Measuring Tailings Storage Facility Bathymetry Using Sentinel-2 and Landsat-8/9 Multispectral Imagery and Machine Learning
Notice bibliographique
Résumé
Abstract. Tailings, a byproduct of mining, consist of fine sediment particles suspended in water that are stored in tailings storage facilities (TSFs). The discharge of untreated TSF water into the environment is typically prohibited due to its contact with mine tailings and processing chemicals. TSF failures have caused damage to communities and the environment, prompting calls for better management practices and advanced monitoring tools. For operational mine water management, boat-based bathymetric surveys have been used. However, these technologies have limitations, especially when the surveying of large facilities is required. Advances in remote sensing, particularly satellite-based earth observation (SBEO), offer cost-effective solutions for monitoring TSFs. This study explores the use of machine learning models, including XGBoost and Convolutional Neural Networks (CNNs), applied to Sentinel-2 and Landsat-8/9 data to estimate TSF bathymetry. Surveyed bathymetry datasets were used for model training, testing, and results validation. The results of the experiments revealed that high-accuracy bathymetric estimates could be obtained with mean absolute errors between 6 and 12 cm depending on the source of the data (i.e. Sentinel-2 or Landsat-8/9) and the model used (XGBoost vs CNN). Limitations include mixed pixel effects on the pond-beach interface and lower accuracies obtained in shallow areas, notably when XGBoost is used. This research underscores the potential of using satellite data and machine learning for TSF bathymetric monitoring, with implications for enhancing environmental and safety standards in mining operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».