Estimation of illegal small-scale mining in Ghana using a machine learning method and open-source satellite imagery
Author
Trillo, Marcia Luz
Term
4. term
Publication year
2022
Submitted on
2022-06-03
Pages
53
Abstract
Ghana is one of the world’s largest gold producers and ranks first in Africa. A significant share of this gold is extracted through Galamsey (illegal small-scale gold mining), which is widespread in southern Ghana, unregulated, and a main income source for many people. Over the last decade, Galamsey has expanded rapidly, causing visible environmental degradation and risks to human health and safety. While previous efforts have tried to detect and map these activities, a high-quality nationwide map of Galamsey’s distribution patterns has been lacking. This study produces a highly detailed identification map for all of Ghana using deep-learning image recognition: a Convolutional Neural Network (CNN) with an Inception-ResNet-like architecture, framed as a regression approach. Predictions were generated from open satellite imagery at 10 m resolution, and Sentinel-1 and -2 data were processed to train the model over a three-month period from November 1, 2021 to February 1, 2022. Although further algorithm testing is needed, the pixel-based method performed well, achieving nearly 90 percent binary accuracy—that is, the share of correct yes/no classifications. Model results indicate that illegal mining is concentrated in four main regions, with Western Ghana as a hotspot. Spatial patterns show clusters along branches of major watercourses and impacts on nationally protected forest reserves. The method offers a practical tool for identifying unauthorized gold mining and can inform decisions and policymaking against Galamsey.
Ghana er en af verdens største guldproducenter og er nummer ét i Afrika. En stor del af guldet udvindes gennem Galamsey (ulovlig småskala-guldminedrift), som er udbredt i det sydlige Ghana, ureguleret og en vigtig indtægtskilde for mange. Over det seneste årti er Galamsey vokset markant, hvilket har medført tydelig miljøforringelse og risici for menneskers liv. Tidligere forsøg på at opdage og kortlægge disse aktiviteter har ikke resulteret i et landsdækkende kort af høj kvalitet over Galamsey’s udbredelse. I dette studie er der derfor udviklet et meget detaljeret identifikationskort for hele Ghana ved hjælp af dybdelæringsbaseret billedgenkendelse: et konvolutionsneuralt netværk (CNN) med en Inception-ResNet-lignende arkitektur, opstillet som en regressionsmetode. Forudsigelserne er baseret på åbne satellitbilleder med 10 meters opløsning, og data fra Sentinel-1 og -2 blev behandlet til at træne modellen i perioden 1. november 2021 til 1. februar 2022. Selvom der er behov for yderligere algoritmetests, gav den pixelbaserede metode gode resultater med en binær nøjagtighed på næsten 90 procent, dvs. andelen af korrekte ja/nej-klassifikationer. Modellen viser, at ulovlig minedrift er koncentreret i fire hovedregioner, hvor Vestghana er et hotspot. Den rumlige fordeling er kendetegnet ved klynger langs forgreninger af landets større vandløb og en påvirkning af nationalt beskyttede skovreservater. Metoden er et nyttigt værktøj til at identificere uautoriseret guldminedrift og kan støtte myndigheder og andre aktører i beslutninger og lovgivning mod Galamsey.
[This apstract has been rewritten with the help of AI based on the project's original abstract]