Teledetección de yacimientos con redes neuronales
I. INTRODUCCIÓN
En un mundo cada vez más impulsado por los avances tecnológicos y la inteligencia artificial, la detección de yacimientos minerales se ha convertido en una aplicación fundamental de estas tecnologías. Las formas tradicionales de mapear la geología y los recursos minerales de la Tierra, como el muestreo de campo y las fotografías aéreas, son costosas y requieren mucho tiempo. Sin embargo, gracias a la teledetección y el aprendizaje automático, se ha abierto un nuevo horizonte en la identificación de ubicaciones prometedoras para la extracción de minerales.
En este contexto, este trabajo ha explorado en detalle cómo la inteligencia artificial, específicamente las redes neuronales, pueden utilizarse para detectar yacimientos minerales a partir de datos de teledetección. Se describirá el proceso de adquisición de datos, la estructura de la red neuronal utilizada y los resultados obtenidos.
II. TECNOLOGÍA SATELITAL
2.1. LOS SATÉLITES
Son objetos artificiales o naturales que orbitan alrededor de un cuerpo celeste (un planeta o una luna). Específicamente la Tierra, cuenta con satélites artificiales, los cuales son objetos que se lanzan al espacio y orbitan alrededor de nuestro planeta para cumplir diversas funciones como la comunicación, la navegación, la investigación científica y militar, entre otros.
2.2. FUNCIONALIDAD DE LOS SATÉLITES
La teledetección, utilizada en la captura de imágenes por satélites, se basa en la interacción entre tres elementos esenciales: una fuente de energía, un objetivo o escena, y un captador o sensor. La fuente de energía emite radiación electromagnética hacia el objetivo, que puede ser la propia superficie terrestre o la energía solar reflejada por ella. El captador, ubicado en un satélite o avión, registra esta radiación reflejada y la convierte en datos.
Figura N1. Proceso de funcionamiento de la teledección.
2.3. TIPOS DE TELEDETECCIÓN
La teledetección pasiva utiliza la luz solar, lo que limita las observaciones a las horas diurnas y depende de las condiciones climáticas. Por otro lado, la teledetección activa implica el uso de un radar que emite su propia energía, lo que permite observaciones tanto de día como de noche y atraviesa las nubes. Aunque las imágenes de radar son más complejas de analizar, proporcionan información valiosa, como la topografía del terreno, complementando los datos obtenidos mediante teledetección pasiva.
Figura N2. Tipos de teledección. (a) Pasivo. (b) Activo.
III. IMÁGENES SATÉLITES
Los satélites están equipados con sensores que capturan la radiación electromagnética reflejada o emitida por la Tierra en diversas bandas del espectro electromagnético, desde el visible hasta el infrarrojo térmico. Estas imágenes se registran en diferentes bandas que pueden ser combinadas en tres canales de color (rojo, verde y azul) para generar imágenes visibles.
Cada banda y canal de color revela información específica sobre la superficie terrestre, como la vegetación, la temperatura, la humedad, la geología y mucho más. Esta capacidad de obtener datos desde la distancia ha demostrado ser una herramienta esencial en la exploración geológica y minera.
Las imágenes más utilizadas en la exploración geológica – minera son: LANDSAT, ASTER, ALI, QUICKBIRD, SPOT, HYPERION y los aerotransportados: GEOSCAN, MASTER, AVIRIS, HYPMAP, entre otros.
Figura N3. Mapa geologico obtenido por Sentinel 2.
IV. TIPOS DE IMÁGENES SATELITALES
4.1. LANDSAT 8
Landsat 8, lanzado en 2013, es el último satélite de la serie Landsat. Está equipado con el Operational Land Imager (OLI) y el Thermal Infrared Sensor (TIRS), lo que le permite capturar datos en una amplia variedad de bandas espectrales, incluyendo una banda pancromática de alta resolución. Landsat 8 ha continuado la tradición de proporcionar datos de alta calidad y ha mejorado la precisión y la cobertura temporal en comparación con sus predecesores.
4.2. IMÁGENES ASTER
El sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) cuenta con un total de 14 bandas espectrales que abarcan desde el visible hasta el infrarrojo térmico. Estas bandas permiten la identificación de minerales y características geológicas en la superficie terrestre, incluyendo minerales como arcillas, cuarzo y óxidos de hierro. Su resolución espacial varía de 15 a 90 metros, lo que lo hace versátil para aplicaciones geológicas y mineras.
4.3. IMÁGENES ALI
El sensor ALI (Advanced Land Imager) tiene la capacidad de capturar datos en nueve bandas espectrales que abarcan desde el visible hasta el infrarrojo cercano. Estas bandas permiten la identificación precisa de minerales, vegetación y características geológicas en la superficie terrestre, incluyendo minerales como arcillas y óxidos de hierro. Además, ALI ofrece una resolución espacial de alrededor de 10 metros, lo que lo convierte en una opción ideal para aplicaciones que requieren alta precisión, como la detección de detalles finos en la superficie.
4.4. IMÁGENES HYPERION
El sensor HYPERION (Hyperspectral Imager) es una tiene una capacidad para capturar datos hiperespectrales de alta resolución en una amplia variedad de bandas espectrales. Con un total de 242 bandas espectrales, HYPERION proporciona una riqueza de información sin precedentes sobre la superficie terrestre. Estas bandas cubren un amplio rango del espectro electromagnético, desde el ultravioleta hasta el infrarrojo cercano. Además HYPERION ofrece una resolución espacial de 30 metros, lo que permite la identificación de características geológicas con un alto nivel de detalle.
4.5. IMÁGENES SENTINEL 2
El satélite Sentinel-2, cuenta con un total de 13 bandas espectrales en su instrumento MSI (MultiSpectral Instrument). Estas bandas cubren una amplia gama del espectro electromagnético, desde el ultravioleta hasta el infrarrojo cercano por lo que puede capturar imágenes de alta resolución espacial de hasta 10 metros.
V. APLICACIÓN DEL ANN PARA LA DETECCIÓN DE MINERALES METÁLICOS
De acuerdo al post de "Identifying New Mineral Occurrence using Remote Sensing Images" es posible implementar las redes neuronales para detectar presencia de minerales metálicos a través del análisis de imágenes satelitales. En los siguientes párrafos se realiza un resumen de esa investigación.
5.1. ADQUISICIÓN DE DATOS
Este proyecto se basó en el aprovechamiento de imágenes satelitales Sentinel-2A que se encuentran almacenados en el depósito AWS S3. Estas imágenes se organizan en mosaicos referenciados mediante el Sistema de referencia de red militar (MGRS). Cada mosaico contiene una serie temporal de escenas que capturan la misma ubicación en diferentes momentos, con cada escena compuesta por 13 bandas que abarcan diversas longitudes de onda. Además, cada escena incluye metadatos que describen el porcentaje de cobertura de nubes y la calidad de los datos en archivos "json".
Figura N4. Esquema de obtención de datos de Sentinel 2.
5.2. PREPROCESAMIENTO DE DATOS
Antes de que la red neuronal pueda trabajar con los datos, se someten a un proceso de preprocesamiento. Esto incluye la conversión de las imágenes de formato jp2 a Geotiff y la estandarización de la resolución de las bandas a 20 metros. También se recortan las imágenes según las áreas de interés.
Figura N5. Esquema de obtención de datos.
5.3. ESTRUCTURA DE ANN
Capa de Entrada (Input Layer): Esta es la capa inicial que recibe los datos de entrada. En el caso de una CNN para procesamiento de imágenes, esta capa suele consistir en una cuadrícula de píxeles, donde cada píxel representa un valor de intensidad de color.
Capas de Convolución (Convolutional Layers): Estas capas son fundamentales en una CNN. Aplican filtros (kernels) a regiones locales de la imagen para detectar patrones como bordes, texturas y características más complejas.
Capas de Agrupación (Pooling Layers): Estas capas reducen la dimensionalidad espacial de las representaciones obtenidas en las capas de convolución. El "pooling" se realiza tomando el valor máximo o promedio en regiones locales. Esto reduce la cantidad de parámetros y hace que la red sea más eficiente.
Capas Totalmente Conectadas (Fully Connected Layers): Son similares a las capas ocultas en una red neuronal tradicional, su función es aprender patrones complejos en los datos y realizar la clasificación final de las imágenes. Cada neurona en una capa totalmente conectada está conectada a cada neurona en la capa anterior.
Capa de Salida (Output Layer): Esta capa produce la salida final de la red neuronal, en este caso permitirá reconocer si la imágenes es positiva o negativa, es decir, si tiene contenido metálico o no.
Figura N6. Esquema de funcionamiento de RNN
5.4. RESULTADOS
El modelo generó resultados significativos, proporcionando probabilidades para diferentes minerales y coordenadas exactas de ubicación de estos recursos. La precisión general del modelo alcanzó un impresionante 95%, lo que refleja su eficacia en la identificación de sitios minerales. El modelo también se sometió a pruebas con datos invisibles, mostrando su capacidad de generalización.
Figura N7. Resultados obtenidos
Figura N8. Resumen y precisión de los resultados
VI. CONCLUSIÓN
En conclusión, este estudio demuestra cómo la sinergia entre la teledetección y la inteligencia artificial puede revolucionar la forma en que identificamos yacimientos minerales en nuestro planeta. La capacidad de procesar grandes volúmenes de datos de satélite de manera eficiente y de extraer información valiosa a través de redes neuronales representa un avance significativo en la industria minera.
La red neuronal implementada en este proyecto ha demostrado una precisión notable en la detección de minerales, con una tasa de acierto del 95%. Esto significa que no solo se pueden identificar ubicaciones con potencial de extracción de minerales de manera más rápida y económica.
REFERENCIAS BIBLIOGRAFICAS
- The European Space Agency (2018). Cartografía de minerales con Sentinel.
https://www.esa.int/Space_in_Member_States/Spain/Cartografia_de_minerales_con_Sentinel
- Shailendra (2023). Identifying New Mineral Occurrence using Remote Sensing Images.
https://www.linkedin.com/pulse/identifying-new-mineral-occurrence-locations-using-remote-s/
- Byju's (s.f.). Remote Sensing.
https://byjus.com/physics/remote-sensing/
- RS - GEOIMAGE (s.f.). Imagenes de satélite en la explotación geologica - minera.
- EOS DATA ANALYTICS (2023). Tipos de satélites: Sus órbita y funciones.
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis