Post on 14-Oct-2014
description
EMPLAZAMIENTO ÓPTIMO DE UNA PILA DE LIXIVIACIÓN CON SENSORES
REMOTOS
1. INTRODUCCIÓN
En la industria de la minería actual, cada vez es más común el tipo de explotación a cielo
abierto, lo que conlleva a la construcción de estructuras de importancia como pilas de
lixiviación, presas de relave, escombreras, etc. Estas estructuras por motivos económicos
deben estar ubicadas cerca al tajo abierto, es decir cerca de la zona de mineralización.
En el caso particular de las pilas lixiviación, estas en muchas ocasiones llegan a tener
alturas por encima de los 150 m, y ya que se emplazan en los alrededores de la zona
mineralizada, es probable que tengan problemas de cimentación debido a la presencia de
alteración en la roca sobre la que se fundará esta estructura. Además, existirá una demanda de
materiales de construcción, en especial de arcillas para fines de impermeabilización.
2. DEFINICIÓN DE UNA PILA DE LIXIVIACIÓN
Una pila de lixiviación es una estructura “impermeable” donde se depositan materiales
provenientes de la extracción minera (tajos abiertos o canteras a cielo abierto) para ser
sometidos al proceso de lixiviación1. En forma simplificada es una gran piscina o recipiente
donde se coloca el material a ser lixiviado (extraer el mineral) mediante el riego de un solvente
acuoso. La solución acuosa post‐lixiviación que por gravedad se infiltra a través del material
lixiviado al fondo del pad de lixiviación es la que contiene el mineral y es extraída a través un
sistema de colección de solución que la conduce desde la pila de lixiviación a la planta de
procesos.
La Figura 1 muestra los componentes más relevantes de un pad de lixiviación desde el
punto de vista geotécnico. Se observa la pila de lixiviación, la solución post‐lixiviación, la berma
perimetral, el sistema de revestimiento y el sistema de colección de solución2.
1 Kappes, D.W., 2003. Precious Metal Heap Leach Design and Practice. Nevada, USA. 2 Thiel, R.S. y Smith, M.E., 2003. State of the Practice Review of Heap Leach Pad Design Issues. California, USA.
Figura 1 ‐ Esquema de una pila de lixiviación
Como se puede observar en las Figuras 2 al 14 donde se muestran algunas operaciones
mineras a cielo abierto, la cercanía de la pila de lixiviación a los tajos abiertos es notoria; esto
se debe a un tema de optimización de transporte. Esta cercanía en muchos de los casos es
perjudicial desde el punto de vista geotécnico.
Figura 2 – Mina Pierina, Oro. La Libertad, Perú
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 3 – Mina Yanacocha, Oro. Cajamarca, Perú
Figura 4 – Mina Cuajone, Cobre. Moquegua, Perú
TAJO ABIERTO
TAJO ABIERTO
PILA LIXIVIACIÓN
PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 5 – Mina Lagunas Norte, Oro. La Libertad, Perú
Figura 6 – Mina Cerro Verde, Cobre. Arequipa, Perú
TAJO ABIERTO
PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 7 – Mina Veladero, Oro. San Juan, Argentina
Figura 8 – Mina Tintaya, Cobre. Cusco, Perú
TAJO ABIERTO
PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 9 – Mina Santa Rosa, Oro. Puno, Perú
Figura 10 – Mina Chapi, Oro. Arequipa, Perú
TAJO ABIERTO PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 11 – Mina Tucari, Oro. Puno, Perú
Figura 12 – Mina Arasi, Oro. Puno, Perú
TAJO ABIERTO
PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 13 – Mina Colquijirca, Oro. Pasco, Perú
Figura 14 – Mina Bellavista, Oro. Puntarenas, Costa Rica
TAJO ABIERTO
PILA LIXIVIACIÓN
TAJO ABIERTO
PILA LIXIVIACIÓN
3. USO DE LOS SENSORES REMOTOS EN EL DISEÑO DE UNA PILA DE LIXIVIACIÓN
El uso de sensores remotos, específicamente el de las imágenes satelitales en el diseño
de una pila de lixiviación, brindan información geológica y geotécnica del área donde se
proyecta la pila de lixiviación. A continuación se realiza una breve descripción del tipo de
información obtenida.
3.1 Información Geológica por Imágenes Satelitales
La información geológica de relevancia en el diseño de una pila de lixiviación, consiste en
conocer que características tiene el material sobre el que se cimentará la estructura y si es que
existe en la zona riesgos geodinámicos.
a) Alteraciones Hidrotermales
Imágenes ASTER
Existen diferentes aplicaciones del sensor ASTER en el campo de la geología mediante un
análisis de componentes principales es posible detectar contactos entre litologías en zonas con
una geología complicada. El cálculo de diferentes índices de alteración mineral permite
detectar zonas minerales alteradas junto con un análisis de componentes principales; un
estudio más profundo mediante una clasificación SAM (Spectral Angle Mapper) permite la
identificación de algunos de los minerales de estas zonas3.
Debido a que las respuestas espectrales de las rocas en muchos casos son similares, no
siempre es posible discriminar litologías con interpretación fotogeológica a partir de
composiciones color de bandas4. Por lo cual se utilizan cocientes de bandas del SWIR para la
discriminar zonas de alteración hidrotermal, ya que estas presentan picos de absorción y de
reflectancia característicos en esta región del espectro electromagnético5. La combinación de
cocientes 4/5, 4/6, 4/7 (RGB) permite identificar zonas de alteración hidrotermal como se
muestra en la Figura 15.
3 Mendiguren, G. et al., 2009. Detección de Zonas de Alteración Hidrotermal y Contactos Litológicos Mediante Imágenes Aster en El Plutón de Santa Gracia (La Serena, Chile). Calatayud, España. 4 Perez, D.J. et al., 2007. Mapeo de Alteración Hidrotermal con datos ASTER, en la región de La Coipa, Cordillera Frontal (31º45´S), Provincia de San Juan, Argentina. Florianópolis, Brasil. 5 Yamaguchi, Y., 1987. Possible Techniques for Lithologic Discrimination Using the Short Wavelength Infrared Bands of the Japanese ERS‐1. Japan.
Figura 15 – Alteraciones Hidrotermales con Sensor ASTER, Cocientes 4/5, 4/6,4/7 RGB (Perez et al., 2007)
Ninomiya en el 2003 propuso 4 índices correspondientes a los minerales típicos presentes
en zonas de alteración hidrotermal, donde se emplean los valores de radiancia y reflectancia
en el sensor6 tal como se muestra en las Figuras 16 y 17. Las fórmulas empleadas se muestran
a continuación:
• OHI = (banda 7 / banda 6) + (banda 4 / banda 6).
• KLI = (banda 4 / banda 5) + (banda 8 / banda 6).
• ALI = (banda 7 / banda 5) + (banda 7 / banda 8).
• CLI = (banda 6 / banda 8) + (banda 9 / banda 8).
6 Ninomiya, Y., 2003. Rock Type Mapping with Indices Defined for Multispectral Thermal Infrared ASTER Data: Case Studies.
Figura 16 – Zonas de Alteración Hidrotermal Empleando Valores de Radiancia (Mendiguren et al., 2009)
Figura 17 – Zonas de Alteración Hidrotermal Empleando Valores de Reflectancia (Mendiguren et al., 2009)
Donde OHI es el índice para las alteraciones minerales O‐H, KLI es el índice para la
caolinita, ALI para la alunita y CLI es el índice para la calcita.
Los minerales como montmorillonita y sericita presentan picos de absorción en la banda 6
de ASTER, mientras que la pirofilita presenta un pico de absorción característico en la banda 5.
Por su parte la caolinita y alunita presentan picos de absorción característicos en las bandas 5 y
6. Sobre esta base la estimación cualitativa de la presencia de dichos minerales utilizando los
índices se definen como sigue:
• OHI (a): (banda 4 * banda 7) / (banda 6 * banda 6).
• OHI (b): (banda 4 * banda 7) / (banda 5 * banda 5).
• ALI: (banda 7 * banda 7) / (banda 5 * banda 8).
El índice OHI(a) identifica los minerales que presentan picos de absorción en la banda 6,
mientras que el índice OHI(b) permite la identificación de los minerales que presentan picos de
absorción en la banda 5; el índice ALI permite distinguir la alunita por su pico de absorción en
la banda 87. Aplicando estos índices se puede distinguir minerales o grupos minerales de
alteración en base a sus características espectrales como se muestra en las Figuras 18 y 19.
Figura 18 – Índice OHI (a) (Perez et al., 2007)
7 Ninomiya, Y., 2004. Lithologic Mapping with Multispectral ASTER TIR and SWIR Data.
Figura 19 – Índice OHI (b) (Perez et al., 2007)
La clasificación por el método Spectral Angle Mapper (SAM), consiste en la determinación
de similitud entre dos espectros, uno el del píxel de la imagen y otro el patrón espectral de
referencia del mineral de interés8. El algoritmo determina la similitud espectral calculando el
ángulo de mejor aproximación y considerando a ambos vectores. Esta técnica cuando es
utilizada con datos calibrados a reflectancia, es relativamente insensible a efectos de
iluminación y albedo tal como se muestra en la Figura 20.
Figura 20 – Clasificación SAM (Perez et al., 2007)
8 Kruse, F.A. et al., 1993. The Spectral Image Processing System (SIPS) ‐ Interactive Visualization and Analysis of Imaging spectrometer Data.
Imágenes LANDSAT
Estas imágenes ayudan a identificar grupos de minerales para fines de exploración en las
bandas infrarrojo cercano e infrarrojo medio, pertenecientes a los grupos hidroxilos y sulfatos.
El oxido de hierro es frecuentemente observado en los afloramientos rocosos alterados
hidrotermalmente como resultado de la meteorización; esta identificación es clave para definir
áreas que contienen rocas alteradas hidrotermalmente meteorizadas.
Estos minerales tienes características espectrales en las partes visible e infrarroja (0.5‐2.5
μm) como se puede ver en la Figuras 21, 22 y 23; el principal del reconocimiento de los
minerales es la interferencia de la vegetación que también tiene una fuerte reflectancia en el
infrarrojo. Cuando existe presencia de óxidos de hierro, el color de la roca es rojo, marrón,
anaranjado o amarillo; la presencia de minerales de arcilla usualmente produce amarillo
pálido, violeta, verde o pardo claro.
Figura 21 – Espectros de los Materiales Estudiada en una Imagen (Hunt, 1977, 1979, y Hunt y Ashley, 1979)
La curva de reflectancia de la jarosita muestra características de absorción bien definidas
en 0.43 y 0.92 μm, la hematita tiene una reflectancia mínima en 0.85 μm, y la goethita en
alrededor de 0.94 μm9; las anomalías de absorción en longitudes de onda menores a 0.9 μm
son buenos indicadores para la hematita. Cuando las anomalías están en longitudes de onda
por encima de 0.9 μm, la jarosita o la goethita son más abundantes.
9 Hunt, G.R. y Ashley, R.P., 1979. Spectra of Altered Rocks in the Visible and Near Infrared.
La región infrarroja media del espectro, entre 1.1 y 2.5 μm, puede proveer mas
información acerca de la composición mineralógica que las características espectrales
observadas en las regiones infrarroja visible y cercana; el infrarrojo medio contiene anomalías
de alta reflectancia para la mayoría de rocas (basalto, gabro, etc.) y minerales (arcillas, micas,
sulfatos, carbonatos) en cerca de 1.65 μm y alta absorción en aproximadamente 2.2 μm10.
Para este caso en particular no se considerará alguna interferencia de la vegetación, debido a
que los casos de aplicación se han tomado en zonas donde no existe vegetación.
Figura 22 – Espectros de los Materiales Estudiada en una Imagen (Hunt, 1977, 1979, y Hunt y Ashley, 1979)
Figura 23 – Espectros de los Materiales Estudiada en una Imagen (Hunt, 1977, 1979, y Hunt y Ashley, 1979)
10 Goetz, A.F. et al., 1983. Remote Sensing for Exploration.
Las zonas de alteración hidrotermal pueden ser determinadas a partir de compuestos de
falso color que incluyen las bandas donde la respuesta espectral de los minerales indica un
máximo valor en su reflectancia; esto se consigue con una combinación de bandas en el visible
y en el infrarrojo11 12. Las áreas alteradas hidrotermalmente están mejor definidas en las
combinaciones que incluyen las bandas 7, 4 y 2, donde se muestra la alteración en rojo; el
color compuesto genera una buena discriminación para minerales hidrotermales, cuando su
espectro no se sobrepone con los espectros de los materiales presentes en la imagen.
Por otro lado, el proceso tradicional incluye el cálculo de los cocientes de las bandas,
como un mejoramiento de las respuestas de los minerales y la reducción de la respuesta de la
vegetación; los cocientes fueron obtenidos para las bandas 4/3, 5/4 y 5/7 para la identificación
de la vegetación y de las alteraciones hidrotermales. Para poder mostrar simultáneamente los
resultados de los tres cocientes de las bandas, se genera una imagen de color compuesto
como se muestra por la Figura 24.
Figura 24 – Espectros de los Materiales Estudiada en una Imagen (De La Vega et al., 2001)
De acuerdo con las características espectrales de los minerales y con la combinación de
color propuesta, la roca hidrotermalmente alterada debería aparecer en azul, rojo y magenta
como se muestra en la Figura 24; esto a veces puede tener interferencia dependiendo de la
presencia de vegetación. Un análisis de componente principal (PCA) en imágenes es una
11 Costra, A.P. y Moore, J.M., 1989. Enhancement in Landsat Thematic Mapper Imagery for Residual Soil Mapping in SW Minas Gerais State, Brazil. 12 Drury, S.A., 1990. A Guide to Remote Sensing: Interpreting Images of Earth.
herramienta muy efectiva para minimizar el efecto de la vegetación13 14. Como forma de
diferenciar las áreas que contienen minerales hidrotermales de las que contienen solo
vegetación, técnicas estadísticas basadas en el análisis de componente principal se aplican a
las imágenes, tomando en cuenta las características espectrales de los minerales15.
Finalmente, de acuerdo con Yetkin et al. (2003)16 con las siguientes combinaciones de
color y de bandas podemos determinar la presencia de alteraciones hidrotermales:
• RGB: 4 7 6, alteración hidrotermal en verde.
• RGB: 7 5 4, alteración hidrotermal y rocas intrusivas en rojo.
• RGB: 3/1 5/7 4/5, las zonas altamente alteradas se muestran en colores azules
oscuros y azules violáceos.
b) Arcillas
Imágenes ASTER
El uso de las imágenes ASTER en la prospección de una amplia gana de minerales se ha
incrementado en los últimos años, debido a su bajo costo, amplia cobertura y una alta
sensibilidad a la alteración mineral de las bandas; Kalinowski y Oliver, 2004 han realizado una
compilación de datos ASTER en bandas visibles, infrarrojos de onda corta y térmicas. El
adecuado procesamiento y combinación de estas bandas pueden resaltar minerales como
óxidos de hierro, rocas silíceas, carbonatos, sericita, illita, alunita y caolinita17.
En el caso de los minerales de arcilla, Bierwirth, 1990 propuso combinaciones de
bandas de imágenes ASTER para detectarlos18, como el (5x7)/(6x6) y el RGB (5x7)/6 6/8 4/5
donde la arcilla se muestra en color rojo.
13 Loughlin, W.P., 1991. Principal Component Analysis for Alteration Mapping. 14 Ruiz Armenta, J.R. y Prol Ledesma, R.M., 1995. Tecnicas de Procesamiento de Imágenes en la Exploración e Yacimientos Minerales de Origen Hidrotermal. 15 Chavez, P.S.Jr. y Yaw Kwarteng, A., 1989. Extracting Spectral Constrast in Landsat Thematic Mapper Image Data Using Selective Principal Component Analysis. 16 Yetkin, E., Toprak, V. y Suzen, M.L., 2003. Alteration Mapping by Remote Sensing: Application to Hasandag‐Melendiz Volcanic Complex, Central Turkey. 17 Kalinowski, A. y Oliver, S., 2004. Aster Mineral Index Processing Manual. 18 Bierwirth, P.N., 1990, Mineral Mapping and Vegetation Removal Via Data‐Calibrated Pixel Unmixing, using Multiespectral Images.
Imágenes LANDSAT
De la misma manera que en el caso de las alteraciones hidrotermales, Yetkin et al.
(2003), propusieron combinaciones de color y bandas en imágenes LANDSAT para poder
determinar la presencia de minerales de arcilla tal como sigue:
• RGB: 7 4 2, los minerales de arcilla son más brillantes en tonalidades rojas.
• RGB: 4 7 5, los minerales de arcilla son más brillantes en tonalidades verdes y
azules.
• RGB: 5/7 3/2 4/5, las zonas ricas en arcilla se muestran en color rojo.
• RGB: 5/7 5/4 3/1, los minerales de arcilla se muestran en color rojo.
3.2 Información Geotécnica por Imágenes Satelitales
La información geotécnica de relevancia mediante uso de sensores remotos en la
ubicación de cualquier estructura de importancia, principalmente se refiere a la detección de
zonas de inestabilidad de taludes en las áreas contiguas a las estructuras proyectadas; por tal
motivo a continuación se mencionará brevemente los distintos métodos empleados en este
campo.
En zonas con presencia de vegetación, de puede tener una estimación del contenido de
humedad del suelo a través de la interpretación de estado de esta, ya que existe una alta
correlación entre el contenido de humedad de un suelo y el nivel freático en un deslizamiento,
lo cual propone de manera indirecta la estimación de regiones con susceptibilidad de
deslizamientos19.
El uso de los índices NDVI (índice de vegetación de diferencia normalizada) y NDMIDIR
(infrarrojo medio de diferencia normalizada), muestra que para vegetación sana se muestra
valores altos de NDVI, pero es difícil discriminar en los valores de este índice una vegetación
sana con una vegetación disturbada (Figura 25); sin embargo los valores NDMIDIR discriminan
claramente la condición de la vegetación. La vegetación disturbada o estresada muestra
valores entre 0 y 0.235 (valor medio) del índice NDVI, mientras que la vegetación sana muestra
valores encima de este valor medio; con respecto al índice NDMIDIR, la vegetación disturbada
se muestra en colores oscuros20, como se muestra en la Figura 26.
19 Samarakoon, L., Ogawa, S., Ebisu, N., Lapitan, R. y Kohki, Z., 1993. Interference of Landslide Suceptible Areas by Landsat Thematic Mapper. 20 Vohora, V.K. y Donoghue, S.L., 2004. Application of Remote Sensing Data to Landslide Mapping in Hong Kong.
En los casos que no se presenta vegetación, los deslizamientos se pueden observar
mediante una combinación de bandas a color real.
Figura 25 – Imagen NDVI Mostrando Vegetación Sana en Tonos Brillantes Claros (Vohora et al., 2004)
Figura 26 – Imagen NDMIDIR Mostrando Escarpas en Tonos Oscuros (Vohora et al., 2004)
4. CASO DE APLICACIÓN
Como caso de aplicación se mostrará las imágenes satelitales LANDSAT de un proyecto
argentífero que se encuentra en Puno , Perú; este proyecto tiene proyectado la extracción a
cielo abierto con pila de lixiviación. La Figura 27 muestra la ubicación del proyecto con las
ubicaciones proyectadas de las principales estructuras como son el tajo abierto y la pila de
lixiviación; de la figura se puede notar que la pila de lixiviación está muy cercana a la zona de
extracción.
Figura 27 – Imagen LANDSAT a Color Real RGB 3 2 1
Una vez obtenidos los datos de las imágenes satelitales a través del INPE, se procede a
realizar la combinación de las bandas siguiendo la metodología propuesta por Yetkin et al.
(2003). La Figura 28 muestra la combinación de bandas de imágenes LANDSAT RGB 4 7 6,
donde la alteración hidrotermal puede ser apreciada en color verde; en esta misma figura se
puede ver que las zonas alteradas están señaladas (flecha roja) y que además la zona del tajo
es una de estas.
Para poder determinar la presencia de material arcilloso que pudiese ocasionar
problemas de cimentación, pero a la vez ser útil como suelo de baja permeabilidad, se realizan
las combinaciones de bandas de imágenes LANDSAT RGB 7 4 2 y RGB 4 7 5, donde los
minerales arcillosos están representados en tonalidades rojas brillantes y verdes brillantes,
respectivamente. La Figura 29 muestra la combinación RGB 7 4 2, donde podemos observar
que los depósitos arcillosos (flechas rojas) no están en el área donde se proyecta la pila de
lixiviación, pero si tienen cierta cercanía al proyecto que no hace antieconómica su extracción
y uso; la Figura 30 que muestra la combinación RGB 4 7 5 confirma lo expuesto en la figura
anterior.
TAJO ABIERTO
PILA LIXIVIACIÓN
Figura 28 – Imagen LANDSAT RGB 4 7 6
Figura 29 – Imagen LANDSAT RGB 7 4 2
Figura 30 – Imagen LANDSAT RGB 4 7 5
Con información obtenida del procesamiento de imágenes, se puede observar que la pila
de lixiviación no estará emplazada sobre algún depósito de arcilla y alguna zona alterada; las
canteras de arcilla se encuentran próximas al proyecto.
5. USO DE EQUIVALENCIAS ENTRE TIPOS DE IMAGENES
En el desarrollo del presente trabajo, en especial, en la búsqueda de casos de aplicación;
debido a la facilidad de encontrar imágenes satelitales CBRES y en menor cantidad imágenes
satelitales LANDSAT, se tuvo que realizar una comparación entre las bandas de cada uno de
estos sistemas. Por otro lado, la bibliografía con respecto al uso de imágenes satelitales CBERS
es escasa aún, por lo que la recopilación bibliográfica estuvo basada básicamente en artículos
técnicos acerca de la aplicación del uso de imágenes satelitales principalmente ASTER y en
menor cantidad LANDSAT; por tal motivo se trato de realizar una equivalencia entre estos tres
tipos de sistemas como se muestra en la Tabla 1.
Tabla 1 – Equivalencias entre Bandas LANDSAT5, CBERS2 y ASTER
BANDA
LONGITUD DE ONDA (μm) IMAGEN LANDSAT5
OBSERVACIONES BANDA
LONGITUD DE ONDA (μm) IMAGEN CBERS2
OBSERVACIONES BANDA
LONGITUD DE ONDA (μm) IMAGEN ASTER
OBSERVACIONES
1 0.45‐0.52 azul CCD1 0.45‐0.52 azul
2 0.52‐0.61 verde CCD2 0.52‐0.59 verde VNIR1 0.52‐0.60
3 0.63‐0.69 rojo CCD3 0.63‐0.69 rojo VNIR2 0.63‐0.69
4 0.75‐0.90 infrarrojo próximo
CCD4 0.77‐0.89 infrarrojo próximo
VNIR3 0.76‐0.86
CCD5 0.51‐0.73 pancromática
IRM1 0.50‐1.10 pancromática
5 1.55‐1.75 infrarrojo lejano IRM2 1.55‐1.75 infrarrojo medio SWIR4 1.60‐1.70
7 2.09‐2.35 térmico próximo IRM3 2.08‐2.35 infrarrojo medio
SWIR5 2.145‐2.185
SWIR6 2.185‐2.225
SWIR7 2.235‐2.285
SWIR8 2.295‐2.365
SWIR9 2.360‐2.430
TIR10 8.125‐8.475
TIR11 8.475‐8.825
TIR12 8.925‐9.275
TIR13 10.250‐10.950
TIR14 10.950‐11.650
6 10.40‐12.50 térmico lejano IRM4 10.40‐12.50 infrarrojo termal
6. COMENTARIOS
A partir de la realización del presente trabajo, se pueden rescatar los siguientes
comentarios:
• Existe abundante bibliografía sobre el tema de exploración minera mediante el uso de
sensores remotos, específicamente el uso de imágenes satelitales ASTER, y en menor
volumen para el caso de imágenes satelitales LANDSAT, por tal motivo al tener a
disposición imágenes satelitales CBERS2, se realizó una tabla de equivalencias.
• En zonas donde no existe vegetación la determinación de escarpas de deslizamientos
se hace directamente, por la geomorfología y topografía de la zona.
• Las imágenes utilizadas no son de alta resolución, aunque para los fines del presente
trabajo son útiles.
• Las imágenes satelitales ASTER en el sistema VNIR (bandas 1, 2, 3N y 3B) tienen una
resolución de 15 metros por píxel, en el sistema SWIR (bandas 4, 5, 6, 7, 8 y 9)
resolución de 30 metros y en el sistema TIR (bandas 10, 11, 12, 13 y 14) resolución de
90 metros.
• Las imágenes satelitales LANDSAT tienen una resolución de 30 metros (bandas 1, 2, 3,
4, 5 y 7) y de 120 metros (banda 6) por píxel.
• Las imágenes satelitales CBERS en el sistema CCD (bandas 1, 2, 3, 4 y 5) tienen una
resolución de 20 metros por píxel, en el sistema IR‐MSS (bandas 6, 7 y 8) una
resolución de 80 metros, y en el sistema WFI una resolución de 160 metros (banda 9) y
260 metros (bandas 10 y 11).
• En algunas ocasiones para proyectos detallados es necesario la utilización de imágenes
satelitales de alta resolución tales como IKONOS y Quickbird con resoluciones de 0.8 y
2.4 metros, respectivamente.
• El uso de las imágenes satelitales en proyectos mineros, no solo debe aplicarse en la
determinación de zonas mineralizadas, sino en la búsqueda de canteras, problemas de
cimentación y deslizamiento de taludes.
7. REFERENCIAS BIBLIOGRÁFICAS
1. Bierwirth, P.N., 1990. Mineral Mapping and Vegetation Removal Via Data‐Calibrated
Pixel Unmixing, using Multiespectral Images. International Journal of Remote Sensing,
Volume 11, Issue, pp. 1999‐2017.
2. Chavez, P.S.Jr. y Yaw Kwarteng, A., 1989. Extracting Spectral Constrast in Landsat
Thematic Mapper Image Data Using Selective Principal Component Analysis.
Photogrammetric Engineering and Remote Sensing, Volume 55, N° 3, pp. 339‐348.
3. Costra, A.P. y Moore, J.M., 1989. Enhancement in Landsat Thematic Mapper Imagery
for Residual Soil Mapping in SW Minas Gerais State, Brazil. Thematic Conference on
Remote Sensing for Exploration Geology ‐ Methods, Integration, Solutions, 7th, pp.
1173‐1187.
4. Drury, S.A., 1990. A Guide to Remote Sensing: Interpreting Images of Earth. Oxford
University Press, 2nd edition. USA.
5. Goetz, A.F.H., Rock, B.N. y Rowan, L.C., 1983. Remote Sensing for Exploration.
Economic Geology Journal, Volume 78, N°4, pp. 573‐590.
6. Hunt, G.R. y Ashley, R.P., 1979. Spectra of Altered Rocks in the Visible and Near
Infrared. Economic Geology Journal, Volume 74, N° 7, pp. 1613‐1629.
7. Kalinowski, A. y Oliver, S., 2004. Aster Mineral Index Processing Manual. Remote
Sensing Applications, Geoscience Australia.
8. Kappes, D.W., 2003. Precious Metal Heap Leach Design and Practice. Nevada, USA.
9. Kruse, F.A. et al., 1993. The Spectral Image Processing System (SIPS) ‐ Interactive
Visualization and Analysis of Imaging spectrometer Data. Remote Sensing of
Environment, Volume 44, Issues 2‐3, pp. 145‐163.
10. Loughlin, W.P., 1991. Principal Component Analysis for Alteration Mapping. Thematic
Conference on Geologic Remote Sensing N° 8, Volume 57, N° 9, pp. 1163‐1169.
11. Mendiguren, G. et al., 2009. Detección de Zonas de Alteración Hidrotermal y Contactos
Litológicos Mediante Imágenes Aster en El Plutón de Santa Gracia (La Serena, Chile).
XIII Congreso de la Asociación Española de Teledetección. Calatayud, España.
12. Ninomiya, Y., 2003. Rock Type Mapping with Indices Defined for Multispectral Thermal
Infrared ASTER Data: Case Studies. Proceedings of Remote Sensing for Environmental
Monitoring, GIS Applications, and Geology II, Volume 4886, pp.123‐132.
13. Ninomiya, Y., 2004. Lithologic Mapping with Multispectral ASTER TIR and SWIR Data.
Sensors, Systems, and Next‐Generation Satellites VII.
14. Perez, D.J., Azcurra, D., D’Odorico, P. y Sequeira, N., 2007. Mapeo de Alteración
Hidrotermal con datos ASTER, en la región de La Coipa, Cordillera Frontal (31º45´S),
Provincia de San Juan, Argentina. Anais XIII Simpósio Brasileiro de Sensoriamento
Remoto, INPE, pp. 2095‐2102.
15. Ruiz Armenta, J.R. y Prol Ledesma, R.M., 1995. Técnicas de Procesamiento de
Imágenes en la Exploración de Yacimientos Minerales de Origen Hidrotermal. Física de
la Tierra N°7, pp. 105‐138.
16. Samarakoon, L., Ogawa, S., Ebisu, N., Lapitan, R. y Kohki, Z., 1993. Interference of
Landslide Suceptible Areas by Landsat Thematic Mapper. Sediment Problems:
Strategies/or Monitoring, Prediction and Control (Proceedings of the Yokohama
Symposium), N° 217, pp. 83‐90.
17. Thiel, R.S. y Smith, M.E., 2003. State of the Practice Review of Heap Leach Pad Design
Issues. California, USA.
18. Vohora, V.K. y Donoghue, S.L., 2004. Application of Remote Sensing Data to Landslide
Mapping in Hong Kong. Natural Resources and Mines, Australia.
19. Yamaguchi, Y., 1987. Possible Techniques for Lithologic Discrimination Using the Short
Wavelength Infrared Bands of the Japanese ERS‐1. Remote Sensing of Environment
Volume 23, Issue 1, pp. 117‐129.
20. Yetkin, E., Toprak, V. y Suzen, M.L., 2003. Alteration Mapping by Remote Sensing:
Application to Hasandag‐Melendiz Volcanic Complex, Central Turkey.