Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Coalinita
Figura 4. Ratio 4/5, 4/6 y 4/7
Illita
2) Técnicas hiper espectrales
Esta parte del trabajo consiste en la reducción espectral
Figura 6. Clasificación utilizando el SAM
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 III. DICUCIÓN DE RESULTADOS
espacial de los datos utilizando la técnica Píxel Purity Index, Mediante la combinación de bandas hacemos el primer
que nos da como resultado una imagen donde se resaltan los acercamiento al objetivo que es identificar e interpretar los
pixeles espectrales más puros a partir del cual se hace la distintos tipos de cobertura existente en el área de estudio y el
extracción de firmas espectrales, las que fueron guardadas en resultado obtenido es coincidente con lo planteado por
una librería espectral, para ser comparadas con las firmas (Vargas, 2009). Con el cociente de bandas RGB:
espectrales de la USGS, utilizando la técnica de remoción del ( , muestra de colores
continuo, se pudieron identificar minerales que fueron usadas blanquecinos las áreas con presencia de alunita, coalinita y de
para la clasificación utilizando el Spectral Angle Mapper color celeste verdoso las áreas de illita y/o esmectita, siendo
(Fig.5 y 6), que consiste en determinar la similitud entre dos este resultado con menos presencia del número de minerales
espectros, uno el del píxel de la imagen y el otro el patrón encontrados en el artículo base; esto es razonable al tratarse de
espectral del mineral de interés y el Matched Filtering, que diferentes zonas estudiadas y también por puede ser por la
muestra la abundancia del endmermers definido por el usuario calidad de la imagen u otros factores. Los métodos de
usando un parcial unmixing. 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).
Alunita
Illita
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 .