DISCRIMINAÇÃO DE ÁREAS DE ESPESSO REGOLITO DO LESTE DO ESTADO DO AMAZONAS USANDO ESTATÃSTICA MULTIVARIADA, ALGORITMO HIPERESPECTRAL E MODELAGEM DE DADOS ESPACIAIS

Abstract

Áreas com espessos regolitos estão amplamente distribuídas na região amazônica. Nas últimas décadas, as pesquisas sobre geologia de regolitos no Brasil têm se concentrado, principalmente, nos aspectos geoquímicos e mineralógicos e seus possíveis usos para a exploração de recursos minerais. Embora a utilização da aerogeofísica e de métodos de integração de dados tenham se ampliado na avaliação de recursos minerais, a aplicação em terrenos regolíticos ainda é recente. O objetivo deste artigo é mostrar o potencial de uma abordagem sistemática, incluindo o uso de aerogamaespectrometria regional, modelo digital de elevação e processamento digital de imagens, para a identificação de áreas de espesso regolito com potencial interesse econômico em uma área pouco explorada da porção leste do Estado do Amazonas. A aplicação de técnicas de estatística multivariada (Análise por Principais Componentes e K-médias) em dados aerogamaespectrométricos permitiu a individualização de regolitos frente às respostas provenientes de unidades geológicas da região. Como guias para a identificação de áreas de espesso regolito, os seguintes padrões foram observados: baixos valores de K (facilmente lixiviado durante o intemperismo) e da razão K/eU; altos valores de eTh, da razão eTh/K e médios de eU, além de maiores altitudes (platôs). Aplicou-se o algoritmo originalmente desenvolvido para o sensoriamento remoto hiperespectral, denominadoSpectral Angle Mapper(SAM), e técnicas de modelagens espaciais (lógicas booleana efuzzy)para a produção de mapas de favorabilidade para a ocorrência de espesso regolito que foram comparados com mapa geológico em escala 1:250.000. As relações quantitativas entre conjuntos de dados geofísicos e altimétricos mostraram grande capacidade para olinkentre interpretações geológicas e geofísicas, indicando-se áreas potenciais para direcionar a prospecção mineral na área de estudo.

Keywords :aerogamaespectrometria; SRTM;Spectral Angle Mapper; modelagem de dados espaciais; Análise por Principais Componentes; K-médias.

ABSTRACT

Areas with deep regolith profiles are widely distributed in the Amazonian region. Research on regolith geology in Brazil has concentrated, mainly, in geochemical and mineralogical aspects and where possible utilizing these in exploration. Although airborne geophysics and spatial data integration methods are being used increasingly for mineral resource assessments, the application in regolith-dominated terrains is new. The objective of this paper is to show the potential of a systematic approach, including the use of regional gamma-ray spectrometry, digital elevation model and image digital processing techniques for the identification of deep regolith areas characterized by potential economic interest in less well explored region of the eastern portion of Amazonas State. The application of multivariate statistics techniques (Principal Components Analysis and K-means) in airborne gamma-ray data allows the individualization of regoliths in comparison to the geologic units of this region. How exploratory guide, the following patterns were observed: low values of K (easily lixivied during the weathering) and K/eU ratio; high values of eTh, eTh/K ration and medium values of eU, besides the higher altitude (plateau). Based on these images, the hyperspectral algorithm named Spectral Angle Mapper (SAM) and the boolean and fuzzy logic spatial modeling techniques were applied to produce regolith potential maps that were compared with previous geological data in 1:250.000 scale. The quantitative relationships between geophysical and altimetric datasets have shown great capability for linking geological and geophysical interpretations, indicating potential areas that can direct new ways for mineral prospecting at the study area.

Keywords :airborne gamma-ray spectrometry data; SRTM; Spectral Angle Mapper; spatial data modeling; Principal Components Analysis; K-means.