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

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

2

3. Clasificación de imágenes ............................................................................................... 36

11 .Conclusiones ......................................................................................................................... 44

Bibliografía ................................................................................................................................. 45

3

1. IMPACTO AMBIENTAL EN MINERIA

La actividad minera como muchas de las actividades que el hombre realiza, genera

alteraciones en el medio natural, desde las más imperceptibles hasta las que generan un

gran impacto en este. Esto nos acerca a definir el concepto de impacto ambiental de una

actividad, como la diferencia existente entre el momento en que la actividad comienza,

el momento en que se desarrolla y sobre todo el momento en que esta cesa.

El Consejo Federal de Minería Argentina según Normativa Complementaria

(http://www.mineria.gov.ar-/anexo3. htm) considera el Impacto Ambiental como:

Modificación del ambiente, benéfica o perjudicial, directa o indirecta, temporal o

permanente, reversible o irreversible, causada por la actividad minera en el área de

influencia del proyecto. En la Ley Nacional N° 24585 de Protección Ambiental (Código

de Minería) se describen los Impactos Ambientales como se muestran en el cuadro 1.

IMPACTO AMBIENTAL

Impacto sobre la geomorfología

Alteraciones de la topografía por extracción o relleno.

Escombreras. Diques de colas.

Desestabilización de taludes. Deslizamientos.

Hundimientos, colapsos y subsidencia fuera y dentro del área de trabajo.

Incremento o modificación de los procesos erosivos.

Incremento o modificación del riesgo de inundación.

Modificación paisajística general.

Impacto sobre las aguas.

Modificación del caudal de aguas superficiales y subterráneas.

Impacto sobre la calidad del agua en función de su uso actual y potencial.

Modificación de la calidad de cursos de agua subterránea.

Modificación de la calidad de cursos de agua superficiales.

Alteración de la escorrentía o de la red de drenaje.

Depresión del acuífero.

Impacto sobre la atmósfera

Contaminación con gases y partículas en suspensión.

Contaminación sónica.

4

Impacto sobre el suelo

Grado de afectación del uso actual y potencial.

Contaminación.

Modificación de la calidad del suelo.

Impacto sobre la flora y la fauna

Grado de afectación de la flora.

Grado de afectación de la fauna.

Impacto sobre los procesos ecológicos.

Modificaciones estructurales y dinámicas.

Indicadores.

Impacto sobre el ámbito sociocultural

Impacto sobre la población.

Impacto sobre la salud y la educación de la población.

Impacto sobre la infraestructura vial, edilicia y de bienes comunitarios.

Impacto sobre el patrimonio histórico, cultural, arqueológico y paleontológico.

Impacto sobre la economía local y regional.

Impacto visual

Impacto sobre la visibilidad.

Impacto sobre los atributos paisajísticos.

CUADRO 1: Descripción de los impactos ambientales fuente

(http://www.mineria.gov.ar/anexo3- .htm). Modificado por el autor.

2. ETAPAS Y TIPOS DE MINERIA

Minería se refiere al conjunto de actividades que realiza cualquier persona, empresa o

estado, para conseguir los minerales que se encuentran en el suelo o subsuelo.

La minería es un proceso que comprende varias etapas (ciclo minero): prospección,

exploración, construcción y montaje, explotación, transporte y beneficio de minerales.

Prospección: La prospección es un proceso que busca establecer si existen minerales en

una zona determinada.

Exploración: Es la etapa en la que se busca confirmar qué minerales están presentes en

un área determinada, su ubicación, cantidad, calidad y posibilidades técnicas de

extracción, así como el impacto ambiental y social del proyecto.

Construcción y montaje: Es la etapa en la que se prepara toda la infraestructura

5

requerida para dar inicio a la etapa de explotación.

Explotación: Es la etapa donde se sacan o extraen los minerales y se preparan para su

utilización y/o venta.

Beneficio y transformación: El beneficio y transformación es la etapa en la que el

mineral que se sacó se prepara para ser utilizado y/o vendido en el mercado.

Cierre y abandono de la mina: Una vez se termina la explotación, se procede con el

cierre de la mina, etapa dentro de la cual se retiran los equipos, y se restauran las

excavaciones mineras, mitigando (disminuyendo, aplacando, reduciendo) sus impactos

ambientales.

Hay dos tipos de explotación minera: Minería a cielo abierto (Es la excavación que se

realiza al aire libre, para sacar o extraer los minerales que se encuentran a poca

profundidad o en la superficie) y Minería subterránea (Es la extracción y transporte de

los minerales que se encuentran al interior de la montaña o a gran profundidad bajo el

suelo y que se sacan a través de túneles que conducen a la superficie).

3. RESIDUOS Y CONTAMINACIÓN MINERA

Las tres principales actividades de la industria minera, extracción, procesamiento de

minerales y extracción metalúrgica, producen residuos, causando impactos ambientales.

Sin embargo, el impacto ambiental de la minería depende de muchos factores, en

particular, el tipo de minería y el tamaño de la operación. Los efectos ambientales de la

etapa de extracción tienden a ser principalmente locales, asociadas a perturbaciones en

la superficie, la producción de grandes cantidades de residuos sólidos, y la propagación

de partículas químicamente reactivas a la atmósfera y la hidrosfera. Mientras que los

efectos de calidad del agua, probablemente son similares para operaciones subterráneas

y de superficie, el movimiento del agua y los efectos de la calidad del aire es probable

que sean mayores en el caso de las minas a cielo abierto. En el siguiente cuadro se

muestran los principales efectos ambientales de acuerdo a cada etapa.

ETAPA EFECTOS AMBIENTALES

EXTRACCIÓN Perturbaciones en la superficie

Vertederos (gran cantidad de residuos sólidos) y drenaje ácido

Efluentes hidrosféricos (llamados " aguas de mina “)

Emisiones de polvo a la atmósfera

BENEFICIO Residuos sólidos (relaves)

6

Emisiones a la hidrosfera del agua de proceso

Emisiones atmosféricas de trituración, molienda y transporte

EFECTOS AMBIENTALES ADICIONALES EN AMBAS ETAPAS

Residuos sólidos (residuos de la hidro-metalurgia, escoria de fundición)

Alteración de los acuíferos por lixiviación in situ

Gases de la fundición (partículas, SO2, etc.)

CUADRO 2. Principales efectos ambientales según la etapa minera.

4. SENSORES REMOTOS Y MEDIO AMBIENTE

La teledetección es una herramienta importante y común en el análisis de las diferentes

características de la tierra y de las ciencias del medio ambiente, incluida la vigilancia

del medio ambiente. El avance de la tecnología de la teledetección ha mejorado la

capacidad de adquirir información sobre la tierra y sus recursos para una evaluación

global, regional y local. A través de la teledetección, información detallada y al día

sobre la condición de la tierra, uso de la tierra y de indicadores ambientales puede ser

adquirida a intervalos regulares, lo que resulta en la posibilidad de controlar la dinámica

de los fenómenos que se producen en la tierra. La teledetección ha demostrado ser muy

útil para vigilar recursos naturales y monitorear el medio ambiente, especialmente

cuando se requieren observaciones rápidas y repetidas. La ventaja de la teleobservación

por satélite radica en que pueden controlarse áreas de gran tamaño, pueden captarse

datos cada vez que el satélite pasa por el sitio de interés y los cambios en el uso del

suelo y su condición pueden ser monitoreados en forma rutinaria a un costo

relativamente bajo . La fuerza de las técnicas de teledetección está en su capacidad para

proporcionar datos espaciales y temporales de los parámetros ambientales que

normalmente no se pueden obtener a partir de mediciones in situ. El sensado remoto por

satélite proporciona un método rentable para mapear y monitorear grandes áreas y las

series temporales de imágenes derivadas de este, son importantes para monitorear los

cambios ambientales.

Hay un creciente interés en la aplicación de la teledetección como herramienta de ayuda

para proteger el medio ambiente. 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 espacial con alta resolución temporal

pueden ser utilizadas para el análisis de series de tiempo completas.

7

Los numerosos estudios que utilizan teledetección para la vigilancia del medio ambiente

indican que se está convirtiendo en una herramienta cada vez más importante para el

estudio de diferentes aspectos a escala local, regional y mundial (Latifovic et al., 2005).

Aunque es evidente que la teleobservación mediante satélites es ampliamente aceptada

y utilizada por diferentes disciplinas, a menudo relacionados con la condición del medio

ambiente y dinámica de los ecosistemas, el relativamente pequeño número de estudios

relacionados con los impactos ambientales de la minería y la teledetección indica una

baja utilización en este sector (Latifovic et al., 2005).

5. SENSORES REMOTOS Y EL MONITOREO DE LA ACTIVIDAD MINERA

La minería tiene impacto sobre el medio ambiente, pero la conciencia ambiental de esta

industria ha aumentado en los últimos años a nivel mundial (Lamb., 2000). Los datos

obtenidos por teledetección ahora se consideran un complemento operativo a los

métodos tradicionales de vigilancia e investigación del medio ambiente.

La industria minera ha sido un gran usuario de los datos de teledetección y SIG desde

hace muchos años, pero la atención fue establecida principalmente en la utilidad de la

tecnología para ayudar en la exploración mineral y modelado. Más recientemente, la

teledetección y los SIG se han incorporado a los sistemas de gestión ambiental de las

operaciones mineras y las áreas afectadas por éstas, principalmente en las economías

más desarrolladas (Lamb, 2000). Para la gestión eficaz del medio ambiente, la recogida

y análisis de datos tienen que ser oportunas, precisas y completas. El proyecto MINEO

Europea (Marsh, 2000) y otros proyectos similares en los EE.UU. (por ejemplo,

Rockwell, 2009) han utilizado datos obtenidos por teledetección hiperespectral para

ayudar con el monitoreo y la rehabilitación de las áreas de residuos mineros. En estos

contextos las aplicaciones tienden a ser altamente especializadas, utilizando datos de

alta resolución hiperespectral para la identificación del componente metálico de las

áreas de residuos mineros, la cartografía de la distribución de los componentes

generadores de ácido en el material de desecho, y la evaluación de los impactos de los

desechos mineros en la vitalidad de las diferentes comunidades vegetales (Paull et al.,

2006). Los sistemas de sensores a bordo de satélites suelen tener una resolución espacial

inferior y menos bandas espectrales que los aerotransportados, pero las ventajas son el

bajo costo, la mayor resolución temporal, la gran extensión espacial y los datos

históricos disponibles.

6. VARIABLES AMBIENTALES RELACIONADAS CON LAS ACTIVIDADES

MINERAS

Hay un número de variables ambientales del suelo y de la superficie asociados con las

actividades mineras que son en cierta medida detectables por los sensores a bordo de

8

satélites de observación de la tierra.

Variables (o impactos) son los efectos sobre los recursos naturales y los componentes,

las estructuras y el funcionamiento de los ecosistemas afectados. Las variables se

separan en directos e indirectos (Cuadro 2).

Las variables directas están relacionadas con los efectos directos y previsibles de la

propia explotación minera, que se producen en el mismo momento y lugar. Las

variables indirectas son causadas por las operaciones mineras, pero se producen más

tarde en el tiempo o más alejados en la distancia. Las variables indirectas pueden tener

efectos acumulativos relacionados con los cambios inducidos en el patrón de uso de la

tierra y los efectos relacionados con el suelo, el aire y el agua y otros sistemas naturales.

Variables ambientales relacionadas con actividades mineras

variables directas

Minerales

Drenaje ácido de mina y materiales ferruginosos

Contaminación atmosférica y de partículas arrastradas por el viento

Incremento de la temperatura debido a los incendios de carbón

(subterráneos)

variables indirectas

Uso del suelo y cambio de la cubierta del suelo

Estrés de la vegetación

Contaminadas aguas de superficie: carga de sedimentos y

contaminación por metales

Cambios en la humedad del suelo y el medio ambiente de las aguas

subterráneas

Hundimiento

CUADRO 2. Variables ambientales relacionadas con actividades mineras.

7. VARIABLES, CARACTERÍSTICAS Y PROCESO DE SU GÉNESIS.

En este artículo se desarrollarán solo las variables directas: Minerales y Drenaje ácido

9

Variables directas Características

Minerales Presentes en todas las etapas

Durante la etapa de exploración de base, la identificación de los minerales en la

superficie es una de las herramientas más importantes para el reconocimiento de

las rocas que son potencialmente mineralizadas, ya sea en la superficie o en

profundidad.

Durante el proceso de exploración, importantes cantidades de escombros, rocas,

suelo, materiales minerales, etc. se extraen y se acumulan en lugares específicos

en el área minera.

Durante la etapa de extracción: la voladura, trituración y transporte generan polvo,

compuesto de partículas minerales, que se depositan más allá de los límites de la

zona minera.

La oxidación y el desgaste durante la exposición a la atmósfera provocan la

descomposición de minerales de silicatos y sulfuros, lo que llevan a la formación

de nuevos minerales o la emisión directa de sustancias químicas que pueden ser

redistribuidas en zonas extensas ya sea por el viento o la lluvia (escorrentía).

Durante la etapa de cierre y la recuperación, una mayor limpieza se lleva a cabo y

los grandes volúmenes de material se mueven alrededor en el proceso de

rehabilitación y paisajismo.

Drenaje ácido de mina y

materiales ferruginoso Se forma cuando ciertos minerales de sulfuro en las rocas están expuestos a

condiciones de oxidación.

En algunas minas donde los minerales tienen un alto contenido de azufre, el

drenaje de las explotaciones mineras y los montones de residuos pueden llegar a

ser muy ácidos y pueden contener altas concentraciones de metales pesados

disueltos.

Gran parte de la DA en todo el mundo se cree comúnmente asociado con el carbón

y la minería de metales, pero DA se da en condiciones naturales cuando sulfuros

en materiales geológicos se encuentran en la construcción de carreteras o

similares, y otras excavaciones profundas.

Drenaje Ácido de Roca (DAR) es la mayor fuente de contaminación por minas y

es común a casi todas las minas metalíferas y algunas no metalíferas.

El proceso de formación puede continuar produciendo drenaje ácido por décadas o

siglos después de que la mina ha cerrado.

El proceso de oxidación de los sulfuros y la formación de DAR, drenaje de mina

Neutral (DMN, GARDGUIDE 2009), y el drenaje de la mina salina (DMS) es

muy complejo e involucra una gran cantidad de procesos químicos y biológicos

que pueden variar significativamente dependiendo del medio ambiente, geología y

condiciones climáticas.

Aunque pirita es, con mucho, el sulfuro dominante responsable de la generación

de acidez, diferentes depósitos de mineral contienen diferentes tipos de minerales

10

de sulfuro. No todos estos minerales de sulfuro generan acidez cuando se oxidan.

Un efecto secundario común de la oxidación de los sulfuros es la lixiviación de

metales.

Metales mayores y traza en DAR, DMN y DS se originan a partir de los sulfuros

oxidantes y disolución de minerales ácidos. En el caso de DAR, Fe y Al son por lo

general los principales metales disueltos, mientras que los metales en trazas, tales

como Cu, Pb, Zn, Cd, Mn, Co, Ni también pueden constituir concentraciones

elevadas.

Drenaje ácido provoca efectos ambientales y afecta a los sistemas de drenaje en

numerosos e interactivos maneras. Esto da lugar a múltiples presiones, directas e

indirectas, en los organismos que comprenden la estructura de la comunidad del

ecosistema. Estos efectos pueden clasificarse en términos generales como

químicos, físicos, biológicos y ecológicos, si bien el impacto global en la

estructura de la comunidad es la eliminación de las especies, la simplificación de

la cadena alimentaria y por ende la reducción de la estabilidad ecológica.

8. DETECCIÓN DE VARIABLES MEDIANTE SENSADO REMOTO.

Variables directas Características de detección y sensores utilizados

Minerales

Las técnicas de teledetección multiespectrales se han utilizado para discriminar

diferentes materiales basados en la disimilitud que existe entre sus propiedades

espectrales.

Para la detección de los minerales que pueden ser relevantes en el control del

impacto ambiental de la minería, la atención se centra principalmente en las

imágenes de observación de la Tierra en el dominio óptico (0,45 a 12 micras):

VNIR (visible e infrarroja), SWIR (infrarrojos de onda corta) y TIR (infrarrojo

térmico).

Otros rangos de longitud de onda, como los rayos gamma, los rayos UV, así como

microondas (radar) son menos adecuados o prácticos para el mapeo de minerales.

Las longitudes de onda en el VNIR y SWIR se utilizan para detectar

características de absorción relacionada con enlaces moleculares específicos

dentro de los minerales.

Las características espectrales de los materiales en la TIR son, a la escala espacial

de las imágenes de satélite, más relacionada con características químicas /

mineralógica de los materiales a granel y entonces son más adecuados

principalmente para mapeo de rocas, en lugar de minerales.

No todos los minerales muestran características espectrales detectables en los

rangos de longitud de onda, mencionados previamente.

Los sistemas a bordo de los satélites más accesibles tienen sólo un número

11

limitado de bandas, que en combinación con los anchos de banda, limita la

posibilidad de discriminar entre los minerales con espectros similares.

Para el TIR, la mejor resolución espacial disponible es de 90m (Landsat, ASTER),

para SWIR 30m (Landsat, ASTER, Hyperion, ALI) y para VNIR, inferior a un

metro (GeoEye, IKONOS, QuickBird).

Landsat TM han estado en órbita desde 1982, y proporcionó un flujo

ininterrumpido de imágenes de alta calidad que cubren todo el globo a intervalos

regulares, por lo tanto, estas imágenes son de gran valor para el estudio de los

procesos ambientales relacionados con la minería que han tenido lugar en las

últimas 4 décadas.

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.

Existen varios métodos para diferenciar aún más dentro de amplios grupos de

minerales, y como consecuencia, Landsat ha sido utilizado ampliamente como una

herramienta de reconocimiento en la exploración de minerales, ya que permite la

identificación de algunos estilos muy específicos de alteración.

Varios estudios han demostrado también que Landsat es una herramienta muy útil

para la cartografía de hierro no-silicato (óxidos, hidróxidos, sulfatos, etc.), ya que

estos minerales tienen alguna características espectrales amplias en el VNIR que

se pueden reconocer bajo los datos de Landsat.

Con respecto a la vigilancia de las características mineralógicas de la superficie de

las minas, las resoluciones espaciales y espectrales de Landsat parecen

insuficientes para mapear los minerales que son relevantes en este sentido. En las

zonas mineras la composición de la superficie es por lo general muy heterogénea,

y pueden ocurrir cambios importantes en distancias muy pequeñas. Por lo tanto, la

mayoría de los píxeles representan una mezcla de materiales, que es, a la

resolución espectral de Landsat, imposible de separar.

En cuanto a la resolución espectral, ASTER ha sido un gran paso adelante en

comparación con Landsat, con 6 bandas en el SWIR, 5 bandas en el TIR y un par

estéreo de 15 metros de resolución en el VNIR.

Un inconveniente es la falta de la banda azul, lo que hace más difícil mapear

minerales de hierro no-silicato.

Las posiciones de las cinco bandas en el SWIR se eligieron de tal manera que la

identificación de los minerales individuales, tales como illita, montmorillonita,

caolinita, pirofilita, alunita, jarosita, que antes eran inseparables usando Landsat.

También es posible la identificación de los minerales no identificables con

Landsat (por ejemplo, clorito, epidota, calcita).

Debido a la resolución espectral mejorada, ASTER es actualmente utilizado muy

ampliamente para la identificación de los sistemas de alteración en la exploración

de minerales.

12

Para la caracterización mineralógica y vigilancia de las zonas mineras, ASTER es

más adecuado que el Landsat, pudiendo identificar minerales individuales, así

como cambios graduales mineralógicos

Hyperion, un sensor experimental hiperespectral, es capaz de discriminar

minerales y produce mapas minerales parecidos a los de AVIRIS (Airborne

Imaging Spectrometer Visible / Infrarrojo).

La relación de señal-ruido reducida de datos Hyperion (~ 50:1 a diferencia de >

500:1 para AVIRIS) conduce a la relativamente escasa fiabilidad de los resultados

en el análisis espectral.

Los sensores de alta resolución espacial de los satélites SPOT HRV, IKONOS,

QuickBird y GeoEye proporcionan datos con bandas en el VNIR similares a

Landsat.

La posición de las bandas en estas imágenes debe ser adecuado para el mapeo de

minerales de hierro, sin embargo, la mayor parte de los trabajos realizados hasta

ahora con este tipo de imágenes con respecto a la vigilancia del impacto en

minería se preocupa de la detección de cambios en la vegetación, la validación de

recuperación del suelo, así como el seguimiento de los cambios de uso del suelo.

Muy poca información está disponible en relación con el uso de estas imágenes

para el mapeo de minerales.

Girouard et al. (2004) validó el algoritmo Spectral Angle Mapper (SAM ) para la

cartografía geológica en Marruecos y comparo los resultados entre Landsat TM y

QuickBird . Los resultados mostraron que el SAM de TM datos pueden

proporcionar mapas mineralógicos que se comparan favorablemente con la verdad

en suelo, y aunque Quickbird tiene una mejor resolución espacial en comparación

con el TM, estos datos no proporcionan buenos resultados debido a la baja

resolución espectral.

Drenaje ácido de mina y

materiales ferruginoso El potencial de generación de ácido de un depósito de mineral o de residuos

mineros en general, depende de la cantidad de sulfuro de hierro presente.

Casi todas las minas metálicas y la mayor parte del carbón contienen pirita u otros

sulfuros que oxidan cuando se expone al ambiente de la superficie, tendiendo a la

generación de ácido sulfúrico y minerales secundarios tales como copiapite,

jarosita, goethita y hematita.

La oxidación de la pirita en la superficie de los residuos de mina produce agua

ácida que se neutraliza gradualmente a medida que se drena fuera de los residuos,

depositando diferentes minerales secundarios Fe – base de PH ácido hacia PH

alcalino (Copiapite, jarosita, Schwertmannite, Geothite, Ferridrite, Lepidocrocite,

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

ASTER. Fuente http://www.ga.gov.au/image_cache/GA-7833.pdf

TABLA 2. Cocientes y combinaciones de bandas para el análisis de imágenes ASTER.

Fuente http://www.ga.gov.au/image_cache/GA-7833.pdf

Desde principios de la teledetección multiespectral, las relaciones de banda fueron

utilizadas en la exploración de minerales. La ventaja de las relaciones de banda es que

reducen o eliminan los efectos de sombreado, que de otro modo se mezcla con la

información espectral necesaria para hacer discriminaciones litológicas. Por otra parte,

32

las relaciones de banda pueden minimizar las diferencias de brillo entre las unidades

litológicas (es decir, las relaciones tienden a enfatizar la información de color, restando

importancia al brillo absoluto) y pueden facilitar la comparación de los datos recogidos

en fechas diferentes, que difieren en el ángulo solar. La relación de las bandas del

Landsat 7 y 5 aumenta la capacidad de discriminar los materiales de superficie, rocas

particularmente alteración hidrotermal, a pesar de que ambigüedades importantes fueron

reconocidos debido a la amplitud de banda 7 de Landsat TM. Soe et al. (2005) utilizan

cocientes de imágenes Landsat para un análisis preliminar: b5/b7 para minerales de

arcilla, B5/B4 para minerales ferrosos y b3/b1 para óxidos de hierro. Kalinowski y

Oliver (2004) ofrecen una visión general de las relaciones de las bandas de ASTER de

uso común y las combinaciones de bandas para la exploración de minerales (TABLA 1).

“Absorción relativa Espesor-Banda”

(Relative absorption Band-Depth)

de imágenes (RBD, Crowley et al., 1989) son tres puntos especialmente útiles para la

visualización de Al-OH, Mg-OH e intensidades de absorción de CO3 antes de realizar el

análisis espectral más detallada. Por ejemplo, Rowan y Mars (2003) compararon

umbrales concretos de imágenes ASTER RBD de Mountain Pass, California con mapas

litológicos y datos aéreos, y mostraron patrones similares de píxeles que representan

Ca-CO3 absorción ((b7 + b9) / b8) y caliza distribución, el Ca,Mg-CO3 RBD imágen

absorción ((B6 + b8) / B7) con la distribución dolomita. El RBD imágen absorción Al-

OH ((b5 + b7) / b6) se corresponde con la distribución de los granitos, gneis, rocas

graníticas y granodiorítico y rocas de cuarzo. La relación ASTER B2/B1 muestra la

distribución de píxeles con intensa absorción de Fe3 +.

La vegetación a menudo impide el análisis geológico de cocientes de banda, ya que está

ampliamente distribuida y puede ser espectralmente similar a los óxidos de hierro y

arcillas cuando se muestrean por los sistemas de imágenes de banda ancha. Fraser y

Green (1987) desarrollaron una técnica que consiste en la transformación de

componentes principales (véase también c) con dos entradas de imágenes con cocientes

de bandas. El primer cociente es un discriminante geológico (confundido por la

presencia de vegetación), el segundo cociente es elegido por su idoneidad como un

índice de vegetación. El segundo „Directed Principal Component‟ (DPC) tiene las

propiedades de una discriminante geológica, pero está menos influenciado por la

vegetación.

b. Índices de Vegetación

c. Otras Transformaciones

La base de las transformaciones lineales de datos es que un conjunto de datos

multidimensional se reordena en el espacio con el fin de:

1) Des-correlacionar la información de las nuevas dimensiones (análisis de

componentes principales o PCA)

2) Relacionar directamente la información en las nuevas dimensiones características de

la escena, como el suelo y la vegetación (tasseled cap, TC, or Kauth-Thomas, KT,

33

transformación)

3) Reducir la dimensionalidad de los datos mediante la concentración de la información

relevante en un menor número de dimensiones (tanto PCA y KT)

4) Maximizar la separabilidad entre clases de entidades predeterminadas y minimizar la

variabilidad dentro de las clases (transformación canónica).

Análisis de componentes principales es un procedimiento de des-correlación que

reorganiza por estadística de medias los números digitales de diferentes bandas

espectrales (Vaseashta et al . , 2007). La técnica de PCA implica un procedimiento

matemático que transforma un número de (posiblemente) variables correlacionadas en

un número de variables no correlacionadas (más pequeño), llamado componentes

principales (por ejemplo, véase la figura 11). Este, sin embargo, sufre el inconveniente

de generar resultados escena-dependientes, que, entre otros, disminuye seriamente su

aplicabilidad para el análisis multitemporal. Solans Vila ( 2007 ), por lo tanto, desarrolló

una técnica multitemporal PCA para controlar la regeneración de vegetación post-

incendio de la cubierta en el Mediterráneo europeo. Parte del problema de dependencia

de la PCA se puede superar con la transformación tasseled cap ( o transformación KT ).

Este enfoque se basa en una transformación lineal de los ND donde la información del

suelo (brillo), la vegetación (verdor), y la humedad (humedad) son separados en planos

en el espacio de datos multidimensional . Mientras PCA no es explícitamente sensibles

a la estructura de datos a nivel inter-clase (se basa en la matriz de covarianza global), el

algoritmo KT no afecta a la separabilidad de clase (el objetivo es mejorar la percepción

humana de las clases). Un multitemporales Kauth - Thomas transformación (MKT) se

llevó a cabo en el estudio de Lau et al . ( 2006 ). Ellos supervisan perturbaciones en la

superficie terrestre debido a las operaciones de minería a cielo abierto y la central

eléctrica de carbón debido a las actividades mineras. Afirmaron que MKT ofrece una

manera rápida de identificar los diferentes cambios en la superficie y sin conocimiento

previo de las características espectrales de la superficie de tierras cubiertas.

34

Figura 11. Datos ASTER de imágen de satélite de las cuatro ciudades de franja 60 Km

( 1 Los Ángeles , Estados Unidos; 2 San Francisco, EE.UU. , 3 de Calcuta , India , y 4

en Bangkok , Tailandia.) : ( 1a) RGB bandas 321 , ( 1b ) RGB de las primeras 3 bandas

PCA muestra la absorción de la radiación en la atmósfera debido a los contaminantes,

( 1c )LA densidades de corte, banda 14 (a 11mm de bandas espectrales) en pseudocolor

sobre DOQQ confirma la importante concentración de partículas en la atmósfera, ( 2a )

bandas RGB 321 , ( 2b ) RGB de primero 3 bandas PCA muestra smog sobre industrias

de Berkeley, ( 2c ) Densidades de corte, banda 14 sobre DOQQ confirma la existencia

de partículas en suspensión en la atmósfera, ( 3a ) RGB de 321 bandas , ( 3b ) RGB de

los primeros 3 bandas PCA muestra poca neblina en la ciudad, ( 3c ) Relación de banda,

imágen de Kolkata , en RGB B- 3-2 , 9-6, 10-14, confirma la presencia de partículas en

suspensión en el área de la ciudad , (4a ) bandas RGB 321 muestra neblina en la parte

noroeste de la ciudad, ( 4b ) RGB bandas 765 muestra absorción de la radiación en las

bandas SWIR , ( 4c ) bandas RGB 15,14,13 muestra absorción en las bandas TIR y

confirma material particulado en la atmósfera (Vaseashta et al. , 2007)

Crósta y Moore (1989) desarrollaron una técnica basada en la PCA para el mapeo de

óxido/hidroxido de hierro relacionado con los yacimientos de sulfuros en los terrenos

del cinturón de granito de piedra verde con Landsat TM. La técnica, denominada

„Feature-orientated Principal Component Selection‟ (FPCS), se basó en el

35

establecimiento de la relación entre las respuestas espectrales de materiales diana

(suelos ricos en óxido férrico) y los valores numéricos extraídos de la matriz de

autovectores utilizados para calcular el componente principal de las imágenes. Usando

esta relación, fueron capaces de determinar los PCs que contenían la información

espectral de los minerales de hierro y los números digitales de los píxeles que contienen

los materiales diana tenían valores altos (brillante) o baja (oscuro).

Loughlin (1991) modificó la técnica FPCS para seleccionar bandas de Landsat TM

específicas y aplicaco PCA por separado a estas, para asegurarse de que ciertos

materiales (por ejemplo, vegetación) no serían mapeados y que la información espectral

de los materiales diana (minerales de alteración) se asigna en un único PC. El

procedimiento propuesto por Loughlin usa bandas de Landsat TM comprendiendo

bandas 1, 3, 4 y 5 para derivar información espectral relacionada con óxidos /

hidróxidos férricos, los que serían únicamente mapeados en PC3 PC4. Otro conjunto de

bandas, que comprende las bandas 1 , 4 , 5 y 7, fue utilizado igualmente para obtener

información relacionada con los minerales y carbonatos hidroxilo, también mapeado

únicamente en cualquiera PC3 PC4. Este procedimiento, acuñado por Loughlin (1991),

la técnica Crósta, ha sido utilizado con éxito para fines de exploración minera, debido a

su facilidad de uso y robustez. En las regiones afectadas por exploración de minerales y

con condiciones favorables (escasa o ninguna vegetación, roca expuesta, etc.), como en

la cordillera sudamericana, esta técnica se ha convertido en un instrumento operativo

estándar para el mapeo de alteración usando Landsat TM. Crósta et al. (2003) aplicaron

PCA a las bandas de ASTER que cubren el SWIR con el objetivo de trazar la aparición

de endmembers minerales relacionados con un prospecto de oro epitermal en la

Patagonia, Argentina. Los resultados ilustran la capacidad de ASTER para proporcionar

información sobre las alteraciones minerales que son valiosos para las actividades de

exploración minera y apoya el papel de los PCA como una técnica muy eficaz y robusta

de procesamiento de imágenes para tal fin.

Otro método de transformación alternativo que toma en cuenta las clases de entidad tal

como se define por el analista en función del espacio multidimensional, es la

transformación canónica. Considerando que el PCA utiliza todos los píxeles

independientemente de la identidad o de la clase para derivar los componentes, en una

transformación canónica uno limita los píxeles que participan o aquellos asociados con

características/clases preidentificados. Estos valores multibanda (dentro de las áreas del

sitio) se procesan entonces en forma de PCA. Este enfoque selectivo está diseñado para

optimizar el reconocimiento y la localización de características similares en otros

lugares de la escena.

Transformación de Fracción de mínimo ruido ( MNF ) es una transformación de

componentes principales modificado. Se utiliza para determinar la dimensionalidad

inherente de los datos de la imágen, separando el ruido en bandas cada vez más ruidosas,

concentrando la información significativa de la imágen en menos bandas y para reducir

los requisitos de cálculo para su posterior procesamiento. Las bandas MNF con el

36

menor ruido pueden ser utilizados para la clasificación de imágenes, o la transformación

puede ser invertida para reconstruir una imágen con el número original de bandas,

menos algunos de los ruidos. El espacio de los datos se puede dividir en dos partes: una

parte asociada con grandes autovalores y autoimagens coherentes, y una parte

complementaria con autovalores cercanos e imágenes de ruidos dominantes. Mediante

el uso de sólo las partes coherentes, los ruidos son separados de los datos, mejorando

así los resultados de procesamientos espectrales. El MNF transformada puede basarse

en toda la imágen o un subconjunto (por ejemplo, un área homogénea) de la imágen

(véase la figura 8 ). Waldhoff et al. (2008) utilizó una transformación MNF para la

evaluación de calidad de los datos y reducción de ruido de las imágenes de Hyperion,

antes de la extracción de información geológica. La generación de imágenes MNF es el

primer paso en el esquema de procesamiento de „Spectral Hourglass‟ ( Kruse et al.,

2003 ) para la estimación de la dimensionalidad de los datos datos y reducción ( véase

también clasificación No Supervisada ).

En general, los datos originales de reflectancia espectral se pueden transformar en otros

tipos de dimenciones de datos mediante la aplicación de operaciones matemáticas. Usar

datos transformados puede proporcionar una mejor información y comprensión para el

uso de los datos originales. Por ejemplo, la derivada espectral aumenta las diferencias

espectrales en ciertas partes del espectro, eliminando los factores multiplicativos y

reduciendo el efecto del background del suelo. El análisis de la magnitud de la derivada

en 725 a 702 nm podría ayudar a la detección de las respuestas de estrés de las plantas a

las fugas de gas. Debba et al. (2006) también utiliza derivados en su proceso de

desmezcla para estimar la abundancia de minerales espectralmente similares en los

desechos mineros.

Transformadas de Wavelet se han utilizado cada vez más para la reducción de

dimensionalidad. Wavelet es una función matemática utilizada para dividir una señal

espectral continua en diferentes componentes de frecuencia y estudiar cada componente

con una resolución que coincida con su escala. Wavelets tienen ventajas sobre las

tradicionales transformadas de Fourier para la representación de las funciones que

tienen discontinuidades y picos afilados. Wavelets también tienen ventajas para des-

construir y reconstruir una señal. Discrete Wavelet Transform (DWT) y Continuous

Wavelet Transform (CWT) son dos tipos de transformaciones wavelet. Salvador (2008)

ilustra que la aplicación de la transformada wavelet al espacio espectral de datos de

imágenes hiperespectrales y ultra-espectral mejoró el manejo computacional y la

detección de gases traza en imágenes aéreas y espaciales.

3. Clasificación de imágenes

En la clasificación digital de imágenes, píxeles de la imágen son asignados a clases o

categorías de información características. Los métodos de clasificación de imágenes

digitales utilizan algoritmos para comparar píxeles entre sí y / o a los píxeles de

conocida identidad con el fin de montar los grupos de píxeles similares en clases con

características similares.

37

a. Clasificación Supervisada

Clasificación supervisada es un procedimiento para la identificación de áreas

espectralmente similares en una imágen por entrenamiento de sitios para objetivos

conocidos y luego extrapolar esas firmas espectrales a otras áreas de los objetivos

desconocidos. Clasificación supervisada se basa en el conocimiento a priori de la

ubicación y la identidad de las clases específicas en la imágen, y necesita una guía del

usuario para especificar en qué clases un objeto puede ser clasificado. Información a

priori se puede lograr a través del trabajo de campo, la interpretación de fotografías

aéreas de alta resolución o de otras fuentes de información independientes.

Hay muchos aspectos que deben ser considerados al realizar una clasificación

supervisada. El usuario experto también tiene que proporcionar un conjunto de objetos

de muestra con clases conocidas. El software determina la firma espectral de los píxeles

dentro de este conjunto conocido, y utiliza esta información para definir la media y la

varianza de las clases en relación con todas las bandas de entrada o capas. A

continuación, se asigna a cada píxel de la imágen, sobre la base de su firma espectral, a

la clase que coincide más estrechamente. Es importante elegir áreas de formación que

cubren toda la gama de variabilidad dentro de cada clase de interés para permitir al

software clasificar con precisión al resto de la imágen. Algunos de los algoritmos de

clasificación más comúnes utilizados para la clasificación supervisada incluyen la

clasificación de mínima distancia a la media, clasificador de paralelepípedo, clasificador

de máxima verosimilitud de Gauss y Spectral Angle Mapper.

El clasificador paralelepípedo utiliza un cuadro delimitador alrededor del área de

medición de espacio ocupado por el conjunto de entrenamiento y luego clasifica todos

los píxeles desconocidos que caen dentro de esa zona como pertenecientes a la clase del

conjunto de entrenamiento. El criterio utilizado para determinar las dimensiones de

contorno es a menudo el espacio de medición de coordenadas de los píxeles de valor

mínimo y máximo dentro del conjunto de entrenamiento. Si el píxel no entra dentro de

ninguna clase, se le asigna a la clase nula (código 0). El clasificador de paralelepípedo

se utiliza típicamente cuando se requiere velocidad. El inconveniente es (en muchos

casos) pobre precisión y si las cajas se superponen requiere un nuevo paso de toma de

decisiones en la clasificación.

La clasificación de probabilidad máxima es un criterio de decisión estadística para

ayudar en la clasificación de las firmas superpuestas, asignando píxeles a la clase de

probabilidad más alta, y por lo tanto se considera que puede dar resultados más precisos

que la clasificación de paralelepípedo sin embargo, es mucho más lento debido por los

cálculos adicionales. Se supone, además, que las clases en los datos de entrada tienen

una distribución Gaussiana y que las firmas son bien seleccionadas, que no es siempre

el caso.

El Spectral Angle Mapper (SAM) es un algoritmo de clasificación físicamente basado

en la comparación de la similitud espectral entre (superficie) reflectancia espectral de la

38

imágen y los espectros de referencia, tratándolos como vectores en un espacio con

dimensionalidad igual al número de bandas. Este método de clasificación permite un

rápido mapeo mediante el cálculo de la similitud espectral entre los espectros de imágen

para espectros de reflectancia de referencia. Los espectros de referencia, bien se puede

tomar a partir de mediciones de laboratorio o en el campo o se extrae directamente de la

imágen. Spectral Angle Mapper difiere de los métodos de clasificación estándar, ya que

compara cada píxel de la imágen con cada endmember para cada clase y le asigna un

valor de ponderación entre 0 ( baja semejanza ) y 1 ( alta semejanza ) ( Girouard et al . ,

2004 ) . SAM mide la similitud espectral mediante el cálculo del ángulo entre los dos

espectros, tratándolos como vectores en un espacio n-dimensional: ángulos pequeños

entre dos espectros indican alta similitud. Este método no se ve afectada por factores de

iluminación solar, debido a que el ángulo entre los dos vectores es independiente de la

longitud de los vectores. SAM se ha usado con éxito en el pasado para el mapeo

geológico y para la identificación de posibles sitios de exploración de minerales,

utilizando la biblioteca espectral USGS como espectro de referencia, aunque a menudo

surgen problemas relacionados con grandes tamaños de pixel y mezclas espectrales. Por

ejemplo, Waldhoff et al. (2008) identificaron endmembers sobre una imágen de alta

resolución QuickBird, transfiere estas " regiones de interés " para ASTER y conjuntos

de datos de Hyperion, y utiliza un método SAM para mapear la composición de la

superficie. La corrección radiométrica adecuada de los datos de Hyperion resultó crucial.

Girouard et al,.( 2004 ) validó el algoritmo de SAM para la cartografía geológica en

Marruecos usando Quickbird e imágenes Landsat TM, y concluyó que la resolución

espectral es un factor principal para el éxito.

The Mixture Tuned Matched Filtering (MTMF): este algoritmo, realiza una parcial

unmixing mediante la identificación de la abundancia de un solo endmember definido

por el usuario, maximizando la respuesta de los endmember de interés y minimizando la

respuesta de los backgraund desconocidos. Para obtener la clasificación más precisa de

cada endmember, un gráfico de dispersión 2-D de los valores de Matched Filtering (MF)

frente a valores de inviabilidad se gráfica. Pixels identificados con un alto MF y baja

inviabilidad es probable que contengan los más puros píxeles endmember. Los valores

umbrales óptimos se determinan comparando el perfil espectral de píxeles emparejados

contra el perfil espectral de endmember. Kruse et al. (2003) utilizaron el método MTMF

para producir mapas de imágenes que muestran la distribución y abundancia de los

seleccionados minerales en Cuprite, Nevada, en base a imágenes de AVIRIS e Hyperion

(Figura 12).

39

FIGURA 12. MTMF mapa mineral para AVIRIS (izquierda) e Hyperion (deracha) para

Cuprita, Nevada (USA). Píxeles de colores muestran la predominancia espectral de los

minerales con concentraciones mayores a 10%. (Kruse et al., 2003)

En los métodos de árboles de decisión, un árbol binario en el que se construye en cada

nodo un único parámetro se compara con alguna constante. Si el valor de característica

es mayor que el umbral, se toma la rama derecha del árbol, y si el valor es más pequeño,

la rama izquierda es seguida. Después de una serie de estas pruebas, se llega a un nodo

de hoja del árbol en el que todos los objetos se etiquetan como pertenecientes a una

clase en particular. Los árboles de decisión son por lo general mucho más rápidos en la

fase de construcción (formación) de los métodos de redes neuronales, y también tienden

a ser más rápidos durante la fase de aplicación. Su desventaja es que no son tan flexibles

en modelar distribuciones espaciales con parámetros complejos como las redes

neuronales o métodos de vecinos más cercanos.

La clasificación supervisada puede ser muy eficaz y precisa en la clasificación de

imágenes de satélite y se puede aplicar a nivel de píxel individual o de objetos de la

imágen (grupos de píxeles adyacentes similares). Sin embargo, para que el proceso

funcione eficazmente, la persona que procesa la imágen tiene que tener un conocimiento

a priori (los datos de campo, fotografías aéreas, o de otros conocimientos) del lugar

donde se encuentran los tipos de interés (por ejemplo, los tipos de cobertura de la tierra),

40

o ser capaz de identificar directamente las imágenes. Este método se utiliza a menudo

con clasificación no supervisada en un proceso llamado clasificación híbrida. La

clasificación no supervisada puede ser utilizada por primera vez para determinar la

composición de clase espectral de la imágen y ver lo bien que las clases de cubierta

terrestre destinadas se pueden definir en la imágen. Después de este paso inicial, la

clasificación supervisada se puede utilizar para clasificar a la imágen en los tipos de

coberturas de intereses.

b. Clasificación No Supervisada

A diferencia de clasificación supervisada, la clasificación no supervisada se utiliza para

agrupar píxeles en un conjunto de datos sobre la base de solo la estadísticas, sin la

necesidad de formación de datos especificados por el usuario. La premisa básica es que

los valores dentro de una clase dada deben estar cerca en la medición, mientras que los

datos en diferentes clases deben ser comparativamente bien separados. El usuario debe

especificar la información básica, como las bandas espectrales a utilizar y el número de

categorías para utilizar en la clasificación. Algoritmos de agrupamiento comunes

incluyen K-means clustering, ISODATA clustering y Narenda-Goldberg Clustering.

Clases obtenidos a través de la clasificación no supervisada todavía necesitan ser

identificados y etiquetados por el usuario experto, que no siempre es fácil ya que las

clases pueden no corresponder a las clases de interés. La clasificación no supervisada es

útil cuando no hay datos de campo preexistentes o aéreas detalladas por fotografías para

el área de la imágen, y el usuario no puede especificar con precisión las áreas de

entrenamiento. Además, este método se usa a menudo como un paso inicial antes de la

clasificación supervisada (llamada clasificación híbrida). La clasificación híbrida puede

ser usada para determinar la composición de clases espectrales de la imágen antes de

llevar a cabo un análisis más detallados y para determinar qué tan bien las clases de

cubierta terrestre se pueden definir en la imágen.

El „Spectral Hourglass‟ esquema de proceso, proporciona una forma consistente para

obtener información espectral de datos hiperespectrales y sin conocimiento a priori u

observaciones terrestres (Figura 13). El punto clave de la metodología Spectral

hourglass (Kruse et al., 2003) es la reducción de los datos tanto en la dimensión

espectral y espacial para localizar, caracterizar e identificar algunos espectros clave

(endmembers) en los datos de imágen hiperespectral que se pueden utilizar para explicar

el resto del conjunto de datos hiperespectrales. Una vez seleccionados los endmembers,

su localización y abundancia se pueden asignar a los datos de una transformación lineal

u original. El método se ha implementado y documentado dentro de ENVI

(„Environment for Visualizing Images‟, an ITT product).

41

Figura 13. El „Spectral Hourglass‟ HSI esquema de proceso de datos. Grandes conjuntos

de datos HSI se reducen a unos pocos espectros clave (en el cuello del reloj de arena)

que explican los datos utilizando técnicas de reducción de datos espaciales y espectrales.

Métodos de mapeo espectral basadas en píxeles son aplicados al conjunto de datos HSI

completo. (Kruse y Perry, 2007).

El método „Spectral Hourglass‟ deriva la máxima información de los datos

hiperespectrales a sí mismos, lo que minimiza la dependencia a priori de la información

externa. El enfoque de análisis consta de los siguientes pasos (Kruse y Perry , 2007) :

( 1 ) corrección para los efectos atmosféricos utilizando un modelo atmosférico, tales

como ACORN (Analytical Imaging and Geophysics LLC (AIG), 2001); ( 2 )

compresión espectral, supresión de ruido y reducción de dimensionalidad mediante la

transformación de Fracción de ruido mínimo ( MNF ) ; ( 3 ) Determinación de

endmembers utilizando métodos geométricos ( pixel Pureza Índice - ' PPI ' ); ( 4 )

Extracción de espectros de endmember utilizando n-dimensional scatter plott; ( 5 )

Identificación de espectros de endmember utilizando inspección visual, la identificación

automatizada , y las comparaciones de bibliotecas espectrales , y ( 6 ) Producción de

mapas de material utilizando una variedad de métodos de mapeo. El ' Spectral Angle

Mapper ' ( SAM ) produce mapas del mineral espectralmente predominante para cada

píxel mediante la comparación del ángulo entre los espectros de imágen y espectros de

referencia en el espacio vectorial n-dimensional. «Mezcla - Tuned - Matched - Filtering

" ( MTMF ) es básicamente un procedimiento de separación (unmixing) espectra parcial

linear.

En muchos estudios, las imágenes se analizaron utilizando el método de „Hourglass‟

para determinar endmembers espectrales únicos, sus distribuciones espaciales y

abundancias, con el fin de producir mapas detallados de minerales.

c. Clasificación Supervisada y No Supervisada

El método más conocido que se puede utilizar ya sea para clasificación supervisada y

no supervisada es la red neuronal artificial (RNA). El tipo no supervisado de estas redes,

que posee la propiedad de auto-organización, se llama redes de aprendizaje competitivo.

42

RNA es un paradigma de procesamiento de la información que se inspira en la forma en

que los sistemas nerviosos biológicos, como el cerebro, procesan la información. El

elemento clave de este paradigma es la nueva estructura del sistema de procesamiento

de la información. Se compone de un gran número de elementos de procesamiento

altamente interconectados que trabajan al unísono para resolver problemas específicos.

RNA, como las personas, aprenden con el ejemplo. La mayor ventaja de los métodos de

redes neuronales es que en general: pueden manejar los problemas con muchos

parámetros, y son capaces de clasificar objetos así incluso cuando la distribución de los

objetos en el espacio de parámetros N - dimensional es muy complejo. La desventaja de

las redes neuronales es que son notoriamente lentas, especialmente en la fase de

entrenamiento, sino también en la fase de aplicación. Otra desventaja importante de las

redes neuronales es que es muy difícil determinar cómo la red está tomando su decisión.

Por consiguiente, es difícil determinar cuál de las características de la imágen que se

utilizan son importantes y útiles para la clasificación y cuales no tienen ningún valor.

The Self-Organizing Maps (SOM) es una metodología de redes neuronales desarrollado

por Kohonen que forma una presentación de dos dimensiones a partir de datos

multidimensionales (Kohonen, 1995). Durante esta transformación, la topología de los

datos se mantienen en la presentación de tal manera que los vectores de datos, que se

parecen mucho unos a otros, están situados uno junto al otro en el mapa. Una

característica importante de la SOM es la generalización de la información, que permite

la clasificación de los vectores de datos no usados en la formación de la SOM. El SOM

puede así servir como una herramienta de agrupación de datos de grandes dimensiones

que no se incluyeron en el conjunto de datos de entrenamiento. Charou et al. (2010)

utilizaron un método SOM para discriminar las clases de cubierta terrestre inherentes en

las imágenes ASTER, con el fin de evaluar el impacto de las actividades mineras sobre

los recursos de la tierra en Grecia.

Tiene que ser señalado que todos las técnicas de clasificación píxel a píxel mencionadas

asumen que los píxeles son homogéneos. Sin embargo, en la realidad, la característica

espectral de un píxel es simplemente una respuesta compuesta de la mezcla que

constituye la superficie de la célula correspondiente al suelo. Para superar este

inconveniente, la representación difusa se ha sugerido. La motivación es a continuación,

asignar a cada píxel, en lugar de un índice de clase única, una función de pertenencia

que indica en qué medida un píxel pertenece a cada clase. Esto da lugar a los llamados

clasificadores difusos.

d. Análisis de imágenes basada en objetos

Junto a la clasificación píxel por píxel, los métodos de clasificación de imágenes

basadas en objetos también pueden ser de interés. Mientras que el análisis de imágenes

basado en píxeles se basa en la información en cada píxel, análisis de imágenes basada

en objetos se basa en la información de un conjunto de píxeles similares a base de una

medida de las propiedades espectrales (es decir, el color), tamaño, forma y textura, así

43

como el contexto que rodea a los píxeles. Técnicas de clasificación comúnmente

utilizados para este análisis basado en objetos es vecino más cercano y clasificación de

función de pertenencia. Clasificación basada en objetos generalmente consta de tres

pasos: (i) la creación de objetos de imágen utilizando un algoritmo de segmentación de

imágenes, (ii) la extracción de parámetros basados en objetos, y (iii) la clasificación

utilizando los indicadores basados en objetos.

Las imágenes de alta resolución espacial plantean retos, debido a que la respuesta

espectral de los píxeles individuales ya no podría representar la característica de un

blanco de interés, por ejemplo, masa forestal. La iluminación solar del dosel y los

efectos topográficos pueden causar variabilidad alta de la reflectancia en una masa

forestal. La clasificación tradicional, basado en píxeles basados únicamente en la

información espectral puede no tener éxito y puede resultar en ruido de sal y pimienta

en la salida de la clasificación ( Ke et al. , 2010 ). En contraste con la clasificación

basada en píxeles, las unidades básicas de clasificación basada en objetos son objetos de

la imágen (o segmentos). Cada objeto está compuesto de píxeles espacialmente

adyacentes agrupadas sobre la base de criterios de homogeneidad. Los objetos de la

imágen se generan mediante un procedimiento de segmentación de imágenes, de las

partes de una imágen en regiones que no se intersectan. En la clasificación basada en

objetos se puede utilizar no sólo la información espectral, si no también otros datos

como la forma, la textura y las relaciones contextuales. Los factores ambientales dentro

de objetos, tales como elevación, pendiente y orientación, también se puede utilizar para

la clasificación.

e. Clasificación Sub -pixel

Este procedimiento de clasificación "soft" intenta revelar posibles mezclas de clases y

define para cada píxel las fracciones de áreas cubiertas por los diferentes tipos de

cobertura. Un número de técnicas de clasificación difusas se han investigado para este

propósito, siendo las más ampliamente utilizadas las Redes Neurales Artificiales ( RNA )

y Análisis Espectral de Mezclas ( AEM ). La principal ventaja de una RNA es que es

capaz de hacer frente a los efectos no lineales de mezcla causados por dispersión

múltiple de fotones ( Mas et al., 2004 ). Las desventajas de la RNA son el requisito de

valores oscuros de inicialización ( Varshney y Arora, 2004 ) y su sensibilidad a los

problemas mal planteados. RNA, además, actúan como una caja negra y requiere mucho

tiempo computacuional. Por el contrario, AEM es impulsado directamente por modelos

de mezcla físicamente explícitas. Técnicas de AEM lineales primero identifican una

colección de espectros constituyentes espectralmente puros o endmembers ( Lobell y

Asner , 2004) . Cada espectro medido de un píxel mixto se expresa a continuación,

como una combinación lineal de endmembers ponderado por fracciones o abundancias

que indican la proporción de cada endmember presente en el píxel. Las abundancias se

estiman normalmente usando el método de estimación de los mínimos cuadrados

( EMC ) ( Barducci et al., 2005 ). La calidad de los endmembers contribuirá al éxito del

enfoque de des-mezcla. Espectros puros se puede obtener midiendo espectralmente

44

diferentes materiales de cobertura del suelo en el campo o en el laboratorio, o extraer

automáticamente de las imágenes. Las técnicas automáticas más ampliamente utilizadas

para la extracción de endmember incluyen el algoritmo Índice de Pureza de Pixel ( IPP ),

el software de N-FINDR software, o el algoritmo de análisis de errores iterativos. Se

presenta una serie de nuevos métodos de extracción de endmember, Sequential

Projection Algorithm, Vertex Component Analysis, Sequential Maximum Angle

Convex Cone, Iterated Constrained Endmembers y Simplex Growing Algorithm.

11 .Conclusiones

El objetivo de este seminario fue describir el imapacto ambiental en minería, con énfasis

en sus variables directas (Minerales, Drenaje ácido y minerales ferruginosos), los

sensores remotos satelitales, su empleo en este campo, como sensar en forma remota

cada variable, los tipos de sensores satelitales de utilidad y las técnicas utilizadas.

La teledetección es una herramienta común e importante utilizada en el análisis de los

diferentes campos de la tierra y ciencias ambientales, incluyendo el monitoreo

ambiental. A través de la teledetección, información detallada y puesta al día sobre

condición de la tierra, uso de la tierra y los indicadores de condición ambiental puede

ser adquirida a intervalos regulares, lo que resulta en la posibilidad de controlar la

dinámica del fenómeno que ocurren en el suelo. La fuerza de las técnicas de

teledetección radica en su capacidad para proporcionar información espacial y temporal

de los parámetros ambientales que normalmente no se pueden obtener a partir de

mediciones in situ. La ventaja de la teleobservación por satélite es que las áreas grandes

pueden ser controladas, y los cambios en las condiciones ambientales puede ser

monitoreada en forma rutinaria a un costo relativamente bajo. Numerosos estudios de

teledetección para la vigilancia del medio ambiente indican que las observaciones de

teledetección se están convirtiendo en herramientas cada vez más importantes para el

estudio de diferentes aspectos a escala local, regional e incluso mundial, en una amplia

variedad de aplicaciones específicas. Sin embargo, el relativamente pequeño número de

estudios relacionados con los impactos ambientales de la minería y la teledetección

indica infrautilización en este sector.

La aplicabilidad y limitaciones de la utilización de sistemas de teledetección por satélite

para el seguimiento del impacto ambiental de la extracción de minerales (de algunas

variables directas) se ha estudiado en este seminario. En primer lugar, se identificaron

las variables ambientales asociados a las actividades mineras y detectables mediante

teledetección. Se describen los métodos existentes de control del impacto de minería y

diferentes sensores satelitales (potencialmente) utilizados para el seguimiento de los

impactos de la minería. En general, los parámetros de los sensores que determinan la

aplicabilidad de la teledetección por satélite para la vigilancia del medio ambiente de las

variables asociadas con la minería son: la resolución espacial y espectral del sensor y el

coste de adquisición de la imágen. Hay una relación inversa entre la resolución espacial

y resolución espectral y directa entre la resolución espacial y el coste de adquisición de

45

la imágen. Los nuevos sensores y previstos en el futuro cercano ( por ejemplo,

Worldview-2, PRISMA, HyspIRI, EnMAP) abrirán una amplia gama de nuevas

oportunidades, ya que combinan tanto una buena resolución espacial y un mayor

número de bandas espectrales. En efecto, la nueva generación de sensores de satélites y

plataformas con una resolución espectral y espacial intermedia a espectrómetros de

imágenes satelitales y aéreas tradicionales está apareciendo. Estos espectrómetros de

imágenes hiperespectrales basadas en satélites reducirán la brecha entre el espacio y la

espectroscopia de imágenes aero-transportadas.

En comparación con la teledetección hiperespectral aerotransportada, los píxeles de

gran tamaño (es decir, baja resolución espacial) y más a menudo la naturaleza

multiespectral (baja resolución espectral) de los actualmente disponibles datos de

teleobservación espacial necesariamente aumenta los efectos de la mezcla de área de

características espectrales dentro de un píxel y reduce la singularidad de los espectros

de las imágenes cuando los materiales con características de absorción superpuestas

coexisten dentro de un píxel. Ambos efectos dan lugar a un nivel de confianza inferior

para las identificaciones espectrales derivados de los datos espaciales de teledetección.

Sin embargo, el análisis de datos espaciales de teledetección puede ser un método

eficiente y rentable de generar mapas de alteraciones regionales o para monitorear el

impacto ambiental de la minería en general. Las oportunidades relacionadas con el uso

de la teledetección por satélite para vigilar el impacto ambiental de la minería son: ( i )

los datos de teledetección y los datos digitales auxiliares son cada vez más disponibles

con un área de cobertura suficiente y con costos relativamente bajos, que podrían ser

incluso los únicos datos disponibles en muchas áreas ( ii) las series de tiempo largas y

datos históricos están disponibles, con relativamente alta resolución temporal , y ( iii )

técnicas de procesamiento avanzadas se pueden utilizar para obtener información y

productos. Este informe muestra que hay ejemplos exitosos de la aplicación de la

teledetección por satélite para el seguimiento de ambas variables ambientales directos e

indirectos asociadas con la extracción de minerales. Otras limitaciones, además de la

limitada resolución espacial y / o espectral de las imágenes de satélite, para la

adquisición de datos de satélites y el análisis son: la cobertura de nubes y las

condiciones atmosféricas, fallo técnico y errores en los datos del sensor, el coste y las

dificultades para adquirir datos de alta resolución, y la falta de continuidad de los datos.

El principal desafío será encontrar nuevos métodos y herramientas para el análisis de la

última y futura generación de sensores de satélites, que combinen una buena resolución

espacial y espectral, y estudiar la posibilidad de fusión de imágenes de satélite y Aero-

transportados usando técnicas de fusión de imágenes, tanto con el objetivo de encontrar

métodos nuevos y eficientes para el seguimiento del impacto ambiental de la minería.

Bibliografía

Barducci, A., Guzzi, D., Marcoionni, P. and Pippi, I., 2005. CHRIS-PROBA

46

performance evaluation: signal-to-noise ratio, instrument efficiency and data quality

from acquisitions over San Rossore (Italy) test site, 3rd ESA CHRIS/Proba Workshop,

21-23 March, ESRIN, Frascati, Italy.

Bedell, R., Struhsacker, E. and Parratt, R., 2005. Remote sensing for high level volcanic

hosted epithermal gold mineralization, Bunce Prospect, Velvet Mining District,

Pershing County, Nevada. In: H. Rhoden, R. Steininger and P. Vikre (Editors), Window

to the World. Geological Society of Nevada, Reno, Nevada, USA.

Charou, E., Stefouli, M., Dimitrakopoulos, D., Vasiliou, E. and Mavrantza, O., 2010.

Using remote sensing to assess impact of mining activities on land and water resources.

Mine Water and the Environment, 29: 45-52.

Chevrel, S., Bourguignon, A., Cottard, F. and Itard, Y., 2005. Exploitation of ASTER

imagery in mining-related environmental management, Pecora 16 - Global Priorities in

Land Remote Sensing, October 23 – 27, 2005, Sioux Falls, South Dakota, USA.

Chevrel, S., Kopackova, V., Bourguignon, A., Rojik, P. and Metelka, V., 2008.

Application of high altitude and ground-based spectroradiometry in the monitoring of

hazardous waste derived from Sokolov open-pit mine. In: N. Rapantova and Z. Hrkal

(Editors), 10th International Mine Water Association Congress, Karlovy Vary, June 2-5

2008.

Crósta, A. and de Souza Filho, C., 2005. Remote sensing in mineral exploration: South

American examples of benefits gained from recent advances in sensor and processing

techniques. In: H. Rhoden, R. Steininger and P. Vikre (Editors), Window to the World.

Geological Society of Nevada, Reno, Nevada, USA.

Crósta, A. and Moore, J., 1989. Enhancement of Landsat Thematic Mapper imagery for

residual soil mapping in SW Minas Gerais State Brazil: a prospecting case history in

greenstone belt terrain, Thematic Conference on Remote Sensing for Exploration

Geology - Methods, Integration, Solutions, 7th, Calgary, Canada, 2-6 Oct. 1989,

pp.1173-1187.

Crósta, A., Souza Filho, C., Azevedo, F. and Brodie, C., 2003. Targeting key alteration

minerals in epithermal deposits in Patagonia, Argentina, using ASTER imagery and

principal component analysis. International Journal of Remote Sensing, 24(21): 4233-

4240.

Crowley, J., Brickey, D. and Rowan, L., 1989. Airborne imaging spectrometer data of

the Ruby Mountains, Montana: Mineral discrimination using relative absorption band-

depth images. Remote Sensing of Environment, 29(2): 121-134.

Debba, P., Carranza, E., van der Meer, F. and Stein, A., 2006. Abundance estimation of

spectrally similar minerals by using derivative spectra in simulated annealing. IEEE

Transactions on Geoscience and Remote Sensing, 44(12): 3649-3658.

47

Fraser, S. and Green, A., 1987. A software defoliant for geological analysis of band

ratios. International Journal of Remote Sensing, 8(33): 525-532.

Girouard, G., Bannari, A., El Harti, A. and Desrochers, A., 2004. Validated Spectral

Angle Mapper algorithm for geological mapping: comparative study between

QuickBird and Landsat-TM, XX ISPRS Congress, Geo-Imagery Bridging Continents,

12-23 July 2004, Istanbul, Turkey.

JOHNSON, Les. 10 Remote Sensing: Environmental Monitoring and Science. EnSky

Alert!. Springer New York, 2013. p. 99-108.

Kalinowski, A. and Oliver, S., 2004. ASTER Mineral Index Processing Manual,

Remote Sensing Applications, Geoscience Australia, pp.

Kohonen, T., 1995. Self-Organizing Maps. Springer Series in Information Sciences, vol.

30, Berlin.

Kruse, F. and Perry, S., 2007. Regional mineral mapping by extending hyperspectral

signatures using multispectral data, IEEE Aerospace Conference.

Kruse, F., Perry, S. and Caballero, A., 2002. Integrated multispectral and hyperspectral

mineral mapping, Los Menucos, Rio Negro, Argentina. Part II: EO-1 Hyperion/AVIRIS

comparisons and Landsat TM/ASTER extensions, 11th JPL Airborne Geoscience

Workshop, 4-8 March 2002, Pasadena, CA. Jet Propulsion Laboratory.

Kuosmanen, V., Laitinen, J. and Arkimaa, H., 2005. A comparison of hyperspectral

airborne HyMap and spaceborne Hyperion data as tools for studying the environmental

impact of talc mining in Lahnaslampi, NE Finland. In: B. Zagajewski, M. Sobczak and

M. Wrzesien (Editors), 4th EARSel Workshop on Imaging Spectroscopy. New quality

in environmental studies, Warsaw, Poland.

Lamb, A., 2000. Earth observation technology applied to mining-related environmental

issues. Mining Technology: IMM Transactions section A, 106(3): 153-156.

Latifovic, R., Fytas, K. and Paraszczak, J., 2005. Assessing land cover change resulting

from large surface mining development. International Journal of Applied Earth

Observation and Geoinformation, 7(1): 29-48.

Lau, W., Ge, L. and Jia, X., 2006. The possibility of using multitemporal Landsat

images for mining monitoring: a preliminary study, 3rd International Symposium on

Future Intelligent Earth Observation Satellites 2006.

Leverington, D., 2009. Mapping surface cover using EO-1 Hyperion data: ongoing

studies in arid environments, 17th International Conference on Geoinformatics, Fairfax,

Virginia.

Lobell, D. and Asner, G., 2004. Cropland distributions from temporal unmixing of

48

MODIS data. Remote Sensing of Environment, 93(3): 412-422.

López-Pamo, E., Barettino, D., Antón-Pacheco, C., Ortiz, G., Arránz, J., Gumiel, J.,

Martínez-Pledel, B., Aparicio, M. and Montouto, O., 1999. The extent of the

Aznalcóllar pyritic sludge spill and its effects on soils. The Science of the Total

Environment, 242: 57-88.

Loughlin, W., 1991. Principal component analysis for alteration mapping (in remote

sensing). Photogrammetric Engineering and Remote Sensing, 57: 1163-1169.

Marsh, S., 2000. The MINEO project: earth observation of mine pollution in Europe, pp.

3.

Mas, J.-F., Puig, H., Palacio, J. and Sosa-López, A., 2004. Modelling deforestation

using GIS and artificial neural networks. Environmental Modelling & Software, 19(5):

461-471.

Mezned, N., Abdeljaoued, S. and Boussema, M., 2007. ASTER multispectral imagery

for spectral unmixing based mine tailing cartography in the north of Tunisia, Remote

Sensing and Photogrammetry Society Annual Conference, 2007.

Mezned, N., Abdeljaoued, S. and Boussema, M., 2010. A comparative study for

unmixing based Landsat ETM+ and ASTER image fusion. International Journal of

Applied Earth Observation and Geoinformation, 12(1): S131-S137.

Morais et al.. Multi-scale approach using remote sensing images to characterize the iron

deposit N1 influence areas in Caraja´s Mineral Province (Brazilian Amazon). Environ

Earth Sci (2012) 66:2085–2096

Mularz, S., 1998. Satellite and airborne remote sensing data for monitoring of an open-

cast mine. In: D. Frisch, M. Englich and M. Sester (Editors), IAPRS, Stuttgart,

Germany, pp.395-402.

Paull, D., Banks, G., Ballard, C. and Gillieson, D., 2006. Monitoring the environmental

impact of mining in remote locations through remotely sensed data. Geocarto

International, 21(1): 33-42.

Paull, D., Banks, G., Ballard, C. and Gillieson, D., 2006. Monitoring the environmental

impact of mining in remote locations through remotely sensed data. Geocarto

International, 21(1): 33-42.

Rockwell, B., 2009. Comparison of ASTER- and AVIRIS-derived mineral and

vegetation maps of the White Horse replacement alunite deposit and surrounding area,

Marysvale Volcanic Field, Utah, USGS, pp. 31.

Rowan, L. and Mars, J., 2003. Lithologic mapping in the Mountain Pass, California area

using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)

49

data. Remote Sensing of Environment, 84(3): 350-366.

Schimmer, R., 2010a. Bagdad copper mine: mine-feature characterization principle

components & NDTI, SIAS Global - Spatiotemporal Information Analysis Services

LLC, pp.

Schimmer, R., 2010b. Sacaton copper mine: remote sensing & GIS land cover

classification & area report, SIAS Global - Spatiotemporal Information Analysis

Services LLC, pp.

SCHMID, Thomas, et al. Monitoring of the mercury mining site Almadén

implementing remote sensing technologies. Environmental research, 2013.

Soe, M., Kyaw, T. and Takashima, I., 2005. Application of remote sensing techniques

on iron oxide detection from ASTER and Landsat images of Tanintharyi Coastal Area,

Myanmar, pp.

Solans Vila, J., 2007. Monitoring post-fire vegetation cover regeneration in the

European Mediterranean Basin by means of remote sensing, Cranfield University.

Sutton., 2012. USE OF REMOTE SENSING AND GIS IN A RISK ASSESSMENT OF

GOLD AND URANIUM MINE RESIDUE DEPOSITS AND IDENTIFICATION OF

VULNERABLE LAND USE. SCHOOL OF ANIMAL, PLANT AND

ENVIRONMENTAL SCIENCES UNIVERSITY OF THE WITWATERSRAND,

JOHANNESBURG

Swayze, G., Smith, K., Clark, R., Sutley, S., Pearson, R., Vance, J., Hageman, P.,

Briggs, P., Meier, A., Singleton, M. and Roth, S., 2000. Using imaging spectroscopy to

map acidic mine waste. Environmental Science & Technology, 34: 47-54.

Tote et al. WP4 - satellite remote sensing, Deliverable D4.1, Report on the limitations

and potentials of satellite Eo data. European Commission

Varshney, P. and Arora, M., 2004. Advanced image processing techniques for remotely

sensed hyperspectral data. Springer, pp.322.

Vaseashta, A., Vaclavikova, M., Vaseashta, S., Gallios, G., Roy, P. and

Pummakarnchana, O., 2007. Nanostructures in environmental pollution detection,

monitoring, and remediation. Science and Technology of Advanced Materials, 8: 47-59.

Vijdea, A.-M., Sommer, S. and Mehl, W., 2004. Use of remote sensing for mapping and

evaluation of mining waste anomalies at national to multi-country scale, European

Commission, DG JRC, IES, pp. 123.

Waldhoff, G., Bubenzer, O., Bolten, A., Koppe, W. and Bareth, G., 2008. Spectral

analysis of ASTER, Hyperion and Quickbird data for geomorphological and geological

research in Egypt (Dakhla Oasis, Western Desert), XXI ISPRS Congress, WG VIII/12,

50

Beijing, pp.1201-1206.

Waldhoff, G., Bubenzer, O., Bolten, A., Koppe, W. and Bareth, G., 2008. Spectral

analysis of ASTER, Hyperion and Quickbird data for geomorphological and geological

research in Egypt (Dakhla Oasis, Western Desert), XXI ISPRS Congress, WG VIII/12,

Beijing, pp.1201-1206.

Zhang, X. and Pazner, M., 2007. Comparison of lithologic mapping with ASTER,

Hyperion, and ETM data in the Southeastern Chocolate Mountains, USA.

Photogrammetric Engineering and Remote Sensing, 73(5): 555-561.

Zhang et al.. Application of hyperspectral remote sensing for environment monitoring in

mining areas. Environ Earth Sci (2012) 65:649–658