Procesamiento y análisis espectral de los datos ASTER para el mapeo de

minerales en el distrito de Cerro Colorado, Arequipa, Perú

Ronal F. Huayascachi & Willi E. Rufino

Facultad de Ciencias Físicas, Universidad Nacional Mayor de San Marcos
Presentación del artículo 14 de septiembre 2020

el impacto humano sobre ella. De esta forma, los sensores

Resumen: Con el objetivo de poder identificar y clasificar remotos han demostrado ser una importante fuente de
minerales en la zona del distrito de Cerro Colorado se realizó información para un gran número de aplicaciones, entre las
un procesamiento de las imágenes ASTER utilizando distintas que cabe citar la planificación urbana, vigilancia del medio
combinaciones de bandas para realzar los contactos entre ambiente, gestión y manejo de cultivos, prospección
formaciones, cocientes e índices de bandas para la petrolífera, exploración minera, usos del suelo, localización de
discriminación litológica. También se realizaron bienes raíces, entre otras (Cardozo & Da Silva, 2013).
clasificaciones de distintos minerales de alteración por los Por ello en el presente trabajo se plantea mostrar la
métodos de mapeo de ángulo espectral (SAM) utilizando base aplicación de las imágenes satelitales en la identificación de
de datos espectrales del Servicio Geológico de Estados Unidos minerales de la superficie terrestre. En este caso en concreto se
(USGS). Además, se realizaron clasificaciones utilizando una realiza el procesamiento de la imagen de una zona específica
librería espectral generada automáticamente la cual presenta del distrito de Cerro colorado, Arequipa, Perú. Para ello,
espectros correspondientes a mezclas de minerales. Así, con contamos con las características espectrales del sensor ASTER
los distintos métodos se pudo detectar minerales de alteración que fueron diseñadas especialmente para aplicaciones
como alunita, coalinita y la illita. geológicas. Tal como nos dice Vargas, el sensor ASTER,
permite la discriminación litológica, el mapeo de estructuras
Palabra clave: Procesamiento de imágenes, mapeo de geológicas y la identificación de áreas de alteración
minerales, datos ASTER, análisis espectral, Cerro Colorado hidrotermal y permite analizar las características de absorción
de distintos minerales.
Abstrac: In order to be able to identify and classify minerals
in the Cerro Colorado district area, ASTER images were II. METODOLOGÍA
processed using different combinations of bands to enhance
Se utilizó una imagen ASTER de nivel L1B, obtenidas
the contacts between formations, ratios and band indices for
en el mes de julio del 2007.
lithological discrimination. Classifications of different
alteration minerals were also carried out by spectral angle
Tabla 1 características espaciales y espectrales de las
mapping (SAM) methods using the spectral database of the
imágenes ASTER
United States Geological Survey (USGS). In addition,
classifications were performed using an automatically
generated spectral library which displays spectra Bandas Rango ( ) Resolución
corresponding to mineral mixtures. Thus, with the different VNIR 1 0.52-0.60 15 m
methods it was possible to detect alteration minerals such as 2 0.63-0.69
alunite, coalinite and illite. 3 0.70-0.86
SWIR 4 1.600-1.700 30 m
Keyword: Image processing, mineral mapping, ASTER data, 5 2.145-2.185
spectral analysis, Cerro Colorado. 6 2.185-2.225
7 2.235-2.285
I. INTRODUCCIÓN 8 2.295-2.365
9 2.360-2.430
La superficie de la Tierra está cubierta por un conjunto
TIR 10 8.125-8.475 90 m
heterogéneo de materiales repartido de modo igualmente
11 8.475-8.825
heterogéneo sobre ella, y con un comportamiento espectral
12 8.925-9.275
diverso. Cada sustancia, ser vivo, y mezcla de los mismos,
13 10.250-10.950
refleja y emite energía electromagnética de modo diferente
14 10.950-11.650
(Pérez Gutiérrez & Muñoz Nieto, 2006). Entonces el flujo de
energía reflejado que es recogido por el sensor y que Tabla 1. muestra las especificaciones de las 14 bandas espectrales que están
posteriormente lo transmite a un almacenamiento digital, nos distribuidas en sus tres sistemas independientes VNIR, SWIR y TIR del
permite identificar la cobertura presente obre la superficie sensor ASTER. Adaptada de (Ingemmet, 2015)
luego de un adecuado procesamiento e interpretación.
Así, las imágenes obtenidas por los satélites ofrecen El reconocimiento geológico preliminar del área se
una perspectiva única y particular de la Tierra, sus recursos y realizó a partir de la interpretación de composiciones color
RGB de los subsistemas VNIR y SWIR a una resolución
espacial de , a los que se hizo la corrección atmosférica,
obteniendo una imagen en valores de reflectancia aparente.
Que nos permitirá comparar las firmas espectrales de la
imagen vs las firmas de la USGS (United States Geological
Survey).
A. Procesamiento
1) Combinación de bandas
Es el primer paso que se realiza para una
interpretación del área de interés: RGB 321 (Fig.1),
muestra el área en su estado natural permitiendo ver
los óxidos de color amarillento y la vegetación de
un color rojo; RGB 631 (Fig.2), con capacidad de
resaltar tipos de litología por lo que se conoce con
el nombre de discriminador litológico; RGB 469
(Fig.3), muestra en tonos rosados los materiales que
presentan absorción entre los las bandas 5 y 6 del
SWIR. Cocientes de bandas (“ratio images”) Figura 2. RGB 631
. (Fig.4) se utilizó para identificar un .
gradiente espectral y resaltar las zonas de alteración.

Figura 3. GRB 469

Figura 1. RGB 321


Figura 4. Ratio 4/5, 4/6 y 4/7
2) Técnicas hiper espectrales
Esta parte del trabajo consiste en la reducción espectral
de los datos, para lo cual se utiliza el método Minimun Noise
Fraction el cual reduce la dimensión de los datos y segrega el
ruido de las imágenes, luego se procede a la reducción
espacial de los datos utilizando la técnica Píxel Purity Index,
que nos da como resultado una imagen donde se resaltan los
pixeles espectrales más puros a partir del cual se hace la
extracción de firmas espectrales, las que fueron guardadas en
una librería espectral, para ser comparadas con las firmas
espectrales de la USGS, utilizando la técnica de remoción del
continuo, se pudieron identificar minerales que fueron usadas
para la clasificación utilizando el Spectral Angle Mapper
(Fig.5 y 6), que consiste en determinar la similitud entre dos
espectros, uno el del píxel de la imagen y el otro el patrón
espectral del mineral de interés y el Matched Filtering, que
muestra la abundancia del endmermers definido por el usuario
usando un parcial unmixing.
Alunita
Illita
Figura 5. Clasificación utilizando el SAM
Coalinita
Illita
Figura 6. Clasificación utilizando el SAM
III. DICUCIÓN DE RESULTADOS
Mediante la combinación de bandas hacemos el primer
acercamiento al objetivo que es identificar e interpretar los
distintos tipos de cobertura existente en el área de estudio y el
resultado obtenido es coincidente con lo planteado por
(Vargas, 2009). Con el cociente de bandas RGB:
( , muestra de colores
blanquecinos las áreas con presencia de alunita, coalinita y de
color celeste verdoso las áreas de illita y/o esmectita, siendo
este resultado con menos presencia del número de minerales
encontrados en el artículo base; esto es razonable al tratarse de
diferentes zonas estudiadas y también por puede ser por la
calidad de la imagen u otros factores. Los métodos de
clasificación supervisada Spectral Angle Mapper nos permitió
hacer una clasificación más detallada de los minerales como la
alunita, coalinita y la illita verificando con ello el potencial
uso de las imágenes ASTER en el mapeo de los minerales
industriales sin la necesidad de estar presente en el área de
interés.
IV. CONCLUSIONES
Cada etapa del procesamiento es necesario realizar para
llegar al resultado óptimo y de esta forma con el debido
procesamiento y análisis de las imágenes ASTER nos permitió
identificar los minerales como la alunita, coalinita y illita y/o
esmectita para la zona de estudio. Ahora queda ir al campo y
llevar la muestra al laboratorio para comprobar los resultados
obtenidos con el Spectral Angle Mapper (SAM).
 V. REFERENCIAS
Aguilar Arias, H., Mora Zamora, R., & Vargas Bolaños, C. (2014).
Metodología Para la Corrección Atmosférica de Imágenes
ASTER, RAPIDEYE, SPOT2 y LANDSAT 8 con el
Módulo FLAASH del Software ENVI. Revista Geográfica
de América Central, 22.

Azcurra, D., Castro Godoy, S. E., Candiani, J. C., Carrizo, R., &
Nakayima, K. (2009). Procesamiento de Imágenes ASTER
de Sierra de Famatina, Provincia de La Rioja, República
Argentina. Seminario de Tecnología de la Información en
Geociencias" y "Primera Reunión Latinoamericana de
Especialistas en Geoinformación de Organizaciones
Geocientíficas .

Cardozo, O. D., & Da Silva, C. J. (2013). Aplicaciones Urbanas de

los Sensores Remotos. Revista Geográfica Digital.

Di Tommaso, I., & Rubinstein, N. (2005). MAPEO DE

ALTERACIÓN HIDROTERMAL A PARTIR DE DATOS
ASTER EN EL PORFIDO DE Cu - Mo EL
INFIERNILLO, MENDOZA. ARGENTINA. .

Ingemmet. (24 de Octubre de 2015). INGEMMET. Obtenido de

https://www.ingemmet.gob.pe/web/lab/imagenes_satelitale
s_tl

Pérez Gutiérrez, C., & Muñoz Nieto, Á. L. (2006). Teledetección:

Nociones y Aplicaciones. España: Universidad de
Salamanca.

Rodrígues, M. E., Marchianni, D., & Ducart, D. F. (2013).

Identificación y mapeo de minerales de alteración
hidrotermal con imágenes ASTER en el Distrito Minero
San José. Macizo del Deseado, provincia de Santa Cruz. 9.

Vargas Gonzales, C. (2009). Mapeo de minerales utilizando datos

ASTER y análisis espectral en el distrito de Yura,
Arequipa, Perú. ResearchGate, 7.