Detectar y clasificar depósitos de relaves desde imágenes satelitales no es solo un problema de reconocimiento visual. También exige que el modelo generalice frente a geometrías variables, cambios de escala y orientaciones arbitrarias. Ese es el núcleo del trabajo doctoral de Giovanni Cocca-Guardia, ahora publicado en IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS, Q1, IF 6.5), vol. 19, pp. 24965-24990, doi:10.1109/JSTARS.2026.3715431.

La contribución técnica central es la inyección de simetrías rotacionales en el entrenamiento de YOLOv11x-seg. A partir de 2.240 imágenes Sentinel-2 adquiridas entre 2017 y 2024 en Antofagasta y Valparaíso, el estudio construyó un set temporal donde el entrenamiento original pasó de 1.680 a 12.712 imágenes mediante rotaciones de 45°. Con eso, el modelo gana equivarianza rotacional inducida y mejora su capacidad para detectar y segmentar TSFs bajo variaciones geométricas y texturales.

El framework no se queda en la segmentación. Un clasificador ResNet-50 categoriza la configuración topográfica de los depósitos con 0,90 de F1 global y métricas promedio de precisión y recall de 0,91. Luego, capas GIS e indicadores abiertos permiten combinar Potential Impact to the Environment (PIE) y Potential Physical Instability (PPI) en una Hierarchical Classification of Supervision (HCS), útil para priorizar qué instalaciones requieren revisión más detallada.

El cierre del sistema es especialmente interesante: una capa LLM convierte esos resultados en reportes técnicos legibles para perfiles no especializados o funcionarios institucionales. En otras palabras, el paper conecta detección satelital, evaluación simplificada de estabilidad física y comunicación técnica en un mismo flujo operativo.

#AIMineSafe #IEEEJSTARS #YOLOv11 #GIS #TSF #Relaves #Sentinel2 #PUCV