Interpretación de:
Change Detection of Amazonian Alluvial Gold Mining Using Deep Learning and Sentinel-2 Imagery
https://doi.org/10.3390/rs14071746Camalan, S., Cui, K., Pauca, V., Alqahtani, S., Silman, M., Chan, R., Plemmons, R., Dethier, E., Fernandez, L., Lutz, D., 2022: Change Detection of Amazonian Alluvial Gold Mining Using Deep Learning and Sentinel-2 Imagery, Remote Sensing, 14, 1746, https://doi.org/10.3390/rs14071746
Intérprete
Castro Nicolas
Fecha de interpretación
07/05/2025
Revisor
Takahashi Guevara Ken
Resultados y conclusiones
Se desarrolló el modelo de Deep Learning ReCNN para la detección y categorización de cambios en estanques mineros causados por la minería de oro artesanal y de pequeña escala (ASGM) en Madre de Dios. El modelo ReCNN superó al modelo semisupervisado SVM-STV en la detección de cambios multitemporales en el paisaje asociado a la ASGM, demostrando su alta aplicabilidad en la monitorización de cambios medioambientales. Se destaca la importancia del preprocesamiento, como la coincidencia de histogramas, para mejorar la precisión en la identificación de cambios sutiles en la reflectancia del agua.
Metodología y datos
Se utilizaron imágenes de Sentinel-2 y se creo un conjunto de datos etiquetados de código abierto sobre cambios en la cubierta terrestre en Madre de Dios (MDD). Se emplearon enfoques supervisados (ReCNN) y semisupervisados (SVM-STV) para analizar cambios binarios y multiclase en estanques mineros en MDD, con datos adicionales de ASGM en Venezuela, Indonesia y Myanmar para pruebas fuera de muestra. Se exploraron técnicas de preprocesamiento, como la coincidencia de histogramas y métricas de color La*b*. Se utilizaron las puntuaciones Kappa, Jaccard y F1 para evaluar la performancia de los modelos.
Limitaciones de la investigación
La dependencia de datos etiquetados para el entrenamiento de los modelos puede introducir sesgos o imprecisiones en función de la calidad y representatividad de las muestras etiquetadas. El rendimiento de los modelos podría verse influido por la disponibilidad y coherencia de los datos reales sobre el terreno. La generalización de los modelos a diversos entornos ambientales puede verse limitada por las características específicas y las firmas espectrales de los estanques mineros.
Adaptación: Bosques
Mitigación: Uso de suelo, cambio de uso de suelo y silvicultura
Escala: Regional
Ámbito geográfico: Madre de Dios
Palabras clave: Deep Learning, ASGM , estanques mineros
Cita de la interpretación
Castro, Nicolas, 2025: Interpretación de Camalan et al. (2022, doi:10.3390/rs14071746), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/9c8c2ac7-c958-4ea5-b380-0df3cc25fdba