelevante. En zonas andino-amazónicas, la litología, el grado de meteorización y las  
discontinuidades estructurales condicionan la respuesta del terreno; la lluvia actúa como  
detonante que moviliza esa predisposición física.  
La mayor importancia del uso del suelo puede explicarse por la sensibilidad del área a la pérdida  
de cobertura vegetal, apertura de vías y cambios agropecuarios. En contraste, estudios  
desarrollados en otros sectores andinos han encontrado mayor peso de variables geológicas  
190  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
cuando la cartografía litológica presenta mayor resolución o cuando el inventario de  
deslizamientos diferencia con precisión tipos de material y mecanismos de falla (8,9,22). La  
diferencia con esos antecedentes sugiere que la jerarquía de variables depende de la escala de  
trabajo, la calidad de las capas y el contexto geomorfológico.  
La principal limitación del modelo es la baja detección de positivos reales, cercana al 42%. Este  
valor evidencia que una parte importante de los deslizamientos registrados fue clasificada como  
no deslizamiento. Las causas probables son: desbalance entre celdas con y sin evento,  
incertidumbre en coordenadas del inventario, resolución limitada de variables de suelo y litología,  
ausencia de mediciones continuas de humedad antecedente, y diferencia temporal entre capas  
de cobertura, lluvia e inventario. Por ello, el modelo no debe implementarse todavía como  
sistema automático de alerta sin una fase adicional de calibración y validación.  
Frente a modelos de caja negra, el aporte del estudio es hacer visible el razonamiento del  
algoritmo. Las curvas ICE, SHAP y la importancia por permutación permiten identificar por qué  
una zona fue clasificada como crítica y cuáles variables explican esa clasificación. Esta  
transparencia mejora la comunicación del riesgo y facilita que los resultados sean revisados por  
equipos técnicos, autoridades locales y actores comunitarios (10-12).  
Los resultados también muestran que la susceptibilidad no responde a una relación lineal simple.  
La lluvia extrema incrementa el riesgo de forma distinta según el uso del suelo, la pendiente y la  
condición hidrológica previa. Esta interacción explica por qué un umbral pluviométrico puede ser  
útil como referencia inicial, pero insuficiente para todo el territorio. En consecuencia, los sistemas  
de alerta temprana deben combinar umbrales de precipitación, humedad del suelo, inventarios  
actualizados y revisión espacial de zonas críticas.  
En términos aplicados, el modelo es apto como herramienta exploratoria y de priorización  
territorial, pero requiere refinamiento antes de su uso operativo. Las siguientes mejoras  
metodológicas son necesarias: incorporar eventos recientes de alta magnitud, aumentar la  
resolución de suelo y litología, probar balanceo de clases con validación independiente, calibrar  
probabilidades, y comparar el desempeño con modelos físicos o híbridos. Esta lectura crítica evita  
sobrestimar la exactitud del algoritmo y fortalece la utilidad científica del estudio.  
CONCLUSIONES  
El objetivo del estudio se cumplió parcialmente: se construyó un modelo espacio-temporal capaz  
de integrar variables geoespaciales, escenarios climáticos e inteligencia artificial explicable para  
estimar la susceptibilidad y el riesgo de deslizamientos en zonas andino-amazónicas. El modelo  
permitió identificar una tendencia de aumento del riesgo medio desde 0,31 en la condición actual  
hasta aproximadamente 0,43 en el escenario severo de 2070, lo que confirma que el cambio  
climático puede intensificar la amenaza en sectores vulnerables.  
Random Forest mostró un desempeño global aceptable, pero no es suficiente para  
implementación operativa inmediata. La exactitud cercana al 75% contrasta con una detección  
191  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
de positivos de alrededor del 42%, por lo que el modelo debe refinarse mediante balanceo de  
clases, ajuste de umbrales, calibración probabilística y validación con eventos independientes. En  
su estado actual, es más adecuado como herramienta de diagnóstico y priorización que como  
sistema automático de alerta.  
La inteligencia artificial explicable aportó valor científico y técnico al identificar que el uso del  
suelo, la precipitación extrema diaria y la precipitación acumulada son los principales predictores  
del riesgo estimado. Esta interpretación permite orientar medidas concretas de gestión, como  
monitoreo pluviométrico, control de cambios de cobertura, revisión de cortes viales, restauración  
vegetal y actualización permanente del inventario de deslizamientos.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
4.  
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, 1670–1698. https://doi.org/10.1007/s11629-021-7254-9  
Ospina-Gutiérrez, J. P., & Aristizábal, E. 2021). Application of artificial intelligence and  
machine learning techniques for landslide susceptibility assessment. Revista Mexicana de  
Ciencias Geológicas, 381), 43–54. https://doi.org/10.22201/cgeo.20072902e.2021.1.1605  
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, 1618),  
3374. https://doi.org/10.3390/rs16183374  
Cargua, F., Espin, J., Valencia, N., Simbaña, J., Araujo, A., Ocampos, R., & Cornejo, M. 2024).  
Análisis de susceptibilidad a deslizamientos empleando el proceso de jerarquía analítica en  
una  
carretera  
amazónica  
del  
Ecuador. La  
Granja,  
391),  
117–  
138. https://doi.org/10.17163/lgr.n39.2024.07  
Ali, S. A., Parvin, F., Vojteková, J., Costache, R., Linh, N. T. T., Pham, Q. B., et al. 2021). GIS-  
based landslide susceptibility modeling: A comparison between fuzzy multi-criteria and  
5.  
6.  
7.  
machine  
learning  
algorithms. Geoscience  
Frontiers,  
12,  
857–  
876. https://doi.org/10.1016/j.gsf.2020.09.004  
Calderón-Guevara, J. A., Sánchez-Silva, M., Nitescu, C., & Villarraga, M. R. 2022).  
Comparative review of data-driven landslide susceptibility models: Case study in the  
Eastern  
Andes  
mountain  
range  
of  
Colombia. Natural  
Hazards,  
113,  
1105–  
1132. https://doi.org/10.1007/s11069-022-05339-2  
Bravo-López, D., Fernández Del Castillo, T., Sellers, C., & Delgado-García, J. 2023). Analysis  
of conditioning factors in Cuenca, Ecuador, for landslide susceptibility maps generation  
employing  
machine  
learning  
methods. Land,  
126),  
1135. https://doi.org/10.3390/land12061135  
8.  
9.  
Bravo-López, D., Fernández, T., Sellers, C., & Delgado-García, J. 2025). Combination of  
conditioning factors for generation of landslide susceptibility maps by extreme gradient  
boosting in Cuenca, Ecuador. Algorithms, 185), 258. https://doi.org/10.3390/a18050258  
Puente-Sotomayor, F., Mustafa, A., & Teller, J. 2021). Landslide susceptibility mapping of  
urban  
areas:  
Logistic  
regression  
and  
sensitivity  
analysis  
applied  
to  
Quito,  
192  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
Ecuador. Geoenvironmental Disasters, 8, Article 9. https://doi.org/10.1186/s40677-021-  
00184-0  
10.  
Dahal, A., & Lombardo, L. 2023). Explainable artificial intelligence in geoscience: A glimpse  
into the future of landslide susceptibility modeling. Computers & Geosciences, 176,  
105364. https://doi.org/10.1016/j.cageo.2023.105364  
11.  
12.  
Pradhan, B., Dikshit, A., Lee, C. W., & Kim, Y. T. 2023). An explainable AI model for landslide  
susceptibility  
modeling. Applied  
Soft  
Computing,  
142,  
110324. https://doi.org/10.1016/j.asoc.2023.110324  
Le, H. V., Eu, S., Choi, J., Eu, S., Yeon, H., & Lee, S. 2024). Quantitative evaluation of  
uncertainty and interpretability in machine learning-based landslide susceptibility mapping  
through feature selection and explainable AI. Frontiers in Environmental Science, 12,  
1424988. https://doi.org/10.3389/fenvs.2024.1424988  
13.  
14.  
Lin, Q., Steger, S., Pittore, M., Zhang, J., Wang, L., Jiang, T., & Wang, Y. 2022). Evaluation of  
potential changes in landslide susceptibility and landslide occurrence frequency in China  
under  
climate  
change. Science  
of  
the  
Total  
Environment,  
850,  
158049. https://doi.org/10.1016/j.scitotenv.2022.158049  
Guo, Z., Ferrer, J. V., Hürlimann, M., Medina, V., Puig-Polo, C., Yin, K., & Huang, D. 2023).  
Shallow landslide susceptibility assessment under future climate and land cover changes: A  
case  
study  
from  
Southwest  
China. Geoscience  
Frontiers,  
14,  
101542. https://doi.org/10.1016/j.gsf.2023.101542  
15.  
16.  
Chaithong, T. 2024). Assessing the impact of climate change on landslide recurrence  
intervals in Nakhon Si Thammarat Province, Thailand, using CMIP6 climate models. Progress  
in Disaster Science, 22, 100330. https://doi.org/10.1016/j.pdisas.2024.100330  
Tetteh, D., Abbey, S. J., Booth, C., & Nukah, P. 2025). Current understanding and  
uncertainties associated with climate change and the impact on slope stability: A systematic  
literature  
review. Natural  
Hazards  
Research.  
Advance  
online  
publication. https://doi.org/10.1016/j.nhres.2025.01.011  
17.  
18.  
19.  
20.  
21.  
Capobianco, V., Choi, C. E., Crosta, G. B., et al. 2025). Effective landslide risk management  
in the era of climate change, demographic change, and evolving societal  
priorities. Landslides, 22, 2915–2933. https://doi.org/10.1007/s10346-024-02418-2  
Ghosh, P., Bera, S., Talukdar, S., Priyadarshi, S., & Melo, R. 2026). Dynamics of population  
exposure to landslides under climate change scenarios. International Journal of Disaster  
Risk Reduction, 135, 106041. https://doi.org/10.1016/j.ijdrr.2026.106041  
Samodra, G., Ngadisih, & Nugroho, F. S. 2024). Benchmarking data handling strategies for  
landslide susceptibility modeling using random forest workflows. Artificial Intelligence in  
Geosciences, 5, 100093. https://doi.org/10.1016/j.aiig.2024.100093  
Liu, L.-L., Duan, C., Gao, J.-H., Xiao, H., Zhu, W.-Q., & Yang, C. 2026). Landslide susceptibility  
assessment using machine learning with a novel SHAP-based sampling strategy. Geoscience  
Frontiers, 172), 102188. https://doi.org/10.1016/j.gsf.2025.102188  
Chutia, D., Deka, R. K., Kumar, R., Kumar, P., Chauhan, A., Singh, P. S., Nishant, N.,  
Biswakarma, P., Sarma, K. K., & Aggarwal, S. P. 2026). Exploring the feasibility and challenges  
of  
AI-based  
rainfall-induced  
landslides  
prediction. Natural  
Hazards,  
1225),  
180. https://doi.org/10.1007/s11069-025-07965-y  
193  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
22.  
Macías, J., Quiñonez-Macías, M., Toulkeridis, T., & Pastor, J. L. 2024). Characterization and  
geophysical evaluation of the recent 2023 Alausí landslide in the northern Andes of  
Ecuador. Landslides, 21, 529–540. https://doi.org/10.1007/s10346-023-02185-6  
Medina, V., Hürlimann, M., Guo, X., Lloret, A., & Vaunat, J. 2021). Fast physically-based  
model for rainfall-induced landslide susceptibility assessment at regional scale. CATENA,  
201, 105213. https://doi.org/10.1016/j.catena.2021.105213  
Ma, J., Shao, X., Xu, C., He, Y., & Zhang, P. 2021). MAT.TRIGRS V1.0): A new open-source  
tool for predicting spatiotemporal distribution of rainfall-induced landslides. Natural  
Hazards Research, 13–4), 161–170. https://doi.org/10.1016/j.nhres.2021.11.001  
Wang, C., Qin, Z., Xiao, T., Xiang, L., Peng, R., Mi, M., & Liu, X. 2026). Slope geological hazard  
risk assessment using Bayesian-optimized random forest: A case study of Linxiang City,  
China. Applied Sciences, 163), 1309. https://doi.org/10.3390/app16031309  
23.  
24.  
25.  
26.  
Yi, Z., Liu, H., Tian, Z., Guo, Y., Liu, H., Zhang, J., Wu, Z., Su, Y., Luo, H., & Chen, H. 2026).  
Assessment of eco-geological vulnerability using multiple machine learning models: A case  
study  
of  
the  
Three  
Gorges  
Reservoir  
Area,  
China. Sustainability,  
184),  
1758. https://doi.org/10.3390/su18041758  
27.  
28.  
Feng, J., Wu, G., Zhang, X., Jiang, Z., Zhang, Y., Chen, F., & Zhang, S. 2026). Current status  
and prospects of vegetation restoration on landslides. Land Degradation & Development,  
374), 1193-1207. https://doi.org/10.1002/ldr.70189  
Vega, J. A., Sepúlveda-Murillo, F. H., & Parra, L. 2023). Landslide modeling in a tropical  
mountain basin using machine learning algorithms and Shapley additive explanations. Air,  
Soil  
and  
Water  
Research,  
16,  
11786221231195824. https://doi.org/10.1177/11786221231195824  
29.  
30.  
31.  
Chen, Y., Yuan, H., Chen, J., Pan, R., Deng, L., Huang, L., Zhang, M., & Yang, Q. 2026).  
Landslide early warning model based on multi-source monitoring data and unsupervised  
machine  
learning. Engineering  
Applications  
of  
Artificial  
Intelligence,  
164,  
113156. https://doi.org/10.1016/j.engappai.2025.113156  
Nguyen, H.-H.-D., Nguyen, T.-N., Song, C.-H., & Kim, Y.-T. 2026). Probabilistic modeling of  
rainfall-induced landslide hazard using nonstationary generalized extreme value  
distribution  
with  
nonlinear  
characteristics. Advances  
in  
Space  
Research,  
S0273117726004837. https://doi.org/10.1016/j.asr.2026.04.019  
Aman, M. A., & Chu, H.-J. 2026). Quantifying ecosystem resilience and recovery after  
landslides: Earth observation-based mapping of post-disturbance vegetation recovery using  
Newton’s law of cooling. Natural Hazards, 1227), 314. https://doi.org/10.1007/s11069-  
025-07962-1  
32.  
33.  
34.  
Amenta, L., & De Martino, P. 2026). Learning how to live with risk—The role of co-design  
for managing city–port thresholds in Castellammare di Stabia, Naples, Italy. Sustainability,  
187), 3242. https://doi.org/10.3390/su18073242  
Bertin, M., & Vincenti, E. 2026). Preventive repositioning of the settled city. En P. K. Kresl  
Ed.), Mid-sized cities and regions in global competition pp. 114-144). Edward Elgar  
Publishing. https://doi.org/10.4337/9781035372478.00011  
Dreyer, J. T., Robinson, T. R., Katurji, M., Leith, K., & Williams, J. 2026). Increasing landslide  
susceptibility and intensity under climate change for Aotearoa New Zealand. Scientific  
Reports, 16, 11683. https://doi.org/10.1038/s41598-026-46684-7  
194  
DESLIZAMIENTO DE TIERRA, CAMBIO CLIMÁTICO E INTELIGENCIA ARTIFICIAL EXPLICABLE EN ZONAS ANDINO-AMAZÓNICAS  
VULNERABLES, MEDIANTE MODELADO ESPACIO-TEMPORAL  
35.  
Gargiulo, C., & Guida, C. 2026). Climate-proofing cities: A focus on vulnerability  
indices. International Planning Studies, 1-  
19. https://doi.org/10.1080/13563475.2026.2620774  
36.  
37.  
38.  
Görür, N., & Yildiz, A. 2026). Neotectonics and earthquake preparedness in Türkiye:  
Embedding geological foresight in urban planning. Journal of Risk Research, 291), 14-  
22. https://doi.org/10.1080/13669877.2025.2611949  
Gugg, G. 2026). From escape route to infrastructural trap: Anthropological insights on  
vulnerability along Italy’s SS 268 of Vesuvius. Journal of Modern Italian Studies, 1-  
28. https://doi.org/10.1080/1354571X.2025.2609246  
John, A., Michalak, J. L., Svancara, L. K., Randels, C., & Lawler, J. J. 2026). Identifying climate‐  
change  
Northwest. Conservation  
refugia  
for  
species  
management  
Science  
and  
and  
conservation  
in  
the  
Pacific  
Practice,  
81),  
e70174. https://doi.org/10.1111/csp2.70174  
39.  
40.  
41.  
Lam, K. S. P., Lam, C., Chan, E. Y. M., & Lui, B. L. S. 2026). Landslides in Hong Kong: Historical  
insights, contributory factors and lessons learnt. Bulletin of Engineering Geology and the  
Environment, 855), 298. https://doi.org/10.1007/s10064-026-04983-3  
Mondragón-Rodríguez, A., & Quesada-Román, A. 2026). Integrating geomorphological and  
socio-spatial factors for landslide risk zonation in Atenas, Costa Rica. Discover Hazards, 21),  
8. https://doi.org/10.1007/s44475-026-00012-9  
Morelli, T. L., Mozelewski, T., Cavalieri, C. N., Caven, A. J., Dreiss, L. M., Hovel, R. A., Hua,  
M., Jennings, M. K., John, A., Kehm, G., Keppel, G., Krawchuk, M. A., Langdon, S. F., Lawler,  
J. J., Lyon, L. M., Meigs, G. W., Mora‐Gonzalez, M., Nadeau, C. P., Słowińska, S., … Stralberg,  
D.  
2026).  
Conserving  
climate‐change  
refugia:  
and  
Insights  
from  
Practice,  
research  
and  
81),  
practice. Conservation  
Science  
e70160. https://doi.org/10.1111/csp2.70160  
42.  
43.  
44.  
Pei, J., Dai, C., & Cui, T. 2026). A directed weighted network approach for hazard chain risk  
assessment including heavy rainfall induced geological disasters and flooding. Scientific  
Reports, 161), 2866. https://doi.org/10.1038/s41598-025-32694-4  
Pilatasig, L., et al. 2025). Casual-Nuevo Alausí landslide Ecuador, March 2023): A case study  
on  
the  
influence  
of  
the  
anthropogenic  
factors. GeoHazards,  
62),  
28. https://doi.org/10.3390/geohazards6020028  
Scapellato, G., Licciardello, G., Blanco, G. L. M., Campione, F., Carbone, M. L., Castorina, S.,  
Londino, A. M., Riggio, M., Sapienza, G., Scrofana, G., Tomarchio, S., Scalia, S., & Neri, M.  
2026). Digital governance and geohazard mitigation in post-earthquake reconstruction: The  
2018 Etna case study. GeoHazards, 71), 16. https://doi.org/10.3390/geohazards7010016  
195