Análisis espectral de materiales geológicos en la Cordillera Volcánica Central de Costa Rica y su relación con la detección remota de anomalías

J. G. Rejas; J. Martínez-Frías; R. Martínez; M. Marchamalo; J. Bonatti

doi:10.3989/egeol.41711.313

Autores/as

J. G. Rejas Instituto Nacional de Técnica Aeroespacial, INTA - Dpto. de Ingeniería y Morfología del Terreno, Universidad Politécnica de Madrid, UPM
J. Martínez-Frías Instituto de Geociencias (CSIC, UCM)
R. Martínez Dpto. de Ingeniería y Morfología del Terreno, Universidad Politécnica de Madrid, UPM
M. Marchamalo Dpto. de Ingeniería y Morfología del Terreno, Universidad Politécnica de Madrid, UPM
J. Bonatti Universidad de Costa Rica, UCR

DOI:

https://doi.org/10.3989/egeol.41711.313

Palabras clave:

análisis espectral, detección de anomalías, hiperespectral, reconocimiento automático de patrones, CVC, DAFT

Resumen

El objetivo del presente trabajo es el estudio de bandas de absorción y reflexión de espectros de materiales geológicos presentes en distintas áreas de test de la Cordillera Volcánica Central (CVC) de Costa Rica, y su correlación con el cálculo automático de anomalías a partir de espectrometría de imagen de alta resolución, también llamada teledetección hiperespectral. En la detección de respuestas anómalas se asume un no conocimiento previo de los objetivos. Los píxeles se separan automáticamente en función de su información espectral diferenciada respecto de un fondo que se estima, bien de manera global para toda la escena, bien localmente por segmentación de la imagen o ventanas de búsqueda, para lo que resulta significativo la caracterización de patrones en base a las bandas diagnóstico de los materiales geológicos. El estudio se ha llevado a cabo a partir de rangos del espectro electromagnético del visible e infrarrojo cercano, infrarrojo de onda corta y térmico de cubos de datos hiperespectrales procedentes de los sensores aeroportados HyMAP y MASTER. Se han diseñado experimentos sobre escenarios semiurbanos y naturales de la CVC de diferente complejidad, analizando el comportamiento del detector de anomalías estándar RX (Reed & Xiaoli, 1990) y métodos distintos subespaciales y basados en proyección de imagen. Entre los métodos comparados con RX se propone uno nuevo denominado Detector de Anomalías de Fondo Térmico (DAFT), método que proyecta miembros puros espectrales sobre un subespacio térmico que define el fondo espectral, y que a su vez supone una variante de Projection Pursuit (Malpica et al., 2008). Se discuten los resultados obtenidos y se realiza una aproximación sobre las implicaciones en procesos geológicos, así como en análogos terrestres para exploración planetaria.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Antón-Pacheco, C.; Rowan, L.C.; Mars, J.C. & Gumiel, J.C. (2001). Characterization of mine materials and hydrothermally altered rocks in the río Tinto minning districy (southwest Spain) using HyMAP data. Revista de Teledetección, 16: 65–68.

Bar, D.O.; Wolowelsky, K.; Swirski, Y.; Figov, Z.; Michaeli, A.; Vaynzof, Y.; Abramovitz, Y.; Ben-Dov, A.; Yaron, O.; Weizman, L. & Adar, R. (2010). Target detection and verification via airborne hyperspectral and high-resolution imagery processing and fusion. IEEE Sensors Journal, 10(3): 707–711. http://dx.doi.org/10.1109/JSEN.2009.2038664

Bataller, F.J.; Rejas, J.G.; Bonatti, J.; Marchamalo, M. & Martínez, R. (2010). Detection of hydrothermal alteration using a principal component analysis applied to hyperespectral HyMAP data on the Turrialba volcano, Costa Rica. Geomatica Week International Congress, Barcelona (Spain).

Berni, J.A.; Zarco-Tejada, P.; Suárez, L. & Fereres, E. (2010). Thermal and narrowband multispectral remote sensing for vegetation monitoring from an Unmanned Aerial Vehicle. IEEE Transactions On Geoscience And Remote Sensing, 47(3): 722–738. http://dx.doi.org/10.1109/TGRS.2008.2010457

Borghys, D.; Achard, V.; Kasen, I. & Perneel, C. (2012). Comparative evaluation of hyperspectral anomaly detection methods in scenes with diverse complexity. OPTRO2012 Proceedings, Symposium on Optronics in Defence and Security, Paris (France).

Chang C.I. (2005). Orthogonal subspace projection (OSP) revisited: a comprehensive study and analysis. IEEE Transactions on Geoscience and Remote Sensing, 43(3): 502–518. http://dx.doi.org/10.1109/TGRS.2004.839543

Cipar, J.; Anderson, G. & Cooley, T. (2011). Active volcano monitoring using a space-based short-wave infrared imager. WHISPERS 2011 Proceedings, Lisbon (Portugal).

Cocks T.; Jenssen, R.; Stewart, A.; Wilson, I. & T. Shields, T. (1998). The HyMAP Airborne Hyperspectral Sensor: The System, Calibration and Performance. 1st EARSeL Workshop on Imaging Spectroscopy, Zurich.

Crosta, A.P.F.; de Souza, C.R.; Azevedo, F. & Brodie, C. (2003). Targeting key alteration minerals in epithermal deposit in Patagonia, Argentina, using ASTER imagery and principal component analysis. International Journal of Remote Sensing, 10: 4233–4240. http://dx.doi.org/10.1080/0143116031000152291

Crosta, A.P. & Moore, J. McM. (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 9th Thematic Conference on Remote Sensing for Exploration Geology, Calgary, 1173–1187.

Duran, O. & Petrou, M. (2007). A time-efficient method for anomaly detection in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 45(12): 3894–3904. http://dx.doi.org/10.1109/TGRS.2007.909205

Eismann, M.T.; Stocker, A.D. & Nasrabadi, N.M. (2009). Automated Hyperspectral Cueing for Civilian Search and Rescue. Proceedings of the IEEE, 97(6): 1031–1055. http://dx.doi.org/10.1109/JPROC.2009.2013561

Hook, S.J.; Myers, J.J.; Thome, K.J.; Fitzgerald, M. & Kahle, A.B. (2001). The MODIS,ASTER airborne simulator (MASTER) - a new instrument for earth science studies. Remote Sensing of Environment, 76(1): 93–102. http://dx.doi.org/10.1016/S0034-4257(00)00195-4

Hsuan, R. & Chang, C. (2003). Automatic spectral target recognition in hyperspectral imagery. Aerospace and Electronic Systems IEEE Transactions, Vol. 39(4): 1232–1249. http://dx.doi.org/10.1109/TAES.2003.1261124

Manolakis, D. & Shaw, G. (2002). Detection Algorithms for Hyperspectral Imaging Aplications. IEEE Signal Processing Magazine, 19(1): 29–43. http://dx.doi.org/10.1109/79.974724

Malpica, J.A.; Rejas, J.G. & Alonso, M.C. (2008). A projection pursuit algorithm for anomaly detection in hyperspectral imagery. Pattern Recognition 41(11): 3313–3327. http://dx.doi.org/10.1016/j.patcog.2008.04.014

Nasrabadi, N.M. (2008). Multisensor Joint Fusion and Detection of Mines Using SAR and Hyperspectral. Sensors 2008 IEEE, 1056–1059. http://dx.doi.org/10.1109/ICSENS.2008.4716625

Reed, I.S. & Xiaoli, Y. (1990). Adaptative multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE Transactions on Acoustics, Speech and Signal Processing, 38(10): 1760–1770. http://dx.doi.org/10.1109/29.60107

Rejas, J.G.; Martínez R. & Malpica J.A. (2007). Hyperspectral remote sensing application for semi-urban areas monitoring. Urban Remote Sensing Joint Event 2007, Paris (France).

Rejas, J.G.; Burillo, F.; López, R.; Cano, M.A.; Sáiz, M.E.; & Farjas, M. (2010). Integrating SAR data and hyperspectral analysis for the archaeological survey of the Segeda city, Spain. 3th International Conference on Remote Sensing in Archaeology, Tiruchirapalli (India). BAR International Series, 2118: 33–36.

Rejas, J.G.; Martínez-Frías, J.; Bonatti, J.; Martínez, R. & Marchamalo, M. (2012). Anomaly detection and comparative analisys of hydrothermal alteration materials trough hyperspectral multisensor data in the Turrialba volcano. XXII ISPRS International Conference, Melbourne, Australia.

Rondeaux, G.; Steven, M. & Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sening of Environment, 55(2): 95–107. http://dx.doi.org/10.1016/0034-4257(95)00186-7

Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. & Harlan, J.C. (1974). Monitoring the vernal advancements and retrogradation of natural vegetation. NASA/GSFC, Greenbelt, 371 pp.

Schaum, A. (2005). Hyperspectral detection algorithms: Operational, next generation, on the horizon. Proceedings of the 34th Applied Imagery and Pattern Recognition Workshop (AIPR05). http://dx.doi.org/10.1109/AIPR.2005.32

Stein, D.W.J.; Beaven, S.G.; Hoff, L.E.; Winter, E.M.; Schaum, A.P. & Stocker, A.D. (2002). Anomaly Detection from Hyperspectral Imagery. IEEE Signal Processing Magazine, 19(1): 58–69. http://dx.doi.org/10.1109/79.974730

Van der Meer, F.D. & Jong, S.M. (Eds.) (2001). Imaging Spectrometry. Basic Principles and Prospective Applications. Springer, Netherlands. Remote Sensing and Digital Image Processing, 4: 403 pp.