Método de predicción de alta precisión para la deformación minera basado en GNSS RTK y aprendizaje por ensamblado en pila

Por qué vigilar el movimiento del terreno puede salvar vidas

Las minas modernas remodelan silenciosamente el paisaje a cada hora de cada día. La mayor parte de ese movimiento es lento e inofensivo, pero en ocasiones las laderas se deslizan de golpe o los vertederos ceden, poniendo en riesgo a trabajadores, equipos y comunidades cercanas. Este artículo muestra cómo el posicionamiento por satélite y el análisis avanzado de datos pueden rastrear desplazamientos diminutos del terreno —hasta fracciones de milímetro— y convertirlos en alertas tempranas antes de que un hundimiento menor se transforme en un desastre mayor.

Escuchar la mina con señales satelitales

En lugar de confiar únicamente en inspecciones visuales o en levantamientos ocasionales, los autores utilizan una red de estaciones permanentes del Sistema Global de Navegación por Satélite (GNSS) alrededor de una mina a cielo abierto de carbón en Xinjiang, China. Estas estaciones, operando en modo Real-Time Kinematic (RTK), miden continuamente su posición tridimensional con precisión a nivel de centímetros cada hora, día y noche. Durante meses y años, esto crea un rico registro en el tiempo de cómo cada punto de la superficie de la mina se eleva, se hunde o se desliza lentamente. En estos datos están ocultas las primeras señales de peligro, pero quedan enterradas bajo una mezcla de interferencias procedentes de la atmósfera, las órbitas de los satélites, el ruido electrónico y las explosiones.

Limpiar la señal para que el movimiento real destaque

Para convertir mediciones ruidosas en movimiento del terreno fiable, el equipo construye una canalización de “filtrado por fusión” que combina varios métodos de eliminación de ruido en lugar de confiar en uno solo. Primero, un filtro de mediana elimina picos súbitos causados por pérdidas momentáneas de señal o fallos eléctricos. A continuación, un filtro Butterworth se ajusta de forma distinta para zonas tranquilas y estables y para laderas más activas, eliminando la vibración de alta frecuencia mientras conserva el movimiento real de baja frecuencia. Un filtro de Savitzky–Golay atenúa luego los datos preservando curvaturas y giros locales importantes que pueden indicar cambios de comportamiento. Finalmente, un filtro de Kalman adaptativo se ajusta en función de la velocidad del movimiento del terreno, dando más peso a las tendencias pasadas o a las observaciones recientes según convenga. Este proceso escalonado reduce la dispersión en los datos de coordenadas en aproximadamente un tercio en la componente vertical, sin borrar deformaciones significativas.

Enseñar a los modelos a predecir desplazamientos diminutos

Una vez limpios los datos, los autores pasan de la medición a la predicción. Convierten las coordenadas de las estaciones en deformación acumulada —qué distancia ha recorrido cada punto desde el inicio— y luego descomponen ese movimiento en tres partes: una tendencia a largo plazo, oscilaciones estacionales repetitivas y residuos irregulares. También calculan cómo varía la velocidad del movimiento (tasa) y con qué rapidez cambia esa velocidad (aceleración). Estas piezas conforman una especie de historial de salud para cada ubicación. En lugar de apostar por un único método de predicción, los investigadores ensamblan un conjunto de modelos: herramientas clásicas de series temporales, buenas para tendencias y ciclos estables, y modelos modernos de aprendizaje automático, capaces de capturar comportamientos complejos y no lineales. Un modelo final “árbitro” aprende a ponderar a cada miembro del conjunto para que la predicción combinada se ajuste lo más posible a la realidad.

De números brutos a alertas fiables

En pruebas con casi dos años de datos de 19 estaciones, el enfoque combinado predice la deformación futura con errores cuadráticos medios por debajo de 0,3 milímetros, incluso al mirar hasta tres días por delante. El método sigue tanto el hundimiento suave a largo plazo como cambios más abruptos vinculados a actividades mineras, y se mantiene estable cuando las condiciones varían entre estaciones y a lo largo del tiempo. Además de las predicciones, los autores incorporan un sistema de alertas que clasifica cada momento en etapas —creep estable, aceleración lenta o inestabilidad rápida— en función de la tasa y la aceleración. Mediante un algoritmo de clustering y una ventana estadística deslizante, el sistema ajusta automáticamente sus umbrales para que pequeñas fluctuaciones inofensivas no disparen alarmas, pero sí lo hagan desviaciones claras respecto al comportamiento esperado.

Convertir las predicciones en minas más seguras

Para un no especialista, el mensaje clave es que este trabajo transforma datos sutiles y difíciles de interpretar de posicionamiento por satélite en una herramienta práctica de alerta temprana. Al limpiar la señal de forma inteligente y combinar varios métodos de predicción, los autores pueden anticipar el movimiento del terreno en zonas de alto riesgo, como vertederos internos y pendientes empinadas, con precisión submilimétrica. Esto no hace que el hardware sea más preciso de lo que permite la física; significa que los errores de predicción restantes, tras filtrar el ruido y aprender del comportamiento pasado, son extremadamente pequeños. Tal previsión detallada permite a los operadores mineros detectar tendencias peligrosas antes, centrar las inspecciones en las áreas más inestables y planificar refuerzos o evacuaciones antes de que un hundimiento lento se convierta en un deslizamiento súbito.

Cita: Dong, X., Ma, R., Tian, W. et al. High-precision prediction method for mine deformation based on GNSS RTK and stacking ensemble learning. Sci Rep 16, 12277 (2026). https://doi.org/10.1038/s41598-026-41945-x

Palabras clave: monitorización de la deformación minera, GNSS RTK, alerta temprana de deslizamientos, predicción mediante aprendizaje automático, seguridad en minas a cielo abierto