1 SENSORES REMOTOS SATELITALES EN LA MEDICIÓN DEL IMPACTO AMBIENTAL EN MINERIA Maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias Marcos Arezo Med. Vet. Esp. Salud Pública Veterinaria Tabla de contenido 1. IMPACTO AMBIENTAL EN MINERIA ......................................................................................... 3 2. ETAPAS Y TIPOS DE MINERIA ................................................................................................... 4 3. RESIDUOS Y CONTAMINACIÓN MINERA ................................................................................. 5 4. SENSORES REMOTOS Y MEDIO AMBIENTE.............................................................................. 6 5. SENSORES REMOTOS Y EL MONITOREO DE LA ACTIVIDAD MINERA...................................... 7 6. VARIABLES AMBIENTALES RELACIONADAS CON LAS ACTIVIDADES MINERAS ...................... 7 7. VARIABLES, CARACTERÍSTICAS Y PROCESO DE SU GÉNESIS.................................................... 8 8. DETECCIÓN DE VARIABLES MEDIANTE SENSADO REMOTO. ................................................ 10 9. SENSORES................................................................................................................................ 16 Landsat .................................................................................................................................... 17 ASTER ...................................................................................................................................... 18 HIPERION ................................................................................................................................ 20 SPOT-HRV................................................................................................................................ 22 IKONOS.................................................................................................................................... 23 QuickBird ................................................................................................................................ 24 GeoEye-1 ................................................................................................................................. 24 10. HERRAMIENTAS PARA EL MONITOREO DE LA ACTIVIDAD MINERA POR TELEDETECCIÓN 25 Interpretación Visual .............................................................................................................. 25 1. Mejora Visual (Visual enhancemen) .............................................................................. 25 2. Transformaciones ........................................................................................................... 29
50
Embed
SENSORES REMOTOS SATELITALES EN LA MEDICIÓN DEL IMPACTO ...aulavirtual.ig.conae.gov.ar/moodle/pluginfile.php/513/mod_page/... · 3 1. IMPACTO AMBIENTAL EN MINERIA La actividad minera
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
SENSORES REMOTOS SATELITALES EN LA MEDICIÓN DEL IMPACTO
AMBIENTAL EN MINERIA
Maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias
Marcos Arezo
Med. Vet.
Esp. Salud Pública Veterinaria
Tabla de contenido 1. IMPACTO AMBIENTAL EN MINERIA ......................................................................................... 3
2. ETAPAS Y TIPOS DE MINERIA ................................................................................................... 4
3. RESIDUOS Y CONTAMINACIÓN MINERA ................................................................................. 5
4. SENSORES REMOTOS Y MEDIO AMBIENTE .............................................................................. 6
5. SENSORES REMOTOS Y EL MONITOREO DE LA ACTIVIDAD MINERA ...................................... 7
6. VARIABLES AMBIENTALES RELACIONADAS CON LAS ACTIVIDADES MINERAS ...................... 7
7. VARIABLES, CARACTERÍSTICAS Y PROCESO DE SU GÉNESIS.................................................... 8
8. DETECCIÓN DE VARIABLES MEDIANTE SENSADO REMOTO. ................................................ 10
Hematite) en zonas más o menos concéntricas que emanan de las pilas de las
minas de residuos (Swayze et al., 2000).
Pirita tiene una reflectancia muy baja, pero sus minerales secundarios Fe – base
son mucho mejores objetivos espectrales que pirita (Swayze et al., 2000).
Landsat y - en especial - ASTER podrían ofrecer algunas posibilidades para
discriminar entre copiapite, jarosita y los minerales restantes.
13
Sobre la base de sus espectros de remuestreo no debemos esperar que sea posible
discriminar entre goetita, ferrihidrita, lepidocrocita y hematita.
Se espera que la resolución espacial de ASTER y , en particular, de Landsat,
proscribirá la asignación con éxito de minerales tales como copiapite y jarosita en
un entorno de DAM, debido a que en muchos de los entornos mineros habrá todo
tipo de minerales ( arcilla ) que se mezclan con los minerales DAM, por lo tanto,
enmascarando las pequeñas variaciones espectrales relacionados con los DAM -
minerales.
Imágenes de alta resolución , como GeoEye , IKONOS , QuickBird y SPOT-
HRV puede ser más útil para discriminar algunas de estas variaciones sutiles.
La mejor oportunidad de mapear DAM -minerales individuales utilizando
imágenes de satélite sería probablemente con Worldview – 2, que tiene 8 bandas
en el rango de longitud de onda entre 400 y 1040nm , con una resolución espacial
de aproximadamente 2 mts.
Desafortunadamente no hay casi ninguna literatura publicada sobre el uso de estos
datos de satélite para mapear directamente DAM -minerales . Casi toda la
literatura publicada sobre el tema, con los efectos secundarios de DAM , como el
estrés de la vegetación.
Para la variable Minerales puede verse en la FIGURA 1, la cobertura y posición de las
bandas en el espectro electromagnético de los sensores satelitales ASTER, HIPERION y
LANDSAT ETM+. En la FIGURA 2 se observa como dos minerales completamente
diferentes en el espectro electromagnético, muestran espectros diferentes en las bandas
de Landsat. En la FIGURA 3 puede verse el espectro de algunos minerales de hierro no
silicatos para el VNIR de Landsat, que de esta forma se presenta como adecuado para su
mapeo.
14
FIGURA 1. Cobertura espectral de Landsat ETM +, ASTER y Hyperion (Waldhoff et
al., 2008). SPOT5, IKONOS, QuickBird y GeoEye (no en esta figura) tienen una banda
pancromática de alta resolución y 3 o 4 bandas multiespectrales de menor resolución en
la VNIR más o menos correspondiente a las cuatro primeras bandas del Landsat.
FIGURA 2. Espectros de Laboratorio de dos minerales de arcilla diferentes: Kaolinita y
Montmorillonita. Azul: espectro completo laboratorio; Negro: espectro de muestra en
posiciones de las bandas de ASTER; Rojo: especto de muestra en las posiciones de las
bandas de Landsat ETM +.
15
FIGURA 3. Espectro de algunos minerales de hierro no silicatos para VNIR de Landsat.
Para la variable Drenaje ácido de mina y materiales ferruginosos, puede observarse en la
FIGURA 4, un esquema de generación de ácido y en la FIGURA 5, el espectro de
reflectancia de minerales clave relacionados con el drenaje ácido.
FIGURA 4. Esquema de zonificación mineral en un sistema de generación de ácido
como una función del pH.
16
FIGURA 5. Espectros de reflectancia de minerales claves relacionados con el drenaje
ácido de las minas, a la izquierda: espectros de laboratorio, a la derecha: muestras para
las posiciones de las bandas de ASTER (discontinua) y Landsat 7 ETM + (sólido).
9. SENSORES
En esta sección, se evalúa el uso de los datos de sensores satelitales para la medición
directa de las variables ambientales asociados con la extracción de minerales. Una
descripción de cada sensor, sus limitaciones, ventajas y desventajas se da en los párrafos
siguientes.
Los sensores ópticos son ampliamente utilizados para el seguimiento del impacto
ambiental. Las imágenes de satélite con moderada a alta resolución espacial han
facilitado las actividades de investigación científica a escala de paisaje y regional.
Los sensores hiperespectrales pueden proporcionar una mayor resolución espectral que
se puede utilizar para analizar aún más las condiciones ambientales. Las imágenes de
baja resolución con alta resolución temporal pueden ser utilizadas para el análisis de
series de tiempo.
Diferentes propiedades del sensor son importantes para tener en cuenta, al evaluar su
posible utilización para la vigilancia del medio ambiente: La resolución espacial,
espectral, radiométrica, temporal, la relación señal-ruido y la fecha de lanzamiento y
longitud de la serie de tiempo.
La precisión y alta resolución de las imágenes de alta resolución espacial se reflejan en
el costo de tales productos, que pueden ser varios miles de dólares por escena. El costo
17
es por lo tanto probable que sea el factor más restrictivo en el uso de datos de alta
resolución para la vigilancia del medio ambiente en la extracción de minerales.
En la obtención de imágenes de satélite, hay que elegir un nivel adecuado de datos (pre-
procesamiento). Datos de productos de observación de la Tierra son procesados en
varios niveles, que van desde el nivel 0 al nivel 4. Productos Nivel 0 son los datos en
bruto a una resolución de instrumento completo. A niveles más altos, los datos son
convertidos en parámetros y formatos más útiles. Todos los instrumentos de los satélites
tienen productos de nivel 1, la mayoría tiene productos en los niveles 2 y 3, muchos
tienen productos en el nivel 4.
Landsat
Landsat
Con sólo dos bandas anchas en el SWIR, la idoneidad de Landsat para
la identificación de los minerales se limita a relativamente grandes
grupos de minerales, tales como arcillas , micas y óxidos de hierro
Las bandas espectrales de Landsat TM y ETM + están bien adaptados
para el reconocimiento general de los ensambles de minerales de
alteración ( óxidos de hierro , arcilla , y alunita ) que se producen en las
rocas de alteración hidrotermal
Existen algunos métodos para diferenciar aún más dentro de amplios
grupos de minerales y las imágenes Landsat se han utilizado
ampliamente como una herramienta de reconocimiento en la
exploración mineral.
Landsat también se puede utilizar para mapear hierro no – silicato
La resolución espectral y espacial de las imágenes Landsat no es
suficiente para diferenciar entre los minerales relacionados con el
drenaje ácido de mina. A lo mejor, podrían identificarse algunos
indicadores para la zonificación dentro del sistema DAM.
Crósta y de Souza Filho (2005) identificaron anomalías “arcilla + hierro”' de una región
en la Patagonia, usando una adaptación de la características orientadas a la Selección de
Componentes Principales, con el fin de marcar blancos potenciales para la minería de
oro. En el marco del proyecto PECOMINES, se utilizó el mismo método para asignar
los desechos mineros y óxidos de Fe, en particular, el uso de marcos Landsat que cubren
grandes áreas de Rumania y Eslovaquia, lo que demuestra la posibilidad de utilizar
imágenes Landsat para la rápida detección en todo el país de la localización y extensión
18
espacial del material depositado, a causa de la extracción y procesamiento de minerales.
Girouard et al (2004) utiliza con éxito el algoritmo Spectral Angle Mapper para la
cartografía geológica en Marruecos utilizando imágenes Landsat TM, y compara los
resultados con imágenes QuickBird, establece que, para la exploración mineral, es
mucho más importante tener mayor resolución espectral que mayor resolución espacial.
ASTER
ASTER
Puede asignar conjuntos tales como alteración propilítica, fílica y argílica
Pueden caracterizar la alteración en las áreas de minerales específicos exigentes tales como sericita, kaolinita, esmectita, alunita, yeso, calcita, dolomita, epidota, cuarzo , minerales de hierro ferroso, minerales de hierro férrico, y ciertos mezclas de estos minerales
En la industria de exploración de minerales, el uso de ASTER para la identificación de alteración hidrotérmica es un procedimiento estándar, su uso en el monitoreo del impacto minero está mucho menos extendido, a pesar de que existen muchas similitudes entre los efectos ambientales de la alteración hidrotermal y de las actividades mineras.
Fuente: (Bedell et al., 2005); ( Rockwell, 2009 )
El uso de ASTER para el control de varios aspectos ambientales de impacto minero ha
sido probado por varias investigaciones (Charou et al, 2010; Chevrel et al, 2005 ;
Chevrel et al, 2008 ; Mezned et al, 2007; Mezned et al, 2010 ; Rockwell, 2009 ;
Schimmer, 2010a ; Schimmer , 2010b). La identificación de concentraciones de hierro,
arcilla , y minerales de sulfatados formados por erosión supergénica de las rocas
piríticos asociados con alteración fílica, actividad hidrotermal y los depósitos de relaves
piríticos utilizando datos ASTER demuestra la aplicabilidad de los datos ASTER para
las evaluaciones geo - ambientales regionales ( Rockwell, 2009 ). Kruse y Perry (2007)
asignaron con éxito varios minerales y / o grupos de minerales utilizando datos ASTER
multiespectrales y sus firmas espectrales, con el fin de caracterizar y cartografiar el
cambio inducido por el hombre en forma de excavaciones mineras, relaves mineros,
19
residuos mineros y drenaje ácido.
Schimmer (2010a, 2010b) usan ASTER en combinación con Landsat e imágenes aéreas
para mapear residuos mineros en Arizona (ver figura 6). Se encontró que ASTER, en
particular cuando se combina con otras imágenes, puede ser muy útil para mapear las
principales características de las minas, y para identificar y clasificar relaves y pilas de
residuos, basado principalmente en la humedad y granulometría. Sin embargo, esta
investigación sólo utiliza las bandas VNIR de ASTER y no discriminan a las especies
vegetales individuales, ni identifica oxido de minerales de arcilla o hierro.
FIGURA 6. Normalized Difference Tailings Index (NDTI) derivado de imágenes
ASTER Marzo, 2009, mostrando relaves en rojo, amarillo y verde (izquierda) y NDTI
superpuesta en imágen de 1mde resolución (derecha), Sacaton Mina de Cobre, Condado
de Pinal, Arizona, USA (Schimmer, 2010b).
Chevrel et al. (2005) utilizan una combinación de ASTER IKONOS para identificar y
mapear relaves, pilas de residuos, materiales dispersos y vertederos ilegales (ver figura
7) en varias zonas mineras: Witwatersrand (Sudáfrica), el distrito de Nacozari (México)
y Pueblo Viejo (República Dominicana). Ellos llegaron a la conclusión de que el sensor
ASTER proporciona datos de alta calidad que pueden utilizarse para identificar,
caracterizar y cartografiar los efectos ambientales en las zonas mineras y su entorno.
20
FIGURA 7. Evaluación de la precisión de la clasificación de diques de relave con
ASTER, usando imágenes de muy alta resolución IKONOS. Dique de relave no
declarados (ampliación a la derecha) y clasificación errónea de la azotea del edificio
(agrandada abajo a la izquierda), East Rand, Witwatersrand Goldfield, Sudáfrica
(Chevrel et al., 2005)
HIPERION
HIPERION
El principal problema de las imágenes de Hyperion es que se han
21
reportado muchos problemas de calidad de imágen.
Muchas de las 242 bandas de Hyperion no son utilizables , debido a la
relación de señal - a - ruido baja ( SNR ) de los datos de Hyperion
La más baja RSR se produce en el rango SWIR.
Muy pocos estudios utilizan datos de Hyperion para el monitoreo del
impacto ambiental de la minería.
Kuosmanen et al. (2005) comparan los datos hiperespectrales de HyMap (un sensor
aerotransportado) e Hyperion como herramientas para el estudio de los impactos
ambientales sutiles de talco minero en Lahnaslampi, Finlandia. El objetivo era
comprobar si la clasificación de los datos de Hyperion pueden revelar las mismas
características ambientales que se puede lograr a partir de datos HyMap. Llegaron a la
conclusión que los datos de Hyperion son mucho más ruidosas, y solo sirven para trazar
los contornos de las clases análogas ambientales más grandes.
La aplicabilidad de las imágenes de Hyperion para el mapeo de minerales ha sido
comparada con otros sensores. Kruse (Kruse, 2002), comparó el sensor
aerotransportado a gran altitud Visible/Infrared Imaging Spectrometer (AVIRIS) e
Hyperion para la asignación de minerales de Cuprite, Nevada (EE.UU.). En otro
ejemplo, se utilizaron los datos de baja altitud AVIRIS e Hyperion para el mapeo de
minerales de oro en el distrito de Los Menucos, Río Negro, Argentina (Kruse et al. ,
2002). Ambos estudios concluyen que los datos de Hyperion son útiles para producir
información geológica (mineralógica), a pesar de que es posible extraer más
información mineralógica detallada de los datos AVIRIS. La fracción mínima de ruido
(FMR) resultado de la transformación indican que los datos AVIRIS contienen mucha
más información que los datos de Hyperion que cubren aproximadamente el misma área
espacial y rango espectral (Figura 8). Esto redujo los resultados de la respuesta en la
parte de baja dimensionalidad de los datos y como consecuencia un menor número de
endmembers puede ser identificado y mapeado. Estos estudios demuestran la
importancia de un alto rendimiento de señal - ruido para sensores hiperespectrales ( ~
50:1 a 20:01 para Hyperion frente a > 500:1 para AVIRIS ). Parece que la RSR de datos
Hyperion es mayor en verano que en invierno ( Kruse, 2002 ). Waldhoff et al, (2008),
comparo ASTER e Hyperion para la cartografía geológica de la región desértica
hiperárida en Egipto. Selección endmember se produjo sobre la base de la interpretación
visual de una imágen QuickBird. Tanto ASTER e Hyperion produjeron resultados
satisfactorios de mapeo, aunque los datos de Hyperion sufrieron errores radiométricos.
Problemas de calidad de datos Hyperion estimulan a los autores a señalar los datos
22
ASTER como más valiosos para este estudio. La misma conclusión se extrae por Zhang
y Pazner (2007). Ellos compararon Hyperion, ASTER y Landsat ETM+ para el mapeo
litológico asociado a oro en California, EE.UU. Los resultados muestran que las
clasificaciones de Hyperion y de datos ASTER son similares, y gracias a la presencia de
más bandas en el SWIR y bandas térmicas, las imágenes Hyperion y ASTER pueden
lograr una mejor asignación litológica que Landsat. Sin embargo, la mejor
disponibilidad y cobertura espacial hace a ASTER más adecuado para el mapeo
litológico de grandes superficies. Por último, Leverington ( 2009 ) aplicó unmixing en
las imágenes de Hyperion, y concluye que imágenes de Hyperion proporcionan
información útil sobre la naturaleza de la fracción de la superficie cubierta (por ejemplo,
permitiendo la separación cuantitativa entre las contribuciones espectrales de clases
litológicas y la cubierta vegetal discontinua), pero la información general de imágenes
Hyperion no siempre es superior a la de las imágenes generadas usando los métodos
más simples de clasificación Landsat TM. Aunque los datos de Hyperion no tienen las
características de señal-ruido óptimas, el perfeccionamiento de las técnicas y los
insumos utilizados en ejercicios unmixing puede permitir una mejora.
FIGURA 8. Gráfico de los autovalores de FMR para Cuprita, Nevada (USA), datos
AVIRIS e Hyperion (Kruse, 2002).
SPOT-HRV
SPOT-HRV
SPOT tiene un número de ventajas sobre otros sensores ópticos bordo
de vehículos espaciales.
23
Su excelente resolución espacial y sensores orientables son las
principales razones de su popularidad.
Los datos multiespectrales de tres bandas son muy adecuados para
mostrar como imágenes en falso color y la banda pancromática
también se puede utilizar para "afinar" el detalle espacial de los datos
multiespectrales.
SPOT permite a las aplicaciones que requieren gran detalle espacial
mantener el costo y aprovechar las ventajas de los datos de satélite.
Las aplicaciones potenciales de datos SPOT son numerosas. Las
aplicaciones que requieren monitorización frecuente (agricultura,
silvicultura) están bien atendidas por los sensores SPOT.
La adquisición de imágenes estereoscópicas de SPOT ha jugado un
papel importante en aplicaciones de mapas y en la obtención de la
información topográfica (Modelos Digitales de Elevación - MDE) a
partir de datos de este satélite.
Imágenes SPOT fueron utilizadas por diversos autores para la fusión de imágenes con
otras imágenes, con el objetivo de monitorear el impacto ambiental de la minas de
minerales. Mularz (1998) utilizó multiespectral Landsat e imágenes SPOT pancromática
para detectar, evaluar y medir la remediación ambiental del complejo minero Belchatow
en Polonia. La fusión de imágenes de ambas sensores fueron utilizados de forma
rentable y eficiente para controlar el complejo minero y su entorno. López-Pamo et al.
(1999) estimó el espesor de la mina de derrame Aznacóllar en España usando varios
métodos, incluyendo los datos de sensado remoto, fotografía aérea y las mediciones de
campo. Estimaciones iniciales de la medida de los lodos se basan en la fusión de datos
(IHS transformación) de imágenes Radarsat y SPOT-HRV.
IKONOS
Al comparar las fuentes de datos de imágenes de satélite comerciales tales como
IKONOS y QuickBird, los clientes tienden a centrarse en la resolución espacial (es decir,
tamaño de píxel). Sin embargo, se debe considerar una serie de otros factores que
afectan la calidad del producto final y el tiempo de entrega. El sistema IKONOS tiene
un número de ventajas sobre QuickBird, incluyendo, mayor capacidad de colección,
productos estéreo, mejor precisión posicional y archivos pequeños y manejables.
24
La combinación de datos de resolución media como Landsat ETM+ y SPOT-4 pueden
reflejar la información sobre la superficie de minas de cielo abierto a gran escala,
compartimiento de diques de colas y relaves y pilas de gran escala. Puede ser utilizado
para controlar la distribución de las minas en grandes regiones y determinar el estado de
la distribución general de las minas. Datos de mayor resolución, como SPOT-5 reflejan
pilas de relaves, los edificios de las minas, las carreteras a gran escala, etc., siendo
adecuado para el seguimiento de minas de cielo abierto y subterráneas a gran escala.
Con datos de satélite de más alta resolución espacial disponibles en la actualidad, como
QuickBird, IKONOS, etc., el número de pequeñas minas, el estado relativo de la mina,
las áreas de ocupación de las minas, patio temporal de minerales, relaves, edificios de
fábricas, edificios temporales y carreteras, etc. y el cambio ambiental de las minas, la
distribución de los desastres geológicos, tales como hundimiento, grietas, etc., se puede
controlar.
Chevrel et al. (2005) utilizaron imágenes IKONOS para evaluar la precisión de la
clasificación de la extensión de diques de cola, ya sea presas de jales o relaves dispersos
en el medio ambiente a través del sistema de drenaje, basado en imágenes ASTER.
Numerosos píxeles dispersos o áreas pequeñas se clasificaron como residuos y se
verificaron, utilizando la imágen de muy alta resolución. De hecho, las imágenes
IKONOS permiten identificar las características superficiales de zonas clasificadas
como residuos. En particular, había dado lugar a la identificación de los residuos
previamente dispersos registrados y / o rocas de residuos (vertederos ilegales), ver
figura 7.
QuickBird
En la literatura científica se han publicado muy pocos estudios en los que se utilizó las
imágenes QuickBird para el monitoreo del impacto ambiental de la extracción de
minerales. Esto probablemente se relaciona con el alto costo de los datos QuickBird,
debido a su alta resolución espacial, y su baja resolución espectral. Girouard et al. (2004)
comparan imágenes QuickBird y Landsat TM para la cartografía mineral, utilizando el
algoritmo Spectral Angle Mapper. Aunque los datos QuickBird tienen mayor resolución
espacial, los resultados fueron mejores para la clasificación Landsat TM, porque
QuickBird carece de una banda espectral en el SWIR, una parte crucial para la
discriminación espectral de minerales y roca. Ellos llegan a la conclusión de que las
imágenes QuickBird pueden ser útiles para visualizar el área de estudio, localizar
afloramientos en el campo y facilitar el mapeo estructural, pero que, para la exploración
mineral, es mucho más importante tener alta resolución espectral en lugar de alta
resolución espacial.
GeoEye-1
25
Desafortunadamente no se encontraron publicaciones sobre el uso de las imágenes de
GeoEye-1 para aplicaciones de vigilancia del medio ambiente. Sin embargo, puesto que
las especificaciones del sensor están en el mismo rango que las de Ikonos y QuickBird,
podemos esperar que los datos GeoEye-1 encuentren aplicaciones similares a los citados
satélites.
10. HERRAMIENTAS PARA EL MONITOREO DE LA ACTIVIDAD MINERA
POR TELEDETECCIÓN
Interpretación Visual
1. Mejora Visual (Visual enhancemen)
Información muy valiosa se obtiene mediante la interpretación visual de imágenes de
satélite. Por lo tanto, muchas herramientas están disponibles para mejorar la extracción
de información. Algunos de las técnicas más comunes se describen brevemente, tales
como: aumento del contraste, procesamiento de Intensidad-Matiz-Saturación,
decorrelation stretching y composiciones de color.
Mejora de contraste: Uno de los factores más importantes de calidad en las imágenes
de satélite proviene de su contraste. El contraste es creado por la diferencia de
luminosidad reflejada desde dos superficies adyacentes. Si el contraste de una imágen
está muy concentrado en un rango específico, la información puede ser perdida en
aquellas áreas que son excesivamente y uniformemente concentradas. La idea detrás de
estiramiento de contraste es aumentar el rango dinámico de niveles de gris en que se
procesa la imágen. Estiramiento de contraste implica la alteración de la distribución y la
gama de valores de ND.
Intensidad-Matiz-Saturación (IHS): La intensidad se refiere a la luminosidad total u
opacidad de un color, el matiz se refiere a lo que se percibe como el color o la longitud
de onda dominante de la luz, y saturación se refiere a la pureza del color. En general, la
transformación utiliza una imágen compuesta de tres colores a partir de los datos
originales de los satélites de manera que la información espacial original se separa en el
componente de intensidad, mientras que la información espectral se separa en el tono y
la saturación de los componentes. La transformada IHS fue utilizado por Charou et al.
(2010) para la fusión de la banda pancromática de SPOT con mayor resolución espacial
y las bandas multiespectrales de las imágenes ASTER y Landsat para que clases de
26
cubierta terrestre inherentes a las zonas mineras puedan ser identificados.
Decorrelación estiramiento (Decorrelation stretching): Esta técnica mejora la
separación de colores de una imágen con una correlación de banda-banda significativa
sobre la base de análisis de componentes principales. Los colores exagerados mejoran la
interpretación visual y hacen más fácil la discriminación.
Composición de color: Para imágenes ópticas que carecen de una o más de las tres
bandas de color primarias (es decir, azul, verde y rojo), las bandas espectrales se pueden
combinar de tal manera que la aparición de la imágen mostrada se asemeja a una
fotografía de color natural. En contraste, los falsos colores compuestos muestran el
color de un objetivo sin parecido con su color real. Un falso esquema de composición de
color muy común, combina una banda verde, roja e infrarroja cercana en lugar de una
banda azul, verde y roja. Charou et al. (2010) utilizaron un falso color compuesto RGB-
en imágenes ASTER y Landsat para enfatizar áreas mineras con alta reflectancia
espectral. Esta composición acentúa las zonas mineras y la vegetación discriminada de
suelo estéril. Ejemplos de una composición en color ASTER se pueden ver en la figura
9, y de un falso color compuesto Landsat en la figura 10.
27
Figura 9. ASTER composiciones en color de una región minera muy industrializada al
norte de la ciudad de Karaganda, Kazajstán. A: VNIR321, muestra una columna de
humo de más de 30 km de longitud; B: TIR531; C: SWIR468 muestra claramente las
zonas muy contaminadas marcadas por los colores azul-negro oscuro. D: minas de
carbón abandonadas a cielo abierto donde la combustión de carbón continúa
produciendo contaminación atmosférica
28
Figura 10. Principales cambios antropogénicos en la cobertura de la tierra en la región
minera de Timika, Indonesia, 1988-2004: Landsat, falso color compuesto (541) y el
mapa de limpieza / construcción y áreas de deposición. Exploración en 1988 reveló la
presencia de lo que es actualmente el mayor depósito conocido de cobre y oro en el
planeta, llevando a una rápida expansión minera. Los principales procesos de
29
transformación del paisaje visible en la imágen es la disección y la perforación. El
aumento de la carga de sedimentos era claramente un factor importante en la dramática
transformación fluvial. (Paull et al., 2006)
2. Transformaciones
a. Cocientes de Bandas
Es un proceso de mejora en la que el valor de una banda se divide por la de cualquier
otra banda en la matriz del sensor. Si ambos valores son similares, el cociente resultante
es un número cercano a 1. Si el numerador es bajo y el denominador alto, el cociente se
aproxima a cero. Si esto se invierte (mayor numerador, denominador bajo) el número es
muy superior a 1. Estos nuevos números se pueden estirar o expandir para producir
imágenes con una considerable variación de contraste en una versión en blanco y negro.
Ciertas características o materiales pueden producir tonos grises distintivos de
determinados cocientes. Relaciones de bandas son especialmente adecuadas para los
conjuntos de datos donde la banda numerador se elige para controlar un estándar poco
variable, mientras que la banda denominador mapea la variabilidad de una característica
espectral específica. Por ejemplo, la relación entre el rojo/infrarrojo cercano
proporciona una buena distinción entre rocas desnudas y las áreas cubiertas de
vegetación. El cociente IR medio/azul tiene éxito en la distinción entre las rocas
limolíticas y no limolíticas. La relación rojo/azul tiende a enfatizar las características de
materiales rojos o naranjas, tales como óxido de hierro hidratado natural, como tonos de
brillantes. Tres cocientes de bandas se pueden combinar como composición de color
que ponen de relieve ciertas características en colores distintos.
30
31
TABLA 1. Cocientes de bandas comúnmente usados para el análisis de imágenes