O papel da informação espectral na caraterização das rochas: o caso do Grupo das Beiras (Portugal Central)

Abstract

A falta de cartografia aumenta a problemática do reduzido conhecimento de recursos geológicos e de gestão do território em regiões que poderiam beneficiar largamente desta informação. A deteção remota tem sido um meio valioso de obtenção de dados para a realização de cartografia geológica de forma objetiva e com elevado rigor científico. Em Portugal, existe uma grande lacuna de informação cartográfica à escala 1:50 000 no território pelo que este trabalho propõe-se a complementar essa problemática através de um conjunto de técnicas e metodologias aplicada a uma região de estudo do Grupo das Beiras. As bases de dados espectrais servem como ferramenta inicial para qualquer metodologia envolvendo análise espectral nomeadamente para o desenvolvimento de métodos de cartografia e rápida caracterização das amostras. De maneira a iniciar a resolução dessas questões recorreu-se à análise multiespectral de um conjunto de imagens de janeiro e julho de 2015, com reduzida cobertura de nuvens e com correções atmosféricas do Landsat 8 (LS8). Certos testes estatísticos como o ANOVA e o de Tukey foram aplicados em ambas as imagens de modo a saber, de forma clara, se existiam diferenças significativas entre as litologias. Para a análise hiperespectral foram realizadas duas campanhas de amostragem com recolha de amostras rochosas de metassedimentos e de granitos e recolha de solo. A análise foi realizada em amostra de mão, amostra moída (2 mm – 500 m; 500 m - 125mm; <125 m) e de solo verificando-se um comportamento espectral significativamente diferente entre várias granulometrias, especialmente entre as assinaturas hiperespectrais de amostra de mão e moídas. A Fluorescência de Raios X (FRX) foi utilizada na obtenção de dados geoquímicos de elementos maiores para validação dos resultados espectrais obtidos. Neste sentido, foram identificadas correspondências entre os dados hiperspectrais obtidos e as bases de dados assim como na literatura pelo que as assinaturas espectrais desta dissertação mostram-se consistentes com as amostras estudadas. A criação dos modelos de Machine Learning é uma ferramenta emergente para a realização de cartografia em que se utilizaram dados de refletância de LS8 para a elaboração dos mesmos. Neste trabalho e para este contexto os modelos relevaram-se úteis e com sucesso para a classificação de imagem a partir de algoritmos designados para essa função.

The lack of cartography increases the problematic of poor knowledge of geological resources and land management in regions that could benefit greatly from this information. Remote sensing has been an invaluable mean of obtaining data to perform geological mapping objectively and with high scientific accuracy. In Portugal, there is a large gap of cartographic information at 1:50 000 scale throughout the territory, so this work intends to complement this problem through a set of techniques and methodologies applied to a study of a region of Grupo das Beiras.Spectral databases serve as an initial tool for any methodology involving spectral analysis, namely for the development of cartography methods and quick characterization of rock samples.In order to address these issues, a multispectral analysis of january and july 2015th, with low cloud cover and atmospheric corrections (level 2) was obtained from Landsat 8 (LS8). Certain statistical tests such as ANOVA and Tukey's were applied to both images to clearly know whether significant differences exist between lithologies.For the hyperspectral analysis, two sampling campaigns were carried out with the collection of rock samples of metasediments and granites and soil. The analysis was performed in fresh samples, crushed samples (2 mm - 500 m; 500 m - 125m; <125 m) and soil samples demonstrating a significantly different spectral behavior among various particle sizes in the hyperspectral signatures between fresh and crushed samples. X-ray fluorescence (FRX) was used to obtain geochemical data of major elements to validate the spectral results obtained. In this sense, there were identified correspondences between the obtained hyperspectral data and the databases aswell in the literature which the spectral signatures of this dissertation are consistent with the studied samples.The creation of machine learning models is an emerging tool for cartography in which LS8 reflectance data was used for this elaboration. In this work and for this context the models proved to be useful and successful for the image classification from algorithms assigned for this function.