Identificación automática de formaciones geológicas en imágenes satelitales
INTRODUCCIÓN
La exploración y prospección geológica representan etapas iniciales cruciales en los proyectos mineros. Estas fases implican la recopilación de datos geológicos en el campo a través de salidas de campo, utilizando datos previamente recopilados en la región. Sin embargo, los datos de campo pueden sufrir alteraciones debido a la erosión y la meteorización de las formaciones geológicas circundantes. Por lo tanto, la identificación y caracterización precisas de estas formaciones geológicas, utilizando imágenes satelitales recientes, son fundamentales para el trabajo de los geólogos. En la actualidad, la automatización y la inteligencia artificial están experimentando un desarrollo significativo en diversas disciplinas y sectores, incluida la geología moderna. Uno de estos avances tecnológicos ha permitido la identificación automatizada de formaciones geológicas en imágenes satelitales con tasas de precisión notablemente altas y en un período de tiempo significativamente reducido en comparación con los métodos tradicionales. Este artículo se centra en la descripción de aspectos importantes relacionados con las imágenes satelitales, las tecnologías emergentes y utilizadas para la identificación automática de formaciones geológicas, y la importancia de llevar a cabo esta identificación.
IMÁGENES SATELITALES
Las imágenes satelitales se clasifican según el objetivo de análisis o estudio que se persigue y dependen de la combinación de sensores y aplicaciones específicas (Ruge Axessnet, 2023). En el ámbito geológico, las imágenes satelitales se han consolidado como herramientas de gran relevancia en la minería, la exploración, la prospección y el mapeo geológico mediante la técnica de teledetección. Estas imágenes han demostrado su utilidad en la diferenciación de litologías, formaciones geológicas, minerales, óxidos y otros componentes, empleando diversos satélites y sensores, como los sensores multiespectrales, hiperespectrales y de gravedad, así como los satélites LANDSAT, Sentinel-1, TERRA, entre otros (Vargas, 2016). A continuación, se presenta una descripción de algunos de estos satélites y sensores que proporcionan imágenes de gran importancia para la identificación de diversos aspectos geológicos.
Figura 1. Imagen Satelital tipo ASTER. (Vargas, 2016)
Satélites LANDSAT: Los satélites LANDSAT, lanzados hace varios años, están equipados con dos sensores, MSS y TM. El satélite LANDSAT-7, por ejemplo, cuenta con el sensor ETM, que añade bandas ya disponibles en el TM con una resolución espacial de 15 metros (CNICE, s. f.). Estos satélites proporcionan imágenes multiespectrales de alta resolución en el espectro visible e infrarrojo cercano, lo que resulta valioso para el mapeo geológico y la detección de cambios en la geología.
Figura 2. Landsat 7. (CNICE, s. f.)
Satélites Sentinel-1 y Sentinel-2: El satélite Sentinel-1 utiliza un radar de apertura sintética en la banda C, lo que le permite obtener imágenes radar tanto de día como de noche. Por otro lado, el satélite Sentinel-2 proporciona imágenes multiespectrales de alta resolución para la observación de suelos, cuerpos de agua, áreas de navegación y zonas costeras (Nacional, s. f.). Estos satélites se emplean en estudios geológicos, agrícolas y en el monitoreo de desastres naturales.
Satélite TERRA: El satélite TERRA recopila datos relacionados con sistemas bio-geoquímicos y de energía de la Tierra mediante cinco sensores: ASTER, CERES, MISR, MODIS y MOPITT (Jofre, s. f.). De estos sensores, ASTER proporciona imágenes multiespectrales y térmicas de alta resolución que resultan cruciales en la identificación de minerales.
Figura 3. Satélite Terra (NASA). (CNICE, s. f.)
Sensores de Imágenes Hiperespectrales y Multiespectrales: Las imágenes multiespectrales se capturan utilizando sensores digitales que miden la reflectancia en numerosas bandas, que no necesariamente son adyacentes. Por otro lado, las imágenes hiperespectrales se generan mediante sensores digitales que miden la reflectancia en bandas contiguas (Moreno, 2017). Estas imágenes son esenciales para la identificación de minerales y la caracterización avanzada de formaciones rocosas.
Sensores LiDAR: Los sensores LiDAR permiten determinar la distancia desde un emisor láser hasta un objeto o superficie utilizando un haz de láser. Estos sensores generan nubes de puntos del terreno, que luego se utilizan para generar modelos de elevación de alta resolución, lo que resulta fundamental en estudios topográficos detallados (colaboradores de Wikipedia, 2023).
Sensores de Gravedad y Magnetismo: Los sensores de gravedad miden las variaciones en la aceleración debidas a las vibraciones y la inclinación provocada por la gravedad, mientras que los sensores de magnetismo detectan los campos magnéticos generados por imanes o corrientes eléctricas (Romero, s. f.). Ambos sensores son esenciales en la investigación geofísica y geológica para la determinación de anomalías gravimétricas y magnéticas, lo que permite identificar fallas, cuencas sedimentarias y yacimientos minerales.
Sensores de Radar de Apertura Sintética (SAR): Un SAR es un sensor que emite pulsos electromagnéticos hacia la Tierra y registra su retorno una vez reflejado por la superficie, generando imágenes de la reflectividad del área. Las imágenes SAR son mapas de reflectividad que permiten distinguir entre diferentes objetos terrestres. Debido a su capacidad para penetrar nubes y condiciones climáticas adversas, estas imágenes son fundamentales en geología para determinar cambios en el terreno, movimientos de la corteza terrestre e identificación de características geológicas ocultas, como estructuras subterráneas o fallas.
TIPOS DE IMÁGENES SATELITALES
Como se mencionó previamente, la clasificación de las imágenes satelitales depende del objetivo y del tipo de información que proporcionan. A continuación, se describen algunos tipos de imágenes generadas por los sensores y satélites mencionados anteriormente.
Imágenes ALI: Estas imágenes provienen del sensor del satélite EO-1 y constan de 10 bandas, siendo la primera pancromática, con una resolución espacial de 10 metros, y las 9 restantes multiespectrales, con una resolución de 30 metros. Estas imágenes resultan fundamentales para la discriminación litológica y el mapeo de estructuras geológicas, destacándose en la identificación precisa de óxidos y arcillas debido a sus características espectrales (Vargas, 2016).
Figura 4. Imágenes ALI. (Vargas, 2016)
Imágenes HYPERION: Las imágenes HYPERION son hiperespectrales y se encuentran en el satélite EO-1, constando de 220 bandas con un rango espectral que abarca desde los 356 nm hasta los 2577 nm, y una resolución espacial de 30 metros. Debido a su alta resolución espacial, estas imágenes permiten realizar mapeos detallados de minerales, cobertura vegetal, nieve, entre otros (Vargas, 2016).
Figura 5. Imágenes captadas por HYPERION a nivel mundial. (Vargas, 2016)
Imágenes de Alta Resolución: Las imágenes de alta resolución son esenciales para la observación detallada de terrenos, lo que facilita la identificación de formaciones geológicas mediante la caracterización de los afloramientos presentes en la zona de estudio.
NUEVAS TECNOLOGÍAS AUTOMÁTICAS EN LA IDENTIFICACIÓN DE LAS FORMACIONES GEOLÓGICAS
Gracias al aprendizaje automático y a los avances en visión por computadora, se ha logrado un progreso significativo en la identificación automática de formaciones geológicas en imágenes satelitales. En la actualidad, los algoritmos de clasificación y detección de objetos han avanzado de manera considerable, permitiendo que las computadoras puedan aprender a identificar patrones geológicos sutiles y complejos. Este logro se ha materializado mediante técnicas como el uso de redes neuronales convolucionales, superando la limitación de la disponibilidad de etiquetas de datos suficientes para entrenar modelos de manera efectiva. A continuación, se describen algunas de las tecnologías clave en la identificación automática de formaciones geológicas.
Generación de Datos Sintéticos: Los datos sintéticos son datos generados artificialmente con el propósito de simular datos del mundo real. Su creación implica la aplicación de métodos estadísticos y algoritmos de aprendizaje automático para generar datos que repliquen la distribución, los patrones y las correlaciones presentes en los datos reales. Estos datos sintéticos son de gran utilidad debido a la falta de información o datos reales, en ocasiones debido a problemas de privacidad o costos, como en el caso de perforaciones diamantinas. Los datos sintéticos permiten la generación eficiente de una gran cantidad de datos necesarios para entrenar modelos (Osorio, 2023).
Redes Neuronales Convolucionales (CNN): Las redes neuronales convolucionales representan un subconjunto del aprendizaje automático y son el núcleo de los algoritmos de aprendizaje profundo. Estas redes están diseñadas para procesar datos en forma de cuadrículas y pueden capturar jerárquicamente patrones a diferentes escalas, lo que resulta fundamental para la detección de patrones geológicos complejos (¿Qué son las redes neuronales convolucionales? | IBM, s. f.). Un enfoque del aprendizaje profundo se ha implementado en la segmentación de cenizas en imágenes satelitales de volcanes (Núñez, s. f.).
Figura 6. Estructura de una CNN. (Segmentación semántica, s. f.)
Segmentación Semántica: La segmentación semántica es un algoritmo de aprendizaje profundo que asigna a cada píxel de una imagen una etiqueta o categoría, lo que permite identificar conjuntos de píxeles que conforman diferentes categorías. Esta técnica resulta esencial para la identificación precisa de formaciones geológicas y la delimitación de sus límites en mapas geológicos (Segmentación semántica, s. f.).
Figura 7. Imagen y píxeles etiquetados. (Segmentación semántica, s. f.)
VENTAJAS POR LA IDENTIFIACIÓN GEOLÓGICA AUTOMÁTICA
La identificación automática de formaciones geológicas conlleva numerosas ventajas que impactan positivamente en diversos aspectos de los proyectos. A continuación, se explican algunos de los aspectos relevantes que se benefician de la identificación de formaciones geológicas de manera automatizada.
Exploración de Recursos Minerales: La identificación de formaciones geológicas resulta fundamental para detectar yacimientos minerales dentro de un área de interés geológico. En muchos casos, estos procesos constituyen pasos previos esenciales para identificar yacimientos mineros de interés económico.
Gestión de Riesgos Geológicos: La identificación de formaciones geológicas permite detectar estructuras como fallas o deslizamientos de tierra en tiempo real, lo que contribuye a la mitigación y gestión de desastres naturales.
Planificación Urbana: La identificación de formaciones geológicas en áreas cercanas a proyectos de construcción es crucial para evaluar el tipo de estructuras a construir y mejorar la planificación urbana, evitando riesgos geológicos en la comunidad a largo plazo.
Estudios Ambientales: Algunas formaciones geológicas pueden contribuir a la generación de impactos ambientales que afectan a las comunidades circundantes. Por tanto, la identificación de formaciones geológicas en la zona puede contribuir a una mejor comprensión del paisaje y los riesgos ambientales asociados.
CONCLUSIONES
En resumen, las imágenes satelitales, generadas por diversos sensores y satélites, se han convertido en herramientas cruciales para la identificación de formaciones geológicas, litologías, minerales y otros aspectos geológicos relevantes. La identificación automática de estos elementos se ha vuelto posible gracias a las nuevas tecnologías, como las redes neuronales convolucionales y la segmentación semántica, junto con la generación de datos sintéticos para mejorar la rapidez, eficiencia y precisión de los procedimientos tradicionales. La aplicación de estas tecnologías no solo beneficia proyectos mineros, sino que también impacta positivamente en la gestión de riesgos geológicos, la planificación urbana y los estudios ambientales. En consecuencia, la identificación automática de formaciones geológicas representa un avance significativo en la geología moderna y la prospección de recursos naturales.
REFERENCIAS
CNICE. (s. f.). Sat lites de teledetecci n.
colaboradores de Wikipedia. (2023). LiDAR. Wikipedia, la enciclopedia libre.
Jofre, G. (s. f.). Terra (EOS AM-1). prezi.com.
Moreno, D. (2017). Imagenes espectrales e hiperespectrales. www.academia.edu.
Nacional, I. G. (s. f.). Plan Nacional de Teledetección.
Núñez, R. J. A. (s. f.). Delimitación automática de ceniza volcánica en imágenes satelitales mediante deep learning.
Osorio, V. (2023, 28 junio). Datos sintéticos: ¿Qué son y por qué los necesitas? Klippa.
¿Qué es un SAR? (s. f.).
¿Qué son las redes neuronales convolucionales? | IBM. (s. f.).
Romero, C. (s. f.). SENSORES DE GRAVEDAD y MAGNETISMO. prezi.com.
Ruge.Axessnet. (2023, 18 mayo). Las imágenes satelitales y sus aplicaciones en la vida cotidiana. axessnet.
Segmentación semántica. (s. f.). MATLAB & Simulink.
Vargas, C. V. G. (2016). IMAGENES DE SATELITE EN LA EXPLORACION GEOLOGICA - MINERA. UNSJ.
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis