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 Investigação em Geologia Ambiental, Quaternário e Geodiversidade (Q-GEO), Faculdade de Ciências Biológicas e Ambientais. Universidade de León. León
**Unidade Tecnológica Geológico-Mineira do Centro Tecnológico do Mármore, Pedra e Materiais (CTM).
Neste trabalho utilizam-se imagens hiperespectrais adquiridas com sensores terrestres numa aplicação inédita a nível internacional que consiste na experimentação em tempo real do processo produtivo em pedreiras e fábricas de rochas ornamentais carbonatadas para localizar e cartografar a composição mineral de faces verticais de pedreiras, blocos, lajes, placas de rocha cortada, etc., utilizando técnicas de espetroscopia de imagem. Esta tecnologia de ponta baseada na teledeteção de proximidade permitirá melhorar a seleção e classificação do material útil na pedreira, evitando o transporte de peças de grandes dimensões para os armazéns de corte que acabariam por ser rejeitadas, gerando resíduos desnecessários, melhorando assim a eficiência da pedreira e melhorando a caraterização composicional do material para contribuir para uma extração mais eficiente e sustentável. Um dos benefícios será a avaliação e implementação de novas técnicas de extração sensíveis ao ambiente ao dispor das empresas, que ajudarão a alcançar e assegurar um fornecimento sustentável de matérias-primas à economia europeia, aumentando os benefícios para a sociedade em geral.
A seleção do tipo de rocha para uma determinada utilização é fundamental para qualquer projeto em que se pretenda utilizá-la (construção, etc.), pois não existe uma má rocha, apenas uma rocha mal utilizada. As rochas ornamentais podem ter caraterísticas que impliquem, por exemplo, que não possam ser comercializadas num determinado país, que não possam ser utilizadas no exterior mas possam ser utilizadas no interior, ou que se adaptem melhor a um clima húmido ou seco. Por esta razão, os regulamentos exigem uma análise inicial das caraterísticas físicas e químicas do material. No entanto, as variações espaciais intrínsecas deste produto natural tornam por vezes difícil manter a uniformidade das caraterísticas específicas ao longo da exploração do recurso devido à heterogeneidade dos produtos naturais.
A Universidade de León e o Centro Tecnológico do Mármore, Pedra e Materiais (CTM), através do projeto HYPOPROCKS financiado com fundos europeus através do Ministério da Ciência, Inovação e Universidades, propõem melhorar a exploração de pedreiras através da aplicação da tecnologia de sensores remotos proximais (espetrometria de imagem, ou imagem hiperespectral). Esta tecnologia é semelhante à utilizada pelos sensores remotos por satélite, aplicando também os mesmos métodos de análise, mas, neste caso, trabalha com imagens obtidas a curta distância no campo, laboratório e drones. Desta forma, são monitorizadas as caraterísticas mineralógicas das diferentes faces da pedreira que vão surgindo ao longo do período de exploração. Especificamente, o projeto incide sobre um contexto de recursos minerais que inclui calcário, mármore e dolomite, tanto para fins ornamentais como para outros usos. Todos eles são carbonatos, o que significa que têm em comum caraterísticas espectrais que permitem uma abordagem abrangente utilizando esta tecnologia. Na indústria, as rochas carbonatadas são um dos materiais essenciais utilizados em muitos sectores, como as rochas ornamentais, a construção, a indústria cimenteira ou a indústria agrícola, e representam 50,44% da empregabilidade no sector mineiro espanhol (de acordo com o relatório “Estadística Minera 2019” da Secretaria de Estado da Energia). No entanto, as observações foram também alargadas a outras rochas ornamentais, como as rochas graníticas, com amostras fornecidas pelo grupo empresarial INGEMAR. O referido projeto está relacionado com o Plano de Estado de I&D&I orientado para os Desafios da Sociedade, no desafio “ação sobre as alterações climáticas e eficiência no uso de recursos e matérias-primas”, prioridade temática “eficiência no uso de recursos e matérias-primas”. Corresponde também ao desafio do Quadro de Investigação Horizonte Europa relacionado com as matérias-primas, especialmente as não energéticas e não agrícolas.
O que é uma imagem hiperespectral?
A espetrometria de imagem, também conhecida como imagem hiperespectral (HSI) ou espetroscopia de imagem, é a medição simultânea de espectros (ou curvas espectrais) através do armazenamento destes dados em formato de imagem. Cada um destes espectros mostra o comportamento da energia electromagnética ao atingir o material em estudo. A quantidade de energia reflectida varia com o comprimento de onda e é registada em centenas de canais ou bandas espectrais correspondentes a diferentes comprimentos de onda (Figura 1). A análise dos dados de um espetrómetro de imagem permite extrair um espetro detalhado para cada elemento ou pixel da imagem (Figura 2). Quanto maior for o número de bandas ou, por outras palavras, quanto maior for a resolução espetral da imagem, mais detalhada será a curva espetral armazenada em cada pixel, maior será o número de pontos, resultando num espetro contínuo mais definido.
Figura 1: Exemplo de uma curva ou assinatura espetral de uma amostra de granito fornecida pelo grupo INGEMAR. Nela se observam caraterísticas indicativas de uma composição associada a uma rocha ígnea plutónica félsica, como feldspatos (microclina e albite) e micas (moscovite). Mas há também um traço incipiente de caulinite, como resposta aos processos de alteração mais frequentes que os granitos podem sofrer, como a caulinitização (meteorização química por hidrólise).
Figura 2. Geração de curvas ou assinaturas espectrais de pixels formando uma imagem hiperespectral, correspondente a uma rocha carbonática denominada Marrom Imperial.
Desta forma, esta tecnologia permite a identificação de minerais com base nas suas assinaturas de reflectância ou emissividade (Goetz et al., 1985), facilitando o mapeamento de materiais espectralmente activos na superfície terrestre remotamente, ou de superfícies verticais de afloramento de paredes de pedreiras e mesmo de lajes e amostras de mão em laboratório. No caso de uma laje de um bloco ou de uma face de pedreira, a análise de cada espetro fornece a composição mineralógica dos principais componentes mineralógicos e, em alguns casos, a quantificação de cada fase mineral, o que significa que a composição mineralógica da parede da pedreira ou da laje de um bloco pode ser mapeada a partir de uma imagem hiperespectral (Figura 3).
(a)
(b)
.jpg)
(c)
(d)
Figura 3. (a) Processo de captura de uma imagem hiperespectral numa fábrica de mármore. (b) Laje cortada de um bloco extraído. (c) Imagem hiperespectral apresentada como um composto de cores. (d) Resultado da classificação supervisionada aplicando o algoritmo SAM (Spectral Angle Mapper Classification) à banda espetral 2040 - 2500 nm (rochas carbonatadas), utilizando espectros obtidos em laboratório.
Que caraterísticas dos minerais influenciam as suas curvas espectrais?
Para comprimentos de onda na gama do visível e do infravermelho próximo (VNIR), os espectros de reflexão dos minerais são dominados pela presença ou ausência de iões de metais de transição (como Fe, Cr, Co, Ni). Estes iões absorvem energia nesta região por processos electrónicos e são reflectidos como caraterísticas de absorção na curva espetral. Por outro lado, a presença ou ausência de água e de iões hidroxilo, carbonato e sulfato determina caraterísticas de absorção em comprimentos de onda correspondentes ao infravermelho de ondas curtas (SWIR) devido a processos de vibração molecular. Assim, pequenas diferenças na posição e forma de tais caraterísticas de absorção no VNIR-SWIR (ou emissividade no infravermelho de onda longa - LWIR) estão correlacionadas com diferenças e variabilidade na composição mineral. Assim, as curvas espectrais permitem a identificação direta de minerais de ferro como a hematite, a goetite, a jarosite, etc. no VNIR, de argilas, carbonatos, micas, sulfatos e outros minerais no SWIR, e de silicatos e carbonatos no LWIR. A Figura 4 mostra as variações observadas na curva espetral em função do teor de magnésio nas amostras de carbonatos.
Figura 4. Curvas espectrais de diferentes pixéis de composição mineralógica diferente; o vermelho mostra a caraterística principal da dolomite (2315 nm) e da calcite (2335 nm); curvas espectrais de referência (dolomite lib e calcite lib) extraídas de Kokaly et al. (2017).
No caso das rochas carbonatadas, as principais composições mineralógicas são minerais compostos por calcite (carbonato de cálcio - CaCO3) e dolomite (carbonato de cálcio e magnésio - CaMg(CO3)2). A técnica de espetroscopia de reflectância laboratorial, baseada em formas espectrais e caraterísticas do sinal, tem sido intensamente utilizada há muitas décadas para determinar a química mineral e a composição das rochas carbonatadas. As caraterísticas de absorção de diagnóstico dos minerais de carbonato na região SWIR (infravermelho de ondas curtas) são determinadas pelos processos vibracionais dos iões de carbonato (CO32-). Estes minerais exibem duas caraterísticas distintas de absorção espetral, cujas posições estão centradas entre 2,50-2,55 μm e 2,30-2,35 μm na região SWIR (Hunt & Salisbury, 1971; Zaini et al., 2014, entre outros).
Como é que as imagens são analisadas?
Existem bibliotecas espectrais ou espetro-bibliotecas que armazenam as curvas espectrais de diferentes tipos de materiais de composição conhecida: rochas, tipos de solo, minerais, vegetação, ... Estas bibliotecas são de grande ajuda para identificar a que corresponde cada uma das curvas espectrais que podemos extrair dos pixels de uma imagem hiperespectral. No domínio da geologia, as duas bibliotecas mais conhecidas são as do United States Geological Survey (USGS) e do Jet Propulsion Laboratory (JPL). A comparação dos espectros de cada pixel com estas curvas é, sem dúvida, o primeiro passo a dar, mas muitas vezes não é suficiente. Duas amostras do mesmo mineral podem ter alguma variabilidade de composição, o que produz variações na sua curva espetral.
Além disso, um pixel recolhe a informação de reflectância de uma área (da face de uma pedreira, da superfície de uma amostra, da superfície terrestre, ...), pelo que o espetro de cada pixel é a mistura da resposta espetral de todos os componentes existentes na área analisada. Em muitos casos, dois minerais diferentes que aparecem na mesma amostra apresentam duas caraterísticas de absorção em comprimentos de onda muito semelhantes, o que dificulta a sua identificação. Noutros casos, a coexistência de dois minerais na mesma amostra pode levar a que uma caraterística de absorção que na bibliografia serve de referência para o seu diagnóstico apareça deslocada na curva espetral, ou seja, apareça noutro comprimento de onda, dificultando a sua identificação.
Por esta razão, é aconselhável gerar as suas próprias bibliotecas espectrais com amostras das áreas de estudo onde está a trabalhar, tais como as obtidas no projeto HYPOPROCKS. O conjunto destas curvas espectrais alimenta algoritmos de aprendizagem automática que facilitam a identificação mineralógica, permitindo determinar a ausência/presença de minerais. Espera-se que os avanços registados na Inteligência Artificial proporcionem melhorias substanciais nos próximos anos.
Vantagens da utilização desta técnica no mundo das rochas ornamentais
No domínio das pedreiras, as vantagens desta técnica são a possibilidade de efetuar análises no local, o facto de já não ser necessária a preparação de amostras, a sua rapidez e a sua capacidade de chegar a zonas inacessíveis, uma vez que a existência ou ausência de certos compostos minerais pode ser identificada em menos de 24 h. Estas quatro caraterísticas tornam esta técnica ideal para a monitorização contínua das frentes de pedreira, melhorando a seleção das zonas a explorar e reduzindo o volume de resíduos. Estas quatro caraterísticas tornam esta técnica ideal para a monitorização contínua das frentes de pedreira, melhorando a seleção das áreas a explorar e reduzindo o volume de resíduos. Além disso, nos galpões de corte, ela também permite classificar as diferentes placas de acordo com sua qualidade de composição.
Da mesma forma, a obtenção de imagens hiperespectrais por drones significa um melhor aproveitamento económico dos resíduos da extração, ao detetar a presença de determinados minerais de potencial interesse nos referidos resíduos. Este conhecimento abre um maior leque de potenciais utilizações para os resíduos, permitindo às empresas escolher aqueles que proporcionam o maior benefício económico, ao mesmo tempo que promovem uma economia circular e sustentável.
Outro campo onde a aplicação desta técnica é interessante é na gestão da utilização dos materiais com base na sua qualidade. A análise de imagens hiperespectrais permite detetar impurezas na rocha, mostrando que o bloco é inadequado para colocação, por exemplo, em zonas de clima chuvoso, ao ar livre, etc.
Sinônimos
Espectrometria de imagem, imagem hiperespectral (HSI), espectroscopia de imagem
Curva espectral, assinatura espectral, espectros.
Biblioteca espectral, espectroteca
Bibliografia
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
