El análisis identificó 8.410 edificaciones con algún nivel de daño dentro de un universo de 72.162 construcciones evaluadas en un área cercana a los 210 kilómetros cuadrados. Las cifras también muestran que poco más de 3.000 inmuebles no pudieron analizarse debido a la presencia de nubes durante la captura de las imágenes, mientras que las mayores afectaciones aparecieron en Catia La Mar y sectores de La Guaira.

Aunque los datos no sustituyen las inspecciones realizadas por ingenieros o autoridades de emergencia, sí permiten conocer rápidamente dónde concentrar los primeros esfuerzos de rescate y recuperación cuando cada minuto cuenta.

De imágenes satelitales a un mapa de daños en pocas horas

La evaluación fue desarrollada por el Laboratorio de Investigación de IA para el Bien Social de Microsoft utilizando cinco escenas satelitales captadas después de los terremotos. En lugar de revisar manualmente cada fotografía, un modelo de inteligencia artificial analizó las imágenes para reconocer edificios, identificar señales de destrucción y distinguir las zonas cubiertas por nubes.

Después, el sistema comparó esa información con bases cartográficas que muestran la ubicación de las construcciones antes del desastre. De esa manera fue posible estimar cuáles presentaban daños visibles y generar un inventario único, incluso cuando un mismo edificio aparecía en varias imágenes tomadas por diferentes satélites.

Te puede interesar: El 83 % de los colombianos vive en zonas con riesgo sísmico: esto significa

El resultado fue una evaluación capaz de ofrecer una visión amplia del territorio sin esperar a que los equipos de emergencia recorrieran cada barrio afectado. Según el informe, alrededor del 12 % de los edificios que pudieron observarse presentaban algún grado de afectación.

Una herramienta que ayuda a decidir dónde actuar primero

La utilidad de esta tecnología no está únicamente en contar edificios dañados. Su mayor aporte consiste en mostrar dónde se concentran los impactos para que las autoridades puedan definir prioridades cuando los recursos son limitados o el acceso terrestre resulta complicado.

Para comprobar la confiabilidad de los resultados, Microsoft comparó las predicciones del modelo con reportes enviados por ciudadanos desde las zonas afectadas. Esa validación permitió medir qué tan cerca coincidían las detecciones automáticas con los daños observados sobre el terreno y fortalecer el uso de la inteligencia artificial como apoyo para las labores de respuesta.

Te puede interesar: Así detectó un satélite de la NASA miles de edificios dañados tras el terremoto de Venezuela

El informe también reconoce las limitaciones de este tipo de análisis. La evaluación depende de imágenes captadas en un momento específico y algunos edificios pueden quedar ocultos por las nubes o presentar diferencias entre escenas tomadas por distintos satélites. Por esa razón, los resultados deben complementarse con verificaciones en campo antes de tomar decisiones definitivas sobre cada estructura.

Más allá del caso venezolano, la experiencia muestra cómo la inteligencia artificial empieza a convertirse en una herramienta para actuar durante las primeras horas posteriores a un desastre. En lugar de reemplazar el trabajo de rescatistas o especialistas, acelera la obtención de información crítica y permite que la ayuda llegue con mayor rapidez a los lugares donde el impacto parece haber sido más severo.