A Three-Phase Deep Learning Framework for Mine Reclamation: LSTM Prediction and DRL Control with Synthetic Data Validation Against African Soil Profiles

Resumen Técnico: Un Marco de Aprendizaje Profundo de Tres Fases para la Reclamación de Minas

Planteamiento del Problema
La reclamación de minas en el África subsahariana enfrenta un cuello de botella crítico: la incapacidad de predecir y optimizar la recuperación del suelo sin años de ensayos de campo costosos y logísticamente difíciles. Más de 1,2 millones de hectáreas de tierra en la región permanecen sin reclamar. El desafío principal es la falta de predictibilidad en los resultados de la reclamación, que dependen de interacciones complejas y no lineales entre la química del suelo, la hidrología y la biología. Los métodos convencionales, que dependen de fórmulas lineales empíricas para la aplicación de cal, no logran considerar la heterogeneidad espacial (variaciones de pH a través de metros a kilómetros) y la dinámica temporal (tasas de recuperación no estacionarias). Además, los enfoques de aprendizaje automático existentes para la predicción de suelos son a menudo estáticos, careciendo de capacidades de pronóstico temporal, mientras que los sistemas de control ambiental suelen carecer de integración con modelos predictivos, lo que resulta en una gestión reactiva en lugar de anticipatoria.

Metodología
El estudio propone un marco de aprendizaje profundo de tres fases diseñado para operar donde los datos de campo son escasos, utilizando datos sintéticos validados contra perfiles del mundo real.

• Fase 1: Generación y Fusión de Datos Sintéticos
  Para superar la escasez de datos en los sitios mineros activos, los autores generaron 240.000 registros sintéticos a través de una cuadrícula de 100×100 (un área de 1 km²). Este conjunto de datos fusiona datos de sensores in situ simulados (pH, humedad, temperatura, conductividad eléctrica) con índices de teledetección (NDVI, NDWI, temperatura de la superficie terrestre). Crucialmente, la generación de datos sintéticos fue validada contra 1.839 muestras de suelo reales del Africa Soil Information Service (AfSIS). La distribución sintética (pH medio = 5,65 ± 0,86) fue estadísticamente distinta de los suelos naturales de AfSIS (pH medio = 6,21 ± 1,07, p < 0,001), confirmando que captura con precisión las condiciones ácidas típicas de los paisajes perturbados por la minería.

• Fase 2: Predicción mediante LSTM
  Se implementó una red de Memoria de Largo Corto Plazo (LSTM, por sus siglas en inglés) para predecir las trayectorias de recuperación del pH. El modelo toma una serie temporal de 24 meses de características de estado fusionadas como entrada y pronostica el valor del pH en un horizonte de 6 meses. La arquitectura consiste en dos capas LSTM (128 y 64 unidades), una capa de dropout y capas de salida densas. El modelo fue entrenado con 180.000 muestras. Para garantizar una evaluación rigurosa y evitar la fuga de datos, los autores emplearon tres estrategias distintas de validación cruzada:

  1. Validación Cruzada Temporal: Utilizando TimeSeriesSplit para asegurar que los datos futuros no influyan en las predicciones pasadas.
  2. Validación Cruzada de Bloque Espacial: Dividiendo la cuadrícula en bloques de 4×4 para evitar la fuga de información de celdas vecinas.
  3. Validación Cruzada Estratificada: Asegurando la representación de todos los tipos de relieve (estériles, relaves, fosas, etc.) a través de las particiones (folds).

• Fase 3: Control mediante Aprendizaje por Refuerzo Profundo (DRL)
  El proceso de reclamación se formuló como un Proceso de Decisión de Markov (MDP). Un agente de DRL, utilizando la Optimización de Política Próxima (PPO), fue entrenado para determinar las acciones óptimas de encalado. El agente opera sobre los estados futuros predichos por la LSTM, lo que permite un control anticipatorio en lugar de ajustes reactivos. La función de recompensa penaliza la desviación de un pH objetivo de 7,0 y el costo de la acción. El agente fue entrenado durante 200 episodios y se comparó con un controlador base simple basado en umbrales.

Resultados Clave

• Precisión de la Predicción: El modelo LSTM logró una precisión casi perfecta con un $R^2$ de 0,9976 y un RMSE de 0,0522. Este rendimiento superó significativamente a las variantes simples de LSTM y basadas en atención.
• Validación de Ausencia de Fuga: La validación cruzada confirmó la robustez del modelo. La CV temporal arrojó un RMSE de 0,0645 ± 0,0050, la CV de bloque espacial mostró una diferencia de pH medio de solo 0,021 entre bloques, y la CV estratificada mantuvo un rendimiento consistente (RMSE = 0,0268 ± 0,0092) en todos los tipos de relieve.
• Desempeño del Control: El agente de DRL logró una mejora del 11,6% en el pH, elevando la base de 4,98 a 5,56. El agente alcanzó el pH objetivo de 6,0 en 14 meses, mientras que el controlador base falló en alcanzar el objetivo.
• Variabilidad Espacial: La mejora no fue uniforme; los fondos de los valles mostraron la mayor recuperación (mejora del 31,1%, de 4,82 a 6,32), atribuida al transporte de cal mediado por el agua, mientras que las cimas de las crestas mostraron una mejora del 19,3%.
• Impacto Ecológico: El Puntaje Ecológico Compuesto (que integra vegetación, salud del suelo y calidad del agua) aumentó un 107%, pasando de una base de 42,3 a 87,6.

Significancia y Reivindicaciones
El artículo afirma presentar el primer marco integrado que combina LSTM para la dinámica temporal del suelo y DRL para el control adaptativo específicamente para la reclamación de minas. Su principal significancia radica en ofrecer un enfoque escalable y transferible para la planificación de la reclamación en entornos con escasez de datos. Al validar los datos sintéticos contra conjuntos de datos del mundo real independientes (AfSIS), el estudio aborda el error común de la validación circular en la investigación de datos sintéticos. Los autores sostienen que su marco cierra la brecha entre la predicción y el control, permitiendo una gestión anticipatoria que supera a los métodos reactivos tradicionales. El estudio concluye que, si bien el enfoque de datos sintéticos es una necesidad metodológica debido al alto costo y las barreras de seguridad de la toma de muestras en minas activas, la riguroosa validación contra datos reales independientes confirma la plausibilidad ecológica de los escenarios generados y la viabilidad del marco de aprendizaje profundo propuesto.