From Classification Accuracy to Decision Value: Multimodal Sensor Fusion for Economic Prioritization of Landfill Mining Simulation-based Value-of-Information Analysis

Bajo la superficie de muchas ciudades yacen vastos y olvidados depósitos de residuos: los vertederos. Durante décadas, estos sitios fueron simplemente cubiertos, tratados como tumbas permanentes para materiales desechados. Hoy en día, un movimiento creciente busca reabrirlos, no solo para reclamar la tierra, sino para desenterrar los recursos enterrados en su interior. Este proceso, conocido como minería de vertederos, consiste en excavar residuos antiguos para recuperar metales valiosos, plásticos y otros materiales, al tiempo que se eliminan peligros ambientales. Sin embargo, la economía de un proyecto así es increíblemente frágil. La rentabilidad de excavar un vertedero depende enteramente de lo que realmente esté oculto bajo tierra. Si el sitio es rico en metales de alto valor, la operación puede ser una mina de oro; si es principalmente escombros de bajo valor o tierra inerte, el proyecto puede convertirse rápidamente en un desastre financiero. Debido a que estos sitios suelen tener décadas de antigüedad y están mal documentados, los operadores se ven obligados a tomar decisiones de miles de millones de dólares basándose en información incompleta, lo que conduce a una alta tasa de fracaso donde los proyectos son abandonados o pierden dinero.

El desafío central es la incertidumbre. Antes de que la primera pala golpee el suelo, nadie sabe la mezcla precisa de materiales o la ubicación de las peligrosas bolsas de gas. Para resolver esto, los investigadores han propuesto el uso de sensores avanzados para escanear el suelo desde arriba, creando un mapa detallado de lo que yace debajo sin tener que excavar primero. Estos sensores actúan como diferentes tipos de ojos: algunos detectan metales magnéticos, otros sienten cambios en la densidad del suelo y algunos incluso pueden oler gases con fugas. La idea es que, al combinar los datos de estos diversos sensores, podemos predecir el contenido del vertedero con la suficiente precisión para decidir si la minería del mismo merece la pena el coste. Pero una pregunta crítica permanece: ¿este escaneo de alta tecnología realmente ahorra dinero, o es solo una forma costosa de obtener una suposición ligeramente mejor?

Un estudio reciente del investigador independiente Leon Sandler aborda esta cuestión construyendo una sofisticada simulación informática de un proyecto de minería de vertederos. En lugar de realizar pruebas en un vertedero real y desordenado donde las variables son incontrolables, el investigador creó un sitio virtual que cubre un área de 1.024 metros cuadrados. Este paisaje digital fue poblado con distribuciones realistas de residuos, incluyendo metal, plástico, vidrio, materia orgánica y escombros de construcción, dispuestos en capas tal como lo harían en un vertedero real. La simulación ejecutó entonces un estudio virtual utilizando cinco tipos diferentes de sensores: un magnetómetro para encontrar metal, un sensor de inducción electromagnética para medir la conductividad del suelo, un radar de penetración terrestre para ver cambios de densidad, una cámara térmica para detectar calor y un sensor de gas para olfatear vapores peligrosos. El objetivo era ver si un programa informático podía utilizar estos datos de sensores para identificar correctamente qué había en cada metro cuadrado del sitio y, lo que es más importante, determinar si esa información cambiaría la decisión financiera de excavar.

Los resultados de la simulación revelaron una desconexcción sorprendente entre lo que los sensores eran buenos viendo y lo que realmente importaba para la billetera. Los modelos informáticos, utilizando algoritmos de aprendizaje automático avanzados, tuvieron un éxito notable al identificar ciertos materiales. Podían detectar metales, residuos orgánicos y escombros de construcción con una precisión casi perfecta, alcanzando tasas de éxito de casi el 99% para el metal. Sin embargo, tuvieron dificultades significativas con el plástico y el vidrio, fallando a menudo al distinguirlos de la tierra circundante. Esto no fue un fallo de la inteligencia de la computadora, sino una limitación de los propios sensores; el plástico y el vidrio simplemente no envían señales fuertes a los sensores magnéticos o de densidad utilizados en el estudio.

El hallazgo más significativo, sin embargo, fue que el sensor que era mejor encontrando cosas no era necesariamente el que generaba más dinero. Cuando los investigadores analizaron los datos, descubrieron que el radar de penetración terrestre era la herramienta más poderosa para la clasificación general, ayudando a la computadora a identificar la mayor cantidad de tipos de residuos. No obstante, cuando calcularon el valor económico del estudio, el radar no añadió ningún beneficio extra. El único sensor que aumentó consistentemente el retorno financiero esperado fue el magnetómetro. Esto se debe a que el modelo económico estaba impulsado por el alto valor del metal. Dado que el magnetómetro era la mejor herramienta para encontrar metal, y el metal era el material más valioso para recuperar, era el único sensor que influía directamente en la decisión de excavar. Los otros sensores, aunque mejoraban la imagen general de lo que había bajo tierra, estaban escaneando materiales que eran demasiado baratos o difíciles de recuperar para justificar su coste en este escenario específico.

El estudio también probó un supuesto común en la ciencia de datos: que uno debe tener cuidado con la forma en que divide sus datos al entrenar un modelo informático. En muchos campos, los investigadores se preocupan de que, si prueban un modelo con datos que son demasiado cercanos a aquello de lo que aprendió, el modelo parezca más inteligente de lo que realmente es. Para comprobar esto, los investigadores compararon dos formas de probar su modelo. En un método, dispersaron los datos de prueba aleatoriamente por todo el sitio. En el otro, mantuvieron un bloque entero del sitio oculto para el modelo para ver si podía adivinar qué había allí sin haber visto esa zona específica. Sorprendentemente, en esta simulación particular, el método aleatorio no hizo que el modelo pareciera mejor que el método de bloque. La precisión del modelo no disminuyó al observar áreas alejadas de sus datos de entrenamiento. Esto sugiere que, para este tipo particular de datos de sensores, la dificultad de la tarea proviene de que los materiales se parecen entre sí, y no de que el modelo simplemente memorizara la disposición del sitio.

Quizás la lección más práctica del estudio es que no existe un único "mejor" sensor para cada vertedero. Los investigadores probaron qué sucedería si la composición del vertedero cambiaba. Si el sitio fuera rico en plástico o escombros de construcción en lugar de metal, el sensor más valioso cambiaría. En un sitio rico en plástico, el radar de penetración terrestre se convirtió en la herramienta más importante, mientras que en un sitio lleno de escombros de construcción, el sensor electromagnético tomó el mando. Esto significa que la elección del equipo no puede basarse en una regla genérica; debe adaptarse a la mezcla específica de materiales y a los precios actuales del mercado de dichos materiales. Un conjunto de sensores que es perfecto para un sitio podría ser un desperdicio de dinero para otro.

Los investigadores también analizaron el aspecto de la seguridad, específicamente la capacidad de detectar bolsas de gas peligrosas. La simulación mostró que los sensores de gas podían ajustarse para captar casi todas las bolsas peligrosas, asegurando que nadie sufriera daños. Sin embargo, este alto nivel de seguridad conllevaba una compensación: el sistema también marcaría muchas áreas seguras como peligrosas. En la simulación, aproximadamente la mitad de las áreas marcadas como peligrosas eran en realidad seguras. Aunque esto pudiera parecer ineficiente, los investigadores señalaron que, en un contexto de seguridad, es mejor ser excesivamente cauteloso y excavar algunos puntos seguros de más que pasar por alto un solo punto peligroso.

En última instancia, el estudio concluye que escanear un vertedero antes de excavarlo es una idea financieramente sólida, pero solo bajo las condiciones adecuadas. En las simulaciones, el estudio tuvo un valor económico positivo en el 93% de los escenarios probados, con un coste de equilibrio de 1.451 dólares. Esto significa que, siempre que el estudio cueste menos de esa cantidad, vale la pena hacerlo para evitar el riesgo de excavar un sitio sin valor. Sin embargo, este valor es altamente sensible al mercado. Si los precios de los materiales reciclados caen o si el estudio se vuelve demasiado caro, el beneficio desaparece. El estudio proporciona un mapa claro para los operadores: el valor de la información depende de la mezcla específica de residuos y del clima económico actual, no solo de qué tan precisos sean los sensores.

Los investigadores advierten cuidadosamente que estos resultados se basan en una simulación informática, no en una prueba en el mundo real. Las cifras sobre cómo reaccionan los sensores a diferentes materiales se basaron en la física conocida, pero no fueron medidas en un vertedero real. Para probar estos hallazgos en el mundo real, los investigadores han delineado un plan de programa de pruebas por etapas. Este comenzaría con un banco de pruebas controlado donde el contenido sea conocido, pasando eventualmente a un piloto a gran escala en un sitio de vertedero real. Hasta que no se complete tal prueba, los resultados siguen siendo una predicción altamente detallada y lógica en lugar de un hecho probado. El estudio sirve como una guía poderosa sobre cómo pensar en el problema, mostrando que el camino hacia una minería de vertederos rentable no reside solo en una mejor tecnología, sino en hacer coincidir la tecnología adecuada con la realidad económica y física específica de cada sitio.