Investigadores de la Universidad de León han aplicado redes neuronales artificiales a imágenes captadas con drones para reconocer, con un 95 % de acierto, la huella que dejaron las explotaciones auríferas de los romanos en el noroeste peninsular. El sistema se puede aplicar para reducir los riesgos asociados a las minas abandonadas, que causan pérdidas humanas y económicas en todo el mundo.
El noroeste de la península ibérica posee uno de los mayores complejos mineros de oro romanos del mundo, explotado principalmente entre los siglos I y III d. C. Durante aquel periodo se llegaron a extraer más de 6,5 toneladas del preciado metal, según autores latinos como Plinio el Viejo, que describió la situación en lo que hoy es Galicia, Asturias y León.
En esta última provincia se encuentran Las Médulas, uno de los restos de minería romana mejor conservados de Europa. Esta antigua mina de oro, declarada Patrimonio de la Humanidad en 1997 por la Unesco, cuenta con un sistema hidráulico constituido por una red de canales excavados en roca que supera los 700 km de longitud. El agua que circulaba por ellos se utilizaba para derrumbar la montaña y lavar los materiales auríferos.
En el estudio de todo este complejo minero de 2000 años de años de antigüedad ya se habían empleado nuevas tecnologías, como los drones y sensores LiDAR aerotransportados, pero ahora investigadores de la Universidad de León han incorporado la inteligencia artificial (IA) para reconocer y cartografiar antiguos restos preservados en el paisaje.
El trabajo, publicado en la revista Applied Intelligence, “combina algoritmos de aprendizaje automático (deep learning) e imágenes georeferenciadas de drones para la identificación de yacimientos mineros y otros elementos del entramado romano, como canales del sistema hidráulico”, apunta a SINC el autor principal, Daniel Fernández Alonso.
“Para ello –continúa–, hemos entrenado este sistema inteligente a partir de imágenes con patrones geométricos similares, que podrían fácilmente confundirse con restos mineros (como caminos, sendas y otros elementos que configuran el paisaje), ajustando así el sistema hasta conseguir un 95 % de acierto en la identificación de las diferentes estructuras de las antiguas minas de oro”.
Dentro del campo del deep learning, que permite un reconocimiento automático sin que intervenga la subjetividad humana, los autores han usado las llamadas redes neuronales convolucionales, capaces de aprender a realzar las características que mejor se ajustan a los elementos definidos durante el entrenamiento. Por ejemplo, diferenciar un camino de un canal como el de Peña Aguda, una estructura de casi 43 km dentro de Las Médulas.
“Este tipo de red neuronal va perfeccionando un conjunto de filtros que, al aplicarlos sobre las imágenes, resaltan aquellas partes con los elementos que estamos tratando de encontrar y diferenciar, en nuestro caso, restos de minería y cruces de caminos”, afirma la coautora María Teresa García Ordás, “y también cuenta con una capa de neuronas conectadas que clasifica correctamente esas imágenes generadas tras aplicar los filtros”.
Los investigadores recuerdan que zonas montañosas como las estudiadas son, en muchos casos, de difícil acceso, con un paisaje transformado a lo largo de los siglos por el aumento de la vegetación y la actividad antrópica. Esto dificulta la identificación de antiguas infraestructuras mineras como las romanas, pero la nueva metodología ofrece una herramienta útil para resolverlo y ayudar a los arqueólogos, según los autores.
Otro de ellos, Javier Fernández Lozano, también apunta que es la primera vez que se emplea la IA para identificar canales y estanques. Además, “se trata de una modelización que en el futuro permitirá ayudar en la localización de más elementos de minería aurífera romana, e incluso a descubrir nuevos yacimientos o depósitos de oro”.
“Para ello –aclara–, nuestro método tendría que implementarse e incluir otro tipo de imágenes, como las tomadas con cámaras multi e hiperespectrales, lo que permite reconocer patrones característicos de depósitos de oro con los que luego se puede comparar a partir de un estudio prospectivo”.
Ejemplos con una intersección de caminos y un paisaje también con un canal empleados para entrenar la máquina. / J. Fernández Lozano et al.
También destaca que este método, “cuya patente ya hemos solicitado”, permite identificar restos de minería más moderna presentes en el paisaje.
“La provincia de León –pone de ejemplo– ha tenido, además del oro, una larga historia de minería del carbón, del hierro o el wolframio, entre otros. Poder reconocer las huellas que dejaron en el territorio facilita una adecuada gestión por parte de las administraciones, evitando con ello accidentes de personas y costes asociados al abandono de pozos y otras infraestructuras mineras”.
De hecho, los investigadores concluyen: “Esta novedosa aplicación de deep learning puede implementarse para reducir los riesgos potenciales provocados por las minas abandonadas (especialmente la no señalizadas), que pueden causar importantes pérdidas humanas y económicas anuales en todo el mundo”.
Referencia:
Daniel Fernández-Alonso et al. “Convolutional neural networks for accurate identification of mining remains from UAV-derived images”. Applied Intelligence, 2023.
Participan las áreas de Ingeniería de Sistemas y Automática (Grupo de Investigación SECOMUCI) y Prospección e Investigación Minera (Grupo de Investigación GEOINCA) de la Universidad de León.
La Fundación BBVA ha galardonado al informático japonés, de la Universidad Carnegie Mellon (EE UU), por crear los algoritmos que permiten a las máquinas comprender las imágenes y procesar los movimientos. Sus técnicas están presentes en los coches autónomos, los drones y todos los robots con capacidad de visión, como los que se usan en cirugía.
Un grupo de expertos de universidades y centros de investigación internacionales analizan las interacciones en red local de los artefactos de Internet de las Cosas y las aplicaciones móviles. Demuestran que existen riesgos derivados de la creciente prevalencia de dispositivos opacos y técnicamente complejos.
