Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Imagenes Multirspectrales
Imagenes Multirspectrales
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
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.
Impacto sobre el ámbito sociocultural Impacto sobre la infraestructura vial, edilicia y de bienes comunitarios.
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).
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
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
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.
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
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.
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).
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.
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
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
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.
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
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.
FIGURA 8. Gráfico de los autovalores de FMR para Cuprita, Nevada (USA), datos
AVIRIS e Hyperion (Kruse, 2002).
SPOT-HRV
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
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
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.
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.
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
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
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
b. Índices de Vegetación
c. Otras Transformaciones
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
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.
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.
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.
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).
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)
b. Clasificación 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.
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.
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.
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.
Bibliografía
Barducci, A., Guzzi, D., Marcoionni, P. and Pippi, I., 2005. CHRIS-PROBA
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.
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
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)
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,
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.