Predicción de la calidad del agua en entornos afectados por laminería: un estudio de teledetección hiperespectral en la faja pirítica Ibérica

• Isgró, Melisa ^[1] ; Basallote Sánchez, M Dolores ; Moreno González, Raúl ^[1] ; Barbero, Luis ^[1]
  1. [1] Universidad de Cádiz

     Universidad de Cádiz

     Cádiz, España

     
• Localización: Teledetección multidisciplinar: Miradas diversas, soluciones comunes. XXI Congreso de la Asociación Española de Teledetección (AET) / Elia María Quirós Rosado (ed. lit.), Laura Fragoso Campón (ed. lit.), María Alicia Antolín Salazar (ed. lit.), 2026, ISBN 978-84-9127-367-7, págs. 1021-1025
• Idioma: español
• Títulos paralelos:
  • Predicting Water Quality in Mine-Affected Environments: A Hyperspectral Remote Sensing Study in the Iberian Pyrite Belt
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    Este estudio integra imágenes hiperespectrales obtenidas mediante vehículos aéreos no tripulados (UAV) con técnicas de aprendizaje automático para estimar concentraciones de pH, Fe y SO4 -2 en nueve masas de agua de las minas abandonadas de Tharsis y Lagunazo, en la Faja Pirítica Ibérica (SO España). Estos emplazamientos presentan un gradiente hidroquímico de contaminación extrema oscilando entre condiciones de extrema acidez y neutras. Se utilizaron mediciones in situ para entrenar diversos modelos de regresión basados en un ortomosaico hiperespectral de 221 bandas (398.8–887.1 nm). Se evaluaron cinco algoritmos, destacando el Perceptrón Multicapa (MLP) como el mejor para la predicción del pH (R2 = 0.952) y Random Forest para el Fe (R2 = 0.861) y el S (R2 = 0.880). Los resultados subrayan el potencial de combinar sensores espectrales embarcados en drones y aprendizaje automático para el monitoreo operativo de alta resolución en entornos mineros impactados.

  • English

    This study integrates hyperspectral images obtained by unmanned aerial vehicles (UAVs) with machine learning techniques to estimate pH, Fe, and SO4 -2concentrations in nine water bodies of the abandoned Tharsis and Lagunazo mines in the Iberian Pyrite Belt (SW Spain). These sites present a contamination hydrochemical gradient ranging from extreme acidity to circum-neutral conditions. In situ measurements were used to train various regression models based on a 221-band (398.8–887.1 nm) hyperspectral orthomosaic. Five algorithms were evaluated, highlighting the Multilayer Perceptron (MLP) as the best for pH prediction (R2 = 0.952) and Random Forest for Fe (R2 = 0.861) and S (R2 = 0.880). The results emphasize the potential of combining drone-mounted spectral sensors and machine learning for high-resolution operational monitoring in impacted mining environments.