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