ARTÍCULOS
Clasificación de yeso mediante imágenes ASTER en la Cordillera Principal Mendocina
1 IANIGLA, CCT-CONICET-Mendoza, Mendoza. Email: jmescua@lab.cricyt.edu.ar
2 Laboratorio de Tectónica Andina, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires.
RESUMEN
Se presenta una metodología para obtener el mapa de distribución de yeso con imágenes satelitales ASTER. Se utilizaron imágenes con nivel de procesamiento ASTERL3A correspondientes a dos áreas de la Cordillera Principal mendocina. La estratigrafía de las áreas de estudio se encuentra compuesta por una espesa sucesión sedimentaria mesozoica, volcanitas cenozoicas y depósitos cuaternarios. Dentro de los depósitos mesozoicos se encuentra la Formación Auquilco, integrada por yeso y anhidrita. El reconocimiento y distribución areal de esta unidad es el objetivo de este trabajo. Se aplicaron dos métodos de procesamiento a las imágenes. Por un lado se utilizó el índice de cuarzo (Qi), uno de los índices de determinación de minerales definidos para el subsistema TIR de ASTER. Este índice puede usarse también para reconocer sulfatos, y en particular yeso, ya que estos minerales proporcionan una respuesta muy baja en el Qi. El segundo método consistió en la aplicación combinada de los cocientes de bandas 4/5 y 7/5. Este método permite identificar al yeso por su elevada respuesta en el cociente 4/5 y baja respuesta en el cociente 7/5. A fin de simplificar la metodología, se generó un nuevo cociente a partir de los dos mencionados: (4/5)/(7/5), de manera de destacar el yeso con alta respuesta. A partir del relevamiento de campo se observó que en ambos métodos los errores por exceso fueron más importantes que los errores por defecto, y que los píxeles determinados como yeso erróneamente por cada método son diferentes. Este hecho permite la aplicación de la técnica de "Decision Tree" del programa ENVI 4.2 con el objetivo de eliminar estos errores. En cada una de las imágenes se determinaron los valores de umbral para los píxeles reconocidos como yeso. Luego se generó un "árbol de decisiones" combinando los umbrales de cada imagen, seleccionando en una nueva clase los píxeles determinados como yeso por ambos métodos y eliminando los determinados por sólo uno. De esta manera se eliminaron los errores por exceso de cada método, obteniéndose una mejor determinación de los afloramientos de yeso.
Palabras clave: Formación Auquilco; Sensoramiento remoto; Satélite; Procesamiento.
ABSTRACT: Gypsum classification based on ASTER images in the Principal Cordillera of Mendoza. A combination of two methodologies is presented for detection and mapping of gypsum using ASTER L3A imagery. One of the methodologies uses the Quartz index defined for the ASTER TIR subsystem, which can be used for gypsum detection given its low response in Qi. The other consists in the combination of two band ratios of the ASTER SWIR subsystem, (4/5)/(7/5), which allows the identification of gypsum highlighting its high response in 4/5 and low response in 7/5. Two areas in the Cordillera Principal in the province of Mendoza were selected as case studies, and a field survey was conducted in order to evaluate the results. Both techniques are proved successful, yet classify erroneously some pixels as gypsum. Errors by excess are different for each method, which allows for these two techniques to be combined using a "decision tree" classifier to solve the misclassifications.
Keywords: Auquilco Formation; Remote sensing; Satellite; Processing.
INTRODUCCIÓN
El objetivo de este estudio es presentar los
resultados de una metodología para la detección
de yeso utilizando imágenes ASTER
en la Cordillera Principal en la provincia
de Mendoza. Esta metodología permite
obtener mapas litológicos, con aplicaciones
en geología regional para el reconocimiento
de unidades en las que predomina
el yeso, en geología estructural dado el
frecuente comportamiento del yeso como
nivel de despegue de estructuras, y en geología
económica por el uso de este mineral
en la construcción y en agricultura.
Una revisión completa de las características
del sensor multiespectral ASTER puede encontrarse
en Yamaguchi et al. (1998) y ERSDAC
(2005). El sensor se encuentra compuesto
por tres subsistemas ópticos independientes:
los radiómetros visible e infrarrojo
cercano (VNIR), infrarrojo de onda
corta (SWIR) e infrarrojo termal (TIR). Las
bandas y la resolución espacial de cada subsistema
fueron diseñados con vistas a la
aplicación de ASTER para estudios geocientíficos
(Yamaguchi et al. 1998). La resolución
espacial es de 15 m para el VNIR, 30
m para el SWIR y 90 m para el TIR.
La metodología aquí propuesta aplica dos técnicas independientes que utilizan
datos ASTER. La primera se basa en losíndices de detección litológica del subsistema
TIR de ASTER (Ninomiya 2003,
2004, Ninomiya y Cudahy 2005). La segunda
consiste en la combinación de dos
cocientes de bandas del subsistema
SWIR, técnica descripta en Marquetti
(2005) y Mescua (2007). Ambas técnicas
son combinadas utilizando la herramienta
decision tree del software ENVI 4.2
(Research Systems Inc. 2005).
Las imágenes ASTER utilizadas en este estudio
fueron procesadas en la Unidad
Sensores Remotos y Sistemas de Información
Geográfica del Servicio Geológico y
Minero Argentino para generar datos de
nivel de procesamiento 3A. Posteriormente
se transformaron las bandas del
TIR a datos tipo radiancia en el sensor (radiance-
at-sensor) mediante la ecuación propuesta
por Ninomiya et al. (2005). Este
paso no es necesario, pero se llevó a cabo
para poder comparar los resultados con
los de Ninomiya y colaboradores.
Se seleccionaron dos áreas de estudio en
la Cordillera Principal de Mendoza para
aplicar la metodología (Fig. 1). Estas áreas
corresponden a las nacientes del río
Borbollón (34º15'S, 69º45'O) y del río
del Cobre (35ºS, 70º15'O). La estratigrafía
de ambas zonas corresponde a una espesa
sucesión sedimentaria mesozoica integrada
por las unidades típicas del relleno
de la cuenca Neuquina, rocas ígneas
cenozoicas y depósitos cuaternarios. Una
de las unidades más conspicuas de la sucesión
mesozoica es la Formación Auquilco,
consistente en depósitos evaporíticos
(yeso y anhidrita) que alcanzan espesores
de hasta 400 m (Legarreta y
Uliana 1999). El reconocimiento de esta
unidad es el objetivo de este trabajo. Los
resultados del análisis por sensores remotos
fueron verificados en reconocimientos
de campo de ambas áreas.
Figura 1: Mapa de ubicación
de las áreas de estudio. a) Río
Borbollón, b) Río del Cobre.
METODOLOGÍA
Índice de cuarzo
El índice de cuarzo (Qi) es uno de los índices de detección litológica definidos por Ninomiya (2003) para el subsistema TIR de ASTER, basados en las propiedades espectrales de las diferentes litologías. El Qi se define por la siguiente fórmula:
siendo Di cualquier tipo de dato relacionado
a la banda i de ASTER.
Ninomiya y Cudahy (2005) demostraron
la aplicabilidad de los índices litológicos
del TIR a datos ASTER L3A "radiancia
en el sensor", el tipo de datos utilizados
en este estudio, sin necesidad de aplicar
correcciones atmosféricas. Por otro lado,
Ninomiya (2004) y Ninomiya y Cudahy
(2005) sugieren que además de para la detección
de cuarzo, el Qi puede utilizarse
para detectar sulfatos. Estos minerales
presentarían valores bajos de Qi debido a
la fuerte característica de absorción que
estos minerales presentan en la región espectral
de la banda 11 de ASTER.
Cocientes de bandas del subsistema SWIR
La segunda técnica utilizada consistió en la aplicación de dos cocientes de bandas del subsistema SWIR de ASTER elegidos sobre la base de la respuesta espectral del yeso en esta región del espectro electromagnético. El yeso presenta valores mayores a 1 en el cociente 4/5 (Fig. 2). Sin embargo, este cociente de bandas no permite detectar al yeso por sí solo, ya que esta característica es presentada también por una serie de minerales de alteración (por ej., caolinita, sericita, alunita). Estos minerales de alteración presentan también valores altos en el cociente 7/5, mientras que el yeso presenta valores menores en este cociente debido a su curva espectral plana en esta región del espectro (Fig. 2) (Marquetti 2005, Mescua 2007). Para destacar esta diferencia, se realizó un nuevo cociente (4/5)/(7/5), en el que el yeso presenta valores altos y los minerales de alteración valores bajos.
Figura 2: Curva espectral del yeso en el rango espectral
de las bandas 1 a 9 de ASTER, tomado de
un píxel reconocido como yeso a partir del relevamiento
de campo
RESULTADOS
Se realizaron relevamientos de campo de las zonas de estudio, durante los cuales se reconocieron los afloramientos de la Formación Auquilco. A partir de lo observado en el campo, se definieron valores de umbral para los píxeles correspondientes a yeso. Los valores que mejor se ajustaron para el Qi fueron levemente diferentes para cada área, en río Borbollón se utilizó Qi≤0,90 mientras que en río del Cobre se utilizó Qi≤0,95. Para los cocientes de bandas se utilizó un único valor en ambas zonas de estudio: (4/5)/(7/5)≥1,3. Con estos umbrales se realizó una primera etapa de clasificación de yeso (Figs. 3b y c, 4b y c).
Figura 3: Imágenes para el área de estudio de río
Borbollón. a) ASTER banda 3.
b) Cociente de bandas
(4/5)/(7/5), con clasificación
de yeso en negro. c) Qi, con
clasificación de yeso en blanco.
d) Clasificación obtenida combinando
ambos métodos.
Figura 4: Imágenes para el área de estudio de río del
Cobre. a) ASTER banda 3. b)
Cociente de bandas
(4/5)/(7/5), con clasificación
de yeso en negro. c) Qi, con
clasificación de yeso en blanco.
d) Clasificación obtenida combinando
ambos métodos.
Según Ninomiya et al. (2005), los índices
litológicos podrían utilizarse en zonasáridas de alta montaña con valores de
umbral fijos, independientes de la escena
(siempre y cuando las escenas presenten
buenas condiciones atmosféricas, como
la ausencia de nubes o niebla). Sin embargo,
en este estudio fue necesario utilizar
umbrales diferentes de Qi para la determinación
de yeso en las dos zonas de estudio.
Esto podría deberse a variaciones
en las condiciones atmosféricas de cada
imagen, que no fueron analizadas, o a variaciones
menores en la composición del
yeso (sea por presencia de impurezas en
el mineral o por intercalaciones clásticas o
de evaporitas de diferente composición).
De todos modos, los valores de umbral
utilizados son coherentes (es decir, significativamente
menores) con respecto a los
utilizados por Ninomiya y Cudahy (2005)
para la detección de cuarzo.
Los resultados fueron buenos para ambas
técnicas, sin embargo se obtuvieron
errores por exceso al aplicar los umbrales
que incluían todos los afloramientos de
yeso observados en el campo. El Qi determinó erróneamente como yeso algunasáreas de sombra y píxeles aislados; el
cociente de bandas (4/5)/(7/5) determinó como yeso algunas áreas cubiertas por
vegetación. Por otro lado, debido a la diferente
resolución espacial de los subsistemas
de ASTER utilizados, el cociente
de bandas del SWIR (30 m de resolución)
permitió un mapa de distribución más
detallado que el Qi del TIR (90 m).
La existencia de errores por exceso diferentes
en ambas técnicas permitió su eliminación
mediante la aplicación de la herramienta"Decision tree", incluida en el
software ENVI 4.2. Esta herramienta
permite realizar clasificaciones mediante
una serie de decisiones binarias (Research
Systems Inc. 2005). Cada decisión divide
los píxeles de una o más imágenes en dos
clases basadas en una expresión. Las expresiones
que pueden utilizarse incluyen
funciones matemáticas, operadores lógicos,
etc. En este caso, se creó una expresión
para cada área de estudio, a partir de
la cual se generó una clase con los píxeles
determinados como yeso por ambas técnicas y excluyendo aquellos determinados
por sólo una o ninguna:
Río Borbollón:
Qi≤0,90 AND (4/5)/(7/5)≥1,3
Río del Cobre:
Qi≤0,95 AND (4/5)/(7/5)≥1,3
La clase obtenida se realizó a la resolución
espacial de la imagen de mayor resolución
(30 m). El resultado puede observarse
en las figuras 3d y 4d. Se eliminaron
los errores en la clasificación litológica,
obteniéndose un mapa de los afloramientos
de yeso.
CONCLUSIONES
La metodología presentada permitió generar un mapa con los afloramientos de la Formación Auquilco en dos zonas estudio de la Cordillera Principal mendocina a partir del reconocimiento litológico de yeso utilizando imágenes satelitales ASTER. Las técnicas utilizadas son simples, y pueden aplicarse a datos ASTER de cualquier nivel de procesamiento, sin necesidad de correcciones atmosféricas. Esta metodología constituye una herramienta útil para generar el mapa geológico regional y estructural en zonas áridas de alta montaña, frecuentemente de difícil acceso.
AGRADECIMIENTOS
La presente contribución fue realizada como parte de las tareas de una beca del Sistema de Formación de Jóvenes Técnicos y Profesionales del Servicio Geológico y Minero Argentino (SEGEMAR). El autor desea expresar su agradecimiento a dicha institución, y en particular a la Lic. Graciela Marín, directora de la beca.
TRABAJOS CITADOS EN EL TEXTO
1. ERSDAC 2005. ASTER User's Guide. Disponible en http://www.science.aster. ersdac.or.jp/t/en/documnts/users _guide/ Último acceso 2/6/2008
2. Legarreta, L. y Uliana, M.A. 1999. El Jurásico y Cretácico de la Cordillera Principal y la Cuenca Neuquina. En Caminos, R. (ed.) Geología Argentina, Servicio Geológico Minero Argentino, Anales 29: 399-416, Buenos Aires.
3. Marquetti, C. 2005. Metodología y análisis de imágenes ASTER para la exploración mineral en un sector de la Cordillera de Colangüil, San Juan, Argentina. En Marín, G. (ed.) Contribuciones Técnicas Proyecto GEOSAT-AR. Instituto de Geología y Recursos Minerales, Servicio Geológico Minero Argentino, Anales 41: 31-40, Buenos Aires.
4. Mescua, J.F. 2007. Reconocimiento del yeso de la Formación Auquilco mediante imágenes ASTER en la Cordillera Principal mendocina: una herramienta efectiva para el mapeo geológico y estructural. 13º Simpósio Brasileiro de Sensoriamento Remoto, Actas on-line: 2063-2068 (http://marte. dpi.inpe.br/col/dpi.inpe.br/sbsr@ 80/2006/11.11.18.48/doc/2063- 2068.pdf).
5. Ninomiya, Y. 2003. Rock type mapping with indices defined for multispectral thermal infrared ASTER data: case studies. Proceedings of SPIE 4886 Remote Sensing for Environmental Monitoring, GIS, Applications and Geology 2: 123-132.
6. Ninomiya, Y. 2004. Lithologic mapping with multispectral ASTER TIR and SWIR data. Proceedings of SPIE 5234, Sensors, systems and next-generation satellites 7: 180-190.
7. Ninomiya, Y., Fu, D., y Cudahy, T.J. 2005. Detecting lithology with ASTER multispectral infrared "radiance-at-sensor" data. Remote Sensing of Environment 99 (1-2): 127-139.
8. Research Systems Inc. 2005. ENVI 4.2 User's Guide.
9. Yamaguchi, Y., Kahle, A.B., Tsu, H. Kawakami, T. y Pniel, M. 1998. Overview of Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER). IEEE Transactions on Geoscience and Remote Sensing 36(4).
Recibido: 16 de Noviembre, 2009
Aceptado: 25 de Marzo, 2010