TailWatch — Estudio de Deformación de Terreno con InSAR para Tranques de Relaves y Taludes
Un estudio de deformación de terreno con InSAR en el navegador para tranques de relaves y taludes. Renderiza un cubo multi-temporal de desplazamiento LOS (velocidad, coherencia, serie acumulada) y corre pronóstico de falla por velocidad y velocidad inversa clásicos, más dos redes neuronales pequeñas encima. Cinco casos son simulados por física desde un modelo directo; uno es una muestra real de Sentinel-1. Honesto por diseño: en el benchmark held-out el mapa de velocidad clásico (AUC 0,968) supera al autoencoder de anomalía aprendido (AUC 0,898), y la app lo dice.
Contexto de Negocio
La rotura de un tranque de relaves está entre las fallas de mayor consecuencia en minería, y la falla de talud en un rajo activo detiene la producción y pone en riesgo a personas. El monitoreo de deformación basado en InSAR existe para atrapar la aceleración previa a la falla con semanas de anticipación y convertirla en una respuesta controlada. El valor acá es un pronóstico que un ingeniero geotécnico pueda defender de verdad: un tiempo de falla por velocidad inversa con banda de incertidumbre calibrada, velocidad con test de significancia para que el ruido no se lea como movimiento, y una declaración explícita de dónde se puede y no se puede confiar en los modelos aprendidos, en vez de una sola alarma que esconde su propia confianza.
Valor Estratégico
TailWatch demuestra un stack completo de pronóstico InSAR corriendo enteramente del lado del cliente, y publica sus propios límites honestos en vez de un titular favorecedor. En el benchmark held-out el mapa de velocidad clásico sin entrenamiento alcanza AUC 0,968 mientras el autoencoder de anomalía aprendido alcanza solo 0,898: la base clásica supera a la red neuronal, y la página de Benchmark lo declara. El pronóstico de velocidad inversa logra 5,7 por ciento de error mediano en tiempo de falla con cero falsas alarmas sobre 60 escenas de control, y el intervalo conforme split alcanza 0,892 de cobertura empírica contra un 0,900 nominal sobre un conjunto disjunto. No está calibrado a ningún tranque real y no es tiempo real; la única muestra real es un clip de Sentinel-1 sobre la caldera volcánica de Campi Flegrei usado como sonda de transferencia de dominio, etiquetado como tal. Esa disciplina, publicar dónde pierde el modelo, es el patrón reutilizable.
El Desafío
Un tranque de relaves o un talud de rajo que está por fallar lo anuncia primero en el terreno: milímetros de desplazamiento acelerado a lo largo de semanas. El InSAR satelital puede ver ese movimiento sin un solo sensor en terreno, pero la pila cruda es ruidosa (atmósfera, error de DEM, rampas orbitales, decorrelación) y las preguntas útiles son difíciles: qué píxeles se mueven de forma significativa, si el movimiento acelera hacia un colapso, y cuándo. Un único número de alarma de caja negra no sobrevive una revisión geotécnica; la respuesta honesta tiene que mostrar su incertidumbre y admitir dónde un modelo aprendido está adivinando.
Nuestro Enfoque
TailWatch es un estudio de navegador construido en torno a un cubo de desplazamiento en línea de vista (grilla de 160x120, 60 épocas, cadencia de 12 días). Sobre el caso seleccionado corre una capa clásica y una capa aprendida en vivo. Clásico: velocidad OLS por píxel con test de significancia por t-estadístico de la pendiente, descomposición LOS de dos geometrías en Up y East donde existen ambas direcciones de vista, y un pronóstico de tiempo de falla por velocidad inversa de Fukuzono con suavizado EWMA, detección de inicio de aceleración y una compuerta de r-cuadrado. Sobre el pronóstico se apoya un intervalo de predicción conforme split (Vovk) sobre el tiempo de falla, calibrado por banda de lead-time sobre un banco Monte-Carlo y validado sobre un conjunto held-out disjunto. Aprendido: un clasificador de series de tiempo CNN 1-D (seis clases de deformación) corre en vivo en el navegador en cada píxel que se hace clic vía onnxruntime-web, y un autoencoder convolucional de denoising entrenado sobre parches normales entrega un mapa de anomalía no supervisado. Cinco casos vienen de un modelo directo con base física (movimiento 3-D real proyectado sobre geometría de vista real de Sentinel-1, con atmósfera estratificada y turbulenta, error de DEM, rampa orbital y ruido por decorrelación); un caso es un clip real de Sentinel-1. Todo del lado del cliente, estático en GitHub Pages.
Indicadores Clave de Rendimiento
| KPI | Línea Base | Resultado | Impacto |
|---|---|---|---|
| Honestidad del pronóstico | Un único número de alarma de caja negra | Tiempo de falla por velocidad inversa con banda conforme split: 0,892 de cobertura vs 0,900 nominal en un held-out disjunto | Un pronóstico que una revisión geotécnica puede defender, con su propia incertidumbre |
| Clásico vs aprendido, reportado abiertamente | Accuracy titular de la red neuronal | AUC held-out: |v| clásico 0,968 SUPERA al AE de anomalía aprendido 0,898 | Ves dónde pierde el modelo, publicado en la página de Benchmark |
| Confiabilidad del pronosticador | Umbral sobre desplazamiento crudo | 5,7% de error mediano en tiempo de falla, 0 falsas alarmas sobre 60 escenas de control (estable / lineal / estacional) | Detecta la aceleración sin gritar lobo sobre terreno estable |
| Cómputo | Servicio de procesamiento InSAR en servidor / GPU | 100% del lado del cliente: DSP en TypeScript + dos modelos ONNX (clasificador CNN 1-D en vivo por píxel) | Hosting estático, nada que instalar, cero backend |
Arquitectura
tailwatch pipeline
From a noisy InSAR stack to a defensible time-of-failure
TailWatch is an in-browser InSAR ground-deformation studio for tailings dams and slopes. It renders a multi-temporal line-of-sight displacement cube (velocity, coherence, cumulative series) and runs classical failure forecasting plus two small neural nets over it. Live at tailwatch.fasl-work.com, part of the Faena mining-analytics hub.
What runs on the selected case
- Classical tier (training-free): per-pixel OLS velocity with a slope t-statistic significance test, two-geometry LOS decomposition into Up and East where both look directions exist, and a Fukuzono inverse-velocity time-of-failure forecaster (EWMA velocity, onset-of-acceleration detection, r-squared gate). A split-conformal prediction interval (Vovk) wraps the failure time, calibrated per lead-time bucket and validated on a disjoint held-out set.
- Learned tier (ONNX, in-browser): a 1-D CNN six-class time-series classifier runs live on every clicked pixel, and a denoising conv-autoencoder trained on normal-only patches produces an unsupervised anomaly map.
The data, stated plainly
Five of six cases are simulated from a physically-grounded forward model: true 3-D motion projected on real Sentinel-1 look geometry (C-band, 12-day repeat), plus stratified and turbulent atmosphere, DEM-error, orbital ramp and coherence-driven decorrelation. Every error term is a real InSAR error source, but the dam, the pit and the collapse are invented. One case is real: a COMET LiCSAR / LiCSBAS Sentinel-1 clip over the Campi Flegrei caldera (Lazecky et al. 2020; Morishita et al. 2020). That is a volcano, not a tailings dam: it is used as a domain-transfer probe, and the repo says so. On the real case the learned outputs are cross-domain synthetic-trained, not ground truth, and the collapse-time forecast there is illustrative only.
The honest benchmark
On a held-out split (train scenes 1-16, held out 17-20, split by scene) the classical velocity map beats the learned anomaly detector: |v| AUC 0.968 vs the AE anomaly AUC 0.898, and the Benchmark page reports it rather than hiding it. The inverse-velocity forecaster reaches 5.7% median time-of-failure error with 0 false alarms over 60 control scenes, and the split-conformal interval reaches 0.892 empirical coverage against a 0.900 nominal. TailWatch is not calibrated to a real dam, not a real-time ingest system, and makes no full SBAS network-inversion or map-fused-alarm claim.
Stack Tecnológico
En acción
Un recorrido corto por la app en vivo: la interfaz real, grabada desde el sitio desplegado.
Capturas de la Aplicación
