Geoquímica y espectrometría de sedimentos activos en la cuenca del Limarí: Análisis mediante redes neuronales. Felipe Carrasco*, Felipe Astudillo, Juan Lacassie. Servicio Nacional de Geología y Minería, Av. Santa María 0104, Providencia, Santiago, Chile. Alejandro Díaz Empresa Nacional de Minería, Colipí Nº 260, Copiapo, Chile. Javier Ruiz-Del Solar
Advanced Mining Technology Center (AMTC), Av. Tupper 2007, Piso 3, Santiago, Chile. * E-mail: [email protected] Resumen. El uso combinado de espectrometría de
reflectancia infraroja de onda corta sobre sedimentos fluviales activos junto a un análisis estadístico mediante redes neuronales artificiales, ha permitido relacionar patrones espectrales con patrones geoquímicos en la cuenca del Limarí. Este trabajo complementa la información recopilada en la memoria de tesis de Astudillo (Astudillo, 2011). Los resultados muestran que a lo largo de los ríos estudiados existen signaturas espectrales y geoquímicas asociadas a factores geológicos y antropogénicos, estos últimos principalmente de carácter minero. Específicamente, se puede concluir que la composición química y los patrones espectrales reflejan la presencia de zonas de alteración hidrotermal y mineralizada. En este contexto, destacan los cursos superiores del río Hurtado y del estero Punitaqui, donde se ubican respectivamente el prospecto minero Coipita y el distrito Punitaqui mineros Coipita y Punitaqui. Se concluye que esta metodología permite obtener resultados en tiempos breves, facilitando tanto la manipulación como clasificación de los datos, identificando zonas de alteración sin un análisis de espectros en detalle.
Palabras Claves: Limarí, Geoquímica, SWIR, Redes
neuronales artificiales, Sedimentos activos.
1 Introducción La composición química y mineralógica de los sedimentos
fluviales es utilizada, comúnmente, para monitorear la
influencia de factores naturales (geología del basamento) y
el impacto de factores antropogénicos tales como
actividades mineras, agrícolas e industriales y el grado de
urbanización sobre los sistemas fluviales (Birch et al.,
1999). En particular, los sedimentos fluviales de áreas
industrializadas pueden actuar como reservorios de metales
pesados (Power et al., 1992) por largos periodos de tiempo,
que van desde cientos a miles de años (Macklin et al.,
2006). En estas condiciones los sedimentos fluviales
actúan como fuentes de metales pesados para los
organismos acuáticos (Houtman et al., 2004), con un alto
potencial de que estos elementos entren en la cadena
trófica acuática y se bio-acumulen en plantas y animales
(Hellyer, 2000), con el consiguiente riesgo para la salud
humana y medioambiental. Por otra parte, espectralmente
las bandas SWIR (Short Wave Infra Red, Infra Rojo de
Onda Corta) permiten identificar filosilicatos, carbonatos y
sulfatos entre otros (Marel, 1976). Este análisis presenta
bajos costos. La metodología usada no busca identificar
minerales espectralmente, sino relacionar la signatura
espectral con la geoquímica. En este trabajo se estudió la
composición química y los espectros de reflectancia SWIR
de las muestras de sedimentos activos, recolectados en los
principales ríos del sistema fluvial del río Limarí, IVa
Región, Chile. En los sistemas fluviales el transporte de los
elementos mayores y en trazas está controlado,
principalmente, por la carga en suspensión (De Carlo et al.,
2004). Por este motivo, este estudio se concentra en la
fracción <180 µm de los sedimentos recolectados, la cual
se considera como representativa de la carga fluvial en
suspensión (Ortiz et al., 2006). Los resultados de los
análisis químicos (ICP-MS) y espectrales (PIMA-II) de los
sedimentos recolectados fueron analizados con redes
neuronales artificiales no-supervisadas.
2 Metodología, muestreo, resultados 2.1 Muestreo, análisis químico y espectral
La recolección de muestras en la cuenca del Limarí, se
realizó entre enero y febrero de 2010, tomándose en total
126 muestras. La mayoría de estas, corresponde a un
compósito de entre 2 y 4 Kg formado por sub-muestras de
sedimento fluvial recolectadas a una profundidad entre 0 y
5 cm, en un tramo de entre 20 a 50 m a lo largo del canal
activo, con una distancia promedio de 3 km entre puntos
de muestreo. El resto, corresponde a sedimentos
recolectados en las terrazas fluviales pre-industriales
cercanas al cauce principal. Para la recolección y
almacenaje de las muestras se utilizaron palas y bolsas
plásticas (PVC). Posteriormente, en el laboratorio, las
muestras fueron secadas (<60°C) y tamizadas. La fracción
<180 µm de cada muestra fue pulverizada en un mortero
de ágata. Las muestras fueron analizadas mediante
espectrometría de emisión ICP-ES y de masa ICP-MS, en
laboratorios de AcmeLabs, para obtener abundancia total
de óxidos principales y de elementos traza
70
respectivamente. Por otra parte, durante el 2012, el
material de rechazo fue muestreado espectralmente
mediante un espectrómetro PIMA-II de Integrated
Spectronics, para lo cual se consideró el valor promedio de
tres mediciones sobre cada muestra. Los resultados de los
análisis químicos y espectrales fueron estudiados
estadísticamente, y por separado, utilizando redes
neuronales artificiales no-supervisadas del tipo Growing
Cell Structures (Fritzke, 1994). Esta técnica de análisis
multivariado ha sido exitosamente aplicada al estudio de
datos geoquímicos de distintos materiales, dado que
permite: 1) visualizar la estructura de grupos o clusters del
set de datos; 2) visualizar las relaciones lineales y no-
lineales existentes entre las variables (e.g., Lacassie et al.,
2008).
2.2 Resultados Los datos químicos de las muestras de los sedimentos
fluviales fueron analizados utilizando redes neuronales
artificiales no-supervisadas. Como resultado de este
análisis se generó un mapa bi-dimensional o “mapa
neuronal”, compuesto por 8 unidades o “nodos”
interconectados. Cada uno de estos nodos (Nodos G)
representa un subconjunto de muestras del set de datos con
características químicas similares (Tabla 1). Para los datos
espectrales se genera una clasificación similar de 8 nodos
(Nodos E). En la Figura 1 se muestra la forma general
(promedio) de cada familia de datos espectrales.
Tabla 1. Geoquímica asociada a cada nodo y relación con nodos
espectrales (Datos de Astudillo, 2011). Nodo
geoquímico
Nodo
espectralValores altos
G1 E7 CaO, Total C, Sr
G2 E1Cu, As, Mo, U, Zn, MnO, Ba, Be, Co, Cs, Sn, Y -
SHREE, Ni, Cd, Bi,Tl, Se
G3 E4, E8 Al2O3 , MgO
G4 E3, E6 Au, Hg, Ag, Fe2O3 , Total S, Pb, Sb
G5 E2 Zr, TiO2, Cr2O3, Sc, Ga, Hf, Nb, Ta, V, W
G6 - P2O5
G7 - SiO2, Na2O, K2O, Rb, Th, SLREE
G8 E5 SiO2, Na2O, K2O, Rb, Al2O3, MgO, Sc, Ga
3 Discusión de los resultados Existen muestras asociadas a un mismo nodo que
presentan una distribución geográfica común, ya sea
espectral y/o geoquímicamente (Figura 2), además es
posible observar sectores en los cuales existe una
correlación entre nodos espectrales y geoquímicos (Tabla
1). Las zonas más destacadas en este aspecto son el tramo
superior del río Hurtado, el prospecto Coipita en el mismo
sector y el distrito minero de Punitaquí en la cabecera del
Estero Punitaqui. Se desprende de lo anterior, que los
ensambles mineralógicos pertenecientes a estas zonas están
asociados a una signatura espectral bien definida y a una
geoquímica particular, por lo cual se puede vincular
espectros y geoquímica en algunos sectores, aunque los
minerales que generan las señales no necesariamente estén
formados por los mismos elementos que presentan valores
elevados en metales pesados, de hecho existen zonas en las
cuales la signatura espectral es una sub-zona de la
signatura geoquímica. Esto demuestra la existencia de
ensambles minerales entre los minerales que son
detectados espectralmente y aquellos minerales que
presentan concentraciones elevadas de metales pesados
Figura 1. Promedio de espectros para cada nodo.
4 Conclusiones Datos geoquímicos y espectrales se pueden correlacionar
entre si geográficamente en zonas ligadas a sectores con
alteración hidrotermal o con influencia antropogénica de
carácter minero. De esta forma, la utilización de redes
neuronales y espectrometría puede llegar a convertirse en
un método de reconocimiento de zonas de interés
económico y/o de contaminación a escala de cuenca previo
a prospección geoquímica, lográndose así una
optimización recursos.
Agradecimientos
Esta contribución fue patrocinada por la Subdirección
Nacional de Geología de SERNAGEOMIN. Especiales
agradecimientos a los señores Lacassie, Astudillo, Díaz y
Ruiz del Solar por su buena disposición y por haber
facilitado el uso de sus datos y muestras.
71
Referencias Astudillo, F. 2011. Controles determinantes en la geoquímica y
mineralogía de los sedimentos fluviales activos en la cuenca del
río Limarí, IV Región de Coquimbo, Chile. Memoria de Título,
Universidad de Chile, Departamento de Geología: 156 p.
Birch, GF, Robertson, E, Taylor, SE, McConchie, DM. 1999. The use
of sediments to detect human impact on the fluvial system.
Environmental Geology 3: 1015-1028.
De Carlo, EH, Beltran, VL, Tomlinson, MS. 2004. Composition of
water and suspended sediment in streams of urbanized
subtropical watersheds in Hawaii Applied Geochemistry 1: 1011-
1037.
Fritzke, B. 1994. Growing cell structures–A self-organizing network
for unsupervised and supervised learning. Neural Networks
7:1441-1460.
Hellyer, G. 2000. Ten Mile River Watershed-Massachusetts: An
assessment of sediment chemistry and ecotoxicity. US
Environmental Protection Agency Report. URL:
http://www.epa.gov/region1/lab/reportsdocuments/tenmile/Water
shedEcotoxicityReport.pdf: 240p.
Houtman, CJ, Cenijn, PH, Hamers, T, Lamoree, MH, Legler, J, Murk,
AJ, Brouwer, A. 2004. Toxicological profiling of sediments using
in vitro bio-assays with emphasis on endocrine disruption.
Environ Toxicol Chem 2 :32-40.
Lacassie, J.P. 2008. Estudio mineralógico y geoquímico del sistema
fluvial del río Rapel, VI Región, Chile. Informe Registrado IR-
08-37, Servicio Nacional de Geología y Minería: 66 p.
Macklin, M.G.; Brewer, P.A.; Hudson-Edwards, K.A.; Bird, G.;
Coulthard, T.J.; Dennis, I.A.; Lechler, P.J.; Miller, J.R.; Turner,
J.N. 2006. A geomorphological approach to the management of
rivers contaminated by metal mining. Geomorphology 7::423-
447.
Marel, H.W. y Beutelspacher, H., 1976, Atlas de la espectroscopia del
infrarrojo y los minerales arcillosos y sus mezclas. Elsevier, 396
p. Amsterdam.
Ortiz, E, Roser, B.2006. Major and trace element provenance
signatures in stream sediments from the Kando River, San'in
district, southwest Japan. The Island Arc 1:223-238.
Páez, C. 2008. Espectrometría de reflectancia (SWIR) aplicada para
mapeo de alteración en la zona de Viruela-La Cruz, proyecto La
India : Distrito Minero Mulatos, Sahuaripa, Sonora México.
Memoria de Titulo, Universidad de Sonora, Mexico.
Power, EA, Chapman, PM. 1992. Assessing sediment quality.
Sediment toxicity assessment. CRC Press, Boca Raton, USA:
457 p.
Figura 2. Distribución espacial de nodos (modificado de Astudillo, 2011)
72
Top Related