LAMES: A Large-Scale and Artisanal Mining Environmental Segmentation Dataset

Resumen Técnico: LAMES: Un Conjunto de Datos de Segmentación Ambiental para Minería Artesanal y a Gran Escala

Enunciado del Problema
Las operaciones mineras, aunque vitales económicamente, generan externalidades negativas significativas, que incluyen erosión del suelo, deforestación, contaminación del agua (drenaje ácido de minas, metales pesados), pérdida de biodiversidad y acumulación de residuos. Estos impactos se ven exacerbados por la prevalencia de la Minería Artesanal y de Pequeña Escala (MAPE) ilegal, que a menudo opera sin permiso estatal ni supervisión ambiental, particularmente en regiones como África. Monitorear estas actividades es crucial para detectar operaciones ilegales, comprender la interrelación entre los atributos de la mina y el impacto ambiental, y abordar el "dilema ético" de equilibrar los medios de vida de los mineros artesanales con la salud ambiental. Sin embargo, la investigación en este dominio se ve obstaculizada por la falta de conjuntos de datos públicos y de alta calidad que combinen metadatos de minería a gran escala (MGE) con anotaciones detalladas y de alta resolución tanto para sitios de MGE como de MAPE. Los conjuntos de datos existentes a menudo dependen de datos privados o carecen de la granularidad requerida para la segmentación semántica de infraestructuras mineras específicas.

Metodología y Construcción del Conjunto de Datos
Los autores presentan el conjunto de datos LAMES, construido para facilitar el monitoreo de actividades mineras basado en teledetección. El conjunto de datos integra dos componentes distintos:

1. Minería a Gran Escala (MGE) en Chile: Los autores seleccionaron 150 sitios mineros representativos de un conjunto de datos global de más de 6.000 sitios. Para garantizar un alcance de anotación manejable manteniendo la representatividad, se excluyeron los sitios mayores de 80 km² y se fusionaron los sitios superpuestos, resultando en 71 sitios no superpuestos que cubren 963 km².
2. Minería Artesanal y de Pequeña Escala (MAPE) en Ghana: El conjunto de datos cubre 870 km² de áreas de MAPE anotadas, principalmente en las regiones de Ashanti y Occidental. A diferencia de la MGE, los sitios de MAPE carecen de límites definidos y a menudo siguen cuerpos de agua; por lo tanto, las anotaciones encapsulan áreas mineras conectadas en lugar de polígonos cerrados.

Anotación y Procesamiento:

• Fuentes: Se utilizó imágenes en color verdadero de alta resolución (0,5 m de GSD) de Maxar y CNES (a través de Google Earth) para las máscaras de segmentación semántica. Se utilizó imágenes de resolución media (10 m de GSD) de Sentinel-2 para experimentos de detección de sitios mineros.
• Experiencia: Las anotaciones se realizaron con la consulta del Instituto de Ingeniería de Recursos Minerales de la RWTH Aachen para garantizar la precisión técnica en la identificación de sectores mineros.
• Clases: El conjunto de datos define 9 sectores prominentes de MGE: Mina a Cielo Abierto, Instalaciones Mineras, Vertedero de Estéril, Instalaciones de Almacenamiento de Relaves, Patios de Acopio, Plantas de Procesamiento, Lixiviación en Pilas y sitios de MAPE.
• Metadatos: El componente de MGE incluye 27 atributos por sitio, como tipo de minería, método de procesamiento, commodity, producción anual y estado operativo.
• División de Datos: Para los experimentos, los sitios se dividieron en conjuntos de entrenamiento, validación y prueba basados en sitios mineros completos (no en parches individuales) para prevenir la fuga de datos. Para la detección de sitios, se reservaron 35 sitios aislados para pruebas, mientras que 104 se utilizaron para entrenamiento.

Contribuciones Clave

• Conjunto de Datos LAMES: El primer conjunto de datos público que combina 150 sitios de MGE anotados (con 1.204 polígonos de sectores) y 870 km² de anotaciones de MAPE, acompañado de metadatos ricos.
• Soporte Multi-Resolución: El conjunto de datos proporciona tanto parches de alta resolución (0,5 m) para la clasificación detallada de sectores como parches de resolución media (10 m) de Sentinel-2 para la detección de sitios a gran escala.
• Marco Ético: El artículo discute las implicaciones éticas del monitoreo de MAPE, destacando la tensión entre hacer cumplir las regulaciones ambientales y proteger los medios de vida de los mineros que dependen de estas actividades, abogando por una remediación constructiva en lugar de medidas exclusivamente punitivas.
• Experimentos de Línea Base: Los autores proporcionan resultados de línea base para dos tareas:
  1. Clasificación de Sectores Mineros (Alta Resolución): Utilizando una U-Net con backbone ResNet-50 en imágenes de 0,5 m.
  2. Detección de Sitios Mineros (Resolución Media): Utilizando imágenes de Sentinel-2 para distinguir sitios mineros de áreas no mineras.

Resultados

• Clasificación de Sectores: El modelo de línea base logró una precisión macro del 89,0% y una precisión micro del 59,2% en el conjunto de prueba. La mayoría de las clases se clasificaron con más del 50% de precisión. Sin embargo, la clase "Lixiviación en Pilas" (lh) mostró una tasa de mala clasificación del 98%, probablemente debido a la alta heterogeneidad visual entre sitios. Por el contrario, "Patios de Acopio" (sy) funcionó bien a pesar de la baja cantidad de muestras, lo que sugiere consistencia visual. Se empleó ponderación de clases para abordar el desequilibrio severo de clases.
• Detección de Sitios: La tarea de clasificación binaria (Mina vs. No-Mina) en datos de Sentinel-2 arrojó una precisión de 0,89 y una puntuación F1 de 0,75. Los autores señalan que, debido a la extrema escasez de sitios mineros en Chile (aproximadamente el 0,5% del área terrestre), el modelo luchó con falsos negativos. Aumentar el conjunto de entrenamiento con 10.000 parches aleatorios "no-mina" redujo la tasa de falsos negativos del 36% al 25%, pero aumentó la tasa de falsos positivos, lo que indica que la simple augmentación por muestreo aleatorio tiene utilidad limitada en este contexto específico.

Significado y Afirmaciones
El artículo afirma que LAMES sirve como un recurso fundamental para la comunidad de investigación para avanzar en el monitoreo minero impulsado por IA. Su importancia radica en:

• Habilitar Análisis Detallado: Proporcionar la primera segmentación granular y públicamente disponible de infraestructura minera, lo cual es esencial para la gestión de desastres, la evaluación de impacto ambiental y la cartografía mineral.
• Facilitar la Detección de Minería Ilegal: Ofrecer una base para detectar y clasificar actividades ilegales de MAPE, que actualmente son difíciles de monitorear debido a la falta de datos de verdad terrestre.
• Apoyar la Remediación Ética: Al permitir un mejor monitoreo, el conjunto de datos puede respaldar políticas que busquen minimizar el daño ambiental mientras abordan las necesidades socioeconómicas de los mineros artesanales, alineándose con los Objetivos de Desarrollo Sostenible de la ONU.
• Potencial Futuro: Los autores declaran que el conjunto de datos permite entrenar modelos para aproximar cantidades minerales y estimar impactos ambientales, con planes futuros para incorporar imágenes hiperespectrales.

Los autores mantienen un tono modesto respecto a los resultados experimentales, reconociendo que el rendimiento actual de línea base en la detección de sitios es "bastante pobre" para su implementación en el mundo real sin un ajuste fino y augmentación adicionales con tecnología de vanguardia, pero afirman que el conjunto de datos en sí mismo demuestra la viabilidad de detectar sectores mineros en terrenos homogéneos y no vegetados.