Modelado de la Dispersión de Contaminantes en la Minería Mediante Geoestadística y Machine Learning
La actividad industrial, la minería y el tráfico humano han dejado una huella ambiental significativa, afectando geografía, biología y ecosistemas locales, especialmente con la minería. Esta actividad a menudo libera elementos potencialmente tóxicos (PTE), como metales pesados y arsénico, que amenazan el medio ambiente y la salud humana en concentraciones elevadas. Estos contaminantes ingresan a la cadena alimentaria a través de cultivos y pastos, lo que plantea riesgos para la seguridad alimentaria y la salud pública.
Las zonas industriales y mineras son fuentes comunes de contaminación, particularmente de PTE como metales pesados y arsénico, que tienen un impacto negativo en el suelo y pueden influir en la elección de tecnologías de remediación adecuadas.
La geoestadística, incluido el kriging, es fundamental para estimar y analizar la variabilidad espacial de la contaminación en el suelo. Además, el análisis de datos y la reducción dimensional son esenciales para identificar patrones en los datos ambientales. El aprendizaje automático, como las redes neuronales, ha demostrado mejorar la precisión en la predicción y se aplica ampliamente en áreas como el reciclaje y la gestión de residuos sólidos.