Deep learning per attività estrattive artigianali e su piccola scala
I modelli di intelligenza artificiale basati sul deep learning possono essere di grande aiuto per le attività estrattive artigianali e su piccola scala, anche in ambienti semidesertici difficili.
Lo dimostra uno studio focalizzato sul contesto del Burkina Faso in Africa e pubblicato sulla rivista IEEE da un team internazionale di ricercatori del Dipartimento di Geoscienze dell’Università di Padova insieme a colleghi del Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) di Barcellona.
I ricercatori hanno utilizzato dati spaziali provenienti dai satelliti della missione Pléiades dell’European Space Agency e da Copernicus Sentinel-2: analizzati da protocolli di deep learning questi dati satellitari, provenienti da strumenti che hanno caratteristiche differenti ma complementari, hanno rivelato di poter mappare in modo ideale miniere di piccole dimensioni.
Nei giorni scorsi l’European Space Agency ha dedicato un approfondimento ai risultati di questo studio intervistando Lorenzo Nava, primo autore e dottorando al Dipartimento di Geoscienze dell’Università di Padova.
“Il nostro approccio è abbastanza semplice e facilmente riproducibile. Può offrire ai governi conoscenze precise e puntuali sui siti minerari di piccola scala all'interno dei loro territori, fornendo le informazioni necessarie per progettare e attuare strategie di gestione per la formalizzazione delle attività estrattive, nonché per pianificare interventi di bonifica ambientale”, ha affermato Lorenzo Nava.
L'estrazione artigianale e su piccola scala fornisce una fonte di sussistenza per molte famiglie nell'Africa subsahariana. Il Burkina Faso è attualmente il produttore di oro in più rapida crescita e il quinto più grande in Africa. Sfortunatamente le attività estrattive comportano anche gravi problemi ambientali, sociali e sanitari. Molte miniere esistono nel settore minerario informale e fanno affidamento su una forza lavoro non qualificata che utilizza strumenti e tecniche rudimentali.
I problemi includono mercurio e altre contaminazioni, condizioni di lavoro non sicure, lavoro minorile, problemi respiratori e conflitti per l'uso del suolo. Le istituzioni governative e le società minerarie legali hanno bisogno degli inventari delle miniere per pianificare in modo efficiente strategie di gestione per la loro formalizzazione. I set di dati in situ sono scarsi e in molte regioni è pericoloso raccoglierli a causa della presenza di gruppi armati. Invece i dati satellitari analizzati da protocolli di deep learning si rivelano il metodo ideale per mappare piccole miniere.
L'identificazione di piccole miniere in aree difficili da raggiungere è solo una delle molte applicazioni dei dati satellitari di osservazione della Terra resi accessibili dall’European Space Agency, osserva la stessa ESA.
Artisanal and Small-Scale Mine Detection in Semi-Desertic Areas by Improved U-Net
Authors: Lorenzo Nava, Maria Cuevas, Sansar Raj Meena, Filippo Catani, Oriol Montserrat
Published in: IEEE Geoscience and Remote Sensing Letters
