CARACTERIZACIÓN GEOMORFOLÓGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE SEMI-AUTOMATED GEOMORPHOLOGICAL CHARACTERIZATION OF SUBMARINE DEPRESSIONS IN NORTHEASTERN VENEZUELA USING FREE SOFTWARE Emmanuel Rodríguez Lárez1, Juan Mejia2 1 Petróleos de Venezuela, S.A., Venezuela, [email protected], Complejo Petrolero Cumaná, Cumaná, estado Sucre, Venezuela. 6101. 2 Petróleos de Venezuela, S.A., Venezuela, [email protected], Sede de PDVSA Costa Afuera, Distrito Oriental, Carúpano, estado Sucre, Venezuela. 6150.

RESUMEN: Se presenta una metodología semiautomatizada para caracterizar depresiones submarinas conocidas como pockmarks empleando software de Sistemas de Información Geográfica de código abierto. Como datos de entrada se empleó un modelo digital de profundidad de la zona norte de la Península de Paria. La automatización del proceso se basa en dos modelos de procesamiento diseñados en QGIS, los cuáles producen tres capas vectoriales que incluyen la delimitación geométrica, área, perímetro, profundidad máxima, profundidad media, localización del punto más profundo y el centroide para cada uno de los pockmarks. El área de estudio se dividió en dos zonas. La zona norte presentó un total de 167 pockmarks con un área promedio de 15.195,56 m2 ocupando el 15,19% de la superficie. En la zona sur se detectaron 902 pockmarks con áreas promediadas de 10.514,66 m2, profundidades medias de 3,18 m y una cobertura del 32,59% del fondo marino. La metodología desarrollada permite obtener suficientes datos morfométricos para realizar comparaciones con otras localidades en las que se han descubierto este tipo de geoformas. Históricamente, los softwares de Sistemas de Información Geográfica con licencias privativas han sido empleados para este tipo de análisis, sin embargo, se demuestra que es totalmente factible realizarlo con software libre. Palabras Clave: POCKMARKS, QGIS, GEOLOGÍA MARINA.

ABSTRACT: This study presents a semi-automated methodology for the characterization of underwater depressions known as pockmarks using Geographical Information System Free Software. A digital depth model of the north of the Paria Peninsula, Venezuela, was used as input data. The automated process is based on two models designed in QGIS Processing Tool, which produce three vector layers that include the pockmarks geometric delimitation, pockmarks area, perimeter, deepest point, average depth, and the centroid for each pockmark. The study area was divided into two zones. Number of pockmarks in north zone is 167, mean area of pockmarks is 15195.56 m2 and they cover 15.19% of the surface, whereas in the south zone there are 902 pockmars with averaged areas of 10514.66 m2, mean depth is 3.18 m and they cover 32.59% of the seabed. The developed methodology provides necessary morphometric data for comparison with other localities with this type of geomorphological features. Historically, Geographical Information System Proprietary Software have “IX Congreso Internacional de Geomática”

Rodríguez, E. Mejia, J. | “CARACTERIZACIÓN GEOMORFÓLOGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE”

been used for this type of analysis, however, it is totally feasible to do that with free software. KeyWords:. POCKMARKS, MARINE GEOLOGY, QGIS

1. INTRODUCCIÓN Las depresiones submarinas conocidas como pockmarks fueron identificadas y descritas por primeras vez en 1970. Dichos pockmarks fueron encontrados en Nueva Escocia, Canadá y se atribuyó su origen escapes de gas somero [1]. Los pockmarks pueden tener forma circular o alargada y los fluidos asociados pueden ser tanto someros como de yacimientos profundos [2]. La formación de los pockmarks obedece a una acumulación prolongada de gas por debajo de capas de sedimentos muy finos, cuando la presión del gas se incrementa hasta el punto que el sello no puede retenerlo, ocurre un escape de gas con efecto pistón, ocasionando que los sedimentos superficiales pasen a estado de licuefacción, los sedimentos son sometidos a la descarga ascendente del gas y las corrientes marinas del fondo arrastran los sedimentos dando lugar a la formación de los pockmarks [3]. La generación de atributos morfométricos de los pockmarks de forma automatizada o semiautomatizada ha sido desarrollada hasta ahora empleando Sistemas de Información Geográfica con licencias privativas, específicamente ArcGIS de la empresa Environmental Systems Research Institute (ESRI) [4][5]. Los primeros registros de pockmarks en Venezuela se hicieron en el año 2006 mediante estudios batimétricos con tecnología multihaz realizados por Petróleos de Venezuela, S.A (PDVSA) en el marco del Proyecto Mariscal Sucre, ubicado unos 40 Km al norte de la Península de Paria, región noreste de Venezuela. Dichas formaciones geológicas condicionaron el diseño, ingeniería y operaciones costa afuera con miras a realizar la producción de hidrocarburos en esta zona. En este trabajo se pretende determinar la factibilidad de usar software libre para la caracterización geomorfológica de pockmarks en el área antes mencionada.

Oceanográfico “Punta Brava” de la Armada venezolana, como parte de los estudios requeridos para el desarrollo del Proyecto Mariscal Sucre por parte de PDVSA. Los datos poseen una resolución de 1 x 1 m y estos fueron divididos en dos zonas debido a una diferenciación marcada entre la distribución y tamaño de los pockmarks, definiéndose la zona norte y zona sur (Fig. 1).

Figura 1 Modelo digital de profundidades con identificación de las zonas estudiadas.

El área estudiada corresponde al campo Dragón, un reservorio de gas de gran importancia dentro de la cartera de proyectos costa afuera Venezuela.

3. METODOLOGÍA 2. ÁREA DE ESTUDIO Y DATOS UTILIZADOS Los datos empleados para el presente estudio corresponden a un levantamiento batimétrico multihaz. El levantamiento fue realizado por el Buque

Los datos batimétricos se procesaron mediante una serie de algoritmos aplicados por medio de dos modelos de procesamiento del software QGIS. Esta metodología está basada en la propuesta hecha por Gafeira et al. (2012), quienes diseñaron dos (02) script en el software ArcGIS para la extracción de atributos de los pockmarks del Mar del Norte.

“IX Congreso Internacional de Geomática”

Rodríguez, E. Mejia, J. | “CARACTERIZACIÓN GEOMORFÓLOGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE”

Sin embargo, la metodología propuesta en este trabajo difiere en los algoritmos aplicados y en la secuencia de los mismos. A continuación se presenta la descripción de cada uno de los dos modelos:

de ellos sea tal que requiera la modificación de parámetros de entrada en los pasos 1.3 y 1.4 principalmente.

3.1 Modelo 1 El primer modelo tiene como finalidad obtener una capa de polígonos con la delimitación geométrica de cada uno de los pockmarks a partir del modelo digital de profundidad (Figura 2). Para lograr esto, se diseñó un modelo con los siguientes pasos: Paso 1.1. Aplicar el algoritmo “Fill Sinks XXL (Wang Liu)” de Saga GIS, mediante el cual se rellenan los pockmarks. Como dato de entrada se emplea el raster con los datos batimétricos, el resultado es un raster sin depresiones. Paso 1.2. Mediante la calculadora raster, se resta el archivo raster original del resultado del paso 1.1. Se obtiene un raster con los pockmarks delimitados. Paso 1.3. Se aplica una reclasificación al raster resultante del punto 1.2, definiendo que los valores menores de 1,5 m de profundidad serán 1 y los mayores a 1,5 m pasarán a ser 0. Esta condición se aplicó para la zona norte, mientras que para la zona sur el umbral aplicado fue de 2 m. Paso 1.4. Se ejecuta el algoritmo “Remove small pixel clumps” o “Sieve” de GDAL con un umbral de 100 a la capa producida en el paso 1.3. Con este paso se eliminan los grupos de pixeles menores a 100 m2. Paso 1.5. Con la herramienta “Polygonize” de GDAL se obtiene una capa de polígonos a partir del raster generado en el punto 1.4. Paso 1.6. Mediante una selección por expresión (Select by Expression) se seleccionan los polígonos con valor de 1 (aquellos que representan un pockmark y tienen una relación de área/perímetro mayor o igual a 4,5. Paso 1.7. Con la operación “Save selected features” se guarda el resultado de la selección hecha en el paso 1.6. Paso 1.8. A fin de corregir la geometría obtenida hasta ahora, se aplica la herramienta “buffer” de GDAL con una distancia de 8 m a la capa generada en el paso 1.7. Para este paso se activó la opción de salida de la capa como partes individuales (singleparts). Paso 1.9. Al obtener la capa de tipo polígono del paso 1.8., ésta es examinada visualmente para detectar si existen algunas inconsistencias en la generación automática de la delineación de los pockmarks, en caso de ocurrir, estos errores son ajustados manualmente, a menos que la cantidad

Figura 2 Modelo para la delineación automática de pockmarks.

3.2 Modelo 2 Este modelo tiene la finalidad de determinar los parámetros geométricos, profundidad promedio, punto más profundo y centroide de cada pockmark (Fig 3). Para ello se configuró el modelo de acuerdo a los siguientes pasos: Paso 2.1. Se realizó un recorte del raster generado en el paso 1.2 empleando como máscara la capa de polígonos del paso 1.9. Para esto se utilizó el

“IX Congreso Internacional de Geomática”

Rodríguez, E. Mejia, J. | “CARACTERIZACIÓN GEOMORFÓLOGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE”

algoritmo “Clip grid with polygon” de Saga GIS. Paso 2.2. Con la función de estadística zonal “Grid Statistics for polygons” de Saga GIS, se obtuvo el valor de profundidad máxima, profundidad promedio, desviación estándar y varianza por cada polígono de la capa generada en el punto 1.9 usando como base el raster generado en el punto 1.2. Paso 2.3. La capa vectorial obtenida en el paso 2.2 es transformada a raster usando el algoritmo “Shapes to grid” de Saga GIS. El atributo usado para determinar los valores del nuevo raster es la máxima profundidad. Paso 2.4. Usando la calculadora de raster del software GRASS, se realizó una división de los raster obtenidos en los pasos 2.3 y 2.1. El raster resultante tendrá valores de 1 los cuáles representarán la celda con mayor profundidad. Paso 2.5. El raster generado en el paso 2.4 es transformado a una capa de puntos usando el algoritmo de “Grid values to points” de Saga GIS. Paso 2.6. Se seleccionan los puntos con valor igual a 1 de la capa vectorial obtenida en el paso 2.5 mediante el algoritmo “Select by attributes”. De esta forma seleccionan los puntos con mayor profundidad dentro de cada pockmark. Estos puntos son guardados con la función “Save selected features”. En este punto obtenemos la capa vectorial que contiene la ubicación del punto más profundo dentro de cada pockmark. Paso 2.7. A partir de la capa de polígonos generada en el punto 2.9, se obtiene el centroide de cada pockmark usando el algoritmo de Saga GIS “Polygon centroids”. En este paso se obtiene el punto que define el centro geométrico de cada pockmark. Paso 2.8. Tomando como entradas el modelo digital de profundidad original y la capa vectorial generada en el paso 2.2., se obtienen los valores de profundidades desde la superficie del agua usando el algoritmos de Saga GIS “Grid statistics for polygons”. Paso 2.9. Empleando el algoritmo “Export/Add geometry columns” se agregan los campos de área y perímetro a la capa obtenida en el paso 2.7, obteniéndose la capa vectorial definitiva de delineación de los pockmarks y sus datos estadísticos. Paso 2.10. Se aplicó el algoritmo “Field Calculator” para obtener la profundidad a la que se encuentra el pockmark, mediante la sustracción del valor de máxima profundidad del pockmark (paso 2.2) del valor de máxima profundidad con respecto a la columna de agua (paso 2.8).

4. RESULTADOS Y DISCUSIÓN La zona norte, caracterizada por poseer depresiones de mayor diámetro y más espaciadas entre ellas, presentó un total de 167 pockmarks. El área de los pockmarks varió entre 1554,44 m2 y 56.928,60 m2. La superficie promedio que ocupa cada pockmark es de 15.195,56 m2. La densidad de depresiones por kilómetro cuadrado es de 10; cubriendo un 15,19 % de la zona estudiada, la cual tiene un total de 16,704 Km2.

Figura 3 Modelo usado para obtener descripción geométrica de cada pockmark, profundidad promedio, máxima y su centroide. “IX Congreso Internacional de Geomática”

Rodríguez, E. Mejia, J. | “CARACTERIZACIÓN GEOMORFÓLOGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE”

En un estudio previó [6] se analizó una parte del conjunto de datos usados en el presente trabajo empleando software con licencia privativa, calculando una cobertura de pockmarks en la zona norte de un 6%. Una diferencia considerable que pudiera estar asociada a la definición de umbrales en la determinación automática de las depresiones y debido a que procesaron todo el conjunto de datos por igual, mientras que en este estudio se establecieron dos zonas de procesamiento (Fig. 4).

menor es el área de los mismos, lo cual concuerda con lo reportado en estudios previos [4]. Se observó además que la profundidad promedio de los pockmarks en la zona norte fue de 3,13 m mientras que la profundidad máxima fue de 10,32m. En la zona sur, a pesar de presentar pockmarks con menor área, el promedio de profundidades fue de 3,18 m, y la profundidad máxima registrada dentro de los pockmark fue de 12,45 m.

Figura 4 Delineación final de vectores en la zona norte.

Mediante conteo manual se lograron identificar 188 pockmarks, es decir, 21 pockmarks más que los identificados automáticamente. Al comparar los resultados, se detecta que la diferencia es debida a la presencia de pockmarks compuestos, constituidos por cadenas de depresiones muy unidas, los cuales ante el ojo humano pueden ser identificados como muchas depresiones mientras que el modelo los reconoce como una sola depresión, lo cual se ajusta más a la caracterización y clasificación definida por Hovland y Judd (1988) [2]. En el área sur del campo Dragón, los pockmarks son visiblemente más pequeños y más densos. Se identificaron de forma automática un total de 902 pockmarks, con una densidad 31,03 pockmarks por kilómetro cuadrado. El área total de cobertura de los pockmarks fue de 9,48 Km2 lo cual representa un 32,59% de la zona sur del área de estudio (Fig. 5). La diferencia entre la zona sur y la zona norte quedan claramente reflejada en los resultados obtenidos. Se observa que a mayor densidad de pockmarks,

Figura 5 Delineación final de vectores en la zona sur.

5. CONCLUSIONES La metodología automatizada de obtención de atributos de pockmarks produjo resultados eficientes, por lo que la comparación entre áreas que presenten este tipo de geoformas puede realizarse de forma rápida, evitando invertir tiempos largos en el procesamiento manual de los datos. El uso de software libre para la evaluación de fondos marinos, específicamente para el estudio de las depresiones conocidas como pockmarks, arrojó resultados satisfactorios, haciendo prescindible el uso de herramientas con licencias privativas.

“IX Congreso Internacional de Geomática”

Rodríguez, E. Mejia, J. | “CARACTERIZACIÓN GEOMORFÓLOGICA SEMIAUTOMATIZADA DE DEPRESIONES SUBMARINAS AL NORESTE DE VENEZUELA EMPLEANDO SOFTWARE LIBRE”

Desde el punto de vista geológico, es importante determinar los factores que modelan las diferencias tan marcadas en cuanto a forma y distribución de los pockmarks del norte de la Península de Paria, Venezuela, para lo cual deben considerarse factores como ambientes sedimentarios, paleoambientes, estratigrafía somera, estructuras geológicas presentes, presencia de gas somero, corrientes marinas de fondo, entre otros.

5. Andrews, B.D., Brothers, L.L. y W.A. Barnhardt: “Automated feature extraction and spatial organization of seafloor pockmarks, Belfast Bay, Maine, USA.” Geomorphology, 124, 55–64. 2010. 6. Fonseca, Luis y Margaret Álvarez: “Sistemas de información geográfico y el análisis de los pockmarks en el suelo marino, al norte de estado Sucre, Venezuela”. Geominas, No. 60, pp 51-60. 2013.

6. AGRADECIMIENTOS Hacemos saber nuestro agradecimiento a la comunidad desarrolladora de software libre, quienes luchan día a día por un conocimiento libre y sin fronteras.

7. REFERENCIAS BIBLIOGRÁFICAS 1. King, L.H. and B. MacLean: “Pockmarks on the Scotian Shelf”. Geological Society of America Bulletin, 81, 3141-3148. 1970. 2. Hovland, M. and A. Judd: “Seabed Pockmarks and Seepages. Impact in Geology, Biology and the Marine Environment”. Graham and Trotman, London, 293pp. 1988. 3. Cathles, L.M., Su, Z. y D. Chen: “The physics of gas chimney and pockmark formation, with implications for assessment of seafloor hazards and gas sequestration”. Marine and Petroleum Geology, 27, 82-91. 2010. 4. Gafeira, J.; Long, D.; D Diaz-Doce: “Semiautomated characterisation of seabed pockmarks in the central North Sea”. Near Surface Geophysics, 10 (4). 303-314. 2012.

8. SÍNTESIS CURRICULARES DE LOS AUTORES Emmanuel Rodríguez es Licenciado en Biología Marina, egresado de la Universidad de Oriente, Venezuela en el año 2000, también realizó estudios en la Escuela Naval de Venezuela, egresando como Oficial de la Armada de la República Bolivariana de Venezuela en el año 2002. Durante su desempeño como oficial de la Armada ejerció funciones en el Servicio de Hidrografía y Navegación, llegando a ocupar el cargo de Jefe del Área de METOC. En el año 2007 ingresa a la empresa petrolera nacional de Venezuela Petróleos de Venezuela, S.A (PDVSA) ocupando actualmente el cargo de Superintendente de Análisis e Integración de Datos en la gerencia de Metocean, Geofísica y Geotecnia. Entre los proyectos más importantes que lidera destaca la creación de un nodo de infraestructura de datos espaciales para la Dirección Ejecutiva Costa Afuera de PDVSA. Su formación ha estado orientada al manejo de datos oceanográficos y Sistemas de Información Geográfica, actualmente cursa una especialización en geomática en la Universidad Central de Venezuela. Juan Mejía es Ingeniero Geólogo egresado de la Universidad de Los Andes, Venezuela en el año 2007. Tiene 8 años laborando en Petróleos de Venezuela, S.A., donde ha desempeñado funciones como Supervisor de campo en estudios geotécnicos costa afuera, Líder de Geotecnia Distrito Oriental, Superintendente de Análisis e Integración de Datos de la División Costa Afuera Oriental, y actualmente se desempeña como Gerente (E) de Metocean, Geofísica y Geotecnia de la División Costa Afuera Oriental – Dirección Ejecutiva Costa Afuera.

“IX Congreso Internacional de Geomática”