El noroeste de la península ibérica alberga uno de los complejos mineros de oro romano más grandes del mundo, explotado principalmente entre los siglos I y III d.C. Durante este período, se extrajeron más de 6,5 toneladas de oro, según relatos de autores latinos como Plinio el Viejo, quien describió la actividad en regiones que hoy corresponden a Galicia, Asturias y León.
En la provincia de León se sitúan Las Médulas, uno de los vestigios de minería romana mejor conservados de Europa. Esta antigua mina de oro, declarada Patrimonio de la Humanidad por la Unesco en 1997, cuenta con un sistema hidráulico de canales excavados en roca que superan los 700 km de longitud. El agua, conducida por estos canales, se utilizaba para derrumbar montañas y lavar los materiales auríferos.
Recientemente, investigadores de la Universidad de León han adoptado una nueva herramienta para estudiar este complejo minero de 2000 años de antigüedad: la inteligencia artificial (IA). La IA se emplea ahora para reconocer y cartografiar antiguos restos preservados en el paisaje. Combinando algoritmos de aprendizaje automático con imágenes de drones, los científicos pueden identificar yacimientos mineros romanos y sus elementos, como los canales hidráulicos.
El trabajo, publicado en la revista «Applied Intelligence», integra algoritmos de aprendizaje automático (deep learning) e imágenes georreferenciadas de drones para la identificación de estas estructuras romanas. «Para ello,» explica el investigador principal Daniel Fernández Alonso, «hemos entrenado este sistema inteligente usando imágenes con patrones geométricos similares que podrían confundirse con restos mineros (como caminos y sendas), ajustando el sistema hasta lograr un 95% de acierto en la identificación de las diferentes estructuras.»
Dentro del campo del deep learning, los autores utilizan redes neuronales convolucionales, capaces de realzar las características que mejor se ajustan a los elementos definidos durante el entrenamiento. Estas redes diferencian, por ejemplo, caminos de canales como el de Peña Aguda, una estructura de casi 43 km en Las Médulas.
Según María Teresa García Ordás, otra de las investigadoras, «Este tipo de red neuronal desarrolla filtros que, al aplicarse sobre las imágenes, resaltan aquellas partes con los elementos que queremos encontrar y diferenciar, como restos de minería y cruces de caminos. El sistema también cuenta con una capa de neuronas conectadas que clasifica correctamente esas imágenes generadas tras aplicar los filtros.»
Los investigadores subrayan que muchas zonas montañosas estudiadas son de difícil acceso y han sido transformadas a lo largo de los siglos por la vegetación y la actividad humana. Esto complica la identificación de infraestructuras mineras antiguas, como las romanas. Sin embargo, esta nueva metodología ofrece una herramienta útil para ayudar a los arqueólogos.
Javier Fernández Lozano comenta que es la primera vez que se emplea la IA para identificar canales y estanques. «Además,» añade, «se trata de una modelización que en el futuro permitirá localizar más elementos de minería aurífera romana e incluso descubrir nuevos yacimientos o depósitos de oro.»
En el futuro, este método podría incluir otras imágenes para reconocer patrones de nuevos depósitos de oro. «Nuestro método tendría que implementarse e incluir imágenes tomadas con cámaras multi e hiperespectrales, capaces de reconocer patrones característicos de depósitos de oro para compararlos a partir de un estudio prospectivo.»
Asimismo, el método, cuya patente ya ha sido solicitada, permite identificar restos de minería más moderna en el paisaje. «Por ejemplo, la provincia de León tiene una larga historia de minería del carbón, del hierro y del wolframio. Identificar las huellas dejadas en el territorio facilita una gestión adecuada, evitando accidentes y costes asociados al abandono de pozos e infraestructuras mineras.»
Finalmente, los investigadores concluyen que esta innovadora aplicación del deep learning puede reducir los riesgos potenciales de las minas abandonadas, minimizando las pérdidas humanas y económicas anuales a nivel global.
