Synthetic Reflections on Resource Extraction

1. El Problema

El artículo aborda la necesidad de documentar y comprender el impacto histórico y actual de la extracción industrial de recursos (minería) en los paisajes terrestres. Los autores plantean que, aunque el extractivismo es destructivo, es una condición fundamental de la existencia humana y de la infraestructura tecnológica actual, incluida la propia inteligencia artificial (IA).

El desafío técnico principal radica en crear un sistema capaz de:

• Interpretar paisajes alterados por la minería a escala planetaria utilizando imágenes satelitales.
• Traducir estas observaciones visuales en narrativas comprensibles tanto para humanos como para sistemas de IA.
• Superar las limitaciones de los modelos de IA actuales, que a menudo carecen de contexto histórico, sufren de alucinaciones (fabricación de datos) o requieren un consumo energético excesivo para procesar grandes volúmenes de datos multiespectrales.

2. Metodología

El proyecto propone un pipeline técnico que combina operaciones estadísticas, juicio humano y modelos de lenguaje multimodal (MLLM). La metodología se divide en las siguientes fases:

A. Adquisición y Preprocesamiento de Datos

• Fuente de Datos: Se utiliza el sistema de satélites Sentinel-2 (programa Copernicus de la UE) debido a su política de datos abiertos, cobertura global y riqueza espectral, a pesar de tener una resolución espacial menor (10-60 m) que los sistemas comerciales.
• Selección de Sitios: Se construyó una base de datos con aproximadamente 200 sitios mineros globales. Se seleccionan imágenes basándose en la cobertura de nubes y la estación del año (sin nieve) para cada hemisferio.
• Filtrado y Mejora: Se utiliza el framework OpenEO para recolectar activos. Las imágenes se filtran automáticamente por calidad (contraste, nitidez, entropía de Shannon) y luego se revisan manualmente para asegurar la calidad estética.

B. Creación de Índices y Descriptores de Paisaje

Para superar la limitación de que muchos modelos de IA solo procesan imágenes RGB (3 bandas), el equipo genera índices derivados de las 13 bandas espectrales de Sentinel-2:

• NDVI (Índice de Vegetación de Diferencia Normalizada): Detecta la ausencia de vegetación, delineando las áreas activas de minería.
• NDBI (Índice de Diferencia de Construcción Normalizada): Detecta áreas urbanas, aunque a menudo confunde minería con desarrollo urbano.
• UDM (Índice de Vivienda Urbana y Minería): Un descriptor personalizado y binario creado por los autores. Combina 10 bandas espectrales con anotaciones humanas (muestras positivas y negativas) para distinguir con precisión entre asentamientos urbanos, sitios mineros y otras características del paisaje, reduciendo los falsos positivos.

C. Modelos de IA y Prompts

• Modelos Evaluados: Se probaron Kosmos-2, GPT-5 y Llama-4 (Maverick).
  • GPT-5: Ofrece los mejores resultados y puede ingerir datos GeoTIFF nativos (13 dimensiones), pero es extremadamente costoso y lento (10-20 min por imagen).
  • Llama-4: Se seleccionó como el modelo óptimo por su equilibrio entre rendimiento, costo y velocidad (<60 seg). Sin embargo, requiere preprocesamiento para reducir las imágenes multiespectrales a 3 bandas (RGB + NDVI + UDM).
• Prompting del Sistema: Se diseñaron prompts de sistema estrictos que incluyen:
  • Instrucciones para enfocarse en la distribución de asentamientos, minería y condiciones ambientales (agua, suelo, vegetación).
  • Restricciones para evitar exageraciones, cuantificadores vagos y repeticiones.
  • Contexto Enriquecido: Se inyecta metadatos históricos, geológicos y controversias específicas de cada mina (extraídos de Wikipedia, informes corporativos, etc.) para guiar la interpretación de la IA.

D. Evaluación "AI para Evaluar IA"

Para mitigar la fatiga humana en la revisión de textos, se implementó un sistema de evaluación automatizado:

• Se utiliza un LLM evaluador (Gemini-Flash/Gemini 3) para calificar las salidas del modelo generador.
• Se emplea una evaluación por criterio separado (no todo en una sola llamada) para evitar omisiones.
• Se utilizan cinco métricas: enfoque ambiental, terminología específica, observación de patrones, adherencia a restricciones y concisión.
• La salida se estructura en JSON para garantizar la legibilidad de la máquina.

E. Generación Aumentada por Recuperación (RAG) y Agentic RAG

Para compartir este conocimiento con otros sistemas de IA sin reentrenar modelos costosos:

• Se implementa una arquitectura RAG que convierte las observaciones en una base de conocimientos vectorial.
• Se avanza hacia Agentic RAG, donde el agente realiza razonamiento multi-paso, recupera información de múltiples fuentes (imágenes y documentos largos sobre impactos en comunidades indígenas) y consolida evidencias para responder consultas complejas con alta precisión factual.

3. Contribuciones Clave

1. Índice UDM (Urban Dwelling and Mining): Un nuevo descriptor de paisaje binario que mejora la discriminación entre minería y desarrollo urbano en imágenes satelitales, superando a los índices estándar como el NDBI.
2. Pipeline de Interpretación de Paisaje: Un flujo de trabajo funcional que transforma datos satelitales crudos en narrativas sintéticas coherentes, integrando contexto histórico y ambiental.
3. Estrategia de Eficiencia Computacional: Demostración de que modelos más pequeños y eficientes (Llama-4), combinados con preprocesamiento inteligente (índices personalizados) y prompts enriquecidos, pueden igualar el rendimiento de modelos gigantes (GPT-5) con una fracción del costo energético y temporal.
4. Marco de Evaluación Crítica: Un sistema robusto de "AI evaluando a AI" con salidas estructuradas y evaluación por criterio para garantizar la calidad de las descripciones generadas.
5. Agentic RAG para Conocimiento Planetario: Una implementación que permite a modelos externos acceder y razonar sobre un corpus de datos mineros global y sus impactos socioambientales sin necesidad de reentrenamiento.

4. Resultados

• Comparación de Modelos: GPT-5 produjo descripciones de alta calidad y pudo procesar datos multiespectrales nativos, pero fue prohibitivamente lento y costoso. Llama-4, tras el preprocesamiento con los índices NDVI y UDM, logró resultados comparables en términos de precisión y riqueza de detalles, pero en menos de un minuto.
• Calidad de la Salida: Las descripciones generadas por Llama-4 con el pipeline completo (RGB + NDVI + UDM + Contexto) lograron identificar correctamente asentamientos urbanos pequeños, áreas de minería y estrés vegetal, evitando la confusión entre nubes y minas que ocurría con el enfoque solo RGB.
• Ejemplos de Éxito: El sistema generó descripciones detalladas para minas como Garzweiler (Alemania), Nyurbinsky (Rusia) y Kolwezi (RDC), destacando impactos ambientales específicos y contexto histórico.
• Interfaz: Se desarrolló una interfaz visual con un globo terráqueo rotatorio que permite a los usuarios explorar los sitios mineros y sus interpretaciones generadas por IA.

5. Significado

El artículo tiene un significado tanto técnico como filosófico:

• Tecnológico: Propone un enfoque de "reutilización de tecnología" y "computación planetaria parsimoniosa", demostrando que no siempre se necesitan los modelos más grandes y costosos para tareas complejas si se optimizan los datos de entrada y el contexto.
• Ético y Social: Busca crear un "libro de imágenes" compartido entre humanos e IA sobre la historia del extractivismo. Reconoce que la IA depende de los mismos recursos extraídos que la humanidad, y propone usar la IA para documentar y hacer visible el costo ambiental de esa dependencia.
• Futuro de la IA: Sugiere un nuevo paradigma de "humano en el bucle" donde la agencia humana (anotación, selección de contexto) se mezcla con la capacidad de procesamiento de la IA para crear sistemas híbridos de expertos. Además, abre la puerta a que los sistemas de IA futuros puedan "aprender" de la historia de la extracción de recursos mediante bases de conocimientos externas (RAG) en lugar de solo escalar parámetros.

En resumen, el proyecto no solo es una herramienta de análisis geoespacial, sino un intento de alinear la inteligencia artificial con una conciencia crítica sobre el impacto ambiental de la civilización industrial.