Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
AMBIENTAL EN MINERIA
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.
IMPACTO AMBIENTAL
Impacto sobre la geomorfología Hundimientos, colapsos y subsidencia fuera y dentro del área de trabajo.
3
Grado de afectación del uso actual y potencial.
Impacto sobre el ámbito sociocultural Impacto sobre la infraestructura vial, edilicia y de bienes comunitarios.
4
requerida para dar inicio a la etapa de explotación.
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).
5
Emisiones a la hidrosfera del agua de proceso
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).
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.
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.
Minerales
variables directas
Contaminación atmosférica y de partículas arrastradas por el viento
Estrés de la vegetación
Hundimiento
En este artículo se desarrollarán solo las variables directas: Minerales y Drenaje ácido
8
Variables directas Características
Drenaje ácido de mina y Se forma cuando ciertos minerales de sulfuro en las rocas están expuestos a
materiales ferruginoso condiciones de oxidación.
9
de sulfuro. No todos estos minerales de sulfuro generan acidez cuando se oxidan.
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.
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.
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.
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.
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
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.
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.
Pirita tiene una reflectancia muy baja, pero sus minerales secundarios Fe – base
son mucho mejores objetivos espectrales que pirita (Swayze et al., 2000).
12
Sobre la base de sus espectros de remuestreo no debemos esperar que sea posible
discriminar entre goetita, ferrihidrita, lepidocrocita y hematita.
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.
14
FIGURA 3. Espectro de algunos minerales de hierro no silicatos para VNIR de Landsat.
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.
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 (pre-
procesamiento). Datos de productos de observación de la Tierra son procesados en
varios niveles, que van desde el nivel 0 al nivel 4. Productos Nivel 0 son los datos en
bruto a una resolución de instrumento completo. A niveles más altos, los datos son
convertidos en parámetros y formatos más útiles. Todos los instrumentos de los satélites
tienen productos de nivel 1, la mayoría tiene productos en los niveles 2 y 3, muchos
tienen productos en el nivel 4.
Landsat
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
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.
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 diques de relave con
ASTER, usando imágenes de muy alta resolución IKONOS. Dique de relave no
declarados (ampliación a la derecha) y clasificación errónea de la azotea del edificio
(agrandada abajo a la izquierda), East Rand, Witwatersrand Goldfield, Sudáfrica
(Chevrel et al., 2005)
HIPERION
HIPERION
El principal problema de las imágenes de Hyperion es que se han
20
reportado muchos problemas de calidad de imágen.
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.
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
22
Su excelente resolución espacial y sensores orientables son las
principales razones de su popularidad.
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
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.
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.
Interpretación Visual
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.
25
cubierta terrestre inherentes a las zonas mineras puedan ser identificados.
Composición de color: Para imágenes ópticas que carecen de una o más de las tres
bandas de color primarias (es decir, azul, verde y rojo), las bandas espectrales se pueden
combinar de tal manera que la aparición de la imágen mostrada se asemeja a una
fotografía de color natural. En contraste, los falsos colores compuestos muestran el
color de un objetivo sin parecido con su color real. Un falso esquema de composición de
color muy común, combina una banda verde, roja e infrarroja cercana en lugar de una
banda azul, verde y roja. Charou et al. (2010) utilizaron un falso color compuesto RGB-
en imágenes ASTER y Landsat para enfatizar áreas mineras con alta reflectancia
espectral. Esta composición acentúa las zonas mineras y la vegetación discriminada de
suelo estéril. Ejemplos de una composición en color ASTER se pueden ver en la figura
9, y de un falso color compuesto Landsat en la figura 10.
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
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
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).
b. Índices de Vegetación
c. Otras Transformaciones
32
transformación)
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).
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.
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 ).
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
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.
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)
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
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 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.
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.
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.
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.
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.
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): 4233-
4240.
Crowley, J., Brickey, D. and Rowan, L., 1989. Airborne imaging spectrometer data of
the Ruby Mountains, Montana: Mineral discrimination using relative absorption band-
depth images. Remote Sensing of Environment, 29(2): 121-134.
Debba, P., Carranza, E., van der Meer, F. and Stein, A., 2006. Abundance estimation of
spectrally similar minerals by using derivative spectra in simulated annealing. IEEE
Transactions on Geoscience and Remote Sensing, 44(12): 3649-3658.
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.
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.
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 open-
cast mine. In: D. Frisch, M. Englich and M. Sester (Editors), IAPRS, Stuttgart,
Germany, pp.395-402.
Paull, D., Banks, G., Ballard, C. and Gillieson, D., 2006. Monitoring the environmental
impact of mining in remote locations through remotely sensed data. Geocarto
International, 21(1): 33-42.
Paull, D., Banks, G., Ballard, C. and Gillieson, D., 2006. Monitoring the environmental
impact of mining in remote locations through remotely sensed data. Geocarto
International, 21(1): 33-42.
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., 2010b. Sacaton copper mine: remote sensing & GIS land cover
classification & area report, SIAS Global - Spatiotemporal Information Analysis
Services LLC, pp.
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.
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.
50