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

Technische Samenvatting: LAMES: Een Groot-Schalig en Ambachtelijk Mijnbouw Milieu Segmentatie Dataset

Probleemstelling
Mijnbouwactiviteiten zijn economisch van vitaal belang, maar genereren aanzienlijke negatieve externaliteiten, waaronder bodemerosie, ontbossing, watervervuiling (zuur mijnwater, zware metalen), verlies van biodiversiteit en ophoping van afval. Deze impacten worden verergerd door de prevalentie van illegale ambachtelijke en kleinschalige mijnbouw (ASM), die vaak opereert zonder staatsvergunning of milieutoezicht, met name in regio's zoals Afrika. Het monitoren van deze activiteiten is cruciaal voor het opsporen van illegale operaties, het begrijpen van de onderlinge relatie tussen mijnbouwkenmerken en milieueffecten, en het adresseren van het "ethische dilemma" van het afwegen van de levensonderhoudsbronnen van ambachtelijke mijnwerkers tegen de volksgezondheid. Echter, onderzoek op dit gebied wordt gehinderd door een gebrek aan publiek beschikbare, hoogwaardige datasets die metadata van groot-schalige mijnbouw (LSM) combineren met gedetailleerde, hoogresolutie annotaties voor zowel LSM- als ASM-locaties. Bestaande datasets vertrouwen vaak op privédata of missen de granulariteit die vereist is voor semantische segmentatie van specifieke mijnbouwinfrastructuur.

Methodologie en Dataset Constructie
De auteurs presenteren de LAMES-dataset, geconstrueerd om monitoring van mijnbouwactiviteiten op basis van remote sensing te faciliteren. De dataset integreert twee distincte componenten:

1. Groot-Schalige Mijnbouw (LSM) in Chili: De auteurs selecteerden 150 representatieve mijnbouwlocaties uit een wereldwijde dataset van meer dan 6.000 locaties. Om een beheersbare annotatieomvang te garanderen terwijl de representativiteit behouden bleef, werden locaties groter dan 80 km² uitgesloten en overlappende locaties samengevoegd, wat resulteerde in 71 niet-overlappende locaties die 963 km² beslaan.
2. Ambachtelijke Kleinschalige Mijnbouw (ASM) in Ghana: De dataset beslaat 870 km² geannoteerde ASM-gebieden, voornamelijk in de regio's Ashanti en Western. In tegenstelling tot LSM hebben ASM-locaties geen gedefinieerde grenzen en volgen ze vaak waterlichamen; daarom omvatten annotaties verbonden mijnbouwgebieden in plaats van afgesloten polygonen.

Annotatie en Verwerking:

• Bronnen: Hoogresolutie (0,5m GSD) kleurechte beelden van Maxar en CNES (via Google Earth) werden gebruikt voor semantische segmentatiemaskers. Medium-resolutie (10m GSD) Sentinel-2 beelden werden gebruikt voor experimenten met mijnbouwlocatiedetectie.
• Expertise: Annotaties werden uitgevoerd met consultatie van het Instituut voor Mineralen Resource Engineering aan de RWTH Aachen om technische nauwkeurigheid bij het identificeren van mijnbouwsectoren te waarborgen.
• Klassen: De dataset definieert 9 prominente LSM-sectoren: Open Graven, Mijnfaciliteiten, Afvalrotsstortplaatsen, Opslagfaciliteiten voor Gesteente, Voorraadplaatsen, Verwerkingsfabrieken, Stapelbakken (Heap Leaching) en ASM-locaties.
• Metadata: De LSM-component bevat 27 attributen per locatie, zoals mijnbouwtype, verwerkingsmethode, grondstof, jaarlijkse productie en operationele status.
• Dataverdeling: Voor experimenten werden locaties opgesplitst in trainings-, validatie- en testsets gebaseerd op volledige mijnbouwlocaties (niet individuele patches) om datalekken te voorkomen. Voor locatiedetectie werden 35 geïsoleerde locaties gereserveerd voor testen, terwijl 104 werden gebruikt voor training.

Belangrijkste Bijdragen

• LAMES Dataset: De eerste publieke dataset die 150 geannoteerde LSM-locaties (met 1.204 sectorpolygonen) en 870 km² aan ASM-annotaties combineert, begeleid door rijke metadata.
• Multi-Resolutie Ondersteuning: De dataset biedt zowel hoogresolutie (0,5m) patches voor gedetailleerde sectorclassificatie als medium-resolutie (10m) Sentinel-2 patches voor grootschalige locatiedetectie.
• Ethisch Kader: Het artikel bespreekt de ethische implicaties van het monitoren van ASM, waarbij de spanning wordt benadrukt tussen het afdwingen van milieuregels en het beschermen van de levensonderhoudsbronnen van mijnwerkers die afhankelijk zijn van deze activiteiten, en pleit voor constructieve remediatie in plaats van uitsluitend strafmaatregelen.
• Basisexperimenten: De auteurs bieden basisresultaten voor twee taken:
  1. Mijnbouwsector Classificatie (Hi-Res): Met behulp van een U-Net met ResNet-50 backbone op 0,5m beelden.
  2. Mijnbouwlocatie Detectie (Mid-Res): Met behulp van Sentinel-2 beelden om mijnbouwlocaties te onderscheiden van niet-mijnbouwgebieden.

Resultaten

• Sector Classificatie: Het basismodel behaalde een macro-accuratesse van 89,0% en een micro-accuratesse van 59,2% op de testset. De meeste klassen werden met meer dan 50% nauwkeurigheid geclassificeerd. De klasse "Stapelbakken" (lh) vertoonde echter een misclassificatiepercentage van 98%, waarschijnlijk vanwege de hoge visuele heterogeniteit tussen locaties. Daarentegen presteerde "Voorraadplaatsen" (sy) goed ondanks lage steekproefgroottes, wat visuele consistentie suggereert. Klassegewichten werden toegepast om ernstige klasseonbalans aan te pakken.
• Locatie Detectie: De binaire classificatietaken (Mijnbouw vs. Geen-Mijnbouw) op Sentinel-2 data leverde een nauwkeurigheid van 0,89 en een F1-score van 0,75 op. De auteurs merken op dat het model, vanwege de extreme schaarste aan mijnbouwlocaties in Chili (ongeveer 0,5% van het landoppervlak), worstelde met vals-negatieven. Het aanvullen van de trainingsset met 10.000 willekeurige "geen-mijnbouw" patches verlaagde het vals-negatief percentage van 36% naar 25%, maar verhoogde het vals-positief percentage, wat aangeeft dat eenvoudige willekeurige steekproefvergroting beperkte bruikbaarheid heeft in deze specifieke context.

Betekenis en Claims
Het artikel claimt dat LAMES dient als een fundamentele bron voor de onderzoeksgemeenschap om AI-gedreven mijnbouwmonitoring vooruit te helpen. De betekenis ligt in:

• Gedetailleerde Analyse Faciliteren: Het bieden van de eerste publiek beschikbare, granulaire segmentatie van mijnbouwinfrastructuur, wat essentieel is voor rampenmanagement, milieueffectbeoordeling en mineralenmapping.
• Opsporen van Illegale Mijnbouw: Het bieden van een basis voor het opsporen en classificeren van illegale ASM-activiteiten, die momenteel moeilijk te monitoren zijn vanwege een gebrek aan ground truth-data.
• Ondersteunen van Ethische Remediatie: Door betere monitoring mogelijk te maken, kan de dataset beleidsmaatregelen ondersteunen die gericht zijn op het minimaliseren van milieuschade terwijl de sociaaleconomische behoeften van ambachtelijke mijnwerkers worden aangepakt, in lijn met de UN Duurzame Ontwikkelingsdoelen.
• Toekomstig Potentieel: De auteurs stellen dat de dataset toelaat om modellen te trainen om mineralenquantiteiten te benaderen en milieueffecten te schatten, met toekomstige plannen om hyperspectrale beelden op te nemen.

De auteurs handhaven een bescheiden toon regarding de experimentele resultaten, waarbij zij erkennen dat de huidige basisprestaties voor locatiedetectie "vrij slecht" zijn voor real-world implementatie zonder verdere state-of-the-art fine-tuning en augmentatie, maar bevestigen dat de dataset zelf de haalbaarheid bewijst van het detecteren van mijnbouwsectoren op homogene, niet-vegetatieve gronden.