Traducido del inglés al español - www.onlinedoctranslator.

com

www.nature.com/scientificreports

ABIERTO Detección de REE con imágenes

hiperespectrales basadas en UAV ligeros
René Booysen1,2*, Robert Jackish1, Sandra Lorenzo1, Robert Zimmerman1, Moritz Kirsch1,
Pablo AM Nex2y Richard Gloaguen1

El suministro de elementos de tierras raras (REEs) es importante para garantizar la transición energética, la movilidad
eléctrica y, en última instancia, para lograr los objetivos de desarrollo sostenible de las Naciones Unidas. Las técnicas de
exploración convencionales generalmente se basan en un trabajo de campo geológico sustancial que incluye un muestreo
denso in situ con largas demoras hasta que se obtienen los resultados analíticos. Sin embargo, este enfoque está limitado
por la accesibilidad de la tierra, el estado financiero, el clima y la oposición pública. Se requieren métodos eficientes e
innovadores para mitigar estas limitaciones. El uso de vehículos aéreos no tripulados (UAV) livianos brinda una
oportunidad única para realizar exploraciones rápidas y no invasivas incluso en áreas socialmente sensibles y en lugares
relativamente inaccesibles. Empleamos drones con sensores hiperespectrales para detectar REE en la superficie de la
tierra y así contribuir a un campo en rápida evolución a la vanguardia de las tecnologías de exploración. Mostramos por
primera vez el mapeo directo de REE con plataformas ligeras de UAV hiperespectrales. Nuestra solución tiene la ventaja
de tiempos de respuesta rápidos (< 1 d), límites de detección bajos (< 200 ppm para Nd) y es ideal para respaldar
campañas de exploración.
Este procedimiento fue probado y validado con éxito en dos áreas: Marinkas Quellen, Namibia, y
Siilinjärvi, Finlandia. Esta estrategia debería dinamizar el uso de drones en exploración y para el
monitoreo de actividades mineras.

Se requiere exploración y minería sostenibles de REE para implementar la transición energética, la movilidad eléctrica y permitir el
crecimiento económico de la sociedad. Se ha fomentado encarecidamente en Europa el suministro independiente y ético de
materias primas críticas.1 así como en los EE.UU.2. A pesar de varias iniciativas de exploración en todo el mundo, solo unos pocos
proyectos de REE (por ejemplo, Browns Range, Australia) alcanzaron la etapa de extracción durante los últimos años. En este
contexto, recientemente propusimos un enfoque novedoso para la exploración de REE aplicando técnicas de teledetección.3,4.
Los depósitos de REE se pueden dividir en dos categorías generales. Los depósitos primarios están asociados con procesos
magmáticos y la movilización y precipitación de fluidos hidrotermales, mientras que los depósitos secundarios se originan del
movimiento de minerales REE desde su lugar de origen, por ejemplo, a través de la concentración sedimentaria y la meteorización.
5. Actualmente se explotan cinco tipos principales de depósitos de REE; (1) carbonatitas, (2) depósitos alcalinos magmáticos, (3)
depósitos de arcilla iónica, (4) depósitos de laterita y (5) depósitos de placer.
Actualmente, la fuente más importante de REE son los depósitos de carbonatita y sus rocas ígneas alcalinas asociadas.6. Las
carbonatitas son rocas magmáticas con > 50 % modal de contenido de carbonato7. En la naturaleza, los 17 REE se encuentran
comúnmente juntos debido a que comparten una carga trivalente y radios iónicos similares.8. La espectroscopia reflexiva se puede
utilizar para identificar varios minerales formadores de rocas superficiales, así como tierras raras. El neodimio (Nd) tiene algunas
de las características de absorción más pronunciadas entre los REE y, por lo tanto, puede usarse como un elemento pionero clave
para los REE en su conjunto.9. Nd tiene funciones de absorción características en el rango visible a infrarrojo cercano (VNIR) del
espectro electromagnético a 580 nm, 750 nm y 800 nm10. Turner et al.11, Boesche et al.12 y Neave et al.9 identificó y cartografió con
éxito REE utilizando imágenes hiperespectrales (HSI) basadas en laboratorio o en tierra. Booysen et al.3 demostró cómo los datos
hiperespectrales basados en vehículos aéreos no tripulados (UAV) se pueden utilizar en un enfoque de exploración de
teledetección de múltiples escalas para mapear REE indirectamente. Las características espectrales diminutas, las bajas
concentraciones, las grandes distancias de muestreo en tierra (GSD) y los pesados equipos de imágenes han impedido hasta
ahora sus mediciones directas desde plataformas aerotransportadas livianas.
Los drones se han utilizado cada vez más en la exploración de minerales (p. ej., Booysen et al.3; Jackish et al.13; Malehmir et al.14;
Sayab et al.15). Los terrenos difíciles o los afloramientos inaccesibles a pie o en vehículos se pueden inspeccionar rápidamente con
UAV desde una distancia segura con un mínimo de personal en el sitio, lo que garantiza la seguridad, la eficiencia y la velocidad.
dieciséis,17. Algunos estudios han demostrado el potencial del uso de HSI basado en UAV para el mapeo geológico (p. ej., Jackisch et al.
13 ). En el contexto de la geología carbonatada, Madjid et al.18y Dujoncquoy et al.19utilizó fotogrametría basada en UAV para mapear
litologías de carbonato sedimentario. Sin embargo, ninguno de estos estudios ha investigado directamente

1Helmholtz-Zentrum Dresden-Rossendorf, Instituto Helmholtz Freiberg para Tecnología de Recursos, 09599 Freiberg,

Alemania.2Escuela de Geociencias, Universidad de Witwatersrand, Johannesburgo 2000, Sudáfrica.*Email:

r.booysen@hzdr.de

Informes científicos | (2020) 10:17450 |https://doi.org/10.1038/s41598-020-74422-0 1

Vol.:(0123456789)
 www.nature.com/scientificreports/

Figura 1.(A) Sistema de alas fijas: cámara RGB conectada a un senseFly eBeePlus. (B) Sistema multirrotor:
sensor Rikola acoplado a un Tholeg THO-R-PX-8/10.

Exploración REE con HSI basado en UAV todavía. Ahora sugerimos probar el potencial de HSI basado en UAV para detectar REE
directamente como consecuencia de las mejoras recientes en sensores HSI livianos.
Recientemente hemos propuesto un enfoque innovador para la adquisición y el procesamiento de datos HSI basados
en UAV.3,20. Utilizamos dos tipos de sistemas aéreos no tripulados (UAS); un sistema de ala fija (Fig.1A) para la adquisición
rápida de datos fotogramétricos como base para modelos digitales de superficie y un helicóptero múltiple (Fig. 1B) para
la recogida de HSI. Usando un sistema de alas fijas, capturamos imágenes estereoscópicas nadir con una cámara
instantánea portátil, también conocida como cámara RGB, ya que adquiere tres bandas en la parte visible del espectro
electromagnético (rojo, verde y azul) para la estructura a partir del movimiento. Fotogrametría Multi-Vision-Stereo (SfM-
MVS). Con esta técnica, producimos rápidamente modelos digitales de superficie (DSM) de alta resolución espacial y
ortomosaicos que se utilizan para corregir las imágenes hiperespectrales transmitidas por drones. La producción de los
DSM y los ortomosaicos puede llevar varias horas, según el tamaño de los datos, utilizando una computadora portátil
estándar (p. ej., procesador i7 con 16 GB de RAM). Capturamos datos hiperespectrales con un sensor basado en marcos,
el Senop Rikola Hyperspectral Imager en este caso, montado en una plataforma de múltiples rotores. Adicionalmente,

En este documento, nuestro objetivo es identificar y mapear directamente las características de absorción de Nd con datos
hiperespectrales transmitidos por drones en cuerpos de carbonatita. Los objetivos son (1) desarrollar un procedimiento
hiperespectral a bordo de drones rápido, operativo y confiable para identificar áreas con altas concentraciones de REE y (2) probar
la practicidad del uso de drones en la exploración de REE; es decir, puede implementarse e integrarse fácilmente en el proceso de
exploración. Ilustramos nuestro enfoque en dos complejos de carbonatita para demostrar la versatilidad del uso de drones en
diferentes regiones climáticas, uno en una región subártica, la mina de fosfato Siilinjärvi en Finlandia, y el otro en un entorno
árido, el complejo Marinkas Quellen en Namibia.
Elegimos estos dos sitios representativos para resaltar la diversidad de entornos en los que se pueden encontrar REE:

• El complejo intrusivo de carbonatita alcalina Marinkas Quellen está ubicado cerca de la frontera de Sudáfrica en el sur de
Namibia, en una parte muy árida y remota del desierto. No se puede acceder a la mayor parte del complejo en automóvil y
exige largas caminatas para acceder a las áreas objetivo y, por lo tanto, es típico de los sitios de campo verde. Es parte de la
provincia ígnea Kuboos-Bremen de 490–550 Ma21y se compone de granitos alcalinos, sienitas y carbonatitas22. Las
carbonatitas en Marinkas Quellen van desde calcio-, magnesio- a ferro-tipos (Fig.2A). Los diques tardíos de ferrocarbonatita
muestran enriquecimiento en manganeso, REE y torio22.
• El complejo de carbonatitas Archean Siilinjärvi en el centro de Finlandia es una de las carbonatitas más antiguas conocidas.23
y alberga la única mina de fósforo en funcionamiento en la Unión Europea. El sitio está situado cerca del Círculo Polar Ártico,
pero es fácilmente accesible en coche. Este sitio representa un sitio típico de exploración de campo marrón. El mineral de
interés, la apatita, está asociado con una intrusión de glimmerita-carbonatita que forma una lente tabular de buzamiento
pronunciado de hasta 1,5 km de espesor, que está rodeada por gneises de sótano fenitizados. Está intruido por tonalitas y
múltiples generaciones de diques basálticos.24 (Higo. 2B). Aunque actualmente no se explota como un recurso REE, las
principales litologías en Siilinjärvi contienen monacita, apatita, pirocloro, estroncianita y tita- que contienen REE.

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 2

Vol:.(1234567890)
www.nature.com/scientificreports/

Figura 2. (A) Mapa geológico del complejo de carbonatita Marinkas Quellen con un recuadro que muestra su ubicación en
Namibia. El mapa geológico fue modificado después de Smithies y Marsh22. (A.1) El área ampliada muestra la huella del
levantamiento hiperespectral basado en UAV. (B) Mapa geológico del complejo de carbonatitas de Siilinjärvi con un recuadro que
muestra su ubicación en Finlandia. El mapa geológico fue modificado después del Servicio Geológico de Finlandia.26. (B.1) El área
ampliada muestra la huella del levantamiento hiperespectral basado en UAV. Ambos mapas se fusionaron con un modelo de
elevación digital (DEM) creado con fotogrametría a partir de datos propios basados en UAV y producido en QGIS 3.12.

fases de nio-niobio24,25. Los afloramientos expuestos en estos dos sitios tienen poca o ninguna cubierta vegetal, lo que los convierte en
escenarios ideales para mostrar nuestro enfoque basado en UAV.

Resultados
Destacamos los resultados de los dos estudios hiperespectrales basados en UAV en Namibia y Finlandia en la siguiente sección.
Seleccionamos áreas de interés de aproximadamente 10.000 m2basado en campañas de campo preliminares. Tomamos 7
mediciones espectrales in situ y tomamos muestras de esos mismos puntos en Marinkas Quellen, así como > 80 mediciones
espectrales y 3 muestras de Siilinjärvi. Seleccionamos la cantidad de mediciones y las ubicaciones de las muestras en cada sitio
según el tamaño del área, la viabilidad (p. ej., accesibilidad y exposición) y la representatividad. Intentamos espaciar los puntos de
muestreo uniformemente a lo largo de los afloramientos y seleccionamos lugares no cubiertos por vegetación. Estas mediciones y
muestras se utilizaron para validar los datos obtenidos de los UAV y para confirmar la ubicación de posibles zonas enriquecidas
con REE en los afloramientos. Cuatro espectros representativos de estas mediciones de cada estudio de caso se muestran en la
Fig.3A, B, sus ubicaciones se indican en las Figs. 4 y 5.
El análisis de espectrometría de masas de plasma acoplado inductivamente (ICP-MS) confirmó que las muestras tomadas de
las ubicaciones 2, 4 y 6 de Marinkas Quellen contenían entre 260 y 650 ppm de Nd, así como 0,18 y 0,57 % de óxidos de tierras
raras totales (TREO), mientras que la ubicación 7 contenía mucho menos al 0.02% TREO (Tabla1). Las mediciones espectrales
determinaron que las ubicaciones 2, 4 y 6 también contenían REE, ya que mostraban características de absorción espectral típicas
de Nd a 580 nm, 750 nm y 800 nm, mientras que la ubicación 7 no mostraba ninguna característica de REE. En Siilinjärvi, solo los
espectros en las ubicaciones 2 y 3 mostraron características de absorción REE prominentes en las tres longitudes de onda antes
mencionadas. La ubicación 4 muestra solo firmas Nd muy débiles. Los resultados de ICP-MS mostraron que las muestras tomadas
de las mismas ubicaciones relativas (ubicaciones A, B y C) contenían entre 65 y 325 ppm de Nd, así como 0,03 y 0,18 % de TREO
(Tabla2). Además, las características de absorción en Siilinjärvi eran notablemente más profundas que en Marinkas Quellen. Las
características de doble absorción a 740 y 750 nm vistas en Siilinjärvi en las ubicaciones 2 y 3, y en la ubicación 6 de Marinkas
Quellen se pueden atribuir a una característica de absorción típica de disprosio (Dy) cercana a Nd.10.
Capturamos datos hiperespectrales basados en UAV sobre los afloramientos de carbonatita a una altitud de vuelo relativa de
40 m para el sitio de Siilinjärvi y 20 m para el área de Marinkas Quellen, lo que resultó en una distancia de muestreo terrestre
(GSD) de 3 cm y 1,5 cm respectivamente. Estas altitudes se eligieron para equilibrar la cobertura del área y la resolución espacial.
Los datos preprocesados se registraron conjuntamente en el ortomosaico RGB para crear mosaicos hiperespectrales de cada
área de interés (Figs.4,5A). Después de la calibración y la validación, mapeamos la aparición de la característica más destacada
identificada en los datos de HSI mediante el mapeo de longitud de onda mínima (MWM), a 800 nm en el estudio de caso en
Marinkas Quellen y a 750 nm en Siilinjärvi. Las posibles razones de las diferentes posiciones de los componentes de absorción de
REE más conspicuos entre los dos sitios se analizan en la siguiente sección.

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 3

Vol.:(0123456789)
 www.nature.com/scientificreports/

Figura 3. (A) Gráfico que muestra la reflectancia de espectros portátiles in situ de puntos seleccionados en Marinkas Quellen
indicados en la Fig. 4. (B) Gráfico que muestra la reflectancia de espectros portátiles in situ de puntos seleccionados en Siilinjärvi
indicados en la Fig. 5.

Ubicación nd (ppm) TREO (%)

Punto 1 225 0.16
punto 2 278 0.18
punto 3 443 0.29
Punto 4 261 0.20
Punto 5 130 0.09
Punto 6 647 0.57
Punto 7 19 0.02

Tabla 1. Resultados ICP-MS de muestras tomadas de Marinkas Quellen, indicando la cantidad de Nd y Óxidos
Totales de Tierras Raras (TREO).

Ubicación nd (ppm) TREO (%)

Punto A 67 0.03
Punto B 157 0.09
Punto C 325 0.18

Tabla 2. Resultados de ICP-MS de muestras tomadas de Siilinjärvi, que indican la cantidad de Nd y óxidos de tierras raras totales
(TREO).

Los mapas MWM se muestran en las Figs. 4A.1 y 5A.1 respectivamente. Las observaciones fotográficas de campo y de alta
resolución indican que los REE mapeados son espacialmente coherentes y se ubican predominantemente en los cuerpos de
carbonatita y no en la roca circundante en ambos casos. En Marinkas Quellen, los REE parecen estar mayormente concentrados en
una estructura lenticular ubicada en el centro del afloramiento (Fig.4A.1) y sobre un conjunto de franjas de tendencia NW-SE
paralelas, oblicuas a la matriz del sensor. En Siilinjärvi, los REE están ubicados en cuerpos de carbonatita alargados con muy pocos
o ningún REE mapeado en la roca circundante (Fig.5A.1).
Para ilustrar la precisión de los mapas REE, comparamos los espectros in situ con sus espectros homólogos extraídos de los
datos HSI (Figs.4,5A.2). El rango marcado como ruido del sensor visto en las Figs.4A.2 y5A.2 es causado por un problema técnico
conocido a 640 nm en el generador de imágenes Rikola que no afecta al resto del espectro27. Además, trazamos las firmas
espectrales en ubicaciones que no muestran características de absorción que indiquen la ausencia de REE (Punto 7 de Marinkas
Quellen y punto 1 de Siilinjärvi). Estas ubicaciones de control (Figs.6A,B) muestran espectros homólogos en los datos HSI que
también carecen de las características típicas de absorción de Nd.

Discusión
Observamos que podemos mapear las características de absorción prominentes de Nd desde alturas de vuelo que alcanzan los 40 m sobre el
suelo con una cámara HSI instantánea liviana. Para validar la precisión del sensor, primero probamos el generador de imágenes
hiperespectrales en condiciones de laboratorio. Los resultados mostraron que es posible detectar la absorción estrecha

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 4

Vol:.(1234567890)
www.nature.com/scientificreports/

Figura 4.Marinkas Quellen. (A) Mosaico hiperespectral basado en UAV superpuesto a un ortomosaico basado en UAV de alta resolución
creado en QGIS 3.12 (datos propios). Las ubicaciones de las mediciones in situ tomadas para la validación se muestran en amarillo. (A.1)
Primer plano de los datos HSI superpuestos con píxeles mapeados con función de absorción de 800 nm (amarillo a rojo que indica la
profundidad creciente de la función de absorción, es decir, alto = muy profundo, bajo = poco profundo). La ubicación de adquisición de los
espectros que se muestra en A.2 está representada por un círculo azul y el punto 2. (A.2) Comparación de Rikola promediado con espectros
portátiles. (B) Foto de campo que muestra el área seleccionada para el mapeo de Nd.

características de Nd a 580 nm, 740 nm y 800 nm seleccionando un intervalo de muestreo espectral de 5 nm y una resolución de 15 nm3. Sin embargo, puede ocurrir un ligero cambio espectral dependiendo de la

resolución espectral, que debe tenerse en cuenta al realizar MWM. Además, a pesar de la capacidad potencial para detectar características de absorción en cualquier posición espectral, esta capacidad está

limitada por la configuración del sensor. En modo operativo, el sensor puede registrar 50 bandas predeterminadas. La elección de muestreo tiene un efecto en la detección de características de absorción estrecha.

Por ejemplo, la función de absorción de 800 nm no era prominente en los datos de Siilinjärvi, por lo que mapeamos la función de 750 nm. Lo más probable es que la dificultad para resolver esta característica se

deba a un muestreo espectral inadecuado. Los datos de Marinkas Quellen tenían un muestreo espectral de 5 nm alrededor de 800 nm, mientras que los datos adquiridos en Siilinjärvi eran de 8 nm. La estrategia

de adquisición en Marinkas Quellen se adaptó al mapeo REE con un intervalo espectral adaptado, mientras que en Siilinjärvi el estudio fue más general con un muestreo espectral predeterminado. Es probable que

el muestreo espectral fuera demasiado amplio y desviado para captar de manera efectiva la característica de absorción estrecha que se encuentra típicamente alrededor de 800 nm en Siilinjärvi. En general, la

coherencia espacial de los REE detectados demuestra que el mapeo es preciso. La precisión espacial está respaldada por una consistencia espectral en la posición de absorción esperada atestiguada por

histogramas de las longitudes de onda de los píxeles para cada conjunto de datos (Fig. Es probable que el muestreo espectral fuera demasiado amplio y desviado para captar de manera efectiva la característica de

absorción estrecha que se encuentra típicamente alrededor de 800 nm en Siilinjärvi. En general, la coherencia espacial de los REE detectados demuestra que el mapeo es preciso. La precisión espacial está

respaldada por una consistencia espectral en la posición de absorción esperada atestiguada por histogramas de las longitudes de onda de los píxeles para cada conjunto de datos (Fig. Es probable que el muestreo

espectral fuera demasiado amplio y desviado para captar de manera efectiva la característica de absorción estrecha que se encuentra típicamente alrededor de 800 nm en Siilinjärvi. En general, la coherencia

espacial de los REE detectados demuestra que el mapeo es preciso. La precisión espacial está respaldada por una consistencia espectral en la posición de absorción esperada atestiguada por histogramas de las

longitudes de onda de los píxeles para cada conjunto de datos (Fig.8A,B).

Los resultados que se muestran en este estudio demuestran que podemos mapear directamente las ocurrencias de REE con datos hiperespectrales
basados en UAV bajo ciertas condiciones, principalmente usando Nd como un proxy para REE totales. A partir de nuestro estudio, identificamos cinco
requisitos principales que pueden representar un desafío; sin embargo, podemos abordar y resolver la mayoría de los problemas con un enfoque
dedicado. Estos requisitos incluyen:

1. Tener un afloramiento descubierto y suficientemente iluminado:

Podemos enfocarnos en afloramientos sin cobertura vegetal y capturar datos cuando el sol está más alto, lo que resulta en
una visualización subnadir e iluminación subvertical.
2. Concentraciones adecuadas de REE:

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 5

Vol.:(0123456789)
 www.nature.com/scientificreports/

Figura 5.Siilinjärvi. (A) Mosaico hiperespectral basado en UAV superpuesto al ortomosaico basado en UAV de alta resolución creado en QGIS
3.12 (datos propios). Las ubicaciones de las mediciones in situ tomadas para la validación se muestran en amarillo y azul. (A.1) Primer plano
de los datos HSI superpuestos con píxeles mapeados con función de absorción de 750 nm (amarillo a rojo que indica la profundidad
creciente de la función de absorción, es decir, alto = muy profundo, bajo = poco profundo). La ubicación de adquisición de los espectros que
se muestra en A.2 está representada por el punto 3. (A.2) Comparación de Rikola promediado con espectros portátiles. (B) Foto de campo
que ilustra el área seleccionada para el mapeo de Nd.

Figura 6. (A) Gráfico que muestra los espectros de mano contra los espectros de Rikola tomados en el mismo lugar en Marinkas Quellen,
lo que indica la ausencia de características de absorción de Nd. (B) Gráfico que muestra los espectros de mano contra los espectros de
Rikola tomados en el mismo lugar en Siilinjärvi, lo que indica la ausencia de características de absorción de Nd.

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 6

Vol:.(1234567890)
www.nature.com/scientificreports/

Con los avances en la tecnología de sensores y plataformas y las mejoras en los algoritmos de procesamiento, el mapeo preciso de
REE ahora puede ser accesible para aquellos que no están especializados en sensores remotos. Rowan et al.28 propuso que 300 ppm de
Nd es suficiente para producir características de absorción utilizando un espectrómetro en el laboratorio. Pudimos detectar
características de absorción de Nd en lugares donde las concentraciones de Nd en toda la roca son tan bajas como 130 ppm en
Marinkas Quellen y 160 ppm Nd en Siilinjärvi. Por otro lado, no existe una relación clara entre las concentraciones de Nd en toda la roca
y las profundidades de las características espectrales. Esto puede explicarse en parte por los tamaños de los cristales de los minerales
que contienen REE. Los minerales que contienen REE, es decir, apatitas, son bastante grandes en Siilinjärvi, mientras que suelen ser
pequeños en las áreas muestreadas de Marinkas Quellen. Las concentraciones más bajas de REE requeridas para la detección con HSI
transportado por drones pueden variar de un depósito a otro.
3. Ajustes adecuados del sensor:
Se requieren datos hiperespectrales con intervalos de muestreo espectral máximos de 5 a 8 nm con una resolución
espectral (ancho total a la mitad del máximo (FWHM)) de al menos 15 nm.
4. Un flujo de trabajo de procesamiento robusto para levantamientos hiperespectrales basados en UAV:
Software para corregir efectos de relieve, atmosféricos y de adyacencia, y para ortorrectificar datos hiperespectrales transportados
por drones. Además, dado que el uso de vehículos aéreos no tripulados se está volviendo más popular en geología, es fundamental que
se desarrollen métodos estandarizados de preprocesamiento para garantizar datos de calidad y bien corregidos.29.
5. Condiciones climáticas razonables:
Por último, para llevar a cabo una encuesta exitosa con drones, tiene que haber poca o ninguna lluvia o nieve, y la
velocidad del viento suele ser inferior a 12 m/s.

En este estudio, investigamos la pertinencia de explorar las ocurrencias de REE utilizando una metodología
hiperespectral basada en UAV innovadora y no invasiva. El enfoque típico y actual para el mapeo geológico en la
exploración de minerales es una combinación de mapeo geológico superficial con muestreo superficial y/o de
trincheras a intervalos específicos.30. Luego, los especímenes se envían a laboratorios para el análisis geoquímico
de toda la roca. El mapeo y los análisis geoquímicos ocurren antes de la perforación y pueden ser costosos y
lentos.31. Nuestra solución puede brindarle al geólogo de campo una estimación rápida de la distribución relativa
de REE y, por lo tanto, mejorar la estrategia de muestreo al identificar zonas de altas concentraciones de REE
dentro de los afloramientos rocosos. En un sentido más amplio, los levantamientos hiperespectrales basados en
UAV ofrecen una mayor flexibilidad al geólogo en el sitio. Ciertas áreas pueden ser inaccesibles debido al terreno
accidentado, las pendientes pronunciadas, la propensión a los desprendimientos de rocas o la vegetación densa,
pero ahora se pueden inspeccionar desde una distancia segura para crear mapas litológicos y/o determinar si
esas áreas necesitan más investigación. Nuestro estudio también demostró que examinamos dos sitios de
prueba, uno en un ambiente árido y el otro en condiciones subárticas y pudimos mapear REE con éxito.

Con todos los beneficios de los UAV en la exploración de REE, todavía existen algunos factores limitantes. Los afloramientos descubiertos
son necesarios para detectar con precisión la mineralización, y las cubiertas de suelo y vegetación son una limitación importante en cualquier
estudio geológico de teledetección y tampoco se pueden eludir mediante el uso de vehículos aéreos no tripulados. Los vientos fuertes (> 12
m/s) son otro factor limitante en el uso de UAV ligeros. Al igual que con cualquier equipo de alta tecnología, el hardware defectuoso, la señal
GNSS débil en áreas montañosas o el acceso ineficiente a una red eléctrica para cargar las baterías pueden impedir las actividades de campo
y causar retrasos. Además, el área que puede cubrir un levantamiento basado en UAV es mucho más pequeña que las soluciones basadas en
satélites o aviones. Teniendo en cuenta estos factores limitantes, Nuestro trabajo indica que los UAV pueden mejorar el mapeo y la
orientación precisa de REE a escala local con una resolución espacial muy alta en muchas situaciones. Además de proporcionar una
resolución espacial muy alta, el uso de vehículos aéreos no tripulados puede superar algunos otros problemas que surgen cuando se utilizan
datos satelitales o basados en aviones. Las nubes son obstáculos típicos que oscurecen la superficie de la Tierra en el satélite y limitan
fuertemente las adquisiciones basadas en planos. La flexibilidad de los UAV livianos implica que se pueden implementar fácilmente y cuando
sea necesario sin tener que esperar a que se adquieran o comisionen las escenas. La solución presentada no pretende reemplazar los
estudios de campo, sino permitir una orientación más detallada de REE que requerirá menos actividades geológicas invasivas, aumentará la
seguridad general de los trabajadores de campo y acelerará el proceso general.

Las nuevas tecnologías de sensores que capturan datos espectrales en el rango del infrarrojo de onda corta (SWIR) permitirán
una orientación directa aún mejor de la mineralogía de la roca huésped y la delineación de rocas objetivo potenciales. Por otro
lado, el peso y el precio de los sensores SWIR actuales dificultan su uso en la práctica. Sin embargo, con el aumento de la demanda
y la innovación tecnológica, se espera que estos sensores HSI se vuelvan rápidamente más baratos y livianos y tengan un papel
más importante en la exploración. Los UAV también pueden servir como plataformas para una gran cantidad de otros sensores
como LIDAR.32,33, magnetómetros34o radiómetros35. Por lo tanto, el valor de HSI se puede mejorar en gran medida con la
integración de datos geofísicos y de teledetección adicionales.13. Esperamos que HSI transportado por drones se convierta en
estándar en los esquemas de exploración.

Conclusión
Pudimos por primera vez identificar y mapear directamente REE en afloramientos de carbonatita en ambientes áridos y subárticos
usando datos hiperespectrales basados en UAV. La flexibilidad de las imágenes hiperespectrales basadas en UAV puede
garantizar la seguridad personal, así como la eficiencia y la velocidad durante el proceso de exploración. Las áreas que antes eran
inaccesibles ahora se pueden inspeccionar rápidamente, proporcionando oportunamente un conjunto de datos más completo en
términos de información geológica y topográfica. Sin embargo, los desafíos actuales en la identificación de REE se pueden superar
con una planificación de campo diligente, métodos de procesamiento robustos y nuevos desarrollos en tecnología de sensores.
Además, el uso de imágenes hiperespectrales basadas en UAV abre las puertas a nuevas posibilidades, como la reevaluación de las
ocurrencias de REE en vertederos de relaves como posibles recursos para futuros métodos de beneficio.9

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 7

Vol.:(0123456789)
 www.nature.com/scientificreports/

SANT sensor montado Parámetros de imágenes Resolucion espacial Propósito

50 canales espectrales en modo aéreo.

Muestreo espectral de 8 nm en
Multicóptero (Tholeg THO-R- Generador de imágenes hiperespectral
Siilinjärvi y 5 nm en Marinkas Quellen. 6,5 cm a 100 m de altitud. HSI aéreo de alta resolución
PX-8/10) Senop (Rikola)
Rango espectral de 500 - 900 nm.
Tiempo de integración 10 ms

Fotogrametría para información

Ala fija (SenseFly eBeePlus) Sensefly SODA Nadir estéreo-fotos 2,9 cm a 120 m de altitud
topográfica

Tabla 3. UAS y parámetros de datos de estudios de campo.

Figura 7. (A) Pasos de preprocesamiento de datos hiperespectrales basados en UAV20. (B) Comprobación espectral del generador de
imágenes hiperespectrales RIKOLA con muestreo espectral de 1 nm y 8 nm respectivamente en comparación con una lámpara
fluorescente de referencia con emisiones conocidas de Hg (404,66 nm, 435,83 nm y 546,08 nm) y Ba (611,08 nm).

y Zimmermann et al.4 sobre el mapeo submétrico de las capacidades REE de UAV-HSI. En última instancia, este estudio
brinda la oportunidad de avanzar en el descubrimiento de depósitos REE en la mayor parte del mundo.

Métodos
Inspeccionamos dos sitios en el sur de Namibia y en el centro de Finlandia para evaluar el potencial REE de los depósitos. Los
parámetros de los dos tipos de UAV utilizados, así como la información del sensor adjunto, se pueden encontrar en la Tabla3. Las
fotos en estéreo nadir se capturaron con una cámara RGB desde el UAS de ala fija con una superposición frontal del 85 % y una
superposición lateral del 70 %. Producimos los DEM y los ortomosaicos utilizando Agisoft PhotoScan Professional 1.2.5 en un flujo
de trabajo estándar SfM-MVS. Esto se hace siguiendo protocolos establecidos por estudios previos.36,37.
Seleccionamos afloramientos expuestos para los estudios hiperespectrales. Adquirimos los datos con un generador de
imágenes Rikola montado en un UAV estabilizado con un cardán en un procedimiento intermitente (ver Jakob et al.20para más
detalles) a una altitud de 20 m en Marinkas Quellen y 40 m en Siilinjärvi. Estos parámetros de vuelo dieron como resultado una
GSD de 1,5 cm en Marinkas Quellen y 3 cm en Siilinjärvi. Seleccionamos dos altitudes de vuelo diferentes para probar las
capacidades de mapeo de REE con diferentes tamaños de píxeles. El tiempo de integración del sensor en ambos sitios se fijó en 10
ms y la relación señal-ruido (SNR) del sensor es 150:110. Seleccionamos intervalos de muestreo espectral de 5 nm en Marinkas
Quellen y 8 nm en Siilinjärvi con una resolución espectral de 15 nm.
Los datos hiperespectrales se calibran y corrigen mediante una rutina interna establecida basada en Python y se
pueden ver en la Fig.7A20. La rutina contiene 7 pasos que incluyen correcciones espectrales y geométricas:

1. Realizamos una sustracción de corriente oscura en imágenes individuales y los números digitales sin procesar se convirtieron en radiación.

2. Las funciones internas de la cámara provocan distorsiones específicas de la lente y se corrigieron con la caja de herramientas interna.
3. Durante la adquisición de la imagen, el sensor se movería ligeramente, provocando cambios espaciales entre las bandas
individuales. Para rectificar esto, co-registramos las bandas individuales entre sí para cada imagen.
4. Ortorrectificamos y georreferenciamos automáticamente las imágenes hiperespectrales. Para hacer esto, utilizamos algoritmos
de detección de puntos clave y coincidencia de puntos para hacer coincidir los datos hiperespectrales con los ortomosaicos
generados por SfM-MVS.

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 8

Vol:.(1234567890)
www.nature.com/scientificreports/

Figura 8. (A) Función de distribución de densidad e histograma de píxeles mapeados a 800 nm de Marinkas Quellen. El tamaño de los
contenedores se basa en el muestreo espectral de 5 nm. (B) Función de distribución de densidad e histograma de píxeles mapeados a 750 nm
de Siilinjärvi. El tamaño de los contenedores se basa en el muestreo espectral de 8 nm.

(Siil) Punto
Muestras (Mar) Punto 1 (Mar) Punto 2 (Mar) Punto 3 (Mar) Punto 4 (Mar) Punto 5 (Mar) Punto 6 (Mar) Punto 7 (Siil) Punto A (Siil) Punto B C
yo2 1.92 4.76 4.15 0.13 0.29 4.01 0.98 38.4 1.75 0.58
Alabama2O3 0.24 0.83 0.81 0.06 0.09 1.10 0.27 8.55 0.41 0.13
mi2O3 1.25 2.78 3.89 1.75 0.88 4.83 9.35 8.53 1.55 0.88
MgO 0,45 2.72 4.76 3.89 0.91 7.84 6.39 22.2 6.18 3.34
CaO 51.64 46.39 42.17 47.00 52.17 38.15 39.10 5.08 48.1 52.3
2O5 0.14 2.18 2.79 1.03 0.12 1.62 0.04 3.2 2.02 14.35

Tabla 4. Análisis geoquímicos de roca entera de elementos principales en % en peso para Marinkas Quellen (Mar) y
Siilinjärvi (Siil).

(Siil) Punto
Muestras (Mar) Punto 1 (Mar) Punto 2 (Mar) Punto 3 (Mar) Punto 4 (Mar) Punto 5 (Mar) Punto 6 (Mar) Punto 7 (Siil) Punto A (Siil) Punto B C
La 274 278 467 352 173 1340 12.7 43.1 127 227
Ce 521 619 991 700 321 2030 30.6 120.5 316 613
PR 53.8 68.3 110.5 70.7 34,9 193.5 4.19 16.45 39.5 80.5
Dakota del Norte 225 278 443 261 129.5 647 18.6 67 156.5 325
pequeño 53,7 45,5 69.1 38.4 19.95 63.3 4.7 9.52 23.7 48
UE 18.65 13.7 19.75 11.1 6.12 15.8 1.63 2.51 6.01 12.65

Di-s 50,9 36,9 49.7 28.8 1.4 35.2 5.78 5.6 14.95 29.5
Tuberculosis 6.29 4.15 5.74 3.66 1.97 4.09 1.46 0.57 1.66 3.03
dy 31.8 20.6 27,9 18.5 9.79 18.7 11.9 2.27 7.51 12.65

Ho 5.36 3.47 4.66 3.45 1.86 3.1 2.82 0.31 1.15 1.87
Eh 12.35 7.97 10.55 8.05 4.6 6.99 9.15 0,55 2.65 3.54
Tm 1.64 0.98 1.18 1.12 0,66 0,95 1.47 0.05 0.3 0.4
Yb 10.15 5.84 7.19 6.92 3.82 5.4 11.25 0.25 1.54 1.91
Lu 1.4 0.78 0.98 1.09 0,55 0.75 1.74 0.04 0.22 0.24
Y 135 87.2 114 90.1 48.5 79.2 88.2 7.6 32.3 44.1
TREO (%) 0.16 0.18 0.29 0.20 0.09 0.57 0.02 0.03 0.09 0.18

Tabla 5. Análisis geoquímicos de roca entera de elementos menores de tierras raras en ppm para Marinkas Quellen
(Mar) y Siilinjärvi (Siil).

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 9

Vol.:(0123456789)
 www.nature.com/scientificreports/

5. Como la rugosidad del terreno también influye en la radiación medida, utilizamos los DSM de alta resolución, que se
produjeron a partir de la fotogrametría SfM-MVS, para calcular el ángulo de incidencia de la luz entrante para las
correcciones topográficas.
6. Luego unimos las imágenes hiperespectrales corregidas individualmente para producir un mosaico.
7. Aplicamos una corrección de línea empírica mediante el uso de espectros conocidos de paneles de cloruro de polivinilo (PVC)
negros, blancos y grises colocados en la escena. Por último, enmascaramos la vegetación en todo el mosaico.

El producto final es un mosaico hiperespectral calibrado, iluminador y geométricamente corregido en reflectancia. Capturamos los
datos durante las condiciones máximas de luz solar y nos enfocamos en los afloramientos expuestos sin sombras. Además, la
influencia de la atmósfera es casi insignificante debido a las bajas altitudes de adquisición, por lo que no se necesitaron
correcciones atmosféricas.
Previo al trabajo de campo, se evaluó en condiciones de laboratorio el potencial del generador de imágenes Rikola para
resolver REE3. Esto mostró que existe un cambio espectral en los espectros de Rikola de aproximadamente 5 nm en modo de vuelo
(50 bandas, muestreo espectral de 8 nm) y debe corregirse. Además, se realizó una verificación espectral de rutina utilizando una
lámpara fluorescente con líneas de emisión conocidas de Hg y Ba. También debe tenerse en cuenta que el cambio difiere para los
dos sensores del Rikola (en particular visible en el muestreo espectral de 1 nm) (Fig.7B).
Después de preprocesar los datos, mapeamos las características de absorción utilizando el método de mapeo de longitud de onda
mínima (MWM) con una función polinomial38teniendo en cuenta el desplazamiento espectral observado en los resultados de laboratorio. Este
método determina directamente la posición de la longitud de onda de las características de absorción más profundas en un rango espectral
específico y su profundidad38. El resultado es un mapa que destaca los píxeles que tienen una posición de absorción específica, mientras que
el color (en este caso, de amarillo a rojo) indica la profundidad creciente de la función de absorción. Para validar los resultados, trazamos un
histograma de píxeles mapeados en las longitudes de onda antes mencionadas de cada conjunto de datos. En el caso de Marinkas Quellen y
Siilinjärvi, trazamos histogramas de píxeles mapeados a 800 nm y 750 nm, respectivamente (Fig.8A,B). En ambos casos, la mayoría de los
píxeles se mapearon en las respectivas longitudes de onda, lo que indica que las características de absorción mapeadas a 750 nm y 800 nm
no son aleatorias y, de hecho, son significativas.
Durante la campaña de campo recolectamos muestras de rocas para validar los datos hiperespectrales. Las mediciones
espectrales in situ se tomaron con el espectrómetro Spectral Evolution PSR-3500 VNIR-SWIR, mientras que se realizaron análisis
geoquímicos de roca completa de laboratorio en las muestras de roca. Se utilizó un sistema de posicionamiento global (GPS) y
fotos de campo detalladas para hacer coincidir la posición de las mediciones y las muestras de roca con sus ubicaciones en las
imágenes basadas en UAV. Se utilizó ICP-MS para analizar los elementos traza de las muestras en ambas áreas de estudio. La
fluorescencia de rayos X dispersiva de longitud de onda (WD-XRF) se utilizó para analizar los elementos principales de las muestras
en Marinkas Quellen, mientras que la espectroscopia de emisión atómica de plasma acoplado inductivamente (ICP-AES) se utilizó
para analizar los elementos principales de las rocas de Siilinjärvi. Mesas4 y 5 muestran los resultados geoquímicos de las muestras
tomadas en Marinkas Quellen y Siilinjärvi.

Recibido: 16 de abril de 2020; Aceptado: 28 de septiembre de 2020

Referencias
1. Simandl, G. Geología y significado dependiente del mercado de los recursos de elementos de tierras raras.Minero. Depósitos49, 889–904.https://doi.
org/10.1007/s00126-014-0546-z(2014).
2. Schmid, M. Las tierras raras en la disputa comercial entre EE. UU. y China: un déjà vu.Intereconomía54, 378–384.https://doi.
org/10.1007/s10272-019-0856-6(2019).
3. Booysen, R.et al.Hacia la exploración de minerales de teledetección multiescala y multifuente utilizando rpas: un estudio de caso en el depósito de
arrecife alojado en carbonatita lofdal, Namibia.Sensores remotos 11, 2500.https://doi.org/10.3390/rs11212500(2019).
4. Zimmermann, R., Brandmeier, M., Andreani, L., Mhopjeni, K. y Gloaguen, R. Exploración con sensores remotos de carbonatita enriquecida con nb-ta-
lree (Epembe/Namibia).Sensores remotos 8, 620.https://doi.org/10.3390/rs8080620(2016).
5. Bueno, K.et al.El potencial de recursos del elemento tierra de Europa: una descripción general de las provincias metalogenéticas y su entorno
geodinámico.Mineral Geol. Rdo.72, 838–856.https://doi.org/10.1016/j.oregeorev.2015.09.019(2016).
6. Muro, F.Extraños elementos de la Tierra(Wiley, Nueva York, 2014).
7. Simandl, GJ y Paradis, S. Carbonatitas: depósitos de minerales relacionados, recursos, huella y métodos de exploración.aplicación Ciencias de la Tierra
127, 123–152.https://doi.org/10.1080/25726838.2018.1516935(2018).
8. Van Gosen, BS, Verplanck, PL, Long, KR, Gambogi, J. y Seal, RR II.Los elementos de tierras raras: vitales para las tecnologías y los estilos de vida
modernos(Informe técnico, Servicio Geológico de EE. UU., 2014).
9. Neave, DAet al.Sobre la viabilidad de obtener imágenes de depósitos de elementos de tierras raras alojados en carbonatita utilizando sensores remotos.economía
Geol. 111, 641–665.https://doi.org/10.2113/econgeo.111.3.641(2016).
10. Lorenz, S.et al.El potencial de la reflectancia y la espectroscopia de luminiscencia inducida por láser para la detección de elementos de tierras raras de campo cercano
en la exploración de minerales.Sensores remotos 11, 21.https://doi.org/10.3390/rs11010021(2019).
11. Turner, DJ, Rivard, B. & Groat, LA Espectroscopía de reflectancia infrarroja visible y de onda corta de minerales de fosfato de río.Soy.
Mineral.101, 2264–2278.https://doi.org/10.2138/am-2016-5692(2016).
12. Boesche, Nueva Zelandaet al.Mapeo hiperespectral de elementos de tierras raras de tres afloramientos en el complejo fen, noruega: carbonatitas
calcíticas, dolomíticas y ankeríticas.Industria de tierras raras.https://doi.org/10.1016/B978-0-12-802328-0.00016-4(2016).
13. Jackisch, R.et al.Integración de datos hiperespectrales y magnéticos transportados por drones: depósito Otanmäki fe-ti-v en Finlandia.Sensores
remotos 11, 2084.https://doi.org/10.3390/rs11182084(2019).
14. Malehmir, A.et al.El potencial de los levantamientos magnéticos basados en UAV de ala giratoria para la exploración de minerales: un estudio de caso del centro de
Suecia.Guiar. Borde36, 552–557 (2017).
15. Sayab, M., Aerden, D., Paananen, M. y Saarela, P. Análisis estructural virtual de tajo abierto de jokisivu usando fotogrametría de vehículos aéreos no
tripulados (UAV) de 'estructura desde el movimiento': Implicaciones para depósitos de oro controlados estructuralmente en suroeste de Finlandia.
Sensores remotos 10, 1296.https://doi.org/10.3390/rs10081296(2018).
16. Katuruza, M. & Birch, C. El uso de la tecnología de sistemas de aviones no tripulados para el mapeo de paredes altas en Isibonelo Colliery, Sudáfrica.
JS Af. Inst. mín. Metal.119, 291–295. https://doi.org/10.17159/2411-9717/2019/v119n3a8 (2019).
17. Kirsch, M. et al.Integración de métodos de detección fotogramétricos e hiperespectrales terrestres y de drones para mapeo de
exploración y monitoreo de minería. Sensores remotos 10, 1366. https://doi.org/10.3390/rs10091366 (2018).

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 10

Vol:.(1234567890)
www.nature.com/scientificreports/

18. Madjid, M., Vandeginste, V., Hampson, G., Jordan, C. & Booth, A. Drones en geología carbonatada: Oportunidades y desafíos, y aplicación
en el mapeo de geocuerpos diagenéticos de dolomita. Mar. Gasolina. Geol.91, 723–734. https://doi.org/10.1016/j.marpe
tgeo.2018.02.002 (2018).
19. Dujoncquoy, E. et al.Modelos analógicos de afloramientos en 3D basados en vehículos aéreos no tripulados para la exploración y producción de petróleo y gas. En
IGARSS 2019–2019 Simposio internacional de geociencia y teledetección del IEEE, 6791–6794 (2019).
20. Jakob, S., Zimmermann, R. & Gloaguen, R. La necesidad de correcciones geométricas y radiométricas precisas de los datos hiperespectrales transmitidos por drones
para la exploración de minerales: Mephysto: una caja de herramientas para el preprocesamiento de datos hiperespectrales transmitidos por drones.Sensores
remotos 9, 88.https://doi.org/10.3390/rs9010088(2017).
21. Bernasconi, A. El intrusivo alcalino Marinkas kwela: un sistema de pórfido de molibdeno de edad cámbrica en el sur del suroeste de África/
Namibia. EnDepósitos minerales del sur de África1587-1591 (1986).
22. Smithies, R. & Marsh, J. The Marinkas Quellen Carbonatite Complex, sur de Namibia: magmatismo de carbonatita con una firma de manto
empobrecido no contaminado en un entorno continental.química Geol.148, 201–212.https://doi.org/10.1016/S0009
- 2541(98)00029-1(1998).
23. Rukhlov, A. & Bell, K. Geocronología de carbonatitas de los escudos canadiense y báltico, y la cordillera canadiense: pistas para la
evolución del manto. Mineral. Gasolina.98, 11–54. https://doi.org/10.1007/s00710-009-0054-5 (2010).
24. O'Brien, H., Heilimo, E. & Heino, P. El complejo de carbonatita archean siilinjärvi. EnDepósitos minerales de Finlandia 327–343 (2015).
https://doi.org/10.1016/B978-0-12-410438-9.00013-3.
25. Al-Ani, T. Mineralogía y petrografía de las rocas de carbonatita y glimmerita de Siilinjärvi, Finlandia oriental. EnInforme del Servicio
Geológico de Finlandia, vol. 164 (2013).
26. Servicio Geológico de Finlandia. Mapa de lecho rocoso de Finlandia sin escala (2017).https://hakku.gtk.fi/en. Consultado por última vez el 10 de diciembre de 2019.
27. Tommaselli, A., Santos, L., Berveglieri, A., Oliveira, R. & Honkavaara, E. Un estudio sobre las variaciones de los parámetros de orientación interna de
una cámara de cuadro hiperespectral. En t. Arco. Fotograma. Remoto. Sens. Inf. espacial cienciaXLII-1, 429–436 (2018).
28. Rowan, LC, Kingston, MJ y Crowley, JK Reflectancia espectral de carbonatitas y rocas ígneas alcalinas relacionadas; muestras seleccionadas de cuatro
localidades de América del Norte.economía Geol.81, 857–871. https://doi.org/10.2113/gsecongeo.81.4.857 (1986).
29. Aasen, H., Honkavaara, E., Lucieer, A. y Zarco-Tejada, PJ Detección remota cuantitativa en ultra alta resolución con espectroscopia uav: una revisión de
la tecnología de sensores, procedimientos de medición y flujos de trabajo de corrección de datos. Sensores remotos 10, 1091. https://doi.org/
10.3390/rs10071091 (2018).
30. Haldar, S. Exploración de minerales, 2.ª edición, 69–84 (Elsevier, 2018).
31. Demetriades, A., Smith, D. & Wang, X. Conceptos generales de mapeo geoquímico a escala global, regional y local para exploración
minera y propósitos ambientales.Geochim. Sujetadores.32, 136–179.https://doi.org/10.21715/GB2358-2812.2018322136(2019).
32. Wallace, L., Lucieer, A. y Watson, C. Evaluación de la viabilidad de lidar basado en uav para la detección de cambios en los bosques de alta resolución.
EnEl 12º Congreso de la Sociedad Internacional de Fotogrametría y Teledetección, vol. 39, 499–504 (2012).
33. Chisholm, RA, Cui, J., Lum, SK & Chen, BM UAV LiDAR para estudios de bosques debajo del dosel.J. Vehículo no tripulado. sist.1, 61–68.
https://doi.org/10.1139/juvs-2013-0017(2013).
34. Gavazzi, B., Le Maire, P., Munschy, M. y Dechamp, A. Magnetómetros vectoriales Fluxgate: un dispositivo multisensor para levantamientos magnéticos
terrestres, uav y aéreos.Guiar. Borde35, 795–797.https://doi.org/10.1190/tle35090795.1(2016).
35. Šálek, O., Matolín, M. & Gryc, L. Mapeo de anomalías de radiación usando espectrometría de rayos gamma mini-aerotransportados por UAV.J. Medio
Ambiente. radiactivo.182, 101–107.https://doi.org/10.1016/j.jenvrad.2017.11.033(2018).
36. Carvick, JL, Smith, MW y Quincey, DJEstructura del Movimiento en las Geociencias(Wiley, Nueva York, 2016).
37. James, MR, Robson, S., d'Oleire Oltmanns, S. y Niethammer, U. Optimización de levantamientos topográficos de UAV procesados con estructura a
partir del movimiento: calidad de control de suelo, cantidad y ajuste de paquetes.Geomorfología280, 51–66.https://doi.org/10.1016/j.
geomorfo.2016.11.021(2017).
38. Van Ruitenbeek, FJ et al.Mapeo de la posición de la longitud de onda de las características de absorción más profundas para explorar la diversidad mineral en
imágenes hiperespectrales. Planeta. ciencia espacial101, 108–117. https://doi.org/10.1016/j.pss.2014.06.009 (2014).

Agradecimientos
Nos gustaría agradecer al geólogo de la mina, Aleksi Salo, de la mina Yara Suomi Oy, por la guía de campo y la asistencia
durante la adquisición de datos en Siilinjärvi. También nos gustaría agradecer al Servicio Geológico de Namibia,
especialmente a Kombada Mhopjeni, por la valiosa asistencia durante el trabajo de campo en Namibia. Su ayuda aseguró
una campaña exitosa en Marinkas Quellen. Además, agradecemos al consorcio CIMERA por la financiación y el apoyo
geológico que recibimos durante el curso de este estudio. Por último, agradecemos a nuestros colegas del Instituto
Helmholtz de Freiberg para Tecnología de Recursos, específicamente a Yuleika Madriz y Benjamen Melzer, quienes
ayudaron durante las campañas de campo en Namibia y Finlandia.

Contribuciones de autor
RB y RG fueron responsables de la conceptualización y visualización, mientras que RB, RG, SL y RZ trabajaron en
la metodología. RB, RG, RJ, MK, RZ y SL realizaron los experimentos, mientras que RB, RJ y SL se encargaron del
análisis de los resultados. Todos los autores escribieron el manuscrito original y lo revisaron y editaron. RG y
PAMN supervisaron el proyecto.

Fondos
Financiamiento de acceso abierto habilitado y organizado por Projekt DEAL.

Conflicto de intereses
Los autores declaran no tener conflictos de intereses.

Información adicional
Correspondencia y las solicitudes de materiales deben dirigirse a RB Reimpresiones e

información de permisos está disponible en www.nature.com/reimpresiones.

nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y
afiliaciones institucionales.

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 11

Vol.:(0123456789)
 www.nature.com/scientificreports/

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que
permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o
formato, siempre que dé el crédito apropiado al autor o autores originales y la fuente, proporcione un enlace a la licencia
Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están
incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al
material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido
por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de
autor. Para ver una copia de esta licencia, visitehttp://creativecommons.org/licenses/by/4.0/.

© El Autor(es) 2020

Informes científicos | (2020) 10:17450 | https://doi.org/10.1038/s41598-020-74422-0 12

Vol:.(1234567890)