La subsidencia del terreno es un proceso geodinámico que produce el hundimiento progresivo y, en muchos casos, irreversible de la superficie terrestre. Este fenómeno puede originarse por la compactación natural de los sedimentos o por actividades antropogénicas como la sobreexplotación de acuíferos, la carga urbana y la alteración del régimen hidrológico. En la Ciudad de México, asentada sobre un antiguo sistema lacustre, la subsidencia constituye uno de los principales riesgos geotécnicos, con tasas de hundimiento que alcanzan hasta 37 cm por año en zonas específicas, provocando deformaciones diferenciales, fracturas superficiales y afectaciones estructurales severas. Para caracterizar la cinemática del fenómeno y mejorar la resolución espacial de los modelos, se propone una estrategia multiescala de teledetección que integra observaciones InSAR, fotogrametría con vehículos aéreos no tripulados (UAV) y LiDAR-iphone.

Los pares interferométricos derivados de imágenes Sentinel-1 permitieron estimar desplazamientos en la componente vertical a escala milimétrica para regiones grandes y delinear zonas de subsidencia activa, pero con píxeles de 20 metros a escala horizontal. A escala local, los modelos fotogramétricos obtenidos con drones RGB y multiespectrales aportaron representaciones tridimensionales de alta resolución horizontal espacial (≤20 cm pixel), útiles para detectar la evidencia de la deformación, como los agrietamientos. Finalmente, las nubes de puntos generadas mediante sensores LiDAR integrados en dispositivos móviles posibilitaron reconstrucciones topográficas detalladas en sitios críticos, validando las anomalías detectadas por radar y fotogrametría, esta ultima metodología tiene una resolución de 1 cm en escala vertical y horizontal, con la desventaja de tener un corto alcance por lo que se pueden reconstruir zonas críticas especificas pero no podemos obtener un mapa a escala regional.

El trabajo realizado incluye mapas de deformación, mapas de susceptibilidad multicriterio, ejercicios de validación en campo y en laboratorio y la aplicación de todas las técnicas en dos casos prácticos de la CDMX, incluyendo la denominada falla plateros-mixcoac, con apoyo del proyecto SECTECI 176/2023.

This study analyzes the geomorphological evolution of fluvial terraces along the urban section of the Santa Catarina River (Nuevo León, México) by integrating high-resolution UAV-based LiDAR and photogrammetry. Six areas corresponding to previously reported cross-sections (A-F) were surveyed, analyzed and temporarily compared through digital elevation models, morphometric indices, and RGB orthomosaics. The results highlight significant anthropogenic impacts, including solid waste accumulation, hydraulic lining, and bridge construction, which have altered the morphology and visibility of several terraces. In contrast, area from the cross-section F-F’, less disturbed by human intervention, enabled detailed topographic and lithological characterization. Four terraces (T0-T3) were identified reflecting distinct depositional phases and energy regimes. The influence of recent tropical cyclones (Fernando, Hanna, and Alberto) was also visualized, revealing vegetation loss and terrace modification. UAV-LiDAR technology proved effective for high-precision mapping of urban fluvial systems and offers valuable tools for hydromorphological monitoring.

Simulating fire spread and identifying potential propagation pathways in the Wildland–Urban Interface (WUI) are critical for wildfire prevention, emergency preparedness, and firefighting—especially in the wake of catastrophic events such as the 2025 Los Angeles wildfire, the 2019–2020 Australian bushfires, and the 2023 wildfires in Greece. Despite growing awareness of wildfire risks near urban boundaries, lightweight, high-resolution 3D simulation tools remain limited, hindering scenario-based planning and rapid response. To address this gap, we present a voxel-based 3D wildfire propagation simulator developed in Python. The simulator integrates LiDAR-derived voxel models of urban environments, GIS-informed fuel characterizations, and high-performance parallelism via the Taichi framework. Fire dynamics are modeled across 3D voxel grids using a hybrid of physics-based and empirical approaches, incorporating key parameters such as wind speed, fuel type, and moisture content. Critical processes—including inter-voxel heat transfer, crown fire spread, and surface fireline intensity—are captured to simulate realistic fire behavior. Simulation results are exported in standard 3D formats for immersive visualization in platforms such as Blender and Unity. A case study using LiDAR data from Newcastle, Australia demonstrates the tool’s real-world applicability. Designed for modularity and extensibility, the simulator supports model replacement, parameter tuning, and integration with diverse spatial datasets. It also serves as a scalable framework for high-fidelity modeling of inter-voxel mass and energy transfer in complex urban environments, enhancing decision-support capabilities. Additionally, the tool generates synthetic fire spread data, enabling the training of generative AI models and integration with broader urban and environmental simulation platforms.