Tabla de contenido

Anuncio
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
1
3. Clasificación de imágenes ............................................................................................... 36
11 .Conclusiones ......................................................................................................................... 44
Bibliografía ................................................................................................................................. 45
2
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
Alteraciones de la topografía por extracción o relleno.
Escombreras. Diques de colas.
Desestabilización de taludes. Deslizamientos.
Impacto sobre la geomorfología
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.
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.
Impacto sobre las aguas.
Modificación de la calidad de cursos de agua superficiales.
Alteración de la escorrentía o de la red de drenaje.
Depresión del acuífero.
Contaminación con gases y partículas en suspensión.
Impacto sobre la atmósfera
Contaminación sónica.
3
Grado de afectación del uso actual y potencial.
Impacto sobre el suelo
Contaminación.
Modificación de la calidad del suelo.
Grado de afectación de la flora.
Impacto sobre la flora y la fauna
Grado de afectación de la fauna.
Modificaciones estructurales y dinámicas.
Impacto sobre los procesos ecológicos.
Indicadores.
Impacto sobre la población.
Impacto sobre la salud y la educación de la población.
Impacto sobre el ámbito sociocultural
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 sobre la visibilidad.
Impacto visual
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
4
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)
5
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.
6
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
7
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
Minerales
Drenaje ácido de mina y materiales ferruginosos
variables directas
Contaminación atmosférica y de partículas arrastradas por el viento
Incremento de la temperatura debido a los incendios de carbón
(subterráneos)
Uso del suelo y cambio de la cubierta del suelo
Estrés de la vegetación
variables indirectas
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
8
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 Se forma cuando ciertos minerales de sulfuro en las rocas están expuestos a
materiales ferruginoso
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
9
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
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.
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
10
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.
11
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 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.
materiales ferruginoso
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.
12
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 SPOTHRV 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.
13
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 +.
14
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.
15
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
16
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 (preprocesamiento). 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
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
Landsat
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
17
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
Puede asignar conjuntos tales como alteración propilítica, fílica y
argílica
ASTER
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,
18
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.
19
FIGURA 7. Evaluación de la precisión de la clasificación de
ASTER, usando imágenes de muy alta resolución IKONOS.
declarados (ampliación a la derecha) y clasificación errónea de
(agrandada abajo a la izquierda), East Rand, Witwatersrand
(Chevrel et al., 2005)
diques de relave con
Dique de relave no
la azotea del edificio
Goldfield, Sudáfrica
HIPERION
HIPERION
El principal problema de las imágenes de Hyperion es que se han
20
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
21
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.
22
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.
23
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
24
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
25
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 RGBen 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.
26
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
27
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
28
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.
29
30
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,
31
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 AlOH ((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,
32
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 postincendio 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.
33
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
34
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
35
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 desconstruir 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.
36
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
37
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).
38
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),
39
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).
40
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.
41
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
42
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
43
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
44
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 Aerotransportados 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
45
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): 42334240.
Crowley, J., Brickey, D. and Rowan, L., 1989. Airborne imaging spectrometer data of
the Ruby Mountains, Montana: Mineral discrimination using relative absorption banddepth 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.
46
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
47
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 opencast 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)
48
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,
49
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
50
Descargar