Santiago Nathanael Toapanta Santacruz

Mr. Santiago Nathanael Toapanta Santacruz


Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 September 2026 in Preprints.org
Verified
Preprint
Open access
PDF file
JLJulio César López-Ayala
Julio César López-Ayala
SSSantiago Nathanael Toapanta Santacruz
Santiago Nathanael Toapanta Santacruz
JGJuan José Pazmiño Gordillo
Juan José Pazmiño Gordillo
AMAlex Moyota-Paguay
Alex Moyota-Paguay
This study evaluates the spatial relationship between Ecuador’s mining cadastre and protected areas and investigates whether multiscale mining pressure can explain and predict direct mining-cadastre overlap. The objective was to move beyond conventional binary overlay analysis by identifying protected areas whose surrounding mining configurations indicate elevated overlap susceptibility. A CRISP-DM-based geospatial machine-learning framework was applied to 6,275 mining entities and 97 protected areas. Direct geometric intersections were quantified, followed by multiscale proximity analysis using 1, 5, 10, and 20 km distance thresholds and exclusive rings. Spatial autocorrelation was assessed, and multiscale frequency, area, and density indicators were used as predictors. Logistic Regression, Random Forest, and XGBoost were evaluated using spatial block cross-validation to reduce geographic information leakage. Model performance was assessed using ROC-AUC, PR-AUC, Brier score, and complementary classification metrics. Direct cadastral overlap affected 14 protected areas (14.43%), comprising 31 intersection pairs and approximately 90.91 km2 of cumulative overlap. Mining presence increased substantially with distance, occurring around 52.58%, 86.60%, 93.81%, and 97.94% of protected areas within 1, 5, 10, and 20 km, respectively. XGBoost achieved the best pooled spatially out-of-fold performance (ROC-AUC = 0.901; PR-AUC = 0.688; Brier score = 0.093). The most informative predictors were concentrated within the immediate 0–1 km surroundings. Direct overlap alone underrepresents the broader spatial context of mining pressure around Ecuador’s protected areas. Integrating multiscale geospatial analysis with spatially validated machine learning provides a reproducible framework for identifying and ranking protected areas according to mining-cadastre overlap susceptibility, while avoiding interpretation of these probabilities as evidence of active mining or environmental degradation.

9 July 2026 in Revista Científica Multidisciplinaria InvestiGo
Verified
Journal Article
Open access
PDF file
SASolange Fiallos Ayala
Solange Fiallos Ayala
SSSantiago Nathanael Toapanta Santacruz
Santiago Nathanael Toapanta Santacruz
NLNatalia Lindao
Natalia Lindao
JFJean Carlos Farez
Jean Carlos Farez
El drenaje ácido de mina (AMD) constituye uno de los principales problemas ambientales asociados a la minería metálica debido a la oxidación de minerales sulfurados expuestos al agua y al oxígeno, generando soluciones ácidas capaces de movilizar metales contaminantes hacia aguas superficiales y subterráneas. En Ecuador, el incremento de actividades mineras metálicas en regiones amazónicas ha generado la necesidad de desarrollar evaluaciones hidroambientales preliminares orientadas a identificar zonas con mayor susceptibilidad frente a procesos potenciales de contaminación. La provincia de Morona Santiago presenta importantes concesiones mineras metálicas y actividades de minería aluvial, además de condiciones hidroclimáticas caracterizadas por elevadas precipitaciones y alta conectividad hídrica. El presente estudio tuvo como objetivo identificar preliminarmente zonas con potencial de generación y transporte de drenaje ácido de mina en la cuenca Mangosiza mediante la integración de variables geológicas, climáticas, topográficas e hidrogeológicas en un entorno SIG. La metodología se desarrolló mediante análisis espacial multicriterio utilizando ArcGIS, integrando variables de litología, precipitación, densidad de drenaje, pendiente y concesiones mineras metálicas. Cada variable fue reclasificada en tres niveles relativos de susceptibilidad y posteriormente integrada mediante álgebra de mapas. Los resultados permitieron obtener un modelo espacial con valores entre 1.35 y 2.8, identificando zonas de bajo, medio y alto potencial hidrogeológico de generación y transporte de AMD. Las áreas de mayor susceptibilidad se asociaron principalmente con elevada precipitación, mayor densidad de drenaje, presencia de concesiones mineras y unidades litológicas pertenecientes a las formaciones Napo y Arajuno. El modelo desarrollado constituye una herramienta preliminar útil para priorizar futuras investigaciones hidrogeoquímicas y programas de monitoreo ambiental en la cuenca Mangosiza.