UNIVERSIDAD DEL AZUAY

FACULTAD DE CIENCIA Y TECNOLOGÍA

ESCUELA DE INGENIERÍA EN MINAS

“Teledetección espacial mediante la aplicación de

imágenes satelitales tipo ASTER L1T, LANDSAT 8 OLI
y SENTINEL 2 en zonas de alteración hidrotermal”

Trabajo de graduación previo a la obtención del título de:

INGENIERO EN MINAS

Autor:

IVÁN ISRAEL MOGROVEJO BARRERA

Director:

ING. VÍCTOR OMAR DELGADO INGA

CUENCA – ECUADOR

2021
 Mogrovejo Barrera i

DEDICATORIA

Este trabajo va dedicado de manera especial a mis padres Iván y Martha que siempre
me han inculcado la Fe en Dios, me han sabido motivar y apoyar a pesar de las
dificultades que hemos atravesado.
A mis hermanos William, Gabriela, María José y Belén por siempre ser mi motivo
de alegría, por siempre estar junto a mí apoyándome en cada paso de mi vida.
 Mogrovejo Barrera ii

AGRADECIMIENTOS

A Dios principalmente por regalarme la salud, inteligencia y discernimiento para

poder afrontar con rectitud y valentía todos los días de mi vida.
A mis padres y hermanos, especialmente a mi hermano William quien siempre me
ha apoyado incondicionalmente a superar cada prueba y cada meta que me he
planteado en la vida.
A los profesores de la Escuela de Minas que durante mi vida estudiantil supieron
apoyarme e impartirme sus conocimientos. De manera especial quiero agradecer al
Dr. Juan Calderón y al Ing. Leonardo Núñez que siempre me inculcaron a hacer los
proyectos con responsabilidad y entrega, además de siempre motivarme a la
investigación y a la constante innovación.
Al Ing. Omar Delgado Inga, mi director de tesis, por su motivación, paciencia y su
apoyo incondicional en la guía y realización de este trabajo.
 Mogrovejo Barrera iii

ÍNDICE DE CONTENIDOS
DEDICATORIA ...................................................................................................... i
AGRADECIMIENTOS .......................................................................................... ii
ÍNDICE DE FIGURAS .......................................................................................... vi
ÍNDICE DE TABLAS ........................................................................................... ix
ÍNDICE DE ANEXOS ............................................................................................ x
RESUMEN............................................................................................................. xi
ABSTRACT .......................................................................................................... xii
INTRODUCCIÓN .................................................................................................. 1
CAPÍTULO 1 .......................................................................................................... 3
GENERALIDADES ............................................................................................... 3
1.1 Ubicación ....................................................................................................... 3
1.2 Geología Regional ......................................................................................... 4
1.2.1 Estructura Regional................................................................................. 7
1.3 Geología Local .............................................................................................. 8
1.3 Geomorfología. ............................................................................................ 11
1.4 Hidrografía. ................................................................................................. 12
1.5 Metalogenia. ................................................................................................ 12
CAPÍTULO 2 ........................................................................................................ 15
MARCO TEÓRICO .............................................................................................. 15
2.1 Alteración hidrotermal................................................................................. 15
2.1.1 Factores que controlan la alteración hidrotermal .................................. 15
2.1.2 Procesos resultantes de la alteración hidrotermal ................................. 16
2.1.3 Tipos de alteración hidrotermal ............................................................ 17
2.2 Fundamentos de Teledetección ................................................................... 18
....................................................................................................................... 20
2.2.1 Energía electromagnética ...................................................................... 21
2.2.2 Espectro electromagnético .................................................................... 23
2.2.3 Interacciones de la energía electromagnética con la atmósfera. ........... 25
2.2.4 Interacciones de la energía electromagnética con las superficies ......... 26
2.3 Teoría general de los sensores pasivos ........................................................ 27
2.3.1 Resolución de los sensores pasivos. ..................................................... 28
2.4 Imágenes satélite de sensores pasivos ......................................................... 29
2.4.1 ASTER L1T. ......................................................................................... 29
2.4.2 SENTINEL 2. ....................................................................................... 31
 Mogrovejo Barrera iv

2.4.3 LANDSAT 8. ........................................................................................ 32

2.5 Aplicación de la teledetección en la identificación de zonas de alteración
hidrotermal. ....................................................................................................... 32
2.5.1 Espectroscopia de reflectancia aplicada. .............................................. 32
2.5.2 Mecanismos de absorción. .................................................................... 33
2.5.3 Procesos vibracionales. ......................................................................... 34
2.5.4 Rasgos espectrales (Firmas espectrales). .............................................. 34
2.5.5 Componentes de las firmas espectrales. ............................................... 35
2.5.6 Espectrometría de reflectancia de minerales de alteración hidrotermal 37
2.5.7 Comportamiento espectral de minerales típicos de alteraciones
hidrotermales ................................................................................................. 37
2.5.8 Química de los minerales ...................................................................... 39
CAPÍTULO 3 ........................................................................................................ 42
METODOLOGÍA ................................................................................................. 42
3.1 Tratamiento digital de imágenes satélite. .................................................... 42
3.2 Procesamiento de datos ............................................................................... 42
3.2.1 Composición de imágenes en color natural .......................................... 42
3.2.2 Preprocesamiento para las imágenes satelitales ASTER L1T,
LANDSAT 8 OLI, SENTINEL 2. ................................................................. 43
3.3 Construcción de máscaras. .......................................................................... 47
3.4 Procesamiento de imágenes satelitales. ....................................................... 50
3.4.1 Combinaciones RGB. ........................................................................... 50
3.4.2 Cocientes de bandas. ............................................................................. 52
3.4.3 Índices de identificación litológica SWIR (Índices de Ninomiya).
(Exclusivo de ASTER) .................................................................................. 54
3.4.4 Análisis de componentes principales (ACP) ........................................ 55
3.4.5 Mapeo espectral SAM .......................................................................... 59
3.5. Muestreo digital para la identificación de zonas de alteración hidrotermal.
........................................................................................................................... 59
3.5.1 Análisis de las firmas espectrales ......................................................... 59
3.6 Clasificación SAM ...................................................................................... 69
CAPÍTULO 4 ........................................................................................................ 70
ANÁLISIS Y RESULTADOS .............................................................................. 70
4.1 Análisis visual preliminar de las imágenes satelitales en color natural. ..... 70
4.2 Generación de información temática de zonas de alteración hidrotermal. .. 72
4.3 Composición en falso color RGB ................................................................ 74
 Mogrovejo Barrera v

4.4 Cocientes de bandas .................................................................................... 75

4.4.1 ASTER .................................................................................................. 75
4.4.2 LANDSAT 8 OLI ................................................................................. 76
4.4.3 SENTINEL 2 ........................................................................................ 76
4.5 Índices de identificación litológica SWIR ................................................... 77
4.6 Análisis de componentes principales .......................................................... 78
4.6.1 ASTER L1T .......................................................................................... 78
4.6.2 LANDSAT 8 OLI ................................................................................. 81
4.6.3 SENTINEL 2 ........................................................................................ 82
4.7 Mapeo espectral SAM ................................................................................. 83
4.7.1 ASTER .................................................................................................. 83
4.7.2 LANDSAT 8 OLI. ................................................................................ 89
4.7.3 SENTINEL 2. ....................................................................................... 96
4.8 Zonas de interés prospectivo ..................................................................... 102
4.8.1 ASTER LIT......................................................................................... 103
4.8.2 LANDSAT 8 OLI ............................................................................... 105
4.8.3 SENTINEL 2 ...................................................................................... 106
CONCLUSIONES .............................................................................................. 107
RECOMENDACIONES ..................................................................................... 109
REFERENCIAS .................................................................................................. 110
 Mogrovejo Barrera vi

ÍNDICE DE FIGURAS

Figura 1.1. Mapa de Ubicación de la zona de estudio ........................................... 4

Figura 1.2. Mapa Geológico Cordillera Occidental del Ecuador Entre 3° - 4°S ... 6
Figura 1.3. Mapa de estructuras geológicas del Distrito Minero Zaruma-
Portovelo. ................................................................................................................ 8
Figura 1.4. Mapa Litológico de la zona de estudio .............................................. 10
Figura 1.5. Mapa Geomorfológico de la zona de estudio .................................... 11
Figura 1.6. Mapa hidrológico de la zona de estudio ............................................ 12
Figura 1.7. Mapa de la metalogenia de los Andes Ecuatorianos ......................... 14
Figura 2.1. Componentes de la teledetección ...................................................... 20
Figura 2.2. Tipos de radiación por las cuales se da la teledetección ................... 21
Figura 2.3. Esquema de una onda electromagnética ............................................ 23
Figura 2.4. Principales bandas espectrales que contiene el espectro
electromagnético ................................................................................................... 24
Figura 2.5. Principales ventanas atmosféricas ..................................................... 26
Figura 2.6. Ventanas atmosféricas adecuadas para la observación de la tierra
desde el espacio ..................................................................................................... 26
Figura 2.7. Tipos de reflexión .............................................................................. 27
Figura 2.8. Tipos de sensores remotos para teledetección. .................................. 28
Figura 2.9. Descripción de las bandas ASTER L1T ............................................ 30
Figura 2.10. Descripción de las bandas de SENTINEL 2 .................................... 31
Figura 2.11. Descripción de las bandas LANDSAT 8 OLI ................................. 32
Figura 2.12. Características de absorción de los minerales. ................................ 34
Figura 2.13. Componentes de una firma espectral. .............................................. 35
Figura 2.14. Rangos mayores de absorción. ........................................................ 36
Figura 2.15. Principales rasgos de absorción de los minerales ............................ 36
Figura 2.16. Firmas espectrales de minerales ...................................................... 38
Figura 2.17. Resumen de los minerales activos en el infrarrojo con características
de absorción SWIR ............................................................................................... 39
Figura 2.18. Composición química de la clorita con magnesio y hierro. ............ 40
Figura 2.19. Firmas espectrales de las Alunitas ricas en K, Na, Ca y NH4 ......... 41
Figura 3.1. Imágenes ASTER, LANDSAT 8 y SENTIENEL 2 en color natural. 43
 Mogrovejo Barrera vii

Figura 3.2. Cambios en los picos de absorción al aplicar corrección atmosférica

(IARR) .................................................................................................................. 45
Figura 3.3. Desarrollo del algoritmo ISAC .......................................................... 46
Figura 3.4. Diagrama de flujo del algoritmo ISAC ............................................. 46
Figura 3.5. Cálculo del NDVI en ENVI............................................................... 48
Figura 3.6. Enmascaramiento de zonas urbanas mediante la herramienta ROI de
ENVI ..................................................................................................................... 49
Figura 3.7. Máscara de la zona de estudio ........................................................... 49
Figura 3.8. Combinaciones de bandas en ASTER ............................................... 51
Figura 3.9. Reducción de la dimensionalidad por medio de ACP ....................... 56
Figura 4.1. Análisis visual en color natural. ....................................................... 70
Figura 4.2. Firmas espectrales seleccionadas usadas para la clasificación SAM 71
Figura 4.3. Zonas propensas a generar falsas anomalías ..................................... 72
Figura 4.4. Comparación entre una imagen cruda y una imagen procesada. ....... 73
Figura 4.5. Componentes de la clasificación de áreas de interés. ........................ 74
Figura 4.6. Rasgos espectrales de mayor similitud para Alunita ......................... 83
Figura 4.7. Rasgos espectrales de mayor similitud para Caolinita ...................... 84
Figura 4.8. Rasgos espectrales de mayor similitud para Dikita. .......................... 84
Figura 4.9. Rasgos espectrales de mayor similitud para Illita. ............................ 85
Figura 4.10. Rasgos espectrales de mayor similitud para Montmorillonita......... 85
Figura 4.11. Rasgos espectrales de mayor similitud para Pirofilita. .................... 86
Figura 4.12. Rasgos espectrales de mayor similitud para Epidota....................... 86
Figura 4.13. Rasgos espectrales de mayor similitud para Calcita. ....................... 87
Figura 4.14. Rasgos espectrales de mayor similitud para Clorita. ....................... 87
Figura 4.15. Rasgos espectrales de mayor similitud para Goetita ....................... 88
Figura 4.16. Rasgos espectrales de mayor similitud para Hematita. ................... 88
Figura 4.17. Rasgos espectrales de mayor similitud para Jarosita. ...................... 89
Figura 4.18. Rasgos espectrales de mayor similitud para Alunita. ...................... 89
Figura 4.19. Rasgos espectrales de mayor similitud para Caolinita. ................... 90
Figura 4.20. Rasgos espectrales de mayor similitud para Dikita. ........................ 90
Figura 4.21. Rasgos espectrales de mayor similitud para Illita. .......................... 91
Figura 4.22. Rasgos espectrales de mayor similitud para Montmorillonita......... 91
Figura 4.23. Rasgos espectrales de mayor similitud para Pirofilita. .................... 92
Figura 4.24. Rasgos espectrales de mayor similitud para Epidota....................... 92
 Mogrovejo Barrera viii

Figura 4.25. Rasgos espectrales de mayor similitud para Calcita. ....................... 93

Figura 4.26. Rasgos espectrales de mayor similitud para Clorita……………….93
Figura 4.27. Rasgos espectrales de mayor similitud para Goetita. ...................... 94
Figura 4.28. Rasgos espectrales de mayor similitud para Hematita………………..94
Figura 4.29. Rasgos espectrales de mayor similitud para Jarosita. ...................... 95
Figura 4.30. Rasgos espectrales de mayor similitud para Limonita. ................... 95
Figura 4.31. Rasgos espectrales de mayor similitud para Alunita. ...................... 96
Figura 4.32. Rasgos espectrales de mayor similitud para Caolinita. ................... 96
Figura 4.33. Rasgos espectrales de mayor similitud para Dikita. ........................ 97
Figura 4.34. Rasgos espectrales de mayor similitud para Illita. .......................... 97
Figura 4.35. Rasgos espectrales de mayor similitud para Montmorillonita......... 98
Figura 4.36. Rasgos espectrales de mayor similitud para Pirofilita. .................... 98
Figura 4.37. Rasgos espectrales de mayor similitud para Calcita. ....................... 99
Figura 4.38. Rasgos espectrales de mayor similitud para Clorita. ....................... 99
Figura 4.39. Rasgos espectrales de mayor similitud para Epidota..................... 100
Figura 4.40. Rasgos espectrales de mayor similitud para Goetita. .................... 100
Figura 4.41. Rasgos espectrales de mayor similitud para Hematita. ................. 101
Figura 4.42. Rasgos espectrales de mayor similitud para Jarosita. .................... 101
Figura 4.43. Rasgos espectrales de mayor similitud para Limonita. ................. 102
 Mogrovejo Barrera ix

ÍNDICE DE TABLAS

Tabla 3.1. Umbral para la selección de píxeles de vegetación leñosa ................. 48

Tabla 3.2. Ratios de bandas usados para cartografiar tipos de alteración
hidrotermal ............................................................................................................ 53
Tabla 3.3. Ratios de bandas usados para cartografiar minerales de alteración
hidrotermal ............................................................................................................ 53
Tabla 3.4. Ratios de bandas usados para cartografiar minerales de alteración
hidrotermal ............................................................................................................ 54
Tabla 3.5. Índices de Ninomiya empleados para la detección de minerales de
alteración hidrotermal ........................................................................................... 55
Tabla 3.6. Subgrupos de Bandas de ASTER L1T usados en la determinación de
los tipos de alteración hidrotermal. ....................................................................... 58
Tabla 3.7. Subgrupos de Bandas de LANDSAT 8 OLI usados en la determinación
de óxidos e hidroxilos. .......................................................................................... 58
Tabla 3.8. Subgrupos de Bandas de SENTINEL 2 usados en la determinación de
óxidos e hidroxilos. ............................................................................................... 58
Tabla 3.9. Principales minerales presentes en los distintos tipos de alteración
hidrotermal ............................................................................................................ 69
Tabla 4.1. Vectores propios producto de la transformación de componentes
principales para la obtención de la alteración Argílica Avanzada. ....................... 78
Tabla 4.2. Vectores propios producto de la transformación de componentes
principales para la obtención de la alteración Fílica ............................................. 79
Tabla 4.3. Vectores propios producto de la transformación de componentes
principales para la obtención de la alteración Propilítica...................................... 79
Tabla 4.4. Vectores propios producto de la transformación de componentes
principales para la obtención de Óxidos. .............................................................. 80
Tabla 4.5. Vectores propios producto de la transformación de componentes
principales para la obtención de Hidroxilos. ......................................................... 81
Tabla 4.6. Vectores propios producto de la transformación de componentes
principales para la obtención de Óxidos. .............................................................. 81
Tabla 4.7. Vectores propios producto de la transformación de componentes
principales para la obtención de Hidroxilos. ......................................................... 82
Tabla 4.8. Vectores propios producto de la transformación de componentes
principales para la obtención de Óxidos. .............................................................. 82
 Mogrovejo Barrera x

ÍNDICE DE ANEXOS

ANEXOS ............................................................................................................ 116

ASTER L1T ....................................................................................................... 119
Anexo A Composiciones RBG ........................................................................... 120
Anexo B Cocientes de bandas............................................................................. 125
Anexo C Índices de identificación litológica SWIR .......................................... 127
Anexo D Componentes principales para identificación de los tipos de alteración
hidrotermal .......................................................................................................... 129
Anexo E Mapeo espectral SAM para identificación de minerales de alteración
hidrotermal y óxidos ........................................................................................... 131
LANDSAT 8 OLI .............................................................................................. 136
Anexo F Composiciones RGB ........................................................................... 137
Anexo G Cocientes de bandas ............................................................................ 139
Anexo H Componentes principales para identificación de los tipos de alteración
hidrotermal .......................................................................................................... 142
Anexo I Mapeo espectral SAM para identificación de minerales de alteración
hidrotermal y óxidos ........................................................................................... 144
SENTINEL 2 ..................................................................................................... 149
Anexo J Composiciones RGB ............................................................................ 150
Anexo K Cocientes de bandas ............................................................................ 152
Anexo L Componentes principales para identificación de alteración hidrotermal y
óxidos .................................................................................................................. 154
Anexo M mapeo espectral SAM para identificación de minerales de alteración
hidrotermal y óxidos ........................................................................................... 156
 Mogrovejo Barrera xi

“TELEDETECCIÓN ESPACIAL MEDIANTE LA APLICACIÓN DE

IMÁGENES SATELITALES TIPO ASTER L1T, LANDSAT 8 OLI Y
SENTINEL 2 PARA DETECCIÓN DE ZONAS CON PRESENCIA DE
MINERALES DE ALTERACIÓN HIDROTERMAL”

RESUMEN

El presente estudio se desarrolló en el distrito minero Zaruma Portovelo,

provincia de El Oro. El objetivo fue determinar zonas de alteración hidrotermal
mediante la aplicación de teledetección espacial por medio de imágenes satelitales
ASTER L1T, LANDSAT 8 OLI y SENTINEL 2. La detección de zonas con
presencia de alteraciónhidrotermal se realizó mediante técnicas de realce espectral
como: Composiciones RGB, Cocientes de bandas, Índices de Identificación
Litológica (exclusivo de ASTER), Análisis de Componentes Principales y el
Método Angular Espectral (SAM). El análisis SAM requirió de un proceso a
detalle, debido a que se realizó una comparación entre las firmas espectrales
extraídas de cada imagen satelital con las firmas que ofrece el Servicio Geológico
de Estados Unidos (USGS). Los mejores resultados son los derivados de la imagen
ASTER L1T, debido a que esta cuenta con una mejor resolución y sensibilidad
espectral en sus bandas, específicamente en la región del SWIR.

Palabras clave: ASTER L1T, LANDSAT 8, SENTINEL 2, teledetección

espacial, alteración hidrotermal.

Ing. Víctor Omar Delgado Inga Ing. Leonardo Aníbal Núñez Rodas
Director del Trabajo de Titulación Director de Escuela

Iván Israel Mogrovejo Barrera

Autor
 Mogrovejo Barrera xii

"SPATIAL REMOTE SENSING USING ASTER L1T, LANDSAT 8 OLI

AND SENTINEL 2 SATELLITE IMAGERY FOR DETECTION OF
AREAS WITH HYDROTHERMAL ALTERATION MINERALS".

ABSTRACT

The present study was developed in the Zaruma Portovelo mining district, province
of El Oro. It aims to determine areas of hydrothermal alteration through the
application of spatial remote sensing by means of satellite images ASTER L1T,
LANDSAT 8 OLI, and SENTINEL 2. The detection of areas with presence of
hydrothermal alteration was performed using spectral enhancement techniques
such as RGB Compositions, Band Quotients, Lithological Identification Indices
(exclusive of ASTER), Principal Component Analysis, and the Spectral Angular
Method (SAM). The SAM analysis required a detailed process because a
comparison was made between the spectral signatures extracted from each satellite
image with the signatures provided by the United States Geological Survey
(USGS). The best results are those derived from the ASTER L1T image because
it has a better resolution and spectral sensitivity in its bands, specifically in the
SWIR region.

Keywords: ASTER L1T, LANDSAT 8, SENTINEL 2, Remote Sensing,

Hydrothermal alteration.

___________________________
Ing. Víctor Omar Delgado Inga Ing. Leonardo Aníbal Núñez Rodas
Thesis Director School Director

Translated by

Iván Israel Mogrovejo Barrera Language Unit

Author
 Mogrovejo Barrera 1

Iván Israel Mogrovejo Barrera

Trabajo de Titulación

Ing. Víctor Omar Delgado Inga

Octubre, 2021

TELEDETECCIÓN ESPACIAL MEDIANTE LA APLICACIÓN DE

IMÁGENES SATELITALES TIPO ASTER L1T, LANDSAT 8 OLI Y
SENTINEL 2 PARA DETECCIÓN DE ZONAS CON PRESENCIA DE
MINERALES DE ALTERACIÓN HIDROTERMAL

INTRODUCCIÓN
La teledetección espacial en las últimas décadas se ha constituido como una
poderosa herramienta para el estudio y observación de la tierra, esto debido al
acelerado desarrollo tecnológico en cuanto a la disponibilidad, calidad de datos y
métodos de procesamiento de información espectral obtenida por medio de
imágenes satelitales de sensores remotos pasivos multiespectrales e
hiperespectrales. En el ámbito geo minero, la teledetección espacial se ha
convertido en una herramienta necesaria para la adquisición de información
preliminar en etapas iniciales como la prospección minera regional. Es decir,
mediante la aplicación de esta herramienta estamos en la posibilidad de realizar
mapeos para la identificación y delimitación de potenciales zonas con presencia de
minerales de alteración hidrotermal, mapeo litológico y geomorfológico, mapeo de
desechos mineros, zonificación de áreas con presencia de drenajes ácidos, etc.

En la actualidad existe una gran cantidad de sensores remotos enfocados en la

observación terrestre, para nuestro caso de estudio se optó por el uso imágenes
satelitales ASTER L1T, LANDSAT 8 OLI y SENTINEL 2. Las mismas son de
libre acceso y se encuentran disponibles en la página de la USGS (Earth Explorer).
La efectividad en el uso de imágenes satelitales radica en la adecuada selección de
las mismas, es decir, las imágenes a usar deben cumplir con las resoluciones
adecuadas para lograr nuestro objetivo. Para nuestro caso en particular, las
imágenes deben gozar de una buena resolución espectral, espacial y de un reducido
ciclo temporal.
 Mogrovejo Barrera 2

El mapeo de zonas con presencia de minerales de alteración hidrotermal se

fundamenta en la espectroscopia de reflectancia. Esta técnica usa las ondas de
energía de las regiones del espectro electromagnético a fin de analizar la respuesta
espectral de los materiales contenidos en la superficie. R. Clark et al. (1990); Hauff
(2008) y Hunt (1977) manifiestan que los minerales de alteración hidrotermal
muestran sus rasgos espectrales característicos en la región de SWIR, por lo tanto,
la región SWIR es sensible a moléculas y radicales como OH, H2O, NH4, CO3 y a
enlaces del catión OH como Al-OH, Mg-OH y Fe-OH, permitiendo su
identificación ya sea que estos se encuentren en estado cristalino como amorfo.

El presente estudio tiene como finalidad determinar zonas con presencia de

minerales de alteración hidrotermal, mediante procesamiento e interpretación de
imágenes satelitales de sensores pasivos ASTER L1T, LANDSAT 8 OLI y
SENTINEL 2 en el distrito minero Zaruma Portovelo, Provincia de El Oro. Con la
identificación y delimitación de las zonas con presencia de minerales de alteración
hidrotermal, lo que se pretende es generar “targets” o áreas objetivo de prospección
con la finalidad de que las empresas mineras de la zona y potenciales nuevas
empresas cuenten con información temática referente al potencial mineralógico de
esta zona de estudio, ya sea para la prospección de su propia concesión minera o la
prospección de una nueva zona.
 Mogrovejo Barrera 3

CAPÍTULO 1

GENERALIDADES
1.1 Ubicación
El cantón Zaruma se encuentra ubicado al sureste de la provincia de El Oro a 1200
m.s.n.m, asentada sobre el callejón interandino en las estribaciones de la Cordillera
Vizcaya que se desprende de la Cordillera de Chilla. La palabra Zaruma viene de
las palabras quichuas SARA que significa “maíz” y UMA que significa “cabeza”,
nombre que traducido al castellano sería “cabeza de maíz”, mismo que se le atribuye
por el color similar que tiene el maíz de la zona con el oro de las minas. (SNGR,
2012). Según datos del INEC (2010), el cantón Zaruma, tiene una densidad
poblacional que representa el 4.01% de la provincia, es decir unos 24.097
habitantes, de los cuales, la población urbana son 9.677 y 14.420 al sector rural. Las
actividades que concentran a la población económicamente activa son la pesca,
silvicultura, ganadería con el 27.7% y la actividad minera y canteras con el 24.6%.
El cantón Portovelo, se encuentra limitado al norte con el cantón Zaruma, al sureste
con la Provincia de Loja y al Oeste con el cantón Piñas”(GAD Municipal de
Portovelo, 2012, p. 5). Según las proyecciones del INEC (2010) para el año 2015
el cantón Portovelo cuenta con una población de 13.417 habitantes, de los cuales el
66% está asentado en la zona urbana y el 34% en la rural.
La mayoría de la Población Económicamente Activa (PEA) está concentrada en dos
actividades de las cuales: el 40.42% de la PEA se dedica a la agricultura, ganadería,
silvicultura y pesca. El 30.23% de la PEA se dedica a la explotación de minas y
canteras.
Acceso

La zona de estudio tiene conexión vial con el resto del país mediante el eje vial de
primer orden Machala-Saracay-Piñas-Portovelo-Zaruma. El cantón Portovelo tiene
conexión con la provincia de Loja mediante una vía de tercer orden denominada
Portovelo-Zambi-Las Chinchas, por su lado Zaruma se conecta por medio eje vial
tipo lastre Zaruma-Portovelo-Las Chinchas-Catamayo-Loja.
Clima

El clima del distrito minero Zaruma-Portovelo es subtropical semi húmedo, con una
temperatura promedio de 21.8°C, una humedad relativa del 84% y una media de
 Mogrovejo Barrera 4

precipitaciones de 102 mm/año. La zona cuenta con dos estaciones climáticas muy
marcadas. La primera, una húmeda con presencia de fuertes precipitaciones, tiene
lugar en los meses de diciembre hasta mayo. La segunda una estación seca propia
de los meses de junio a noviembre (ARCOM, 2019; Carrión, 2010).

Figura 1.1. Mapa de Ubicación de la zona de estudio

Fuente: (CONALI, 2019), (LANDSAT 8, 2020)

1.2 Geología regional

El distrito minero Zaruma-Portovelo está localizado en el sureste de la faja
mineralizada aurífera polimetálica Zaruma-Portovelo (Bonilla, 2009). A
continuación, detallaremos las unidades geológicas presentes en la zona.

Rocas metamórficas (M)

Estas rocas conforman el terreno Chaucha-Chauín, aflorando en el extremo

suroriental del Distrito minero Zaruma-Portovelo, exactamente al S de la falla
Piñas-Portovelo se dice que son la continuación al N del complejo metamórfico del
Oro (Bonilla, 2009). Generalmente se encuentran cubiertas por rocas volcánicas
más jóvenes, pero en la zona NE del sistema de falla Jubones ocurren en forma de
 Mogrovejo Barrera 5

ventanas erosionales en los sectores de San Pablo de Cebadas, Manu, río San Luis,
río Chicola, río Daucay, río Palmas (Carrión, 2010; Dunkley y Gaibor, 1997).

Oligoceno

Grupo Saraguro (E-Ms)

El grupo Saraguro pertenece a la edad eocénica y ocupa la zona centro sur del área
SW de los Andes Ecuatorianos. Está constituida por tobas soldadas de flujo de
ceniza de composición dacítica a riolítica, lavas andesíticas, materia volcánico
retrabajado y rocas sedimentarias (Dunkley y Gaibor, 1997). (Carrión, 2010) acota
que el grupo Saraguro descansa inconformemente sobre, o esta fallado contra, la
Unidad Pallatanga y rocas metamórficas.

Pleistoceno

Formación Tarqui (Rr)

La zona presenta Riolitas asociadas a la formación Tarqui, se caracterizan por estar

cubierta por una capa de depósitos volcánicos, poco consolidados y alterados. La
formación está constituida principalmente por piroclastos, aglomerados riolíticos o
andesíticos, tobas, cenizas volcánicas e ignimbritas (Dunkley y Gaibor, 1997;
Núñez, 2003).

Intrusivos (Granodioritas GGd) Se encuentran distribuidos formando un cinturón

de sentido NW-SE, siendo las granodioritas y las dioritas las dominantes. Estas
rocas intruyen la formación Portovelo en la zona NW y la formación Saraguro en
la zona SE. Los granitoides presentan granos medios a grueso, se evidencia un
enfriamiento brusco (tal como vidrio cloritizado intersticial y fino crecimiento
granofírico y holocristalino), indicativo de un emplazamiento subvolcánico (alto
nivel). Al W de Zaruma existen riolitas correspondientes a una fase magmática
extrusiva que pertenecen a rocas efusivas con presencia de fenocristales de
feldespatos, cuarzo, plagioclasa, hornblenda, todo ello dentro de una masa fluidal
de vidrio volcánico (Bonilla, 2009; Ordóñez, A & Puglla, 2013).
 Mogrovejo Barrera 6

Paleoceno

Sacapalca (Pc-ESa). Están localizadas al E del Complejo Metamórfico del Oro,

cubriendo la parte S del terreno Alao. La unidad Sacapala está constituida por lavas
andesíticas, brechas tobáceas, conglomerados, lutitas lacustres y rocas piroclásticas
(Bonilla, 2009).

Figura 1.2. Mapa Geológico Cordillera Occidental del Ecuador Entre 3° - 4°S

Fuente: Modificado de (Dunkley y Gaibor, 1997)

 Mogrovejo Barrera 7

1.2.1 Estructura regional

En el distrito Zaruma-Portovelo presentan estructuras dominantes de segundo orden

(generalmente con rumbo E-W, NE-SW y NW-SE), presentando un rumbo casi
paralelo, entre ellas tenemos: Falla Jubones y Falla Piñas-Portovelo al N y S
respectivamente. Al E se localiza la mega estructura de rumbo Andino Girón y
lineamientos menores entre ellos el cinturón Gañarín (Bonilla, 2009).
 La Falla Jubones se localiza en los terrenos de Chaucha, específicamente en
la zona de Uzhcurrumi, se caracteriza por presentar un aparente movimiento
inverso, puntualmente, se dice que es una falla inversa con cabalgamiento o
desplazamiento hacia el N y buzamiento S. Se detalla que transporto rocas
metamórficas sobre el Grupo Saraguro (Bonilla, 2009).
 Piñas-Portovelo es un sistema de tipo fallas/cabalgamiento que presenta un
rumbo E-SE, tiene un descenso en bloque norte y separa el Grupo Saraguro
del Complejo Metamórfico El Oro, definiendo el límite S del conjunto de
filones cuarzosos auríferos en el distrito Zaruma-Portovelo (Bonilla,
2009;Tutivén, 2017).
 La estructura regional Girón comprende pliegues cerrados, fallas inversas y
cabalgamientos con rumbos NNE a N. Se la interpreta como una falla
normal, aunque en muchos lugares se observa una convergencia NW de
carácter inverso (Dunkley y Gaibor, 1997).
 El cinturón de Gañarín tiene un rumbo NNE, en esta región se la puede
observar desde el margen SO de Zaruma hasta el margen NE. La falla
Salvias-Guanazán está incluida en el Cinturón Gañarín de orientación NNE-
SSO, el cual comprende fallas sin-deposicionales, áreas de alteración
hidrotermal y una concentración de intrusiones subvolcánicas riolíticas y
andesíticas (Bonilla, 2009; Dunkley y Gaibor, 1997).
Bonilla (2009), establece estructuras de tercer orden o subordinadas presentes en el
distrito minero Zaruma-Portovelo.
 Falla de orientación WNW-ESE. Falla Puente Buza-Palestina, situada 5 km
al N de Zaruma. Es aproximadamente paralela a la falla Piñas-Portovelo,
representando la continuación N de la mineralización del distrito Zaruma-
Portovelo, pero con un cambio de rumbo sinestral.
 Fallas N-S: Falla Cerro Azul de 10 km de longitud
 Mogrovejo Barrera 8

 Sistema de Fallas Salvias-Guanazán de 20 km de longitud.

 Fallas NE-SW: -Falla Chilla de 4 km de longitud
 Falla Chinchilla de 12 km de longitud
 Fallas NW-SE: -Falla Atahualpa
 Sistema de fallas el Ari-Salvias.
 Fallas E-W: Falla Paccha de 12 km de longitud.

Figura 1.3. Mapa de estructuras geológicas del Distrito Minero Zaruma-Portovelo.

Fuente: Bonilla (2009).

Nota. Mapa de estructuras geológicas del Distrito Minero Zaruma-Portovelo. Megaestructuras

regionales: fallas Jubones (FJ), Girón (FGi), Piñas-Portovelo (FPP); estructuras subordinadas
locales: fallas Gañarín (FG), Cerro Azul (FCA), Chilla (FCh), Paccha (FPac), Atahualpa (FA),
Chinchilla (FChi), Puente Buza-Palestina (FPBP), y los sistemas subordinados de fallas Salvias-
Guanazán (FSG) y El Arí-Salvias (FEAS). Fuente: Modificado de (Bonilla, 2009).

1.3 Geología local

Formación Celica (Cretáceo)

La formación Celica aflora en la zona Noreste de Zaruma, es separada de la Serie
Tahuín por la falla regional de Piñas-Portovelo. Dominada por una litología
andesítica con gran variedad de texturas y dacítica altamente meteorizada, y lavas
andesíticas a andesito-basálticas, presenta también materiales tobáceos
 Mogrovejo Barrera 9

interestratificados que en la mayoría de los casos son andesitas y piroclastos de

origen continental. La denominada andesita de Portovelo (andesita porfirítica),
contiene fenocristales principales que generalmente son plagioclasas y
hornblendas. Una de las características más relevantes de esta andesita de Portovelo
son las que contienen la mayor cantidad de mineralización de tipo hidrotermal
(Kennerley, 1980).

Formación Tarqui (Pleistoceno)

Constituida principalmente por riolíticas y en menor proporción riolitas. Se observa
caolín como producto de alteración de las rocas citadas.

Formación Tahuín (Precámbrico? - Paleozoico Superior)

Se encuentra separada de la formación Celica por medio de la falla regional Piñas-
Portovelo, esta formación muestra un incremento en el metamorfismo de S a N,
razón por la cual se la ha dividido en dos grupos que son:

Gneises de San Roque (Precámbrico? (Paleozoico Inferior))

Están compuestos por gneises de grano fino pasando a gneises de grano medio a
grueso con un marcado desarrollo local de migmatitas. Está conformado también
por cuarcitas y esquistos de cuarzo, feldespato y biotita.

Esquistos de Capiro (Paleozoico inferior)

Se encuentra compuesta por varias unidades litológicas, desde rocas con escaso
metamorfismo hasta rocas de medio grado de metamorfismo. También se
encuentran rocas escasamente metamorfizadas compuestas por limonitas y lutitas
de color gris obscuro a negro intercaladas con areniscas fino-granulares hasta color
de conglomeráticas de tono medio a claro. Dentro de los esquistos de Capiro es
característico la presencia de muscovita y sericita, incluso presentándose con un
alto contenido de sílice (Kennerley, 1980).
 Mogrovejo Barrera 10

Riolitas de Zaruma Urcu (Pleistoceno?)

Se encuentran en el oeste de Zaruma y forman dos colinas de considerable altura,

que probablemente representen cuellos volcánicos o conductos por donde se
expulsó la riolita.

Intrusivos (Paleozoico Superior Cretácico Superior – Terciario- Inferior)

Son cuerpos intrusivos de tipo ácido a intermedio, los mismos que constan de varias
facies que comprenden alaskita, cuarzo-diorita y granito. Estos intrusivos
intruyeron en la formación Tahuín formando una aureola de contacto. La
mineralización de Portovelo está relacionada con un cuerpo intrusivo de carácter
ácido, post cretácico.

Depósitos aluviales (Cuaternario)

Localizados a lo largo de los ríos Pindo, Calera y Amarillo.

Depósitos coluviales (Cuaternario)

Se localizan en las inmediaciones del río Luis por la zona de Tulpas.

Figura 1.4. Mapa Litológico de la zona de estudio

Fuente: (CONALI, 2019), (MAGAP, 2005). Elaboración: Propia

 Mogrovejo Barrera 11

1.3 Geomorfología
El distrito minero Zaruma-Portovelo presenta una fisiografía característica de la
Cordillera Occidental, específicamente en la unidad geomorfológica Vertiente
Occidental, la misma que presenta variaciones altitudinales que van desde los 615
hasta los 1750 m.s.n.m. Zaruma se asienta sobre una zona montañosa constituida
por materiales volcánicos (lava, piroclastos) pertenecientes a la formación Celica y
rocas metavolcánicas del Grupo Alamor. Estas rocas presentan lineamientos de
erosión, evidenciando un relieve ondulado dominante con pendientes que varían
entre el 40% y 70% (Olivia, Aldo ; Ruiz, 2015).
La falla Piñas-Portovelo divide en dos morfologías. Al Norte encontramos terrenos
abruptos, mientras que al Sur evidenciamos una disminución altitudinal que van
tomando características de valles (Ordóñez, A & Puglla, 2013). Portovelo se asienta
en valles aluviales formados por los drenajes naturales de los ríos Calera y Amarillo.
Aguas arriba del rio Amarillo el relieve presenta valles en forma de V con
elevaciones de hasta 1730m.s.n.m. Al suroccidente las vertientes alcanzan los 270
m de largo y pendientes de alrededor del 55%, el fondo aluvial se ensancha
presentando llanuras y terrazas de baja pendiente, con secciones transversales entre
85 y 280 m (Olivia, Aldo ; Ruiz, 2015).

Figura 1.5. Mapa Geomorfológico de la zona de estudio

Fuente: (CONALI,2019), (SIGTIERRAS, 2010). Elaboración: Propia

 Mogrovejo Barrera 12

1.4 Hidrografía

La zona de estudio se encuentra ubicada en las inmediaciones de la cuenca

hidrográfica del rio Puyango, formada por la afluencia de los ríos Calera, Amarillo
y Pindo, además cuenta con el aporte de varias quebradas de gran longitud que están
ubicadas perpendicularmente al cauce principal, dando origen a un drenaje de tipo
dendrítico. Los ríos antes mencionados, poseen un régimen hidrológico de acuerdo
con la estacionalidad de las lluvias, generalmente sus caudales en sequía son de 2.1,
3.5 y 6.4 m3/s respectivamente y en épocas lluviosas son de 20, 33, y 56 m3/s.
Generando caudales en la zona hidrográfica del río Puyango en rangos de 21 - 230
m3/s (Arias, 2017; Mora et al., 2016).

Figura 1.6. Mapa hidrológico de la zona de estudio

Fuente: (CONALI,2019), (SIGTIERRAS, 2010). Elaboración: Propia

1.5 Metalogenia
En el Ecuador la parte central y suroeste del territorio posee complejos ígneos
pertenecientes al Eoceno y Mioceno tardío, con presencia de mineralización
epitermal y pórfidos de cobre. El distrito minero Zaruma Portovelo es un
yacimiento epitermal compuesto por un sistema de vetas longitudinales de tipo oro
 Mogrovejo Barrera 13

– polimetálicas, que está relacionadas con el arco magmatismo continental del

Mioceno temprano y la subducción de la placa de Fallarón/Nazca (Vikentyev et al.,
2005). Las vetas de la zona tienen dirección N, separadas por fallas dextrales de
empuje con orientación SE y una inclinación que va de los 40 - 60° SW. Se
encuentran emplazadas en rocas volcánicas del grupo Saraguro que datan del
Oligoceno al Mioceno temprano (Schütte et al., 2012).
(Vikentyev et al.,2005), establece que en el distrito minero Zaruma Portovelo
existen tres etapas mineralizadas, las cuales son:

Cuarzo-Pirita

Esta fase está integrada por dos paragénesis minerales, la primera formada por
cuarzo temprano, pirita-clorita-hematita, La segunda compuesta por cuarzo-pirita
tardía y calcopirita. La formación mineralógica comienza con una piritización,
luego se establecen las vetas y filones de cuarzo blanco lechoso. Los minerales
accesorios del cuarzo blanco y gris generalmente son clorita y hematita. El cuarzo,
pirita y calcopirita pertenecientes a la etapa tardía con incrustaciones milimétricas
de oro nativo.

Cuarzo polimetálico

La fase cuarzo polimetálica tiene importancia económica debido a la paragénesis

que presenta, cuenta con dos conjuntos mineralizados: cuarzo-galena-esfalerita y la
galena-calcopirita-fahlore1, son mineralizaciones propias de zonas con brechas y
presencia de cuarzo preexistentes que sufrieron cataclasis. El oro generalmente
actúa como relleno de los espacios intergranulares del cuarzo y grietas en la
calcopirita I, siendo poco común el oro en la galena. La esfalerita contiene cuarzo
en gran cantidad, galena y oro nativo. Se dice que tanto la pirita II, calcopirita II,
tenantita-tetraedrita y telúridos cristalizaron a lo largo de toda la etapa. En cuanto a
la deposición de oro nativo, se dice que fue constante a lo largo de toda la fase,
pero, con mayor incidencia después de la esfalerita-cuarzo junto con calcopirita II,
tenantita-tetraedrita y telúridos.

1
Fahlore: contiene una mineralización pálida/tetraedrita/cobre gris
 Mogrovejo Barrera 14

Cuarzo-Carbonato

Es la etapa concluyente de la mineralización, pues se evidencia que escasamente el

cuarzo y la calcita contienen pirita.
En el segmento sur del distrito encontramos rocas intrusivas tanto dioritas como
granodioritas con una mineralización de tipo vetas epitermal Au y metales básicos
de sulfuración intermedia. La zona presenta dos tipos de alteración, la primera es
una de tipo pórfido – potásica y diseminados de biotita, magnetita, cuarzo,
turmalina, con vetas mineralizadas con calcopirita y vetas de pirita con cuarzo. La
segunda son vetas epitermales con un halo argílico (illita, esmectita) con una
mineralización de oro con cuarzo - calcita, contiene esfalerita, galena, pirita,
calcopirita. Por otro lado, las vetas al Norte de Zaruma se caracterizan por su
contenido de turmalina, magnetita, biotita y cuarzo que fueron precipitados por
fluidos de alta temperatura generalmente relacionados con pórfidos (Schütte et al.,
2012).

Figura 1.7. Mapa de la metalogenia de los Andes Ecuatorianos

Fuente: Modificado de (Goossens, 1972)

 Mogrovejo Barrera 15

CAPÍTULO 2

MARCO TEÓRICO

2.1 Alteración hidrotermal

La génesis de los yacimientos hidrotermales viene dada por la circulación ya sea
vertical o lateral de soluciones gaseosas-líquidas por debajo de la superficie
terrestre. Los sistemas hidrotermales están conformados por tres componentes. El
primero, es una fuente de calor, la misma que proporcionará la energía (magmática,
metamórfica, radiogénica) al sistema. El segundo, es una fase líquida proveniente
de fluidos ya sea magmáticos/juveniles, metamórficos y aguas meteóricas que
presentan elevadas presiones y temperaturas. Finalmente, el tercer componente es
el tiempo, el cual debe ser lo suficientemente prolongado para dar origen a la
formación de concentraciones anómalas de minerales metálicos (Pirajno, 2009).

Un proceso de alteración hidrotermal se lo define como el metasomatismo de la

roca original, debido a las transformaciones químicas, mineralógicas y texturales
que se da durante la interacción fluido-roca en medio de un desequilibrio físico-
químico, posteriormente el sistema tiende a reequilibrarse formando nuevos
conjuntos minerales que son estables en las nuevas condiciones (Townley, 2006).
Un conjunto de minerales define la naturaleza físico-química del sistema, se dice
que estos son estables en conjunto y su tiempo de formación es más o menos el
mismo, diferenciándose así de las asociaciones minerales, en las cuales el grupo
mineral no tiene el mismo tiempo de origen, y no presentan equilibrio (Pirajno,
2009).

2.1.1 Factores que controlan la alteración hidrotermal

Temperatura

Durante la interacción fluido hidrotermal-roca es mayor el metasomatismo cuanto

más elevada sea la temperatura del fluido.

Presión

La presión controla eventos de segundo orden como el fracturamiento hidráulico

para dar origen a la generación de brechas hidrotermales, explosiones hidrotermales
(Cueva & Hernández, 2015).
 Mogrovejo Barrera 16

Composición del fluido

Entre más ácido sea el fluido mayor será la capacidad de alterar los minerales
originales de la roca (Smirnov, 1982).

Permeabilidad de la roca

Relacionada con la capacidad de las rocas para dejar fluir los líquidos o gases a
través de ellas, entre mayor filtración más factible será la entrada de los fluidos
hidrotermales y más intensa será la alteración. Se ve favorecida por el incremento
de la temperatura, presión y disminuye cuando se incrementa la concentración de
las soluciones. La permeabilidad depende del tamaño de los granos, la
configuración de los poros y la dirección del desplazamiento del fluido respecto a
la estructura de la roca (Smirnov, 1982).

Composición de la roca

En grados de alteración bajos la composición de la roca es importante, debido a que

existen minerales que ofrecen resistencia a ser alterados. En niveles intensos de
alteración la mineralogía resultante es independiente a la composición de la roca
original (Cueva & Hernández, 2015).

2.1.2 Procesos resultantes de la alteración hidrotermal

Deposición directa

Es la precipitación y deposición directa desde los fluidos hidrotermales en la roca

huésped, para que se desarrolle este evento el macizo rocoso debe presentar
características estructurales (fallas, diaclasas, fracturas, fisuras) que faciliten el
traslado de los fluidos o cavidades (poros, oquedades) que permitan su deposición
(Cueva & Hernández, 2015).

Reemplazo

Los minerales existentes en las rocas originales generalmente son inestables en las
nuevas condiciones que establecen los fluidos hidrotermales, razón por cual tienden
a ser reemplazados por asociaciones minerales estables en dichas circunstancias. La
porosidad efectiva (conectividad entre poros) de la roca huésped influye
positivamente en la cinética del reemplazo debido a que ofrece mayor superficie de
contacto (Cueva & Hernández, 2015; Smirnov, 1982).
 Mogrovejo Barrera 17

Lixiviación

En el contacto fluido hidrotermal-roca se da paso a la extracción de cationes

metálicos en la roca original, generando así un lavado o lixiviación de sus
componentes, a este proceso se lo considera un intercambio químico irreversible
(Cueva & Hernández, 2015).

2.1.3 Tipos de alteración hidrotermal

Potásica

Es una alteración producida en núcleos de zonas alteradas ligadas al emplazamiento

de plutones, altas temperaturas (350°C - 550°C), en pH neutro o alcalino y no
presenta hidrólisis (El H+ o el OH- se consumen a lo largo de la reacción con los
minerales de silicato), es propia de depósitos epitermales y pórfidos de cobre, los
minerales resultantes son biotitas (verdes y ricas en Fe), feldespato potásico para
los sistemas porfídicos y adularia en los epitermales. Es común encontrar sulfuros
como pirita, calcopirita y molibdenita (Cueva & Hernández, 2015; Pirajno, 2009).

Propilítica

Se caracteriza principalmente por la integración de H2O, CO2 y S a los componentes

originales, además de presentar metamorfismo de H+, contiene minerales como
epidota, clorita, carbonatos, albita, feldespato potásico y pirita, además de presentar
sericita, óxidos de Fe, montmorillonita y zeolita en lugares puntuales. Esta
alteración es el resultado de un halo gradual y distal de una alteración potásica,
presenta asociaciones minerales como actinolita-biotita en contacto con la zona
potásica, pasando a actinolita - epidota en la zona propilítica. Sus campos de presión
y temperatura definen a precisión sus especies minerales, esta propiedad es de vital
importancia para direccionar la búsqueda de Au, debido a que es un indicativo de
la proximidad a las fuentes de calor y ebullición de un sistema epitermal (Pirajno,
2009; Townley, 2006).

Fílica o cuarzo-sericítica

La alteración fílica se origina dentro de un amplio rango de temperaturas (300°C -

400°C) y pH de 5 a 6, presenta el conjunto mineral cuarzo-sericita-pirita, con
asociaciones minerales de feldespato potásico, caolinita, calcita, biotita, apatita.
Esta alteración se clasifica en dos partes, la primera dentro del grupo potásico
 Mogrovejo Barrera 18

debido al aumento del feldespato y/o biotita. La segunda, de tipo argílico, debido al
incremento de minerales de arcilla.

La alteración sericítica es propia de yacimientos tipo pórfidos y mesotermales de

metales preciosos y sulfuros masivos. Se basa fundamentalmente en el desequilibrio
producido en los feldespatos bajo la acción de iones H+, OH-, K y S, dando como
resultado la formación de cuarzo, mica blanca, pirita y pequeñas porciones de
calcopirita. Paralelamente a este proceso se da también la lixiviación del Na, Mg,
Ti, Fe y K (Pirajno, 2009).

Argílica intermedia

Se forma a condiciones de pH de 4 – 5, presenta una alteración por hidrólisis mayor

respecto a la propilítica. Contiene montmorillonita – illita, clorita y arcillas del
grupo caolín, existe también presencia de cuarzo. La caolinita se establece a
temperaturas entre los 150°C- 200°C, se localiza cercana a la zona fílica, mientras
que las arcillas como la montmorillonita se centran en las zonas exteriores. El
feldespato K no muestra alteración alguna, en tanto que el Ca, K, Mg, Na sufren
una lixiviación parcial (Pirajno, 2009; Townley, 2006).

Argílica avanzada

Esta alteración contiene cuarzo residual con presencia o no de minerales como

alunita, jarosita, caolín, pirofilita y pirita. Es producto de una intensa actividad
ácida, con una lixiviación casi total de cationes alcalinos, destrucción de feldespatos
y fases de silicatos máficos. Generalmente ocurre dentro de un amplio intervalo de
temperatura y a un pH de 1- 3.5 (pH<2 domina el cuarzo y pH>2 alunita). La ruptura
de los enlaces de aluminio presente en los silicatos origina sulfato de Al (alunita) y
óxidos de Al (diásporo) (Pirajno, 2009).

2.2 Fundamentos de teledetección

La teledetección es una ciencia multidisciplinaria encargada de la adquisición de
información por medio de sensores terrestres, espaciales, aéreos transportados o
sensores in situ y su posterior procesamiento. La adquisición de datos se
fundamenta en la energía electromagnética, debido a que los objetos en superficie
reflejan, absorben y emiten energía a lo largo de las regiones del espectro
 Mogrovejo Barrera 19

electromagnético, permitiendo así la identificación, clasificación y delimitación

espacial de los mismos (Campbell & Wynne, 2011).

Según Chuvieco & Huete (2016) la adquisición y posterior interpretación de

información satelital se fundamenta en seis componentes

1) Fuente de energía

Se basa en la radiación electromagnética que detecta el sensor, siendo la fuente de

energía más común la emitida por el sol.

2) Cubierta terrestre

Son todos los objetos y componentes ambientales presentes en la superficie terrestre

que receptan la energía proveniente del sol y la reflejan o emiten de acuerdo a sus
características físicas y químicas.

3) Sistema sensor

Compuesto por el sensor y la plataforma que lo contiene, su función es captar la

energía proveniente de las distintas coberturas terrestres, codificar, grabar y enviar
a un sistema de recepción.

4) Sistema de recepción – comercialización

Se refiere a la estación que recepta la información proveniente de la plataforma

satelital, en donde se graba en un formato adecuado, se realizan correcciones y
finalmente se distribuye a los usuarios.

5) Intérprete

Convierte los datos en información temática de interés por medio de técnicas

visuales o digitales.

6) Usuario final

Usa la información extraída de acuerdo a su área de interés.

 Mogrovejo Barrera 20

Figura 2.1. Componentes de la teledetección

Fuente: (Chuvieco & Huete, 2016)

(Chuvieco & Huete, 2016) establecen una semejanza entre el mecanismo de

percepción de un sensor y el ojo humano. La comparación parte de que para que
sea factible la visión, nuestros sentidos primero tienen que descifrar la información
proveniente del objeto. Por lo tanto, el ojo es capaz de distinguir un objeto sólo
cuando existe la suficiente energía lumínica. Cabe recalcar que la energía lumínica
no la proporciona el objeto, si no el foco energético que lo ilumina (sol). En base a
este ejemplo se establece que un sistema de teledetección está compuesto
fundamentalmente por tres componentes: sensor (ojo), objeto observado y el flujo
energético que permite la detección. Por lo tanto, la adquisición de información se
da por tres vías: reflexión, emisión y emisión-reflexión.
 Mogrovejo Barrera 21

Figura 2.2. Tipos de radiación por las cuales se da la teledetección

Fuente: (Chuvieco & Huete, 2016)

Nota: Tipos de radiación: (i) reflexión, (ii) emisión, (iii) emisión-reflexión.

La reflexión es la forma más importante en teledetección, debido a que proviene

directamente de la luz solar, el sol ilumina la superficie y esta refleja esa energía
acorde a sus características físicas y químicas. La interacción entre superficie y
sensor no es total debido a la presencia de la atmósfera que absorbe o dispersa una
parte de la energía. La emisión se caracteriza por la energía emitida por la superficie
u objeto, por lo tanto, se necesita de un sensor que sea capaz de generar su propio
flujo energético y de captar la emisión producida por la superficie. La emisión -
reflexión es una combinación de las dos formas. En teledetección el flujo energético
que existe constituye una forma de radiación electromagnética. La energía se
transporta de un lugar a otro ya sea por convección, conducción y radiación, siendo
esta última la base de los sistemas de teledetección (Chuvieco & Huete, 2016).

2.2.1 Energía electromagnética

La radiación electromagnética se explica a través de dos teorías que compaginan
entre sí. La primera expuesta por Huygens y Maxwell que la conciben como un haz
 Mogrovejo Barrera 22

ondulatorio. La segunda expuesta por Planck, Einstein que la describen como una
unidad discreta de energía, fotones o cuantos con masa igual a cero.

En base a la teoría ondulatoria, la energía electromagnética se transmite siguiendo

un modelo armónico y continuo, a la velocidad de la luz, con presencia de dos
campos de fuerzas ortogonales entre sí (eléctrico y magnético). El flujo energético
está compuesto por tres propiedades. La primera es la longitud de onda (λ) definida
como la distancia que existe entre los picos de una onda. La segunda es la frecuencia
(ν) haciendo referencia al número de ciclos en los que se pasa por un punto fijo en
una unidad de tiempo. Finalmente, la tercera es la amplitud que es definida como
la altura de cada pico, generalmente es medida en niveles de energía (Watts por
metro cuadrado por micrómetro) (Chuvieco & Huete, 2016).

𝑐 = λν (1)

Donde:

c: Velocidad de la luz (3x108 m/s-1).

λ: longitud de onda en micrómetros (1μm = 10-6m).

ν: Frecuencia en Hertzs (1Hz = 1 ciclo por segundo).

Basándonos en la teoría cuántica podemos calcular la cantidad de energía

transportada por un fotón (es necesario conocer su frecuencia).

𝑄=ℎ𝜈 (2)

Donde:

𝑄: Energía radiante de un fotón (Julios)

ν: Frecuencia.

h: Constante de Planck (6.6x10-34 J s)

Sustituyendo (2) en (1) obtenemos:

𝑄 = ℎ(𝑐/𝜆)

De esta expresión se deduce que a mayor longitud de onda o menor frecuencia el

contenido energético será menor y viceversa. Esta deducción nos indica que las
 Mogrovejo Barrera 23

radiaciones de ondas largas son más difíciles de detectar en relación con las cortas.
Razón por la cual, las ondas largas requieren de medios de detección especializados

(Chuvieco & Huete, 2016).

Figura 2.3. Esquema de una onda electromagnética

Fuente: (Chuvieco & Huete, 2016)

2.2.2 Espectro electromagnético

El espectro electromagnético se define como una gama de energías que se producen
por la interacción entre materia y energía en forma de ondas electromagnéticas. La
posición que ocupa esa energía dentro del rango del espectro puede ser expresada
en electronvoltios (eV), longitud de onda (cm, μm) o frecuencia (Hz). La energía
se produce cuando una partícula con masa (electrón, ion, molécula) se acelera. Por
ejemplo, en niveles moleculares, la generación de energía se da cuando los átomos
son acelerados a estados vibratorios superiores. Finalmente, la energía puede
presentarse en regiones: nucleares (partículas subatómicas), químicas (ion,
molécula), térmica o mecánica (molécula o partícula mayor) (E. Clark & Rilee,
2010).

Las bandas espectrales más utilizadas en teledetección se clasifican en los

siguientes grupos:

Espectro visible (0.4 – 0.7 μm)

Es la única radiación electromagnética que puede percibir el ojo humano, debido a

que coincide con las longitudes de onda en donde es mayor la radiación solar. En
este rango la luz se divide en prismas o rejillas de difracción, generalmente
 Mogrovejo Barrera 24

conocidos como colores primarios Azul (0.4 – 0.5 μm), Verde (0.5 – 0.6 μm) y Rojo
(0.6 – 0.7 μm). Cabe recalcar que un color primario no se forma a partir de mezclas
de los otros dos, pero los demás colores fundamentalmente se forman por la
combinación de los primarios.

Infrarrojo cercano (0.7 – 1.2 μm)

Más conocido como el infrarrojo fotográfico, se encuentra fuera del rango de

percepción humana. Esta porción del espectro es usada generalmente para
determinar el estado fitosanitario de las plantas.

Infrarrojo medio (1.2 – 8 μm)

En el rango de (1.2 – 2.5 μm) se localiza la región del SWIR (infrarrojo de onda
corta), esta porción del espectro es de vital importancia en la detección de minerales
de alteración hidrotermal, debido a q estos muestran sus características espectrales
en este rango, también sirve para estimaciones de suelo y vegetación.

Térmico (8 – 14 μm)

Localizado en la porción emisiva del espectro terrestre, se usa principalmente para

detectar el calor proveniente de los tipos de cubiertas terrestres. En geología se usa
para hacer caracterización litológica.

Micro – ondas (> 1mm)

Las longitudes de onda más grandes de este rango se utilizan generalmente en las
comunicaciones por radio. Mientras que las pequeñas guardan cierta similitud con
las termales.

Figura 2.4. Principales bandas espectrales que contiene el espectro electromagnético

Fuente: (Chuvieco & Huete, 2016)
 Mogrovejo Barrera 25

2.2.3 Interacciones de la energía electromagnética con la atmósfera

La atmósfera terrestre está compuesta por Nitrógeno, Oxígeno, Argón, vapor de
agua, Ozono, Dióxido de Carbono, polvo y aerosoles. Estos componentes generan
impactos negativos ya sea en la calidad de las imágenes o en la adquisición de datos,
debido a que alteran la radiación originalmente emitida entre los objetos y el sensor.
El CO2, ozono y vapor de agua provocan que la energía electromagnética sea
absorbida, dispersada y emitida (Chuvieco & Huete, 2016).

Campbell & Wynne (2011) describen las alteraciones de la energía

electromagnética de la siguiente manera. La absorción se produce cuando la
atmósfera impide el paso ya sea total o parcial el flujo de radiación. La dispersión
se refiere a la redirección de la energía, debido a la presencia de partículas en
suspensión o presencia de gases atmosféricos. El porcentaje de dispersión depende
básicamente del tamaño de las partículas, su abundancia, longitud de onda de la
radiación y la profundidad de la atmósfera a la cual fluye.

La emitida afín a los cuerpos calientes, relacionada con la refracción que es la

curvatura de los rayos de luz en la zona de contacto entre los dos medios que emiten
luz. Por último, la refracción se produce en la atmósfera a medida que la luz
atraviesa sus diversas capas, cabe recalcar que cada capa presenta características de
brillo, humedad y temperaturas distintas. Siendo estos cambios los que producen la
curvatura de los rayos.

Campbell & Wynne (2011) y Chuvieco & Huete (2016) afirman que la atmósfera
tiende a ser selectiva sobre las longitudes de onda que llegan a incidir sobre ella,
siendo esta una limitante al momento de realizar procesos de teledetección. Para
facilitar el proceso de teledetección, se han establecido determinadas bandas
espectrales en las cuales es factible la observación de la superficie terrestre, estas
bandas son las denominadas ventanas atmosféricas. La selección de las bandas se
realiza en base a un análisis de los espectros de absorción de los gases atmosféricos,
teniendo como característica fundamental que en ellas la transmisividad de la
atmósfera es lo suficientemente alta para que la radiación fluya libremente
(atmósfera clara).
 Mogrovejo Barrera 26

Ultravioleta 0.30 - 0.75 μm

y Visible 0.77 - 0.91 μm
Infrarrojo 1.55 - 1.75 μm
Cercano 2.05 - 2.4 μm
8.0 - 9.2 μm
Infrarrojo Termal
10.2 - 12.4 μm
7.5 - 11.5 mm
Microondas
20.0 + mm

Figura 2.5. Principales ventanas atmosféricas

Fuente: (Campbell & Wynne, 2011)

Figura 2.6. Ventanas atmosféricas adecuadas para la observación de la tierra desde el espacio

Fuente: (Chuvieco & Huete, 2016)

2.2.4 Interacciones de la energía electromagnética con las superficies

La energía electromagnética al contacto con la superficie terrestre es reflejada,
absorbida o transmitida. Cada uno de estos procesos está directamente relacionado
con la naturaleza del objeto, la longitud de onda y el ángulo de iluminación. Siendo
la energía reflectada la base de la teledetección.

Reflexión

Este proceso tiene lugar cuando la luz es desviada al momento de chocar contra una
superficie no transparente. La magnitud de la reflexión está en directa relación con
la morfología de la superficie, existiendo dos escenarios posibles.

a) Reflexión especular

Es aquella que redirige toda o casi toda la radiación incidente en una sola dirección,
en donde, el ángulo de incidencia es igual al ángulo de reflexión. Este tipo de
reflexión es propia de espejos, metales lisos y en masas de aguas tranquilas.
 Mogrovejo Barrera 27

b) Reflexión difusa

Es característica de superficies rugosas, en donde la energía es dispersada más o

menos equitativamente en todas las direcciones.

Figura 2.7. Tipos de reflexión

Fuente: (Campbell & Wynne, 2011)

Nota: a) Reflexión especular, b) Reflexión difusa.

2.3 Teoría general de los sensores

(Chuvieco & Huete, 2016) clasifican a los sensores remotos en función de la fuente
de energía que usan. Existen dos tipos de sensores los activos y pasivos.

Sensores activos

Son aquellos que poseen su propia fuente de energía, de modo que el sensor está en
la capacidad de emitir energía electromagnética hacia la superficie terrestre, una
vez detectado un objeto hace el registro de la energía reflejada por él. Como ejemplo
de estos sensores tenemos el RADAR y el LIDAR.

Sensores pasivos

Son sensores que registran la energía emitida y/o reflejada por la superficie
terrestre. Su fuente de energía es externa, generalmente es el sol. Este tipo de
sensores han sido los más difundidos y entre los usos más frecuentes es el monitoreo
de la superficie terrestre. Ejemplos de estos sensores tenemos ASTER, LANDSAT
8, SENTINEL 2, los mismos que son empleados para el desarrollo de esta tesis.
 Mogrovejo Barrera 28

Figura 2.8. Tipos de sensores remotos para teledetección.

Fuente: (Peguero, 2016)

2.3.1 Resolución de los sensores pasivos

Es la capacidad que tiene un sensor para la diferenciación de coberturas u objetos
presentes en el área observada. Para realizar este proceso, el sensor se basa en las
diferencias de radiación obtenidas (resolución radiométrica), resolución de la
captura (resolución espacial), la cantidad de bandas espectrales con las que trabaja
(resolución espectral) y la variación de tiempo empleado para volver a captar una
misma área (resolución temporal). Generalmente, los sensores usados en la
exploración minera priorizan la resolución espacial, espectral y aquellos que
contienen un reducido ciclo temporal. Por ejemplo, los minerales de alteración
hidrotermal se mapean mejor en las bandas de infrarrojo de onda corta, debido a
que sus características espectrales que se acoplan mejor a esas longitudes de onda.
(Chuvieco & Huete, 2016).

Resolución radiométrica

Se refiere a la sensibilidad del sensor para detectar las variaciones de la radiancia

espectral que recibe. Por lo tanto, entre mayor sea la resolución radiométrica, mayor
será la capacidad de diferenciación del sensor. Esta propiedad es aprovechada por
la capacidad de cómputo, debido a que usa toda la resolución radiométrica
disponible para la diferenciación de coberturas que presentan reflectividades
similares.
 Mogrovejo Barrera 29

Resolución espacial

Se refiere al objeto más pequeño que pueda ser identificado en la imagen, es decir
muestra el nivel de detalle de la imagen del sensor expresado en el tamaño del píxel.
Está estrechamente relacionada con la escala de trabajo y la fiabilidad de los
resultados obtenidos en la interpretación.

Resolución espectral

Indica el número y ancho de las bandas espectrales que contiene el sensor. Por lo
tanto, un sensor es mejor cuantas más bandas espectrales posea, además de que
estas deben de ser lo más estrechas posibles.

Resolución temporal

Referida a la periodicidad o tiempo de revisita que tiene el sensor a un determinado

lugar.

2.4 Imágenes satélite de sensores pasivos

2.4.1 ASTER L1T
El Radiómetro de Emisión y Reflexión Térmica Avanzada del Espacio (ASTER)
es un generador de imágenes multiespectrales, que fue lanzado a bordo de la
plataforma EOS Terra a cargo de la Administración Espacial Aeronáutica de los
Estados Unidos (NASA) en diciembre de 1999, está compuesto por cuatro
telescopios, que cubren 14 bandas de frecuencia. De estos cuatro telescopios, tres
de ellos apuntan hacia el nadir, y uno apunta hacia atrás (duplicando la frecuencia
de la banda 3 del nadir). El sensor tiene una resolución temporal de 16 días para las
14 bandas y un tiempo de 5 días para las bandas del visible e infrarrojo cercano
(Geological Survey, 2020).

Consta de tres subsistemas ópticos, los cuales son: Radiómetro visible e infrarrojo
cercano (VNIR), Radiómetro infrarrojo de onda corta (SWIR), Radiómetro
infrarrojo termal (TIR). Los mismos cuentan con una resolución espacial de 15, 30
y 90 m respectivamente.

Nivel de procesamiento L1T

El nivel L1T, se crea a partir de correcciones geométricas y radiométricas de los

datos de nivel AST_L1A. El nivel L1T se logra por la aplicación de modelos
 Mogrovejo Barrera 30

terrestres y satelitales, puntos de control y modelos de elevación, dando como

resultado un mapa rotado hacia el norte (Geological Survey, 2020). Los procesos
antes mencionados tienen la finalidad de entregar al usuario una imagen con una
proyección cartográfica definida en Universal Transverse Mercator (UTM) y una
disminución de errores topográficos debido al relieve de la zona.

Figura 2.9. Descripción de las bandas ASTER L1T

Fuente: (Geological Survey, 2020)

Características de la imagen a utilizar

Satélite: TERRA

Sensor: ASTER

Local Granule ID: AST_L1T_00307222004154430_20150505084914_70972

Fecha de adquisición: 22 de julio de 2004

Fecha de descarga: 27 de octubre de 2020

Latitud: 3°42'04.68"S

Longitud: 79°37'07.32"W

Proveedor: USGS, a través de su página de descarga de datos:

[Link]
 Mogrovejo Barrera 31

2.4.2 SENTINEL 2
La agencia espacial europea (ESA) define a las imágenes SENTINEL 2 de la
siguiente manera. El satélite es parte de una constelación de satélites europea que
tiene como finalidad la observación de la tierra, fue lanzado el 23 de junio de 2015,
por medio del cohete Vega. Consta de una franja ancha de escaneo multiespectral
y una alta resolución espacial, temporal y radiométrica. Las imágenes SENTINEL
2, del nivel de procesamiento L1c tienen una cobertura de 100 x 100 km. La
resolución de la imagen depende de las bandas, las mismas que pueden ser de 10,
20 o 60 m respectivamente ESA (2015).

Figura 2.10. Descripción de las bandas de SENTINEL 2

Fuente: (Luca Congedo, 2016)

Características de la imagen a usar

Agencia: ESA

Plataforma: SENTINEL- 2B

ID: L1C_T17MPR_A014108_20191118T153715

Dirección de la órbita: Órbita descendente

Fecha de adquisición: 18 de noviembre de 2019.

Fecha de descarga: 29 de octubre de 2020.

Tipo de producto: S2MSI1C

Proveedor: USGS, a través de su página de descarga de datos:

[Link]
 Mogrovejo Barrera 32

2.4.3 LANDSAT 8
El satélite LANDSAT 8, fue construido por la empresa “Orbital Sciences
Corporation” en Gilbert, Arizona. El satélite opera en una órbita a 705 km sobre el
Ecuador, tiene una resolución temporal de 16 días. El satélite cuenta con dos
sensores: “Operational Land Image” (OLI) con longitudes de onda que van desde
los 0.433 hasta los 2.290 µm. Consta de 9 bandas (B1 – B9) de onda corta con una
resolución espacial de 30 m (excepto la pancromática B8 que su resolución es de
15m). El “Thermal Infrared Sensor” (TIRS) tiene longitudes de onda de 10.60 hasta
12.51 µm y una resolución espacial de 100 m (U.S. Geological Survey, 2016).

Figura 2.11. Descripción de las bandas LANDSAT 8 OLI

Fuente: (Luca Congedo, 2016)

Características de la imagen a usar

Proveedor: USGS/ESPA

ID = "LC08_L1TP_010063_20200827_20200905_01_T1"

Dirección de la órbita: Órbita descendente

Fecha de adquisición: 27 de agosto de 2020.

Fecha de descarga: 05 de septiembre de 2020.

2.5 Aplicación de la teledetección en la identificación de zonas de alteración

hidrotermal.
2.5.1 Espectroscopia de reflectancia aplicada
La espectroscopia de reflectancia es una técnica que usa las ondas de energía de las
regiones del espectro electromagnético (Visible, infrarrojo cercano, infrarrojo
 Mogrovejo Barrera 33

medio) con la finalidad de analizar la respuesta espectral de los materiales

contenidos en una superficie. Las ondas pueden ser emitidas, reflectadas o
dispersadas ya sea por un sólido, líquido o un gas (Clark, 1999).

La espectroscopia de reflectancia de superficies permite caracterizar los materiales

en función de la respuesta que estos emiten de acuerdo a sus enlaces químicos,
además de contar con la capacidad de evaluar materiales tanto cristalinos como
amorfos. La ventaja fundamental de esta técnica es su marcada sensibilidad a los
cambios químicos y/o estructurales (materiales), provocando variaciones de forma
y posición en los rangos de absorción a determinadas longitudes de ondas,
permitiéndonos investigar a precisión la química de los compuestos (Clark, 1999).

2.5.2 Mecanismos de absorción

(Hunt, 1977) parte de la premisa de que la espectroscopia de reflectancia se basa en
la respuesta espectral de los materiales, esto debido a la interacción energía
electromagnética – material. Por lo tanto, los átomos y moléculas de los minerales
absorben esa energía en función de su estructura atómica, dando a conocer así sus
rasgos espectrales característicos.
(Hauff, 2008) y (Hunt, 1977) definen los rasgos de absorción de los minerales en
dos de los componentes del espectro electromagnético. Para la región de Visible
(0.4 – 0.7 μm), manifiestan que los rasgos de absorción principalmente se deben a
las transiciones electrónicas, transferencia de carga, transferencia electrónica entre
elementos, transiciones de banda de conducción y el fenómeno del centro del color.
Estos tipos de transiciones se las podría definir como una simple liberación de
energía debido al desprendimiento de energía de un electrón al cambiar de nivel
energético en un átomo. En la región del SWIR (infrarrojo de onda corta) (1.2 – 2.5
μm), los rasgos de absorción se manifiestan en función de su composición
mineralógica. Por lo tanto, sus rasgos se caracterizan por absorción de energía
dentro de la red cristalina de las transiciones de los estados vibracionales, en donde
estos estados vibracionales responden a distintos niveles de energía. En definitiva,
las transiciones entre niveles de energía y diferencias composicionales se
manifiestan por características de absorción en longitudes de onda definidas.
 Mogrovejo Barrera 34

Figura 2.12. Características de absorción de los minerales.

Fuente: (Hauff, 2008)

2.5.3 Procesos vibracionales

La disposición de las longitudes de onda es establecida por el catión y la longitud
del enlace respectivo. El radio iónico del catión establece la longitud del enlace
químico con las moléculas de agua, hidroxilo o carbonatos con las cuales se podría
establecer un enlace. Por lo tanto, la espectroscopia se encarga de medir la energía
vibracional de los enlaces, ya que estos vibran de diferentes modos y en longitudes
de ondas específicas. En definitiva, las longitudes de enlace entre átomo y molécula
son uniformes, es posible identificar composiciones y cambios composicionales en
los minerales de forma efectiva, basándonos en la longitud de onda y cambios en la
misma. Por ejemplo, el enlace Al-OH es característico de la longitud de onda de
2200 nm, el enlace Fe-OH se presenta en el rango de 2280 – 2295 nm (para arcillas)
y los enlaces Ca-CO3 aparecen entre los 2334 nm.
2.5.4 Rasgos espectrales (firmas espectrales)
La información espectral de reflectancia proveniente de objetos o superficies
detectadas por los sensores son representadas de forma visual mediante un conjunto
de pares ordenados, en donde el eje de las abscisas (eje X) contiene las longitudes
de ondas, mientras que el eje de las ordenadas (eje y) contiene el porcentaje de
reflectancia. Esta representación es conocida con el nombre de espectro de
reflectancia o firmas espectrales.

Cada mineral tiene una firma espectral única y distintiva, estas están compuestas
por sus rangos de absorción, los cuales representan la composición mineralógica de
 Mogrovejo Barrera 35

la muestra, la concentración de minerales, la estructura cristalina, el contenido de

agua y las consideraciones ambientales (generalmente son distorsiones producto de
la interacción de la energía reflectada con la atmósfera). En la identificación de
minerales, las firmas obtenidas ya sea en campo o por medio de información
satelital son comparadas mediante software con firmas referenciales provenientes
de bibliotecas espectrales, con la finalidad de generar identificaciones precisas.

2.5.5 Componentes de las firmas espectrales

Las firmas espectrales contienen una curva envolvente o continuum de rasgos de
absorción con rasgos localizados en longitudes y amplitudes de ondas
característicos, permitiendo la identificación de las variaciones químicas de un
compuesto. Los rasgos de absorción son presentados como mínimos (puntos bajos
de la gráfica) respecto a la envolvente general de la curva. La profundidad de los
rasgos depende de la intensidad de las vibraciones de energía presentes en las
longitudes de onda específicas, las cuales son características de cada mineral. Por
lo tanto, la intensidad de la profundidad es producto de la concentración del mineral
y de las propiedades físicas del mismo. Finalmente, "FWHM" significa "Full Width
at Half Maximum" (ancho total a la mitad del máximo). Puede utilizarse para
determinaciones de simetría relacionadas con la cristalinidad. (Clark et al.,1990)
indica que otro uso del “FWHM” es determinar la posición de una banda y la
detección de su desplazamiento.

Figura 2.13. Componentes de una firma espectral.

Fuente: (Hauff, 2008)

 Mogrovejo Barrera 36

Describiendo a una firma espectral tenemos que los rangos de absorción en una
firma espectral cambian de forma y profundidad respecto al eje de las ordenadas y
cambian de longitud de onda respecto al eje de las abscisas indicándonos zonas de
vibración de moléculas o radicales como OH, H2O, NH4, CO3 y enlaces de catión
OH COMO Al-OH, Mg-OH, Fe-OH.

Figura 2.14. Rangos mayores de absorción.

Fuente: (Hunt, 1977)

Los principales rasgos de absorción que se pueden observar dentro de una firma
espectral son la forma y profundidad, ya que estos están en función de las
características de la molécula del mineral analizado.

Figura 2.15. Principales rasgos de absorción de los minerales

Fuente: (Mamani, 2017)

 Mogrovejo Barrera 37

2.5.6 Espectrometría de reflectancia de minerales de alteración hidrotermal

Los yacimientos hidrotermales se encuentran localizados espacial y temporalmente
en base a los rasgos característicos que presentan (temperatura y presión de
formación, asociaciones minerales y conjuntos minerales), por tal motivo es de vital
importancia la comprensión (fuentes y evolución) y caracterización de los
conjuntos minerales de alteración (variaciones fisicoquímicas) presentes en los
diferentes tipos de alteración hidrotermal, el conocer a detalle las asociaciones
minerales es igualmente valioso, debido a que la identificación de un mineral puede
indicar la presencia de otros. Cada zona de alteración hidrotermal contiene mezclas
complejas de conjuntos minerales ya sean primarios (originales) o los minerales
producto del metasomatismo (minerales nuevos).
Los conjuntos minerales de alteración presentan granos finos, incluso algunos de
ellos carecen de cristalinidad (ambientes de baja temperatura) complicando su
identificación óptica, de modo que muchas de las interpretaciones de minerales y
sus relaciones paragenéticas tienden al error.
La espectroscopia de reflectancia surge como una potente herramienta de
interpretación mineralógica, especialmente cuando usamos un espectrómetro
manual, el cual nos entrega información en tiempo real sobre la presencia y
contenido de minerales de alteración. Convirtiéndose así en una herramienta
poderosa para la exploración mineral con poca inversión y gran calidad de
resultados (Kerr et al., 2011).
2.5.7 Comportamiento espectral de minerales típicos de alteraciones
hidrotermales
Para la detección de minerales de alteración hidrotermal por medio de
espectrometría de reflectancia hacemos referencia a que estos presentan sus rasgos
espectrales característicos en la región SWIR (infrarrojo medio) del espectro
electromagnético.
(R. Clark et al.,1990), (Hauff, 2008) y (Hunt, 1977) en sus respectivas
publicaciones afirman que la zona SWIR es sensible a moléculas y radicales como
OH, H2O, NH4, CO3 y a enlaces del catión OH como Al-OH, Mg-OH y Fe-OH.
La espectroscopia por SWIR detecta las energías vibracionales de los enlaces
químicos entre átomos y moléculas en la capa octaédrica del compuesto,
permitiendo la detección de materiales tanto cristalinos como amorfos.
 Mogrovejo Barrera 38

(Mamani, 2017) afirma que los minerales de alteración no sólo son identificables
en base a sus características distintivas, también pueden ser identificadas por la
forma de su firma espectral, la cual contiene información vital como la posición de
sus ondas, su intensidad, forma de la depresión relacionada a la absorción y la forma
total del espectro.
Para que sea posible la identificación de minerales, su presencia debe ser mayor al
5% de la muestra, salvo la ventaja de que el mineral a mapear sea altamente
reflectivo. Cuando se trata con mezclas de minerales afines al infrarrojo medio, se
habla que el mineral dominante es fácilmente detectable, pero los demás minerales
deberán estar presentes en más del 10% para generar datos confiables. Cuando se
trata de minerales escasamente reflectantes su presencia debe ser mayo al 20%.

Figura 2.16. Firmas espectrales de minerales

Fuente: (SpecMin, 2005)

 Mogrovejo Barrera 39

(Hauff ,2008) en base a su recopilación bibliográfica, publica la lista de minerales

identificables dentro del rango del SWIR (ver figura 2.17).

Figura 2.17. Resumen de los minerales activos en el infrarrojo con características de absorción
SWIR

Fuente: (Hauff, 2008) Modificado de: (Thompson & Thompson ,1996)

2.5.8 Química de los minerales

Partiendo de que en los minerales están presentes varios enlaces químicos y que
estos vibran en diferentes rangos energéticos, es mediante la interpretación de la
posición de la longitud de la onda que es factible su identificación. La presencia de
cationes como Al, Mg, Fe están enlazados a diferentes longitudes con moléculas
mayores como OH, H2O, CO3 y NH4, permitiéndonos su detección en la región
SWIR, debido a sus posiciones específicas y sus longitudes de ondas predecibles.
Las posiciones de longitud de onda nos permiten identificar los enlaces moleculares
específicos y también nos sirven para identificar las especies minerales. En
definitiva, cualquier grupo mineral receptivo al campo infrarrojo o series de
soluciones sólidas donde la sustitución química es un factor que determina las
especies es detectable por medio de espectrometría infrarroja. Con lo antes
expuesto, expresamos que ésta es una técnica apropiada y con grandes ventajas para
la elaboración de cartografía en la identificación de minerales (Saldivar, 2020).
 Mogrovejo Barrera 40

(Mamani, 2017) y (Saldivar, 2020) citan ejemplos sobre los cambios que se
evidencian en las firmas espectrales en base a las variables químicas que
experimentan los minerales. Entre ellos tenemos:
La presencia del hierro en la mayoría de los minerales muestra en su firma espectral
una pendiente positiva en los rangos de 1300 -1900 μm. Es posible determinar la
presencia de clorita con hierro de una que no lo tiene, esto debido a la variabilidad
de los rangos de absorción que muestran sus firmas espectrales, el cambio que se
evidencia en el rango de 1400nm – 1850nm.

Figura 2.18. Composición química de la clorita con magnesio y hierro.

Fuente: (Saldivar, 2020)

Para las alunitas su rasgo característico es debido al enlace Al-OH con una longitud
de onda de 1480 nm, cambia a ~1,461nm con presencia de NH4, con Potasio puro
(K) ~1,478 nm, con Sodio (Na) 1.496 nm y con Calcio (Ca) a 1510 nm.
 Mogrovejo Barrera 41

Figura 2.19. Firmas espectrales de las Alunitas ricas en K, Na, Ca y NH4

Fuente: (Kerr et al., 2011)

 Mogrovejo Barrera 42

CAPÍTULO 3

METODOLOGÍA

Metodología
3.1 Tratamiento digital de imágenes satélite
El tratamiento digital de imágenes se refiere al procesamiento y extracción de
información por medio de un computador, ya que este tiene la capacidad de analizar
información a lo largo de todo el rango del espectro electromagnético. La
metodología del procesamiento informático se basa en recrear la capacidad visual
humana y su aprendizaje, de modo que sea posible hacer inferencias y toma de
decisiones en base a la disponibilidad de información visual (Gonzalez & Woods,
2002).
Existen tres niveles de tratamiento de información los cuales son:
 Nivel bajo
Está relacionado con el pre-procesamiento de las imágenes, los procesos en este
nivel son: reducción de ruido, mejora del contraste y nitidez. Por lo tanto, la entrada
y salida del proceso son imágenes.
 Nivel medio
En este nivel la entrada es una imagen, pero su salida se caracteriza por presentar
atributos extraídos de ellas. Por lo tanto, las imágenes pueden ser segmentadas
(regiones, objetos) y descritas (caracterización de objetos para reducirlos a una
forma adecuada para el procesamiento y clasificación de objetos individuales).
 Nivel alto
El nivel superior implica “Dar sentido” a los objetos reconocidos en la imagen, con
la consiguiente aplicación de funciones cognitivas asociadas a la visión y
experiencia del investigador (generar una clasificación exacta).

3.2 Procesamiento de datos

3.2.1 Composición de imágenes en color natural
Las composiciones de color en imágenes satelitales, se las realiza por medio de la
asignación de los colores primarios (rojo, verde y azul) a un juego de tres bandas
distintas de una imagen, en base a un criterio y orden establecido. En definitiva, una
composición en color natural, nos permite visualizar la imagen tal cual el ojo
 Mogrovejo Barrera 43

humano la observaría, es decir la vegetación será representada por color verde,

cuerpos de agua en azul, etc. (Chuvieco & Huete, 2016).
Para cada sensor existe una combinación de bandas específicas que definen una
composición RGB (por sus siglas en inglés) en color natural. Para nuestro caso,
tenemos para LANDSAT 8 la combinación 3(Rojo), 2(Verde) y 1 (azul). Para el
sensor ASTER, la combinación se expresa mediante la conjugación de las
siguientes bandas 1(Rojo), 2*3 (Verde) y 4 (Azul). Finalmente, para SENTINEL 2
es 4 (Rojo), 3 (Verde) y 2 (Azul).

Figura 3.1. Imágenes ASTER, LANDSAT 8 y SENTIENEL 2 en color natural.

Fuente: (USGS,2020). Elaboración propia.

Nota: a) ASTER L1T (2004), b) LANDSAT 8 OLI (2020), c) SENTINEL 2B (2019

3.2.2 Preprocesamiento para las imágenes satelitales ASTER L1T, LANDSAT

8 OLI, SENTINEL 2
Las imágenes satelitales empleadas en este trabajo presentan un elevado nivel de
preprocesamiento, es decir, los servidores entregan los productos en niveles de
radiancia, por lo cual, únicamente es necesaria la aplicación de una corrección
atmosférica a la imagen con la finalidad de obtener niveles de reflectancia. Esto
implica una corrección de la radiación que cualquier superficie refleja, sobre la
radiación que incide sobre la misma, permitiéndonos obtener la reflectancia relativa
de la imagen, de modo que sea posible observar los picos de absorción, reflexión
que los materiales presentan en las bandas de los sensores (Caiza, 2018).
Caiza (2018) manifiesta que las correcciones antes mencionadas deben ser
realizadas en softwares especializados en el manejo de imágenes satelitales
multiespectrales o hiperespectrales, debido a que los procesos se realizan mediante
procesos matemáticos que implican el paso de niveles digitales (ND) a niveles de
 Mogrovejo Barrera 44

reflectancia. Para nuestro trabajo, las correcciones se realizaron en el software

ENVI 5.3.

[Link] Conversión de niveles digitales a reflectancia

La información contenida en una imagen satelital está en niveles digitales, los

cuales no representan a una variable biofísica, es decir son valores crudos. Por lo
tanto, no se los puede usar para la obtención de índices espectrales, mucho menos
compararlos con los obtenidos de bibliotecas espectrales. Esto debido a que los
índices espectrales trabajan exclusivamente con valores de reflectancia.
La conversión de niveles digitales a reflectancia se da en dos pasos:
1. Conversión de ND a radiancia (corrección radiométrica).
2. Conversión de radiancia a reflectancia aparente (cálculo de reflectancia en
el sensor).
Si a los procesos anteriores le sumamos la eliminación de los efectos
atmosféricos, se convertiría de una reflectancia en el sensor a una reflectancia
en la superficie terrestre (corrección atmosférica) (Caiza, 2018).

[Link] Corrección atmosférica

La corrección atmosférica se realizó en el software ENVI 5.3, mediante la

herramienta Internal Average Relative Reflectance (IARR). El algoritmo IARR
funciona a partir del análisis de toda la escena y posterior cálculo de un espectro
medio, el mismo que será usado como referencia para los demás píxeles.
Finalmente, el espectro de referencia obtenido es dividido por el valor de cada píxel
de la imagen con el objetivo de pasar de niveles de radiancia a niveles de
reflectancia (Visual Information Solutions, 2009).
La corrección atmosférica por medio de la herramienta IARR es la más propicia
para el desarrollo de mapeo mineralógico, esto debido a que no necesita de un
conocimiento previo de las muestras tomadas en campo, simplemente el algoritmo
se ejecuta y los datos son reescalados a niveles de reflectancia, sumándose a esto la
característica de que todos los espectros tienen casi el mismo albedo (Pour &
Hashim, 2015).
 Mogrovejo Barrera 45

a b

Figura 3.2. Cambios en los picos de absorción al aplicar corrección atmosférica (IARR)
Fuente: Elaboración propia
Nota: Los valores de absorción son tomados de la imagen ASTER, en donde: a) imagen cruda, b)
imagen corregida.

[Link] Corrección térmica

La corrección de las bandas térmicas se realizó en dos etapas. La primera consiste
en una corrección atmosférica térmica (TAC). En segunda instancia se procesan las
bandas resultantes del paso uno y se las pasan a valores de emisividad, siendo este
valor el indicado para la interpretación litológica y mineralógica del presente
trabajo. A continuación, detallamos cada proceso.

 Thermal Atmospheric Correction (TAC)

La corrección de bandas térmicas se realiza mediante el algoritmo In-Scene

Atmospheric Compensation (ISAC) presente en el programa ENVI. Este algoritmo
asume que la atmosfera es uniforme a lo largo de toda la escena y que existe un
cuerpo negro dentro de la imagen. El proceso se realiza mediante el análisis de toda
la escena con la finalidad de determinar una longitud de onda que contenga el mayor
brillo y temperatura. Posteriormente, esta longitud de onda es usada como
referencia ante los demás píxeles, por lo tanto, únicamente los espectros que
contengan el brillo y temperatura de esa longitud de onda serán procesados en el
cálculo de la compensación atmosférica (Visual Information Solutions, 2009).
 Mogrovejo Barrera 46

Figura 3.3. Desarrollo del algoritmo ISAC

Fuente: (Gorin, 2002)

Donde:
LBB = Radiancia emitida por el cuerpo negro teórico.
ε = Emisividad de la superficie.
λ = Longitud de onda.
T = Temperatura.
c1 = Constante de radiación (3.72 x 108 Wm-2μm4)
c2 = Constante de temperatura (1.439 x 104 μmk)

 Emissivity Normalization
La normalización de la emisividad se utiliza para el cálculo de los valores de
emisividad y temperatura de los datos de radiancia térmica infrarroja. El cálculo se
realiza mediante la obtención de la temperatura para cada píxel y banda de los datos
usando un valor de emisividad fijo. La temperatura más alta de cada píxel, se utiliza
para calcular los valores de emisividad utilizando la función de Planck.

Figura 3.4. Diagrama de flujo del algoritmo ISAC

Fuente: (Gorin, 2002)
 Mogrovejo Barrera 47

3.3 Construcción de máscaras

La construcción de máscaras forma parte del tratamiento digital de imágenes
satelitales a nivel medio (segmentación), es decir, entra al procesamiento una
imagen y como resultado tenemos la extracción de sus atributos. El proceso de
segmentación implica la búsqueda e identificación de zonas homogéneas tomando
como base una información determinada. Por lo tanto, el proceso implica la
clasificación de zonas en base a sus características espectrales homogéneas
(Mather, 2011).
La construcción de máscaras en el presente trabajo tiene como objetivo la
identificación y posterior eliminación de valores espectrales de zonas de
vegetación, zonas urbanas y construcciones mineras presentes en la zona de estudio.
Esto con la finalidad de minimizar la aparición de falsas anomalías debido a la
similitud en las firmas espectrales entre una cubierta y otra.

 Máscara de vegetación
La construcción de esta máscara se realiza por medio del cálculo del índice de
vegetación normalizada (NDVI). El NDVI es un índice mediante el cual se
transforman datos multiespectrales a una mono banda que contiene una imagen que
muestra la vegetación contenida en cada píxel. En consecuencia, los valores altos
del NDVI (más brillantes) representan vegetación saludable (alto contenido de
clorofila).

La razón por la cual realizamos este enmascaramiento es debido a que la vegetación

genera significativos errores al momento de la ejecución de los procesos espectrales
(mapea vegetación como si fueran minerales). Nuestra finalidad es el mapeo de
afloramientos y suelo desnudo. Razón por la cual se procedió a realizar muestreos
digitales en zonas con presencia de vegetación, obteniéndose un valor mínimo y
máximo para toda la escena (estos valores varían para cada sensor). Una vez
calculados estos valores, se procede al enmascaramiento de las zonas vegetadas que
cumplen con el rango establecido.
 Mogrovejo Barrera 48

Tabla 3.1. Umbral para la selección de píxeles de vegetación leñosa

Imagen Satelital Umbral

ASTER L1T 0.30 < x ≤ 0.57
x > 0.30
LANDSAT 8 OLI 0.32< x ≤ 0.68
x > 0.32
SENTINEL 2 0.03< x ≤ 0.40
x > 0.03

Fuente. Elaboración propia

Nota: Los umbrales varían de una imagen con respecto a otra debido a las diferencias en la

resolución espacial y espectral que posee cada sensor

a b c

Figura 3.5. Cálculo del NDVI en ENVI

Fuente. (USGS,2020). Elaboración propia.

Nota: Imagen ASTER del año 2004. a) Combinación RGB infrarrojo color (3,2,1). La vegetación se
aprecia en color rojo. b) NDVI, los píxeles brillantes corresponden a vegetación leñosa. c) Umbral
de selección de píxeles.

 Máscara de zonas urbanas, mineras

El enmascaramiento se lo hace por medio de la creación de un área de interés que
está en función de la silueta de la zona conflictiva.
 Mogrovejo Barrera 49

Figura 3.6. Enmascaramiento de zonas urbanas mediante la herramienta ROI de ENVI

Fuente: (USGS,2020). Elaboración propia
Nota: Imagen ASTER del año 2004. Las zonas en rojo corresponden a la máscara

 Construcción de la máscara
Para el desarrollo de esta operación es necesario unir los archivos que contienen las
máscaras antes elaboradas. Una vez unidos los archivos se le condiciona al software
la ejecución de la opción “Selected areas OFF”, es decir elimine los valores de los
píxeles que contienen esas zonas, de modo que a futuro ya no generen mapeos
erróneos.

Figura 3.7. Máscara de la zona de estudio

Fuente: (USGS,2020). Elaboración propia

Nota: Imagen ASTER del año 2004. Los pixeles en negro no contienen información, únicamente los
pixeles blancos serán utilizados en los mapeos espectrales
 Mogrovejo Barrera 50

3.4 Procesamiento de imágenes satelitales

3.4.1 Combinaciones RGB
Las combinaciones de bandas son utilizadas en teledetección debido a que al asignar
un juego de bandas a los canales RGB (rojo, verde y azul), estos realzan la respuesta
espectral de los minerales, mostrándolos en distintas coloraciones de acuerdo a su
composición. Esta técnica es realizada generalmente para un mapeo preliminar de
zonas con presencia de minerales arcillosos y óxidos.

[Link] RGB para ASTER L1T

Se ha empleado las siguientes combinaciones en RGB (ver Anexo A):
 Azcurra et al. (2003) plantea la combinación RGB 5-3-1 usado en el
mapeo de minerales arcillosos.
 Marquetti et al.( 2004) establece la combinación RGB 4-6-9, el mismo que
es empleado para mapeo de minerales arcillosos.
 Di Tommaso & Rubinstein (2005) plantean la combinación RGB 4-6-1
para mapeo de minerales arcillosos y óxidos
 Sekandari et al. (2020) establece la combinación RGB 6-2-8 para la
discriminación litológica de unidades que contienen Al/Fe-OH, Fe+2/Fe3+
y Mg-Fe-OH/CO3.
En la figura 3.8 observamos que los minerales de arcillosos presentan diferentes
coloraciones, esto en base a las diferentes combinaciones que se dieron a las bandas
de ASTER. Para la combinación RGB 5-3-1 propuesta por (Azcurra et al., 2003)
(Figura 3.8a), estos presentan una coloración verde clara. En el RGB 4-6-9
propuesto por (Marquetti et al., 2004) (Figura 3.8b), las zonas de interés se mapean
de color marrón, además las zonas que presentan tonalidades rosado pálido (muy
cercano al blanco) caracterizándose por la presencia de alteración argílica a fílica.
El RGB 4-6-1 de (Di Tommaso & Rubinstein, 2005) (Figura 3.8c) los minerales
arcillosos aparecen en tonos morados. Finalmente, el RGB 6-2-8 planteado por
(Sekandari et al., 2020), (Figura 3.8d) mapea minerales que contienen Al/Fe-OH
mezclados ligeramente con minerales de Mg-Fe-OH/CO3 y los presenta en color
púrpura.
Para el mapeo preliminar de zonas de alteración con presencia de óxidos, nos
remitimos a las combinaciones RGB 4-6-1 y RGB 6-2-8 propuestas por (Di
 Mogrovejo Barrera 51

Tommaso & Rubinstein, 2005) y (Sekandari et al., 2020) respectivamente. En la

primera combinación, los óxidos se los observa de color amarillo (figura 3.8c),
mientras que en la segunda (figura 3.8d), el autor señala que el color verde obscuro
se debe a la presencia de minerales Fe+2 / Fe+3.

Figura 3.8. Combinaciones de bandas en ASTER

Fuente: (USGS, 2020). Elaboración propia.

Nota: a) RGB 5-3-1, b) RGB 4-6-9, c) RGB 4-6-1, d) RGB 6-2-8. Los recuadros rojos representan
zonas con presencia de minerales arcillosos y presencia de óxidos.

[Link] RGB para LANDSAT 8 OLI

Pour & Hashim (2015) proponen la combinación RGB 10-11-7 (ver Anexo F). La
adición de dos bandas termales (10-11), mejoran significativamente la calidad de
los resultados debido a que las bandas termales trabajan en función de la
temperatura y la emisividad del objeto a mapear. De este RGB el color rojo
representa altos valores de emisividad (alto contenido de silicatos), en azul y rosado
se mapean unidades que contienen rocas con una emisividad moderada a baja. La
contribución de la banda 7 refleja la absorción de rocas en la región del infrarrojo
de onda corta (SWIR) debido a la presencia de minerales que contienen enlaces Al-
OH, Mg-OH, Si-O-H y presencia de Fe y CO3. En definitiva, las áreas en tonalidad
azul contienen rocas con pocos minerales de silicato y las zonas amarillas
 Mogrovejo Barrera 52

corresponden a zonas con presencia de minerales de alteración hidrotermal (previa

evaluación de sus firmas espectrales).

[Link] RGB para SENTINEL 2

La combinación RGB 8-11-12 propuesta para SENTINEL 2, se deriva del RGB 5-
6-7 de LANDSAT 8 propuesto por (Cunha, 2015). Para lograr esta combinación en
SENTINEL 2, únicamente se ha relacionado las bandas de los sensores de acuerdo
a la similitud en sus longitudes de ondas (bandas equivalentes).
El RGB 8-11-12, muestra zonas de vegetación frondosa en color rojo, cuerpos de
agua en color negro (en nuestro caso mapea los ríos y las relaveras de la zona).
Finalmente, los afloramientos y suelo desnudo se presentan en tonos azules (ver
Anexo J).

3.4.2 Cocientes de bandas

Los cocientes de bandas son técnicas espectrales que consisten en una división del
valor numérico digital de una banda para el valor numérico digital de otra. Por lo
tanto, en el numerador se colocan las bandas en las cuales el mineral a mapear
presenta altas reflectividades, mientras que en el denominador se coloca la banda
en la cual se localizan las absorciones. El resultado de este cociente de bandas no
es una simple mono banda, si no que refleja valores numéricos digitales elevados
(Píxeles brillantes), los cuales contienen firmas espectrales semejantes a los
materiales que se quieren mapear. Cabe mencionar que otro beneficio del cociente
de bandas es la capacidad que tiene este para minimizar los efectos topográficos
derivados de las orientaciones de las pendientes y de los ángulos de iluminación
solar (Mamani, 2017; Pour et al., 2018; Sekandari et al., 2020).

[Link] Cocientes de bandas para ASTER

Los cocientes de bandas para ASTER son los establecidos para el mapeo y
delimitación de los distintos tipos de alteración hidrotermal (Ver tabla 3.2, Anexo
B).
 Mogrovejo Barrera 53

Tabla 3.2. Ratios de bandas usados para cartografiar tipos de alteración hidrotermal

Tipo de alteración Hidrotermal Cociente

Argílica avanzada 4/6
Fílica 5/6
Propilítica 5/8

Fuente: (Mamani, 2017)

Por otro lado, Caiza (2018) establece el cociente 2/1 para el mapeo de óxidos.

[Link] Cocientes de bandas para LANDSAT 8

Para el mapeo de minerales de alteración, tenemos los siguientes cocientes de banda
(ver tabla 3.3, Anexo G).

Tabla 3.3. Ratios de bandas usados para cartografiar minerales de alteración hidrotermal

Mapeo Cociente
Óxidos de hierro 4/2
Hidroxilos contenidos en roca
(rocas alteradas con presencia de 6/7
arcillas y alunitas)
Minerales arcillosos
(illita, caolinita, montmorillonita) 7/5

Fuente: (Cunha, 2015). Elaboración propia

Partiendo de los cocientes de bandas es posible hacer combinaciones en falso color,

de tal modo que existen varias composiciones, siendo la más destacada para nuestra
zona de estudio la propuesta por Kaufmann (1988), en donde se le asignan los
cocientes 7/4, 4/3, 5/7 a los canales RGB respectivamente. El RBG de Kaufmann
fue modificado para que pueda acoplarse a las longitudes de onda de LANDSAT
8, de modo que la nueva combinación es la siguiente (7/5, 6/7, 6/5) (ver Anexo G
(Mapa 14)).
 Mogrovejo Barrera 54

Cunha (2015) establece que en la combinación de Kaufmann las tonalidades rojas

estarían relacionadas con zonas de alteración hidrotermal. Por otro lado, Mahboob
et al.( 2019) establece que las zonas rojas corresponden a la presencia de minerales
que contienen hierro.

[Link] Cocientes de bandas para SENTINEL 2

Para el mapeo de minerales de alteración, tenemos los siguientes cocientes de banda
(ver tabla 3.4, Anexo K).

Tabla 3.3. Ratios de bandas usados para cartografiar minerales de alteración hidrotermal

Mapeo Cociente
Óxidos de hierro
(todos los óxidos de Hierro) 4/2
Hidroxilos
(minerales con presencia de 11/12
hidroxilos)
Minerales arcillosos
(illita, caolinita, montmorillonita) 12/8

Fuente: (Van der Meer et al., 2014; Van der Werff & Van der Meer, 2016). Elaboración propia

3.4.3 Índices de identificación litológica SWIR (Índices de Ninomiya)

(Exclusivo de ASTER)
Los índices de identificación litológica propuestos por (Ninomiya, 2003) permiten
resaltar la presencia de minerales de alteración hidrotermal en función de su
respuesta espectral, básicamente estos índices se centran en las bandas donde mayor
reflexión o absorción presentan los minerales. Los índices de identificación
litológica originalmente fueron propuestos para datos del nivel 1B de ASTER (nivel
inferior al usado en este trabajo) y sin un preprocesamiento previo (corrección
atmosférica).
Trabajos recientes como el de (Testa et al., 2018) aplican estos índices a imágenes
ASTER L1T con correcciones atmosféricas obteniendo resultados mejorados frente
 Mogrovejo Barrera 55

a aquellos derivados de imágenes satelitales sin correcciones previas (ver Anexo

C).

Tabla 3.4. Índices de Ninomiya empleados para la detección de minerales de alteración

hidrotermal

Índice Bandas a usar Minerales de reconocimiento

OHIa (B7/B6) * (B4/B6) Muscovita, Illita, Montmorillonita
OHIb (B7/B5) * (B4/B5) Pirofilita
ALI (B7/B5) * (B7/B8) Alunita
KLI (B4/B5) * (B8/B6) Caolinita, Dikita
CLI (B6/B8) * (B9/B8) Calcita

Fuente: (Ninomiya, 2003; Testa et al., 2018). Elaboración Propia

3.4.4 Análisis de componentes principales (ACP)

El análisis de componentes principales es una transformación matemática compleja
usada en el procesamiento de imágenes satelitales, que tiene por objetivo la
reducción de la dimensionalidad de los datos sin la pérdida de información
significativa (Chuvieco & Huete, 2016). La dimensionalidad de los datos es igual
al número de bandas a analizar, se dice que las bandas tienen una alta correlación
entre sí, razón por la cual existe una alta redundancia en los datos (información
repetida).
Cuando dos variables (x, y) están plenamente correlacionadas, estas se las
representa mediante una línea recta inclinada hacia arriba y a la derecha (Imagen
3.9a) ocupando una sola dimensión. Al existir una sola dimensión, la relación entre
estos puntos podría darse en términos del segmento AB, es decir re ubicar el eje X
a lo largo de esta línea, incluso si X e Y no están completamente correlacionadas
podría existir una dirección dominante de dispersión o variabilidad de los datos
(Imagen 3.9b).
Una vez reubicado el eje en la dirección dominante de variabilidad (AB) se puede
asignar un eje menor (CD) en dirección ortogonal, de modo que CD es el reemplazo
del eje Y. Los nuevos ejes (AB, CD) contienen información mucho más relevante
sobre las estructuras de datos presentes en las bandas (No tienen correlación),
 Mogrovejo Barrera 56

incluso al ser pequeña la proporción de variabilidad de los datos contenidos en CD,

podrían ser eliminados sin una mayor pérdida de información (Mather, 2011).
a b

Figura 3.9. Reducción de la dimensionalidad por medio de ACP

Fuente: (Mather, 2011)

Nota a) Plena correlación de los datos. b) Cambio de ejes en función de la variabilidad de los datos.

El ACP parte del análisis de una matriz varianza - covarianza, de los cuales se
extraen los valores propios para cada uno de los componentes (λj), los cuales indican
la longitud de los nuevos componentes o la información que retienen. Los valores
propios se encuentran en magnitudes descendentes (Generalmente las variaciones
de las dos o tres primeras imágenes de las componentes principales representan más
del 90% de la variación total en X).

La varianza original extraída de los componentes originales se calcula como la

proporción entre el valor propio sobre la sumatoria de todos los valores propios
(Chuvieco & Huete, 2016; Mather, 2011).

𝜆𝑗
𝑉𝑗 =
∑𝑗=1.𝑝 𝜆𝑗
Donde:
p = número total de las componentes.
El ACP tradicional consiste en realizar la transformación a todo el grupo de bandas
que posee en sensor, tornándose este en un problema al momento del análisis de la
información obtenida. Razón por la cual, existen numerosas variantes del ACP
tradicional, siendo las de mayor interés para nuestro estudio las propuestas por los
siguientes autores.
 Mogrovejo Barrera 57

1. Feature-Oriented Principal Component Selection – FPCS.(Análisis de

Componentes Principales Orientadas ) Propuesto por (Crosta & M. Moore,
1989)
2. Crosta Technique. Propuesto por (Loughlin, 1991), siendo esta una
adaptación del método de (Crosta & M. Moore, 1989)
El primer método (FPCS) se aplica a un determinado grupo de bandas, las cuales
presentan una alta o baja correlación y mediante la transformación de componentes
se obtiene información única para cada banda.
Prol Ledesma & Ruiz-Armenta (1995) definen la FPCS como una técnica que
permite la identificación de componentes principales que contienen información
espectral de materiales específicos, de igual manera, determina la contribución de
cada banda original relacionada a la respuesta espectral teórica de los materiales
buscados. Para la interpretación de la respuesta espectral teórica, nos basamos en
los signos ya sean estos positivos o negativos y en la magnitud de los vectores
característicos.
El segundo método, propuesto por (Loughlin, 1991) tiene su máxima aplicabilidad
en el mapeo de arcillas, óxidos e hidróxidos de hierro. La marcada destreza de este
método se debe a que el análisis de componentes principales se lo realiza a un
selecto subgrupo de 4 bandas, las cuales son seleccionadas en base a las posiciones
de longitud de onda en donde los minerales a buscar manifiestan sus rasgos
espectrales más significativos (reflexión y absorción).

[Link] Componentes principales para ASTER L1T

De acuerdo a los rasgos espectrales característicos de los principales minerales de
alteración hidrotermal se proponen los siguientes subgrupos (Ver tabla 3.6, Anexo
D).
 Mogrovejo Barrera 58

Tabla 3.5. Subgrupos de Bandas de ASTER L1T usados en la determinación de los tipos de
alteración hidrotermal.

Alteración Subgrupo (B = banda)

Argílica avanzada B1, B4, B6 y B7
Fílica B1, B3, B5 y B6
Propilítica B1, B3, B5 y B8
Óxidos B1, B2 y B3

Fuente: (Mamani, 2017). Elaboración propia.

[Link] Componentes principales para LANDSAT 8 OLI

Para el análisis de componentes principales se usan las bandas 2,3,4,5,6 y 7. La
exclusión de las bandas 1,8 y 9 se debe a que estas no contienen información
relevante para nuestro caso de estudio (Ver Tabla 3.7, Anexo H).

Tabla 3.6. Subgrupos de Bandas de LANDSAT 8 OLI usados en la determinación de óxidos e

hidroxilos.

Objetivo a mapear Subgrupo (B = banda)

Óxidos de hierro B2, B4, B5 y B6
Hidroxilos B2, B5, B6 y B7

Fuente: (Cunha, 2015). Elaboración propia.

[Link] Componentes Principales para SENTINEL 2

Para el análisis de componentes principales se usan las bandas 2,3,4,5,6,7, 8a, 11,
12. La exclusión de las bandas 1,9,10 se debe a que estas no contienen información
relevante para nuestro caso de estudio (Ver Tabla 3.8, Anexo L).

Tabla 3.7. Subgrupos de Bandas de SENTINEL 2 usados en la determinación de óxidos e

hidroxilos.

Objetivo a mapear Subgrupo (B = banda)

Óxidos de hierro B2, B4, B8a y B11
Hidroxilos B2, B8a, B11 y B12

Fuente: (Hu et al., 2018). Elaboración propia

 Mogrovejo Barrera 59

3.4.5 Mapeo espectral SAM

El método SAM es un método de comparación automática que está basado en el
coeficiente de similitud proporcional (cos θ), este coeficiente se caracteriza por
medir la diferencia que existe entre las curvas espectrales de referencia y las curvas
espectrales presentes en la imagen satelital. El valor que puede tomar θ es 0 ≤ θ ≤
90°, en donde cos (0°) es 1, por lo tanto, significa similitud y cos (90°) es 0 por lo
tanto no refleja similitud. El algoritmo SAM toma a los espectros como vectores en
un espacio n-dimensional (n es el número de bandas a analizarse), cada vector
espectral tiene asociado una dirección y un módulo, siendo el módulo directamente
proporcional a la iluminación solar. En términos generales, la clasificación SAM se
realiza en base a la diferencia angular entre los espectros de los vectores de la
imagen y los vectores de referencia (Mather, 2011). La fórmula que emplea el
algoritmo es la siguiente:

∑𝑁𝑖=1 𝑟𝑖 𝑡𝑖
cos(𝜃) = 𝑁
(∑𝑖=1 𝑟𝑖 2 )0.5 (∑𝑁 2 0.5
𝑖=1 𝑡𝑖 )

Donde:
θ: Ángulo comprendido entre los vectores
n: Número de bandas.
r: Vector de referencia.
t: Vector de la escena.
3.5. Muestreo digital para la identificación de zonas de alteración
hidrotermal.
3.5.1 Análisis de las firmas espectrales
[Link] Reporte espectral para ASTER L1T
 Mogrovejo Barrera 60

Firma espectral de la USGS Reensamble para ASTER

 Mogrovejo Barrera 61

Firma espectral de la USGS Reensamble para ASTER

 Mogrovejo Barrera 62

Firma espectral de la USGS Reensamble para ASTER

 Mogrovejo Barrera 63

[Link] Reporte espectral para LANDSAT 8 OLI

Firma espectral de la USGS Reensamble para LANDSAT 8

 Mogrovejo Barrera 64

Firma espectral de la USGS Reensamble para LANDSAT 8

 Mogrovejo Barrera 65

Firma espectral de la USGS Reensamble para LANDSAT 8

 Mogrovejo Barrera 66

[Link] Reporte espectral para SENTINEL 2

Firma espectral de la USGS Reensamble para SENTINEL 2

 Mogrovejo Barrera 67

Firma espectral de la USGS Reensamble para SENTINEL 2

 Mogrovejo Barrera 68

Firma espectral de la USGS Reensamble para SENTINEL 2

 Mogrovejo Barrera 69

3.6 Clasificación SAM

Para la clasificación espectral por medio del método SAM, se ha elaborado mapas
de distribución de minerales en base a la tabla 3.9 (Ver anexo E (ASTER), Anexo
I (LANDSAT 8) y Anexo M (SENTINEL 2)), en donde se detallan los principales
minerales presentes de acuerdo al tipo de alteración hidrotermal. Del mismo modo,
se detallan también los principales óxidos presentes en las zonas de alteración.

Tabla 3.8. Principales minerales presentes en los distintos tipos de alteración hidrotermal

Alteración hidrotermal Minerales característicos

Argílica avanzada Alunita, Caolinita, Dikita
Fílica Pirofilita, Montmorillonita, Illita
Propilítica Epidota, Clorita, Calcita
Óxidos Hematita, Jarosita, Goetita, Limonita

Fuente: (Mamani, 2017)

 Mogrovejo Barrera 70

CAPÍTULO 4

ANÁLISIS Y RESULTADOS

4.1 Análisis visual preliminar de las imágenes satelitales en color natural

La razón fundamental para el desarrollo de este análisis es la marcada diferencia
temporal que existe entre las imágenes satelitales. Específicamente, tenemos que la
imagen ASTER data del año 2004, mientras que las imágenes LANDSAT 8 y
SENTINEL 2 son actuales (2020, 2019 respectivamente). Siendo la imagen
LANDSAT la más actual, se la ha tomado como referencia (ver imagen 4.1).
Para el año 2020, tenemos un marcado crecimiento urbano, rural y de
construcciones mineras en general, de modo que la información creada a partir de
ASTER podría situarse en lugares que actualmente corresponden a la urbe,
relaveras, escombreras, etc. Esto debido al crecimiento y desarrollo de la población
y de las actividades mineras de la zona.
A modo de ejemplo (ver figura 4.1), claramente se puede evidenciar el asentamiento
y crecimiento de relaveras en la zona oeste de Portovelo desde el año 2004 hasta el
2020.
a b

Figura 4.1. Análisis visual en color natural.

Fuente: Elaboración propia.

Nota: a) Imagen LANDSAT 8 del 2020, b) ASTER del 2004. Los recuadros rojos representan las

zonas en las cuales se ha dado el asentamiento de zonas de relaveras en Portovelo a lo largo de los

últimos dieciséis años.

 Mogrovejo Barrera 71

La Figura 4.1 únicamente representa un ejemplo puntual en donde se evidencia el

desarrollo que se ha dado durante los últimos años. Resultaría una tarea realmente
exhaustiva realizar un enmascaramiento de todas las zonas de conflicto antes
mencionadas por medio del método tradicional (sección 3.3). Razón por la cual, se
optó por la toma de muestras de 68 firmas espectrales (ver figura 4.2) de los lugares
más propensos a generar falsas anomalías, siendo estas relaveras, escombreras,
zonas urbanas, construcciones mineras, caminos, etc.

Figura 4.2. Firmas espectrales seleccionadas usadas para la clasificación SAM

Fuente: Elaboración propia.

Una vez obtenidas estas firmas espectrales se procedió a realizar una clasificación
SAM de modo que se obtenga todos aquellos píxeles que contienen información
espectral semejante a las firmas seleccionadas. Finalmente, se obtuvo un archivo
“shape” de alta precisión (ver figura 4.3) en donde se mapearon todas aquellas
zonas antes mencionadas para posteriormente eliminar las anomalías que se
intersecan con esos lugares mediante una selección por localización.
 Mogrovejo Barrera 72

Figura 4.3. Zonas propensas a generar falsas anomalías

Fuente: Elaboración propia

Nota: Resultado de la clasificación SAM para la obtención de zonas con tendencia a generar
falsas anomalías. Los recuadros rojos representan las zonas tomadas como ejemplo en la figura
4.1.

4.2 Generación de información temática de zonas de alteración hidrotermal

Los mapas presentados en la sección de Anexos contienen un alto nivel de
procesamiento digital, es decir, para la obtención de estos mapas se ha realizado los
siguientes procesos:

1. Técnicas de realce espectral

2. Segmentación de imágenes.

Como bien es conocido, las técnicas de realce espectral se obtienen en tonos oscuros
o claros (ver figura 4.4a). Generalmente, los niveles claros son los que contienen la
mayor información de interés. En nuestro caso de estudio, se optó por mejorar la
visualización de estas imágenes por medio de una clasificación de píxeles que
contengan información relevante con un rango de confiabilidad del 98%. Con esta
clasificación pasamos de una imagen en tonos grises a imágenes en donde
 Mogrovejo Barrera 73

únicamente se visualizarán aquellas zonas de mayor concentración de minerales de

alteración hidrotermal u óxidos.

a b

Figura 4.4. Comparación entre una imagen cruda y una imagen procesada.

Fuente: Elaboración propia

Nota: a) Imagen producto del cociente 4/6 de las bandas de ASTER en donde se evidencian la
alteración argílica avanzada en blanco. b) Imagen producto de la segmentación al 98% de
confianza y una clasificación de anomalías en base a criterios geológicos, hidrológicos y de
localización.

3. Clasificación de áreas de interés.

En esta etapa se realizó una clasificación de las áreas de interés, tomando como
base criterios geológicos, hidrológicos y criterios relacionados con la localización
de zonas de conflicto dentro del área de estudio (ver figura 4.5). En cuanto a la
geología se dejaron únicamente las anomalías que se presentan en macizos rocosos,
es decir, se eliminaron las anomalías localizadas en depósitos cuaternarios. Para la
clasificación hidrológica, nos referimos a la eliminación de todas aquellas
anomalías presentes en los cauces de los ríos. Finalmente, se procedió a la
eliminación de zonas conflictivas en base al archivo creado (ver figura 4.5).
 Mogrovejo Barrera 74

Figura 4.5. Componentes de la clasificación de áreas de interés.

Fuente: Elaboración propia

4.3 Composición en falso color RGB

Partiendo de un análisis visual de las composiciones color en RGB generados para
cada imagen satelital, se observa que todos presentan similitud en cuanto a las zonas
con presencia de minerales de alteración hidrotermal y óxidos. De los RGB
propuestos los que más información relevante aportan a nuestra área de estudio son
los RGB 6-2-8 de ASTER (mapea Al/Fe-OH mezclados ligeramente con minerales
de Mg-Fe-OH/CO3 y los presenta en color púrpura), el RBG 10-11-7 de
LANDSAT 8 (mapea presencia de minerales que contienen enlaces Al-OH, Mg-
OH, Si-O-H y presencia de Fe y CO3) y el RGB 8-11-12 de SENTINEL 2 (Cuerpos
de agua, afloramientos y suelos desnudos).

En cuanto al RGB de ASTER y LANDSAT 8, podemos decir que serían los más
precisos para el mapeo de zonas con presencia de minerales de alteración
hidrotermal y óxidos, debido a que estas combinaciones mapean minerales en los
que están presentes varios tipos de enlaces químicos, siendo esto lo más idóneo, ya
que una zona de alteración muy difícilmente presenta minerales puros o tiene sus
grupos minerales bien distribuidos espacialmente.
 Mogrovejo Barrera 75

Para la combinación RGB de SENTINEL 2, tenemos que muestra de manera

detallada los cuerpos de agua, afloramientos y suelo desnudo. Por tal razón, este
RBG es fundamental en el mapeo preliminar de zonas con presencia de minerales
de alteración ya que nos muestra de manera puntual las zonas en las cuales se deben
centrar los esfuerzos (afloramientos, suelo desnudo).

En cuanto al RGB de Kaufmann (7/5, 6/7, 6/5), dejamos planteada la posibilidad

de que las zonas rojas pueden ser óxidos o minerales de alteración hidrotermal. En
base a análisis de firmas espectrales, las zonas rojas efectivamente contienen los
dos grupos minerales citados, incluso se tratan de oxihidróxidos (Fe-OH, Al/Fe-
OH), llevándonos a decir que los datos generados por los RGB de ASTER (6-2-8)
y LANDSAT 8 (10-11-7) concuerdan con el RGB de Kaufmann para zonas de
mezclas de minerales.

4.4 Cocientes de bandas

4.4.1 ASTER
 La mayor concentración de la alteración argílica avanzada (cociente 4/6) se
localiza en la formación Saraguro (Tobas, lavas andesitas y material
volcánico) y en las zonas de intrusivos (granito, granodioritas) con una
disposición Nornoroeste – Sursuroeste (NNO - SSO) (ver Anexo B). Dentro
de esta alteración se encuentran las áreas mineras (Porvenir, Asunción y
Santa Martha), así como también en zonas en donde el otorgamiento de la
concesión está en la etapa de trámite (Bonito, El Dorado, El Sol, Melin,
Leonor, Arahi, Genesis y Surmine 01).
 La mayor concentración de alteración Fílica (cociente 5/6) se localiza en el
Grupo Tahuín (limonitas, lutitas, muscovita, sericita), Intrusivos y
Formación Saraguro. La zona anómala tiene una disposición Noroeste –
Sureste (NO - SE) (ver Anexo B). Dentro de esta alteración se encuentran
la mayor parte de concesiones mineras, específicamente en la zona NO del
área de estudio, mientras que en la zona NE se encuentran todas concesiones
en trámite.
 La mayor concentración de alteración propilítica (5/8) se localiza en la
Formación Saraguro, Grupo Tahuín y en los Intrusivos. Con una disposición
 Mogrovejo Barrera 76

Centro-Sur en su mayoría, además de presentarse en zonas Noroeste-

Noreste (NNE-NE) y Nornoroeste - Noroeste (NNO - NO) (ver Anexo B).
 Los óxidos (cociente 2/1) se localizan Grupo Tahuín, Grupo Tahuín Capiro,
Formación Saraguro y Riolitas de Zaruma Urcu. Los óxidos se encuentran
dispersos a lo largo de toda el área de estudio, pero están presentes en mayor
cantidad en el Suroeste (SO), Nornoroeste (NNO), Sursureste (SSE) de la
zona de estudio (ver Anexo B).

4.4.2 LANDSAT 8 OLI

 Los hidroxilos contenidos en roca (cociente 6/7) se localizan en la
Formación Saraguro, Grupo Tahuín, Riolitas de Zaruma Urcu y en los
Intrusivos. Tienen una disposición Centro-Sur en su mayoría, también se
localizan en la zona Norte (N), Noroeste (NO) y Noreste (NE) del área de
estudio (ver Anexo G).
 Los minerales arcillosos (cociente 7/5) se localizan en preferentemente en
el Grupo Tahuín, la formación Saraguro, Riolitas de Zaruma Urcu presentan
poca presencia de minerales arcillosos. Estos minerales se encuentran al
Suroeste (SO), Noroeste (NO) y Sureste (SE) del área de estudio (Ver
Anexo G).
 Los óxidos (cociente 4/2) se localizan en el Grupo Tahuín, Grupo Tahuín
Capiro, Formación Saraguro y Riolitas de Zaruma Urcu. Los óxidos se
encuentran dispersos a lo largo de toda el área de estudio, pero están
presentes en mayor cantidad en zonas Norte (N), Centro-Sur, Noroeste
(NO), Sursureste (SSE) y en el Estenordeste (ENE) (ver Anexo G).

4.4.3 SENTINEL 2
 Los hidroxilos contenidos en roca (cociente 11/12) se localizan en la
Formación Saraguro, Grupo Tahuín, Riolitas de Zaruma Urcu y en los
Intrusivos. Tienen una disposición Centro-Sur en su mayoría, también se
localizan en la zona Norte (N), Noroeste (NO) y Noreste (NE) del área de
estudio. (ver Anexo K).
 Los minerales arcillosos (cociente 12/8) se localizan en preferentemente en
el Grupo Tahuín, la formación Saraguro, Riolitas de Zaruma Urcu presentan
poca presencia de minerales arcillosos. Estos minerales se encuentran al
 Mogrovejo Barrera 77

Suroeste (SO), Noroeste (NO) y Sureste (SE) del área de estudio (Ver
Anexo K).
 Los óxidos (cociente 4/2) se localizan en el Grupo Tahuín, Grupo Tahuín
Capiro, Formación Saraguro y Riolitas de Zaruma Urcu. Los óxidos se
encuentran dispersos a lo largo de toda el área de estudio, pero están
presentes en mayor cantidad en el Sureste (SE), Centro-sur, Nornoroeste
(NNO) de la zona de estudio (ver Anexo K).

4.5 Índices de identificación litológica SWIR

 OHIa

La mayor concentración de Muscovita, Illita, Montmorillonita, se localiza en la

zona Nordeste (NE), Sureste (SE), la zona Centro Sur, al Noroeste (NO) y al
Suroeste (SO). Es decir, emplaza en las formaciones Saraguro, Grupo Tahuín,
Grupo Tahuín Capiro, Rolitas de Zaruma Urcu y la zona de Intrusivos (ver Anexo
C).

 OHIb

La mayor concentración de Pirofilita, se localiza en la zona Estenordeste (ENE),

Sureste (SE) y la zona Centro Sur. Es decir, emplaza en las formaciones Saraguro,
Grupo Tahuín, Grupo Tahuín Capiro, y la zona de Intrusivos (ver Anexo C).

 ALI

La mayor concentración de Alunita, se localiza en la zona central de la zona de

estudio de Norte a Sur, Noreste (NE), Sureste (SE) y Suroeste (SO). Es decir, se
emplaza en las formaciones Saraguro, Grupo Tahuín, Grupo Tahuín Capiro, Rolitas
de Zaruma Urcu y la zona de Intrusivos (ver Anexo C).

 KLI

La mayor concentración de Caolinita, Dikita, se localiza al Norte (N), Noreste (NE),

Zona central y al Sureste (SE). Es decir, se emplaza en las formaciones Saraguro,
Grupo Tahuín, Grupo Tahuín Capiro y la zona de Intrusivos (ver Anexo C).
 Mogrovejo Barrera 78

 CLI

La mayor concentración de Calcita, se localiza al Nornoreste (NNE), Sureste (SE)

y Suroeste (SO) de la zona de estudio. Es decir, se emplaza en las formaciones
Saraguro, Grupo Tahuín y en la zona de intrusivos (ver Anexo C).

4.6 Análisis de componentes principales

4.6.1 ASTER L1T
 Alteración Argílica Avanzada

Tabla 4.1. Vectores propios producto de la transformación de componentes principales para la

obtención de la alteración argílica avanzada.

Vectores
Band 1 Band 4 Band 6 Band 7
propios
PC1 0.456314 0.569759 0.490655 0.475826

PD2 0.845507 -0.0424 -0.420043 -0.326932

PC3 0.266252 -0.815848 0.28708 0.425544

PC4 -0.077497 0.089273 -0.707395 0.696863

Fuente: Elaboración propia

Del análisis de la tabla 4.1 tenemos que: La alteración argílica avanzada se

encuentra en la PC4, esto debido a que la banda 4 presenta un alto positivo
(0.089273) y la banda 6 presenta un pico de absorción (-0.707395) De acuerdo con
las características espectrales de la alteración argílica avanzada estos minerales se
presentarían en tonalidades claras puesto que la banda 4 refleja y la 6 absorbe (ver
Anexo D).
 Mogrovejo Barrera 79

 Alteración Fílica

Tabla 4.2. Vectores propios producto de la transformación de componentes principales para la

obtención de la alteración Fílica

Vectores
Band 1 Band 3 Band 5 Band 6
propios

PC1 0.46307 0.553458 0.491444 0.487579

PC2 0.01441 -0.785159 0.413358 0.460926

PC3 0.87936 -0.277793 -0.172186 -0.34628

PC4 0.109932 -0.006327 -0.746974 0.655671

Fuente: Elaboración propia

Del análisis de la tabla 4.2 tenemos que: La alteración Fílica se encuentra en la PC4,
esto debido a que la banda 6 presenta un alto positivo (0.655671) y la banda 5
presenta un pico de absorción (-0.746974) De acuerdo con las características
espectrales de la alteración Fílica estos minerales se presentarían en tonalidades
oscuras puesto que la banda 6 refleja y la 5 absorbe. Por lo tanto, se debe obtener el
inverso de la componente, es decir -PC4, obteniendo así las zonas correspondientes
a esta alteración (ver Anexo D).

 Alteración Propilítica

Tabla 4.3. Vectores propios producto de la transformación de componentes principales para la

obtención de la alteración Propilítica.

Vectores
Band 1 Band 3 Band 5 Band 8
propios

PC1 -0.472149 -0.564992 -0.50043 -0.455444

PC2 -0.031428 0.776932 -0.429771 -0.459006

PC3 0.876519 -0.27757 -0.212323 -0.331041

PC4 0.088325 0.010778 -0.720962 0.687238

Fuente: Elaboración propia

 Mogrovejo Barrera 80

Del análisis de la tabla 4.3 tenemos que: La alteración Fílica se encuentra en la PC4,
esto debido a que la banda 8 presenta un alto positivo (0.687238) y la banda 5
presenta un pico de absorción (-0.720962) De acuerdo con las características
espectrales de la alteración Propilítica estos minerales se presentarían en
tonalidades oscuras puesto que la banda 8 refleja y la 5 absorbe. Por lo tanto, se
debe obtener el inverso de la componente, es decir -PC4, obteniendo así las zonas
correspondientes a esta alteración (ver Anexo D).

 Óxidos

Tabla 4.4. Vectores propios producto de la transformación de componentes principales para la

obtención de Óxidos.

Vectores
Band 1 Band 2 Band 3
propios
PC1 -0.553287 -0.491307 -0.672674
PC2 -0.300301 -0.635592 0.711226
PC3 -0.776977 0.595517 0.204125

Fuente: Elaboración propia

Del análisis de la tabla 4.4 tenemos que: Los óxidos se encuentra en la PC3, esto
debido a que la banda 2 presenta un alto positivo (0.595517) y la banda 1 presenta
un pico de absorción (-0.776977) De acuerdo con las características espectrales de
los óxidos estos minerales se presentarían en tonalidades claras puesto que la banda
2 refleja y la 1 absorbe (ver Anexo D).
 Mogrovejo Barrera 81

4.6.2 LANDSAT 8 OLI

Tabla 4.5. Vectores propios producto de la transformación de componentes principales para la
obtención de Hidroxilos.

Vectores
Band 2 Band 5 Band 6 Band 7
propios
PC1 -0.35332 -0.496109 -0.594436 -0.525059
PC2 -0.144175 -0.78704 0.269007 0.536113
PC3 -0.920214 0.29292 0.253672 0.055266
PC4 -0.08709 0.220547 -0.714095 0.658667

Fuente: Elaboración propia

Del análisis de la tabla 4.5 tenemos que: Los hidroxilos se encuentra en la PC4, esto
debido a que la banda 7 presenta un alto positivo (0.658667) y la banda 6 presenta
un pico de absorción (-0.714095) De acuerdo con las características espectrales de
los hidróxidos estos minerales se presentarían en tonalidades oscuras puesto que la
banda 7 refleja y la 6 absorbe. Por lo tanto, se debe obtener el inverso de la
componente, es decir -PC4, obteniendo así las zonas correspondientes a esta
alteración (ver Anexo H).

Tabla 4.6. Vectores propios producto de la transformación de componentes principales para la

obtención de Óxidos.

Vectores
Band 2 Band 4 Band 5 Band 6
propios
PC1 -0.140659 -0.41901 -0.297228 -0.846346
PC2 -0.129238 -0.145095 0.950962 -0.240656
PC3 -0.359398 -0.801836 -0.05107 0.47464
PC4 0.913425 -0.400545 0.068685 0.022373

Fuente: Elaboración propia

Del análisis de la tabla 4.6 tenemos que: Los óxidos se encuentra en la PC4, esto
debido a que la banda 2 presenta un alto positivo (0.913425) y la banda 4 presenta
un pico de absorción (-0.400545) De acuerdo con las características espectrales de
los óxidos estos se presentarían en tonalidades oscuras puesto que la banda 2 refleja
 Mogrovejo Barrera 82

y la 4 absorbe. Por lo tanto, se debe obtener el inverso de la componente, es decir -

PC4, obteniendo así las zonas correspondientes a esta alteración (ver Anexo H).

4.6.3 SENTINEL 2
Tabla 4.7. Vectores propios producto de la transformación de componentes principales para la
obtención de Hidroxilos.

Vectores propios Band 2 Band 8a Band 11 Band 12

PC1 0.233932 0.01311 0.518013 0.822658

PC2 -0.11794 0.935646 0.289577 -0.16371
PC3 -0.95466 -0.15901 0.206383 0.144046
PC4 -0.1414 0.31482 -0.77796 0.525055

Fuente: Elaboración propia

Del análisis de la tabla 4.7 tenemos que: Los hidroxilos se encuentra en la PC4, esto
debido a que la banda 12 presenta un alto positivo (0.525055) y la banda 11 presenta
un pico de absorción (-0.77796) De acuerdo con las características espectrales de
los hidróxidos estos se presentarían en tonalidades oscuras puesto que la banda 12
refleja y la 11 absorbe. Por lo tanto, se debe obtener el inverso de la componente,
es decir -PC4, obteniendo así las zonas correspondientes a esta alteración (ver
Anexo L).

Tabla 4.8. Vectores propios producto de la transformación de componentes principales para la

obtención de Óxidos.

Vectores
Band 2 Band 4 Band 8a Band 11
propios
PC1 0.300623 0.845645 0.021836 0.440493
PC2 0.15866 0.28405 -0.715593 -0.618117
PC3 -0.103801 -0.283734 -0.697194 0.650108
PC4 0.934707 -0.351704 0.037019 0.035444

Fuente: Elaboración propia

 Mogrovejo Barrera 83

Del análisis de la tabla 4.8 tenemos que: Los hidroxilos se encuentran en la PC4,
esto debido a que la banda 2 presenta un alto positivo (0.934707) y la banda 4
presenta un pico de absorción (-0.351704). De acuerdo con las características
espectrales de los óxidos estos se presentarían en tonalidades oscuras puesto que la
banda 2 refleja y la 4 absorbe. Por lo tanto, se debe obtener el inverso de la
componente, es decir -PC4, obteniendo así las zonas correspondientes a esta
alteración (ver Anexo L).

4.7 Mapeo espectral SAM

4.7.1 ASTER

 Alteración Argílica Avanzada

Rasgo ASTER USGS

espectral
Alta 1.617 1.617
Reflectancia
Alta 2.209 2.262
Reflectancia
Alta Absorción 2.167 2.167

Alta Absorción 2.4 2.4

Figura 4.6. Rasgos espectrales de mayor similitud para Alunita

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.617μm y una alta absorción en 2.167 μm y 2.4 μm.
 Mogrovejo Barrera 84

Rasgo ASTER USGS

espectral
Alta 1.656 1.656
Reflectancia
Alta 2.262 2.262
Reflectancia
Alta 2.209 2.209
Absorción
Alta 2.4 2.4
Absorción

Figura 4.7. Rasgos espectrales de mayor similitud para Caolinita

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656μm y 2.262 μm, una alta absorción en 2.209 μm y 2.4 μm.

Rasgo ASTER USGS

espectral
Alta 1.656 1.656
Reflectancia
Alta 2.262 2.262
Reflectancia
Alta 2.167 2.209
Absorción
Alta 2.4 2.4
Absorción
Figura 4.8. Rasgos espectrales de mayor similitud para Dikita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656μm y 2.262 μm, una alta absorción en 2.4 μm.
 Mogrovejo Barrera 85

 Alteración Fílica

Rasgo ASTER USGS

espectral
Alta 1.656 – 1.656 -
Reflectancia 2.167 2.167
Alta 2.262 2.262
Reflectancia
Alta 2.209 2.209
Absorción
Alta 2.336 2.4
Absorción

Figura 4.9. Rasgos espectrales de mayor similitud para Illita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656μm - 2.16 μm y 2.262 μm, una alta absorción en 2.209 μm.

Rasgo ASTER USGS

espectral
Alta 1.656 – 1.656 -
Reflectancia 2.167 2.167

Alta 2.262 2.262

Reflectancia
Alta 2.209 2.209
Absorción
Alta 2.4 2.4
Absorción
Figura 4.10. Rasgos espectrales de mayor similitud para Montmorillonita.
Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656μm - 2.167 μm y 2.262 μm, una alta absorción en 2.209 μm y
2.4 μm.
 Mogrovejo Barrera 86

Rasgo ASTER USGS

espectral
Alta 1.656 1.656
Reflectancia
Alta 2.209 2.209
Reflectancia
Alta 2.167 2.167
Absorción
Alta 2.336 2.4
Absorción

Figura 4.11. Rasgos espectrales de mayor similitud para Pirofilita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656μm y 2.209 μm, una alta absorción en 2.167 μm.

 Alteración Propilítica

Rasgo ASTER USGS

espectral
Alta 2.167 2.167
Reflectancia
Alta 2.4 2.4
Reflectancia
Alta 2.336 2.336
Absorción

Figura 4.12. Rasgos espectrales de mayor similitud para Epidota.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 2.167 μm y 2.4 μm, una alta absorción en 2.336 μm.
 Mogrovejo Barrera 87

Rasgo ASTER USGS

espectral
Alta 1.656 1.656
Reflectancia
Alta 2.167 2.209
Reflectancia
Alta 2.336 2.336
Absorción

Figura 4.13. Rasgos espectrales de mayor similitud para Calcita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656 μm y una alta absorción en 2.336 μm.

Rasgo ASTER USGS

espectral
Alta 1.656 1.656
Reflectancia
Alta 2.167 2.167
Reflectancia
Alta 2.336 2.336
Absorción

Figura 4.14. Rasgos espectrales de mayor similitud para Clorita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo medio con una alta
reflectancia en 1.656 μm y 2.167 μm, una alta absorción en 2.336 μm.
 Mogrovejo Barrera 88

 Óxidos

Rasgo ASTER USGS

espectral
Alta - 0.661
Reflectancia
Alta 0.807 0.807
Reflectancia
Alta 0.670 -
.
Absorción

Figura 4.15. Rasgos espectrales de mayor similitud para Goetita

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del visible (VNIR) con una alta
reflectancia en 0.807μm. En la firma espectral de ASTER (roja), se observa un
rango de absorción característico de la Goetita (670 μm), esto debido a las
transiciones electrónicas del ión Fe3+.

Rasgo ASTER USGS

espectral
Alta 0.807 0.807
Reflectancia
Alta 0.661 -
Absorción

Figura 4.16. Rasgos espectrales de mayor similitud para Hematita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del visible (VNIR) con una alta
reflectancia en 0.807μm. En la firma espectral de ASTER (roja), se observa un
rango de absorción característico de una mezcla entre hematita/goetita. Báscones et
 Mogrovejo Barrera 89

al. (2020) señala que la posición de este rasgo corresponde a muestras con una
mayor proporción de goetita respecto a hematita.

Rasgo ASTER USGS

espectral
Alta 0.556 0.556
Reflectancia
Alta 0.807 0.807
Absorción

Figura 4.17. Rasgos espectrales de mayor similitud para Jarosita.

Fuente: Elaboración propia

Figura 8. Rasgos
Se presenta espectrales
una similitud de mayor
espectral similitud
en las bandaspara [Link]
del visible (VNIR) con una alta
[Link] espectrales de mayor similitud para Jarosita.
reflectancia en 0.556μm y una alta absorción en 0.807 μm.

4.7.2 LANDSAT 8 OLI

Figura 10. Rasgos espectrales de mayor similitud para Figura
 Alteración
[Link] Argílica
espectrales Avanzada.
de mayor similitud para Jarosita.

Figura 12. Rasgos

Rasgo espectrales de USGS
LANDSAT mayor similitud para
[Link] [Link] espectrales de mayor similitud para
espectral
Jarosita.
Alta 1.609 1.609
Reflectancia
Figura 53. Rasgos espectrales de mayor similitud para Alunita.
Alta 2.201 2.201
Absorción
Figura 14. Rasgos espectrales de mayor similitud para Caolinita.

Figura 4.18. Rasgos espectrales de mayor similitud para Alunita.

Figura 15. Rasgos espectrales de mayor similitud para [Link]
Fuente: Elaboración
16. Rasgos propia de mayor similitud para [Link] 17.
espectrales
Rasgos espectrales de mayor similitud para Figura [Link]
Figura
Se [Link]
presenta
espectrales Rasgos
una espectrales
similitud
mayor de mayor
espectral
similitud para similitud
en las
Jarosita .
bandaspara
delCaolinita.
infrarrojo con una alta
reflectancia en 1.609 μm y una alta absorción en 2.201 μm. En la firma espectral de
LANDSAT
Figura 8, se observa que ladereflectancia se mantiene en 1 a lo largo
151. de la
Figura 150. Rasgos
19. Rasgos espectrales
espectrales mayorsimilitud
de mayor similitud para [Link]
para
Rasgos
longitudespectrales
[Link] de de mayor
de [Link]
0.8646 similitud
a 1.609
espectrales para
μ[Link] [Link]
otro
mayor lado, la firma
similitud 152. Rasgos
paraobtenida de la USGS
espectrales
Jarosita. de mayor similitud para Alunita.

Figura [Link]
Figura 21. Rasgosespectrales
espectralesdedemayor
mayorsimilitud
similitudpara
paraFigura
Caolinita.
[Link] espectrales de mayor similitud para Jarosita.
 Mogrovejo Barrera 90

presenta una disminución de la reflectancia en el mismo rango, la disminución en

la reflectancia va de 0.8821 a 0.8117.

Rasgo LANDSAT USGS

espectral
Alta 1.609 1.609
Reflectancia
Alta 2.201 2.201
Absorción

Figura 4.19. Rasgos espectrales de mayor similitud para Caolinita.

Fuente: Elaboración propia

Figura 261. Rasgos

Se presenta espectrales
una similitud de mayor
espectral similitud
en las bandaspara
del infrarrojo con una alta
[Link] 262. Rasgos espectrales de mayor similitud para
Caolinita. en 1.609 μm y una alta absorción en 2.201 μm. En la firma de la USGS
reflectancia
se observa una mayor absorción, mientras que la absorción en LANDSAT 8 es más
suave.
Figura 263. Rasgos espectrales de mayor similitud para
[Link] 264. Rasgos espectrales de mayor similitud para
Caolinita.
Rasgo LANDSAT USGS
espectral
FiguraAlta
265. Rasgos 1.609
espectrales de1.609
mayor similitud para
[Link] 266. Rasgos espectrales de mayor similitud para
Reflectancia
Caolinita.
Alta 2.201 2.201
Absorción
Figura 55. Rasgos espectrales de mayor similitud para [Link]
267. Rasgos espectrales de mayor similitud para Caolinita.
Figura 4.20. Rasgos espectrales de mayor similitud para Dikita.

Fuente:
Figura Elaboración
268. Rasgospropia.
espectrales
de mayor similitud para
[Link] 269. Rasgos espectrales de mayor similitud para
Se presenta una similitud espectral en las bandas del infrarrojo con una alta
Caolinita.
reflectancia en 1.609 μm y una alta absorción en 2.201 μm. En la firma de la USGS
se observa una mayor absorción, mientras que la absorción en LANDSAT 8 es más
Figura 270. Rasgos espectrales de mayor similitud para
suave. Finalmente,
[Link] en las firmas
271. Rasgos se observa
espectrales un aumento
de mayor similitud en la reflectividad en el
para
Caolinita.
rango 0.8646 – 1.609 μm.

Figura 272. Rasgos espectrales de mayor similitud para

[Link] 273. Rasgos espectrales de mayor similitud para
Caolinita.
 Mogrovejo Barrera 91

 Alteración Fílica

Rasgo LANDSAT USGS

espectral
Alta 1.609 1.609
Reflectancia
Alta 0.6546 0.6546
Absorción

Figura 4.21. Rasgos espectrales de mayor similitud para Illita.

Fuente: Elaboración propia

Figura 385. Rasgos espectrales de mayor similitud para
Se presenta una similitud espectral en donde se presenta una alta reflectancia en
[Link] 386. Rasgos espectrales de mayor
1.609 μmpara
similitud y unaIllita.
alta absorción en 0.6546μm. En la firma de LANDSAT el rasgo de
absorción tiene una mayor profundidad.

Figura 387. Rasgos espectrales de mayor similitud para

Montmorillonita.
Rasgo LANDSAT USGS
espectral
FiguraAlta
388. Rasgos0.8646
espectrales de0.8646
mayor similitud para
[Link] 389. Rasgos espectrales de mayor similitud
Reflectancia
para [Link] 390. Rasgos espectrales de mayor
similitud para Illita. 2.201
Alta 2.201
Absorción
Figura 391. Rasgos espectrales de mayor similitud para
[Link] 392. Rasgos espectrales de mayor
similitud para Illita.
Figura 4.22. Rasgos espectrales de mayor similitud para Montmorillonita.
Fuente: Elaboración propia
Figura 57. Rasgos espectrales de mayor similitud para
Figura
Se 601. una
presenta Rasgos
Montmorillonita. espectrales
similitud de mayor
espectral similitud
en donde para [Link]
se presenta 602. en
una alta reflectancia
Rasgos espectrales de mayor similitud para Montmorillonita.
0.8646 μm y una alta absorción en 2.201μm.

Figura 393. Rasgos espectrales de mayor similitud para

Figura 603. Rasgos
[Link] espectrales
394. de mayor de
Rasgos espectrales similitud
mayor para Pirofilita.
similitud
para Montmorillonita.

Figura 604. Rasgos espectrales de mayor similitud para [Link] 605.

Rasgos espectrales
Figura 395. Rasgosde mayor similitud
espectrales para
de mayor [Link]
similitud para 606. Rasgos
espectrales
Pirofilita. de mayor similitud para Montmorillonita.

Figura
Figura 607.
396. Rasgos
Rasgos espectrales
espectrales de
de mayor
mayor similitud
similitud para
para [Link] 608.
Rasgos espectrales de mayor similitud para Montmorillonita.
[Link] 397. Rasgos espectrales de mayor similitud para
 Mogrovejo Barrera 92

Rasgo LANDSAT USGS

espectral
Alta 1.609 1.609
Reflectancia
Alta 2.201 2.201
Absorción

Figura 4.23. Rasgos espectrales de mayor similitud para Pirofilita.

Fuente: Elaboración propia

Se presenta
Figura 815. una similitud
Rasgos espectral
espectrales en donde
de mayor se presenta
similitud una alta reflectancia
para [Link] 816. en
Rasgos
1.609μmespectrales
y una alta de mayor similitud
absorción paraEn
en 2.201μm. Pirofilita.
la firma de la USGS, se observa que
el rasgo de absorción es mucho más profundo respecto al visto en LANDSAT 8.
Figura 817. Rasgos espectrales de mayor similitud para Epidota.
 Alteración Propilítica

Figura 818. Rasgos espectrales de mayor similitud para [Link] 819.

Rasgos espectrales
Rasgo de mayor similitud
LANDSAT USGS para [Link] 820. Rasgos
espectrales de mayor similitud para Pirofilita.
espectral
Alta 1.609 1.609
Figura 821. Rasgos espectrales de mayor similitud para [Link] 822.
Reflectancia
Rasgos espectrales de mayor similitud para Pirofilita.
Alta 2.201 2.201
Absorción
Figura 59. Rasgos espectrales de mayor similitud para Epidota.
Figura 4.24. Rasgos espectrales de mayor similitud para Epidota.

Fuente: Elaboración propia

Figura 823. Rasgos espectrales de mayor similitud para [Link] 824.
Rasgos
Figura espectrales
1011. Rasgosdeespectrales
mayor similitud
de en parasimilitud
mayor Epidota. para
Se presenta una similitud espectral donde se presenta una alta reflectancia en
[Link] 1012. Rasgos espectrales de mayor similitud para
1.609μm
Epidota. y una alta absorción en 2.201μm. En la firma de la USGS, se observa que
Figura
el rasgo825. Rasgos espectrales
de absorción de mayor
es mucho más lineal similitud para
respecto al Calcita.
visto en LANDSAT 8.

Figura 1013. Rasgos espectrales de mayor similitud para Calcita.

Figura 826. Rasgos espectrales de mayor similitud para [Link] 827.
Rasgos espectrales de mayor similitud para [Link] 828. Rasgos
espectrales
Figura [Link]
mayor similitud para
espectrales de Epidota.
mayor similitud para
[Link] 1015. Rasgos espectrales de mayor similitud para
[Link] 1016. Rasgos espectrales de mayor similitud para
Epidota.
Figura 829. Rasgos espectrales de mayor similitud para [Link] 830.
Rasgos espectrales de mayor similitud para [Link] 58. Rasgos
espectrales de mayor similitud para Pirofilita.
Figura 1017. Rasgos espectrales de mayor similitud para
[Link] 1018. Rasgos espectrales de mayor similitud para
Epidota.
Figura 831. Rasgos espectrales de mayor similitud para [Link] 832.
 Mogrovejo Barrera 93

Rasgo LANDSAT USGS

espectral
Alta 0.8646 0.8646
Reflectancia
Alta 2.201 2.201
Absorción

Figura 4.25. Rasgos espectrales de mayor similitud para Calcita.

Fuente: Elaboración propia

Se presenta
Figura [Link] similitud
Rasgos espectral
espectrales de en donde
mayor se presenta
similitud una alta reflectancia
para [Link] 1148. en
Rasgos espectrales de mayor similitud para Calcita.
0.8646 μm y una alta absorción en 2.201μm. En la firma de LANDSAT el rango de
absorción es mucho más marcado respecto a la firma de la USGS.
Figura 1149. Rasgos espectrales de mayor similitud para [Link] 1150.
Rasgos espectrales de mayor similitud para Calcita.
Rasgo LANDSAT USGS
espectral
Figura 1151. Rasgos espectrales de mayor similitud para [Link] 1152.
RasgosAlta 2.201
espectrales de 2.201para Calcita.
mayor similitud
Reflectancia
Alta 0.8646 0.8646
Figura 61. Rasgos espectrales de mayor similitud para Clorita.
Absorción
Figura 60. Rasgos espectrales de mayor similitud para Calcita.

Figura 1153. Rasgos espectrales de mayor similitud para [Link] 1154.

Figura 4.26. Rasgos espectrales de mayor similitud para Clorita.
Rasgos espectrales de mayor similitud para Calcita.
Fuente: Elaboración propia

Figura 4.27. Rasgos

Se presenta espectralesespectral
una similitud de mayor similitud
en donde parase
Goetita.
presenta
una alta reflectancia en
Figura 1155. Rasgos espectrales de mayor similitud para [Link] 1156.
0.8646 μm
Rasgos y una altadeabsorción
espectrales en 2.201μm.
mayor similitud En la firma de LANDSAT el rango de
para Calcita.
absorción es mucho
Figura 1201. Rasgosmás marcado de
espectrales respecto
mayor asimilitud
la firma para
de la USGS.
Hematita.
Figura 1157. Rasgos espectrales de mayor similitud para [Link] 1158.
Rasgos espectrales de mayor similitud para Calcita.
Figura 1202. Rasgos espectrales de mayor similitud para Goetita.
Figura 4.26. Rasgos espectrales de mayor similitud para [Link] 4.25. Rasgos
espectrales de mayor similitud para Calcita.
Figura 63. Rasgos espectrales de mayor similitud para Hematita.

Figura 1159. Rasgos espectrales de mayor similitud para [Link] 1160.

Rasgos espectrales de mayor similitud para Calcita.
 Mogrovejo Barrera 94

 Óxidos

Rasgo LANDSAT USGS

espectral
Alta 0.56 0.6546
Reflectancia
Alta 0.4826 0.4826
Absorción

Figura 4.27. Rasgos espectrales de mayor similitud para Goetita.

Fuente: Elaboración propia

Se presenta
Figura [Link] similitud
Rasgos espectral
espectrales deen las bandas
mayor delpara
similitud visible (VNIR) con una alta
Hematita.
reflectancia en 0.6546μm y una alta absorción en 0.4826 μm

Figura 1232. Rasgos espectrales de mayor similitud para Goetita.

Rasgo LANDSAT USGS
espectral
FiguraAlta
63. Rasgos espectrales
0.6546 de 0.6546
mayor similitud para Hematita.
Reflectancia
Alta 0.5613 0.5613
Absorción

Figura 1233. Rasgos espectrales de mayor similitud para

Jarosita.
Figura 4.28. Rasgos espectrales de mayor similitud para Hematita.
Fuente: Elaboración propia

Figura [Link]
Se presenta Rasgos espectrales
similitud deen
espectral mayor similitud
las bandas delpara
visible (VNIR) con una alta
Hematita.
reflectancia en 0.6546μm y una absorción en 0.5613.

Figura 1286. Rasgos

62. Rasgos espectrales
espectrales de de mayor
mayor similitud
similitud para
para Jarosita.
Goetita.

Figura 1287.
1235. Rasgos espectrales de mayor similitud para Hematita.
Hematita.

Figura 1236. Rasgos espectrales de mayor similitud para Goetita.

Figura 64. Rasgos espectrales de mayor similitud para Jarosita.

Figura 4.28. Rasgos espectrales de mayor similitud para Hematita.
 Mogrovejo Barrera 95

Rasgo LANDSAT USGS

espectral
Alta 0.6546 0.6546
Reflectancia
Alta 0.4826 0.8646
Absorción

Figura 4.29. Rasgos espectrales de mayor similitud para Jarosita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del visible (VNIR) con una alta
reflectancia en 0.6546μm. La firma espectral de LANDSAT presenta una absorción
en la banda
Figura 2 (0.4826
1345. μm), por el de
Rasgos espectrales contrario, la firma de
mayor similitud la USGS
para no presenta rasgo
Limonita.
de absorción en la región del VNIR, su rasgo de absorción se evidencia en la banda
5 (0.8646 μm) perteneciente a la región infrarroja.
Figura 1346. Rasgos espectrales de mayor similitud para Jarosita.
Según N. Clark (1999) cuando se presenta un pico de absorción en longitudes de
onda cercanas a 0.43 μm se dice que la banda está saturada en reflectancia y en
consecuencia presentara un pico de absorción entre 0.86 μm – 0.90 μm, siendo este
nuestro caso.
Figura 1347. Rasgos espectrales de mayor similitud para Limonita.

Rasgo LANDSAT USGS

espectral
Alta 0.6546 0.6546
Figura 1348. Rasgos espectrales de mayor similitud para Alunita.
Reflectancia
Alta 0.5613 0.4826
Figura 1349. Rasgos espectrales de mayor similitud para Limonita.
Absorción

Figura 4.30. Rasgos espectrales de mayor similitud para Limonita.

Figura 64. Rasgos espectrales de mayor similitud para Jarosita.
Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del visible (VNIR) con una alta
reflectancia en 0.6546μm. El rasgo de absorción en la firma LANDSAT 8 de varia
Figura 1405.
muy poco Rasgos
respecto a laespectrales
de la USGS,degeneralmente
mayor similitud para Alunita.
asociado a mezclas de minerales.
Figura 1350. Rasgos espectrales de mayor similitud para Limonita.

Figura 1406. Rasgos espectrales de mayor similitud para Limonita.

Figura 1351. Rasgos espectrales de mayor similitud para Jarosita.
 Mogrovejo Barrera 96

4.7.3 SENTINEL 2

 Alteración Argílica Avanzada

Rasgo SENTINEL 2 USGS

espectral
Alta 0.945– 1.61 0.842-1.61
Reflectancia
Alta 2.19 2.19
Absorción

Figura 4.31. Rasgos espectrales de mayor similitud para Alunita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo con una alta
reflectancia en 0.945μm – 1.61 μm y una alta absorción en 2.16 μm.

Figura 1449. Rasgos espectrales de mayor similitud para

[Link]
Rasgo 1450. Rasgos espectrales
SENTINEL 2 USGSde mayor similitud para
Alunita.
espectral
Alta 0.842-1.375 0.842-1.61
Reflectancia 1.375-1.61
Alta 2.19 2.19
Absorción
Figura 67. Rasgos espectrales de mayor similitud para Caolinita.
Figura 66. Rasgos espectrales de mayor similitud para Alunita.

Figura 4.32. Rasgos espectrales de mayor similitud para Caolinita.

Fuente: Elaboración propia

Figura 4.33. Rasgos espectrales de mayor similitud para Dikita.

Se presenta una similitud espectral en las bandas del infrarrojo con una alta
reflectancia
Figura [Link]
0.842μm – 1.61 μm
espectrales de ymayor
una alta para en 2.19 μm. En la firma
absorción
similitud
[Link]
Figura
proveniente 1452.
[Link]
la USGS, Rasgos
espectralesespectrales
deque
se observa mayor de mayor
similitud
el rasgo similitud
para espara
[Link]
de absorción mucho más agudo,
Alunita.
1479. Rasgos espectrales de mayor similitud para Dikita.
mientras que en la firma de SENTINEL 2 dicha característica es mucho más suave.

Figura 1480. Rasgos espectrales de mayor similitud para [Link]

1481. Rasgos espectrales de mayor similitud para Dikita.

Figura 4.32. Rasgos espectrales de mayor similitud para [Link] 4.31. Rasgos
Figura 1482.
espectrales Rasgos
de mayor espectrales
similitud de mayor similitud para [Link]
para Alunita.
1483. Rasgos espectrales de mayor similitud para Dikita.

Figura 1484. Rasgos espectrales de mayor similitud para [Link]

 Mogrovejo Barrera 97

Rasgo SENTINEL 2 USGS

espectral
Alta 0.945-1.61 0.78-1.61
Reflectancia
Alta 2.19 2.19
Absorción

Figura 4.33. Rasgos espectrales de mayor similitud para Dikita.

Fuente: Elaboración propia

Figura
Se presenta
[Link]
Rasgos
similitud
espectrales
espectral
de mayor
en lassimilitud
bandas para
del [Link]
infrarrojo con una alta
1531. Rasgos espectrales de mayor similitud para Dikita.
reflectancia en 0.945μm – 1.61 μm y una alta absorción en 2.19 μm. En la firma
proveniente de la USGS, se observa que el rasgo de absorción es mucho más agudo,
Figura
mientras1532. Rasgos
que en espectrales
la firma de mayor
de SENTINEL similitud
2 dicha para [Link]
característica es mucho más suave.
1533. Rasgos espectrales de mayor similitud para Dikita.
Finalmente, esta firma, presenta un pico de reflectancia en 0.842 μm, posiblemente
debido a la mezcla con minerales ferrosos (esto debido al salto energético).
Figura 1534. Rasgos espectrales de mayor similitud para [Link]
 Rasgos
1535. Alteración Fílica de mayor similitud para Dikita.
espectrales

Figura 1536. Rasgos espectrales de mayor similitud para [Link] 68.

Rasgo SENTINEL 2 USGS
Rasgos espectrales de mayor similitud para Dikita.
espectral
Alta 0.865 0.842-1.61
Figura 1537. Rasgos espectrales de mayor similitud para [Link]
Reflectancia
1538. 0.945-1.61
Rasgos espectrales de mayor similitud para Dikita.
Alta 0.945 2.19
Absorción 2.19
Figura 1539. Rasgos espectrales de mayor similitud para [Link]
1540. Rasgos espectrales de mayor similitud para Dikita.

Figura 4.34. Rasgos espectrales de mayor similitud para Illita.

Figura 1541. Rasgos espectrales de mayor similitud para [Link]
Fuente: Elaboración propia
1542. Rasgos espectrales de mayor similitud para Dikita.
Figura 4.35. Rasgos
Se presenta una espectrales
similitud deespectral
mayor similitud
en lasparabandas
Montmorillonita.
del infrarrojo con una alta
reflectancia en 0.945μm
Figura 4.34. Rasgos – 1.61
espectrales μm ysimilitud
de mayor una alta absorción
para en 4.33.
[Link] μm. En la firma de
2.19 Rasgos
espectrales de mayor similitud para Dikita.
Figura
SENTINEL 1597.2Rasgos espectrales
se presenta de mayor
un pico en 0.865 μm y un pico de
similitud para
de reflectancia
[Link] 1598. Rasgos espectrales de mayor similitud
absorción en 0.945 μm, posiblemente debido a la mezcla con minerales ferrosos
para Montmorillonita.
Figura [Link]
(esto debido espectrales de mayor similitud para [Link]
salto energético).
1544. Rasgos espectrales de mayor similitud para Dikita.
Figura 1599. Rasgos espectrales de mayor similitud para
Pirofilita.
Figura 1545. Rasgos espectrales de mayor similitud para [Link]
1546. Rasgos espectrales de mayor similitud para Dikita.
 Mogrovejo Barrera 98

Rasgo SENTINEL 2 USGS

espectral
Alta 0.78 – 1.61 0.842-1.61
Reflectancia
Alta 2.19 2.19
Absorción

Figura 4.35. Rasgos espectrales de mayor similitud para Montmorillonita.

Fuente: Elaboración propia

Figura [Link]
Se presenta Rasgos espectrales
similitud de mayor
espectral en lassimilitud
bandas para
del [Link]
infrarrojo con una alta
1662. Rasgos espectrales de mayor similitud para Montmorillonita.
reflectancia en 0.842μm – 1.61 μm y una alta absorción en 2.19 μm.

Figura 1663. Rasgos espectrales de mayor similitud para Pirofilita.

Rasgo SENTINEL 2 USGS
espectral
Figura 1664. Rasgos espectrales de mayor similitud para Montmorillonita.
Alta 1.61 1.61
Reflectancia
FiguraAlta
1665. Rasgos espectrales
2.19 de mayor
2.19similitud para [Link]
1666. Rasgos espectrales de mayor similitud para Montmorillonita.
Absorción

Figura 71. Rasgos espectrales de mayor similitud para Pirofilita.

Figura 4.36. Rasgos espectrales de mayor similitud para Pirofilita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo con una alta
reflectancia en 1.61 μm y una alta absorción en 2.19 μm.
Figura 1667. Rasgos espectrales de mayor similitud para [Link]
1668. Rasgos
Figura espectrales
1737. Rasgos de mayor
espectrales desimilitud para Pirofilita.
mayor similitud para
[Link] 1738. Rasgos espectrales de mayor similitud para
Pirofilita.
Figura 1669. Rasgos espectrales de mayor similitud para Montmorillonita.

Figura 1670. Rasgos espectrales de mayor similitud para [Link]

1671. Rasgos espectrales de mayor similitud para Montmorillonita.
Figura 72. Rasgos espectrales de mayor similitud para [Link]
71. Rasgos espectrales de mayor similitud para Pirofilita.
Figura 1672. Rasgos espectrales de mayor similitud para Pirofilita.

Figura 1673. Rasgos espectrales de mayor similitud para Montmorillonita.

 Mogrovejo Barrera 99

 Alteración Propilítica

Rasgo SENTINEL 2 USGS

espectral
Alta 0.783-1.61 0.783-1.61
Reflectancia
Alta Absorción 2.19 2.19

Figura 4.37. Rasgos espectrales de mayor similitud para Calcita.

Fuente: Elaboración propia

Se presenta una similitud espectral en las bandas del infrarrojo con una alta
reflectancia en 1.61 μm y una alta absorción en 2.19 μm.

Rasgo SENTINEL 2 USGS

espectral
Alta 2.19 2.19
Reflectancia
Alta 0.842 0.842
Absorción

Figura 4.38. Rasgos espectrales de mayor similitud para Clorita.

Fuente: Elaboración propia

Figura [Link]
Se presenta Rasgos espectrales
similitud de mayor
espectral en lassimilitud
bandas para
del infrarrojo con una alta
[Link] 1778. Rasgos espectrales de mayor similitud para
reflectancia
Clorita. en 2.19 μm y una alta absorción en 0.842 μm.

Figura 1779. Rasgos espectrales de mayor similitud para

[Link] 1780. Rasgos espectrales de mayor similitud para
Clorita.

Figura 1781. Rasgos espectrales de mayor similitud para

[Link] 1782. Rasgos espectrales de mayor similitud para
Clorita.

Figura 74. Rasgos espectrales de mayor similitud para

[Link] 73. Rasgos espectrales de mayor similitud para
Clorita.
 Mogrovejo Barrera 100

Rasgo SENTINEL 2 USGS

espectral
Alta 2.19 2.19
Reflectancia
Alta 0.645 0.645
Absorción

Figura 4.39. Rasgos espectrales de mayor similitud para Epidota.

Fuente: Elaboración propia

Figura
No se 4.40. Rasgos
presenta unaespectrales
similituddeespectral
mayor similitud
clara para
en [Link] 4.39. Rasgos
región del infrarrojo, sinespectrales
embargo, de
mayor similitud para Epidota.
las firmas espectrales coinciden con un rango de absorción en 0.665 μm
(característica de presencia de minerales ferrosos).
Figura 4.40. Rasgos espectrales de mayor similitud para Goetita.
 Óxidos

Figura 4.41. Rasgos espectrales de mayor similitud para [Link] 4.40. Rasgos espectrales de
mayor similitud para [Link] 4.39. Rasgos espectrales de mayor similitud para Epidota.
Rasgo SENTINEL 2 USGS
espectral
Figura 4.40. Rasgos espectrales de mayor similitud para [Link] 4.39. Rasgos espectrales de
mayor similitud
Alta para Epidota.0.74 0.74
Reflectancia
Alta 0.56 0.56
Absorción 0.705

Figura 4.40. Rasgos espectrales de mayor similitud para Goetita.

Fuente: Elaboración propia

Figura 4.41. Rasgos espectrales de mayor similitud para [Link]
Se
[Link] una similitud
Rasgos espectrales espectral
de mayor similituden lasGoetita.
para bandas del visible (VNIR) con una alta
reflectancia en 0.74μm y una alta absorción en 0.56 μm.
Figura 4.41. Rasgos espectrales de mayor similitud para Hematita.

Figura 4.42. Rasgos espectrales de mayor similitud para Jarosita.

Figura 1825. Rasgos espectrales de mayor similitud para

[Link] 1826. Rasgos espectrales de mayor similitud
para Jarosita.

Figura 1827. Rasgos espectrales de mayor similitud para

[Link] 1828. Rasgos espectrales de mayor similitud
 Mogrovejo Barrera 101

Rasgo SENTINEL 2 USGS

espectral
Alta 0.705 0.74
Reflectancia
Alta 0.56 0.56
Absorción 0.74

Figura 4.41. Rasgos espectrales de mayor similitud para Hematita.

Fuente: Elaboración propia

Figura 4.42. Rasgos espectrales de mayor similitud para Jarosita.

Se presenta una similitud espectral en las bandas del visible (VNIR) con una alta
absorción en 0.56 μm.
Figura 1837. Rasgos espectrales de mayor similitud para
[Link] 1838. Rasgos espectrales de mayor similitud para
Jarosita.
Rasgo SENTINEL 2 USGS
espectral

FiguraAlta 0.705
1839. Rasgos espectrales 0.705similitud para
de mayor
[Link]
Reflectancia 1840. Rasgos espectrales de mayor similitud para
Jarosita.
Alta 0.842 0.945
Absorción
Figura 1841. Rasgos espectrales de mayor similitud para
[Link] 1842. Rasgos espectrales de mayor similitud para
Jarosita.
Figura 4.42. Rasgos espectrales de mayor similitud para Jarosita.

Fuente: Elaboración propia

Figura 77. Rasgos espectrales de mayor similitud para [Link]
Figura
Se [Link]
Rasgos espectrales deen
mayor similitud
delpara
76. presenta similitud
Rasgos espectrales de espectral las bandas
mayor similitud visible (VNIR) con una alta
para Jarosita.
[Link] 1886. Rasgos espectrales de mayor similitud para
Jarosita. en 0.705 μm y una absorción en 0.842 μm – 0.945 μm en la región del
reflectancia
SWIR.
Figura 1843. Rasgos espectrales de mayor similitud para
[Link] 1844. Rasgos espectrales de mayor similitud para
Figura 1887. Rasgos espectrales de mayor similitud para
Jarosita.
[Link] 1888. Rasgos espectrales de mayor similitud para
Jarosita.

Figura 1845. Rasgos espectrales de mayor similitud para

[Link] 1846. Rasgos espectrales de mayor similitud para
Figura 1889. Rasgos espectrales de mayor similitud para
Jarosita.
[Link] 1890. Rasgos espectrales de mayor similitud para
Jarosita.

Figura 1847. Rasgos espectrales de mayor similitud para

[Link] 1848. Rasgos espectrales de mayor similitud para
Figura 77. Rasgos espectrales de mayor similitud para
[Link] 4.41. Rasgos espectrales de mayor similitud para Hematita.
[Link] 76. Rasgos espectrales de mayor similitud para
Jarosita.
Figura 4.42. Rasgos espectrales de mayor similitud para Jarosita.
 Mogrovejo Barrera 102

Rasgo SENTINEL 2 USGS

espectral
Alta 1.375 1.375
Reflectancia
Alta 0.945 0.945
Absorción

Figura 4.43. Rasgos espectrales de mayor similitud para Limonita.

Fuente: Elaboración propia

No se presenta una similitud espectral en las bandas del visible (VNIR). En las
bandas del SWIR, se presenta una alta reflectancia en 1.375 μm y una absorción en
0.945 μm.

4.8 Zonas de interés prospectivo

Para determinar las potenciales zonas de interés prospectivas en el área de estudio
se ha realizado un análisis de densidad “Kernel Density” en el software ArcGis. El
algoritmo se basa en un análisis de la concentración o incidencia de puntos en una
determinada zona, es decir, solo los puntos que caen dentro de una vecindad (puntos
aledaños) son los usados para el cálculo. Cabe recalcar que el análisis Kernel no
usa un valor de entrada (peso), simplemente analiza la incidencia o concentración
de puntos de una zona con la finalidad de generar un raster, en donde se visualiza
de mejor manera la mayor presencia de minerales de alteración hidrotermal para
nuestro caso en particular.
Los datos de entrada para el proceso de “Kernel Density” son los obtenidos del
Análisis de Componentes Principales, debido a que estos resultados no contienen
información redundante.
 Mogrovejo Barrera 103

4.8.1 ASTER LIT

 Alteración Argílica Avanzada

 Alteración Fílica
 Mogrovejo Barrera 104

 Alteración Propilítica

 Óxidos
 Mogrovejo Barrera 105

4.8.2 LANDSAT 8 OLI

 Hidroxilos

 Óxidos
 Mogrovejo Barrera 106

4.8.3 SENTINEL 2

 Hidroxilos

 Óxidos
 Mogrovejo Barrera 107

CONCLUSIONES

 La teledetección espacial como herramienta para la identificación y

delimitación de zonas de alteración hidrotermal es potencialmente útil,
debido a su elevada efectividad en la obtención y calidad de resultados;
además, ofrece un significativo ahorro económico respecto a los métodos
prospectivos tradicionales, partiendo de que las imágenes usadas en este
trabajo son de libre acceso y sobre todo se ha reducido significativamente
el trabajo exploratorio en campo.
 La imagen ASTER L1T presenta una mejor resolución y sensibilidad
espectral respecto a las imágenes LANDSAT 8 y SENTINEL 2,
específicamente en la región del SWIR, permitiéndonos una mayor
capacidad en la aplicación y combinación de técnicas de realce espectral
para la determinación de zonas con potencial presencia de alteración
hidrotermal.
 La técnica del Análisis de Componentes Principales (ACP) ofrece una
ventaja significativa frente a las otras técnicas empleadas en el presente
trabajo, debido a que en el ACP se usan exclusivamente las bandas en las
cuales los minerales presentan sus principales características espectrales;
sumado a esto el ACP genera una reducción de la dimensionalidad de los
datos. Por tal razón, los resultados derivados del ACP son tomados como
válidos para la determinación de potenciales zonas prospectivas a futuro.
 De la extracción de firmas espectrales de las tres imágenes satelitales,
ASTER L1T ofrece los mejores resultados para generar una comparación
con las firmas espectrales provenientes de la USGS. En otras palabras, al
tener ASTER más bandas en la región del SWIR (6 bandas), estas se
asemejan más a las firmas ofrecidas por la USGS, permitiéndonos
diferenciar características espectrales en longitudes de ondas típicas de los
minerales de alteración hidrotermal, mientras que LANDSAT 8 y
SENTINEL 2 ofrecen solamente 2 bandas en el SWIR. Por tal razón, para
estas dos imágenes únicamente se obtuvo una clasificación por grupos
minerales ya sean estos hidroxilos, minerales arcillosos y óxidos, mientras
que para ASTER L1T, se clasificó y delimitó puntualmente los distintos
 Mogrovejo Barrera 108

tipos de alteración hidrotermal presente en la zona, así como sus minerales

característicos.
 Los resultados obtenidos de las tres imágenes empleadas en el análisis
digital del presente trabajo demuestran una gran correlación de datos. Si
bien los productos obtenidos de LANDSAT 8 y SENTINEL 2 difieren entre
ellos en cuanto a la distribución espacial de los hidroxilos y óxidos; estos al
ser contrastados con los resultados obtenidos de ASTER L1T vemos que
gozan de una buena correlación espacial. La diferencia espacial mostrada
por los sensores LANDSAT 8 y SENTINEL 2 se debe a la sensibilidad
espectral que presenta cada sensor respecto a ASTER, es decir, ASTER
mapea de manera más precisa los minerales de alteración hidrotermal.
 Mogrovejo Barrera 109

RECOMENDACIONES

 La teledetección espacial como herramienta para el mapeo de zonas con

presencia de alteración hidrotermal es un proceso enteramente cualitativo,
de modo que permite identificar y diferenciar los distintos tipos de
alteración hidrotermal y grupos minerales presentes en el área de estudio,
más no cuantificarlos. Por tal motivo, es indispensable que se realicen
campañas de reconocimiento in situ de las zonas de alteración y de las zonas
prospectivas seleccionadas digitalmente por medio de esta herramienta.
 Se recomienda seguir profundizando en la caracterización mineralógica de
la zona de estudio, sea mediante el uso de sensores remotos más sofisticados
(MODIS, WorldView- 3, Hyperion) o mediante verificación in situ (toma
de muestras y elaboración de láminas delgadas para caracterización
mineralógica) de modo que se pueda corroborar la información generada en
el presente trabajo
 En base a las áreas seleccionadas digitalmente como zonas prospectivas, se
recomienda que se hagan campañas exploratorias, de modo que se pueda
acceder a dichas zonas y tomar sus firmas espectrales con un espectrómetro
de mano (PIMA o TerraSpec) y estas compararlas con las firmas ofrecidas
por la USGS, de modo que se pueda generar una clasificación SAM mucho
más precisa que la realizada en el presente trabajo.
 Finalmente, se recomienda corroborar la información obtenida del análisis
de densidad “Kernel Density” ya sea mediante el uso de otros algoritmos
como “Hot Spot” o mediante análisis geoestadísticos como IDW y Kriging
(previa obtención de valores referenciales de concentración mineral
obtenida por recolección de muestras en campo).
 Mogrovejo Barrera 110

REFERENCIAS

ARCOM. (2019). Labores Mineras En El Distrito Zaruma – Portovelo. 1–67.

Arias, G. (2017). Zonificación de paragénesis de las vetas Colorada, Katherine y
Gaby norte en la sociedad civil minera Goldmins ubicada en el distrito
aurífero Polimetálico Portovelo-Zaruma. In Universidad Central Del
Ecuador.
Azcurra, D., Castro, S., Kaku, M., Kohno, I., & Marin, G. (2003).
PROCESAMIENTO Y PRODUCTOS ASTER DEL ÁREA DE SIERRA
DE FAMATINA, PROVINCIA DE LA RIOJA, REPUBLICA DE
ARGENTINA. Anais XI SBSR, 3(May 2014), 815–822.
Báscones, A., Suárez, M., Ferrer-Julià, M., García-Meléndez, E., Colmenero-
Hidalgo, E., & Quirós, A. (2020). Caracterización de minerales de arcilla y
óxidos de hierro mediante espectroscopía de reflectancia difusa (VNIR–
SWIR). Revista de Teledetección, 55, 49.
[Link]
Bonilla, W. R. (2009). Metalogenia del distrito minero Zaruma-Portovelo,
República del Ecuador. 219.
Caiza, E. (2018). “ESTIMACIÓN DE ZONAS DE ALTERACIÓN
HIDROTERMAL MEDIANTE INTERPRETACIÓN DE IMÁGENES
SATELITALES TIPO ASTER Y USO DEL EQUIPO TERRASPEC EN LA
ZONA ORIENTAL DE CERRO DE PASCO, PERÚ.” Universidad Central
del Ecuador.
Campbell, J., & Wynne, R. (2011). Introduction to REMOTE SENSING (FIFTH
EDIT). The Guilford Press.
Carrión, G. (2010). “ESTUDIO MINERALOGICO PARA LA DETERMINACIÓN
DE ORO REFRACTARIO EN LOS DISTRITOS MINEROS DE
PORTOVELO, BELLA RICA Y SAN GERARDO” [UNIVERSIDAD
TÉCNICA PARTICULAR DE LOJA].
[Link]
_Galo_Antonio_553X39.pdf
Chuvieco, E., & Huete, A. (2016). Fundamentals of satellite remote sensing. In
Fundamentals of Satellite Remote Sensing (Second Edi). Taylor & Francis
Group. [Link]
 Mogrovejo Barrera 111

Clark, E., & Rilee, M. (2010). Remote Sensing Tools for Exploration. Springer.
[Link]
Clark, N. (1999). Spectroscopy o f Rocks and Minerals , and Principles o f
Spectroscopy (Vol. 3). U.S Geological Survey.
Clark, R., King, T., Klejwa, M., Swayze, G., & Vergo, N. (1990). High spectral
resolution reflectance spectroscopy of minerals. Journal of Geophysical
Research, 95(B8). [Link]
Crosta, A. P., & M. Moore, J. (1989). Enhancement of Landsat Thematic Mapper
imagery for residual soil mapping in SW Minas Gerais state Brazil: a
prospecting case history in Greenstone belt terrain. Proceedings of the 7th
(ERIM) Thematic Conference: Remote Sensing for Exploration Geology,
Calgary(2-6 Oct), 1173–1187.
[Link]
Cueva, S., & Hernández, J. (2015). “APLICACIÓN DEL MÉTODO DE
DIFRACCIÓN PARA LA DETERMINACIÓN Y CUANTIFICACIÓN DE
MINERALES DE ALTERACIÓN HIDROTERMAL DEL SONDAJE TEL-01
DEL PROYECTO TELIMBELA, SU RELACIÓN CON LA LITOLOGÍA Y
MINERALIZACIÓN” [Escuela Superior Politécnica del Litoral].
[Link]
-[Link]?sequence=-1&isAllowed=y
Cunha, R. (2015). Mapping hydrothermal gold mineralization using Landsat 8
data . A case of study in Chaves license , Portugal.
Di Tommaso, I., & Rubinstein, N. (2005). Mapeo De Alteración Hidrotermal a
partir de Datos ASTER en el Porfido de Cu- Mo El Infiernillo, Mendoza,
Argentina. In Anáis XII Simpósio Brasileiro de Sensoriamento Remoto (pp.
1765–1773).
Dunkley y Gaibor. (1997). 2.- Mapa Geológico Cordillera Occidental del
Ecuador entre 3°-4°S - escala 1 [Link].
ESA. (2015). ESA’s Optical High-Resolution Mission for GMES Operational
Services. [Link]
1322_2.pdf
GAD Municipal de Portovelo. (2012). Planes de Desarrollo y Ordenamiento
Territorial - Portovelo-El Oro. [Link]
link/sni/PORTAL_SNI/data_sigad_plus/sigadplusdocumentofinal/07600009
 Mogrovejo Barrera 112

30001_PDyOT 2014-2019_15-03-2015_23-32-
[Link]%0A[Link]
territorial%0A[Link]
Geological Survey, U. (2020). Advanced Spaceborne Thermal Emission and
Reflection Radiometer Level 1 Precision Terrain Corrected Registered At-
Sensor Radiance (AST_L1T) Product, AST_L1T Product User’s Guide.
Open-File Report, 1(July), 1–68.
Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing (2nd edition).
Goossens, P. J. (1972). Metallogeny in ecuadorian andes. Economic Geology,
67(4), 458–468. [Link]
Gorin, B. A. (2002). New method to optimize atmospheric correction for
hyperspectral thermal imaging. Optical Engineering, 41(9), 2088.
[Link]
Hauff, P. (2008). An overview of VIS-NIR-SWIR field spectroscopy as applied to
precious metals exploration. Arvada, Colorado: Spectral International Inc,
80001(January 2008), 303–403.
Hu, B., Xu, Y., Wan, B., Wu, X., & Yi, G. (2018). Hydrothermally altered
mineral mapping using synthetic application of Sentinel-2A MSI, ASTER
and Hyperion data in the Duolong area, Tibetan Plateau, China. Ore Geology
Reviews, 101(May), 384–397.
[Link]
Hunt, G. (1977). SPECTRAL SIGNATURES OF PARTICULATE MINERALS
IN THE VISIBLE AND NEAR INFRARED. Society of Explotatrion
Geophysicists, 42(6), 501–513.
INEC. (2010). Resultado del censo 2010. Instituto Nacional de Estadistica y
Censo, 4, 8.
Kennerley, J. . (1980). Kennerley J.B,1980 Mapa Geológico de Zaruma Escala
1:100000. Instituto Geográfico Militar, Ministerio de Recursos Naturales y
Energéticos,Dirección General Geología y Minas, Asistencia técnica del
Gobierno de Gran Bretaña. [Link]
Kerr, A., Rafuse, H., Sparkes, G., Hinchey, J., & Sandeman, H. (2011).
Visible/Infrared Spectroscopy (Virs) As a Research Tool in Economic
Geology: Background and Pilot Studies from Newfoundland and Labrador.
Current Research, April 2016, 145–166.
 Mogrovejo Barrera 113

Loughlin, W. P. (1991). Principal component analysis for alteration mapping.

Photogrammetric Engineering & Remote Sensing, 57(9), 1163–1169.
Luca Congedo. (2016). Semi-Automatic Classification Plugin Documentation
Release [Link]. September. [Link]
Mahboob, M. A., Genc, B., Celik, T., Ali, S., & Atif, I. (2019). Mapping
hydrothermal minerals using remotely sensed reflectance spectroscopy data
from Landsat. Journal of the Southern African Institute of Mining and
Metallurgy, 119(3), 279–289. [Link]
9717/2019/v119n3a7
Mamani, T. (2017). Aplicación de Imágenes ASTER en la Detección de Zonas de
Alteraciones Hidrotermales, Sector Titire, Carumas - Moquegua. In
Universidad Nacional del Altiplano. Universidad Nacional del Altiplano.
Marquetti, C., Becchio, R., Seggiaro, R., & Nakashima, K. (2004). Aplicación de
datos ASTER para el mapeo de la hoja geológica Andalgalá, Catamarca,
Argentina. SEGEMAR-JICA.
Mather, P. M. (2011). Computer Processing of Remotely-Sensed Images
Computer Processing of Remotely-Sensed Images Fourth Edition. In
Processing.
Mora, A., Jumbo-Flores, D., González-Merizalde, M., & Bermeo-Flores, S. A.
(2016). Niveles de metales pesados en sedimentos de la cuenca del río
puyango, Ecuador. Revista Internacional de Contaminacion Ambiental,
32(4), 385–397. [Link]
Ninomiya, Y. (2003). A Stabilized Vegetation Index and Several Mineralogic
Indices Defined for ASTER VNIR and SWIR Data. International
Geoscience and Remote Sensing Symposium (IGARSS), 3, 1552–1554.
[Link]
Núñez, E. (2003). Geología del Ecuador.
Olivia, Aldo ; Ruiz, A. (2015). Inestabilidad del terreno en zonas urbanas de
Zaruma y Portovelo . Factores condicionantes y. December, 17.
[Link]
no_en_zonas_urbanas_de_Zaruma_y_Portovelo_Ecuador_Factores_condicio
nantes_y_desencadenantes
Ordóñez, A & Puglla, A. (2013). Universidad Nacional De Loja Autor. In
Universidad Nacional De Loja.
 Mogrovejo Barrera 114

[Link]
WILSON [Link]
Peguero, C. (2016). Sensores remotos y aplicaciones en teledetección. Geodesia y
gestión de recursos naturales y patrimonio natural. In Sensores Remotos y
Aplicaciones en Teledetección (Vol. 21, Issue ONU-GE@).
[Link]
CIONES_EN_TELEDETECCIÓN_GEODESIA_Y_GESTIÓN_DE_RECU
RSOS_NATURALES_Y_PATRIMONIO_NATURAL
Pirajno, F. (2009). Hydrothermal processes and mineral systems. In Hydrothermal
Processes and Mineral Systems. [Link]
Pour, A. B., & Hashim, M. (2015). Hydrothermal alteration mapping from
Landsat-8 data, Sar Cheshmeh copper mining district, south-eastern Islamic
Republic of Iran. Journal of Taibah University for Science, 9(2), 155–166.
[Link]
Pour, A. B., Park, Y., Park, T. Y. S., Hong, J. K., Hashim, M., Woo, J., & Ayoobi,
I. (2018). Regional geology mapping using satellite-based remote sensing
approach in Northern Victoria Land, Antarctica. Polar Science,
16(September 2017), 23–46. [Link]
Prol Ledesma, R., & Ruiz-Armenta, J. (1995). Técnicas de procesamiento de
imágenes en la exploración de yacimientos minerales de origen hidrotermal.
Física de La Tierra, 7, 105–138.
[Link]
Saldivar, Y. (2020). “PROSPECCIÓN GEOQUÍMICA Y ESPECTROSCOPÍA
APLICADA A LA EXPLORACIÓN DE DEPÓSITOS EPITERMALES DE
ALTA SULFURACIÓN: CASO PROYECTO FÉNIX-SUMITOMO METAL
MINING PERÚ S.A” (Vol. 21, Issue 1) [UNIVERSIDAD NACIONAL DE
SAN AGUSTÍN DE AREQUIPA].
[Link]
u.2020.02.034%0A[Link]
28%0A[Link]
6/[Link].2020.04.011%0A[Link]
Schütte, P., Chiaradia, M., Barra, F., Villagómez, D., & Beate, B. (2012).
Metallogenic features of Miocene porphyry Cu and porphyry-related mineral
deposits in Ecuador revealed by Re-Os, 40Ar/ 39Ar, and U-Pb
 Mogrovejo Barrera 115

geochronology. Mineralium Deposita, 47(4), 383–410.

[Link]
Sekandari, M., Masoumi, I., Pour, B., & M Musli, A. (2020). WorldView-3
Spectral Imagery for Exploration of Carbonate-Hosted Pb-Zn Deposits in the
Central. Remote Sensing.
Smirnov, V. (1982). Geologia de Yacimientos Minerales. Editorial Mir.
SNGR, U. / P. (2012). Perfil Territorial De Zaruma. 11.
[Link] territorial
[Link]
Testa, F. J., Villanueva, C., Cooke, D. R., & Zhang, L. (2018). Lithological and
hydrothermal alteration mapping of epithermal, porphyry and tourmaline
breccia districts in the argentine andes using ASTER imagery. Remote
Sensing, 10(2), 1–45. [Link]
Townley, B. K. (2006). Metalogénesis : Hidrotermalismo y Modelos de
Yacimientos. Apuntes y Referencias Documento de Trabajo, 92.
Tutivén, J. A. (2017). Determinación De Las Asociaciones Minerales Con
Contenido De Oro En La Veta Hidrotermal Del Distrito Minero Zaruma-
Portovelo.
U.S. Geological Survey. (2016). Landsat 8 Data Users Handbook. Nasa, 8(June),
97. [Link]
Van der Meer, F. D., van der Werff, H. M. A., & van Ruitenbeek, F. J. A. (2014).
Potential of ESA’s Sentinel-2 for geological applications. Remote Sensing of
Environment, 148(June), 124–133. [Link]
Van der Werff, H., & van der Meer, F. (2016). Sentinel-2A MSI and Landsat 8
OLI provide data continuity for geological remote sensing. Remote Sensing,
8(11). [Link]
Vikentyev, I., Banda, R., Tsepin, A., Prokofiev, V., & Vikentyeva, O. (2005).
Mineralogy and formation conditions of Portovelo-Zaruma gold-sulphide
vein deposit, Ecuador. Geochemistry, Mineralogy and Petrology,
43(January), 148–154.
Visual Information Solutions, I. (2009). ENVI User’s Guide Restricted Rights
Notice. [Link]/
 Mogrovejo Barrera 116

ANEXOS
 Mogrovejo Barrera 119

ASTER L1T
 Mogrovejo Barrera 120

Anexo A
Composiciones RBG
Mogrovejo Barrera 121
Mogrovejo Barrera 122
Mogrovejo Barrera 123
Mogrovejo Barrera 124
 Mogrovejo Barrera 125

Anexo B
Cocientes de bandas
Mogrovejo Barrera 126
 Mogrovejo Barrera 127

Anexo C
Índices de identificación litológica SWIR
Mogrovejo Barrera 128
 Mogrovejo Barrera 129

Anexo D
Componentes principales para identificación de los tipos de
alteración hidrotermal
Mogrovejo Barrera 130
 Mogrovejo Barrera 131

Anexo E
Mapeo espectral SAM para identificación de minerales de
alteración hidrotermal y óxidos
Mogrovejo Barrera 132
Mogrovejo Barrera 133
Mogrovejo Barrera 134
Mogrovejo Barrera 135
 Mogrovejo Barrera 136

LANDSAT 8 OLI
 Mogrovejo Barrera 137

Anexo F
Composiciones RGB
Mogrovejo Barrera 138
 Mogrovejo Barrera 139

Anexo G
Cocientes de bandas
Mogrovejo Barrera 140
Mogrovejo Barrera 141
 Mogrovejo Barrera 142

Anexo H
Componentes principales para identificación de los tipos de
alteración hidrotermal
Mogrovejo Barrera 143
 Mogrovejo Barrera 144

Anexo I
Mapeo espectral SAM para identificación de minerales de
alteración hidrotermal y óxidos
Mogrovejo Barrera 145
Mogrovejo Barrera 146
Mogrovejo Barrera 147
Mogrovejo Barrera 148
 Mogrovejo Barrera 149

SENTINEL 2
 Mogrovejo Barrera 150

Anexo J
Composiciones RGB
Mogrovejo Barrera 151
 Mogrovejo Barrera 152

Anexo K
Cocientes de bandas
Mogrovejo Barrera 153
 Mogrovejo Barrera 154

Anexo L
Componentes principales para identificación de alteración
hidrotermal y óxidos
Mogrovejo Barrera 155
 Mogrovejo Barrera 156

Anexo M
Mapeo espectral SAM para identificación de minerales de
alteración hidrotermal y óxidos
Mogrovejo Barrera 157
Mogrovejo Barrera 158
Mogrovejo Barrera 159
Mogrovejo Barrera 160