103561

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

SIG en la identificación de blancos de exploración para oro en el Sur de Bolívar Colombia GIS-based Gold Exploration Targeting in South of Bolívar - Colombia by/por

Carolina Acosta Ahumada 01423625 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc

Bogotá - Colombia, 11/01/2019

COMPROMISO DE CIENCIA Por medio del presente documento, incluyendo mi firma personal, certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Bogotá, 11 de enero de 2019

___________________________________

Carolina Acosta Ahumada

DEDICATORIA Se la dedico al forjador de mi camino quien me guía y acompaña y siempre está a mi lado, dándome ánimo y perseverancia.

A los dos seres que llenan mi vida de alegría, paz y amor.

Maria Paz y José Andrés

AGRADECIMIENTO Le agradezco a Dios y mi familia por su apoyo constante e incondicional durante el desarrollo de este proyecto y en especial quiero agradecer a mi hija por su paciencia y comprensión.

A mi esposo Jose Andrés por sus aportes técnicos y científicos y, por compartir su pasión por la geología y la exploración de minerales.

A TERRAXPLORE SAS y su equipo, le agradezco su apoyo técnico y logístico para el desarrollo de este trabajo.

RESUMEN Colombia es reconocido por ser un país productor de oro y con un gran potencial en la industria minera, y el sector del Sur de Bolívar es una de esas áreas que se reconocen por su potencial aurífero. Sin embargo, los trabajos publicados sobre este sector del país y, específicamente, en el tema de la mineralización de oro y las características de los depósitos metálicos son escasos, limitándose, en muchas ocasiones, a la caracterización y problemática geológica. Adicionalmente, el Sur de Bolívar por muchos años ha permanecido aislado del desarrollo del país, siendo en muchos sectores inaccesible; implicando escasez de información y desconocimiento. La mayoría de la información que se encuentra de este sector, relacionada a los depósitos auríferos, se encuentran en informes internos de empresas privadas y a información regional del Servicio Geológico Colombiano. La integración de la información existente y la implementación del modelo de mineralización según sus características geológicas y metalogénicas permite que, en sectores donde el acceso es limitado y el conocimiento es escaso, poder identificar nuevas áreas potenciales para la mineralización de oro, teniendo como base los depósitos ya conocidos.

Los análisis multicriterio son métodos usados en los Sistems de Información Geográfica (SIG) para diferentes objetivos y como herramienta para precisar posibles soluciones a un determinado problema. Dentro de este tipo de análisis, la superposición ponderada es uno de los métodos que últimamente se han venido usando para el mapeo de potencial minero, ya que considera las características de las mineralizaciones ya conocidas para identificar nuevas áreas de interés o con potencial. Dada la identificación de mineralizaciones de oro y metales base en el Sur de Bolívar y con la información necesaria para la caracterización de depósitos minerales en este sector, se usó este método para poder determinar nuevas zonas con potencial para la mineralización de oro y metales base.

Palabras Llave: Análisis multicriterio, Depósitos hidrotermales, Oro, Potencial minero, Sistemas de Información Geográfica (SIG), Superposición ponderada, Vecino más cercano.

ABSTRACT Colombia is known as a gold producing country with a significant mining industry. The South of Bolívar Province is one of those areas with gold deposits. However, information published about this part of Colombia and specifically about the issue of gold mineralization and the characteristics of metal deposits is scarce, and in many occasions limited to geological factors. Additionally, the South of Bolivar for many years has remained isolated from the rest of the country, and being in many sectors inaccessible, implying a shortage of information.

Most of the accessible information is found in internal reports from private companies and the Colombian Geological Survey. The integration of existing information and the implementation of a mineralization model according to its geological and metallogenic characteristics allows the identification of potential areas for gold mineralization, based on the known deposits in sectors where access is limited and knowledge is scarce.

Multicriteria analyses are methods used in GIS as a tool to specify possible solutions to a specific problem with different objectives. Within this type of analysis, the weighted overlay is one of the methods that have been used recently for the mapping of mining potential, as it considers the characteristics of already known mineralizations in order to identify new areas of interest. In this thesis, this method was used to determine new zones with a considerable potential for the mineralization of gold and base metals.

Keywords: Multicriteria analyzes, Hydrothermal deposits, Gold, Mining potential, Geographic Information System (GIS), Weighted overlay, Nearest neighbor.

TABLA DE CONTENIDO

1.

INTRODUCCIÓN ...................................................................................................... 14 1.1. ANTECEDENTES................................................................................................ 14 1.2. OBJETIVOS ....................................................................................................... 16 1.2.1. Preguntas de Investigación .................................................................. 16 1.3. HIPOTESIS ........................................................................................................ 16 1.4. JUSTIFICACIÓN ................................................................................................. 17 1.5. ALCANCE .......................................................................................................... 18

2.

MARCO TEORICO ................................................................................................... 21 2.1. GEOLOGÍA Y PROSPECCIÓN DE MINERALES ................................................... 21 2.2. CARACTERIZACIÓN DE DEPÓSITOS HIDROTERMALES ................................... 21 2.2.1. Depósitos Epitermales ......................................................................... 24 2.2.2. Depósitos mesotermales ..................................................................... 27 2.3. DEFINICION DEL MODELO DE SISTEMA DE MINERALIZACIÓN Y DEL YACIMIENTO ............................................................................................................... 28 2.4. LOS SIG Y LA INFORMACIÓN ESPACIAL .......................................................... 31 2.4.1. Los SIG y sus usos en la geología y exploración de minerales ............... 31 2.4.2. Control de calidad y organización ........................................................ 32 2.4.3. Distancia – Distancia Euclidiana ........................................................... 34 2.4.4. Interpolación de datos ......................................................................... 36 2.4.5. Interpolación – Ponderación del Inverso a la Distancia (IDW) .............. 38 2.5. ANALISIS MULTICRITERIO ............................................................................... 40 2.5.1. Métodos Multicriterio ......................................................................... 42 2.5.2. Problema de decisión .......................................................................... 51 2.5.3. Método AHP – Proceso de análisis jerárquico ...................................... 53 2.5.4. Método de selección por evidencia (Weights of Evidence – WoE). ....... 57 2.5.5. Método de superposición ponderada .................................................. 60

3.

METODOLOGIA ...................................................................................................... 63 3.1. AREA DE ESTUDIO ........................................................................................... 63 3.1.1. Descripción Geográfica ........................................................................ 63 3.1.2. Descripción Geológica ......................................................................... 66 3.1.3. Información para el sector del Sur de Bolívar ...................................... 72 3.2. DEFINICION DE LA METODOLOGÍA – DIAGRAMA DE FLUJO ......................... 73

3.2.1. Software .............................................................................................. 76 3.2.2. Captura de información ....................................................................... 77 3.2.3. Base de Datos ...................................................................................... 82 3.2.4. Control de calidad................................................................................ 85 3.2.5. Clasificación de la información ............................................................ 86 3.2.6. Selección de datos relevantes .............................................................. 87 3.2.7. Estandarización de formato ‐ Normalización ....................................... 96 3.2.8. Superposición Ponderada .................................................................. 103 4.

RESULTADOS ........................................................................................................ 106 4.1. Pregunta de Investigación 1: ........................................................................ 106 4.2. Pregunta de Investigación 2: ........................................................................ 107 4.3. Pregunta de Investigación 3: ........................................................................ 107

5.

ANALISIS DE RESULTADOS ................................................................................... 119

6.

CONCLUSIONES .................................................................................................... 122 6.1. RECOMENDACIONES ..................................................................................... 123

REFERENCIAS BIBLIOGRAFICAS ................................................................................... 125 ANEXOS ........................................................................................................................ 135

INDICE DE ILUSTRACIONES

Ilustración 1. Esquema de depósitos hidrotermales relacionados a intrusiones sub‐ volcánicas........................................................................................................................ 22 Ilustración 2. Esquema del ambiente geológico de formación de depósitos hidrotermales. ................................................................................................................ 23 Ilustración 3. Esquema de los depósitos epitermales. ................................................... 25 Ilustración 4. Esquema zonas de alteración en los depósitos epitermales. ................... 27 Ilustración 5. Herramientas técnicas para al análisis espacial. ...................................... 34 Ilustración 6. Procedimiento de análisis de influencia ‐ buffer. ..................................... 36 Ilustración 7. Descenso del peso con la distancia. ......................................................... 40 Ilustración 8. Clasificación de técnicas multicriterio. ..................................................... 48 Ilustración 9. Estructura de la jerarquía del problema. .................................................. 54 Ilustración 10. Mapa de ubicación regional. .................................................................. 63 Ilustración 12. Mapa geológico de Bolívar. Serranía de San Lucas. ............................... 70 Ilustración 13. Mapa de localización de ocurrencias minerales en el Sur de Bolívar. ... 72 Ilustración 14. Diagrama de flujo de la metodología ..................................................... 75 lustración 15. Modelo de base de datos ........................................................................ 84 Ilustración 16. Proceso de reclasificación .................................................................... 103 Ilustración 17. Mapa de favorabilidad para depósitos de oro meso y epitermal ........ 109 Ilustración 18. Mapa de favorabilidad para depósitos de oro meso y epitermal – verificación de análisis .................................................................................................. 110 Ilustración 19. Afloramientos con presencia de alteración hidrotermal y mineralización ...................................................................................................................................... 111 Ilustración 20. Socavones y túneles en el sector de Mina Seca ................................... 112 Ilustración 21. Presencia de mineralización y estructuras típicas de sistemas mesotermales en el Sector de Las Nieves .................................................................... 112 Ilustración 22. Mapa de favorabilidad para depósitos de cobre meso y epitermal .... 114 Ilustración 23. Mapa de favorabilidad para depósitos de plata meso y epitermal ..... 115 Ilustración 24. Mapa de favorabilidad para depósitos de plomo meso y epitermal ... 116 Ilustración 25. Mapa de favorabilidad para depósitos de zinc meso y epitermal ....... 117

INDICE DE TABLAS Tabla 1. Tipo y características de yacimientos hidrotermales ....................................... 24 Tabla 2. Modelo del sistema de mineralización para depósitos hidrotermales.

Compilation of key elements of selected types of gold deposits, Robert et al., 2007. . 30 Tabla 3. Diferencias filosóficas y de criterios de la escuela americana y europea de análisis multicriterio. Gis‐based MCDA, 2011 ................................................................ 41 Tabla 4. Método para escoger el método de análisis multicriterio. Adaptado de Guitouni et al., 1990 ....................................................................................................... 50 Tabla 5. Método para escoger el método multicriterio según la organización del método. Adaptado de Guitouni et al., 1990 .................................................................. 50 Tabla 6. Matriz de evaluación. Modificado de Contreras et al, 2008. ........................... 52 Tabla 7. Matriz de prioridades o de valoración. Modificado Caballero, 2017. .............. 52 Tabla 8. Escala verbal – numérica de jerarquía según importancia. Ishizaka & Nemery, 2013; Mota, 2013. .......................................................................................................... 54 Tabla 9. Matriz de comparación. Adaptado de Saaty, 1980. ......................................... 55 Tabla 10.Matriz de comparación normalizada. Adaptado Saaty, 1980. ........................ 55 Tabla 11. Vector de prioridad. Adaptado Saaty, 1980 ................................................... 56 Tabla 12. Índice aleatorio. Saaty, 1980. ......................................................................... 57 Tabla 13. Algunos enfoques del método por selección por evidencia – WoE, adaptado Bates & Wood, 2018. ...................................................................................................... 57 Tabla 14. Resumen del modelo de mineralización – capas de información – temas principales necesarias para el análisis multicriterio ....................................................... 74 Tabla 15. Listado de información primaria ..................................................................... 78 Tabla 16. Listado de información secundaria ................................................................. 80 Tabla 17. Clasificación de información por escala ......................................................... 88 Tabla 18. Clasificación de información por litología ...................................................... 89 Tabla 19. Clasificación de información por tipo de estructura ..................................... 90 Tabla 20. Clasificación de información por tipo de alteración hidrotermal .................. 90 Tabla 21. Clasificación de información por mineralización de mena ............................ 91 Tabla 22. Clasificación de información por mineralización de ganga ............................ 92 Tabla 23. Clasificación de información por tipo de ocurrencia ...................................... 93

Tabla 24. Clasificación de información por distrito minero ........................................... 93 Tabla 25. Matriz de correlación de elementos ............................................................... 94 Tabla 26. Clasificación de información por elemento geoquímico ................................ 94 Tabla 27. Clasificación de información por anomalía geofísica ..................................... 95 Tabla 28. Resumen de selección de datos relevantes .................................................... 96 Tabla 29. Selección de información y proceso de normalización .................................. 98 Tabla 30. Proceso y resultados de la normalización de los datos y su reclasificación . 101 Tabla 31. Asignación de peso porcentual según relevancia de la información ........... 104 Tabla 32. Cantidad de áreas con potencial de mineralización de metales base .......... 113

CAPITULO 1 INTRODUCCION

1. INTRODUCCIÓN 1.1.

ANTECEDENTES

La sub‐región del Sur de Bolívar en Colombia es, en general, una zona poco explorada, donde la mayoría de la información geológica que se encuentra disponible corresponde a la cartografía geológica escala 1:100,000 realizada por el Servicio Geológico Colombiano y el inventario minero de Colombia también realizado por el Servicio Geológico Colombiano a escala 1:500,000.

A principios del año 2000 las multinacionales Anglogold Ashanti, Corona Goldfields y Mineros SA, entraron a la región llevando a cabo programas de exploración para oro, llegando en algunos casos a desarrollar programas de perforación, sin embargo, el escenario sociopolítico y la precaria logística de esta zona no permitió avanzar mucho más. En estos programas exploratorios se logró recopilar nueva información, la cual no se encuentra disponible al público (Shaw, 2003).

Algunos estudios se han llevado a cabo en la región donde principalmente se localizan ciertas manifestaciones de oro, como lo mencionan Galvis (1990) y Muñoz (1993), quienes caracterizan la mineralización en el proyecto Morales ‐ El Banco y las mineralizaciones filonianas de San Martín de Loba, Rio Viejo y Barranco de Loba.

Mineralco‐Ingeominas (1997), quienes caracterizaron los asentamientos mineros de Cerro La Puya, La Nigua, La Cabaña, Santa Cruz, San Carlos y Mina Treinta, mencionan las características mineralógicas, químicas y metalúrgicas de la Mina La Cabaña; además de las características litológicas y estructurales de la zona, en la que resaltan las rocas más antiguas encontradas las cuales podrían corresponder a gneises de edad Pre‐ Cámbrica y la litología en otros sectores como Buenaseña, donde se ubican ocurrencias minerales y actividad minera.

González (2005) reporta que el 58% de la actividad minera de la región se encuentra concentrada en Santa Rosa, Barranco de Loba y San Martín de Loba y es de tipo filoniano, el 38% corresponde a minería aluvial en Montecristo y el 4% restante es de tipo diseminado, presente solamente en algunos sectores de Buenaseña. Si bien se han

realizado algunos estudios y programas exploratorios, ninguno se ha llevado a cabo para identificar nuevas áreas de interés en esta sub‐región del país y se enfocan principalmente en caracterizar los depósitos ya existentes.

En los últimos años, el uso de los Sistemas de Información Geográfica (SIG) en la industria minera ha tomado un rol muy importante, ya que las mejoras en las tecnologías han permitido la disminución en los tiempos de análisis de la información, acelerando la toma de decisiones y ejecución de programas de exploración certeros.

Recientemente, se han llevado a cabo algunos estudios y trabajos en el procesamiento de información dentro de los procesos de exploración geológica, donde las herramientas principales para el manejo y análisis de la información han sido los SIG (Rodríguez, Velandia y Cárdenas, 2008).

Los SIG proporcionan las facilidades de almacenamiento, manipulación y análisis de la información espacial multivariada, como son los mapas, secciones, imágenes de satélite, información y mapas geofísicos y geoquímicos, que, al ser integrados para la generación de mapas predictivos, permiten la evaluación del potencial minero de un área sobre un conjunto de variables (Hosseinali y Aleskeikh, 2008).

Finalmente, teniendo en cuenta la actual situación de la región del Sur de Bolívar en cuanto al poco avance en la exploración geológica para la identificación de mineralizaciones, como el estado de los SIG como herramienta en el análisis de información geológica en Colombia, se pretende llevar a cabo un estudio que permita la evaluación de información existente de la región, por medio del uso de los SIG para identificar zonas potenciales para la mineralización de oro y metales base.

1.2.

OBJETIVOS

General: 

Proponer y aplicar una metodología que represente la distribución espacial de diferentes variables que permitan la identificación de blancos de exploración de oro y metales base en el Sur de Bolívar, Colombia.

Específicos:



Identificar las variables que intervienen en la caracterización de depósitos de oro, específicamente los que se presentan en la zona de estudio, haciendo énfasis en su relación con la ubicación de manifestaciones conocidas.



Desarrollar la metodología usando los SIG, para identificar zonas anómalas óptimas para la mineralización de oro y metales base.



Validar la metodología con datos de la zona de estudio para el reconocimiento y caracterización de anomalías de mineralización de oro y metales base.

1.2.1. Preguntas de Investigación 

¿Son los datos que se tienen en la actualidad los más adecuados para poder desarrollar una metodología que permita la identificación de blancos exploratorios para oro y metales base en la zona de estudio?



¿Es el uso de los SIG una herramienta eficaz para proponer blancos de exploración para oro y metales base en la industria minera?



¿El análisis mulitcriterio de la información permite identificar blancos de exploración para oro y metales base en la zona de estudio?

1.3.

HIPOTESIS

Mediante la aplicación de herramientas SIG y análisis estadísticos de los datos es posible identificar blancos de exploración de oro y metales base en el Sur de Bolívar – Colombia.

1.4.

JUSTIFICACIÓN

El uso de los SIG en Colombia generalmente se ha enfocado principalmente como herramienta para el almacenamiento y análisis de información geográfica, catastral, ambiental y de geo‐amenazas. En el sector profesional de la geología y exploración de minerales, el uso de los SIG se ha restringido a la producción de mapas, y ha sido escaso o casi nulo para análisis de información y generación de anomalías minerales.

En las últimas dos décadas, en el ámbito internacional se ha visto un incremento en el uso de los SIG en la industria de la geología y en la exploración de minerales, como herramienta para el análisis y generación de anomalías (Bonham‐Carter, 1994). Esto se evidencia con el aumento de artículos y publicaciones, las cuales en su mayoría hacen referencia al uso SIG como herramienta para la elaboración de mapas predictivos.

Adicionalmente, a nivel global se han venido creando instituciones u organismos para incrementar y apoyar la investigación enfocada en la exploración de minerales y en la aplicación de nuevas tecnologías para la definición de anomalías, como es el caso del Center for Exploration Targeting (CET) en Australia, el cual funciona desde el 2007 en beneficio de la exploración e identificación de depósitos minerales. Sin embargo, específicamente en Colombia y para el caso del Sur de Bolívar, este tipo de estudios no están disponibles y para tener acceso a instituciones internacionales enfocadas en exploración de minerales desde Colombia, generalmente está limitado a compañías privadas, extranjeras con convenios.

El desarrollo e implementación de una metodología pionera en la industria colombiana del oro y metales base, teniendo como base trabajos y publicaciones realizadas en otros países en la identificación de zonas anómalas para la mineralización de estos elementos, permitiría un cambio en la concepción del manejo de SIG en Colombia y, por lo tanto un aumento en el uso de los SIG y de profesionales en SIG en esta industria o similares.

La región del Sur de Bolívar es un sector apartado de Colombia, en donde el acceso es muy limitado y por ende muy costoso. Esto ha limitado su exploración y la obtención de información in‐situ que permita ampliar el conocimiento de esta área. Con el desarrollo de este trabajo, se pretende mejorar la calidad de la información existente y contar con

nuevos datos que permitan incrementar el conocimiento geológico y metalogénico de esta área.

El concepto de buenas prácticas se puede sintetizar como el conjunto de procesos, acciones y procedimientos más adecuados o más recomendables que sirven como base, para que, en un contexto similar, su uso e implementación puedan dar resultados similares (Osburn, Caruso y Wolfensberger, 2011).

En la exploración de minerales, se tienen definidos ciertos procesos sistemáticos de obtención de información, más no se tienen definidos procedimientos estandarizados para el manejo de la información ni para el uso de los datos en análisis de información y generación de anomalías. De esta forma, con la definición de una metodología para el uso e implementación de los SIG en la exploración de minerales e identificación de blancos para la exploración de oro y metales base, se fomentaría el uso de la metodología como base para la definición de buenas prácticas en exploración de minerales y de análisis de información.

1.5.

ALCANCE

Este trabajo se realiza con información recopilada in‐situ de los diferentes programas de exploración geológica hechos en el sector denominado Sur de Bolívar en Colombia, junto con información obtenida de fuentes públicas, la cual consta de cartografía básica, geológica y temática.

Para el análisis de la información que se lleva a cabo, se utiliza la cartografía básica y temática obtenida de las instituciones públicas Servicio Geológico Colombiano (SGC) eInstituto Geográfico Agustín Codazzi (IGAC). La información cartográfica básica y temática se encuentra a escala regional 1:100,000.

La información compilada en campo se obtuvo en las áreas de interés ubicadas en los municipios de San Martin de Loba, Barranco de Loba, Tiquisio, Rio Viejo, Arenal y Santa Rosa del Sur del departamento de Bolívar, la cual consta de cartografía básica, geológica y temática a escala 1:5,000 y escala 1:10,000.

Es importante mencionar que la compilación de información técnica relacionada a las mineralizaciones de oro en este sector es limitada y se basa en estudios antiguos, que seguramente con el avance de la tecnología en exploración de minerales podría ser reevaluada.

Para el análisis de los datos, se establece un modelo conceptual que se ajuste al área de interés, el cual permite ser replicado para su uso en otras áreas con similares características. La información es tratada por análisis multicriterio, para poder integrar las diferentes capas de datos, para de esta forma obtener un producto que ha valorado cada uno de los componentes, que al ser tratados individualmente no indican la presencia de oro y metales base. Adicionalmente, es necesario contar con el profesional experto en depósitos minerales, quien apoya en la calificación y valoración de criterios en el análisis multicriterio, ya que en este tipo de análisis es fundamental tener en cuenta el conocimiento experto, para la obtención de buenos resultados.

Con el procesamiento y análisis de la información por medio del uso de los SIG y teniendo en cuenta los factores que influyen en la caracterización de depósitos minerales, se tuvo como resultado los mapas correspondientes para la caracterización del área de estudio y los respectivos mapas de potencial minero.

Teniendo en cuenta el tipo de información necesaria para la realización de este estudio, se resalta la dificultad que tuvo en su obtención, ya que como se ha mencionado, la información para este sector es escasa. Además, en la mayoría de los casos es de baja calidad debido a su antigüedad y falta de revisión o controles de calidad, dificultando aún más su análisis.

Contar con un experto en el tema de depósitos y yacimientos de oro ha sido muy enriquecedor, pues ha permitido que dentro del análisis de la información su conocimiento sea incluido como un factor determinante y de relevancia en el momento de calificar y valorar cada uno de los criterios que influyen en la caracterización y definición de áreas potenciales para la mineralización de oro.

CAPITULO 2 REVISION DE LITERATURA

2. MARCO TEORICO 2.1.

GEOLOGÍA Y PROSPECCIÓN DE MINERALES

La geología es la ciencia encargada del estudio de tierra, la cual involucra la interrelación de otras ciencias o disciplinas que permiten describir y determinar los procesos de formación y evolución de la tierra a lo largo del tiempo tanto interna como superficialmente y su relación con el Universo (Wicander y Monroe, 2000).

Dentro de las ciencias geológicas, la geología económica se centra en el estudio y la caracterización de minerales y sus correspondientes yacimientos, proporcionando una serie de parámetros que permiten determinar las características de concentraciones de minerales aprovechables por el hombre y económicamente explotables, y se basa en la evaluación e implementación de técnicas para su búsqueda y explotación (Pohl, 2011).

Los depósitos de minerales relacionados a eventos hidrotermales ocurren gracias a procesos geológicos asociados a actividad ígnea que interactúa con agua caliente o sobrecalentada la cual, en estas condiciones de altas temperaturas, es capaz de desintegrar y disolver sustancias que en principio son insolubles (Hedenquist y Lowenstern, 1994)

2.2.

CARACTERIZACIÓN DE DEPÓSITOS HIDROTERMALES

Los depósitos hidrotermales ocurren gracias a procesos geológicos asociados a actividad ígnea que interactúa con agua caliente o sobrecalentada, la cual, en estas condiciones de altas temperaturas, es capaz de desintegrar y disolver sustancias que en principio son insolubles (Hedenquist y Lowenstern, 1994).

Una vez el magma se ha ido enfriando y formando los minerales composicionales de las rocas ígneas, los fluidos hidrotermales viajan atreves de fracturas, desplazándose tanto lateral como verticalmente, enriqueciéndose de elementos como Au, Ag, Cu, Fe, S, Pb, Zn, Sb, Ba, Ca, CO2, etc; llegando a la superficie como aguas termales (Yongfeng, Fang y Juanjuan, 2011).

Con el ascenso de la solución hidrotermal y su consecuente descenso en la temperatura y presión, los minerales se van depositando, formando los yacimientos hidrotermales.

Como se observa en la Ilustración 1, el volumen y riqueza de estos depósitos está supeditada a la constancia y duración del evento hidrotermal, a la velocidad del enfriamiento y descenso de la presión, eventos de ebullición y a las características fisicoquímicas de las rocas circundantes que reacciona con los fluidos y hospedan la mineralización (Hedenquist y Lowenstern, 1994).

Ilustración 1. Esquema de depósitos hidrotermales relacionados a intrusiones sub‐volcánicas.

Fuente: Hedenquist y Lowenstern (1994)

Los yacimientos hidrotermales se pueden clasificar dependiendo de la ubicación donde se emplaza la mineralización y por la distancia a la zona de contacto. De esta manera, se pueden encontrar yacimientos pirometasomáticos o metasomáticos de contacto (Hedenquist y White, 1995), cuando la mineralización ocurre justo en el contacto con la masa magmática.

Cuando la mineralización ocurre fuera de esta zona de contacto, los yacimientos se clasifican según la temperatura en la cual se da la mineralización, de acuerdo con que el enfriamiento de los fluidos hidrotermales se da con la distancia (Lindgren, 1933).

En la Ilustración 2 se observa la distribución y clasificación de los yacimientos hidrotermales según su ubicación respecto a la fuente magmática y en la Tabla 1 se describen los diferentes tipos de yacimientos hidrotermales, teniendo en cuenta la temperatura en grados centígrados, presión y profundidad en metros en los cuales se desarrollan y los metales que se depositan según estas condiciones.

Ilustración 2. Esquema del ambiente geológico de formación de depósitos hidrotermales.

Fuente: Mineral Resources, Economics and the Environment, Kesler S.E. (1994)



Yacimientos Hipotermales: Son aquellos en los que la mineralización se da entre 500°C – 300°C. Debido a que se forman a altas temperaturas por emanaciones de rocas intrusivas, generalmente batolitos, predominantemente ocurren por reemplazamiento de minerales y están relacionado a fisuras y cavidades.



Yacimientos Mesotermales: Son los depósitos que se forman a presiones y temperaturas moderada, generalmente entre 300°C – 175°C, a una profundidad aproximada de entre 3,600m y 1,200m, ocurren principalmente en filones o por reemplazamiento.



Yacimientos Epitermales: Son los depósitos más jóvenes, que se encuentran generalmente asociados a rocas efusivas andesíticas, riolíticas o sedimentarias, presentándose en filones de rellenos de fisuras en zonas de actividad volcánica.

Su temperatura de formación está entre 200°C – 50°C a una profundidad de 1,200m a 60m.

Tabla 1. Tipo y características de yacimientos hidrotermales

Yacimiento Hidrotermal Hipotermal

Temperatura (°C) 500 ‐ 300

Muy alta

>3,600m

Mesotermal

300 ‐ 200

Alta

1,200 – 3,600m

Epitermal

200 ‐ 50

Moderada

60 – 1,200m

Presión

Profundidad (m)

Metales Fe, Sn, W, Au, Ag, Cu, Zn, Pb Fe, Cu, Zn, Pb, Au, Ag, Ni Au, Ag, Hg, Sb, Pb, Zn, Sulfuros, Teluros.

2.2.1. Depósitos Epitermales Los depósitos epitermales, como se mencionó anteriormente, son aquellos que se forman a partir de fluidos hidrotermales cuyas temperaturas oscilan entre 200°C – 50°C, los cuales, en algunos casos, pueden llegar a la superficie formando fuentes termales o fumarolas. Geológicamente, se les encuentra en zonas de vulcanismo activo, alrededor de márgenes activos de continentes o arcos de islas, siendo los de mayor interés aquellos que tiene altas concentraciones de oro y plata (Hedenquist y White,1995).

Estos depósitos se pueden formar a partir fluidos circundantes que viajan hacia la superficie a través de fracturas en las rocas (ver Ilustración 3), dándose la mineralización en esos conductos o por medio de la permeabilidad de la roca hospedante; la composición química y acidez de los fluidos dan lugar a ciertas asociaciones minerales y alteraciones hidrotermales específicas que permiten la diferenciación de los depósitos epitermales (Hedenquist, 1987; Heald, Foley y Hayba, 1987; Corbett y Leach, 1998).

Ilustración 3. Esquema de los depósitos epitermales.

Fuente: Modificado Sillitoe (1997)

2.2.1.1.

Depósitos epitermales de baja sulfuración

Son aquellos cuyos fluidos tienen un pH cercano a neutro en un ambiente reducido, desarrollándose en un ambiente geotermal donde predominan las aguas cloruradas provenientes de agua meteórica (Hedenquist y White, 1995). Estas características se evidencian según el tipo de alteración hidrotermal predominante y por las siguientes asociaciones minerales (Einaudi, Hedenquist e Inan, 2003): 

Alteración argílica‐sericítica



pH Neutro: Cuarzo‐adularia‐illita, calcita – Minerales de alteración



Baja Sulfuración: Arsenopirita‐pirrotita, pirrotita, esfalerita‐pirita rica en Fe



Ambiente reducido: Magnetita‐pirita‐pirrotita, clorita‐pirita

Debido a las condiciones de presión, en estos depósitos predominan las vetas con stockworks asociados y sheeted veins, además se caracterizan por presentar mineralizaciones en altas concentraciones de plata y en menor proporción cobre, plomo y zinc.

2.2.1.2.

Depósitos epitermales de intermedia sulfuración

Es un subtipo de depósito muy similar estructuralmente a los de baja sulfuración, pero con fluidos geoquímicos y mineralizaciones metálicas más afines a las que se dan en los depósitos de alta sulfuración (Einaudi, Hedenquist e Inan, 2003).

2.2.1.3.

Depósitos epitermales de alta sulfuración

Estos depósitos se desarrollan en un ambiente magmático‐hidrotermal, donde son principalmente los fluidos magmáticos, el vapor y los fluidos hidrotermales ácidos los que interactúan entre sí; sin embargo, también puede encontrarse un contenido variable de aguas meteóricas (Sillitoe, 1997; Sillitoe y Lorson, 1994).

Debido a que en este tipo de depósitos los fluidos son más calientes y ácidos, estos penetran la roca hospedante, dando lugar a cuerpos vetiformes y diseminación de la mineralización. Al igual que los depósitos epitermales de baja sulfuración, estas características se ven evidenciadas en el tipo de alteración hidrotermal predominante (ver Ilustración 4) y las asociaciones minerales siguientes (Einaudi, Hedenquist e Inan, 2003): 

Alteración argílica avanzada



pH Ácido: Alunita, caolinita, pirofilita, sílice residual, cuarzo vuggy – Minerales de alteración



Alta Sulfuración: Pirita‐enargita‐luzonita, covelita‐digenita, famatinita, oropimiente



Ambiente oxidado: Alunita, hematita‐magnetita

Estos depósitos se caracterizan por producir cantidades económicas de cobre y algo de plata.

Ilustración 4. Esquema zonas de alteración en los depósitos epitermales.

Fuente: Modificado de Buchanan (1981)

2.2.2. Depósitos mesotermales Estos depósitos se desarrollan a una mayor profundidad aproximadamente entre 1,200m – 3700m cerca de los cuerpos intrusivos en un relativo corto tiempo después del evento intrusivo en un rango de temperatura de 175°C – 300°C. Por lo tanto, se caracterizan por la ausencia de minerales de altas temperaturas, donde las aguas circulantes son de origen magmático (Pirajno, 2009). Debido a que se desarrollan a mayor profundidad la presión en la que se desarrolla la mineralización es alta, alrededor de 140 a 400 atmósferas (Lindgren, 1933). Son típicos de las regiones cordilleranas y de las zonas con alta actividad intrusiva, como son lacolitos, stocks o batolitos.

La estructura de los depósitos es lo que se podría esperar de la apertura de fisuras bajo presión a una profundidad considerable, las cuales pueden ser regulares hasta llegar a ser brechadas en las zonas proximales a la superficie.

Generalmente, estos depósitos contienen oro, plata, cobre, plomo y zinc, y en aquellos que se formaron a mayores profundidades, es posible encontrar molibdeno, bismuto,

tungsteno y arsénico y en algunos casos antimonio y teluro, donde los minerales de mena son sulfuros, arsénidos, sulfantimónidos y sulfoarsénidos, los cuales se pudieron formar tanto en las estructuras como en la roca hospedante alterada; sin embargo, los depósitos que se forman en los rellenos de las fisuras son los que tienen mayor valor económico (Lindgren, 1933).

Los minerales de ganga generalmente son cuarzo, carbonatos, fluorita y barita. En estos depósitos es donde se da gran parte de la producción de oro en el mundo, así como también de cobre, plomo y zinc (Pirajno, 2009).

2.3.

DEFINICION DEL MODELO DE SISTEMA DE MINERALIZACIÓN Y DEL YACIMIENTO

Los modelos de yacimientos y de sistemas de mineralización son la base principal para la generación de zonas potenciales y anómalas en la exploración de minerales.

Generalmente, están constituidos por un conjunto de factores que caracterizan los procesos de formación del mineral, los productos de la mineralización, las características geológicas regionales y locales y el ambiente tectónico (Hronsky y Grooves, 2008).

Los SIG permiten procesar los datos crudos geológicos, geoquímicos, geofísicos y espectrales, en función de crear mapas predictivos, los cuales se pueden replicar en otros sistemas de mineralización, que, al ser evaluados y analizados estadísticamente, usando técnicas de modelamientos de datos espaciales, dan como resultado mapas de anomalías potenciales para las mineralizaciones de interés (Partington, Christie y Rattenbury, 2006). 

Modelo Conceptual de Mineralización

Consiste en la aplicación de un modelo conceptual de una mineralización a datos espaciales almacenados en una base de datos, para la generación de un mapa predictivo o mapa de potencial para la mineralización (Corbett, 2004).

Este proceso se usa tanto para zonas conocidas y con gran cantidad de datos exploratorios, como en áreas de algunos depósitos poco conocidos o de poco registro de ocurrencias minerales. Su uso se basa en que cada depósito u ocurrencia mineral es tan solo una pequeña parte de un ambiente de mineralización de escala mayor, donde se tienen en cuenta los factores de fuente mineral (alteración y mineralización), fuente de calor, zonas de transporte del mineral (fracturas), y la roca hospedante (Hronsky y Groves, 2008).

En el caso de los depósitos hidrotermales, estos tienen unas características geológicas, geoquímicas y estructurales que los tipifica y clasifica, como se describen en la Tabla 2, además de ciertos factores que van a permitir la formación y desarrollo de estos depósitos. Son estas características y factores las que se usan para modelar el depósito y las que van a permitir identificar nuevos depósitos con los datos que se obtienen en la exploración geológica de minerales (Pirajno, 2009).

Ambiente y Características Regionales

Ambiente y Características Locales

Tabla 2. Modelo del sistema de mineralización para depósitos hidrotermales.

Fuente: Compilation of key elements of selected types of gold deposits, Robert et al.(2007)

Mesotermal Arco magmático alcalino – calcoalcalino Fallamiento regional paralelo al arco Intrusión Intersección estructuras arco‐ transversales Brechas hidrotermales

Zonas de cizalla Área extensa y visualmente Extensión prominente Venas Forma Stockwork Litología intrusiva Granodioritas‐Dioritas‐Tonalitas Clorita‐Sericita Alteración K‐Silica Hidrotermal Propilítica Asociación Cuarzo, turmalina, carbonato, Mineral clorita, sericita Venillas en stockwork ‐ Venillas Estructuras de magnetita Pirita, calcopirita, molibdenita, Minerales de oro nativo, menor esfalerita, Mena galena Minerales de Cuarzo, calcita, biotita, zeolitas Ganga Geoquímica Au‐Ag, Cu, Mo, Bi, W, Te

Epitermal ‐ AS

Epitermal ‐ BS

Arco magmático alcalino – calcoalcalino

Ambiente extensional relacionado a arcos y rifts

Arcos andesíticos ‐ dacíticos

Cinturones magmáticos alcalinos

Fallamiento regional paralelo al arco

Fallamiento regional

Cúpulas volcánicas

Complejos intrusivos alcalinos

Intersección con estructuras arco‐ transversales Brechas hidrotermales ‐ Diatremas

Fallas regionales intersectando el centro intrusivo o caldera Brechas

Área extensa y visualmente prominente

Área restringida, visualmente restringido

Diseminado Reemplazamiento ‐ Stockwork Andesita ‐ Riodacita Argílica avanzada Vuggy‐Silica Kaolinita‐Alunita

Venas Reemplazamiento ‐ Stockwork Andesita ‐ Riodacita ‐ Riolita Carbonato Sericítica ‐ argílica K‐Feldespato Esfalerita, galena, tetrahedrita, calcopirita, sericita‐Illita, adularia, clorita

Alunita‐pirofilita, enargita, luzonita, covellita Vetas y venillas en stockworks

Vetas

Pirita, enargita, oro nativo, covelita, tenantita, tetrahedrita, calcopirita, esfalerita, galena, estibina, cinabrio, arsenopirita Qz residual, Qz vuggy, barita, kaolinita, pirofilita, illita, diasporo Au‐Ag, As, Cu, Sb, Bi, Hg

Electrum, oro nativo, calcopirita, esfalerita, galena, tetrahedita, arsenopirita, pirargirita, estibina, cinabrio, tenantita, covelita Calcedonia, Qz coloforme, bandeado, carbonato, barita, fluorita, adularia, illita, calcita, esmectita Au>Ag, Te, V, Pb, Zn

2.4.

LOS SIG Y LA INFORMACIÓN ESPACIAL

2.4.1. Los SIG y sus usos en la geología y exploración de minerales Los SIG, se puede decir que son un conjunto de herramientas y programas computacionales que, al ser usados por un profesional, permiten la manipulación, análisis, interpretación y representación de información geográfica referenciada (Bonham‐Carter, 1994).

Desde hace algunos años, los SIG se han constituido como una herramienta de trabajo para la integración de datos espaciales que permiten su procesamiento, análisis y modelamiento a lo largo de las diferentes fases de una investigación de cualquier área que use y genere información espacial (Carranza, 2002).

La información espacial o datos espaciales son aquellos datos que contienen información geográfica en un sistema de coordenadas dado y que pueden ser mapeados o desplegados en un mapa. Por lo general, estos datos además de tener información espacial tienen atributos relacionados, los cuales corresponden a la información asociada a cada elemento y que al final es la información que va a permitir clasificar y analizar los datos (Olaya, 2014).

Hay dos tipos de datos espaciales: 1. Vectoriales, que son aquellos que son representados gráficamente como puntos, líneas o polígonos; 2. Ráster, que son aquellos que son representados por celdas y corresponden a los pixeles de una imagen, que al igual que en los datos vectoriales, contienen información.

En el caso de la geología y la exploración de minerales, los SIG cumplen un papel muy importante, ya que además de ser usados para la elaboración de cartografía geológica básica, también son herramienta indispensable y de grandes ventajas para el análisis de información, ya que permiten el uso y facilitan el procesamiento de grandes cantidades de datos espaciales (Gogolek, 2005).

Generalmente, en la geología la información que se maneja en los SIG son coberturas de unidades litológicas, estructuras geológicas y datos estructurales, unidades geomorfológicas, propiedades geofísicas del subsuelo, ocurrencias minerales, entre otros (Rodriguez, Velandia y Cárdenas, 2008). Este tipo de información, por lo general, es producto del levantamiento de información en campo y de la interpretación de imágenes satelitales y fotografías aéreas, que una vez procesada devuelven coberturas de información a diferentes escalas, desde regional hasta local (Whitmeyer, Nicoletti y De Paor, 2010). Toda esta información, finalmente, servirá como insumo para los análisis de riesgos, evaluación de ubicación de infraestructura, definición de anomalías geoquímicas y geofísicas, análisis para prospección de minerales e investigación de impactos ambientales (Bonham‐Carter, 1994).

En Colombia, se cuenta con el SGC, entidad estatal encargada de la generación, administración y procesamiento de la información pública geológica regional. En la página web del SGC es posible descargar información geológica, geoquímica, geofísica y metalogénica de Colombia a escala 1:10,000,000 hasta escala 1:100,000, la cual puede encontrarse en formato vectorial y/o ráster. Para el caso de información geológica local, esta es mayormente privada y como producto de su obtención en campo que, al ser de mayor detalle, también tiende a ser más específica y relativa a un tema central.

2.4.2. Control de calidad y organización Teniendo compilada toda la información, es necesario llevar a cabo procesos de revisión, control de calidad y organización de los datos previos a su almacenamiento dentro de una base de datos, para garantizar que la misma sea integra y confiable, los cuales se pueden llevar a cabo de diversas formas y siguiendo ciertos esquemas que conlleven a un producto que se pueda usar para análisis (Bonham‐Carter, 1994).

Dentro de los procesos de control de calidad, se encuentra la evaluación de la confiabilidad de los datos, en primera instancia examinando los metadatos, cuando estos se encuentran disponibles, y revisando o corroborando la veracidad de la

información con base en referencias y citas bibliográficas que confirmen la legitimidad de la información (Johnson, Pettersson y Fulton, 1992).

Por otro lado, en el caso de información espacial, se verifica el sistema de coordenadas en el que se encuentran los datos y la correcta ubicación espacial respecto a datos previamente geo‐referenciados y cuya ubicación ya ha sido revisada y constatada (Carranza, 2009). Por último, para los datos vectoriales y bases de datos se llevan a cabo procesos de organización de tablas y de estandarización de datos y términos para agilizar búsquedas, permitiendo de esta manera llevar procesos de análisis de información mucho más simples y rápidos (IAEA, 1994).

El análisis espacial de los datos se refiere a los mecanismos que permiten inferir el significado de los datos y se lleva a cabo bajo un conjunto de procesos que tienen en cuenta las características geográficas de los datos, sus otras características específicas y se centra en elestudio de los componentes de espacio (Rigol‐Sánchez et al, 2011).

Con el análisis espacial, se definen los elementos constitutivos y la manera como éstos se comportan bajo ciertas condiciones para poder generar teorías y comprender su naturaleza, identificando correlaciones entre el espacio y el objeto específico (Carranza, 2002).

En el proceso del desarrollo del análisis espacial, se involucran una serie de procedimientos en los que se trabaja con una o más variables para lograr entender un fenómeno. Estos procedimientos se dan de acuerdo con la técnica de análisis que se escoge para realizar la investigación (Madrid y Ortiz, 2005) y cumplen con el objetivo de identificar los componentes del espacio y el procesamiento de los datos. A continuación, se describen los procedimientos y en la Ilustración 5 se muestra la clasificación de los procedimientos o herramientas técnica utilizadas en el análisis espacial. a) Método Cualitativo: Investigación a muy pequeña escala, que consta de entrevistas, encuestas, diarios de campo, etc. (Bonham‐Carter, Agferberg y Wright, 1989). Permiten la abstracción de datos espaciales y la identificación de

patrones de comportamiento de algunos fenómenos. Estos datos son sustentables y aportan precisión en el estudio. (Rigol‐Sánchez et al, 2011). b) Método Cuantitativo: Permite estudiar los componentes del espacio que proporcionan precisión en la investigación y localización de un fenómeno, consta de medidas de tendencia, dispersión, probabilidad, etc. c) Representación Gráfica: Representación de la realidad, que permite la visualización de ciertas características que de otra forma serían imperceptibles, involucrando mapas temáticos, tablas, diagramas y matrices. d) SIG: Herramienta que permite el procesamiento de la información espacial y su

representación por medio de modelos análogos de la realidad (Goodchild y Haining, 2005).

ESPACIO GEOGRÁFICO

DATOS

ANALISIS ESPACIAL

HERRAMIENTAS TECNICA

Tecnicas Cualitativas

Tecnicas Cuantitativas

Representaciones gráficas

SIG

Entrevistas, diarios de campo, historias de vida, análisis documental, grupos focales

Medidas de tendencia central, medidas de dispersión, probabilidades

Mapas, redes, matrices, diagramas, fotografías aéreas, imágenes de satelite

Funciones de análisis: Combina, representaciones gráficas y técnicas cuantitativas

Ilustración 5. Herramientas técnicas para al análisis espacial.

Fuente: Madrid y Ortiz (2005)

2.4.3. Distancia – Distancia Euclidiana La distancia, en términos generales, corresponde a la lejanía entre dos puntos de referencia y desde el punto de vista matemático, es una regla de asociación a la que a

una dupla de objetos se les asocia un número no negativo y que cumple tres reglas principales (Hernández y México, 2015). Si los objetos pertenecen a un conjunto A, el conjunto de todos los pares ordenados de objetos es A x A. Siendo el dominio d es A x A y el recorrido es [0, ∞): : ⟶[0, ∞) Si x y y son elementos de A (x,v A), la distancia de x y y es denotada por d(x,y). La función debe satisfacer las tres condiciones (Kolmogorov y Fomin, 1970): a) d(x,y) = d(y,x), d es simétrica (la distancia de x a y es la misma que la distancia de y a x). b) d(x,y) ≥ 0 y es igual a cero si y sólo si x=y (la distancia es un número real no negativo y vale cero únicamente cuando x y y son el mismo objeto). c) d(x,y) ≤ d(x,z) + d(z,y) para cualquier z elemento de A, esto es, se cumple la Desigualdad del Triángulo (la distancia de x a y es menor o igual que la suma de la distancia de x a z más la distancia de z a y.

Cuando los objetos son puntos ubicados en el espacio con n dimensiones, la distancia, en este caso, Distancia Euclidiana dE, se da por las coordenadas cartesianas (x, y) de cada punto, siendo estas, números reales (Hernández y México, 2015). x

x1, x2, … , xn y y

y1, y2, … , yn donde x1 , x2 , … , xn , y1 , y2 , … , yn

dE x, y

1

1

2

2

2

2

⋯

2

2.4.3.1.

Buffer en el análisis espacial

Dentro del proceso de análisis de datos espaciales en relación con la distancia de un objeto específico y otros objetos circundantes, se encuentra el proceso de áreas o zonas de influencia (buffer), el cual consta de la creación de una o más zonas alrededor del objeto o entidad de análisis de acuerdo a una distancia pre‐definida a partir de este objeto, resultando en una serie de áreas o regiones alrededor, los cuales, como se observa en la Ilustración 6, generalmente son creados a partir de la combinación de líneas y arcos centrados en los vértices de la envolvente convexa del objeto en cuestión (Smith et al., 2018).

Cuando el análisis se realiza sobre un objeto o entidad que se encuentra en un plano cartesiano bidimensional, es decir que se encuentra proyectado en un sistema de coordenadas proyectadas a un plano, el análisis de la distancia crea zonas de influencia basado en la distancia euclidiana, donde se crean zonas de influencia euclidianas y las distancias se calculan entre los puntos en la superficie plana (Esri, 2016).

Objeto o entidad de análisis

Análisis centrado en los vértices Area de influencia ‐ buffer de la envolvente convexa del objeto en cuestión

Ilustración 6. Procedimiento de análisis de influencia ‐ buffer.

Fuente: Esri (2016)

2.4.4. Interpolación de datos En el análisis matemático de información espacial, generalmente se usan algoritmos de interpolación espacial para la creación de superficies continuas (Miranda‐Salas y Condal, 2003), para predecir el valor de un atributo en lugar específico a partir de los valores obtenidos de puntos vecinos (Burrough y McDonnell, 1998), donde el resultado va a depender de las características naturales del atributo, la dependencia espacial y de los

factores a la modelización del atributo y la distribución espacial de los datos (Lam, 1983).

De esta manera, en el proceso de interpolación espacial la hipótesis básica se basa en la observación de los valores de un atributo dentro de una vecindad que tienen una alta probabilidad de ser similares y donde esta probabilidad va disminuyendo respecto a los valores de otra vecindad separada por una gran distancia (Miranda‐Salas y Condal, 2003).

Cuando se analiza la información espacial se puede observar que, generalmente, el atributo depende de su ubicación espacial y su relación con los vecinos, de esta manera pueden ser modelados por medio de funciones aleatorias que representen su variación sobre el espacio a una escala determinada (Miranda‐Salas y Condal, 2003).

Para la realización del análisis espacial, es necesario llevar a cabo el análisis de los datos (análisis exploratorio de datos), el cual permite hacer la descripción de su distribución y el cálculo de estadísticas básicas descriptivas para la verificación de que se cumplan las condiciones básicas para la aplicación de un modelo determinado y, en dado caso, ajustar y estimar valores para toda la población en estudio partiendo de la hipótesis de la normalización de los datos (Isaaks y Srivastava, 1989), además, de detectar problemas de representatividad en las muestras, es decir sectores con menos densidad de puntos respecto a otros, tendencias y valores anómalos o presencia de subpoblaciones (Miranda‐Salas y Condal, 2003).

El análisis exploratorio de datos se divide en dos partes (Isaaks y Srivastava, 1989): 1) Análisis univariado y bivariado – bajo la estadística tradicional: Describe y determina el tipo de distribución de frecuencias e interrelaciones de los atributos, las cuales se pueden apreciar por medio del uso de cálculos y gráficos de la media, varianza, covarianza, desviación standard, rango y coeficientes estructurales (Kitanidis, 1997).

2) Análisis de las relaciones – bajo la geoestadística: describe el comportamiento o estructura de un atributo en el espacio, donde se determina el grado de dependencia espacial de las observaciones en relación con sus vecinos y la continuidad espacial (Deutsch y Journel, 1998).

2.4.4.1.

Métodos de Interpolación

Como se mencionó anteriormente, la interpolación espacial es el proceso que permite calcular el valor de una variable respecto a su posición en el espacio, a partir de los atributos de esa variable en otras posiciones del espacio (Panhalkar y Jarag, 2015). Los métodos de interpolación se clasifican en dos grupos: 1) Determinísticos: Cuando se calcula un valor usando las propiedades físicas de la muestra, donde las condiciones de análisis iniciales producen los mismos resultados sin contemplar el azar o incertidumbre (Barrera, 2016). En este grupo se encuentra el método de la ponderación en función inversa de la distancia (IDW) y su función formal es (O´Sullivan y Unwin, 2003):

1

1

Donde ̂ es el valor calculado para la celda c usando n muestras; de las muestras; y

es el valor

es el peso entre 0 y 1 asignado a cada muestra y calculado

así: 1

Donde

es la distancia euclidiana entre la muestra m y el centro de la celda c.

2) Probabilísticos: A diferencia de los métodos determinísticos, los métodos probabilísticos tienen en cuenta inferencias o asunciones teniendo en cuenta las muestras disponibles (Hernandez et al., 2012) y las relaciones entre variables (Barrera, 2016). Dentro de este grupo se encuentran los métodos geoestadísticos derivados del Kriging (Goovaerts, 1997).

2.4.5. Interpolación – Ponderación del Inverso a la Distancia (IDW) En los análisis de interpolación espacial por modelos determinísticos, la IDW supone la obtención de nuevos puntos no muestreados a partir del conocimiento de un conjunto de puntos vecinos y de su promedio ponderado (Lu y Wong, 2008). Este método se basa en asignar un mayor peso a los puntos más cercanos y menor peso a los puntos más

lejanos con base en un punto de referencia j o centro de gravedad (Alfaro, 2007), es decir que cada punto medido tiene una influencia local que disminuye con la distancia.

La fórmula general es: z

k ⋅z

Donde z es el valor estimado para el punto j; n es el número de puntos usados en la interpolación z el valor el punto i ‐ésimo y k el peso asociado al dato i en el cálculo del nodo j. Los pesos k varían entre 0 y 1 para cada dato y la suma total de ellos es la unidad.

Para establecer la proporcionalidad entre el peso ya distancia, la fórmula general es:

z β d

1 Σ β d

Σ z

Donde k = 1/d y b es el exponente de ponderación que controla la disminución del peso con la distancia.

Como se menciona, los pesos son proporcionales al inverso de la distancia elevado al valor de la potencia, donde a medida que aumenta la distancia, los pesos disminuyen rápidamente (ver Ilustración 7), de tal manera que la predicción será media de todos los valores de datos en el vecindario de búsqueda (Diodato y Ceccarelli, 2005). Si la potencia es muy alta, solamente los valores circundantes más cercanos o inmediatos influirán en la predicción.

Ilustración 7. Descenso del peso con la distancia.

Fuente:Esri (2016)

2.5.

ANALISIS MULTICRITERIO

Los análisis multicriterio envuelven un conjunto de técnicas en función de poder analizar factores para obtener alternativas que asistan en los procesos de toma de decisiones.

Este tipo de análisis nace del problema de tomar decisiones en un ambiente de incertidumbre o riesgo, la cual depende de las circunstancias y preferencias en la toma de decisiones (Muñoz y Romana, 2016).

Estos análisis nacen de la toma de decisiones en los juegos de azar que se estudiaron en el pasado y que introdujeron la noción de esperanza matemática del valor monetario sobre la base de una regla de decisión practicada por lo jugadores de azar durante siglos (Huygens, 1657), buscando maximizar el valor monetario esperado por la suma de los productos de las probabilidades de los posibles sucesos y sus ganancias.

Posteriormente, durante la Segunda Guerra Mundial explorando en la optimización de los análisis con un criterio único, estos se fueron desarrollando y perfeccionando sin considerar las consecuencias secundarias que requieren los análisis multicriterio (Zeleny, 1982).

Con la intención de mejorar los análisis con varias alternativas de decisión y de criterios, nacen dos escuelas, la americana y la europea, quienes, a pesar de compartir los conceptos de alternativas y criterios de decisión, difieren en su filosofía y enfoque para

agregar criterios (Greene et al., 2011). En la Tabla 3 se describen las diferencias entre estas dos escuelas.

Tabla 3. Diferencias filosóficas y de criterios de la escuela americana y europea de análisis multicriterio.

Fuente: Gis‐based Multiple‐Criteria Decision Analysis (2011)

Supuestos

Escuela Americana  

Meta Enfoque

Instituciones

      

Conocimientos y juicios precisos Decisiones óptimas Selección de alternativas Clasificación de alternativas Función valor/utilidad Multi‐crtierio Optimización multi‐objetiva Decision Sciences Institute (www.decisionsciences.org) Institute for Operations Research and the Management Sciences (www.informs.org)

Escuela Europea  

Imprecisión en evaluación de criterios Decisiones óptimas no alcanzables



Ranking de alternativas



Outranking



LAMSADE (www.lamsade.dauphine.fr) EURO Working Group – Multicriteria Decision Aiding (www.cs.put.poznan.pl/ewgmcda)



Sin embargo, con los avances en los análisis multicriterio, estas diferencias han ido disminuyendo y se han ido fortaleciendo en los principios conjuntos de métodos de integración y la habilidad de considerar los criterios cuantitativos y cualitativos simultáneamente (Greene et al., 2011).

Con el fortalecimiento y avances en los análisis multicriterio, su uso e implementación en los SIG se ha venido incrementando en diferentes áreas de investigación, principalmente en la ayuda de toma de decisiones y como soporte para satisfacer y dar alternativas a las necesidades y prioridades de los seres humanos (Lovart, Meyer y Olteanu, 2015).

Es así, como en la búsqueda de poder hacer un análisis de alternativas para la ubicación de infraestructura de transporte para el acceso al Puerto Exterior de La Coruña en España, Muñoz y Romana (2016) usaron los métodos de decisión multicriterio bajo el proceso jerárquico de análisis y haciendo énfasis en darle viabilidad financiera, técnica y sustentable al proyecto, tomando diferentes alternativas para el trazado de

infraestructura y valorándola en términos económicos, medioambientales y de explotación, en función de las obras que implicaba cada alternativa.

Posada (2015) igualmente, con la necesidad del municipio de Zipaquirá en Cundinamarca de ubicar una terminal de transportes, realiza una evaluación multicriterio por medio de la evaluación del Plan de Ordenamiento Territorial, aprobado en ese momento, y a través de la técnica de evaluación por jerarquía, calificando los criterios urbanos y los factores rurales.

Grajales‐Quintero, Serrano‐Moya y Hahn (2013) citan la importancia de los análisis multicriterio en la evaluación y valoración de los recursos naturales, ya que los consideran como una herramienta de decisión sobre el uso sostenible de los recursos, permitiendo dar juicios al escoger estrategias de manejo y conservación.

Contreras y Pacheco (2007) resaltan de los análisis multicriterio la posibilidad de integrar diversos factores en el proceso de evaluación, permitiendo la transformación de mediciones y percepciones en una escala específica, permitiendo la comparación de elementos y su organización según prioridades.

2.5.1. Métodos Multicriterio Los procedimientos para abordar los problemas espaciales multicriterio involucran tres conceptos principales: Escala de valor (estandarización), ponderación y combinación de criterios (Greene et al, 2011), los cuales apuntan a desarrollar los elementos principales teniendo en cuenta que sean lo suficientemente flexibles para poder abordar diversas visiones que se acerquen a realidad.

Los análisis multicriterio según el tipo de procedimientos y de tratamiento de los datos se pueden agrupar en varios tipos, dependiendo en si en el análisis hay uno o varios objetivos basado en el número de alternativas, de esta manera las técnicas pueden ser de programación matemática, heurísticas, no compensatorias, de ponderación y compensatorias (Jankowski, 1995, Greene et al., 2011). Adicionalmente, se pueden presentar combinación de métodos multicriterio con métodos analíticos (Ananda y

Herath, 2009). A continuación, se mencionan las distintas técnicas para realizar los análisis multicriterio y su funcionalidad y en la Ilustración 8 se muestra la clasificación de las técnicas de evaluación multicriterio.

Las técnicas de programación matemática intentan encontrar la forma más optima de satisfacer los objetivos resolviendo sistemas de ecuaciones (Nakayama, 1994). Dentro de estas técnicas se encuentran el método de programación lineal/integral, donde se busca la optimización matemática por medio de la maximización o minimización del valor de un criterio usando restricciones (Anderson et al., 2003; Wisniewski, 2002, citado en Greene et al., 2011); el método de objetivos/compromisos, por el cual se intenta encontrar la alternativa que minimice la desviación general o la distancia desde los puntos ideales de aspiración por el tomador de decisiones para múltiples objetivos (Romero, Tamiz y Jones, 1998) y el método de programación interactiva, donde se usan sucesivamente niveles de aspiración para cada objetivo para seleccionar la alternativas más viable (Zionts y Wallenius, 1976).

En cuanto a las técnicas heurísticas, estas se dan cuando la optimización matemática no es posible, debido a la presencia de gran cantidad de alternativas, donde cada resultado posible es una alternativa (Lova, Maroto y Tormos, 2000).

Dentro de esta técnica se encuentran: a) El método de algoritmos genéticos (GA), donde se manipula una población de

potenciales soluciones para la optimización de un problema operando con soluciones representadas y codificadas y no directamente en soluciones propias (Zhou y Gen, 1999). b) El método de asignación de tierra por multi‐objetivo (MOLA), creado por

Eastman et al. (1995), el cual, permite la solución de conflictos de competencia para el uso de la tierra en un ligar determinado, donde se obtienen mapas de rangos que comprenden varios factores de asignación (Zielinska, Church y Jankowski, 2008). c) El método de simulación fortalecida (SA), el cual sirve para obtener una solución

óptima de un problema obteniendo un conjunto de soluciones para un problema

de optimización multiobjetivo, basándose en un proceso aleatorio e iterativo que comprueba el mejoramiento general en cada paso (Suman y Kuma, 2006).

Las técnicas no compensatorias requieren una jerarquización de los criterios según las prioridades del decisor y requieren incluir o excluir alternativas basadas en cortes sesgados (Jankowski, 1995; Greene et al., 2011). Dentro de estas técnicas se encuentran: a) Los métodos conjuntivos, los cuales se basan en aceptar alternativas si ellas

cumplen con un valor de corte en cada criterio (Jankowski, 1995). b) Los métodos disyuntivos, en donde se aceptan las alternativas que cumplan un

valor de corte en por lo menos un criterio (Hwang y Yoon, 1981, citado en Greene et al., 2011). c) Los métodos lexicográficos, en los cuales, se eliminan alternativas

jerárquicamente comparándolas con base en los criterios con la mayor puntuación, seguido por el segundo y así sucesivamente (Jankowski, 1995). d) Los métodos de dominancia, donde se buscan las alternativas dominantes cuya

puntuación es por lo menos tan alta como otra alternativa en cada criterio (Jankowski, 1995). e) Los métodos por eliminación de aspectos, lo cuales tienen el mismo

funcionamiento que los lexicográficos pero también impone un valor de corte conjuntivo para cada criterio (Malczewski, 2006).

Las técnicas de ponderación se utilizan para derivar los pesos o importancia relativa de los criterios antes de aplicar un método de agregación compensatoria (Malczewski, 1999). Dentro de estas técnicas se encuentran: a) Los métodos por rango u orden de criterios, donde los rangos se convierten en pesos o puntajes (Greene et al., 2011). b) Los métodos de clasificación, donde se clasifican los criterios usando una escala común o por asignación de puntos (Malczewski, 1999). c) Los métodos de análisis de compensación, en los cuales se evalúa directamente los intercambios entre pares de criterios para determinar los valores de corte que se consideran importantes (Greene et al., 2011).

d) Los procesos de jerarquía analítica, donde se comparan los criterios por pares en una escala de relación lingüística difusa, calculando luego, los pesos relativos teniendo como base los cálculos agregados de todas las relaciones de pares (Greene et al., 2011). e) El método o proceso analítico jerarquico – AHP (correspondiente en ingles a Analytic Hierarchy Process) además de analizar los criterios por ponderación, también proporciona agregación jerárquica aditiva de criterios, por eso se enumera dentro de las técnicas compensatorias aditivas (Saaty, 2008).

En las técnicas compensatorias, el decisor es quien determina los pesos de los criterios en función de las prioridades del decisor y permite que los resultados de los criterios se intercambien entre sí en una escala continua, es decir que en el caso que haya una pérdida de un criterio, esta se vea compensada por la ganancia de otro (Jankowski, 1995; Greene et al., 2011). Dentro de estas técnicas se encuentran: a) Los métodos aditivos, en los cuales se normalizan los puntajes de los criterios

para permitir la comparación en una escala común (Malczewski, 2000), en esta clasificación, se encuentran los métodos de combinación lineal ponderada ‐ WLC (correspondiente en ingles a Weigthed Linear Combination), en donde las puntuaciones de los criterios normalizados se multiplican por las ponderaciones de los criterios relativos para cada alternativa (Voogd, 1983). b) Los métodos de ponderación aditiva difusa – FAW (correspondiente en ingles a

Fuzzy Additive Weighted), donde se hace una adaptación de los métodos de combinación lineal ponderada usando los valores derivados de cuantificadores lingüísticos difusos como son alto, medio o bajo (Malczewski, 2000) c) Los métodos de promedio ponderado ordenado ‐ OWA (correspondiente en

ingles a Ordered Weighted Averaging), se hace una adaptación de los métodos WLC utilizando ponderaciones de orden de criterios para controlar los niveles de intercambio de criterios, hacer un análisis para la toma de decisiones a lo largo de un espectro continuo de tolerancia al riesgo (Malczewski, 2006). d) Los métodos de concordancia, se basan en la comparación de pares,

determinando la clasificación de alternativas por medio de la comparación de

pares de alternativas, basando el cálculo de la medida de concordancia según el grado de predominio de una alternativa sobre el otro par para todos los criterios (Jankowski, 1995). e) Los métodos AHP utilizan una estructura jerárquica de criterios, una función de

transformación aditiva y una comparación de pares de criterios para establecer ponderaciones de criterios, teniendo como principio fundamental que la experiencia y el conocimiento, respecto a un problema en cuestión, es tan valioso como los datos que se usan (Saaty, 1980). f)

Los métodos o sistemas de compensación de atributos múltiples – MATS (correspondiente en ingles a Multi‐Attribute utility Tradeoff System), de él se derivan funciones útiles para la toma de decisiones para cada criterio y, las ponderaciones de los criterios se calculan en función de las compensaciones entre criterios (Brown et al., 1986, citado en Jankowski, 1995).

Dentro de los métodos no aditivos, los cuales usan los puntajes originales de los criterios (Greene et al., 2011), se encuentran: a) El método de punto ideal, donde se identifica un punto en el espacio especificando el valor preferido para cada criterio (Malczewski, 2004), de esta manera la distancia entre la solución ideal y cada alternativa considerada es medida usando la Distancia Euclidiana o una distancia no lineal para llegar a la clasificación de las alternativas (Jankowski, 1995). b) El método o técnica de preferencia de orden por similitud con solución ideal – TOPSIS (correspondiente en inglés a Technique for Order of Preference by Similarity to Ideal Solution) es similar al método del punto ideal, donde se selecciona el punto ideal utilizando el criterio de preferencia que represente las preferencias del tomador de decisiones (Lai, Liu y Hwang, 1994). c) El método de interactivo a nivel de aspiración – AIM (correspondiente en inglés a Aspiration level Interactive Method) se basa en el concepto intuitivo para la selección de alternativas basándose en la mayor cercanía a la solución ideal, donde el tomador de decisiones determina el nivel de aspiración para los distintos valores puntuación de cada criterio (Lofti, Stewart y Zionts, 1992).

d) El método de escalamiento multidimensional ‐MDS (correspondiente en inglés a

Multi‐Dimensional Scaling), al igual que los anteriores, se basa en en el concepto del punto ideal usando modelos de escalamiento geométrico o multidimensional, para de esta manera, dibujar inferencias cuantitativas de una fuente de información cualitativa, en una forma teóricamente consistente (Voogd, 1983).

Los métodos híbridos son el resultado de la integración de métodos multicriterio con otros métodos analíticos, los cuales proveen acumulación de percepciones de otros métodos (Ananda y Herath, 2009).

Evaluación Multicriterio

Métodos de ponderación

Rango/orden de criterios

Métodos compensatorios

Aditiva

Métodos no compensatorios

No aditiva

Métodos de programación matemática

Métodos heurísticos

Dominancia

Lineal/Integral

MOLA

Calificación de criterios

Ponderación WLC, FAW, OWA

Punto ideal

Conjuctiva

Objetivos y compromisos

GA

Análisis de compensación

Concordancia ELECTRE, PROMETHEE, MACBETH

TOPSIS

Disyuntiva

Programación interactiva

SA

Proceso de jerarquía analítica

UTADIS

AIM

Lexicográfica

AHP

MDS

Eliminación por aspectos

MATS

Ilustración 8. Clasificación de técnicas multicriterio.

Fuente: Modificado Jankowski (1995), Ananda y Herath (2009), Ortega (2010), Greene et al.(2011)

Métodos híbridos

2.5.1.1.

El método y su relación con la definición del problema

Teniendo en cuenta los diferentes métodos de análisis multicriterio que se han venido desarrollando a lo largo de tiempo y que cada uno de ellos, no necesariamente, se puede aplicar a todo tipo de problemas dadas sus limitaciones, hipótesis, perspectivas y particularidades, se dificulta la selección del mejor método para un problema en particular (Ishizaka y Nemery, 2013).

Guitouni et al. (1990) publicó el reporte técnico sobre como escoger el método más apropiado para un análisis multicriterio, en la Tabla 4 se listan los parámetros necesarios para escoger el método más apropiado según su clasificación y selección de problema y, en la Tabla 5, los parámetros según la organización del método.

Tabla 4. Método para escoger el método de análisis multicriterio.

Fuente: Adaptado de Guitouni et al. (1990)

ENTRADA REFUERZO METODO Función de utilidad Muy alto MAUT Comparaciones por pares en una escala de

ANP relación e interdependencias Comparaciones por pares en una escala de

MACBETH intervalos Comparación por pares en una escala de

AHP relación Umbrales de indiferencia, preferencia y

ELECTRE veto Umbrales de indiferencia y preferencia

PROMETHEE Opción ideal y restricciones Opción ideal y anti‐ideal

Bajo

PROGRAMACIÓN DE GOLES TOPSIS

SALIDA Clasificación completa con calificaciones Clasificación completa con calificaciones Clasificación completa con calificaciones Clasificación completa con calificaciones Clasificación parcial y completa (pares de grados de rango) Clasificación parcial y completa (grados de preferencia por pares y puntajes) Solución factible con puntaje de desviación Clasificación completa con puntaje de acercamiento

Tabla 5. Método para escoger el método multicriterio según la organización del método.

Fuente: Adaptado de Guitouni et al. (1990)

ENTRADA Función de utilidad Comparación por pares en una escala de relación Umbrales de indiferencia, preferencia y veto Umbrales de indiferencia y preferencia

RFUERZO Alto

UTADIS AHP

METODO

SALIDA Clasificación con puntuación Clasificación con puntuación

ELECTRE‐TRI

Clasificación de pares con grados y rangos

Bajo

FLOWSORT

Clasificación de pares con grados, puntuaciones y rangos

2.5.2. Problema de decisión Consta de la identificación y definición de los lineamientos que regirán los parámetros de evaluación según la finalidad del análisis, eligiendo alguna alternativa posible para dar solución al problema (Muñoz y Romana, 2016).

2.5.2.1.

Alternativas

Son el conjunto de diferentes enfoques para analizar dentro del proceso de resolución de un problema, donde cada una debe mostrar claramente cómo se resuelve el problema y su diferencia respecto de las otras (Muñoz y Romana, 2016).

2.5.2.2.

Criterios de decisión

Caracterización de las alternativas, donde se tienen en cuenta los factores que pueden realzar o detractar la capacidad de una alternativa y sus restricciones, permitiendo la definición de cuáles alternativas son relevantes, necesarias o mínimas, teniendo en cuenta que deben ser individuales y no intermedias, las cuales permiten establecer las preferencias del decisor y son, al final, la base para realizar la decisión (Muñoz y Romana, 2016).

2.5.2.3.

Regla de decisión

Es el conjunto de herramientas y funciones matemáticas que van a permitir la evaluación y comparación de las distintas alternativas y criterios, bajo el uso de matrices de evaluación o de decisión, de prioridades y de valoración, las cuales obedecen a los conceptos del tomador de decisiones y el interesado (Greene et al, 2011). Este tipo de matrices teóricamente funciona muy bien para este tipo de análisis, sin embrago, en el ejercicio y desarrollo del análisis de cada alternativa y cada criterio se presentan limitaciones en un conjunto de supuestos complejos, por esta razón este tipo de matrices son funcionales cuando las alternativas y sus criterios son reducidas (Caballero, 2017).

En las matrices de decisión, el tomador de decisiones es quien asigna un valor a cada alternativa, la cual puede ser cuantitativa o cualitativa, buscando establecer ordenes de

prioridad según las puntuaciones obtenidas para cada alternativa (Grajales‐Quintero, Serrnao‐Moya y Hahn, 2013). En la Tabla 6¡Error! No se encuentra el origen de la referencia. se representa la matriz de decisión para evaluación y selección de alternativas por medio del puntaje de los criterios según su evaluación, en concordancia con su relevancia (Contreras et al., 2008). En la Tabla 7¡Error! No se encuentra el origen de la referencia. se presenta la matriz de decisión, igualmente para la evaluación y selección de alternativas, pero partiendo del punto de vista del tomador de decisiones según cada criterio y según cada alternativa, asignándole de esta manera, pesos a los criterios y aplicándoles valores a cada alternativa (Caballero, 2017).

Tabla 6. Matriz de evaluación.

Fuente: Modificado de Contreras et al. (2008)

Alternativa 1 Alternativa 2 Alternativa n

Criterio 1

Criterio 2

Criterio n

Puntuación de los criterios

Tabla 7. Matriz de prioridades o de valoración.

Funte: Modificado Caballero (2017)

Alternativa 1 Alternativa 2 Alternativa n

Criterio 1

Criterio 2

Criterio n

Peso y/o valores según punto de vista

2.5.2.4.

Evaluación y ponderación

Las alternativas son estandarizadas o normalizadas, ponderadas y ranqueadas acordes a su valor y utilidad (Keeney y Raiffa 1976). Se les asigna un valor escalable según su peso o relevancia y relación de valor‐utilidad (Malczewski, 2006), cumpliendo con que todos los datos sean comparables en la misma escala de valoración y por lo tanto operables entre sí, de esta manera se eliminan los problemas de cálculo dentro de la matriz (Malczewski, 2006).

Ecuación de normalización: Valor normalizado = Valor/Valor máximo

Una vez los datos son normalizados, estos se ponderan para de esta manera conocer la relevancia del criterio respecto a otro, es decir la medida de la importancia relativa que los criterios tienen para el tomador de decisiones, teniendo en cuenta la subjetividad en

el momento de hacer la jerarquía de los factores ya que está definida por el tomador de decisiones según su criterio de importancia y relevancia (Pacheco y Contreras, 2008).

Este valor de importancia se asume como positivo y se puede asignar directamente, donde el tomador de decisiones es quien lo asigna, según el orden, por tasación o por comparación sucesiva; o se puede asignar automáticamente según el valor dominante en la matriz de comparaciones (Muñoz y Romana, 2016).

2.5.3. Método AHP – Proceso de análisis jerárquico Este método se basa en la comparación de los criterios por parejas, los cuales pueden ser tanto cuantitativos como cualitativos, evaluando qué tan importante o relevante es un criterio respecto al resto, para de esta forma poder establecer los pesos de cada criterio y así priorizar las alternativas (Saaty, 1980). Con este método, el decisor puede expresar sus preferencias mediante los valores numéricos, siendo el valor más elevado el más importante o más preferido. De esta manera, el decisor puede plasmar su subjetividad, experiencia y conocimiento en el proceso de decisión (Saaty, 1980).

El método consiste en tres fases (Gomes‐Mota, 2013; Muñoz y Romana, 2006): a) Fase analítica: Consiste en la evaluación del problema, separando e identificando los elementos centrales, permitiendo entender la dimensión del problema, la situación de decisión y su evaluación b) Jerarquía del problema: Consiste en la división del problema en múltiples problemas más pequeños y menos complejos, estructurando y describiendo la situación de decisión para resolverla fácilmente (Gomes‐Mota, 2013). Es en esta fase que se hace la definición de criterios y alternativas y, por ende, las posibles soluciones al problema (Muñoz y Romana, 2006). En la Ilustración 9 se observa la jerarquización del problema identificando los criterios y alternativas.

Ilustración 9. Estructura de la jerarquía del problema.

Fuente: Gomes‐Mota (2013)

c) Ejecución: Se trata de la aplicación del método, siguiendo 4 pasos que permiten al tomador de decisiones lograr progresivamente el resultado, hasta alcanzar la solución del problema (Saaty, 1980). a. Dimensionamiento del problema: Identificación de las partes interesadas y tipo de solución que se está buscando. b. Definición de estructura jerárquica: Identificación de criterios, subcriterios y alternativas. c. Ponderación: Ponderación de criterios y definición de prioridades de las alternativas por medio de comparaciones por pares, la cual está asociada a una escala que permite determinar la importancia de un elemento sobre otro. En la Tabla 8 se muestra la escala de jerarquía según la importancia y la favorabilidad de un criterio sobre otro, donde los valores pares expresan situaciones intermedias.

Tabla 8. Escala verbal – numérica de jerarquía según importancia.

Fuente: Ishizaka y Nemery (2013), Gomes‐Mota (2013)

NIVEL

DEFINICIÓN

1 2 3 4 5 6 7

Igual importancia Importancia débil Importancia moderada Un poco más de moderada Importancia fuerte Un poco más de fuerte Importancia demostrada

8 9

Muy fuerte Extrema importancia

EXPLICACIÓN Dos criterios tienen la misma contribución La experiencia y el juicio favorecen más una actividad sobre otra La experiencia y el juicio favorecen mucho más a un criterio sobre otro Un criterio favorece sobre otr, debido a que se ha demostrado en práctica su importancia La evidencia que favorece a un criterio sobre otro es del orden más alto

Con base en la escala de clasificación se realiza la comparación pareada entre los criterios/alternativas, resultando siempre una comparación positiva, donde los criterios/alter que se comparan entre sí resultan con un valor de 1 como se observa en Tabla 9 (Gomes‐Mota, 2013).

Tabla 9. Matriz de comparación.

Fuente: Adaptado de Saaty (1980)

Criterio/Criterio Criterio 1 Criterio 2 Criterio 3 Criterio 4 Total

Criterio 1 1 4 3 1/2 8.5

Criterio 2 1/4 1 5 1 7.25

Criterio 3 1/3 1/5 1 1/3 1.86

Criterio 4 2 1 3 1 7

El número necesario de comparaciones para cada matriz comparativa obedece a la siguiente fórmula: 2

Donde

es el número de alternativas/criterios y

es le número total de

comparaciones que pueden ser comparadas en la matriz. Debido a que la matriz es recíproca, solamente la mitad de las comparaciones es requerida (Ishizaka y Nemery, 2013).

Una vez los criterios/alternativas se analizan en la matriz de comparación, los resultados para cada criterio/alternativa son normalizados dividiendo cada valor de cada celda de la matriz comparativa con la suma total de la columna a la que pertenece (ver Tabla 10), con el objeto de comparar los elementos de matriz y mejorar la aproximación de la evaluación de criterios/alternativas analizados (Saaty, 1980).

Tabla 10.Matriz de comparación normalizada.

Fuente: Adaptado Saaty (1980)

Criterio/Criterio Criterio 1

Criterio 1 0.12

Criterio 2 0.03

Criterio 3 0.18

Criterio 4 0.29

Criterio 2

0.47

0.14

0.11

0.14

Criterio 3

0.35

0.69

0.54

0.43

Criterio 4

0.06

0.14

0.18

0.14

Para determinar el peso o prioridad de cada criterio/alternativa, se determina el vector de prioridad o Eigenvector, propuesto por Saaty, 1980, el cual, se obtiene a partir de una matriz recíproca de comparaciones pareadas y se basa en el teorema de Perron‐ Frobenious según la siguiente ecuación (Brunelli, 2015): 1

, con

Donde A = (aij) es la matriz recíproca de comparaciones pareadas,

el autovector

principal de A, y w = (w1, w2,…wn) el vector de prioridades locales medidas en escala de razón y normalizadas (Brunelli, 2015). En la Tabla 11 se observa un ejemplo de la obtención del vector de prioridad de cada criterio y su correspondiente porcentaje de importancia, los cuales se convierten en las variables geográficas para el análisis de superposición ponderada y/o algebra de mapas.

Tabla 11. Vector de prioridad.

Fuente: Adaptado Saaty (1980)

Criterio/Criterio Ponderación Porcentaje Criterio 1

0.62

15%

Criterio 2

0.86

21%

Criterio 3

2.01

50%

Criterio 4

0.52

13%

Total

4.00

100%

Mediante el cálculo de Proporción de Consistencia se evalúa la consistencia de la evaluación comparativa, si las matrices son consistentes y no existe alguna contradicción entre los criterios/alternativas evaluados (Gomes‐Mota, 2013). Esta se expresa como el cociente que deber ser inferior al 10%, entre el Índice de Consistencia (CI) que mide la consistencia de la matriz comparativa y el Índice Aleatorio (IA) que es un índice de consistencia de una matriz aleatoria (ver Tabla 12¡Error! No se encuentra el origen de la referencia.) (Brunelli, 2015).

1 Donde

es el mayor valor propio de la matriz traspuesta de la matriz de

comparaciones pareadas y es el rango de la matriz.

Tabla 12. Índice aleatorio.

Fuente: Saaty (1980)

Tamaño de la matriz 2 3 4 5 6 7 8 9 Índice Aleatorio (IA) 0.00 0.58 0.9 1.12 1.32 1.41 1.45 1.49

2.5.4. Método de selección por evidencia (Weights of Evidence – WoE).

El método consta de la colección de diferentes enfoques cualitativos y cuantitativos para la interpretación de la evidencia, siendo muy útil para sintetizar datos de múltiples fuentes para tomar una decisión (Linkov et al., 2015; Bates, Massey y Wood, 2018). En la Tabla 13 se observan algunos enfoques del método y sus descripciones.

Tabla 13. Algunos enfoques del método por selección por evidencia – WoE. Fuente: adaptado Bates, Massey y Wood (2018)

WoE ‐ ENFOQUE Evidencia Juicio Profesional Criterio causal Lógica Puntaje Cuantificación

DESCRIPCIÓN Presentación de evidencias individuales sin intención de integración Integración de múltiples evidencias cualitativas Metodología basada en el criterio para determinar la relación entre causa y efecto Evaluación estandarizada de evidencias individuales basada en modelos lógicos cualitativos Integración cuantitativa de varias evidencias basada en modelos empíricos Evaluación integrada utilizando métodos estadísticos y/o análisis de decisiones.

Este método fue inicialmente introducido como una aplicación de los análisis Bayesianos, donde el tomador de decisiones tiene creencias previas sobre una hipótesis, las cuales se van actualizando para formar creencias posteriores que, después, se consideran como pruebas nuevas (Bates, Massey y Wood, 2018) y consta de la combinación de un conjunto de datos dentro de un marco de probabilidad, donde la asociación espacial de cada conjunto de datos es representada como un mapa, basándose en la presencia o ausencia de un elemento, el cual es catalogado como el patrón de predicción (Bohman‐Carter, Agferberg y Wright, 1989).

La favorabilidad de detectar un elemento, dada la presencia de un patrón de predicción se encuentra descrita así: ∩

Ddonde

es la probabilidad condicional o posterior de un elemento dada la

presencia del patrón de predicción,

es la probabilidad condicional de estar en

el patrón predictivo B dada la presencia de un elemento ,

es la probabilidad

previa de estar en el patrón de predicción.

La favorabilidad de detectar un elemento, dada la ausencia de un patrón de predicción se encuentra descrita así: ∩

Donde

es la probabilidad condicional o posterior de un elemento dada la

ausencia del patrón de predicción,

es la probabilidad condicional de estar

ausente en el patrón predictivo B dada la presencia de un elemento

es la

probabilidad previa de estar ausente en el patrón de predicción (Carranza, 2004).

Este modelo también se encuentra expresado bajo la fórmula de posibilidades, donde las posibilidades O están definidas como

1

, las ecuaciones anteriores, de

esta manera, se expresarían así: / /

El peso de la ocurrencia para un mapa binario está definido así: / /

/ /

Y

Donde

y

son los pesos de ocurrencia cuando un binario está presente o ausente

respectivamente.

El contraste C está definido como:

Donde C provee la información sobre la relación espacial entre un patrón binario predictor y los puntos de ocurrencia de un elemento, donde, si la correspondencia es positiva indica que la asociación espacial es positiva (Bohman‐Carter, Agferberg y Wright, 1989).

Para poder determinar o seleccionar la distancia próxima óptima a una característica especial se analiza C de esta manera: /

Donde la desviación estándar se obtiene de la siguiente manera (Boham‐Carter, 1994):

Según las reglas de Bayes, dos o más patrones predictivos pueden ser combinados para generar un mapa predictivo usando la expresión (Boham‐Carter, 1994):

0

∩

∩

…

Donde k es positivo cuando el patrón descriptor binario indica presencia y negativo si es ausente.

Dentro de las condiciones Bayesianas, se encuentra la regla referente a la independencia, donde se establece que cada mapa usado debe ser condicionalmente independiente de los otros respecto a la ocurrencia de un elemento dado (Agterberg y Cheng, 2002). Si esta regla no se obedece, el mapa predictivo resultante podrá sub o sobreestimar las áreas favorables, aunque en la exploración de minerales no siempre es posible obedecer a esta regla, debido a que por los patrones que se escogen están basados en su relación espacial con los depósitos minerales y estos patrones, generalmente, son dependientes en un mismo sistema geológico (Harley, 2014).

Si dos mapas binarios son condicionalmente independientes, se cumple la siguiente formula:

∩

∩

∩

∩

Donde en la parte izquierda de la ecuación se observa el número de ocurrencias sobreimpuestas en la zona B1 y B2, en la parte derecha de la ecuación se encuentra el número predictivo de ocurrencias sobreimpuestas en la zona.

Para revisar y evaluar la hipótesis, se usa la siguiente expresión:

2.5.5. Método de superposición ponderada El método de superposición ponderada es muy eficaz para la toma de decisiones en casos multicriterio donde se asigna mayor importancia a algunos criterios sobre otros (Walke et al., 2012).

Se refiere a la inclusión de análisis multicriterio espacial de un componente geográfico explícito, considerando diferentes técnicas multicriterio convencionales (Kaliraj, Chandrasekar y Magesh, 2015), permitiendo la inclusión del conocimiento del experto y el ajuste de características intrínsecas de cada variable del modelo, donde los pesos asignados se consideran constantes para cada variable, lo que generalmente en los fenómenos reales no siempre ocurre (Carvalho et al., 2007).

Se basan en el concepto de analizar capas que están una encima de otra, es decir que en su totalidad o, parcialmente, se encuentran ubicados en el mismo espacio, presentado características diferentes las cuales se pueden combinar para producir un dataset (Esri, 2016) y a las cuales se les aplica valores escalados comunes para producir una capa resultante, donde la entidad o capa que tiene asignado el valor o peso más elevado, es aquella que tiene mayor influencia sobre las otras (Kaliraj, Chandrasekar y Magesh, 2015; Esri 2016).

Este método de superposición se puede llevar a cabo por entidades o por rásters, siendo todas las entidades convertidas de un formato a otro, de tal forma que todas se encuentren en el mismo formato (Eastman et al, 1995).

En el caso de superposición de rásters, cada celda de cada capa debe tener la misma ubicación geográfica para poder combinar sus características (Malczewsky, 2006) y, generalmente, cada celda tiene asignado un valor numérico que corresponde a cada característica, permitiendo la combinación matemática de cada celda, para de esta forma generar una sola capa (Kaliraj, Chandrasekar y Magesh, 2015).

CAPITULO 3 METODOLOGIA

3. METODOLOGIA 3.1.

AREA DE ESTUDIO

3.1.1. Descripción Geográfica El departamento de Bolívar (ver Ilustración 10), según la reseña publicada en la página oficial de la Gobernación de Bolívar, se localiza entre 07°00’03’’ y los 10°45’15’’ de latitud y los 75°42’18’’ de longitud al oeste de Greenwich y se extiende desde el Mar Caribe en el Océano Atlántico en el norte hasta el Departamento de Antioquia en el sur, limitando con los departamentos de Atlántico, Magdalena, Cesar y Santander en el oriente y los departamentos de Sucre, Córdoba y Antioquia en el occidente y está conformado por 45 municipios.

Ilustración 10. Mapa de ubicación regional.

Fuente: IGAC (2012)

La sub‐región del Sur de Bolívar (ver ilustración 11) está comprendida por 18 municipios y se encuentra localizado hacia el sur de la región Caribe. Está enmarcado por las coordenadas geográficas de 7°7’ y 9°18’ de latitud norte y 73°43’ y 74°48’ de longitud oeste del meridiano de Greenwish entre las márgenes de los ríos Magdalena, Cauca y Tigüi, y las ciénagas de María La Baja y Plato al norte cerca del municipio de Mompóx (Gobernación de Bolívar, 2017)

Ilustración 11. Mapa de ubicación regional.

Datos IGAC (2012), Jarvis et al. (2008).

Dentro de la sub‐región del Sur de Bolívar se pueden diferenciar 4 zonas fisiográficas (IGAC, 1996): 

Depresión Momposina: Con una altura mínima de 35msnm y una altura máxima de 200msnm, se encuentran ciénagas, terrenos con suaves ondulaciones y la conforman la conjunción de los ríos Magdalena y Cauca. Se trata de un delta

interior que recibe gran parte de los sedimentos de los Andes (Forero, et al., 1997). 

Brazo de Loba: Constituye el cauce principal del río Magdalena, donde desembocan los ríos Cauca y San Jorge.



Serranía de San Lucas: Con una altura máxima de 2,700msnm es un cuerpo montañoso que constituye la parte más norte de la Cordillera Central e incluye los valles aluviales de los ríos Magdalena y Cauca (SJR, 2016).



Parte plana y cenagosa: Con una altura mínima de 50msnm y una altura máxima de 200msnm es una planicie inundable con lagunas y ciénagas, donde se asientan la gran mayoría de los centros poblados.

3.1.1.1.

Accesos

El acceso a las áreas de revisión es muy limitado debido a la precariedad de la infraestructura. Para acceder al sector de Las Nieves y Mina Seca es necesario hacer un viaje de mínimo dos días según la siguiente ruta: Bogotá – Bucaramanga – Vía Aérea Bucaramanga – Magangué – Vía Terrestre Magangué – Tiquisio – Vía Fluvial Tiquisio – Sector de Las Nieves – Vía Terrestre Para acceder al sector de El Carmen es necesario hacer un viaje de mínimo dos días según la siguiente ruta: Bogotá – Bucaramanga – Vía Aérea Bucaramanga – La Gloria – Vía Terrestre La Gloria – Santa Rosa del Sur – Vía Fluvial Santa Rosa del Sur – Sector de El Carmen– Vía Terrestre Para acceder al sector de Mina Mejía es necesario hacer un viaje de mínimo dos días según la siguiente ruta: Bogotá – Bucaramanga – Vía Aérea

Bucaramanga – Magangué – Vía Terrestre Magangué – Rio Viejo– Vía Fluvial Rio Viejo – Pueblito Mejía – Vía Terrestre 3.1.1.2.

Clima

El clima en el área de estudio es cálido húmedo y cálido seco, con periodos relativamente largos de verano, ya que su régimen pluviométrico está regido por los vientos alisios que soplan del noreste, chocando con la Serranía de San Lucas, provocando su ascenso.

La temperatura media aproximada es de 28°C y la precipitación media anual es de aproximadamente de 1.850 mm. Se caracteriza por tener un régimen bimodal, donde los meses de junio/julio y septiembre/octubre se registran lluvias, mientras que en los meses de enero, febrero, marzo y diciembre, la precipitación es menor. La humedad relativa promedio es de 74%, la cual aumenta en los meses de precipitación, llegando hasta un 87% (Gonzalez et al., 2015).

3.1.1.3.

Hidrología

El área de estudio se encuentra delimitada hidrográficamente por el Río Cauca en la margen occidental y por el Río Magdalena en la margen oriental. Localmente, las principales fuentes hídricas de norte a sur se encuentran las quebradas Mejia, Platanal, La Nutria, San Pedro, Arenal, San Mateo, La Labranza, San Francisco, Ororia, La fría, La Hondilla, San Luquita, Ariza y Careperro, además de la Ciénaga del Rosario al norte (IGAC, 1996).

Hay que mencionar que, dentro de la zona, se encuentran otras fuentes hídricas que tienen escorrentía por laderas y valles de la Serranía de San Lucas.

3.1.2. Descripción Geológica 3.1.2.1.

Serranía de San Lucas

La Serranía de San Lucas se encuentra ubicada al NE de la Cordillera Central de los Andes Colombiano, la cual es un terreno conformado por rocas que datan del Proterozoico hasta el presente (Clavijo et al., 2008) (ver Ilustración 11).

Las rocas más antiguas que datan del Meso hasta el Neo‐Proterozoico, son de origen metamórfico de medio‐alto grado asociadas con las rocas granulíticas originadas durante la orogenia del Orinoco (Clavijo et al., 2008) y se encuentran aflorando hacia el norte y borde occidental de la Serranía (Cediel, Shaw y Cáceres, 2003). Posteriormente, se encuentran rocas del Paleozoico Temprano, las cuales corresponden a rocas metamórficas de bajo grado de metamorfismo, las cuales se en encuentran aflorando hacia el borde occidental de la Serranía y se correlacionan con el basamento metamórfico de la Cordillera Central (Clavijo et al., 2008).

Debido a procesos tectónicos extensionales durante el Paleozoico Tardío y el Cretácico Medio, se presentan eventos deposicionales y de vulcanismo subaéreo, los cuales dan origen a secuencias sedimentarias acompañadas de rocas volcánicas de edad Paleozico a Jurásico Temprano (Clavijo et al., 2008). Durante el Jurásico eventos magmáticos a lo largo de los Andes Colombianos afectan la región, dando lugar a la deposición de secuencias volcanoclásticas intercaladas con rocas de origen sedimentario (Clavijo et al., 2008) y a la presencia de intrusivos del Jurásico Temprano que intruyen las secuencias volcanoclásticas y otras rocas pre‐éxistentes.

En el Jurásico Medio y Jurásico Tardío los eventos magmáticos intrusivos permiten el desarrollo del Batolito de Segovia y otros pequeños intrusivos hipoabisales que de igual forma terminan afectando las secuencias volcanoclásticas (Clavijo et al., 2008). Estos se encuentran acompañados de incipientes eventos de sedimentación. Durante el Cretácico no se presentan eventos sedimentarios como en otras partes del país, y se evidencia volcanismo de composición andesítica (Clavijo et al.,2008).

Por último, desde el Plioceno hasta el presente, eventos deposicionales cubren parcialmente los flancos de la Serranía de San Lucas, correspondientes a los sedimentos de las cuencas de los Ríos Cauca y Magdalena (Cediel, Shaw y Cáceres, 2003).

3.1.2.1.1.

Evolución geológica de la Serranía de San Lucas

El desarrollo de La Serranía de San Lucas fue determinado por diferentes eventos tectonoestratigráficos tanto extensionales como compresivos, los cuales pueden ser separados en ocho eventos principales (Clavijo et al., 2008) (ver Ilustración 11).

El primer evento, denominado Evento Metamórfico Proterozoico, relacionado con la Orogenia Grenvilliana, forma el Gneis de San Lucas (1.124 + 22My), por convergencia de los cráteres Laurentia y Amazonia. Posteriormente, ocurre el Evento Metamórfico Paleozoico Temprano, correspondiente a un fenómeno metamórfico durante Ordovícico y Silúrico, produciendo rocas metamórficas con facies anfibolitas que afloraban alrededor del municipio de Pinillos. Estas rocas fueron generadas en un cinturón plegado de rocas marinas elevadas.

El Evento Volcanosdimentario Triásico Tardío – Jurásico Medio ocurre con la ruptua de la Pangea y se caracteriza por ser un evento volcaniclástico durante el Triásico Superior ‐ Jurásico Temprano por una fisura intracontinental, siendo responsable de la generación de la Unidad Litotectónica de San Lucas. Una etapa magmática del Jurásico Medio es el episodio final del evento anterior y cede a un emplazamiento plutónico similar al de los Batolitos de Segovia y Norosí. El evento magmático en Jurásico Tardío fue básicamente efusivo, y conforma la Formación Noreana.

Durante el Jurásico Tardío se produce el Evento Magmático Jurásico Tardío, el cual es principalmente extrusivo con algunos procesos intrusivos que cortan la Formación Noreana. Este evento es precedido del Evento Sedimentario Jurásico Tardío, caracterizado por eventos extensivos laterales que permiten la sedimentación volcanoclástica de Norean y por actividad volcánica terminal.

Entre el Cretácico y el Eoceno se da a lugar al evento Sedimentario Cretácio‐Eoceno Temprano, donde la Cuenca de San Lucas se profundiza, aumentando el rendimiento para depositar sedimentos marinos. Posteriormente, la cuenca se estrecha y somerizallenando la cuenca con sedimentos correspondientes a fluctuaciones en el nivel del mar.

Durante el Eoceno – Oligoceno, una etapa magmática relacionada con el desarrollo de la Cordillera Central, caracteriza el evento Pre‐Andino de Inversión Tectónica Eoceno ‐ Oligoceno. La Placa Farallón colisiona con la margen occidental de Colombia, permitiendo el levantamiento de Serranía de San Lucas y la depositación de rocas sedimentarias de origen aluvial y fluvial. Por último, durante el Evento Andino Mioceno – Reciente, debido a los procesos orogénicos Andinos, continúa el levantamiento y erosión de la Serranía de San Lucas, dando lugar a la depositación de rocas de origen fluvial.

3.1.2.2.

Geología Estructural

En La Serranía de San Lucas las estructuras regionales dan la morfología de todas las pendientes orientales con tendencia al noreste predominantemente. Las expresiones estructurales como la Falla de Palestina se destaca a nivel regional y actúa como el borde occidental de La Serranía. Además, existen fallas con tendencias de EW y NS, que afectan a todas las rocas del bloque, incluyendo las rocas precámbricas metamórficas de la frontera suroeste en el sector de Guamocó (Calvijo et al., 2008).

La Serranía de San Lucas se puede dividir en tres sectores según sus características de deformación (Clavijo et al., 2008): a) Zona Occidental: Se encuentran principalmente estructuras con dirección NS, asociadas al Sistema de Fallas de Romeral, las cuales se encuentran afectando las rocas Paleozoicas y Mesoproterozoicas presentes en la región. b) Zona Central: Se encuentra ubicada en el flanco oriental de la serranía. Las estructuras en esta zona se encuentran asociadas principalmente al Sistema de Fallas de Palestina, colocando las rocas intrusivas del Jurásico Temprano con las rocas metamórficas del Paleozoico. Las estructuras principales corresponden a un sistema conjugado con direcciones N50‐60°E y N20‐30°W. c) Zona Oriental: Se caracteriza por un sistema de estructuras con direcciones NS a NE‐SW, las cuales estás afectando las rocas de edad cretácica, neógena y depósitos recientes.

Ilustración 11. Mapa geológico de Bolívar. Serranía de San Lucas.

Fuente: SGC (2015), SGC (2006), SGC (1994), SGC (1992), IGAC (2012), Jarvis et al.(2008).

3.1.2.3.

Mineralización

El término de mineralización corresponde a compuestos naturales valorados por su contenido mineral, generalmente metálico en rocas preexistentes, la cual se puede presentar en vetas, rellenado fracturas, por reemplazamiento de minerales, diseminada o masiva (Guilbert y Park, 2007).

Aunque los minerales metálicos y no metálicos se encuentran altamente distribuidos en la corteza terrestre, solamente en ciertas y especiales circunstancias estos minerales se encuentran en concentraciones y cantidades suficientes para ser considerados económicamente explotables (Guilbert y Park, 2007).

La cordillera de los Andes se ha caracterizado por la ocurrencia de depósitos de minerales metálicos, resultantes de varios eventos geológicos asociados a márgenes compresivas y/o acrecionales a lo largo del tiempo, como son Yanacocha en Perú, El Indio en Chile, La Alumbrera en Argentina, entre otros (Billa et al., 2002). En Colombia, siendo parte de este sistema montañoso, igualmente se han reportado mineralizaciones en varias partes del país, las cuales, desde tiempos pre‐colombinos, se ha venido explotando de manera artesanal y a pequeña escala (Shaw, 2003).

Históricamente, en la serranía de San Lucas se han encontrado registros sobre mineralizaciones y ocurrencias de oro, las cuales se encuentran relacionadas principalmente a la intersección de estructuras geológicas y obedecen a la evolución geológica del sector (Muñoz, 1993).

Debido a la evolución geológica que se ha presentado en la Serranía, los eventos magmáticos han llevado consigo el desarrollo de procesos hidrotermales, que han permitido las mineralizaciones de oro en el sector, los cuales se presentan emplazados en las rocas intrusivas y volcanoclásticas del Jurásico Temprano (Muñoz, 1993). Estas ocurrencias minerales de oro y plata se han venido explotando artesanalmente a pequeña escala, como se evidencia en las labores mineras encontradas a lo largo de la Serranía de San Lucas, de las cuales se destacan las mineralizaciones observadas en San Martín de Loba, Santa Cruz, La Cabaña, Monte El Oso, San Carlos, Mina Seca y El Piñal,

(ver Ilustración 12); que se desarrollaron por alteración hidrotermal como producto de eventos epitermales (González, 2005).

Ilustración 12. Mapa de localización de ocurrencias minerales en el Sur de Bolívar.

Fuente: IGAC (2012), Jarvis et al (2008).

3.1.3. Información para el sector del Sur de Bolívar Del sector del Sur de Bolívar se puede tener acceso a información secundaria y primaria, de la cual la información secundaria se encuentra a escala regional y local.

La información secundaria que se encuentra a escala regional, en su mayoría, está disponible en las páginas web de las instituciones gubernamentales que manejan este tipo de información o adquiriéndola físicamente. De estas fuentes institucionales se obtiene la siguiente información:

1. Información geográfica: La información geográfica existente de la región se trata de cartografía básica en formato vectorial a escala 1:500,000 y, cartografía básica en formato ráster a escala 1:100,000 y a escala 1:25,000 (IGAC,2012).

2. Información geológica: La información geológica consta de la cartografía geológica a escala 1:100,000, correspondiente a las planchas cartográficas 64, 65, 74, 75, 84 y 85 (SGC, 1992; SGC, 1994; SGC, 2006; SGC, 2015), al mapa metalogénico de Colombia a escala 1:1.500,000 (SGC, 2016), al mapa de anomalías geofísicas de Colombia a escala 1:1,500,000 (SGC, 2016) y la base de datos geoquímica (SGC, 2010).

Adicionalmente, de fuentes externas al SGC e IGAC, se puede acceder al Modelo Digital del Terreno con resolución de 90m y 30m del CGIAR‐CSI (Consortium for Spatial Information of the Consultative Group for International Agricultural Research) (Jarvis et al., 2008) y a las imágenes Landsat‐7 de la NASA (USGS, 2010).

En lo que se refiere a información secundaria local, esta corresponde principalmente a información bibliográfica, de la cual se extraen datos puntuales, como ubicación de minas y ocurrencias minerales y en algunos casos ubicación de muestras con resultados geoquímicos. En cuanto a la información primaria para este sector, esta corresponde a datos locales de cartografía de litologías, estructuras geológicas, alteraciones hidrotermales, ocurrencias minerales y minas y muestreo geoquímico, obtenida en las visitas de campo.

3.2.

DEFINICION DE LA METODOLOGÍA – DIAGRAMA DE FLUJO

El uso de un método estadístico para la definición de nuevas áreas propicias para la identificación de formación de depósitos de oro en el sector del Sur de Bolívar tiene un principio básico en el conocimiento y en la cantidad de ocurrencias de mineralización de oro y metales base en el área o cerca del área de estudio, así como en zonas con similitudes geológicas y metalogénicas. Esta información es usada para la identificación de nuevas áreas de interés, propicias para le generación de blancos de exploración mineral para oro y metales base.

En la identificación de estas zonas potenciales para la formación de depósitos de oro, se siguen diferentes pasos que van desde la captura de información hasta la generación de los mapas con la identificación de zonas anómalas y potenciales para los depósitos de oro y metales base. Estos pasos se presentan en el diagrama de flujo (ver Ilustración 13).

Teniendo en cuenta la geología y las descripciones metalogénicas existentes en la literatura sobre el sector del Sur de Bolívar, se pudo determinar que esta zona se caracteriza por la presencia de mineralizaciones de oro y metales base relacionados a sistemas vetiformes de tipo hidrotermal entre meso y epitermal, asociados al fallamiento regional definido como estructuras geológicas para este estudio, y a la actividad ígnea intrusiva que se presentó en el Jurásico – Cretáceo.

Con esta evidencia geológica se pudo compilar y elaborar un modelo teórico para la caracterización de yacimientos de tipo meso y epitermal, el cual sirvió como base para la clasificación de la información geológica y metalogénica del sector del Sur de Bolívar y su relevancia dentro del análisis multicriterio y con el cual se definió la información necesaria o temas principales para llevar a cabo en análisis multicriterio (ver Tabla 14).

Tabla 14. Resumen del modelo de mineralización – capas de información – temas principales necesarias para el análisis multicriterio

TEMA

DESCRIPCION

Litología

Litología

Estructura geológica

Fallamiento Regional, intersección de fallas regionales

Alteración hidrotermal

Presencia de alteraciones hidrotermales

Ocurrencia mineral

Presencia de ocurrencias y mineralizaciones

Metalogenia

Distrito minero

Geoquímica

Resultado de análisis geoquímico Anomalía geoquímica

Area donde se está explotando o se ha explotado oro o metales base Au, Ag, Cu, Pb, Zn ‐ Mo, Bi, W, Te, Sb, Bi, Hg, V

Geología

Geofísica

Magnetometría

Respuesta magnética negativa

Aster, Landsat

Interpretación de alteraciones hidrotermales según la combinación de bandas espectrales y la firma espectral de las arcillas Curvas de nivel y modelo digital del terreno

Espectral Topografía

Definición de áreas anómalas en oro y metales base

Curvas de nivel ‐ DEM

Ilustración 13. Diagrama de flujo de la metodología

3.2.1. Software Para el almacenamiento, manipulación y análisis de la información en este estudio se usaron los siguientes programas: 

ArcGIS 10.4

El ArcGIS fue usado para la creación de la geodatabase, estandarización del contenido de la información, clasificación de los datos, normalización y cambio de formato y, para los procesos de análisis espacial de la información: o Generación de buffers en las capas de información correspondiente a las estructuras geológicas, intersección de estructuras geológicas y ocurrencias minerales. o Análisis de interpolación del inverso a la distancia con la información geoquímica o Proceso de superposición ponderada. 

ERDAS Imagine 2016

Para la visualización y análisis de bandas espectrales para la delimitación de alteraciones hidrotermales, a partir de imágenes Landast y Aster se usó el software ERDAS. 

Mapinfo 2013

Debido a que algunos datos estaban originalmente en el formato de Mapinfo (extensión .tab). Este software fue usado para la estandarización del contenido de la información, clasificación de los datos y, posteriormente, para la transformación a formato ArcGIS (extensión .shp). 

Global Mapper 18

El global mapper es un software que tiene la gran ventaja de permitir la visualización de la gran mayoría de información espacial que se encuentra en diferentes formatos, por esta razón, se usó para visualizar y convertir la información a formato ArcGIS. Adicionalmente, para las imágenes que no se encontraban georefereciadas, fue este

software, el que se usó tanto para su georreferenciación como posterior reproyección al sistema de coordenadas Mercator UTM Zona 18 Norte Elipsoide WGS1984. 

Surfer 13

Para la visualización y análisis de distribución de la información geoquímica sin procesar y posterior a la normalización estadística de estos datos, se usó este software para realizar vistas de isovalores para los elementos de oro y metales base. 

R‐Studio

A la información geoquímica es necesario hacerle el análisis y exploración estadística de los datos, para este análisis y normalización de los datos se usó R‐Studio.

3.2.2. Captura de información 3.2.2.1.

Información primaria

Se trata de la información capturada en campo, la cual al igual que la información secundaria sirvió de insumo para el diseño de la base de datos. Esta información corresponde a estaciones de campo donde se describió la geología en afloramiento, alteraciones hidrotermales, mineralizaciones, datos estructurales y estructuras.

Además, se describieron aquellos sitios donde se evidenciaron ocurrencias minerales, correspondientes a manifestaciones, minería activa e inactiva y zonas de barequeo.

Adicionalmente, en los lugares donde se consideró importante obtener información geoquímica, se realizó muestreo geoquímico de rocas, suelos y/o sedimentos. En cuanto a la información geofísica local, esta corresponde a las mediciones gravimétricas y magnetométricas en el terreno por método aerotransportado. Estos datos no se obtienen en las estaciones de campo. La información obtenida en campo se lista en la Tabla 15.

Tabla 15. Listado de información primaria

Descripción Cartografía geológica ‐ estructural local Cartografía de alteraciones hidrotermales

Formato Vector

Fuente Primaria

Vector

Primaria

GEOLOGIA Proceso Ingreso a base de datos Buffer Ingreso a base de datos Buffer

Capa de ubicación de alteraciones hidrotermales*

GEOFISICA Proceso Ingresar a la base de datos

Producto Mapa de campo magnético total, mapa de anomalías de densidades

Producto Mapa de interpretación geológica

Descripción Datos de magnetometría aerotransportada

Formato Vector

Fuente Primaria

Descripción Formato Base de datos geoquímica Base de datos

Fuente Primaria

Descripción Topografía escala 1:5.000

Fuente Primaria

GEOQUIMICA Proceso Ingreso a la base de datos Extracción de puntos Buffer

Producto Capa de puntos geoquímicos* Mapa de anomalías geoquímicas*

Formato Vector

TOPOGRAFIA Proceso Ingreso a la base de datos

*Información y productos usados en el proceso de superposición ponderada.

Producto Capa de contornos de curvas de nivel

De la información compilada en las estaciones de campo, se elaboraron mapas de afloramientos e interpretación geológica – estructural y mapas de interpretación de alteraciones hidrotermales. Con los resultados obtenidos de los análisis geoquímicos se elaboraron los mapas temáticos de concentración de elementos, específicamente, para oro, plata, cobre, molibdeno, plomo y zinc, de los cuales, se obtuvieron además, mapas de anomalías para cada elemento.

De la exploración geofísica, se obtuvieron mapas de anomalías geofísicas, los cuales son el resultado de la interpretación y ajuste de los datos crudos, que resaltan las zonas donde hay cambios en la densidad de las rocas subterráneas, dando pie a la definición de zonas de fractura. Adicionalmente, se tuvo en cuenta la información contenida en los informes de campo y reportes e interpretación de resultados.

3.2.2.2.

Información secundaria

Para la fase de reconocimiento inicial de la zona de estudio, se compiló información de otras fuentes que principalmente corresponde a información regional de la zona. Esta información sirvió como base para la identificación de elementos necesarios para el diseño y creación de la base de datos y posteriormente fue almacenada en ella, siendo previamente clasificada según su contenido principal.

Las imágenes fueron georreferenciadas según el sistema de coordenadas usado originalmente para producir el mapa y en los casos necesarios fueron re‐proyectados al sistema de coordenadas definido para este estudio (U18NWGS84). Para los casos en que las imágenes se consideraron relevantes y útiles para el análisis de información para este estudio fueron vectorizadas, donde a cada objeto vectorial se les asignó su información correspondiente.

La información secundaria total, que se logró compilar, se lista en la Tabla 16.

Tabla 16. Listado de información secundaria

Descripción Mapa geológico ‐ estructural regional Escala 1:100,000

Formato Ráster

Descripción Formato Mapa metalogenia regional Ráster

Inventario minero departamental ‐ Bolívar

Documento

GEOLOGIA Fuente Proceso Servicio Vectorización Geológico Ingreso a base de datos Colombiano (SGC) Generación de atributos Buffer

METALOGENIA Fuente Proceso Servicio Vectorización Geológico Ingreso a base de datos Colombiano (SGC) Generación de atributos Buffer Servicio Ingreso de tablas a la base Geológico de datos Colombiano (SGC)

Producto Capas con información litológica* Capa de estructuras geológicas*

Producto Capas con ocurrencias minerales, localización de minas y zonas metalogénicas* Mapa metalogénico Capa de ubicación de minas y minería*

GEOFISICA Descripción Formato Mapas anomalías geofísicas Ráster

Fuente SGC – NI 43‐101 Cabia Gold Hill

Proceso Producto Georeferenciar Mapa de anomalías geofísicas* Reproyectar Mapa de interpretación estructural* Vectorización de anomalías

GEOQUIMICA Descripción Mapa de anomalías geoquímicas Base de datos geoquímica

Formato Ráster ‐ Vector

Fuente SGC

Base de datos

SGC

Proceso Georeferenciación Vectorización Ingreso a la base de datos Extracción de puntos Buffer

Producto Capa de anomalías geoquímicas* Capa de puntos geoquímicos* Mapa de anomalías geoquímicas*

TOPOGRAFIA Descripción Topografía escala 1:100,000 Topografía escala 1:25,000

Formato Ráster

IGAC

Ráster

IGAC

SRTM 90m

Ráster ‐ multibanda Ráster ‐ multibanda

CGIAR

Proceso Georeferenciación Vectorización Georeferenciación Vectorización Ingreso a la base de datos

IGAC

Ingreso a la base de datos

DEM 30m

Fuente

Producto Capa de contornos de curvas de nivel – DEM, drenaje, infraestructura Capa de contornos de curvas de nivel – DEM, drenaje, infraestructura Modelo digital del terreno escala 1:100,000.

Mapa de estructuras y lineamientos Modelo digital del terreno escala 1:10,000

ESPECTRAL Descripción Landsat 7 – ETM+

Formato Ráster ‐ Multibanda

Fuente USGS

*Información y productos usados en el proceso de superposición ponderada.

Proceso Ingreso a la base de datos.

Combinación de bandas

Producto Imagen de alteraciones hidrotermales. Mapa de litología.

3.2.3. Base de Datos Una de las partes más importantes en el proceso del análisis de información es poder contar con una base de datos que permita el almacenamiento, clasificación, manipulación y análisis de los datos; de esto, en la mayoría de los casos, un proyecto SIG será exitoso.

Dentro de la información que se almacena, se encuentran los datos espaciales que corresponden a los mapas geológicos, geoquímicos, geofísicos, metalogénicos, topografía e imágenes de satélite, los cuales pueden ser clasificados entre objetivos y subjetivos, siendo los objetivos aquellos que muestran la distribución de datos medidos, mientras que los subjetivos son los que muestran datos interpretativos, como es el caso de los mapas geológicos.

A esta información espacial, en la mayoría de los casos están asociados datos o atributos para cada objeto espacial y son los que permiten el análisis e interpretación de esta información.

3.2.3.1.

Diseño y creación de base de datos

Conociendo el tipo de información que se va a utilizar y a analizar, se procede a la creación de una base de datos espacial, en la cual se almacena dicha información, siendo capaz de almacenar imágenes, datos espaciales y no espaciales.

Para este estudio, primero se definió el sistema de coordenadas usado para la obtención de datos en campo y para el manejo en general de toda la información, siendo este, el sistema de coordenadas Mercator UTM Zona 18 Norte Elipsoide WGS1984 (U18NWGS84). Con base en este sistema de coordenadas se creó la geodatabase.

La base de datos consta de dos módulos, uno que contiene la información secundaria y otro que contiene la información primaria. Dentro del módulo de la información primaria se diseñó una base de datos relacional como se observa en la ¡Error! No se encuentra el origen de la referencia., basada en cada estación de campo y el muestreo geoquímico, donde a cada estación se le asignó un código único que sirve de llave

primaria y a cada muestra se le asignó un código único de muestra para los análisis de laboratorio, al cual se relacionan las descripciones obtenidas en cada estación. Dentro el módulo de la información secundaria, se importó toda la información compilada de importancia para el estudio, almacenando de esta manera información vectorial y ráster.

lustración 14. Modelo de base de datos

3.2.4. Control de calidad 3.2.4.1.

Ubicación geográfica

Dentro del proceso del control de calidad de los datos, se revisó que toda la información, tanto primaria como secundaria, estuviera bien ubicada geográficamente. Esta verificación se basó principalmente en comparar los datos obtenidos en las observaciones en campo con la información digital. Así pues, en los casos en que los datos estuvieran distorsionados o mal ubicados, se verificó con la información original (libreta de campo y mapa de campo) para su reubicación.

Para la información secundaria, en los casos en que no se pudo obtener algún dato que confirmara la ubicación original, los datos se clasificaron como de baja confidencialidad.

Para la información correspondiente al muestreo in‐situ o estaciones de campo, se tuvo en cuenta el sistema de coordenadas en que se tomaron los datos, los puntos originales del GPS y las referencias geográficas que se registraron para cada punto. De esta manera, se pudo corroborar que la ubicación fuera la correcta. De igual forma, se procedió con la base de datos geoquímica obtenida del SGC, exceptuando la confirmación con los datos originales de GPS, ya que estos no están disponibles.

Para las imágenes que fueron georreferenciadas se ratificó que la grilla de coordenadas original de la imagen en el cruce entre abscisas y ordenadas correspondiera con la grilla generada para la verificación.

3.2.4.2.

Atributos

Las bases de datos obtenidas de fuentes secundarias fueron estandarizadas de tal forma que se garantizó que en cada campo quedara almacenada la información correspondiente según la clasificación de la columna a la que correspondiera; en este proceso también tuvo lugar la extracción de información contenida en observaciones o descripciones que se consideró relevante para el presente estudio.

A los datos que hacían referencia a mediciones, se confirmó la unidad de medida, se corrigieron los casos en que las medidas no correspondían, se borraron las unidades que estaban almacenadas dentro del campo del atributo y se ratificó que los datos fueran

numéricos. Se simplificaron atributos para facilitar las búsquedas y se corrigieron errores de digitación o de ortografía. Adicionalmente, se eliminaron acentos, caracteres especiales y espacios al inicio del texto. Los datos por último se codificaron y se les asignó un único índice para agilizar los procesos de búsqueda y selección.

3.2.4.3.

Objetos espaciales

A toda la información vectorial, tanto la primaria como la secundaria, se les verificó y/o creó las propiedades topológicas: 

Línea: Se corrigieron las líneas que tenían espacios entre ellas y que hacían parte de una sola polilínea, aquellas con switchbacks, nudos, bucles, se cortaron aquellas que se cruzaban con otras y se unieron aquellas que estaban cortas y debían terminar en otra. Estos dos últimos casos son de relevancia para el estudio, ya que en zona de cruce de fallas geológicas se puede presentar un espacio o fisura óptimo para la mineralización.



Línea ‐ polígono: En los casos en que un polígono comparte borde con una línea, se verificó que esta relación de adyacencia se mantuviera. Este caso es importante para tener en cuenta, debido a que la zona de contacto de una falla geológica con cierto tipo de litología puede dar lugar a el emplazamiento de la mineralización.



Polígono: Se verificó que no hubiera espacios entre bordes compartidos o que no hubiera superposición, en este proceso se incluyó la definición de bordes entre polígonos que están dentro de otro.

3.2.5. Clasificación de la información El proceso de clasificación de la información ocurre antes del ingreso de los datos a la base de datos y determina el tipo de información que se va a incluir para hacer el análisis.

Debido a que la información consultada y adquirida proviene de diferentes fuentes, fue necesario clasificarla según su contenido y su papel en el análisis de la información.

De esta manera, la clasificación por contenido se definió según la temática principal a la cual hace referencia cada dato almacenado y la cual corresponde a las capas que se citan en la Tabla 14 y corresponden a lo definido en el modelo de mineralización. Los temas principales que se tuvieron en cuenta para esta clasificación son: 

Geología o Litología o Alteración hidrotermal o Estructura geológica



Metalogenía o Ocurrencia mineral o Distrito minero



Geoquímica o Dato‐Resultado geoquímico o Anomalía geoquímica



Geofísica o Magnetometría



Espectral o Landsat o Aster o Alteración hidrotermal



Topografía o Curvas de nivel o DEM

3.2.6. Selección de datos relevantes Con base en la clasificación de la información según las temáticas mencionadas anteriormente y basándose en el modelo de la mineralización, se analizó el grado de importancia según la presencia o ausencia de los parámetros definidos en el modelo. De esta manera, los parámetros que eran de alta relevancia se les asignó un valor de 5 y se fue reduciendo la clasificación hasta clasificar los de ninguna relevancia con un valor de 1.

Este proceso de selección de información se desarrolló para la información primaria y secundaria y según la temática y se inició con la clasificación de la información según la escala óptima de visualización, como se lista en la Tabla 17.

Tabla 17. Clasificación de información por escala

ESCALA Clasificación Escala de Referencia 1

1M

1

500K

2

100K

2

50K

3

25K

3

10K

4

5K

5

In situ

Descripción Ubicación de una ocurrencia con base en un mapa a escala 1:1,000,000 Ubicación de una ocurrencia con base en un mapa a escala 1:500,000 Ubicación de una ocurrencia con base en un mapa a escala 1:100,000 Ubicación de una ocurrencia con base en un mapa a escala 1:50,000 Ubicación de una ocurrencia con base en un mapa a escala 1:25,000 Ubicación de una ocurrencia con base en un mapa a escala 1:10,000 Ubicación de una ocurrencia con base en un mapa a escala 1:5,000 Ubicación de una ocurrencia obtenida en campo

Debido a que la información se obtuvo de diferentes fuentes de información, principalmente de mapas, el grado de relevancia y exactitud de la información depende de la escala a la que se encuentra reportada. De esta manera, para los mapas donde se obtuvo información a escalas menores se les asignó una clasificación inferior y fue gradualmente ascendiendo hasta llegar a información tomada directamente en campo.

En el caso de la litología presente en la región, esta se logró clasificar según el grado de relevancia para hospedar o “transportar” la mineralización de oro y metales base, teniendo en cuenta su origen magmático y composición, además de tener en cuenta su edad.

De esta manera, como se lista en la Tabla 18, se les dio mayor puntuación a las rocas de origen ígneo intrusivo con edades entre el jurásico y el cretácico, seguidas por las rocas sedimentarias con edades jurásicas y cretácicas, las cuales pueden permitir el hospedaje de la mineralización al ser reactivas a los fluidos hidrotermales.

Por último, las que menos incidencia presentan en la mineralización de oro y metales base, son las rocas recientes y las rocas más antiguas.

Tabla 18. Clasificación de información por litología

GEOLOGIA Clasificación Litología 1 Rocas sedimentarias ‐ Cuaternario 1 Rocas sedimentarias ‐ Neógeno 3 Rocas intrusivas ‐ Paleógeno 4 Rocas sedimentarias ‐ Cretácico ‐ Jurásico Tardío 1 Rocas volcánicas ‐ Cretácico Tardío 3 Rocas intrusivas ‐ Cretácico Temprano 5 Rocas intrusivas. Granodiorita ‐ San Martín ‐ Juana Sánchez ‐ Jurásico Tardío 5 Rocas intrusivas. Batolito Norosí ‐ Jurásico Tardío 5 Rocas intrusivas. Batolito Guamocó ‐ Jurásico Temprano 5 Rocas intrusivas ‐ Jurásico Temprano 2 Rocas volcanoclásticas, Riolitas Porfiríticas ‐ Jurásico Temprano 2 Rocas volcánicas ‐ Jurásico Temprano 2 Rocas volcánicas, brechas y tobas ‐ Jurásico Temprano 4 Rocas volcánicas. Riolitas y Andesitas ‐ Jurásico Temprano 2 Rocas volcánicas. Dacitas ‐ Jurásico Temprano 5 Rocas intrusivas subvolcánicas ‐ Jurásico Temprano 3 Rocas sedimentarias ‐ Jurásico Temprano 2 Rocas metamórficas de bajo grado ‐ Paleozoico 1 Rocas metamórficas de bajo grado ‐ Proterozoico 1 Rocas metamórficas de alto grado ‐ Proterozoico

Para la clasificación de las estructuras geológicas (ver Tabla 19) se tuvo en cuenta el tipo de movimiento de la falla. Se les asignó mayor valor a las fallas con desplazamiento normal y a las zonas de intersección de fallamiento, ya que en estos dos casos se generan espacios por donde transitan los fluidos y donde, además, se puede emplazar la mineralización.

En los casos de fallamiento de rumbo, estas estructuras suelen generar hacia los lados de la falla, zonas de fallamiento normal en el cual se generan espacios donde se puede emplazar la mineralización. Adicionalmente, por la zona del plano de la fractura se da el espacio para que los fluidos mineralizantes fluyan hacia las zonas distensivas.

Edad Q N P Ku Ku Kl Ju Ju Jl Jl Jl Jl Jl Jl Jl Jl Jl Pz PE PE

En los casos en que no se encuentra definido el tipo de fallamiento se les asignó un valor intermedio y para las zonas compresivas con fallamiento inverso, debido a la ausencia de espacios donde emplazar la mineralización se le asignó el menor valor.

Tabla 19. Clasificación de información por tipo de estructura

GEOLOGÍA ESTRUCTURAL Clasificación Estructura 3 Falla 5 Falla Normal 1 Falla Inversa 4 Falla de Rumbo 5 Intersección de fallamiento

Para la clasificación de las alteraciones hidrotermales, como se observa en la Tabla 20, se les asignó mayor valor aquellas que, según el modelo se encuentran mayormente asociadas a la presencia de mineralización de oro y metales base.

Tabla 20. Clasificación de información por tipo de alteración hidrotermal

ALTERACIÓN HIDROTERMAL Clasificación Alteración 3 Arg Argílica 4 Clt Clorítica 1 HydAlt Alteración hidrotermal 2 Ill Illita 3 KFeld Feldespato Potásico 3 Ox Oxidación 2 Prop Propilítca 5 QzSer Cuarzo‐Sericita 4 Ser Sericítica 3 SerClt Sericita‐Clorita 3 SerIll Sericita‐Illita 3 Sil Slicificación 4 SilArg Silicificación‐Argílica

Para la clasificación de las mineralizaciones de mena se tuvo en cuenta la composición química de los minerales, asignando mayor puntuación a aquellos minerales que dentro de su composición se encuentra el oro o metales base y menor puntuación aquellos que generalmente se encuentran asociados a la mineralización, pero no son mena.

Tabla 21. Clasificación de información por mineralización de mena

Clasificación 5 5 5 4 3 4 4 4 4

4

4

3 3 2

METALOGENIA Mineralización de Mena Fórmula Química Au ‐ Oro nativo Au Ag ‐ Plata nativa Ag Cu ‐ Cobre nativo Cu FeS2 ‐ Sulfuro de hierro que puede contener la Pirita mineralización de oro FeAsS ‐ Sulfuro de arsénico que puede contener la Arsenopirita mineralización de oro CuFeS2 ‐ Sulfuro de cobre, principal mena de cobre Calcopirita CuS ‐ Sulfuro de cobre, mena menor de cobre.

Covelina Indicador de mineralización Cu5FeS4 ‐ Sulfuro de cobre, mena de cobre Bornita Cu12As4S13 ‐ Sulfuro de cobre, asociado con otros Tenantita sulfuros en yacimientos hidrotermales de baja a media temperatura PbS ‐ Sulfuro de plomo, principal mena de plomo, Galena asociado con otros sulfuros en yacimientos hidrotermales SZn ‐ Sulfuro de zinc, principal mena de zinc, Esfalerita asociado con otros sulfuros en yacimientos hidrotermales Sb2S3 – Sulfuro de antimonio, principal mena de Estibina antimonio, asociado con otros sulfuros en yacimientos hidrotermales Cu12Sb4S13 ‐ Sulfuro de antimonio, generalmente Tetrahedrita se encuentra asociado a cobre, plomo, zinc y plata HgS ‐ Sulfuro de mercurio, principal mena de Cinabrio mercurio, asociado con otros sulfuros en yacimientos hidrotermales

Los minerales de ganga que están asociados a las mineralizaciones de oro y metales base, se les clasificó teniendo en cuenta la definición del ensamble de alteración que acompaña a la mineralización y que se da según el tipo de depósito y el modelo del sistema de mineralización (ver Tabla 22).

Tabla 22. Clasificación de información por mineralización de ganga

METALOGENIA Mineralización de Ganga Descripción Clasificación SiO2 ‐ Cuarzo de grano fino con numerosos espacios 5 Cuarzo residual ‐ Vuggy o cavidades, resultado por la interacción con un fluido ácido SiO2 – Sílice en bandas 4 Calcedonia SiO2 – Cuarzo bandeado 4 Cuarzo coloforme BaSO4 ‐ Se encuentra asociado a filones de 3 Barita minerales metálicos Al2Si2O5(OH)4 ‐ 2 Caolinita Al2Si4O10(OH)2 ‐ 2 Pirofilita (K,H3O)(Al, Mg, Fe)2(Si, Al)4O10[(OH)2,(H2O)] ‐ 2 Illita AlO(OH) – Óxido de aluminio que puede producir de 2 Turmalina la alteración por procesos hidrotermales

2 Carbonato CaF2 – Fluoruro de calcio 2 Fluorita KAlSi3O8 ‐ 4 Adularia CaCO3 ‐ 2 Calcita (Ca/2,Na)0.3(Mg,Fe2+)3(Si,Al)4O10(OH)2.4H2O – 3 Esmectita Arcillas producidas por los procesos hidrotermales

Para el caso de las ocurrencias, en la Tabla 23 se lista la clasificación realizada, donde, dependiendo del tipo de ocurrencia, se le asignaron los mayores valores a aquellas zonas donde se tiene conocimiento del grado de concentración del mineral, disminuyendo en clasificación, pero sin dejar de ser relevante aquellas zonas que son reportadas con mineralización pero que el conocimiento de esta es mínimo.

Tabla 23. Clasificación de información por tipo de ocurrencia

METALOGENIA Tipo Ocurrencia

Clasificación

2

3 4

5

Descripción

Recurso mineral puesto en evidencia por un estudio de reconocimiento geológico. Pequeñas acumulaciones de minerales Manifestación que debido a su conocimiento o su información revisten una importancia geológica económica de tercer grado.

Actividad Lugar geográfico donde se adelantan procesos de extracción y/o minera beneficio de un yacimiento mineral Acumulaciones de minerales que, además de mostrarse Prospecto geológicamente anómalas, han merecido un estudio geológico detallado con el fin de determinar su verdadero valor económico.

Es una concentración de elementos minerales, cuyo Yacimiento grado de concentración o ley mineral hace que sea económicamente rentable su explotación.

Tabla 24. Clasificación de información por distrito minero

METALOGENIA Clasificación Distrito Minero 5

Existente

1

No existente

Descripción Porción o área de terreno de un país, generalmente designada con un nombre, cuyos límites han sido descritos y dentro de la cual existen minerales que son extraídos

La geoquímica es el tipo de información de mayor relevancia en el estudio de mineralización para oro y metales base, pues esta es la que define la existencia o no de anomalías.

Para poder establecer los criterios de asignación de valores en la clasificación, se elaboró una matriz de correlación entre los elementos analizados en el laboratorio, la cual da indicios de la afinidad de los elementos en presentarse juntos.

Como se observa en Tabla 25, los elementos que presentan una mayor afinidad para encontrarse relacionados son aquellos que en la matriz se presentan con una coloración

más rojiza y los elementos con menor afinidad son aquellos que tienen una tonalidad verdosa.

Tabla 25. Matriz de correlación de elementos AU_PPM AG_PPM AS_PPM BI_PPM CU_PPM HG_PPM MO_PPM PB_PPM SB_PPM TE_PPM V_PPM ZN_PPM W_PPM

AU_PPM AG_PPM AS_PPM BI_PPM CU_PPM HG_PPM MO_PPM PB_PPM SB_PPM TE_PPM 1.000 0.451 0.172 0.082 0.241 ‐0.013 0.142 0.398 0.133 0.041 0.451 1.000 0.197 0.229 0.388 0.010 0.087 0.434 0.344 0.074 0.172 0.197 1.000 0.026 0.091 0.141 0.031 0.326 0.175 0.038 0.082 0.229 0.026 1.000 0.241 ‐0.003 0.151 0.129 0.119 ‐0.003 0.241 0.388 0.091 0.241 1.000 ‐0.003 0.061 0.184 0.391 0.004 ‐0.013 0.010 0.141 ‐0.003 ‐0.003 1.000 ‐0.011 0.057 0.015 0.123 0.142 0.087 0.031 0.151 0.061 ‐0.011 1.000 0.108 0.014 0.000 0.398 0.434 0.326 0.129 0.184 0.057 0.108 1.000 0.018 0.057 0.133 0.344 0.175 0.119 0.391 0.015 0.014 0.018 1.000 0.092 0.041 0.074 0.038 ‐0.003 0.004 0.123 0.000 0.057 0.092 1.000 ‐0.140 ‐0.189 ‐0.050 ‐0.092 ‐0.157 0.015 ‐0.014 ‐0.145 ‐0.060 0.057 0.197 0.399 0.197 0.183 0.302 0.219 0.079 0.742 0.034 0.080 ‐0.002 0.010 ‐0.006 ‐0.024 ‐0.013 0.004 ‐0.026 ‐0.057 0.008 ‐0.029

V_PPM ZN_PPM W_PPM ‐0.140 0.197 ‐0.002 ‐0.189 0.399 0.010 ‐0.050 0.197 ‐0.006 ‐0.092 0.183 ‐0.024 ‐0.157 0.302 ‐0.013 0.015 0.219 0.004 ‐0.014 0.079 ‐0.026 ‐0.145 0.742 ‐0.057 ‐0.060 0.034 0.008 0.057 0.080 ‐0.029 1.000 ‐0.141 0.015 ‐0.141 1.000 ‐0.056 0.015 ‐0.056 1.000

Teniendo en cuenta la afinidad entre elementos obtenidas en la matriz de correlación y teniendo como base la concentración normal de cada uno de ellos en la corteza terrestre, se les asignó mayor puntaje a los elementos que presentan mayor afinidad con el oro y que se encuentran en concentraciones anómalas, según los resultados geoquímicos (ver Tabla 26).

Tabla 26. Clasificación de información por elemento geoquímico

GEOQUIMICA Descripción Clasificación Elemento Valor de oro superior a la concentración normal en la corteza terrestre.

Au 5 Valor de plata superior a la concentración normal en la corteza terrestre Ag 5 Valor de arsénico superior a la concentración normal en la corteza As 4 terrestre Valor de cobre superior a la concentración normal en la corteza Cu 5 terrestre Valor de antimonio superior a la concentración normal en la corteza Sb terrestre 4 Valor de bismuto superior a la concentración normal en la corteza Bi terrestre 4 Valor de mercurio superior a la concentración normal en la corteza Hg terrestre 2 Valor de telurio superior a la concentración normal en la corteza Te terrestre 3 Valor de vanadio superior a la concentración normal en la corteza V terrestre 2 Valor de plomo superior a la concentración normal en la corteza Pb terrestre 4 Valor de zinc superior a la concentración normal en la corteza terrestre Zn 4

Para la clasificación de la magnetometría, la definición de anomalías geofísicas, en este aspecto, corresponden a la respuesta magnética de los minerales en el subsuelo, de esta manera, las zonas que presentan mayores valores son las que pueden estar mostrando rocas alteradas y espacios donde se puede presentar mineralización. Con base en esta respuesta, en la Tabla 27 se clasificaron las anomalías geofísicas, siendo las de mayor valor las zonas con valores alto. Dentro de la clasificación de esta información se tienen valores intermedios que de igual forma se incluyen en la clasificación.

Para la información espectral se descargaron imágenes LANDSAT, las cuales se encuentran cubiertas en un 70% por nubes y por lo tanto no se pudieron tener en cuenta en este estudio.

Tabla 27. Clasificación de información por anomalía geofísica

GEOFISICA Clasificación 4 ‐ 5 2 ‐ 3 1

Descripción Respuesta magnética residual que se produce Zonas con valores altos por el efecto de los minerales magnéticos en las rocas. Zonas con mayores valores pueden Zonas con valores intermedios indicar zonas de rocas alteradas hidrotermalmente.

Contrastes en los valores permiten determinar Zonas con valores bajos estructuras geológicas.

Magnetometría

Una vez analizado el grado de relevancia por cada temática y según su contenido, se seleccionaron 9 capas que se listan en la Tabla 28 y que según su clasificación influyen más en la ubicación de posibles blancos de exploración, y fue esta información la que se usó en el proceso de superposición ponderada.

Adicionalmente, se logró identificar que la información para este tipo de análisis debe ser de tipo regional a escala 1.100,000, ya que información a escalas inferiores tienen poca precisión en la ubicación de la información.

Tabla 28. Resumen de selección de datos relevantes

TEMATICA Geología

Metalogenia Geoquímica Geofísica

CAPA DE INFORMACIÓN Litología Alteración Hidrotermal Estructuras Geológicas Intersección de Estructuras Mineralización de Ganga Todas las ocurrencias Distrito Minero Geoquímica para oro, plata, cobre, plomo y zinc según resultados de la matriz de correlación Magnetometría

3.2.7. Estandarización de formato ‐ Normalización Debido a que la información se encuentra en diferentes formatos, es necesario contar con toda la información, sea en formato vectorial o en formato ráster y normalizarla a una misma escala.

Para este estudio, toda la información se migró a formato ráster, asignándole a cada píxel la información de relevancia según la temática y el grado de importancia para la favorabilidad determinada según el modelo de la mineralización.

Adicionalmente, se estandarizó para cada cobertura un tamaño de píxel o de celda de 25m para los ráster resultantes, el cual, fue determinado según la escala de la información, que en este caso, corresponde principalmente a escala 1:100.000 y, que resulta muy eficiente y con buen detalle, haciendo posible, de esta manera, la combinación de todas las capas.

Para el proceso de estandarización de formato, se usaron diferentes herramientas de transformación de vector a ráster según el tipo de dato teniendo en cuenta la clasificación usada en el proceso de selección de datos relevantes y extrayendo solo aquella información que ciertamente puede aportar en la definición de anomalías de oro y metales base. A esta información fue a la que se le modificó o cambió el formato a ráster.

De esta forma, en la Tabla 29 se lista la información seleccionada y el proceso que se le realizó para su modificación o cambio de formato y en la Tabla 30 se muestra el proceso y los resultados de la normalización y reclasificación de los datos.

Además y posteriormente, se lograron colocar todas las capas de información en la misma escala o rangos de clasificación, que, para este estudio, se seleccionó una escala de 1 a 5 rangos, en donde el 1 es menos favorable y 5 indica la mayor favorabilidad en cada capa para el potencial de mineralizaciones en este tipo de yacimiento.

Tabla 29. Selección de información y proceso de normalización

TEMATICA Escala

Geología

Metalogenia

Geoquímica Geofísica

SELECCION PROCESO Información a escala superior a Selección de información a esta escala 1:100,000 Litología Reclasificación de formato teniendo en cuenta el tipo de litología Alteración Hidrotermal Generación de área de influencia alrededor de cada punto con alteración hidrotermal Estructuras Geológicas Generación de área de influencia alrededor de cada estructura Intersección de Estructuras Generación de área de influencia alrededor de cada intersección de estructuras Mineralización de Ganga Generación de área de influencia alrededor de cada punto con mineralización de oro, plata, cobre, plomo y zinc Todas las ocurrencias Generación de área de influencia alrededor de cada ocurrencia Distrito Minero Reclasificación de formato teniendo en cuenta el nombre del distrito minero Geoquímica para oro, plata, Definición de anomalías geoquímicas por medio del cobre, plomo y zinc método de inverso a la distancia Magnetometría Reclasificación de formato teniendo en cuenta las anomalías geofísicas

HERRAMIENTA ARCGIS No aplica Reclass Euclidean Distance Euclidean Distance Euclidean Distance Euclidean Distance

Euclidean Distance Reclass IDW Reclass



Geologia Regional: La información corresponde a las unidades litológicas presentes en el área de estudio y que se encuentran representadas por polígonos. Para esta información solamente fue necesario convertir la información de vector a ráster con base en la litología, para este proceso se usa la herramienta de convertir Vector a Ráster (Vector To Raster) del módulo de herramientas de conversión del ArcToolBox (Conversion Tool).



Alteraciones hidrotermales: Corresponde a la identificación en lugares puntuales de alteraciones hidrotermales. Debido a que la alteración se puede extender por algunos metros y la información es puntual, para convertir los datos a ráster fue necesario usar la herramienta de Distancia Euclidiana (Euclidean Distance) del módulo de herramientas de Análisis Espacial del ArcToolBox (Spatial Analyst Tool). Este procedimiento permite asignar un área de influencia máximo alrededor de la información analizada, para este caso se propuso una distancia máxima de 300m para que pueda compararse y analizarse junto con la información regional.



Intersección de estructuras: Esta información está constituida por puntos correspondientes a los cruces de estructuras principales. Al ser información puntual y bajo el mismo criterio de las alteraciones hidrotermales. Esta información se procesó con la herramienta de Distancia Euclidiana (Euclydean Distance) del módulo de herramientas de Análisis Espacial del ArcToolBox (Spatial Analysit Tool), asignándole un área de influencia máximo de 5000m por tratarse de estructuras regionales que tienen extensiones de cientos de metros y en estas zonas hay un mayor desarrollo de fracturamiento.



Estructuras geológicas: Esta información corresponde al trazo de las estructuras geológicas regionales. Aunque no se trata de información puntual sino lineal, lo importante de esta información es la distancia de influencia de estas estructuras.

Al tratarse de los trazos de estructuras geológicas regionales, estas estructuras

pueden ser de cientos de metros y para que sea acorde al área de influencia de la intersección de estructuras se asignó un área de influencia máximo de 2000m.

Para convertir esta información vectorial a ráster, se usó la herramienta de Distancia Euclidiana (Euclydean Distance) del módulo de herramientas de Análisis Espacial del ArcToolBox (Spatial Analysit Tool).



Mineralización y Ocurrencia mineral: Corresponde a la identificación en lugares puntuales de la manifestació de mineralizaciones. Debido a que la información es puntual y se trata de ubicación de ocurrencias minerales clasificada según el tipo de ocurrencia y, lo que se pretende analizar es la distancia de estos y su posible influencia, el procedimiento usado para convertir los datos a ráster corresponde a la herramienta de Distancia Euclidiana (Euclydean Distance) del módulo de herramientas de Análisis Espacial del ArcToolBox (Spatial Analyst Tool). Para este caso se propuso una distancia máxima de 500m para que pueda compararse y analizarse junto con la información regional.



Distrito minero: Esta información está relacionada con la definición de áreas con yacimientos ya definidos y caracterizados. Para este caso, solamente es necesario convertir los vectores a ráster por medio del uso de la herramienta de Vector a Ráster (Vector To Raster) del módulo de herramientas de Conversión del ArcToolBox (Conversion Tool).



Muestreo geoquímico: Los datos geoquímicos representan la ubicación puntual de tomas de muestras geoquímicas en roca, datos que se analizan por medio de una interpolación que permita un ráster continuo, donde cada punto ejerce una influencia sobre los otros puntos y va variando con la distancia. Para este proceso se usa la herramienta de Interpolación IDW del módulo de herramientas de Análisis Espacial del ArcToolBox (Spatial Analyst), donde el radio de búsqueda se definió de 250 metros.



Magnetometría: Corresponde a la adquisición de información aerotransportada por el método de magnetometría para determinar la amplitud de la señal analítica de la anomalía magnética del campo total. La información original y sin procesamiento son puntos y líneas correspondientes al registro de la señal obtenida, esta información es procesada para producir una imagen. Esta imagen es la que se usó en este estudio y es la que se procesó para que quede acorde con el tamaño de celda escogido (25) para el análisis de la información.

Para este proceso se usó la herramienta Remuestrear (Resample) del módulo de herramientas de Administración de Datos del ArcToolBox (Data Management‐ Raster).

Tabla 30. Proceso y resultados de la normalización de los datos y su reclasificación

CAPA ORIGINAL

NORMALIZACION

RECLASIFICACION

LITOLOGIA

ESTRUCTURA GEOLOGICA

INTERSECCION DE ESTRUCTURAS

ALTERACION HIDROTERMAL

MUESTREO GEOQUIMICO

MINERALIZACION Y

OCURRENCIA

MINERAL

DISTRITO MINERO

MAGNETOMETRÍA

3.2.8. Superposición Ponderada Una vez se analizó la información y su relevancia en el estudio, fue necesario aplicar la clasificación hecha en el proceso de relevancia la cual se determinó en la teoría y con base en el modelo de mineralización.

Para poder realizar este proceso, es necesario reclasificar cada ráster para asignarle el valor numérico de peso a cada atributo descriptivo (ver Ilustración 15), el cual se basa en la clasificación de selección de datos relevantes. Usando la herramienta de Reclasificación (Reclassify) del módulo de herramientas de Análisis Espacial (Spatial Analyst Tools) de ArcGIS, a cada atributo se le asignó el valor de peso correspondiente y, en el caso de la información NoData, se le asignó un valor de 1.

Ilustración 15. Proceso de reclasificación

Es así, como asignándole los pesos a cada atributo de cada capa, es que en el proceso de ponderación se le dio la importancia a cada capa con respecto a otra. De esta manera se procedió a realizar la superposición ponderada usando la herramienta de Superposición Ponderada (Weighted Overlay) del módulo de herramientas de Análisis Espacial (Spatial Analyst Tool) del ToolBox de ArcGis. En este proceso, adicional a los pesos en cada atributo de cada capa, fue necesario asignar un peso en porcentaje sobre cada temática, el cual se hace con base en el conocimiento geológico y metalogénico de este tipo de yacimientos. El criterio de asignación, principalmente, obedece a qué información es indispensable para la ubicación de mineralizaciones, en este caso las capas correspondientes a geoquímica, intersección de estructuras, mineralizaciones y alteraciones hidrotermales son las que

más influyen en la ubicación de nuevas áreas potenciales, ya que con la ausencia de alguno de estos factores descartaría la posibilidad de encontrar áreas de interés para la prospección de minerales.

Es así, como se observa en la Tabla 31, que se clasificó y se le asignó el peso porcentual a cada capa.

Tabla 31. Asignación de peso porcentual según relevancia de la información

CLASIFICACION DE CAPAS – TEMATICA Temática Peso % 5 Litología 10

Geología Estructural

20

Intersección de estructuras

17

Alteración Hidrotermal

18

Mineralización

10

Ocurrencia

2

Distrito Minero

20

Geoquímica

3

Magnetometría

Este proceso se realizó para oro, plata, cobre, plomo y zinc.

CAPITULO 4 RESULTADOS

4. RESULTADOS 4.1.

Pregunta de Investigación 1:

¿Son los datos que se tienen en la actualidad los más adecuados para poder desarrollar una metodología que permita la identificación de blancos exploratorios para oro y metales base en la zona de estudio?

Para este estudio, se logró compilar información geológica, metalogénica y geofísica de varias fuentes, principalmente del SGC, la cual en su mayoría está a escala regional 1:100.000. La información topográfica regional escala 1:100.000 se obtuvo del IGAC y el DEM de 90 del CGIAR. Además, fue posible obtener información espectral disponible para el público de la NASA y Global Land Cover Facility y, por último, gracias a algunas salidas de campo del grupo de geología, se lograron obtener algunos datos puntuales de zonas que no habían sido caracterizadas geológicamente y con los cuales se elaboró una base de datos relacional.

Una vez revisada y analizada toda la información compilada, se puede decir que, si bien se encuentra la mayoría de información necesaria para hacer un análisis multicriterio para la determinación de blancos de exploración para oro y metales base. La información pública, necesita ser revisada cuidadosamente, pues viene con muchos errores desde varios puntos de vista: coordenadas que se encuentran mal almacenadas (norte y este mezclados), las bases de datos vienen con los datos mezclados en un mismo campo, las unidades de medida se encuentran mezcladas y en mucho casos, no es posible tener acceso a los metadatos, que son de vital importancia para conocer los procesos y cambios que sufrieron los datos antes de ser publicados.

En cuanto a la información primaria, aunque es de mejor calidad, son datos muy puntuales y sirven más para corroborar el análisis multicriterio en este tipo de estudios, que se basan en información regiones y de zonas ya conocidas.

En conclusión, la información existente, sirve para el análisis, pero llevando a cabo un proceso de control de calidad y verificación de información muy riguroso para que los resultados sean lo más exactos posibles.

4.2.

Pregunta de Investigación 2:

¿Es el uso de los SIG una herramienta eficaz para proponer blancos de exploración para oro y metales base en la industria minera?

El uso de los SIG son una herramienta muy útil para la definición de áreas potenciales en cualquier escenario incluyendo la definición de blancos de exploración para oro y metales base, ya que, permiten y facilitan el almacenamiento, procesamiento y análisis de información geologico‐minera necesaria durante las fases exploratorias iniciales que constituyen la base para la ubicación de blancos exploración.

El desarrollo de la metodología dio como resultado la identificación zonas potenciales para las mineralizaciones de oro y metales base, las cuales fueron propuestas para ser visitadas y prospectadas, confirmando que el uso de las herramientas SIG son soporte para la toma de decisiones en la definción de zonas potenciales para la mineralización de oro y metales base, en este caso particular, en sistemas vetiformes de tipo hidrotermal meso y epitermal.

La aplicación de la metodología en el sector de el Sur de Bolivar, arrojó resultados positivos según se observó en los sectores visitados de Mina Mejía, Las Nieves, Mina Seca, Los Robles y El Carmen, lo cual, permite establecer que la herramienta puede funcionar en la toma de decisiones y en la selección y propuesta de blancos de exploración en otros sectores con características geológicas y metalogénicas similares.

4.3.

Pregunta de Investigación 3:

¿El análisis multicriterio de la información permite identificar blancos de exploración para oro y metales base en la zona de estudio?

Con el desarrollo de cada uno de los procesos necesarios para llevar a cabo un análisis multicriterio, en este caso, de superposición ponderada, se identifican zonas favorables y zonas con potencial para la identificación de blancos de exploración para la mineralización de oro y metales base, las cuales corresponden principalmente a zonas

de intersección de fallamiento regional, aunque algunos casos corresponden a zonas con posible desarrollo de estructuras cubiertas que no se encuentran reportadas, pero que se corroboran con el DEM regional.

En total se identifican 32 zonas potenciales para la mineralización de oro ubicadas en su mayoría en zonas donde no ha sido posible ingresar y que aún están inexploradas. En la Ilustración 16 se observa el mapa resultante del análisis de superposición ponderada, donde en color naranja se marcan las zonas correspondientes a intersecciones de falla como zonas posibles para el desarrollo de mineralización de oro y metales base, esto, debido a la alta asignación en peso en la evaluación de criterios a este tipo de información y se resaltan en rojo las zonas potenciales para las mineralización de oro y metales base.

Ilustración 16. Mapa de favorabilidad para depósitos de oro meso y epitermal

De las 32 zonas, como se observa en la Ilustración 17, se lograron visitar los sectores de Mina Mejía, Las Nieves, Mina Seca, Los Robles y El Carmen, corroborando la presencia de mineralización de oro y metales base en estos sectores.

Ilustración 17. Mapa de favorabilidad para depósitos de oro meso y epitermal – verificación de análisis

Durante las visitas llevadas a cabo a estos sectores se pudo corroborar la geología (litología y estructuras), presencia de alteraciones hidrotermales correspondiente a sistemas meso y epitermales y la evidencia de mineralizaciones (ver Ilustración 18).

Basamento Proterozoico: Gneisses

Rocas volcánicas suprayaciendo basamento

Rocas intrusivas alteradas y mineralizadas

Basamento Proterozoico: Gneisses

Rocas Jurásicas alteradas

Rocas intrusivas del Batolito de Norosi, alteradas y ineralizadas

Ilustración 18. Afloramientos con presencia de alteración hidrotermal y mineralización

Adicionalmente, se encontraron zonas con socavones y túneles donde las personas locales han extraído mineral para beneficio de oro, como se aprecia en la Ilustración 19 e Ilustración 20.

Ilustración 19. Socavones y túneles en el sector de Mina Seca

Sector Las Nieves

Sulfuros diseminados dentro de brecha hidrotermal con matriz rica en calcedonia

Venillas de calcedonia cortando bandas de sulfuros en socavón

Venillas de calcedonia cortando bandas de sulfuros

Brecha hirotermal en labor minera Los Cuchacos

Bandas de sulfuros dentro de alimentador estructural

Ilustración 20. Presencia de mineralización y estructuras típicas de sistemas mesotermales en el Sector de Las Nieves

Realizando el mismo proceso de superposición ponderada para plata, cobre, plomo y zinc, se obtiene que aunque los mapas resultantes son muy similares debido a su correlación genética, hay elementos que presentan mayores zonas potenciales que otros, esto debido a la movilidad de los elementos según su coeficiente de dispersión y peso atómico. En la Tabla 32 se lista el resultado de zonas potenciales para las mineralizaciones de metales base correspondientes a la plata, cobre, plomo y zinc, como resultado del análisis multicriterio para estos elementos y, en la Ilustración 21, Ilustración 22, Ilustración 23, Ilustración 24 se observan los mapas potenciales resultantes para cada uno de estos elementos, que, como se puede observar, son muy similares debido a la afinidad de estos elementos dentro del sistema hidrotermal de mineralización evaluado que, además corresponde con el resultado de la matriz de correlación que se realizó con la información geoquímica y que se observa en laTabla 25 del Capítulo 3.

Tabla 32. Cantidad de áreas con potencial de mineralización de metales base

ELEMENTO Plata (Ag) Cobre (Cu) Plomo (Pb) Zinc (Zn)

ZONAS POTENCIALES 35 30 37 34

Ilustración 21. Mapa de favorabilidad para depósitos de cobre meso y epitermal

Ilustración 22. Mapa de favorabilidad para depósitos de plata meso y epitermal

Ilustración 23. Mapa de favorabilidad para depósitos de plomo meso y epitermal

Ilustración 24. Mapa de favorabilidad para depósitos de zinc meso y epitermal

CAPITULO 5 ANALISIS DE RESULTADOS

5. ANALISIS DE RESULTADOS Durante el desarrollo de este estudio, se utilizaron los SIG para los procesos de almacenamiento, organización, estandarización, procesamiento y análisis de la información para la identificación de áreas potenciales para las mineralizaciones de oro y metales base en el sector del Sur de Bolívar.

Llevando a cabo el análisis multicriterio de superposición ponderada, basado en el modelo de mineralización teórico, se pudo obtener un mapa de potencial minero, el cual consta de zonas favorables y zonas potenciales para la ubicación de nuevas áreas con posibilidad de encontrar mineralizaciones de oro y metales base en sistemas vetiformes de tipo hidrotermal meso y epitermal, el cual fue posible corroborar en algunos puntos.

Sin embargo, la dificultad de acceso y la situación de orden público no permitió visitar otros sectores que se marcan con potencial y que debido a su importancia por su desconocimiento hubieran sido de gran aporte y sustentación del análisis llevado a cabo en este estudio.

Sobre el cumplimiento de los objetivos de este trabajo, fue posible desarrollar y llevar a cabo una metodología para la elaboración de un mapa predictivo para la determinación de zonas potenciales para la mineralización de oro y metales base en sistemas vetiformes de tipo hidrotermal meso y epitermal, mediante la consecución de procesos basados en el modelo de sistemas mineralización y yacimiento y la secuencia de procesos para poder aplicar el análisis multicriterio de superposición ponderada. Esta metodología se puede aplicar en otros sectores con la existencia de la información necesaria para llevar a cabo el análisis y puede servir como base para otro tipo de yacimientos donde se determine un modelo de mineralización y yacimientos correspondiente.

En la primera parte del estudio, se llevó a cabo la organización y estandarización de la información, la cual condujo a la elaboración de una base datos relacional, la compilación y selección de información relevante para el desarrollo de análisis de información. En esta fase, se puedo identificar que, aunque existe información útil para este tipo de estudios, cuando se trata de zonas con escasez de información el estudio se

puede ver afectado en el caso que no se llegue a obtener la información mínima necesaria para la determinación de zonas potenciales para la mineralización de oro y metales base en sistemas meso y epitermales. Esto se evidenció con la escasez en la información de alteraciones hidrotermales, la cual es de gran influencia en este estudio y, debido a que no se pudo procesar imágenes satelitales, no fue posible delimitar zonas con alteraciones y el análisis solo pudo tener como insumo ubicaciones puntuales con presencia de alteraciones.

Los resultados obtenidos pese a las limitaciones en la obtención de información y la dificultad para acceder a sectores dentro del Sur de Bolívar, son los esperados confirmando la hipótesis, siendo posible la delimitación de zonas potenciales para la identificación de blancos para la exploración de oro y metales base usando análisis multicriterio, teniendo como base el modelo de mineralización y yacimiento de tipo meso y epitermal. Por último, los resultados son coherentes con el tipo de yacimiento reportado en la literatura de este sector.

CAPITULO 6 CONCLUSIONES Y RECOMENDACIONES

6. CONCLUSIONES Los análisis multicriterio en SIG son una herramienta poderosa para la evaluación de potencial minero en áreas en donde la información geológica y metalogénica es escaza y de baja calidad, permitiendo su organización y evaluación, en función de la definición de áreas potenciales.

Debido a las características genéticas de los depósitos vetiformes evaluados, los análisis multicriterio son una valiosa herramienta para priorizar la localización de áreas en donde dichas características son sobresalientes de forma conjunta, indicando espacialmente en donde existe la mayor probabilidad para la ubicación de un depósito.

La información espectral en este tipo de estudios es una fuente importante de información, ya que, además de proporcionar información relacionada a estructuras y unidades geológicas, permiten obtener información sobre las alteraciones hidrotermales de las rocas, la cual, es muy valiosa para la evaluación de zonas potenciales para las mineralizaciones e identificación de yacimientos en sectores en donde no es posible el acceso para obtener esta información.

Los análisis estadísticos muestran que los elementos evaluados espacialmente concuerdan con componentes guía dentro de sistemas vetiformes de oro de tipo meso y epitermal, coincidiendo su identificación espacial con la mayoría de los prospectos visitados en campo.

Al ponderar de forma independiente las características relevantes de los depósitos evaluados y, teniendo en cuenta las características críticas del depósito y el escenario en donde estos se evalúan, se obtiene un producto muy acertado, que puede ser usado como una guía exploratoria consistente al momento de diseñar programas de exploración en áreas poco exploradas, con limitada información y enfocados en las zonas potenciales, favoreciendo en la disminución de costos operativos y la disminución del tiempo en la toma de decisiones.

Es necesario contar con un mínimo de información geológica y metalógenica correspondiente a ubicación de ocurrencias minerales, alteraciones hidrotermales, estructuras geológicas y litología para poder llevar a cabo el análisis multicriterio para este tipo de mineralizaciones y yacimientos.

En los análisis multicriterio para la ubicación de zonas potenciales para la mineralización de oro, metales base y otros commodities es necesario contar con un geólogo experto en el tipo de yacimiento quien asesore en la clasificación de la información y en la asignación de pesos de relevancia para de esta manera garantizar una mayor precisión en la definición de las zonas potenciales.

Como resultado del proceso de análisis se obtuvieron 32 zonas con potencial para la mineralización de oro, de las cuales, 4 zonas se verificaron en campo, las otras áreas que comparten las mismas características serán propuestas como áreas potenciales para evaluación.

Como resultado de los procesos en el desarrollo del análisis de la información inicial y el análisis multicriterio fue posible generar varios productos cartográficos que sirven de apoyo en la exploración de minerales y muestran las zonas potenciales y las zonas con favorabilidad para la generación de blancos de exploración para oro y metales base.

6.1.

RECOMENDACIONES

Teniendo en cuenta que la información que se usa en los análisis multicriterio proviene de diferentes fuentes, se recomienda hacer un riguroso análisis de los datos para poder extraer la información relevante y así, poder definir los procesos necesarios para obtener un mejor resultado.

Debido a la importancia de la información espectral en la caracterización e identificación de alteraciones hidrotermales y de yacimientos minerales, se hace necesaria la obtención de esta información, por lo tanto, se recomienda su adquisición tanto de fuentes públicas como privadas.

Los análisis multicriterio son una herramienta que facilitan y agilizan los análisis de información, además de la superposición ponderada se pueden desarrollar otros procesos de superposición con la información geológica y metalogénica para la identificación de zonas potenciales o favorables para la delimitación de blancos de exploración, como son lógica difusa o suma ponderada para comparar los resultados obtenidos con cada método.

Aunque el uso los análisis multicriterio en la identificación de zonas potenciales para depósitos minerales, tienen como base en la definición de criterios y pesos correspondientes las características especificas de los modelos de yacimientos, es necesario validar los resultados de este tipo de análisis en campo para poder afinar y mejorar el modelo.

REFERENCIAS BIBLIOGRAFICAS Agterberg, F. P. & Cheng, Q. (2002). Conditional independence test for weights of evidence modeling. Natural resources research, Vol.11, No.4, pp.249‐255.

Alfaro, M. A. (2007). Estimación de recursos. Chile. USACH.

Ananda, J. & Herath, G. (2009). A critical review of multi‐criteria decision‐making methods with special reference to forest management and planning. Ecological economics, Vol.68, pp.2535‐2458.

Barrera, D. (2016). Modelos determinísticos y probabilísticos. Venezuela. Universidad Jose Maria Vargas.

Bates, M. E., Massey, O. C., Wood, M. D. (2018). Weight of evidence concepts: Introduction and application to sediment management. USA. Environmental Laboratory, Dredging operations and environmental research (DOER) program.

Billa, M., Cassard, D., Guillou‐Frottier, L., Lips, A., Tourliere, B. (2002). Assessment of GIS Andes: Predictive mapping of Neogene Gold‐Bearing magmatic‐hydrothermal systems in the Central Andes. Francia. BRGM, Mineral Resources Division.

Bonham‐Carter, G. (1994). Geographic information systems for geoscientists: Modelling with GIS. Canada. Pergamon publications.

Bonham‐Carter, G. Agferberg, F. P. & Wright, D. F. (1989). Weights of evidence modelling: A new approach to mapping mineral potential. Statistical applications in the earth sciences. Geological Survey of Canada, Paper 89‐9, pp.171‐183.

Bosque, S. J. (2000). Sistemas información geográfica. España. Ediciones Rialp.

Brunelli, M. (2015). Introduction to the analytic hierarchy process. Finlandia. Springer.

Burroughm P. & McDonnell, R. (1998). Principles of geographical information systems.

USA. Oxford University Press.

Buchanan, L. J. (1981). Precious metal deposits associated with volcanic environments in the southwest, in Dickson, W. R. and Payne, W. D., eds., Relations of Tectonics to Ore Deposits in the southern Cordillera: Arizona. Geological Society Digest, Vol.14, pp.237 – 262.

Caballero, A. (2017). Métodos de decisión multicriterio y sus aplicaciones. Tesis de grado. España. Universidad de La Rioja, Servicio de Publicaciones.

Carranza, E. J. (2002). Geological‐constrained mineral potential mapping (Examples from the Philippines). Tesis de doctorado. Netherlands. International Institute for Geo‐ Information Science and Earth Observation.

Carranza, E. J. (2004). Weights of evidence modelling of mineral potential: A case study using small number of prospects, Abra, Philippines. Natural resources research, Vol.13, No.3, pp.173‐187.

Carranza, E.J. (2009). Geochemical anomaly and mineral prospectivity in GIS. Handbook of exploration and environmental geochemistry, Vol.11. The Netherlands. Elsevier.

Carvalho, L. M., Ribeiro, M. S., de Oliveira, L. T., Oliveira, T., C., Louzada, J. N., Scolforo, J. R., Oliveira, A. D. (2007). Weighted overlay, fuzzy and neural networks for estimating vegetation vulnerability within the ecological economical zoning of Minas Gerais, Brazil. pp.171‐182. Brazil. IX Brazilian symposium of geoinformatics.

Cediel, F., Shaw, R. P., Cáceres, C. (2003). Tectonic Assembly of the Northern Andean Block, in C. Bartolini, R. T. Buffler, and J. Blickwede, eds., The Circum‐Gulf of Mexico and the Caribbean: Hydrocarbon habitats, basin formation, and plate tectonics: AAPG Memoir, Vol.79, pp.815– 848.

Clavijo, J., Mantilla, L., Pinto, J., Bernal, L., Pérez, A. (2008). Evolución geológica de la Serranía de San Lucas, Norte del Valle Medio del Magdalena y Noroeste de la Cordillera Oriental. Boletín de Geología, Vol.30, No.1, pp.45‐62.

Contreras, E. & Pacheco, J. F. (2007). Evaluación multicriterio para programas y proyectos públicos Serie Gestión No.92. Chile. CEPAL.

Contreras, F., Hanakia, K., Aramakia, T. Connors, S. (2008). Application of analytical hierarchy process to analyze stakeholders preferences for municipal solid waste management plans, Bostos, USA. Resources conservation and recycling, Vol.52, No.7, pp.979‐991.

Corbett, G. J. & Leach, T. M. (1998). High sulfidation gold‐copper systems; in: Southwest Pacific Rim Gold‐Copper Systems: Structure, Alteration, and Mineralization. SEG, Special Publication 6, pp. 101‐ 136.

Corbett, G. J. (2004). Epythermal and porphyry gold – Geological models. Australia. The Australasian Institute of Mining and Metallurgy, Pacrim Congress 2004, pp.15‐23.

Deutsch, C. & Journel, A. (1998). GSLIB: Geostatistical software library and user´s guide.

2a ed. USA. Oxford Press.

Diodato, N. & Ceccarelli, M. (2005). Interpolation processes using multivariate geostatistics for mapping fo climatological precipitaction mean in the Sannio Mountains (southern Italy). Earth Surf Proc Landforms Vol.30, pp.259‐268.

Eastman, R. J., Jin, W., Kyem, P. A., Toledano, J. (1995). Raster procedure for multi‐ criteria/multi‐objetive decisions. Photogram Eng remote Sens, Vol.62, pp.539‐547

Einaudi, M. T., Hedenquist. J. W. & Inan, E. E. (2003). Sulfidation state of hydrothermal fluids: The Porphyry – Epithermal transition and beyond. SEG, Special Publication 10.

Esri (2016). ArcGis for Desktop. Superposición ponderada. España. ESRI

Esri (2016). ArcGis for Desktop. Zonas de influencia. España. ESRI.

Esri (2016). ArcGis for Desktop. IDW (Inverse distance weighted. España. ESRI.

Galvis, J. (1990). Manifestaciones de metales preciosos en el área del proyecto Morales, el Banco, en la región Noroccidental de la Serranía de San Lucas, Departamento de Bolívar. Colombia. Empresa Colombiana de Minas‐ECOMINAS.

Forero, G., Ferreira, P., Maya, M. (1997). Atlas geológico digital de Colombia, versión 10, plancha Z, escala 1:50.000. Colombia. INGEOMINAS.

Gobernación de Bolívar (2017). Plan de desarrollo de Bolívar 2017 – 2019. Colombia.

Gobernación de Bolívar.

Gogoloek, W. (2005). The application of GIS in geological cartography. Przegglad Geologiczny, Vol.53, No.10/2, pp.913‐916.

Gomes‐Mota, P. J. (2013). Comparative analysis of multicriteria decision making methods. Tesis de maestría. Universidad Nova de Lisboa, Lisboa, Portugal.

González, M. A. (2005). Estudio metalográfico de las mineralizaciones auríferas del Distrito Minero Sur de Bolívar, aplicando a la optimización del beneficio mineral. Tesis de Grado. Colombia. Universidad Nacional de Colombia.

González, H., Sánchez, M. M., García, J. F., Gómez, J. P., Palacio, A. F., Giraldo, W. V. (2015). Memoria explicativa plancha geológica 84 – Los Canelos. Colombia. Servicio Geológico Colombiano.

Goodchild, M. & Haining. R. (2005). Gis and spatial data análisis: converging perspectives. Investigaciones Regionales Vol.6, pp.175‐201.

Goovaerts, P. (1997). Geostatistics for natural resources evaluation. USA. Oxford University Press.

Grajales‐Quintero, A., Serrano‐Moya, E. D. & Hahn, C. M. (2013). Los métodos y procesos multicriterio para la evaluación. Revista Luna Azul, Vol.36, pp.285‐306.

Greene, R., Devillers, R., Luther, J. E. & Eddy, B. G. (2011). GIS‐Based Multiple‐Criteria Decision Analysis. Geography Compass Vol.5/6, pp.412 – 432.

Guilbert, J. M. & Park, C. F., (2007). The geology of ore deposits. USA. Late of Stanford University.

Harley, B. K. (2014). Evaluation of weight of evidence to predict gold occurrences in Northern Minnesotas´s Archean Greenstone Belts. USA. University of Southern California.

Heald, P., Foley, N. K. & Hayba, D. O. (1987). Comparative anatomy of volcanic hosted epithermal deposits: Acid‐sulfate and adularia‐sericite types. Economic Geology, Vol.83, pp.1‐26.

Hedenquist, J. W. (1987). Mineralization associated with volcanic‐related hydrothermal systems in the circum‐Pacific basin. AAPG Bulletin, Vol.70, pp. 513‐ 524.

Hedenquist, J. W. & Lowenstern, J. B. (1994). The role of magmas in the formation of hydrothermal ore deposits. Nature, Vol.370, pp.519‐527.

Hedenquist, J. W. & White. N. C., (1995). Epithermal Gold Deposits: Styles, Characteristics and Exploration. SEG, Vol.23, No.1, pp.9‐13.

Hernández, C. U., Castillo, W. E., Becerra, X., Hernández, S. B. (2012). Evaluación y comparación de métodos de interpolación determinísticos y probabilísticos para la generación de modelos digitales de elevación. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM. No. 82, pp. 18‐130.

Hernández, F. M., & México, M. B. (2015). Concepto de Distancia y su Aplicación en Estadística Multivariada. Datos Diagnósticos Tendencias, pp.24‐31.

Hosseinali, F. & Alesheikh, A. A. (2008) Weighting spatial information in GIS for copper mining exploration. American journal of applied sciences, Vol.5, No.9, pp.1187‐1198.

Hronsky, J. M. A. & Groves, D. I. (2008). Science of targeting: definition, strategies, targeting and performance measurement. Australian Journal of Earth Sciences: An International Geoscience Journal of Geological Society of Australia, Vol.55, pp.3‐12.

Huygens, C. (1657). Libelllus de ratiociniis in ludo aleae. Inglaterra. S. KEIMER.

IAEA, International AtomicEnergy Agency (1994). Spatial data integration for mineral exploration, resource assessment: A guidebook. Austria. International Atomic Energy Agency.

Isaaks, E. & Srivastava, M. (1989). An introduction to applied geostatistics. USA. Oxford University Press.

IGAC, Instituto Geográfico Agustín Codazzi (1996). Diccionario geográfico de Colombia.

Colombia.

IGAC, Instituto Geográfico Agustín (2012). Sistema de información geográfica para la planeación y el ordenamento territorial. Obtenido de https://sigot.igac.gov.co/es

Ishizaka, A. & Nemery, P. (2013). Multi‐criteria decision analysis – Methods and Software. United Kingdom. Wiley.

Jankowski, P. (1995). Integrating geographical information systems and multiple criteria decision‐making methods. International Journal of Geographical Information Science, Vol.9, No.3, pp.251‐273.

Jarvis, A., Reuter, H. I., Nelson, A. & Guevara, E. (2008). Hole‐filled SRTM for the globe version 4. Obtenido de CGIAR‐CSI SRTM 90m database http://srtm.csi.cgiar.org

Johnson, A. I., Pettersson, C. B. & Fulton, J. L. (1992). Geographic information systems (GIS) – Practices and Standards. USA. ASTM Publication.

Kaliraj, S., Chandrasekar, N. & Magesh, N. S. (2015). Evaluation of multiple environmental factors for site‐specific groundwater recharge structures in the Vaigai River upper basin, Tamil Nadu, india, using GIS‐based weighted overlay analysis. India.

Springer.

Kitanidis, P. (1997). Introduction to geostatistics: applications in hydrogeology. USA. Cambridge University Press.

Keeney, R. L. & Raiffa, H. (1976). Decisions with multiple objectives: preferences and value tradeoffs. USA. Wiley.

Kesler, S. E. (1994). Mineral Resources, Economics and the Environment. USA. Macmillan College Publishing Company, Inc.

Kolmogorov, A. N. & Fomin, S. V. (1970). Introductory Real Analysis, USA. Prentices Hall.

Lai, Y. J., Liu, T. Y. & Hwang, C. L. (1994). TOPSIS for MODM. European journal of operational research, Vol.76, pp 486‐500.

Lam, N. (1983). Spatial interpolation methods: a review. The American Cartographer.

Vol.10 No.2, pp.129 – 149.

Lindgren, W. (1933). Mineral Deposits, 4th edition. USA. Mc Graw Hill.

Linkov, I., Massey, O., Keisler, J., Rusyn, I., Hartung, T. (2015). From “Weight of Evidence” to quantitative data integration using multicriteria decision analysis and Bayesian methods. Altex, Vol.32, pp.3‐8.

Lofti, V., Stewart, T. J. & Zionts, S. (1992). An aspiration‐level interactive model for multiple criteria decision making. Computer operations research, Vol.19, pp.671‐681.

Lova, A., Maroto, C. & Tormos, P. (2000). A multicriteria heuristic method to improve resource allocation in multiproject scheduling. European journal of operational research, Vol.127, pp. 408‐424.

Lovart, L., Meyer, P. & Olteanu, AL. (2015). Model: a multicriteria ordinal evaluation tool for GIS. International Journal of Geographical Information Science, Vol.29, pp.1‐22.

Lu, G. Y & Wong, D. W. (2008). An adaptive inverse‐distance weighting spatial interpolation technique. Computer Geoscience, Vol.34, pp.1044‐1055.

Madani, A. A. (2011). Knwoledge‐driven GIS modeling technique for gold exploration, Bulghah gold mine area, Saudi Arabia. The Egyptian Journal of Remote Sensing and Space Sciences, Vol.14, pp.91‐97.

Madrid, A. & Ortiz, L. M. (2005). Análisis y síntesis en cartografía: Algunos procedimientos. Colombia. Universidad Nacional de Colombia.

Malczewski, J. (1999). GIS and Multicriteria decision analysis. USA. John Wiley & Sons, Inc.

Malczewski, J. (2000). On the use of weighted linear combination method in GIS: Common and best practice approaches. Transactions in GIS, 2000, Vol.4, pp.5‐22.

Malczewski, J. (2006). GIS‐based multicriteria decision analysis: a survey of the literature. International Journal of Geographical Information Science, Vol. 20, No.7, pp.703–726.

Mineralco‐Ingeominas, (1997). Cartografía geológica, prospección geoquímica y mapa metalogénico. Area del aporte 1237 Mineralco. Departamento de Bolívar. Convenio No. 048 de 1995. Colombia. Unidad operativa Bucaramanga área de minería.

Miranda‐Salas, M. & Condal, A. R. (2003). Importancia del análisis estadístico exploratorio en el proceso de interpolación espacial: caso de estudio Reserva Forestal Valdivia. Bosque, Vol.24, No.2, pp.29‐42.

Muñoz, R. (1993). Mineralizaciones filonianas auríferas en la franja entre San Martin de Loba, Rio Viejo y Barranco de Loba (Sur de Bolivar). Colombia. INGEOMINAS.

Muñoz, B. & Romana, M. G. (2016). Aplicación de métodos de decisión multicriterio discretos al análisis de alternativas en estudios informativos de infraestructuras de transporte. Pensamiento matemático, Vol.6, No.2, pp.27‐46.

Nakayama, H. (1994). Aspiration level approach to interactive multi‐objective programming and its applications. Austria. International institute for applied systems analysis‐IIASA.

Olaya, V. (2014). Sistemas de Información Geográfica. España. CreateSpace Independent Publishing Platform.

Osburn, J., Caruso, G., Wolfensberger, W. (2011). The concept of “Best Practice”: A brief overview of its meaning, scope, uses, and shortcomings. Training Institute for Human Service Planning, Leadership & Change Agentry. USA. Institute on Disabilities at Temple University.

Osman, M. S. (2012). Mineral exploration using GIS. Arabia Saudita. King Fahad University of Petroleum and minerals, City and regional planning department.

O´Sullivan, D. & Unwin, D. J. (2003). Geographic information analysis. USA. Wiley.

Pacheco, J. F. & Contreras, E. (2008). Manual metodológico de evaluación multicriterio para programas y proyectos. Serie Manuales No. 58. Chile. CEPAL.

Panhalkar, S. S. & Jarag, A. P. (2015). Assessment of spatial interpolation techniques for river bathymetry generation of Panchganga River Basin using geoinformatics techniques. Asian Journal of Geoinformatics, Vol.15, No.3, pp.9‐15.

Partington, G. A., Christie, A. B. & Rattenbury, M. S. (2006). Gis modelling of gold prospectivity In New Zealand. Geology and exploration of New Zealand mineral deposits.

Australasian institute of mining and metallurgy. A. B. Christie, R. L. Brathwaite.

Pirajno, F. (2009). Hydrothermal processes and mineral systems. Australia. Geological survey of Western Australia. Springer.

Pohl, W.L. (2011). Economic geology principles and practice: metals, minerals, coal and hydrocarbons: Introduction to formation and sustainable exploitation of mineral deposits. United Kingdom. Wiley‐Blackwell.

Posada, H. B. (2015). Evaluación multicriterio y SIG como herramientas para la gestión territorial, caso estudio ubicación del terminal de transporte en Zipaquirá‐ Cundinamarca, tesis de grado. Colombia. Universidad Santo Tomás.

Robert, F., Brommecker, R., Bourne, B. T., Dobak, P. J., McEwan, C. J., Rowe, R. R., Zhou, X. (2007). Models and exploration methods for major gold deposit types. Proceedings of exploration ´07: Fifth decennial conference on mineral exploration, pp.691‐711.

Rodriguez, P., Velandia, F., Cardenas, R. (2008). Teledetiección y SIG aplicados a la exploración geologico‐geofisica en el Altiplano Nariñense – Colombia. Geología Colombiana No.33, pp.79‐90.

Rigol‐Sánchez, J. P., Chica‐Olmo, M., Pardo‐Igúzquiza, E., Rodríguez‐Galiano, V., Chica‐ Rivas, M. (2001). Análisis e integración de datos espaciales en investigación de recursos geológicos mediante Sistemas de Información Geográfica. Boletín de la Sociedad geológica Mexicana Vol.63, No. 1, pp.61‐70.

Romero, C., Tamiz & M., Jones, D. F. (1998). Goal programming, compromise programming and reference point method formulations: linkages and utility interpretations. Journal of the operational research society, Vol.49, No.9, pp.986‐991.

Roy, R., Cassard, D., Cobbold, P. R., Rossello, E. A., Billa, M., Baily, L., Lips, A. L. W. (2006).

Predictive mpping for copper‐gold magmatic‐hydrothermal systems in NW Argentina: Use of a regional‐scale GIS, application of an expert‐guided data‐driven approach, and comparison with results from a continental‐scale GIS. Ore Geology Reviews, Vol.29, pp 260‐286.

Saaty, T. L. (1980). The analytical hierarchy processes. USA. Mac Graw Hill.

Saaty, T. L. (2008). Decision making with the analytic hierarchy process. Int. J. Services Sciences, Vol.1, No.1, pp 83‐98.

SGC, Servicio Geoloógico Colombiano (1992). Geología de la plancha 75‐Aguachia.

Colombia

SGC, Servicio Geoloógico Colombiano (1994). Geología de la plancha 065‐Tamalameque.

Colombia.

SGC, Servicio Geoloógico Colombiano (2006). Geología de la plancha 64‐Barranco de Loba. Colombia.

SGC, Servicio Geoloógico Colombiano (2006). Geología de la plancha 085‐Simití.

Colombia.

SGC, Servicio Geoloógico Colombiano (2010). Geoquímica Base de datos. Obtenida de https://www2.sgc.gov.co

SGC, Servicio Geoloógico Colombiano (2015). Mapa geológico de la plancha 74‐ Guaranda. Colombia.

SGC, Servicio Geoloógico Colombiano (2015). Mapa geológico de la plancha 84‐Los Canelos. Colombia.

SGC, Servicio Geoloógico Colombiano, Servicio Geoloógico Colombiano (2016). Mapa metalogénico de Colombia. Colombia.

SGC, Servicio Geoloógico Colombiano (2016). Mapa de anomalías geofísicas de Colombia para recursos minerales. Colombia.

SJR. (2016). Explotación minera en el Sur de Bolívar, Informe especial. Colombia. Servicio Jesuita a Refugiados.

Shahi, H., Kamkar‐Rouhani, A. (2014). A GIS‐based weights‐of‐evidence model for mineral potential mapping of hydrothermal gold deposits in Torbat‐e‐Heydariech area.

Journal of Mining & Environment Vol.5, No.2, pp.79‐89.

Shaw, R. P. (2003). Colombia – a ten – best‐picks analysis of gold metallogeny and project potential: Internal report. Peru. AngloGold Ltd.

Sillitoe, R. H. & Lorson, R. (1994). Epithermal gold‐silver‐mercury deposits at Paradise Peak, Nevada; ore controls, porphyry gold association, detachment faulting, and supergene oxidation. Economic Geology Vol.89, pp.1228‐1248.

Sillitoe, R. H. (1997). Characteristics and control son the largest porphyry copper‐gold ans epitermal gold deposits in the circum‐Pacific region. Australian Journal of Earth Sciences Vol.44, pp.373‐388.

Smith, M. J., Goodchild, M., Longley, P. A. & Associates (2018). Geospatial Analysis: A comprehensive guide to principles, techniques and software tools. 6th edition.

Inglaterra. University College London.

Suman, B. & Kuma, P. (2006). A survey of simulated annealing as a tool for single and multiobjetive optimization. Journal of the operational research society. Vol.57, pp.1143‐ 1160.

USGS, United States Geology Survey (2010). Landsat 7 ETM+. Obtenido de http://glovis.usgs.gov

Yongfeng, Z., Fang, A. Juanjuan, T. (2011). Geochemistry of hydrothermal gold deposits: A review. Geosciende Frrontiers, Vol. 2, No.3, pp.367‐374.

Voogd, H. (1983). Multicriteria evaluation with mixed qualitative and quantitative data.

Austria. International institute for applied systems analysis.

Walke, N., Reddy, G. P., Maji, A. K., Thayalan, S. (2012). GIS‐Based multicriteria overlay analysis in soil‐suitability evaluation for cotton (Gossyíum spp.): A case study in the black soil region of Central India. Computers & Geosciences, Vol.41, pp.108‐118.

Wicander, R. & Monroe, J. (2000). Fundamentos de Geología. Mexico. International Thomson Editores, S.A.

Whitmeyer, S. J., Nicoletti, J., De Paor, D. G. (2010). The digital evolution in geologic mapping. GSA Today, Vol.20, No.4/5, pp.4‐10.

Zeleny, M. (1982). Multiple criteria decision making. USA. McGraw‐Hill.

Zhou, G. & Gen, M. (1999). Genetic algorithm approach on multi‐criteria minimum spanning tree problem. European journal of operational research, Vol.114, No.1, pp.141‐152.

Zielinska, A. L., Church, R. L. & Jankowski, P. (2008). International journal of geographic information science, Vol.22, No.6, pp.601‐622.

Zionts, S. & Wallenius, J. (1976). An interactive programming method for solving the multiple criteria problem. Management science, Vol.22, No.6, pp.652‐663.

ANEXOS