EMPLAZAMIENTO ÓPTIMO DE UNA PILA DE LIXIVIACIÓN CON SENSORES 

REMOTOS 
 
1. INTRODUCCIÓN 
En la industria de la minería actual, cada vez es más común el tipo de explotación a cielo 
abierto,  lo  que  conlleva  a  la  construcción  de  estructuras  de  importancia  como  pilas  de 
lixiviación,  presas  de  relave,  escombreras,  etc.  Estas  estructuras  por  motivos  económicos 
deben estar ubicadas cerca al tajo abierto, es decir cerca de la zona de mineralización. 
 
En  el  caso  particular  de  las  pilas  lixiviación,  estas  en  muchas  ocasiones  llegan  a  tener 
alturas  por  encima  de  los  150  m,  y  ya  que  se  emplazan  en  los  alrededores  de  la  zona 
mineralizada,  es  probable  que  tengan  problemas  de  cimentación  debido  a  la  presencia  de 
alteración en la roca sobre la que se fundará esta estructura. Además, existirá una demanda de 
materiales de construcción, en especial de arcillas para fines de impermeabilización. 
 
2. DEFINICIÓN DE UNA PILA DE LIXIVIACIÓN 
Una  pila  de  lixiviación  es  una  estructura  “impermeable”  donde  se  depositan  materiales 
provenientes  de  la  extracción  minera  (tajos  abiertos  o  canteras  a  cielo  abierto)  para  ser 
sometidos  al  proceso  de  lixiviación1.  En  forma  simplificada  es  una  gran  piscina  o  recipiente 
donde se coloca el material a ser lixiviado (extraer el mineral) mediante el riego de un solvente 
acuoso.  La  solución  acuosa  post‐lixiviación  que  por  gravedad  se  infiltra  a  través  del  material 
lixiviado al fondo del pad de lixiviación es la que contiene el mineral y es extraída a través un 
sistema  de  colección  de  solución  que  la  conduce  desde  la  pila  de  lixiviación  a  la  planta  de 
procesos. 
 
La  Figura  1  muestra  los  componentes  más  relevantes  de  un  pad  de  lixiviación  desde  el 
punto de vista geotécnico. Se observa la pila de lixiviación, la solución post‐lixiviación, la berma 
perimetral, el sistema de revestimiento y el sistema de colección de solución2.  
 

                                                            
1
 Kappes, D.W., 2003. Precious Metal Heap Leach Design and Practice. Nevada, USA. 
2
 Thiel, R.S. y Smith, M.E., 2003. State of the Practice Review of Heap Leach Pad Design Issues. California, USA. 
 Figura 1 ‐ Esquema de una pila de lixiviación 

 
Como  se  puede observar  en  las  Figuras  2  al  14  donde se  muestran  algunas  operaciones 
mineras a cielo abierto, la cercanía de la pila de lixiviación a los tajos abiertos es notoria; esto 
se  debe  a  un  tema  de  optimización  de  transporte.  Esta  cercanía  en  muchos  de  los  casos  es 
perjudicial desde el punto de vista geotécnico.  
 
 

TAJO ABIERTO

PILA LIXIVIACIÓN 

 
Figura 2 – Mina Pierina, Oro. La Libertad, Perú 

 
 
 TAJO ABIERTO 

PILA LIXIVIACIÓN

TAJO ABIERTO 

PILA LIXIVIACIÓN 

 
Figura 3 – Mina Yanacocha, Oro. Cajamarca, Perú 

 
 

TAJO ABIERTO 

PILA LIXIVIACIÓN 

 
Figura 4 – Mina Cuajone, Cobre. Moquegua, Perú 

 
 TAJO ABIERTO 

PILA LIXIVIACIÓN

 
Figura 5 – Mina Lagunas Norte, Oro. La Libertad, Perú 

 
 

TAJO ABIERTO 

PILA LIXIVIACIÓN 

 
Figura 6 – Mina Cerro Verde, Cobre. Arequipa, Perú 

 
 TAJO ABIERTO

PILA LIXIVIACIÓN 

 
Figura 7 – Mina Veladero, Oro. San Juan, Argentina 

 
 

PILA LIXIVIACIÓN 

TAJO ABIERTO

 
Figura 8 – Mina Tintaya, Cobre. Cusco, Perú 

 
TAJO ABIERTO  PILA LIXIVIACIÓN 

 
Figura 9 – Mina Santa Rosa, Oro. Puno, Perú 

 
 

PILA LIXIVIACIÓN

TAJO ABIERTO 

 
Figura 10 – Mina Chapi, Oro. Arequipa, Perú 

 
 TAJO ABIERTO 

PILA LIXIVIACIÓN

 
Figura 11 – Mina Tucari, Oro. Puno, Perú 

 
 

PILA LIXIVIACIÓN 

TAJO ABIERTO

 
Figura 12 – Mina Arasi, Oro. Puno, Perú 
TAJO ABIERTO 

PILA LIXIVIACIÓN

 
Figura 13 – Mina Colquijirca, Oro. Pasco, Perú 

 
 

TAJO ABIERTO

PILA LIXIVIACIÓN

 
Figura 14 – Mina Bellavista, Oro. Puntarenas, Costa Rica 
 
3. USO DE LOS SENSORES REMOTOS EN EL DISEÑO DE UNA PILA DE LIXIVIACIÓN 
  El uso de sensores remotos, específicamente el de las imágenes satelitales en el diseño 
de  una  pila  de  lixiviación,  brindan  información  geológica  y  geotécnica  del  área  donde  se 
proyecta  la  pila  de  lixiviación.  A  continuación  se  realiza  una  breve  descripción  del  tipo  de 
información obtenida. 
 
3.1 Información Geológica por Imágenes Satelitales 
La información geológica de relevancia en el diseño de una pila de lixiviación, consiste en 
conocer que características tiene el material sobre el que se cimentará la estructura y si es que 
existe en la zona riesgos geodinámicos. 
 
a) Alteraciones Hidrotermales  
 
Imágenes ASTER 
Existen diferentes aplicaciones del sensor ASTER en el campo de la geología mediante un 
análisis de componentes principales es posible detectar contactos entre litologías en zonas con 
una  geología  complicada.  El  cálculo  de  diferentes  índices  de  alteración  mineral  permite 
detectar  zonas  minerales  alteradas  junto  con  un  análisis  de  componentes  principales;  un 
estudio  más  profundo  mediante  una  clasificación  SAM  (Spectral  Angle  Mapper)  permite  la 
identificación de algunos de los minerales de estas zonas3. 
 
Debido  a que  las respuestas  espectrales  de  las rocas en  muchos casos  son  similares,  no 
siempre  es  posible  discriminar  litologías  con  interpretación  fotogeológica  a  partir  de 
composiciones color de bandas4. Por lo cual se utilizan cocientes de bandas del SWIR para la 
discriminar  zonas  de  alteración  hidrotermal,  ya  que  estas  presentan  picos  de  absorción  y  de 
reflectancia característicos en esta región del espectro electromagnético5. La combinación de 
cocientes  4/5,  4/6,  4/7  (RGB)  permite  identificar  zonas  de  alteración  hidrotermal  como  se 
muestra en la Figura 15. 
 

                                                            
3
  Mendiguren,  G.  et  al.,  2009.  Detección  de  Zonas  de  Alteración  Hidrotermal  y  Contactos  Litológicos  Mediante 
Imágenes Aster en El Plutón de Santa Gracia (La Serena, Chile). Calatayud, España.
4
  Perez,  D.J.  et  al.,  2007.  Mapeo  de  Alteración  Hidrotermal  con  datos  ASTER,  en  la  región  de  La  Coipa,  Cordillera 
Frontal (31º45´S), Provincia de San Juan, Argentina. Florianópolis, Brasil. 
5
 Yamaguchi, Y., 1987. Possible Techniques for Lithologic Discrimination Using the Short Wavelength Infrared Bands 
of the Japanese ERS‐1. Japan. 
  
Figura 15 – Alteraciones Hidrotermales con Sensor ASTER, Cocientes 4/5, 4/6,4/7 RGB  (Perez et al., 2007) 

 
Ninomiya en el 2003 propuso 4 índices correspondientes a los minerales típicos presentes 
en zonas de alteración hidrotermal, donde se emplean los valores de radiancia y reflectancia 
en el sensor6 tal como se muestra en las Figuras 16 y 17. Las fórmulas empleadas se muestran 
a continuación: 
• OHI = (banda 7 / banda 6) + (banda 4 / banda 6). 
• KLI = (banda 4 / banda 5) + (banda 8 / banda 6). 
• ALI = (banda 7 / banda 5) + (banda 7 / banda 8). 
• CLI = (banda 6 / banda 8) + (banda 9 / banda 8). 

                                                            
6
 Ninomiya, Y., 2003. Rock Type Mapping with Indices Defined for Multispectral Thermal Infrared ASTER Data: Case 
Studies. 
  
Figura 16 – Zonas de Alteración Hidrotermal Empleando Valores de Radiancia  (Mendiguren et al., 2009) 
 

 
Figura 17 – Zonas de Alteración Hidrotermal Empleando Valores de Reflectancia  (Mendiguren et al., 2009) 

 
 Donde  OHI  es  el  índice  para  las  alteraciones  minerales  O‐H,  KLI  es  el  índice  para  la 
caolinita, ALI para la alunita y CLI es el índice para la calcita.  
 
Los minerales como montmorillonita y sericita presentan picos de absorción en la banda 6 
de ASTER, mientras que la pirofilita presenta un pico de absorción característico en la banda 5. 
Por su parte la caolinita y alunita presentan picos de absorción característicos en las bandas 5 y 
6. Sobre esta base la estimación cualitativa de la presencia de dichos minerales utilizando los 
índices se definen como sigue: 
• OHI (a): (banda 4 * banda 7) / (banda 6 * banda 6). 
• OHI (b): (banda 4 * banda 7) / (banda 5 * banda 5). 
• ALI: (banda 7 * banda 7) / (banda 5 * banda 8). 
 
El índice OHI(a) identifica los minerales que presentan picos de absorción en la banda 6, 
mientras que el índice OHI(b) permite la identificación de los minerales que presentan picos de 
absorción en la banda 5; el índice ALI permite distinguir la alunita por su pico de absorción en 
la  banda  87.  Aplicando  estos  índices  se  puede  distinguir  minerales  o  grupos  minerales  de 
alteración en base a sus características espectrales como se muestra en las Figuras 18 y 19. 
 

 
Figura 18 – Índice OHI (a)  (Perez et al., 2007) 

                                                            
7
 Ninomiya, Y., 2004. Lithologic Mapping with Multispectral ASTER TIR and SWIR Data.  
  
Figura 19 – Índice OHI (b)  (Perez et al., 2007) 
 

La clasificación por el método Spectral Angle Mapper (SAM), consiste en la determinación 
de  similitud  entre  dos  espectros,  uno  el  del  píxel  de  la  imagen  y  otro  el  patrón  espectral  de 
referencia del mineral de interés8. El algoritmo determina la similitud espectral calculando el 
ángulo  de  mejor  aproximación  y  considerando  a  ambos  vectores.  Esta  técnica  cuando  es 
utilizada  con  datos  calibrados  a  reflectancia,  es  relativamente  insensible  a  efectos  de 
iluminación y albedo tal como se muestra en la Figura 20.  
 

 
Figura 20 – Clasificación SAM  (Perez et al., 2007) 

                                                            
8
  Kruse,  F.A.  et  al.,  1993.  The  Spectral  Image  Processing  System  (SIPS)  ‐  Interactive  Visualization  and  Analysis  of 
Imaging spectrometer Data. 
 
Imágenes LANDSAT 
Estas imágenes ayudan a identificar grupos de minerales para fines de exploración en las 
bandas infrarrojo cercano e infrarrojo medio, pertenecientes a los grupos hidroxilos y sulfatos. 
El  oxido  de  hierro  es  frecuentemente  observado  en  los  afloramientos  rocosos  alterados 
hidrotermalmente como resultado de la meteorización; esta identificación es clave para definir 
áreas que contienen rocas alteradas hidrotermalmente meteorizadas. 
 
Estos minerales tienes características espectrales en las partes visible e infrarroja (0.5‐2.5 
μm)  como  se  puede  ver  en  la  Figuras  21,  22  y  23;  el  principal  del  reconocimiento  de  los 
minerales es la interferencia de la vegetación que también tiene una fuerte reflectancia en el 
infrarrojo.  Cuando  existe  presencia  de  óxidos  de  hierro,  el  color  de  la  roca  es  rojo,  marrón, 
anaranjado  o  amarillo;  la  presencia  de  minerales  de  arcilla  usualmente  produce  amarillo 
pálido, violeta, verde o pardo claro. 

 
 Figura 21 – Espectros de los Materiales Estudiada en una Imagen  (Hunt, 1977, 1979, y Hunt y Ashley, 1979) 

 
La curva de reflectancia de la jarosita muestra características de absorción bien definidas 
en  0.43  y  0.92  μm,  la  hematita  tiene  una  reflectancia  mínima  en  0.85  μm,  y  la  goethita  en 
alrededor de 0.94 μm9; las anomalías de absorción en longitudes de onda menores a 0.9 μm 
son buenos indicadores para la hematita. Cuando las anomalías están en longitudes de onda 
por encima de 0.9 μm, la jarosita o la goethita son más abundantes. 
 

                                                            
9
 Hunt, G.R. y Ashley, R.P., 1979. Spectra of Altered Rocks in the Visible and Near Infrared. 
 La  región  infrarroja  media  del  espectro,  entre  1.1  y  2.5  μm,  puede  proveer  mas 
información  acerca  de  la  composición  mineralógica  que  las  características  espectrales 
observadas en las regiones infrarroja visible y cercana; el infrarrojo medio contiene anomalías 
de alta reflectancia para la mayoría de rocas (basalto, gabro, etc.) y minerales (arcillas, micas, 
sulfatos,  carbonatos)  en  cerca  de  1.65  μm  y  alta  absorción  en  aproximadamente  2.2  μm10. 
Para este caso en particular no se considerará alguna interferencia de la vegetación, debido a 
que los casos de aplicación se han tomado en zonas donde no existe vegetación. 

 
Figura 22 – Espectros de los Materiales Estudiada en una Imagen  (Hunt, 1977, 1979, y Hunt y Ashley, 1979) 
 

 
Figura 23 – Espectros de los Materiales Estudiada en una Imagen  (Hunt, 1977, 1979, y Hunt y Ashley, 1979) 
 
                                                            
10
 Goetz, A.F. et al., 1983. Remote Sensing for Exploration. 
 Las zonas de alteración hidrotermal pueden ser determinadas a partir de compuestos de 
falso  color  que  incluyen  las  bandas  donde  la  respuesta  espectral  de  los  minerales  indica  un 
máximo valor en su reflectancia; esto se consigue con una combinación de bandas en el visible 
y  en  el  infrarrojo11  12.  Las  áreas  alteradas  hidrotermalmente  están  mejor  definidas  en  las 
combinaciones  que  incluyen  las  bandas  7,  4  y  2,  donde  se  muestra  la  alteración  en  rojo;  el 
color  compuesto  genera  una  buena  discriminación  para  minerales  hidrotermales,  cuando  su 
espectro no se sobrepone con los espectros de los materiales presentes en la imagen. 
 
Por  otro  lado,  el  proceso  tradicional  incluye  el  cálculo  de  los  cocientes  de  las  bandas, 
como un mejoramiento de las respuestas de los minerales y la reducción de la respuesta de la 
vegetación; los cocientes fueron obtenidos para las bandas 4/3, 5/4 y 5/7 para la identificación 
de la vegetación y de las alteraciones hidrotermales. Para poder mostrar simultáneamente los 
resultados  de  los  tres  cocientes  de  las  bandas,  se  genera  una  imagen  de  color  compuesto 
como se muestra por la Figura 24. 

 
Figura 24 – Espectros de los Materiales Estudiada en una Imagen  (De La Vega et al., 2001) 
 

De acuerdo con las características espectrales de los minerales y con la combinación de 
color propuesta, la roca hidrotermalmente alterada debería aparecer en azul, rojo y magenta 
como  se  muestra  en  la  Figura  24; esto  a veces  puede tener  interferencia  dependiendo de  la 
presencia  de  vegetación.  Un  análisis  de  componente  principal  (PCA)  en  imágenes  es  una 

                                                            
11
 Costra, A.P. y Moore, J.M., 1989. Enhancement in Landsat Thematic Mapper Imagery for Residual Soil Mapping in 
SW Minas Gerais State, Brazil. 
12
 Drury, S.A., 1990. A Guide to Remote Sensing: Interpreting Images of Earth.  
herramienta  muy  efectiva  para  minimizar  el  efecto  de  la  vegetación13  14.  Como  forma  de 
diferenciar  las  áreas  que  contienen  minerales  hidrotermales  de  las  que  contienen  solo 
vegetación,  técnicas  estadísticas  basadas  en  el  análisis  de  componente  principal  se  aplican  a 
las imágenes, tomando en cuenta las características espectrales de los minerales15. 
 
Finalmente, de acuerdo con Yetkin et al. (2003)16 con las siguientes combinaciones de 
color y de bandas podemos determinar la presencia de alteraciones hidrotermales: 
• RGB: 4 7 6, alteración hidrotermal en verde. 
• RGB: 7 5 4, alteración hidrotermal y rocas intrusivas en rojo. 
• RGB:    3/1  5/7  4/5,  las  zonas  altamente  alteradas  se  muestran  en  colores  azules 
oscuros y azules violáceos. 
 
b) Arcillas 
 
Imágenes ASTER 
El uso de las imágenes ASTER en la prospección de una amplia gana de minerales se ha 
incrementado  en  los  últimos  años,  debido  a  su  bajo  costo,  amplia  cobertura  y  una  alta 
sensibilidad a la alteración mineral de las bandas; Kalinowski y Oliver, 2004 han realizado una 
compilación  de  datos  ASTER  en  bandas  visibles,  infrarrojos  de  onda  corta  y  térmicas.  El 
adecuado  procesamiento  y  combinación  de  estas  bandas  pueden  resaltar  minerales  como 
óxidos de hierro, rocas silíceas, carbonatos, sericita, illita, alunita y caolinita17.  
 
En  el  caso  de  los  minerales  de  arcilla,  Bierwirth,  1990  propuso  combinaciones  de 
bandas  de  imágenes  ASTER  para  detectarlos18,  como  el  (5x7)/(6x6)  y  el  RGB  (5x7)/6  6/8  4/5 
donde la arcilla se muestra en color rojo. 
 
 
 

                                                            
13
 Loughlin, W.P., 1991. Principal Component Analysis for Alteration Mapping. 
14
  Ruiz  Armenta,  J.R.  y  Prol  Ledesma,  R.M.,  1995.  Tecnicas  de  Procesamiento  de  Imágenes  en  la  Exploración  e 
Yacimientos Minerales de Origen Hidrotermal.  
15
 Chavez, P.S.Jr. y Yaw Kwarteng, A., 1989. Extracting Spectral Constrast in Landsat Thematic Mapper Image Data 
Using Selective Principal Component Analysis. 
16
  Yetkin,  E.,  Toprak,  V.  y  Suzen,  M.L.,  2003.  Alteration  Mapping  by  Remote  Sensing:  Application  to  Hasandag‐
Melendiz Volcanic Complex, Central Turkey.  
17
 Kalinowski, A. y Oliver, S., 2004. Aster Mineral Index Processing Manual. 
18
  Bierwirth,  P.N.,  1990,  Mineral  Mapping  and  Vegetation  Removal  Via  Data‐Calibrated  Pixel  Unmixing,  using 
Multiespectral Images. 
Imágenes LANDSAT 
De  la  misma  manera  que  en  el  caso  de  las  alteraciones  hidrotermales,  Yetkin  et  al. 
(2003),  propusieron  combinaciones  de  color  y  bandas  en  imágenes  LANDSAT  para  poder 
determinar la presencia de minerales de arcilla tal como sigue: 
• RGB: 7 4 2, los minerales de arcilla son más brillantes en tonalidades rojas. 
• RGB:  4  7  5,  los  minerales  de  arcilla  son  más  brillantes  en  tonalidades  verdes  y 
azules. 
• RGB:  5/7 3/2 4/5, las zonas ricas en arcilla se muestran en color rojo. 
• RGB: 5/7 5/4 3/1, los minerales de arcilla se muestran en color rojo. 
 
3.2 Información Geotécnica por Imágenes Satelitales 
La  información  geotécnica  de  relevancia  mediante  uso  de  sensores  remotos  en  la 
ubicación de cualquier estructura de importancia, principalmente se refiere a la detección de 
zonas de inestabilidad de taludes en las áreas contiguas a las estructuras proyectadas; por tal 
motivo  a  continuación  se  mencionará  brevemente  los  distintos  métodos  empleados  en  este 
campo. 
 
En zonas con presencia de vegetación, de puede tener una estimación del contenido de 
humedad  del  suelo  a  través  de  la  interpretación  de  estado  de  esta,  ya  que  existe  una  alta 
correlación entre el contenido de humedad de un suelo y el nivel freático en un deslizamiento, 
lo  cual  propone  de  manera  indirecta  la  estimación  de  regiones  con  susceptibilidad  de 
deslizamientos19.  
 
El  uso  de  los  índices  NDVI  (índice  de  vegetación  de  diferencia  normalizada)  y  NDMIDIR 
(infrarrojo  medio  de  diferencia  normalizada),  muestra  que  para  vegetación  sana  se  muestra 
valores altos de NDVI, pero es difícil discriminar en los valores de este índice una vegetación 
sana con una vegetación disturbada (Figura 25); sin embargo los valores NDMIDIR discriminan 
claramente  la  condición  de  la  vegetación.  La  vegetación  disturbada  o  estresada  muestra 
valores entre 0 y 0.235 (valor medio) del índice NDVI, mientras que la vegetación sana muestra 
valores encima de este valor medio; con respecto al índice NDMIDIR, la vegetación disturbada 
se muestra en colores oscuros20, como se muestra en la Figura 26. 
 

                                                            
19
 Samarakoon, L., Ogawa, S., Ebisu, N., Lapitan, R. y Kohki, Z., 1993. Interference of Landslide Suceptible Areas by 
Landsat Thematic Mapper. 
20
 Vohora, V.K. y Donoghue, S.L., 2004. Application of Remote Sensing Data to Landslide Mapping in Hong Kong. 
 En  los  casos  que  no  se  presenta  vegetación,  los  deslizamientos  se  pueden  observar 
mediante una combinación de bandas a color real. 
 

 
Figura 25 – Imagen NDVI Mostrando Vegetación Sana en Tonos Brillantes Claros  (Vohora et al., 2004) 

 
Figura 26 – Imagen NDMIDIR Mostrando Escarpas en Tonos Oscuros  (Vohora et al., 2004) 
 

4. CASO DE APLICACIÓN 
Como  caso  de  aplicación  se  mostrará  las  imágenes  satelitales  LANDSAT  de un  proyecto 
argentífero  que se encuentra  en Puno , Perú; este proyecto tiene proyectado la extracción a  
cielo  abierto  con  pila  de  lixiviación.  La  Figura  27  muestra  la  ubicación  del  proyecto  con  las 
ubicaciones  proyectadas  de  las  principales  estructuras  como  son  el  tajo  abierto  y  la  pila  de 
lixiviación; de la figura se puede notar que la pila de lixiviación está muy cercana a la zona de 
extracción. 
 
 PILA LIXIVIACIÓN 

TAJO ABIERTO

 
Figura 27 – Imagen LANDSAT a Color Real RGB 3 2 1  

 
Una  vez  obtenidos  los  datos  de  las  imágenes  satelitales  a  través  del  INPE,  se  procede  a 
realizar  la  combinación  de  las  bandas  siguiendo  la  metodología  propuesta  por  Yetkin  et  al. 
(2003).  La  Figura  28  muestra  la  combinación  de  bandas  de  imágenes  LANDSAT  RGB  4  7  6, 
donde la alteración hidrotermal puede ser apreciada en color verde; en esta misma figura se 
puede ver que las zonas alteradas están señaladas (flecha roja) y que además la zona del tajo 
es una de estas. 
 
Para  poder  determinar  la  presencia  de  material  arcilloso  que  pudiese  ocasionar 
problemas de cimentación, pero a la vez ser útil como suelo de baja permeabilidad, se realizan 
las  combinaciones  de  bandas  de  imágenes  LANDSAT  RGB  7  4  2  y  RGB  4  7  5,  donde  los 
minerales  arcillosos  están  representados  en  tonalidades  rojas  brillantes  y  verdes  brillantes, 
respectivamente.  La  Figura  29  muestra  la  combinación  RGB  7  4  2,  donde  podemos  observar 
que  los  depósitos  arcillosos  (flechas  rojas)  no  están  en  el  área  donde  se  proyecta  la  pila  de 
lixiviación, pero si tienen cierta cercanía al proyecto que no hace antieconómica su extracción 
y  uso;  la  Figura  30  que  muestra  la  combinación  RGB  4  7  5  confirma  lo  expuesto  en  la  figura 
anterior. 
 
  
Figura 28 – Imagen LANDSAT RGB 4 7 6  
 

 
Figura 29 – Imagen LANDSAT RGB 7 4 2  

 
  
Figura 30 – Imagen LANDSAT RGB 4 7 5  

 
Con información obtenida del procesamiento de imágenes, se puede observar que la pila 
de lixiviación no estará emplazada sobre algún depósito de arcilla y alguna zona alterada; las 
canteras de arcilla se encuentran próximas al proyecto. 
 
5. USO DE EQUIVALENCIAS ENTRE TIPOS DE IMAGENES 
En el desarrollo del presente trabajo, en especial, en la búsqueda de casos de aplicación; 
debido a la facilidad de encontrar imágenes satelitales CBRES y en menor cantidad imágenes 
satelitales  LANDSAT,  se  tuvo  que  realizar  una  comparación  entre  las  bandas  de  cada  uno  de 
estos sistemas. Por otro lado, la bibliografía con respecto al uso de imágenes satelitales CBERS 
es escasa aún, por lo que la recopilación bibliográfica estuvo basada básicamente en artículos 
técnicos  acerca  de  la  aplicación  del  uso  de  imágenes  satelitales  principalmente  ASTER  y  en 
menor cantidad LANDSAT; por tal motivo se trato de realizar una equivalencia entre estos tres 
tipos de sistemas como se muestra en la Tabla 1. 
 
 
 
 
 Tabla 1 – Equivalencias entre Bandas LANDSAT5, CBERS2 y ASTER 
LONGITUD DE  LONGITUD DE  LONGITUD DE 
ONDA (μm)  ONDA (μm)  ONDA (μm) 
BANDA  OBSERVACIONES  BANDA  OBSERVACIONES BANDA OBSERVACIONES 
IMAGEN  IMAGEN  IMAGEN 
LANDSAT5  CBERS2  ASTER 
1  0.45‐0.52  azul  CCD1  0.45‐0.52  azul 
2  0.52‐0.61  verde  CCD2  0.52‐0.59  verde  VNIR1  0.52‐0.60 
3  0.63‐0.69  rojo  CCD3  0.63‐0.69  rojo  VNIR2  0.63‐0.69 
infrarrojo  infrarrojo 
4  0.75‐0.90  CCD4  0.77‐0.89  VNIR3  0.76‐0.86 
próximo  próximo   
CCD5  0.51‐0.73  pancromática 
IRM1  0.50‐1.10  pancromática 
5  1.55‐1.75  infrarrojo lejano  IRM2  1.55‐1.75  infrarrojo medio SWIR4  1.60‐1.70 
7  2.09‐2.35  térmico próximo  IRM3  2.08‐2.35  infrarrojo medio
SWIR5  2.145‐2.185 
SWIR6  2.185‐2.225 
SWIR7  2.235‐2.285 
SWIR8  2.295‐2.365 
SWIR9  2.360‐2.430 
TIR10  8.125‐8.475 
TIR11  8.475‐8.825 
TIR12  8.925‐9.275 
TIR13  10.250‐10.950 
TIR14  10.950‐11.650 
6  10.40‐12.50  térmico lejano  IRM4  10.40‐12.50  infrarrojo termal
 
6. COMENTARIOS 
A  partir  de  la  realización  del  presente  trabajo,  se  pueden  rescatar  los  siguientes 
comentarios: 
• Existe abundante bibliografía sobre el tema de exploración minera mediante el uso de 
sensores remotos, específicamente el uso de imágenes satelitales ASTER, y en menor 
volumen  para  el  caso  de  imágenes  satelitales  LANDSAT,  por  tal  motivo  al  tener  a 
disposición imágenes satelitales CBERS2, se realizó una tabla de equivalencias. 
• En zonas donde no existe vegetación la determinación de escarpas de deslizamientos 
se hace directamente, por la geomorfología y topografía de la zona. 
• Las imágenes utilizadas no son de alta resolución, aunque para los fines del presente 
trabajo son útiles. 
• Las  imágenes satelitales ASTER  en el  sistema VNIR  (bandas  1,  2,  3N y  3B) tienen una 
resolución  de  15  metros  por  píxel,  en  el  sistema  SWIR  (bandas  4,  5,  6,  7,  8  y  9) 
resolución de 30 metros y en el sistema TIR (bandas 10, 11, 12, 13 y 14) resolución de 
90 metros. 
• Las imágenes satelitales LANDSAT tienen una resolución de 30 metros (bandas 1, 2, 3, 
4, 5 y 7) y de 120 metros (banda 6) por píxel. 
 • Las  imágenes  satelitales  CBERS  en  el  sistema  CCD  (bandas  1,  2,  3,  4  y  5)  tienen  una 
resolución  de  20  metros  por  píxel,  en  el  sistema  IR‐MSS  (bandas  6,  7  y  8)  una 
resolución de 80 metros, y en el sistema WFI una resolución de 160 metros (banda 9) y 
260 metros (bandas 10 y 11). 
• En algunas ocasiones para proyectos detallados es necesario la utilización de imágenes 
satelitales de alta resolución tales como IKONOS y Quickbird con resoluciones de 0.8 y 
2.4 metros, respectivamente. 
• El uso de las imágenes satelitales en proyectos mineros, no solo debe aplicarse en la 
determinación de zonas mineralizadas, sino en la búsqueda de canteras, problemas de 
cimentación y deslizamiento de taludes. 
 
7. REFERENCIAS BIBLIOGRÁFICAS 
1. Bierwirth,  P.N.,  1990.  Mineral  Mapping  and  Vegetation  Removal  Via  Data‐Calibrated 
Pixel Unmixing, using Multiespectral Images. International Journal of Remote Sensing, 
Volume 11, Issue, pp. 1999‐2017. 
2. Chavez,  P.S.Jr.  y  Yaw  Kwarteng,  A.,  1989.  Extracting  Spectral  Constrast  in  Landsat 
Thematic  Mapper  Image  Data  Using  Selective  Principal  Component  Analysis. 
Photogrammetric Engineering and Remote Sensing, Volume 55, N° 3, pp. 339‐348. 
3. Costra, A.P. y Moore, J.M., 1989. Enhancement in Landsat Thematic Mapper Imagery 
for  Residual  Soil  Mapping  in  SW  Minas  Gerais  State,  Brazil.  Thematic  Conference  on 
Remote  Sensing  for  Exploration  Geology  ‐  Methods,  Integration,  Solutions,  7th,  pp. 
1173‐1187. 
4. Drury,  S.A.,  1990.  A  Guide  to  Remote  Sensing:  Interpreting  Images  of  Earth.  Oxford 
University Press, 2nd edition. USA. 
5. Goetz,  A.F.H.,  Rock,  B.N.  y  Rowan,  L.C.,  1983.  Remote  Sensing  for  Exploration. 
Economic Geology Journal, Volume 78, N°4, pp. 573‐590. 
6. Hunt,  G.R.  y  Ashley,  R.P.,  1979.  Spectra  of  Altered  Rocks  in  the  Visible  and  Near 
Infrared. Economic Geology Journal, Volume 74, N° 7, pp. 1613‐1629. 
7. Kalinowski,  A.  y  Oliver,  S.,  2004.  Aster  Mineral  Index  Processing  Manual.  Remote 
Sensing Applications, Geoscience Australia. 
8. Kappes, D.W., 2003. Precious Metal Heap Leach Design and Practice. Nevada, USA. 
9. Kruse,  F.A.  et  al.,  1993.  The  Spectral  Image  Processing  System  (SIPS)  ‐  Interactive 
Visualization  and  Analysis  of  Imaging  spectrometer  Data.  Remote  Sensing  of 
Environment, Volume 44, Issues 2‐3, pp. 145‐163. 
10. Loughlin, W.P., 1991. Principal Component Analysis for Alteration Mapping. Thematic 
Conference on Geologic Remote Sensing N° 8, Volume 57, N° 9, pp. 1163‐1169. 
11. Mendiguren, G. et al., 2009. Detección de Zonas de Alteración Hidrotermal y Contactos 
Litológicos  Mediante Imágenes Aster en El Plutón  de Santa  Gracia  (La  Serena,  Chile). 
XIII Congreso de la Asociación Española de Teledetección. Calatayud, España. 
12. Ninomiya, Y., 2003. Rock Type Mapping with Indices Defined for Multispectral Thermal 
Infrared ASTER Data: Case Studies. Proceedings of Remote Sensing for Environmental 
Monitoring, GIS Applications, and Geology II, Volume 4886, pp.123‐132. 
13. Ninomiya,  Y.,  2004. Lithologic  Mapping with  Multispectral ASTER  TIR  and SWIR Data. 
Sensors, Systems, and Next‐Generation Satellites VII. 
14. Perez,  D.J.,  Azcurra,  D.,  D’Odorico,  P.  y  Sequeira,  N.,  2007.  Mapeo  de  Alteración 
Hidrotermal  con  datos  ASTER,  en  la  región  de  La  Coipa,  Cordillera  Frontal  (31º45´S), 
Provincia  de  San  Juan,  Argentina.  Anais  XIII  Simpósio  Brasileiro  de  Sensoriamento 
Remoto, INPE, pp. 2095‐2102.  
15. Ruiz  Armenta,  J.R.  y  Prol  Ledesma,  R.M.,  1995.  Técnicas  de  Procesamiento  de 
Imágenes en la Exploración de Yacimientos Minerales de Origen Hidrotermal. Física de 
la Tierra N°7, pp. 105‐138. 
16. Samarakoon,  L.,  Ogawa,  S.,  Ebisu,  N.,  Lapitan,  R.  y  Kohki,  Z.,  1993.  Interference  of 
Landslide  Suceptible  Areas  by  Landsat  Thematic  Mapper.  Sediment  Problems: 
Strategies/or  Monitoring,  Prediction  and  Control  (Proceedings  of  the  Yokohama 
Symposium), N° 217, pp. 83‐90. 
17. Thiel, R.S. y Smith, M.E., 2003. State of the Practice Review of Heap Leach Pad Design 
Issues. California, USA. 
18. Vohora, V.K. y Donoghue, S.L., 2004. Application of Remote Sensing Data to Landslide 
Mapping in Hong Kong. Natural Resources and Mines, Australia. 
19. Yamaguchi, Y., 1987. Possible Techniques for Lithologic Discrimination Using the Short 
Wavelength  Infrared  Bands  of  the  Japanese  ERS‐1.  Remote  Sensing  of  Environment 
Volume 23, Issue 1, pp. 117‐129.  
20. Yetkin,  E.,  Toprak,  V.  y  Suzen,  M.L.,  2003.  Alteration  Mapping  by  Remote  Sensing: 
Application to Hasandag‐Melendiz Volcanic Complex, Central Turkey.