📄 earth_science

Open-Cast Mining Surface Risk Assessment Using GIS and Statistical Modelling: A Multi-Criteria Framework for Sustainable Mine Safety and Environmental Management

Este estudio propone un marco integrado de SIG y modelado estadístico que utiliza el Análisis de Decisión Multicriterio para generar un Índice de Riesgo Superficial que zonifica eficazmente las áreas de minería a cielo abierto en categorías de riesgo basadas en factores como la pendiente, la vegetación y la proximidad a los asentamientos, apoyando así la gestión sostenible de la seguridad minera y el medio ambiente.

Autores originales: SHATRAJIT GOSWAMI

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: SHATRAJIT GOSWAMI

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la superficie de la Tierra como el mapa de un videojuego gigante y complejo. En este juego, la minería a cielo abierto es como un jugador que excava enormes y profundos agujeros para obtener recursos valiosos (carbón). Si bien esto es excelente para la economía, deja el paisaje con un aspecto similar al de una luna llena de cráteres, con acantilos escarpados, aire polvoriento y ríos que podrían estar obstruidos por el lodo.

Durante mucho tiempo, verificar si estos sitios mineros eran seguros o peligrosos era como intentar encontrar una aguja en un pajar caminando con una lupa. Los expertos tenían que visitar cada punto, medir a mano y adivinar dónde podría ocurrir el próximo deslizamiento de tierra. Era lento, costoso y a menudo perdía la visión de conjunto.

El Nuevo Plan de Juego: Una Bola de Cristal Digital

Este documento presenta una forma más inteligente de jugar: una "Bola de Cristal Digital" construida mediante SIG (Sistemas de Información Geográfica) y modelado estadístico. Piensa en los SIG como un pastel de capas superpotente. En lugar de solo mirar la capa superior (el suelo), los investigadores apilan hojas transparentes de datos:

Hoja 1: Dónde están las minas.
Hoja 2: Qué tan empinas son las colinas (Pendiente).
Hoja 3: Cuánta vegetación queda (Vegetación/NDVI).
Hoja 4: Por dónde fluye el agua (Drenaje).
Hoja 5: Dónde vive la gente (Asentamientos).
Hoja 6: Dónde están las carreteras.

Al mezclar estas capas utilizando una receta especial llamada Proceso de Jerarquía Analítica (AHP), los investigadores crearon un Índice de Riesgo Superficial (SRI). Esto es como un "medidor de peligro" que le da a cada punto del mapa una puntuación de 0 a 1.

Lo Que Dicen los Números (El Marcador)

Los investigadores diseñaron esta receta para que se aplique a importantes campos de carbón indios como Raniganj, Jharia, Talcher y Singrauli. Sin embargo, para este estudio específico, aún no aplicaron los números a datos reales de estos campos. En su lugar, utilizaron un conjunto de datos sintéticos (una base de datos construida cuidadosamente de forma artificial) para demostrar que su método funciona.

Esto es lo que reveló la "Bola de Cristal Digital" en esta demostración:

Verde es Bueno, Rojo es Malo: Las áreas con mucha vegetación (alta vegetación) tuvieron puntuaciones de riesgo más bajas. Las áreas con pendientes pronunciadas, mucha actividad minera y poblaciones densas tuvieron puntuaciones de riesgo altas.
El Peso de la Receta: Los investigadores decidieron qué factores importaban más. En su receta final, la Vegetación (NDVI) fue el actor principal, con un peso de 0.22. El Uso del Suelo fue el siguiente, con 0.20, seguido de la Distancia de la Mina con 0.18. Los otros factores como el drenaje, la pendiente y los asentamientos completaron el resto.
Los Resultados: El modelo fue increíblemente bueno para detectar la diferencia entre zonas seguras y peligrosas. Logró una puntuación (llamada AUC) de 0.89, que es como sacar un sobresaliente en un examen. Identificó correctamente que las zonas de alto riesgo tenderían a agruparse justo alrededor de minas activas y carreteras transitadas, mientras que las zonas de bajo riesgo se ubicarían lejos, en áreas verdes y tranquilas.

Lo Que Este Documento Descarta

El documento argumenta explícitamente en contra de la antigua forma de hacer las cosas. Dice que confiar solo en observaciones de campo y controles de ingeniería no es suficiente porque se pierde la "variabilidad espacial": la forma en que los riesgos cambian a través de un área extensa. También rechaza la idea de que estos riesgos sean aleatorios. Los datos muestran que los riesgos no están dispersos por azar; están estrechamente vinculados a factores específicos como la cercanía a un foso minero o la inclinación del terreno.

¿Qué Tan Seguros Estamos?

Los autores están muy seguros de sus hallazgos, pero son cuidadosos al decir cómo lo saben.

La Prueba: No se limitaron a mirar imágenes; utilizaron la Regresión Lineal Múltiple para demostrar la conexión. El modelo explicó aproximadamente el 79.4% de los cambios en el riesgo (un R² de .794). Esto significa que los factores que eligieron (árboles, pendiente, distancia, etc.) son las razones reales por las que el riesgo aumenta o disminuye en su simulación.
La Simulación: El estudio utilizó un conjunto de datos sintéticos para mostrar que el marco de trabajo funciona. Los autores afirman que el modelo es "estadísticamente significativo" con un valor p de menos de .001, lo que significa que los resultados son extremadamente improbables de ser una casualidad.
El Límite: Aunque el modelo es robusto, el documento señala que este estudio específico fue una demostración metodológica. Sugiere que, para un uso en el mundo real, el marco debe aplicarse a regiones mineras reales y vivas (como las mencionadas anteriormente) y validarse con datos históricos de accidentes en el futuro.

La Conclusión Final

Este documento no pretende haber "solucionado" la seguridad minera para siempre. En su lugar, ofrece un kit de herramientas transferible. Es como entregar a los gestores de minas una brújula nueva y de alta tecnología. Al usar este marco de SIG y estadística, pueden crear "Mapas de Zonificación de Riesgo" que colorean el terreno:

Verde Oscuro: Riesgo Muy Bajo (0.00–0.20)
Verde Claro: Riesgo Bajo (0.21–0.40)
Amarillo: Riesgo Moderado (0.41–0.60)
Naranja: Riesgo Alto (0.61–0.80)
Rojo: Riesgo Muy Alto (0.81–1.00)

Esto permite a los gobiernos y empresas ver exactamente dónde construir zonas de amortiguamiento, dónde detener la excavación y dónde plantar árboles para proteger a las aldeas cercanas. Convierte un paisaje caótico y peligroso en un mapa que realmente se puede leer, ayudando a que la minería sea más segura y sostenible para todos.

Resumen Técnico: Evaluación de Riesgos en Superficie de la Minería a Cielo Abierto mediante SIG y Modelado Estadístico

Planteamiento del Problema
La minería a cielo abierto, si bien es económicamente eficiente y dominante en la extracción de carbón para naciones en desarrollo como la India, genera graves peligros ambientales y geotécnicos. Estos incluyen la alteración del paisaje, la inestabilidad de las pendientes, la subsidencia del terreno, la contaminación de las aguas subterráneas y amenazas para las comunidades cercanas. Los métodos tradicionales de evaluación de riesgos, que dependen en gran medida de observaciones de campo e investigaciones de ingeniería, suelen ser costosos, lentos y no logran capturar la variabilidad espacial de los riesgos en grandes regiones mineras. Existe una necesidad crítica de un enfoque integrado que combine variables ambientales, geológicas y socioeconómicas para apoyar la seguridad y la gestión minera sostenible.

Metodología
El estudio propone un marco integrado que combina Sistemas de Información Geográfica (SIG), Teledetección y modelado estadístico para evaluar los riesgos en superficie. La metodología sigue un enfoque de Análisis de Decisión Multicriterio (MCDA) utilizando el Proceso de Jerarquía Analítica (AHP).

Integración de Datos: El marco sintetiza múltiples conjuntos de datos, incluyendo:
- Teledetección: Sentinel-2 MSI (10 m) para el Uso y Cobertura del Suelo (LULC) e Índice de Vegetación de Diferencia Normalizada (NDVI); Landsat 8/9 (30 m) para análisis térmico.
- Datos de Terreno: SRTM y CartoDEM (30 m) para Modelos Digitales de Elevación (DEM), pendiente y elevación.
- Datos Vectoriales: OpenStreetMap para carreteras y asentamientos; HydroSHEDS para redes de drenaje; y datos de límites mineros de Eastern Coalfields Limited (ECL) y Mahanadi Coalfields Limited (MCL).
Selección de Factores de Riesgo: Se identificaron siete indicadores de riesgo primarios: NDVI, LULC, Distancia de la Mina, Distancia de Carreteras, Pendiente, Densidad de Drenaje y Densidad de Asentamientos.
Ponderación (AHP): Se asignaron pesos relativos a estos factores utilizando AHP. Los pesos resultantes fueron: NDVI (0.22), LULC (0.20), Distancia de la Mina (0.18), Densidad de Drenaje (0.12), Pendiente (0.10), Distancia de Asentamientos (0.10) y Distancia de Carreteras (0.08). Un Índice de Consistencia (CR) < 0.10 confirmó la fiabilidad de la ponderación.
Generación del Índice de Riesgo de Superficie (SRI): Se realizó un análisis de superposición ponderada para generar un Índice de Riesgo de Superficie (SRI), clasificando las áreas en cinco categorías: Riesgo Muy Bajo, Bajo, Moderado, Alto y Muy Alto.
Validación Estadística: El modelo basado en SIG se validó mediante:
- Correlación de Pearson: Para evaluar las relaciones entre el SRI y las variables predictoras.
- Regresión Lineal Múltiple: Para cuantificar la influencia de las variables en el SRI.
- Análisis de Componentes Principales (PCA): Para identificar los impulsores de riesgo dominantes.
- Factor de Inflación de la Varianza (VIF): Para comprobar la multicolinealidad.
- Autocorrelación Espacial (Moran's I): Para detectar la agrupación espacial del riesgo.
- Curva Característica Operativa del Receptor (ROC): Para evaluar el rendimiento predictivo.

Resultados Clave
El estudio se aplicó a importantes yacimientos de carbón de la India, incluidos Raniganj, Jharia, Talcher y Singrauli.

Zonificación de Riesgos: Los mapas resultantes clasificaron con éxito las zonas mineras en distintas zonas de riesgo. Se identificaron áreas de alto riesgo alrededor de fosas activas, depósitos de estériles y asentamientos densamente poblados, caracterizados por pendientes pronunciadas y vegetación escasa.
Hallazgos Estadísticos:
- Correlación: Se encontró una correlación negativa significativa entre el SRI y el NDVI ( $r = -0.61$ ), lo que indica que la vegetación reduce el riesgo. La pendiente ( $r = 0.49$ ), la densidad de drenaje ( $r = 0.42$ ) y la densidad de asentamientos ( $r = 0.54$ ) mostraron correlaciones positivas con el riesgo.
- Modelo de Regresión: El modelo de regresión lineal múltiple explicó aproximadamente el 79.4% de la varianza en el riesgo de superficie ( $R^2 = 0.794$ ). El NDVI fue un predictor negativo significativo ( $\beta = -0.38$ ), mientras que la pendiente, la densidad de asentamientos y el LULC fueron predictores positivos significativos.
- Agrupación Espacial: El análisis de Moran's I global ( $I = 0.43, p < 0.001$ ) confirmó una autocorrelación espacial positiva significativa, lo que significa que las zonas de alto riesgo se agrupan alrededor de la infraestructura minera activa.
- Desempeño del Modelo: El análisis ROC arrojó un Área Bajo la Curva (AUC) de 0.89, lo que indica una excelente capacidad de discriminación entre zonas de alto y bajo riesgo.
Prueba de Hipótesis: Se rechazó la hipótesis nula (que las variables ambientales y antropogénicas no influyen significativamente en el riesgo de superficie). Se aceptó la hipótesis alternativa, confirmando que estas variables son determinantes significativos del riesgo de superficie relacionado con la minería.

Significancia y Reivindicaciones
El artículo afirma proporcionar una metodología científicamente robusta y transferible para la planificación minera sostenible y la gestión ambiental. Al integrar el MCDA basado en SIG con la validación estadística, el marco supera las limitaciones de las evaluaciones tradicionales de sitio específico, ofreciendo una solución escalable para grandes regiones mineras.

El estudio sostiene que el Índice de Riesgo de Superficie (SRI) propuesto sirve como una herramienta eficaz de apoyo a la decisión para:

Planificación minera sostenible y monitoreo ambiental.
Prevención de desastres y gestión del cierre de minas.
Formulación de políticas, incluyendo el establecimiento de zonas de amortiguamiento y medidas de estabilización de estériles.

Los autores posicionan este marco como una contribución a las prácticas mineras responsables en economías en desarrollo, enfatizando su potencial para alinear las regulaciones mineras con objetivos de sostenibilidad más amplios. La metodología se presenta como aplicable a diversos yacimientos de carbón, con ejemplos específicos extraídos del contexto indio, pero el marco está diseñado para ser adaptable a otras regiones mineras a nivel mundial.

Resumen Técnico: Evaluación de Riesgos en Superficie de la Minería a Cielo Abierto mediante SIG y Modelado Estadístico

Más como este