Autores: García-Meléndez, E.*, Espín de Gea, A.**, Ferrer-Julià, M. *, López, E. **, Cruz, J.A. *, Carreño, F. **, Rodríguez, I. *, Valenzuela, P., Reyes, M. **, Colmenero Hidalgo, E. *, Coronado, I. *,
*Grupo de Investigación Geología Ambiental, Cuaternario y Geodiversidad (Q-GEO), Facultad de Ciencias Biológicas y Ambientales. Universidad de León. León
**Unidad Tecnológica Geológico-Minera del Centro Tecnológico del Mármol, Piedra y Materiales (CTM)
En este trabajo, se utilizan imágenes hiperespectrales adquiridas con sensores terrestres en una aplicación novedosa a nivel internacional que radica en la experimentación en tiempo real en el proceso de producción en canteras de rocas carbonatadas ornamentales con el fin de localizar y cartografiar mediante técnicas de espectroscopia de imágenes la composición mineral de frentes verticales de cantera, de bloques, de tablas, de losas de roca cortadas, etc. Esta tecnología de vanguardia basada en Teledetección de proximidad mejorará la selección y clasificación del material útil en la cantera, evitando el transporte de piezas grandes a las naves de corte que finalmente serían rechazadas generando residuos innecesarios, mejorando así la eficiencia de la cantera y mejorando la caracterización composicional del material para contribuir a una extracción más eficiente y sostenible. Uno de los beneficios será la evaluación y puesta en marcha de nuevas técnicas de explotación ambientalmente sensibles a disposición de las empresas que ayuden a conseguir y asegurar el suministro sostenible de materias primas a la economía europea, aumentando los beneficios para el conjunto de la Sociedad.
La selección del tipo de roca para un determinado uso es básica en cualquier proyecto en el que se vaya a utilizar (construcción, etc.), ya que no existe roca mala sino mal utilizada. La roca ornamental puede presentar características que condicionan que, por ejemplo, no pueda comercializarse en un país determinado, utilizarse en exteriores, pero sí en interiores, o que se adecúe mejor a un clima húmedo o seco. Por esta razón, la normativa obliga a realizar una analítica inicial que permita conocer las características físicas y químicas del material. Sin embargo, las variaciones espaciales intrínsecas de este producto natural dificultan que se mantenga, a veces, la uniformidad de unas características concretas a lo largo de la explotación del recurso debido a la heterogeneidad de los productos naturales.
La Universidad de León y el Centro Tecnológico del Mármol, Piedra y Materiales (CTM), a través del proyecto HYPOPROCKS financiado con fondos europeos a través del Ministerio de Ciencia, Innovación y Universidades, proponen mejorar la explotación de canteras mediante la aplicación de la tecnología de sensores proximales de Teledetección (espectrometría de imágenes, o imágenes hiperespectrales). Esta tecnología es similar a la utilizada por los sensores remotos de los satélites, aplicándose también los mismos métodos de análisis, pero, en este caso, se trabaja con imágenes obtenidas a corta distancia en campo, laboratorio y drones. De esta manera se realiza un seguimiento de las características mineralógicas de los distintos frentes de cantera que van apareciendo a lo largo del periodo de explotación. En concreto, el proyecto se centra en un contexto de recursos minerales que incluye la piedra caliza, el mármol y la dolomía, tanto para usos ornamentales como para otros usos. Todos ellos son carbonatos, lo que significa que tienen en común características espectrales que permiten un abordaje integral mediante esta tecnología. En la industria, las rocas carbonatadas son uno de los materiales esenciales utilizados en muchos sectores, tales como el de las rocas ornamentales, el de la construcción, en la industria del cemento o en la industria agrícola, y representan el 50,44 % de la empleabilidad en el sector minero español (según el informe «Estadística Minera 2019» de la Secretaría de Estado de Energía). No obstante, las observaciones también se extendieron adicionalmente hacia otras rocas ornamentales como las graníticas, con muestras proporcionadas por el grupo empresarial INGEMAR. El proyecto anteriormente mencionado está relacionado con el Plan Estatal de I+D+I orientada a los Retos de la Sociedad, en el reto “acción sobre el cambio climático y eficiencia en la utilización de recursos y materias primas”, prioridad temática “eficiencia en la utilización de recursos y materias primas”. También se corresponde con el desafío del Marco de Investigación de Horizonte Europa relacionado con las materias primas, especialmente aquellas no energéticas y no agrícolas.
¿Qué es una imagen hiperespectral?
La espectrometría de imágenes, también conocida como imagen hiperespectral (HSI) o espectroscopía de imágenes, consiste en realizar una medición simultánea de espectros (o curvas espectrales) almacenando estos datos en formato de imágenes. Cada uno de estos espectros muestra el comportamiento de la energía electromagnética al incidir sobre el material objeto de estudio. La cantidad de energía reflejada varía según la longitud de onda registrándose dicha cantidad en cientos de canales o bandas espectrales correspondientes a distintas longitudes de onda (Figura 1). Así, el análisis de los datos de un espectrómetro de imágenes permite extraer un espectro detallado para cada elemento o píxel de la imagen (Figura 2). Cuanto mayor sea el número de bandas o, lo que es lo mismo, mayor resolución espectral tenga la imagen, la curva espectral que se almacena en cada pixel tendrá un mayor detalle, un mayor número de puntos, dando lugar a un espectro continuo más definido.
Figura 1. Ejemplo de curva o firma espectral de una muestra de granito facilitada por el grupo INGEMAR. En ella se observan rasgos indicativos de composición asociada a una roca ígnea plutónica félsica como son los feldespatos (microclina y albita) y las micas (moscovita). Pero también hay un rasgo incipiente de caolinita, como respuesta a los procesos más frecuentes de alteración que pueden sufrir los granitos, como es la caolinitización (meteorización química por hidrólisis).
Figura 2. Generación de curvas o firmas espectrales de los píxeles que forman una imagen hiperespectral, correspondientes a una roca carbonatada denominada Marrón Imperial.
De esta manera, esta tecnología permite identificar minerales en función de sus firmas de reflectancia o emisividad (Goetz et al., 1985) facilitando la cartografía de materiales espectralmente activos en la superficie de la Tierra de forma remota, o bien de superficies de afloramientos verticales de pared de cantera, e incluso tablas y muestras de mano en laboratorio. En el caso de una tabla obtenida de un bloque o del frente de cantera, el análisis de cada espectro permite conocer la composición mineralógica de los principales componentes mineralógicos y, en algunos casos, la cuantificación de cada fase mineral, lo que implica que la cartografía de la composición mineralógica de la pared de la cantera o tabla de un bloque puede realizarse a partir de una imagen hiperespectral (Figura 3).
(a)
(b)
.jpg)
(c)
(d)
Figura 3. (a) Proceso de captación de una imagen hiperespectral en una fábrica de mármol. (b) Tabla cortada a partir de un bloque extraído en cantera. (c) Imagen hiperespectral desplegada como composición en color. (d) Resultado de la clasificación supervisada aplicando el algoritmo SAM (Spectral Angle Mapper Classification), a la franja del espectro 2040 – 2500 nm (rocas carbonatadas), utilizando espectros obtenidos en laboratorio
¿Qué características de los minerales influyen en sus curvas espectrales?
En el caso de las longitudes de onda del rango del visible e infrarrojo cercano (VNIR), los espectros de reflectancia de los minerales están dominados por la presencia o ausencia de iones metálicos de transición (como Fe, Cr, Co, Ni). Estos iones absorben energía en esta región mediante procesos electrónicos, reflejándose como rasgos de absorción en la curva espectral. Por otra parte, la presencia o ausencia de agua e iones hidroxilo, carbonato y sulfato, determina rasgos de absorción en longitudes de onda correspondientes al infrarrojo de onda corta (SWIR) debido a procesos vibracionales moleculares. Así pues, las pequeñas diferencias en la posición y la forma de dichos rasgos de absorción en el VNIR-SWIR (o emisividad en el infrarrojo de onda larga – LWIR) están correlacionados con diferencias y variabilidad en la composición de los minerales. De esta manera, las curvas espectrales permiten la identificación directa de los minerales de hierro como hematites, goetita, jarosita, etc. en el VNIR, de arcillas, carbonatos, micas, sulfatos y otros minerales en el SWIR, y silicatos y carbonatos en el LWIR. En la Figura 4 se muestra las variaciones que se observan en la curva espectral en función del contenido de magnesio en muestras de carbonatos.
Figura 4. Curvas espectrales de distintos píxeles de distinta composición mineralógica; en rojo se muestra el rasgo principal de la dolomita (2315 nm) y de la calcita (2335 nm); las curvas espectrales de referencia (dolomita lib y calcita lib) extraídas de Kokaly et al. (2017)
En el caso de las rocas carbonatadas las principales composiciones mineralógicas son minerales compuestos de calcita (carbonato de calcio - CaCO3), y dolomita (carbonato de calcio y magnesio- CaMg(CO3)2). La técnica de espectroscopía de reflectancia de laboratorio, basada en las formas espectrales y características de las señales, ha sido utilizada intensivamente durante muchas décadas para determinar la química mineral y la composición de las rocas carbonatadas. Las características de absorción diagnóstica de los minerales carbonatados en la región del SWIR (infrarrojo de onda corta) se determinan por los procesos vibracionales de los iones carbonato (CO32-). Estos minerales presentan dos características espectrales distintivas de absorción, cuyas posiciones están centradas entre 2.50–2.55 μm y 2.30–2.35 μm en la región del SWIR (Hunt & Salisbury, 1971; Zaini et al., 2014, entre otros).
¿Cómo se analizan las imágenes?
Existen bibliotecas espectrales o espectrotecas que almacenan las curvas espectrales de distintos tipos de materiales de composición conocida: rocas, tipos de suelos, minerales, vegetación, … Estas bibliotecas son de gran ayuda para identificar a qué corresponde cada una de las curvas espectrales que podemos extraer de los píxeles de una imagen hiperespectral. En el ámbito de la Geología, las dos bibliotecas más conocidas son la del Servicio Geológico de Estados Unidos (USGS) y la del Jet Propultion Laboratory (JPL). La comparación de los espectros de cada píxel con estas curvas es sin duda el primer paso a realizar, pero muchas veces no es suficiente. Dos muestras de un mismo mineral pueden tener cierta variabilidad composicional, lo que produce variaciones en su curva espectral.
Además, un píxel recoge información de reflectancia de un área (de un frente de cantera, de la superficie de una muestra, de la superficie terrestre, …), por lo que el espectro de cada píxel es la mezcla de la respuesta espectral de todos los componentes existentes en el área analizada. En muchos casos, dos minerales distintos que aparecen en una misma muestra presentan dos rasgos de absorción en longitudes de onda muy parecidas dificultando su identificación. En otros casos, la co-existencia de dos minerales en una misma muestra puede llevar a que un rasgo de absorción que en la bibliografía sirve como referencia para su diagnóstico aparezca desplazado en la curva espectral, es decir, que aparezca en otra longitud de onda dificultando su identificación.
Por esta razón, es recomendable generar bibliotecas espectrales propias con muestras de las zonas de estudio donde se trabaja como las que se han obtenido en el proyecto HYPOPROCKS. El conjunto de estas curvas espectrales alimenta algoritmos de machine learning facilitando la identificación mineralógica, permitiendo determinar la ausencia/presencia de minerales. Se espera que los avances que se están observando en Inteligencia Artificial proporcionen sustanciales mejoras en los próximos años.
Ventajas del uso de esta técnica en el mundo de la roca ornamental
En el ámbito de las canteras, las ventajas que presenta esta técnica son la posibilidad de realizar análisis in situ, el poder prescindir de la preparación de las muestras, su rapidez y llegar a zonas inaccesibles, ya que en menos de 24 h se puede identificar la existencia o ausencia de determinados compuestos minerales. Estas tres características convierten a esta técnica en idónea para el monitoreo continuado de los frentes de cantera, mejorando la selección de áreas a explotar y disminuyendo el volumen de residuos. Además, en las naves de corte también permite clasificar las distintas placas en función de su calidad composicional.
Igualmente, la obtención de imágenes hiperespectrales a partir de drones supone un mejor aprovechamiento económico de los residuos procedentes de la explotación de canteras, al detectar la presencia de determinados minerales de posible interés en dichos residuos. Este conocimiento abre un mayor abanico de usos potenciales de los residuos, pudiendo escogerse aquellos que aporten un mayor beneficio económico a la empresa, a la vez que se promueve una economía circular y sostenible.
Otro campo donde es interesante la aplicación de esta técnica es el de la gestión del uso del material en función de su calidad. El análisis de las imágenes hiperespectrales permite detectar impurezas en la roca, poniendo en evidencia que dicho bloque es inadecuado para su colocación, por ejemplo, en zonas con climas lluviosos, en exteriores, … De esta manera se obtiene una mayor satisfacción del cliente al mejorar la relación entre calidad y uso.
Sinónimos
Espectrometría de imágenes, imagen hiperespectral (HSI), espectroscopía de imágenes
Curva espectral, firma espectral, espectros.
Biblioteca espectral, espectroteca
Bibliografía
Hunt, G.R. & Salisbury, J.W. (1971). Visible and near infrared spectra of minerals and rocks. II. Carbonates. Modern Geology, 2, 23-30.
Goetz, A.F.H., Vane, G., Solomon, J.E. & Rock, B.N. (1985). Imaging spectrometry for Earth remote sensing. Science, 228, 1147-1453.
Kokaly, R.F., Clark, R.N., Swayze, G.A., Livo, K.E., Hoefen, T.M., Pearson, N.C., Wise, R.A., Benzel, W.M., Lowers, H.A., Driscoll, R.L. y Klein, A.J. (2017). USGS Spectral Library Version 7: U.S. Geological Survey data series 1035, 61 p. https://doi.org/ghw2cg.
Zaini, N., van der Meer, F. & van der Werff, H. (2014). Determination of carbonate rock chemistry using laboratory-based hyperspectral imagery. Remote Sensing, 6(5), 4149-4172
