104388 by UNIGIS América Latina

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

Modelo cartográfico para optimizar procesos de identificación de depósitos minerales en Macará, Loja - Ecuador Cartographic model to optimize processes for the identification of mineral deposits in Macará, Loja - Ecuador by/por

Washington Lizandro Lomas Zumba 01524639 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science y Systems) – MSc (GIS) Advisor ǀ Supervisor

Carlos Mena PhD

Quito - Ecuador, Junio de 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.

Quito, 18 de junio de 2019

DEDICATORIA

Dedicado de manera especial para mi esposa Roció por su paciencia, apoyo y amor que me permitieron terminar esta nueva etapa en mi vida académica. A mi hija Lina quien nació durante el transcurso de mi maestría y fue una inspiración para seguir esforzándome cada día. A mi madre Rosita que con su infinita sabiduría y gran corazón siempre está a mi lado y por su apoyo en todas las etapas de mi vida.

AGRADECIMIENTOS

A mi familia por ser el puntal fundamental en el desarrollo de mi vida personal y profesional, y ser los principales promotores de mis sueños. A mi directora de tesis Mona Bartling y revisora Laure Collet por su valiosa guía y aporte, durante el desarrollo del presente trabajo. Un agradecimiento especial a mis amigos Milton Reinoso y Carlos Águila, expertos en Geología que me apoyaron y aportaron sus conocimientos para el desarrollo de este trabajo. Al Instituto Nacional del Investigación Geológico y Energético ex INIGEMM en la persona del Ing. Byron Granda, quien apoyó la iniciativa del presente trabajo y facilitó la información necesaria para hacer posible este proyecto.

RESUMEN El presente trabajo de tesis propone una metodología para optimizar los procesos de análisis convencional de depósitos minerales mediante un modelo cartográfico utilizando variables geológicas para definir posibles áreas de interés geológico minero en la zona de Macará, provincia de Loja, Ecuador. Cada variable fue ponderada utilizando el método de análisis jerárquico de Saaty (1994). Para este caso de estudio se utilizaron 4 variables que son: unidad o formación geológica, estructura geológica, geoquímica de sedimentos y alteración hidrotermal, donde los valores más altos de ponderación coincidieron perfectamente con las mejores características geológicas que pueden albergar depósitos minerales. Utilizando una evaluación multicriterio se integró cada variable geológica, definiendo un modelo cartográfico con los métodos de clasificación estadísticos desviación estándar, cortes naturales, intervalos geométricos y cuantiles de ArcGIS, obteniendo como resultado 4 mapas que permiten identificar las mejores características geológicas de un área para una exploración geológica-minera. De las 4 clasificaciones utilizadas, 3 presentaron resultados similares que definen zonas de exploración locales. El mapa que se obtuvo por la clasificación de desviación estándar presentó áreas para realizar una exploración regional. El aporte de esta investigacion contribuye al ámbito de la gestión del proyecto “Investigación Geológica y Disponibilidad de Ocurrencias de Recursos Minerales en el Territorio Ecuatoriano” que el Instituto Nacional de Investigación Geológico Minero Metalúrgico (INIGEMM) ejecuta desde el año 2014, donde uno de sus objetivos es la identificación de nuevos indicios de ocurrencias minerales en la Cordillera real, Occidental y zona subandina.

ABSTRACT The study at hand proposes a methodology to optimize the processes of mineral deposit conventional analysis by applying a cartographic model using geological variables to define possible areas for geological interest in the Macarรก zone, province of Loja, Ecuador. Each variable was weighted using the method of hierarchical analysis of Saaty (1994). For this case study 4 variables were used, that are: unit or geological formation, geological structure, sediment geochemistry, and hydrothermal alteration. They coincided with the best geological characteristics as well as possessing mineral deposits. Using a multicriteria evaluation, each geological variable was integrated, defining a cartographic model with statistical classification of ArcGISs, standard deviations, natural breaks, geometric intervals and quantiles, obtaining as a result 4 maps that allow to identify the best geological characteristics of an area for a geologicalmining exploration. Of the 4 classifications used, 3 presented similar results that define local exploration zones. The map obtained by the standard deviation classification presented areas for regional exploration. This research contributes to the project "Geological Investigation and Availability of Occurrences of Mineral Resources in the Ecuadorian Territory" that the National Institute of Geological Metallurgical Mining Research (INIGEMM) has been carrying out since 2014, where one of its objectives is the identification of new indicators for mineral occurrences in the Cordillera Real, Occidental and SubAndean zone.

TABLA DE CONTENIDO 1.

INTRODUCCIÓN .......................................................................................... 16 1.1

ANTECEDENTES .................................................................................... 16

1.2

OBJETIVO GENERAL ............................................................................. 17

1.3

OBJETIVOS ESPECÍFICOS .................................................................... 17

1.4

PREGUNTAS DE INVESTIGACIÓN ........................................................ 17

1.5

JUSTIFICACIÓN ...................................................................................... 17

1.6

ALCANCE ................................................................................................ 19

REVISIÓN DE LITERATURA ........................................................................ 20 2.1

2.1.1

Superposición topológica de mapas ................................................. 20

2.1.2

Evaluación multicriterio ..................................................................... 21

2.1.3

Lógica Booleana ............................................................................... 22

2.1.4

Ponderación de variables ................................................................. 22

2.1.5

Proceso de análisis jerárquico .......................................................... 23

2.2

DEPÓSITOS MINERALES ....................................................................... 24

2.2.1

Depósitos hidrotermales ................................................................... 27

2.2.2

Información geológica ....................................................................... 30

2.2.3

Información geoquímica ................................................................... 32

2.2.4

Anomalías hidrotermales por sensores remotos .............................. 35

2.3 3.

MODELO CARTOGRÁFICO .................................................................... 20

EXPLORACIÓN GEOLÓGICA ................................................................. 36

METODOLOGÍA ........................................................................................... 41 3.1

UBICACIÓN DEL ÁREA DE ESTUDIO .................................................... 43

3.2

MODELACIÓN DE CRITERIOS ............................................................... 44

3.2.1

Matriz de comparación de variables geológicas ............................... 46

3.2.2

Variable Unidad o Formación Geológica .......................................... 47

3.2.3

Variable Estructuras Geológicas....................................................... 48

3.2.4

Variable Geoquímica de Sedimentos ............................................... 51

3.2.5

Variable Alteración Hidrotermal ........................................................ 53

3.3

CONSTRUCCIÓN DEL MODELO............................................................ 55

3.3.1

Métodos de clasificación de datos .................................................... 56

3.3.2

Comparación con datos de campo ................................................... 56

RESULTADOS Y ANÁLISIS ......................................................................... 58 4.1

RESULTADOS ......................................................................................... 58

4.1.1

Ponderación de Variables Geológicas .............................................. 58

4.1.2

Clasificación por desviación estándar............................................... 63

4.1.3

Clasificación por cortes naturales ..................................................... 65

4.1.4

Clasificación por intervalos geométricos ........................................... 67

4.1.5

Clasificación por cuantiles ................................................................ 69

4.2

ANÁLISIS DE RESULTADOS .................................................................. 71

CONCLUSIONES ......................................................................................... 76

BIBLIOGRAFÍA ............................................................................................. 77

ANEXOS ....................................................................................................... 86 7.1

TABLAS DE PONDERACIÓN DE VARIABLES UFG............................... 86

7.2

CALCULO DE RANGOS DE POBLACIONES POR EL MÉTODO DE

LEPELTIER MODIFICADO................................................................................ 88

ÍNDICE DE FIGURAS Figura 2.1 Superposición de capas temáticas ................................................................................. 21 Figura 2.2 Operadores Booleanos .................................................................................................. 22 Figura 2.3 Procesos geológicos y formación de yacimientos .......................................................... 27 Figura 2.4 Modelo formación de yacimientos hidrotermales pórfidos Cu-Au±Mo, epitermales Au-Ag y skarn Cu-Au ................................................................................................................................... 28 Figura 2.5 Modelo de la formación de un depósito Volcanogenic Massive Sulphide (VMS) .......... 29 Figura 3.1 Métodos para definir zonas de interés para exploración geológico minera ................... 43 Figura 3.2 Mapa de ubicación del área de estudio Macará ............................................................. 44 Figura 3.3 Mapa geológico estructural del sector de Macará .......................................................... 50 Figura 3.4 Ubicación de muestras de sedimentos fluviales ............................................................. 51 Figura 3.5 Combinación de imagen ASTER RGB (642) .................................................................. 54 Figura 3.6 Mapa de ocurrencias minerales ...................................................................................... 57 Figura 4.1 Mapa de ponderación de la variable unidad o formación geológica .............................. 59 Figura 4.2 Mapa de ponderación de la variable estructural ............................................................. 60 Figura 4.3 Mapa de ponderación de la variable geoquímica de sedimentos .................................. 61 Figura 4.4 Mapa de ponderación de la variable alteración hidrotermal ........................................... 62 Figura 4.5 Mapa de clasificación por desviación estándar .............................................................. 64 Figura 4.6 Mapa de clasificación por cortes naturales ..................................................................... 66 Figura 4.7 Mapa de clasificación por intervalos geométricos .......................................................... 68 Figura 4.8 Mapa de clasificación por cuantiles ................................................................................ 70

ÍNDICE DE TABLAS Tabla 2.1 Escala de comparación .................................................................................................... 23 Tabla 2.2 Grupos de yacimientos minerales según su origen ......................................................... 26 Tabla 2.3 Asociaciones de elementos y pathfinder utilizados en la identificación de depósitos minerales .......................................................................................................................................... 34 Tabla 2.4 Características de las bandas de los susbsistemas VNIR, SWIR y TIR ......................... 36 Tabla 3.1 Tabla de ponderación ...................................................................................................... 45 Tabla 3.2 Matriz de comparación por variable geológica................................................................. 46 Tabla 3.3 Matriz normalizada y pesos por variable geológica ......................................................... 47 Tabla 3.4 Geología y litología del sector ......................................................................................... 47 Tabla 3.5 Ponderaciones de la variable Unidad o Formación Geológica ........................................ 48 Tabla 3.6 Matriz de comparación de estructuras geológicas por longitud ....................................... 49 Tabla 3.7 Matriz normalizada y pesos por longitud de cada estructura........................................... 49 Tabla 3.8 Buffer de estructuras en función de su longitud ............................................................... 49 Tabla 3.9. Ponderación de la variable geoquímica de sedimentos ................................................. 53

Tabla 3.10 Ponderación de la variable alteración hidrotermal ......................................................... 55 Tabla 4.1 Resumen de resultados de ponderación de variables geológicas .................................. 63 Tabla 4.2 Resumen de resultados de clasificación por desviación estándar .................................. 65 Tabla 4.3 Resumen de resultados de la clasificación por cortes naturales ..................................... 67 Tabla 4.4 Resumen de resultados de clasificación por intervalos geométricos .............................. 67 Tabla 4.5 Resumen de resultados de clasificación por cuantiles .................................................... 69 Tabla 4.6. Comparación de presencia de ocurrencias minerales por clasificaciones ..................... 73 Tabla 7.1 Matriz de ponderada y normalización: Formación Punta de Piedra ................................ 86 Tabla 7.2 Matriz de ponderada y normalización: Formación Celica ................................................ 86 Tabla 7.3 Matriz de ponderada y normalización: Intrusivo Tangula ................................................ 86 Tabla 7.4 Matriz de ponderada y normalización: Formación Iguinda .............................................. 87 Tabla 7.5 Matriz de ponderada y normalización: Formación San Pedro ......................................... 87

SÍMBOLOS, SIGLAS Y ACRÓNIMOS AEDE

Análisis Exploratorio de Datos Espaciales

Plata

Alteración Hidrotermal

ASTER

Advanced Spaceborne Thermal Emissión and Reflection Radiometer

Oro

Arsénico

Boro

Bario

Berilo

Bismuto

Cadmio

Cobalto

Cromo

Cesio

Cobre

EMC

Evaluación Multicriterio

Flúor

Hierro

g/t

gramos por tonelada

ºC

Grados centígrados

Geoquímica de sedimentos

Mercurio

IAGS

Interamerican Geodetic Survey

IGM

Instituto Geográfico Militar

INIGEMM

Instituto Nacional de Investigación Geológico Minero Metalúrgico

INEMIN

Instituto Ecuatoriano de Minería

Potacio

Litio

MZP

Mapa de Zonas Prospectivas

Molibdeno

Magnesio

Manganeso

NE-SW

Noreste-Suroeste

Sodio

Níquel

nanómetros

Fósforo

Plomo

Platino

ppb

Partes por billón

Rubidio

Renio

Azufre

SAM

Spectral Angle Mapper

SWIR

Shortwave Infrared

Antimonio

Silicio

SIG

Sistemas de Información Geográfica

Selenio

Estaño

Tantalio

Torio

Titanio

TIR

Termal Infrared

Uranio

UFG

Unidad o Formación Geológica

Vanadio

VME

Valoraciรณn Multi-Elemental

VMS

Volcanogenic Massive Sulphide

VNIR

Visible and Near-Infrared

Wolframio

Zinc

Zirconio

1. INTRODUCCIÓN 1.1

ANTECEDENTES

Históricamente la minería ha contribuido con el desarrollo de las civilizaciones. Actualmente, algunos países del mundo han logrado cimentar el crecimiento socioeconómico de sus regiones en la industria minera (Gudynas y Centro Latino Americano de Ecología Social, 2004). Un proyecto minero que puede durar varios años, permite la generación de múltiples fuentes de empleo de manera directa o indirecta, permitiendo el progreso de algunos sectores económicos (Rudas y Hawkins, 2014). Este desarrollo, a la vez, permite incrementar el conocimiento geológico con respecto a los depósitos encontrados. Ecuador en los últimos años ha sido considerado como un país con gran potencial minero en Sudamérica, debido al descubrimiento de importantes yacimientos que pueden catalogarse como de clase mundial. Uno de estos es el llamado Fruta del Norte, ubicado en la Provincia de Zamora, descubierto en 2006 con asociación mineral de oro y plata (Au-Ag) y, el más reciente, denominado Cascabel descubierto en 2012 (Lundin Gold Inc, 2017), que corresponde a un pórfido con asociación mineral de cobre y oro (Cu-Au), está localizado en la Provincia de Imbabura (SoldGold, 2016). Estos descubrimientos y los estudios realizados han permitido mejorar el desarrollo del conocimiento geológico ecuatoriano y dejar abierta la posibilidad de incluir nuevas áreas de exploración que pueden investigarse en el futuro. La limitación de este tipo de estudios para determinar áreas de interés geológico minero, se encuentra en poder integrar una gran cantidad de datos geológicos obtenidos en diferentes campañas de campo. Todo el tratamiento de esta información se realiza de forma manual, sobreponiendo información y marcando las zonas de interés por parte del investigador (Bonham-Carter, 1994). Durante este proceso no es posible que se identifiquen todos los sectores anómalos existentes, ya que, tradicionalmente el análisis se lo realiza de manera visual, utilizando una serie de folios que son ubicados unos sobre otros. Ello induce a omitir algunos sectores que puedan presentar condiciones geológico-

estructurales que favorecen a la formación de depósitos (Rigol, Pardo, Rodríguez, y Chica, 2011). El sector de Macará ubicado en la provincia de Loja, es parte del Distrito Minero Sur del Ecuador, geológicamente propicio para el emplazamiento de diferentes depósitos

minerales.

Con

información

geológica-estructural

disponible

actualmente y, más la ayuda de los Sistemas de Información Geográfica (SIG), se podrán definir nuevas áreas prospectivas. 1.2

OBJETIVO GENERAL

Optimizar los procesos de análisis de depósitos minerales mediante un modelo cartográfico en la zona de Macará, provincia de Loja, Ecuador. 1.3

OBJETIVOS ESPECÍFICOS

 Evaluar las variables geológicas necesarias para el análisis de depósitos minerales.  Establecer los parámetros de ponderación de las variables geológicas favorables para la formación de depósitos.  Determinar las zonas más propicias para la exploración de depósitos minerales en el sector de Macará. 1.4

PREGUNTAS DE INVESTIGACIÓN

¿Cuáles son las variables geológicas más adecuadas que ayudarán a analizar los depósitos minerales? ¿Cómo se establecen los parámetros de ponderación de cada variable, con el fin de garantizar que sean los más adecuados para la prospección? ¿Dónde se localizan las zonas más propicias para la exploración de depósitos minerales en el sector de Macará? 1.5

JUSTIFICACIÓN

La evaluación de los recursos y del potencial minero se determina por la aptitud que tiene un sector para desarrollase como zona de interés minero (Chira et al., 2016). Para cumplir con este objetivo, la industria minera utiliza levantamientos de información geológica de campo, como: alteraciones hidrotermales, geoquímica

de rocas, sedimentos fluviales, información estructural, geofísica, entre otros (Rigol et al., 2011). La información geológica mencionada siempre ha sido obtenida por métodos directos (campañas de campo) y, para su análisis, tradicionalmente se ha realizado una superposición de mapas analógicos que ha permitido identificar zonas prospectivas (Bonham-Carter, 1994 citado en Rigol et al., 2011). Actualmente, los sistemas de información cuentan con técnicas de análisis espacial que permiten reemplazar a los métodos analógicos por procesos digitales semiautomáticos, utilizando programas informáticos SIG (Rigol et al., 2011). Como apoyo para identificar la mayor cantidad de sectores de interés, es necesario utilizar los SIG y, para ello, se propone elaborar un modelo cartográfico basado en el análisis de matrices de ponderación, que mejoren los procesos de tratamiento de la información geológica. En los últimos años se han venido realizando trabajos de exploración por parte de las empresas tanto públicas como privadas, consolidando proyectos mineros estratégicos de mediana y gran escala. Tales actividades han contribuido a incrementar el conocimiento y la investigación en este campo, abriendo la posibilidad

generar

beneficios

económicos

tanto

para

los

sectores

directamente relacionados, como para el desarrollo del país (Ibadango, 2013). El Instituto Nacional de Investigación Geológico Minero Metalúrgico, INIGEMM, como ente regulador tiene a su cargo la misión de generar, sistematizar y administrar la información científica y tecnológica en el campo geológico-minerometalúrgico a nivel nacional, para, de esta manera, coadyuvar al establecimiento de un ordenamiento territorial orientado hacia el desarrollo sostenible de los recursos minerales, así como a la prevención de posibles amenazas geológicas. El trabajo de esta tesis se contextualiza en el ámbito de la gestión de datos del proyecto “Investigación geológica y disponibilidad de ocurrencias de recursos minerales en el territorio ecuatoriano” que ejecuta el INIGEMM desde el año 2014, cuyos objetivos principales son: actualizar y completar el cartografiado geológico,

geoquímico y geofísico del país, e Identificar nuevos indicios de Ocurrencias Minerales (INIGEMM, 2014). 1.6

ALCANCE

Esta investigación se desarrolla al sur del Ecuador en el sector de Macará, el área de estudio cubre las hojas topográficas a escala 1:50 000 de Macará y Sozoranga, ocupando una superficie aproximada de 815 km2 (IAGS, 1981). Para el análisis de prospección minera es necesario identificar la información y los datos más relevantes como son los mapas geológicos, estructurales, geoquímicos y de alteración hidrotermal; y con la ayuda de los SIG elaborar el álgebra de mapas que permita obtener un mapa donde se muestren los sectores que presenten las mejores condiciones geológico-estructurales para los fines propuestos.

2. REVISIÓN DE LITERATURA 2.1

MODELO CARTOGRÁFICO

Los SIG, de acuerdo con Burrough y Frank (1995), son considerados como un conjunto de herramientas que colectan, almacenan, retroalimentan, transforman y despliegan datos espaciales y, suelen utilizarse para realizar una serie de operaciones fundamentales dentro del análisis espacial, además de que pueden usar numerosos procesos analíticos. Constituye una de las principales herramientas para la planificación territorial, porque ayuda eficazmente a identificar y resolver los problemas que pueden presentarse durante el desarrollo de actividades concretas en un territorio determinado (Sendra y García, 2000). Bonham-Carter (1994) afirma que el estudio de los fenómenos naturales complejos requiere correlacionarse la información de las capas individuales con el análisis de la vinculación entre ellas, para poder obtener un resultado deseado, como lo es en este caso, un modelo cartográfico. Estos modelos son usados para analizar tanto las características espaciales como las correspondientes a otros temas. La mayoría de los análisis espaciales utilizan seis operaciones fundamentales: superposición topológica de mapas, generación de corredores (buffers), extracción de información, fusión de información y las dos operaciones de base de datos relacional (unión y relación) (Bonham-Carter, 1994). El principal objetivo de un modelo cartográfico radica en definir y presentar los conceptos y algoritmos asociados con los procesos de superposición topológica de mapas, utilizando las herramientas de SIG (Berry, 1993). 2.1.1 Superposición topológica de mapas La generación de nuevas capas de información se realiza con un procedimiento de superposición topológica, que combina los atributos mediante la superposición de dos o más capas de entrada, como se muestra en la Figura 2.1. Cada capa de entrada posee información que puede combinarse para crear nuevas capas de salida o nuevos mapas (García, 2010).

Figura 2.1 Superposición de capas temáticas (García, 2010)

2.1.2 Evaluación multicriterio La evaluación multicriterio (EMC) consististe en un conjunto de técnicas que evalúan diferentes alternativas de elección entre varios conceptos y propiedades. Esto permite la toma de decisiones referentes a encontrar los medios óptimos para el desarrollo de una determinada actividad (Gracia, 2014). Es una técnica que se basa en la ponderación y compensación de variables que inciden de una manera ya sea positiva o negativa sobre el objeto de decisión, una vez que éste ha sido identificado (Bonis, 2011). Eastman (1999), manifiesta que al utilizar EMC es necesario establecer un sistema de estandarización, pues, las variables de entrada se encuentran en unidades de medida diferentes. Una vez identificadas tales variables, se procede con la preparación de criterios, es decir que, cuando los factores y restricciones comienzan a tratarse de forma diferente para obtener valores de independencia de las unidades de medida iniciales con base en el comportamiento de cada variable, se identificarán los datos que permitan generar mapas en los que la variable se sustituye por un determinado valor de adecuación (Heikkila, Shen y Yang, 2003).

2.1.3 Lógica Booleana El modelado de la lógica booleana es aplicable para realizar operaciones con los atributos de la información temática disponible, que pueden ser posicionales o descriptivos y se encuentran conectados con las entidades geográficas en un SIG (Bonham-Carter, 1994 y Harris et al., 2001a). La lógica booleana es habitualmente aplicada en el cálculo o modelado de nuevos atributos. Carranza et al. (2008), manifiestan que los atributos o clases de atributos de datos espaciales cumplen con un criterio de reconocimiento que posibilita reconocer si son verdaderos o falsos. Los resultados obtenidos a partir del álgebra booleana se combinan obviamente usando operadores booleanos (AND, OR, NOT, XOR, etc.) para determinar si una condición es verdadera o falsa, utilizando las herramientas de SIG (Thiart y de Wit, 2000). La salida de resultados de la combinación de mapas produce un nuevo mapa con dos clases bien definidas: la una representa las ubicaciones donde se cumplen todos o la mayoría de los criterios de reconocimiento, mientras que, la otra clase representa ubicaciones donde los criterios de reconocimiento no coinciden (Yousefi y Carranza, 2015). La Figura 2.2 muestra un ejercicio de operación booleana tipo AND.

AND

Figura 2.2 Operadores Booleanos (EcuRed, 2013)

2.1.4 Ponderación de variables Para cualquier trabajo de investigación es importante considerar, que las variables usadas para la determinación de un resultado, sean capaces de analizar los valores de ponderación de cada una de las variables o indicadores que se utilizan durante el análisis (Eastman, 1999).

Para alcanzar este objetivo se puede trabajar empleando métodos de ponderación que permitan asignar pesos a las distintas variables, con el fin de representar las condiciones geológicas más adecuadas para el emplazamiento de depósitos minerales (Gracia, 2014). Los métodos pueden ser directos, donde el investigador asigna los pesos según su criterio. Barba-Romero y Pomerol (1997) citado en Ramírez (2004) manifiestan que existen otros métodos de asignación indirecta. Entre ellos está el Análisis Jerárquico de Saaty, que se basa primeramente en comparaciones binarias de los criterios y luego, en otros también llamados métodos de aproximación fundamentados en comparaciones binarias de las alternativas. 2.1.5 Proceso de análisis jerárquico Se basa en confrontar pares de elementos para construir matrices a partir de comparaciones, usa elementos del álgebra matricial para establecer prioridades entre los elementos de un nivel, con respecto a un elemento del nivel inmediatamente superior (Saaty, 1994). Para la comparación de pares, se utiliza una escala con valores que representan las preferencias relativas de los elementos, en donde, las calificaciones se muestran de manera numérica, que es lo recomendado para ser utilizadas por el investigador que es quien toma la decisión de realizar la ponderación, como se muestra en la Tabla 2.1. Tabla 2.1 Escala de comparación (Saaty, 1994) Criterio de preferencia

Valor

Extremadamente preferida

Entre extremadamente y muy preferida

Muy preferida

Entre muy preferida y preferida

Fuertemente preferida

Entre preferida y moderadamente preferida

Moderadamente preferida

Entre preferida e igualmente preferida

Igualmente preferida

La integración de los métodos descritos a través de un modelo cartográfico que responda a los objetivos planteados permite hacer el análisis y una síntesis de datos georreferenciados. La utilización de operaciones básicas en una secuencia lógica, permite identificar los sectores más idóneos para la exploración de nuevos depósitos minerales (Valpreda, 2007). 2.2

DEPÓSITOS MINERALES

Los depósitos minerales se forman por procesos internos en la corteza terrestre, producto de la inyección de magma y de fluidos hidrotermales que enriquecen la roca encajante con la acumulación de diferentes minerales de interés (Vassallo, 2008). Un depósito mineral se localiza en un segmento de la corteza terrestre, donde, por diferentes procesos geológicos, tiene lugar la acumulación de diferentes minerales, con variadas características de cantidad y calidad. Cada depósito puede estar conformado por uno o más minerales que, a su vez, podrían contener diferentes elementos y compuestos de interés económico, tal es el caso de los minerales metálicos como: Au, Cu, Ag, Zn (Zinc), entre otros (Vassallo, 2008). La formación de los depósitos minerales está relacionada a la concentración de elementos minerales por procesos geológicos naturales, los que incluyen cambios físicos y químicos en rocas y minerales. Estos procesos pueden ser endógenos, productos de magmas que se encuentran en el interior de la corteza terrestre, o exógenos, es decir producidos en su superficie debido a la exposición de las rocas con la atmósfera, la biósfera y la hidrósfera (Herrmann y Zappettini, 2014). Los procesos endógenos pueden formar de minerales de interés económico a partir de un magma y/o de fluidos hidrotermales, o por procesos metamórficos, que comprenden fenómenos de fusión, extracción, disolución y, posteriormente, cristalización de minerales (Vázquez, 1996). Smirnov, Creighton y Dunham (1976) clasifican los depósitos minerales endógenos en 6 tipos:  Magmáticos: formados con el enfriamiento del magma.  Pegmatíticos: magmático.

formados

partir

soluciones

residuales

origen

 Carbonatíticos: relacionado con intrusivos del tipo central de composición ultrabásica alcalina.  Skarns: formados por metasomatismo entre intrusivos silicatados y capas calcáreas.  Albita-greisen: formados en las partes apicales de intrusivos ácidos y alcalinos.  Hidrotermales: formados a partir de fluidos calientes gaseo-líquidos.  Sulfuros masivos: formados a partir de procesos volcánicos relacionados con zonas eugeosinclinálicas. Los depósitos minerales exógenos se relacionan con procesos geoquímicos que se realizaron en el pasado o actualmente, formándose sobre las zonas superficiales de la Tierra o cercanas a ella, donde las rocas están expuestas a agentes

externos:

atmósfera,

hidrósfera

biósfera,

produciendo

descomposición y disolución (Smirnov et al., 1976; Vasquez, 1996) y se los clasifica en tres tipos.  Intemperismo:

formados

por

alteración

rocas

depósitos

preexistentes en la zona de oxidación.  Placer: formados durante el intemperismo o destrucción de cuerpos de antiguos yacimientos minerales con minerales químicamente estables, de alta dureza o de peso específico alto.  Sedimentarios: formados por diferenciación de la materia mineral por procesos químicos, bioquímicos, mecánicos o vulcanogénicos, durante los procesos sedimentarios. También existen los depósitos metamorfogénicos, que se forman durante procesos de metamorfismo de la roca (Herrmann y Zappettini, 2014) y los puede clasifican en dos tipos.  Metamorfizados: se crean de la reformación de antiguos depósitos.  Metamórficos: formación de nuevos minerales a partir del metamorfismo de la roca.

En la Tabla 2.2 se indica los grupos de yacimientos según su origen. Tabla 2.2 Grupos de yacimientos minerales según su origen (Herrmann y Zappettini, 2014)

En la Figura 2.3 se ilustra una clasificación de depósitos minerales según el tipo, la profundidad y sus características. Entre los que se pueden mencionar: pórfidos, epitermales de alta y baja sulfuración, vetiformes y sulfuros masivos.

Figura 2.3 Procesos geológicos y formación de yacimientos (Herrmann y Zappettini, 2014) modificado de (Pearson y Prentice Hall, 2005)

2.2.1 Depósitos hidrotermales Los depósitos o yacimientos hidrotermales también se los conoce como filonianos (vein deposits), se los clasifica según su temperatura de formación que encuentra entre los 400 y 100ºC, en función de la mayor o menor proximidad a la roca ígnea de la que derivan (Hedenquist, Arribas y Reynolds, 1998). Los minerales que se forman en este tipo de depósitos están constituidos fundamentalmente por cuarzo y/o carbonatos diversos, entre los que se presenta la calcita, dolomita, y siderita; estos también pueden formar minerales considerados ganga o parte no explotable en los yacimientos de interés minero. Los minerales de interés minero (o menas) que están considerados este tipo de depósitos son barita, fluorita y minerales sulfurados, como pirita, calcopirita, blenda, galena, argentita, entre otros, y entre los más importantes cobre, plata y el oro nativo (Bustillo y López Jimeno, 1996).

Los depósitos minerales metálicos generados a partir de fluidos magmáticos se los llama yacimientos hidrotermales, y se destacan por su importancia económica como los yacimientos tipo pórfidos cupríferos +/- Molibdeno (Mo) (porphyry) y los epitermales de alta y baja sulfuración metales preciosos (Au, Ag) (high and low sulfidation epitermal) (Arndt et al., 2017a). En la figura 2.4 se observa un modelo de formación de los depósitos hidrotermales.

Figura 2.4 Modelo formación de yacimientos hidrotermales pórfidos Cu-Au±Mo, epitermales Au-Ag y skarn Cu-Au (Sillitoe, 2010)

Los pórfidos cupríferos son yacimientos de gran tonelaje y bajas concentraciones de cobre (0.2 - 0.2%Cu). Además del Cu estos yacimientos pueden presentar cantidades significativas de molibdeno y/o metales preciosos como Au+Ag. Están asociados a rocas intrusivas de alta temperatura generalmente félsicas de composición granodiorítica, pero también pueden asociarse a facies intermedias (intrusivos dioríticos) (Perello y Cabello, 1989).

Hedenquist et al. (1998) manifiestan que los yacimientos epitermales de metales preciosos (Au+Ag) se forman, como su nombre lo indica, en un rango bajo de temperaturas 50 a 300ºC, en asociación con manifestaciones volcánicas tipo aparato central, calderas, o campos geotérmicos. Son yacimientos de baja ley, es decir solo algunas decenas de gramos por tonelada (g/t) de Au y Ag. Los depósitos tipo skarn son de gran importancia en Ecuador, estos se forman por la interacción entre fluidos derivados de granitos, y principalmente, rocas carbonatadas (calizas o dolomías). Las temperaturas características para este tipo de depósitos está entre 600 y 400ºC y que pueden contener concentraciones de minerales metálicos de interés económico: cobre, oro, scheelita, casiterita, fluorita, calcopirita, blenda, galena, entre otros (Herrmann y Zappettini, 2014). Existen también los depósitos tipo Volcanogenic Massive Sulphide (VMS) que se forman en ambientes submarinos por el ascenso de fluidos hidrotermales y la mezcla con agua de mar, produciendo el reemplazamiento del fondo oceánico y la exhalación de mineralización que precipita comportándose como sedimento (Hinostroza De la Cruz, 2010). La figura 2.5 ilustra la formación de depósitos tipo VMS.

Figura 2.5 Modelo de la formación de un depósito Volcanogenic Massive Sulphide (VMS) (Winter, 2008) citado en (Bazan, 2013)

Hinostroza De la Cruz (2010) indica que los minerales presentes en los depósitos de VMS se presentan principalmente minerales de mena como galena, esfalerita, calcopirita, sulfosales de cobre y plata, teloruros, bornita, arsenopirita y entre los minerales de ganga están el cuarzo, baritina, pirita, clorita, rodocrosita, fluorita, calcita, siderita, ankerita, sericita, adularia, caolinita. Paladines (1980) identifica mineralizaciones presentes al sur del Ecuador, donde se incluyen principalmente depósitos tipo pórfido cuprífero en los sectores de: Los Linderos, Rio Playas, El Huato, y Macará. En el Mapa Tectonometalogénico del Ecuador de 1993, se registran 8 zonas mineralizadas en el sector de Macará, principalmente de tipo pórfido (Cu±Mo±Au), epitermales (Au+Ag+Zn+Pb±Sb (Antiminio)±Mn (Manganeso)), vetas Au y stockworks posiblemente relacionados al magmatismo del Batolito de Tangula (Vásquez, 2017). Para el hallazgo de un depósito o recurso mineral se utiliza la información recopilada de estudios anteriores, para luego generar nuevos datos durante las diferentes etapas de exploración de un proyecto. Finalmente, los geólogos económicos analizan y procesan esta información para proponer hipótesis acerca del modelo geológico de la zona, elaborando los respectivos mapas sobre la ubicación y el posible tipo de depósito que se pueda encontrar en el subsuelo (Arndt et al., 2017b). A continuación, se describe la información que se utiliza durante la etapa de exploración geológica para ser analizada y procesada:  Información geológica  Información de prospección geoquímica  Información de alteraciones hidrotermales por sensores remotos 2.2.2 Información geológica Está constituida fundamentalmente por la Carta Geológica Nacional, referencia que puede aplicarse para distintas escalas, según se lo requiera, variará desde 1:100,000 con el carácter de regional, hasta 1:2,000 para zonas específicas a mayor detalle. Esta información contempla los diferentes tipos de rocas (estratigrafía) e incluye la identificación de estructuras tectónicas como lineamientos, fracturas, fallas, pliegues, etc (Marjoribanks y Richards, 1997).

La información geológica es importante para delinear los ambientes geológicos potenciales para el emplazamiento de depósitos minerales. Estos se determinan utilizando como base únicamente los aspectos geológicos de los sectores analizados y se establecen en base a su similitud de un ambiente geológico conocido, independientemente de las sustancias minerales que en estos puedan encontrarse (Chira et al., 2016). En el territorio ecuatoriano, la información geológica básica define tres zonas morfoestructurales: costa, sierra y oriente, conformadas geológicamente por terrenos continentales y marinos acrecionados, producto de la subducción de la placa de Nazca bajo la placa Sudamericana (Litherland, Aspden y Jemielita, 1994). La cordillera de Los Andes presenta condiciones geológicas y estructurales que favorecen la ocurrencia de depósitos metálicos de excelente calidad, los principales han sido descubiertos en la región central o Sierra, limitada por las cordilleras Occidental y Real. La cordillera Occidental está constituida por un basamento volcánico de origen marino y rocas de arco insular pertenecientes al Cenozoico que fueron acrecionadas al continente y, sobre las cuales, se han desarrollado arcos volcánicos de origen continental (Hendenson, 1979). Una secuencia de rocas metamórficas pre-cretácicas que se encuentran instruidas por granitoides de edad jurásica, constituyen el basamento de la cordillera Real (Aspden, Harrison, y Rundle, 1992). Una de las primeras investigaciones de exploración fue realizada en el sector de Los Linderos provincia de Loja, donde mediante el mapeo geológico detallado, campañas de geofísica (magnetometría y polarización inducida), análisis de alteraciones y descripción litológica de testigos de perforación, se identificó sectores con mineralización de cobre, rellenando fracturas y en forma diseminada en cuerpos cuarzo-porfiríticos y dacíticos (Pico, 1973). Al sur límite con Perú se desarrolló el Sub-proyecto Macará de investigaciones regionales y estudios específicos de geología, donde el Instituto Ecuatoriano de Minería realizó un programa de prospección geológica y geoquímica alrededor del

cantón Macara; considerando que este sector presenta grandes posibilidades para la emplazamiento de depósitos primarios de oro y sulfuros masivos, en base de hallazgos de indicios de mineralización de Au, Cu, Ag y Zn (INEMIN, 1998). Durante el desarrollo del proyecto “Modelo piloto para la determinación del potencial geológico-mineralógico de las zonas Zaruma y Cariamanga a escala 1:100,000”, Ibadango (2013) aportó descripciones detalladas de formaciones encontradas en el sector de Macará que son potenciales para el emplazamiento de depósitos minerales como son: Unidad Punta de Piedra, Unidad Celica, Unidad Sacapalca y Batolito de Tangula. Bustillos y López (1996) afirman que toda información que pueda ser utilizada para la investigación de recursos geológicos se fundamentará siempre en un modelo conceptual geológico, que ayudará en la identificación de las principales características que presentan los depósitos minerales, en especial aquellas que puedan dar un indicio de su localización, ayudados por sistemas de información geográfica SIG. Chira et al. (2016) afirman que la información geológica después de ser recopilada y analizada debe pasar por procesos de estandarización para su posterior modelamiento utilizando SIG. 2.2.3 Información geoquímica Según Boyle (1979), la información geoquímica constituye una de las principales herramientas para descubrir depósitos económicos, que se manifiestan como concentraciones anómalas de minerales a manera de aureolas primarias o secundarias en rocas, suelos o sedimentos. Las muestras tomadas durante las etapas de campo se someten a análisis químicos y a técnicas analíticas para identificar, al menos, 48 elementos mayores entre los que se puede mencionar: Ag, Cu, Pb (Plomo), Zn, Mo, Ni (Níquel), As (Arsénico) y Sb, y ensayos al fuego para la determinación de Au (Locutura, BelLan, y Lopera, 2002). Grunsky (2010), en su investigación de interpretación con datos geoquímicos, incluye métodos modernos de evaluación de datos para asociaciones, estructuras

y patrones que se agrupan bajo el término "minería de datos". La aplicación del análisis de datos multivariantes y técnicas estadísticas, combinadas con sistemas de información geográfica, contribuyen significativamente a la interpretación de datos y construcción de modelos que permiten identificar procesos y descubrir patrones útiles para la exploración. Estos

conjuntos

datos

reunidos

regularmente

contienen

miles

observaciones hasta 50 o más elementos minerales, es conocido que el tratamiento en conjunto de estos datos es un desafío. También se puede mencionar que los conjuntos de datos integrados resultantes brindan la oportunidad de descubrir diferentes procesos geoquímicos asociados con la geología, alteración hidrotermal, meteorización y mineralización (E. C. Grunsky, 1986). La exploración geoquímica puede clasificarse como de reconocimiento y de detalle, en función del propósito y la escala de trabajo; también se las puede diferenciar de acuerdo al material muestreado (suelo, vegetación, sedimentos, agua, roca y gas). Una planificación optima de una campaña geoquímica se debe fundamentar en el conocimiento de la distribución, abundancia y principios que gobiernan la migración de los elementos (Rose, Hawkes y Webb, 1979a). Los parámetros geoquímicos como el background o valor de fondo geoquímico se definen como la concentración natural de un elemento, el mismo que puede ser definido para cada elemento, área y tipo de material analizado. Una anomalía geoquímica representa la abundancia por encima de lo normal de un elemento en una asociación o ambiente que no le corresponde (Cabrejo y Sánchez, 2006; Vásquez, 2017). En este sentido, un elemento medido con el objetivo de detectar un cuerpo mineral

nombrado

elemento

indicador,

que

componente

económicamente valioso del mineral buscado (target element). Un ejemplo puede ser el Cu, sin embargo, si este componente valioso es difícil de identificar, otros elementos asociados al mineral o a un tipo de mineralización pueden ser útiles; estos elementos se denominan pathfinder o elemento explorador, y pueden ser

detectados fácilmente, como es el caso del As como pathfinder para depósitos de Au (Lepeltier, 1969). La tabla 2.3 muestra las asociaciones de elementos y pathfinder para la identificación de depósitos minerales. Tabla 2.3 Asociaciones de elementos y pathfinder utilizados en la identificación de depósitos minerales (Rose et al., 1979a) Tipo de depósito mineral

Componentes mayores

Elementos asociados

Depósitos Magmáticos Mena de cromita

Ni, Fe, Mg

Capas de magnetita

V, Ti, P

Sulfuros de Cu-Ni inmiscibles

Cu, Ni, S

Pt, Co, As, Au

Intrusión en capas de Pt-Ni-Cu

Pt, Ni, Cu

Cr, Co, S

Óxidos de Fe-Ti inmiscibles

Fe, Ti

Carbonatita de Nb-Ta

Nb, Ta

Na, Zr, P

Pegmatitas de metales raros

Be, Li, Cs, Rb

B, U, Th, Tierras raras

Depósitos Hidrotermales Pórfido de cobre

Cu, S

Mo, Au, Ag, Re, As, Pb, Zn, K

Pórfido de molibdeno

Mo, S

W, Sn F, Cu

Skarn de magnetita

Cu, Co, S

Skarn de Cu

Cu, Fe, S

Au, Ag

Skarn de Pb-Zn

Pb, Zn, S

Cu, Co

Skarn de W-Mo-Sn

W, Mo, Sn

F, S, Cu, Be, Bi

Vetas de metales base

Pb, Zn, Cu, S

Ag, Au, As, Sb, Mn

Greisen de Sn-W

Sn, W

Cu, Mo, Bi, Li, Rb, Si, Cs, Re, F, B

Vetas de sulfuro de estaño

Sn, S

Cu, Pb, Zn, Ag, Sb

Vetas de Co-Ni-Ag

Co, Ni, Ag, S

As, Sb, Bi, U

Epitermal de metales preciosos

Au, Ag

Sb, As, Hg, Te, Se, S, U

Depósito de mercurio

Hg, S

Sb, As

Veta de uranio

Mo, Pb, F

Cobre en basaltos

Ag, As, S

VMS de Cu

Cu, S

Zn, Au

VMS Zn-Cu-Pb

Zn, Pb, Cu, S

Ag, Ba, Au, As

Formaciones de Fe ricas en Au-As

Au, As, S

Mississippi Valley Pb-Zn

Zn, Pb, S

Ba, F, Cd, Cu, Ni, Co, Hg

Mississippi Valley de fluorita

Ba, Pb, Zn

Arenisca urinífera

Se, Mo, V, Cu, Pb

Capas rojas de Cu

Cu, S

Ag, Pb

Calcrete de U

V Tipo Sedimentario

Lutita de Cu

Cu, S

Ag, Zn, Pb, Co, Ni, Cd, Hg

Arenisca cuprífera

Cu, S

Ag, Co, Ni

Para el análisis de datos geoquímicos inicialmente se utiliza un Análisis Exploratorio de Datos Espaciales (AEDE), método útil para identificar de manera experimental la estructura de autocorrelación espacial ,y direccional del conjunto de datos mediante un semivariograma, y su uso en la predicción a través de técnicas de interpolación de datos geoquímicos (Locutura, Bel-Lan y Lopera 2002). El AEDE se fundamenta en una estadística descriptiva apoyado del uso de gráficas de frecuencia y análisis de parámetros estadísticos como: medidas de tendencia central y no central, medidas de dispersión y medidas de forma (Vásquez, 2017). 2.2.4 Anomalías hidrotermales por sensores remotos Una información relevante para la exploración minera es aquella referente a alteraciones hidrotermales en rocas y suelos, pues, se asocia directamente con la formación de un depósito mineral. Entre las principales constan las alteraciones argílica, argílica avanzada, propilítica y potásica, que dependen del tipo de depósito emplazado en profundidad (Herrera, 2012). Una herramienta de mucha ayuda durante el proceso para determinar alteraciones hidrotermales es la teledetección, entre los sensores más utilizados constan las imágenes Advanced Spaceborne Thermal Emissión and Reflection Radiometer (ASTER), que pueden ser empleadas en la identificación de zonas con minerales propios de alteraciones hidrotermales (Abrams y Hook, 2000). El sensor ASTER está a bordo del satélite TERRA. Dicho sensor pose 3 subsistemas, para cada región del espectro electromagnético: Visible and NearInfrared (VNIR), Shortwave Infrared (SWIR) y Termal Infrared (TIR). Cada uno de estos subsistemas presenta características como: 3 bandas VNIR con una resolución espacial de 15 metros, 6 bandas en SWIR con una resolución espacial de 30 metros y 5 bandas en el TIR con una resolución espacial de 90 metros (Azcurra et al., 2003). En la tabla 2.4 se indica las características de este sensor.

Tabla 2.4 Características de las bandas de los susbsistemas VNIR, SWIR y TIR (Abrams y Hook, 2000) Subsistema

VNIR

SWIR

TIR

Banda N°

Rango espectral (mm)

0.52 - 0.60

0.63 - 0.69

0.78 - 0.86

0.78 -0.86

1.600 - 1.700

2.145 - 2.185

2.185 - 2.225

2.235 - 2.285

2.295 - 2.365

2.360 - 2.430

8.125 - 8.475

8.475 - 8.825

8.925 - 9.275

10.25 - 10.95

0.95 - 11.65

Resolución espacial

Resolución radiométrica

15 m

8 bits

30 m

8 bits

90 m

12 bits

Utilizando combinaciones de bandas de este sensor se puede resaltar la presencia de minerales arcillosos como caolinita, illita, esmectita, alunita, pirofilita, etc., que tienen afinidad con depósitos minerales metálicos (Pérez, D’odorico Benites, y Godeas, 2010). Las imágenes satelitales han sido utilizadas en etapas tempranas para la exploración de depósitos hidrotermales relacionados con zonas de ocurrencias minerales, que tienen características estructurales óptimas para la formación de yacimientos con interés económico (Ruíz-Armenta y Prol-Ledesma, 1995). 2.3

EXPLORACIÓN GEOLÓGICA

Los metales y minerales se han convertido en elementos esenciales para la humanidad, se los puede encontrar en productos que se utilizan en el día a día, desde utensilios de cocina y refrigeradores hasta teléfonos celulares y computadores. También constituyen la materia prima para la construcción de edificios, viviendas, puentes y la fabricación de coches, trenes y aeroplanos. Se usan también en medicina, así como en la industria agrícola, fundamentalmente para la elaboración de fertilizantes (Arndt et al., 2017b).

La cartografía geológica sirve para representar la disposición y la naturaleza de los diferentes tipos de rocas y minerales sobre la superficie del terreno, se agrupan por las características litológicas y su edad, la citada cartografía se ha visto beneficiada por los SIG, pues, de esta manera, se ha podido representar en dos y en tres dimensiones las características de los materiales terrestres (Bravo, 2000), para, posteriormente, constituir herramientas de exploración de recursos minerales y de gestión del territorio. Todo proceso de combinación de mapas para generar nueva información se puede categorizar en tres tipos dependiendo de la naturaleza de la relación expresada (Bonham-Carter, 1994), (a) basada en teorías y principios físico químicos, (b) empírica, basada en análisis de los datos (estadística o heurística), o (c) corresponde a la mezcla entre teoría y empirismo que da origen a una clasificación de los modelos en teóricos, empíricos e híbridos (Luo, 1990). La

geoquímica

exploración

mineral

continúa

siendo

importante

contribuyente en los programas de investigación de recursos minerales en todas las escalas (Rose, Hawkes, y Webb, 1979). En los últimos años la industria de los minerales ha puesto énfasis en la exploración minerales como oro y diamantes hasta la gama de metales básicos; y el reciente resurgimiento de la exploración de tierras raras y metales estratégicos (Brecha, 2008). Los estudios geoquímicos de múltiples elementos que involucran principalmente sedimentos o suelos de arroyos continúan siendo los principales insumos en la exploración mineral regional (Gustavsson, 2001), obteniendo buenos resultados en zonas poco exploradas y en otras previamente caracterizadas. Los modelos de análisis de dispersión geoquímica han permitido mejorar métodos de muestreo, técnicas analíticas y detección de anomalías, permitiendo identificar procesos asociados a la mineralización de sulfuros oxidantes en base a muestras de suelos transportados (Cohen, Kelley, Anand, y Coker, 2010). Cohen et al. (2010) exponen el desarrollo de nuevas técnicas de exploración geoquímica, que van desde técnicas litogeoquímicas para la selección de terrenos prospectivos

discriminación

temprana

unidades

potencialmente

mineralizadas. También señala la producción de mapas que incluyen modelos 3D,

los que utilizan técnicas más detalladas para diferenciar el origen y la naturaleza de los terrenos que respaldan el diseño de programas de exploración. El estudio de Cohen et al. (2010) plantea la necesidad de complementar los enfoques de detección clásica de valores atípicos que se trabajan de manera rutinaria con datos geoquímicos de sedimentos y rocas, con técnicas estadísticas que reflejan un reconocimiento de patrones sutiles y multivariantes relacionados con los efectos geoquímicos de la mineralización. Luo (1990) utiliza un área de entrenamiento con información geológica conocida para definir un índice favorable para la mineralización, utilizando un modelo estadístico multivariable, donde proporciona pesos a variables geológicas que supone están relacionadas con un ambiente geológico. Esta investigación no identifica directamente la presencia o ausencia de mineralización, pero muestra al menos algunos ambientes geológicos particulares en los que podrían ocurrir ciertas mineralizaciones. Chork (1990) y Jackson (2005) muestran que los métodos multivariables exploratorios incluyen: matrices de dispersión, ajustes para datos discriminados y faltantes, detección de observaciones atípicas, correlaciones y covarianzas, análisis de componentes principales, análisis de conglomerados e índices de asociación basados en el conocimiento de expertos, utilizando geoquímica de sedimentos para definir zonas relacionadas a mineralizaciones de Cu. El uso de los métodos de análisis de datos para minería y visualización estadística, combinados con los sistemas de información geográfica, proporciona un entorno eficaz para la identificación de procesos y el descubrimiento de patrones en estos grandes conjuntos de datos (Harris y Harris, 2006). Los mapas predictivos son ponderados en forma continua mediante una función lógica, mientras que los pesos de los mapas individuales se ponderaron utilizando un gráfico de predicción del área, basados en datos propuestos por expertos (Yousefi y Carranza, 2015). Por lo tanto los modelos de integración matemática consideran los pesos anteriormente mencionados para generar áreas objetivo de exploración mineral.

Para la generación de modelos matemáticos se utiliza el modelo lógico booleano propuesto por Bonham-Carter (1994), donde los atributos espaciales que se identifican con un criterio de prospectividad verdadera se les otorga un puntaje de clase 1, mientras que los que se etiquetan con valores falsos se les da un puntaje de clase 0, estas puntuaciones en este modelo son simbólicas y no numéricas. El resultado de combinar mapas predictivos mediante el modelado lógico booleano es un mapa con dos clases, una clase representa ubicaciones donde se cumplen todos o la mayoría de los criterios de reconocimiento de prospectividad, mientras que la otra clase representa ubicaciones donde no se cumple los criterios de prospectividad (Bonham-Carter, 1994; Carranza, Van Ruitenbeek, Hecker, van der Meijde y van der Meer, 2008; Thiart y de Wit, 2000). Para la obtención y el uso de los datos geológicos, los sistemas de información geográfica son muy importantes, ya que, por medio de sus aplicaciones, se puede generar nueva información alfa numérica georreferenciada sobre los principales temas, como: relieve, suelo, agua, vegetación, geología, etc. (Lara, Simeón, y Navarro, 2004). En el caso que presentan Harris et al. (2001b), utilizan varios métodos basados en ponderaciones y regresión logística, impulsados por el conocimiento de índices y

superposición

booleana.

Utilizando

variables

geológicas,

geoquímicas,

geofísicas, técnicas de teledetección y un SIG, generaron mapas de minerales prospectivos que identifican zonas con alto potencial de oro en Swayze Greenstone Belt, Ontario, Canadá. Locutura et al. (2002) utilizaron la cartografía geoquímica para identificar variaciones geológicas como base para la exploración y evaluación de recursos minerales. El aporte principal de su estudio fue identificar áreas con información geoquímica de sedimentos utilizando un análisis multielemental y tratamiento estadístico, además integraron información de alteración hidrotermal, con la que pudieron delimitar posibles sectores o distritos con interés metalogénico en República Dominicana. Rigol et al. (2011) presentan en su investigación una aplicación de dos métodos de integración de información fisiográfica, geológica estructural e información de

sensores remotos, la que fue analizada mediante métodos de suma ponderada multiclase y de regresión logística múltiple. Estos fueron implementados mediante un SIG, permitiendo obtener mapas predictivos mediante el cálculo de un índice de favorabilidad minera, que ha permitido la identificación de sectores con mayor potencialidad para alojar depósitos minerales. Yousefi y Carranza (2015) generaron mapas predictivos a un área de entrenamiento en la provincia de Kerman en el sureste de Irán, para depósitos tipo pórfido de Cu. Esta investigación se fundamentó en la asignación de valores ponderados por expertos a mapas individuales, con lo cual pudieron estimar la capacidad predictiva de cada mapa con respecto a las ocurrencias de minerales conocidas, integrados finalmente un mapa de prospectividad mineral. Ghezelbash, Maghsoudi y Carranza (2019) utilizan técnicas para la toma de decisiones con múltiples criterios para sintetizar varios conjuntos de datos geoespaciales para realizar modelamiento de prospectividad mineral de un pórfido-Cu en el distrito de Varzaghan, noroeste de Irán. Utilizando un área de predicción para priorizar reconocer y ponderar criterios de focalización eficiente e ineficiente de datos geológicos, además de un índice de densidad normalizada que se utilizó para asignar pesos significativos a las clases identificadas.

3. METODOLOGÍA La investigación de recursos minerales está fundamentada en un modelo conceptual geológico, que sea una guía para la determinación de las principales características geológicas estructurales que estos representan y que puedan proporcionar indicios para su localización (Bustillos y López, 1996). Las diferentes metodologías utilizadas para la exploración de recursos minerales van desde métodos físico químicos hasta análisis estadísticos y combinación de los dos anteriores; el método estadístico multivariable ha sido uno de los más utilizados para definir ambientes geológicos en los que podrían presentarse posibles depósitos minerales (Luo, 1990). El potencial geológico minero se determina con base en la presencia de zonas homogéneas, en las que se puede identificar la presencia o ausencia de mineralización y se definen como el espacio geográfico con características geológicas similares (Luo, 1990; Velásquez y Yugcha, 2008). Xiong, Zuo y Carranza (2018) afirman, en su estudio de mapeo de prospectividad mineral, que la identificación de anomalías relacionadas con la mineralización y la integración de datos de geociencias de múltiples fuentes son fundamentales para la identificación de zonas prospectivas. Con la ponderación de variables geológicas como geología, geoquímica y geofísica, que están relacionadas con un ambiente característico para mineralización, se ha podido generar mapas de prospectividad mineral, que han permitido delimitar zonas para la exploración y evaluación de recursos minerales (Harris et al., 2001b). Según el modelos planteado por Chira et al. (2016), es posible integrar variables como unidad geológica, concesiones mineras metálicas, fallas geológicas, depósitos dinerales, geoquímica y alteraciones hidrotermales; estas variables al ser ponderadas, normalizadas y realizando un algebra de mapas, pueden generar un mapa de potencial minero metálico. La identificación de zonas prospectivas se la puede realizar mediante la adición del análisis de características geológicas más relevantes, utilizando superposición

del índice para realizar un modelado de exploración o un modelo lógico booleano donde los atributos espaciales identifican las posibles zonas de prosperidad para la exploración geológica minera (Bonham-Carter, 1994; Rigol et al., 2011). El modelo planteado en este estudio se basa en un proceso del análisis jerárquico propuesto por Saaty (1994), donde las variables geológicas se estandarizan a través de matrices de ponderación que tornan óptimos los procesos de análisis, con la utilización de las herramientas del SIG. Al igual que la metodología realizada por Ghezelbash, Maghsoudi y Carranza (2019) quienes priorizar reconocer y ponderar criterios de focalización eficiente de los datos geológicos. El objetivo principal del modelo de esta investigación es perfeccionar el proceso para identificar zonas favorables para la exploración, considerando que un procesamiento masivo de variables permite extrapolar la información hacia zonas homogéneas, donde aún no se ha realizado el levantamiento de datos en campo (Rosa, 2008). Las variables del modelo son las mismas que tradicionalmente se utilizan en la exploración, aquí los geólogos económicos analizan y procesan la información para generar hipótesis del modelo geológico de la zona, y para generar mapas del posible tipo de depósito que se pueda encontrar en el subsuelo (Arndt et al., 2017b). Las variables que van a ser ponderadas por los expertos y que servirán para identificar el potencial geológico minero son las siguientes:  Unidad o Formación Geológica (UFG)  Estructura Geológica (EG)  Geoquímica de Sedimentos (GS)  Alteración Hidrotermal (AH) El modelo de este estudio se fundamenta en establecer, a partir de puntos y áreas de muestreo, la existencia de zonas prospectivas, por lo tanto, cada una de ellas comparte un espacio geográfico de características similares en cuanto a litología, estructuras, geoquímica y alteración hidrotermal.

En la Figura 3.1 se indica cómo aplicar los métodos para definir las posibles zonas de interés geológico, empezando por una revisión bibliográfica de la información y considerando que el éxito del modelo depende de la correcta calificación y ponderación de las variables al utilizar la evaluación multicriterio. Finalmente, el modelo se sistematiza a través de la herramienta Raster Calculator de ArcGIS, que permite realizar el álgebra de mapas con las variables que previamente han sido calificadas y ponderadas como datos raster.

Elaboración de modelo conceptual Recopilación de información Datos de campo

Información geológica

Correlación de información Estandarización y ponderación Análisis Espacial

SIG

Evaluación multicriterio

Figura 3.1 Métodos para definir zonas de interés para exploración geológico minera

Los factores que inciden en la definición de zonas homogéneas constituyen, a la vez, factores característicos de los diferentes tipos de yacimientos que pueden presentarse en el Ecuador, y que han sido considerados para la asignación de pesos en las variables. 3.1

UBICACIÓN DEL ÁREA DE ESTUDIO

Se encuentra al sur de la provincia de Loja (Ecuador), ocupa las hojas topográficas a escala 1:50,000 de Macará y Sozoranga; abarca los cantones Macará, Celica, Sozoranga y Calvas, alcanza una extensión de 815 km2 (IAGS, 1981), la Figura 3.2 muestra la ubicación geográfica del área de estudio

Figura 3.2 Mapa de ubicación del área de estudio Macará

3.2

MODELACIÓN DE CRITERIOS

Para la ponderación de las variables geológicas, con base en el modelo jerárquico propuesto por Saaty (1994), es necesario que éstas sean evaluadas y consideradas mediante análisis y discusión con los expertos del área de geología económica y con los conocedores de la zona en estudio. En la Tabla 3.1 se indican los valores que toman las variables en un rango definido entre 1 y 9, esto permite dar valor a una variable con respecto a otra y poder construir una matriz de comparación, ello depende de la importancia que tengan los atributos

Tabla 3.1 Tabla de ponderaciĂłn (Saaty, 1994) Criterio de preferencia

Valor

Extremadamente preferida

Muy preferida

Fuertemente preferida

Moderadamente preferida

Igualmente Importante

El anĂĄlisis jerĂĄrquico permite la comparaciĂłn de los pares de criterios mediante el uso del ĂĄlgebra matricial ponderada, utilizando la construcciĂłn de matrices de comparaciĂłn, donde cada valor de celda representa la importancia relativa de cada variable (Osorio y Orejuela, 2008). Las matrices de comparaciĂłn permiten representar la importancia de los criterios con respecto a cada uno de los atributos de las variables, en este caso, variables geolĂłgicas. A continuaciĂłn, se representa el modelo matemĂĄtico utilizado para la elaboraciĂłn de la matriz de comparaciĂłn. Sea aij el elemento (i, j) de A, para i= 1, 2, ...n. y, j= 1, 2, ...n., se puede decir que A es una matriz de comparaciones pareadas de n alternativas, si aij es la media de la preferencia de la alternativa en el renglĂłn i cuando se le compara con la alternativa de la columna j y, cuando i = j, el valor de aij serĂĄ 1, pues se compara la misma alternativa.

1 đ?&#x2018;&#x17D; A = [ 21 â&#x2039;Ž đ?&#x2018;&#x17D;đ?&#x2018;&#x203A;1

đ?&#x2018;&#x17D;12 â&#x2039;Ż 1â&#x20AC;Ś â&#x2039;Ž đ?&#x2018;&#x17D;đ?&#x2018;&#x203A;2

đ?&#x2018;&#x17D;1đ?&#x2018;&#x203A; đ?&#x2018;&#x17D;2đ?&#x2018;&#x203A; ] â&#x2039;Ž 1

Luego se debe normalizar la matriz, para esto, se emplea los siguientes pasos: ď&#x192;ź Sumar los valores de cada columna de la matriz de comparaciones pareadas.

â&#x2C6;&#x2018; đ??ś1 = 1 + đ?&#x2018;&#x17D;21 + â&#x2039;Ż + đ?&#x2018;&#x17D;đ?&#x2018;&#x203A;1

ď&#x192;ź Dividir cada elemento entre el total de su columna, tomando en cuenta que la suma de cada columna debe ser igual a 1 y asĂ, se obtiene la matriz normalizada.

đ?&#x2018;&#x203A;11=

1 â&#x2C6;&#x2018; đ?&#x2018;?1

; đ?&#x2018;&#x203A;21= đ?&#x2018;&#x17D;21

â&#x2C6;&#x2018; đ?&#x2018;?1

;...; đ?&#x2018;&#x203A;đ?&#x2018;&#x203A;1= đ?&#x2018;&#x17D;đ?&#x2018;&#x203A;1

â&#x2C6;&#x2018; đ?&#x2018;?1

ď&#x192;ź Matriz normalizada (N):

đ?&#x2018;&#x203A;11 đ?&#x2018;&#x203A;21 N=[â&#x2039;Ž đ?&#x2018;&#x203A;đ?&#x2018;&#x203A;1

đ?&#x2018;&#x203A;12 â&#x2039;Ż đ?&#x2018;&#x203A;22 â&#x2039;Ż â&#x2039;Ž đ?&#x2018;&#x203A;đ?&#x2018;&#x203A;2

đ?&#x2018;&#x203A;1đ?&#x2018;&#x203A; đ?&#x2018;&#x203A;2đ?&#x2018;&#x203A; â&#x2039;Ž ] đ?&#x2018;&#x203A;đ?&#x2018;&#x203A;đ?&#x2018;&#x203A;

ď&#x192;ź Peso de cada criterio (P):

đ?&#x2018;&#x192;1 =

â&#x2C6;&#x2018;( đ?&#x2018;&#x203A;11 +

đ?&#x2018;&#x203A;12 â&#x2039;Ż + â&#x2039;Ż + đ?&#x2018;&#x203A;1đ?&#x2018;&#x203A; ) đ?&#x2018;&#x203A;

3.2.1 Matriz de comparaciĂłn de variables geolĂłgicas Para elaborar la matriz de comparaciĂłn de variables, se utiliza una matriz de ponderaciĂłn de doble entrada, en donde se presenta la informaciĂłn de los valores asignados por los expertos a cada variable geolĂłgica (Saaty, 1994). Los datos se ilustran en la Tabla 3.2. Este proceso proporciona los valores de ponderaciĂłn con base en la influencia de cada elemento de la variable, que tenga la misma categorĂa del fenĂłmeno analizado. Tabla 3.2 Matriz de comparaciĂłn por variable geolĂłgica

VARIABLE UNIDAD O FORMACIĂ&#x201C;N GEOLĂ&#x201C;GICA ESTRUCTURAS GEOLĂ&#x201C;GICAS GEOQUĂ?MICA DE SEDIMENTOS ALTERACIĂ&#x201C;N HIDROTERMAL

UNIDAD O FORMACIĂ&#x201C;N GEOLĂ&#x201C;GICA

ESTRUCTURAS GEOLĂ&#x201C;GICAS

GEOQUĂ?MICA ALTERACIĂ&#x201C;N DE HIDROTERMAL SEDIMENTOS

1.00

6.00

8.00

2.00

0.17

1.00

0.20

6.00

0.20

5.00

1.00

9.00

0.50

0.17

0.11

1.00

En la Tabla 3.3, se muestra la matriz normalizada para encontrar el peso de cada variable y serán los que se utilizan para la construcción del mapa final. Tabla 3.3 Matriz normalizada y pesos por variable geológica VARIABLE

UNIDAD O GEOQUÍMICA ESTRUCTURAS ALTERACIÓN FORMACIÓN DE PESOS GEOLÓGICAS HIDROTERMAL GEOLÓGICA SEDIMENTOS

UNIDAD O FORMACIÓN GEOLÓGICA ESTRUCTURAS GEOLÓGICAS GEOQUÍMICA DE SEDIMENTOS ALTERACIÓN HIDROTERMAL

0.54

0.49

0.86

0.11

0.50

0.09

0.08

0.02

0.33

0.13

0.11

0.41

0.11

0.50

0.28

0.27

0.01

0.06

0.09

3.2.2 Variable Unidad o Formación Geológica La geología del área de Macará está conformada por rocas ígneas extrusivas, tal es el caso de la Formación Celica y de la Unidad Punta de Piedra y, por rocas sedimentarias correspondientes a la Formación San Pedro, a la Unidad Iguinda y a algunos depósitos superficiales (Vásquez, 2017). Existe un cuerpo ígneo intrusivo importante en este sector, se lo conoce como Batolito de Tangula. Algunas de estas unidades geológicas reúnen las características para contener depósitos minerales

de los tipos pórfido,

epitermales, sulfuros masivos, skarn, entre otros (Ibadango, Pilatasig, y Torres, 2013); en la Figura 3.3 se muestran estas formaciones. Las unidades geológicas representan un grupo de rocas que poseen características similares, se las identifica según su litología y edad, pueden clasificarse por su origen ígneo, sedimentario o metamórfico (Chira et al., 2016). En la Tabla 3.4 se describe la litología de cada unidad o formación geológica. Tabla 3.4 Geología y litología del sector (Duque, 2000) Nombre

Litología

Formación San Pedro

Limolitas, lutitas, areniscas

Unidad Iguinda

Lutitas calcáreas, limolitas y areniscas finas

Formación Celica Unidad Punta Piedra

Brechas, lavas basalto-andesíticas, hialoclastitas Lavas basálticas y gabros

Intrusivo Tangula

Granodioritas, dioritas

La ponderación de la variable geológica se basa en un proceso de análisis jerárquico, utilizando una matriz que sirve para comparar los diferentes tipos de depósitos minerales que podrían encontrarse en cada una de las unidades o formaciones geológicas (Laddha, Joshi, y Mulay, 2016). En el Anexo 7.1, las tablas 7.1 a la 7.5 presentan las matrices de ponderación de la variable geológica de manera individual, donde, el análisis muestra la comparación de los tipos de depósitos minerales en relación con cada UFG. El resultado de cada matriz corresponde a los valores con mayor probabilidad de ocurrencia mineral en función del tipo de depósito. En la Tabla 3.5 consta un resumen de la variable UFG con los valores ponderados. Tabla 3.5 Ponderaciones de la variable Unidad o Formación Geológica VARIABLE UNIDAD O FORMACIÓN GEOLGICA Unidad Punta Piedra

VALOR PONDERADO 0.60

Formación Celica

0.25

Tangula

0.58

Iguinda

0.39

Formación San Pedro

0.60

3.2.3 Variable Estructuras Geológicas En el área se identifican algunas estructuras geológicas y los tipos de fallas, estos sectores son reconocidos también como zonas de debilidad, porque han ocasionado el desplazamiento de secciones importantes de la corteza terrestre (Duque Escobar, 2017); Las estructuras geológicas favorecen el emplazamiento de vetas, vetillas y diques, que a la vez incrementan el valor de los depósitos minerales (Pilatasig, Gordón, Palacios, y Sánchez, 2005). Las principales fallas identificadas en el área de estudio tienen una dirección NESW, las fracturas y lineamientos estructurales son aproximadamente paralelos a las estructuras mayores, en la Figura 3.3 se los muestra en detalle. Con el criterio de los expertos se realizó una clasificación de las estructuras geológicas según su longitud, identificando para este análisis 4 clases,

considerando que las estructuras están relacionadas con distintos tipos de depósitos minerales. Para la ponderación de la variable Estructuras Geológicas, se toma en cuenta el criterio de longitud, mientras más extensa sea la estructura identificada, obviamente, mayor será su valor de ponderación; en la Tabla 3.6 se muestra la respectiva matriz de comparación. Tabla 3.6 Matriz de comparación de estructuras geológicas por longitud ESTRUCTURAS GEOLÓGICAS

> 6 km

4 – 5.9 km

2 – 3.9 km

< 1.9 km

> 6 km

1.00

7.00

8.00

9.00

4 – 5.9 km

0.14

1.00

8.00

7.00

2 – 3.9 km

0.13

1.00

6.00

< 1.9 km

0.11

0.14

0.20

1.00

La matriz normalizada permite obtener los valores de cada estructura geológica considerando su longitud, en la Tabla 3.7 se puede observar que el valor más alto de ponderación corresponde a las estructuras mayores a 6 km. Tabla 3.7 Matriz normalizada y pesos por longitud de cada estructura VARIABLE ESTRUCTURAS GEOLÓGICAS > 6 km 4 – 5.9 km

> 6 km

4 – 5.9 km

2 – 3.9 km

< 1.9 km

VALOR PONDERADO

0.73 0.10

0.85 0.12

0.47 0.47

0.39 0.30

0.61 0.25

2 – 3.9 km

0.09

0.02

0.06

0.26

0.11

<1.9 km

0.08

0,02

0.01

0.04

Es evidente que, para sitios donde no exista la presencia de estructuras geológicas, el valor de ponderación será 0. Cabe manifestar que cada estructura tiene, en su entorno, una cierta área de influencia. Para realizar este análisis, en la Tabla 3.8 se determina la construcción de un buffer de cada estructura. Tabla 3.8 Buffer de estructuras en función de su longitud Longitud > 6 km 4 – 5.9 km 2 – 3.9 km <1.9 km

Buffer m 1,000 600 300 50

Figura 3.3 Mapa geolรณgico estructural del sector de Macarรก

3.2.4 Variable Geoquímica de Sedimentos La geoquímica representa el potencial mineralógico, que se basa en las concentraciones de los principales minerales de interés presentes en cada muestra de sedimentos (Boyle, 1979). Para el análisis de sedimentos fluviales se han considerado 1901 muestras, tomadas en los drenajes de primero y segundo orden, en las cuencas Río Macará y Río Catamayo-Chira (Ibadango et al., 2013). Las muestras analizadas se encuentran distribuidas en las cuencas hidrográficas que intersecan con la zona de estudio, debido a que la unidad hidrográfica se considera como la más adecuada para el tratamiento de la variable GS, por agrupar de mejor manera los drenajes de primero y segundo orden (Rosas y Quispe, 2009). El cálculo de anomalías para la definición de esta variable se realizó con las muestras tomadas en las cuencas Río Macará y Río Catamayo-Chira, puesto que si se cortara la información de muestras con el polígono del área de estudio, se incurriría en un error por eliminación de datos y, al tratarse de sedimentos móviles, podría originar un error al momento de realizar la interpolación de la GS. La Figura 3.4 indica la distribución de las muestras de sedimentos en cada una de las cuencas hidrográficas.

Figura 3.4 Ubicación de muestras de sedimentos fluviales

Para la ponderaciĂłn de la variable geoquĂmica, en primer lugar, se realizĂł una ValoraciĂłn

Multi-Elemental

(VME) en

cada

punto

muestra

tomada,

multiplicando el valor de cada elemento por un coeficiente denominado commodities (Chira et al., 2016). Este coeficiente corresponde al precio actual del mineral publicado en la bolsa de valores; por tal razĂłn, pueden ser comprados o vendidos en cualquier parte del mundo (Gereffi, 1999), para este caso los valores del coeficiente fueron obtenidos de la bolsa de valores de CanadĂĄ. đ?&#x2018;&#x2030;đ?&#x2018;&#x20AC;đ??¸ = đ??ś1 â&#x2C6;&#x2014; đ??¸1 + đ??ś2 â&#x2C6;&#x2014; đ??¸2 + đ??ś3 â&#x2C6;&#x2014; đ??¸3 + â&#x2039;Ż + đ??ś10 â&#x2C6;&#x2014; đ??¸10 En donde: Cn = Coeficiente del mineral (bolsa de valores CanadĂĄ) En = Elemento mayor o indicador

Las cantidades calculadas representan el valor en dĂłlares, segĂşn los minerales que se encuentren en cada zona anĂłmala del ĂĄrea de estudio. Con los valores obtenidos del cĂĄlculo de la VME se realizĂł un tratamiento geoestadĂstico corresponden a anomalĂas de elementos mayores o indicadores: Au, Ag, Cu, Pb, Zn y Mo. Lepeltier (1969) manifiesta que cada valor de concentraciĂłn de los elementos determina anomalĂas de fondo (background), tomados como inferiores a la media geomĂŠtrica y, al umbral anĂłmalo (threshold), considerado como la media geomĂŠtrica, mĂĄs dos veces la desviaciĂłn estĂĄndar, permitiendo definir los rangos de poblaciones de la VME, ver Anexo 7.2. Con los rangos identificados, fue necesario determinar el intervalo de cada poblaciĂłn, y a su vez identificar el intervalo de rango de poblaciĂłn, para finalmente obtener el porcentaje que le corresponde a cada poblaciĂłn y su respectivo valor de ponderaciĂłn. En la Tabla 3.9 se muestra el cĂĄlculo para obtener el valor de ponderaciĂłn para la variable de GS.

Tabla 3.9. Ponderación de la variable geoquímica de sedimentos RANGOS DE POBLACIONES

RANGO SUPERIOR

INTRVALO DE RANGO

% RANGO

VALOR PONDERADO

11.507 - 68.968

68.968

57.46

83.32

0.833

3.991 - 11.506

11.506

7.52

10.90

0.109

1.385 - 3.990

3.990

2.61

3.78

0.038

0.481 - 1.384

1.384

1.34

1.94

0.019

0 - 0.480

0.048

0.05

0.07

0.001

3.2.5 Variable Alteración Hidrotermal Las alteraciones hidrotermales siempre se encuentran asociadas con depósitos minerales, mediante el uso de imágenes ASTER es posible identificar zonas de alteración hidrotermal con minerales arcillosos (Di Tommaso y Rubinstein, 2005). Las alteraciones hidrotermales se han definido con base en el análisis de la imagen ASTER proporcionada por el INIGEMM, que cubre un rango espectral entre 350 nm y 2,500 nm del espectro electromagnético (Abrams y Hook, 2000). La imagen ASTER se encuentra dividida en tres subsistemas: el primero corresponde al visible e infrarrojo cercano (VNIR) con 3 bandas, el segundo es el infrarrojo de onda corta (SWIR) con 6 bandas y, finalmente el infrarrojo termal (TIR) con 5 bandas (Abrams y Hook, 2000); para la obtención de la presente variable se utilizaron las bandas de los subsistemas VNIR y SWIR que permiten identificar la presencia de minerales de alteración hidrotermal. Las combinaciones de bandas 543, 654 y 641 (RGB) se emplearon para determinar las zonas de alteración hidrotermal y, con los coeficientes de bandas 4/5, 4/6, 4/7 (RGB) se identificaron zonas arcillosas como Illitas, esmectitas y caolinitas (Pérez et al., 2010). En la Figura 3.5 se muestra un mapa de combinación de bandas RGB (642) en una imagen ASTER de la zona.

Figura 3.5 Combinaciรณn de imagen ASTER RGB (642)

Utilizando la clasificaciรณn supervisada Spectral Angle Mapper (SAM) en el software ENVI y, con un registro espectral adquirido con la imagen, se pudo identificar las zonas mรกs propicias para la ocurrencia de alteraciรณn hidrotermal,

este caso se refiere a sectores con minerales arcillosos, con el que se elaborĂł el mapa correspondiente. Para la ponderaciĂłn de la variable hidrotermal se utilizĂł el criterio de presencia o no de arcillas, como se muestra en la Tabla 3.10. Tabla 3.10 PonderaciĂłn de la variable alteraciĂłn hidrotermal VARIABLE

3.3

VALOR PONDERADO

Presencia de arcillas

Ausencia de arcillas

CONSTRUCCIĂ&#x201C;N DEL MODELO

Para la elaboraciĂłn del mapa de zonas prospectivas se usan los pesos de las variables anteriormente descritas, cada uno de estos mapas deberĂĄ estar en formato raster para poder procesarlos en ArcGIS. El mecanismo para la identificaciĂłn de zonas prospectivas se realiza a travĂŠs de la integraciĂłn de las variables, de esta manera es posible obtener un Mapa de Zonas Prospectivas (MZP) (Thiart y de Wit, 2000), con la ayuda del ĂĄlgebra de mapas y utilizando la siguiente fĂłrmula:

đ?&#x2018;&#x20AC;đ?&#x2018;?đ?&#x2018;&#x192; = (đ?&#x2018;&#x2030;1 â&#x2C6;&#x2014; đ?&#x2018;&#x192;đ?&#x2018;&#x2030;1) + (đ?&#x2018;&#x2030;2 â&#x2C6;&#x2014; đ?&#x2018;&#x192;đ?&#x2018;&#x2030;2) + (đ?&#x2018;&#x2030;3 â&#x2C6;&#x2014; đ?&#x2018;&#x192;đ?&#x2018;&#x2030;3) + (đ?&#x2018;&#x2030;4 â&#x2C6;&#x2014; đ?&#x2018;&#x192;đ?&#x2018;&#x2030;4) En donde: V = Variable PV = Peso de la variable Empleando los valores de pesos, calculados con la matriz de comparaciĂłn de variables geolĂłgicas al inicio de este capĂtulo (Chira et al., 2016), la fĂłrmula queda definida de la siguiente manera:

MZP=(UFG*0,50)+(EG*0,13)+(GS*0,28)+(AH*0,009) Esto permite la adiciĂłn de las caracterĂsticas de cada variable, que estĂĄn asociadas con la identificaciĂłn de posibles zonas prospectivas.

Para la aplicación de la citada fórmula, se utiliza la herramienta de álgebra de mapas Raster Calculator de ArcGIS, con la que se obtiene el mapa de zonas prospectivas para exploración minera. 3.3.1 Métodos de clasificación de datos Los métodos de clasificación ayudan a generar superficies que incorporan las propiedades estadísticas de cada dato muestreado, proporcionando una medida de error de las mismas, siendo este un indicador para una buena o mala predicción de los resultados (Moreno Jiménez y Buzai, 2008). Para la definición final de zonas prospectivas, se trabajaron con diferentes métodos de clasificaciones de datos en el software ArcGIS, con el propósito de encontrar la clasificación más adecuada que se ajuste al objetivo de la investigación; para esto, se han utilizado los siguientes métodos:  Desviación estándar  Cortes naturales  Intervalos geométricos  Cuantiles En consecuencia, descubrir la clasificación más apropiada será determinante para la interpretación de zonas favorables con fines exploratorios. 3.3.2 Comparación con datos de campo Es importante poder comparar las zonas que presentan las ocurrencias minerales levantadas en campo, con las 4 clasificaciones de datos y así determinar la clasificación más idónea para elaborar el modelo cartográfico propuesto en la presente investigación; la Figura 3.6 muestra los puntos de ocurrencias minerales localizados en el área de investigación.

Figura 3.6 Mapa de ocurrencias minerales, INIGEMM, 2016

4. RESULTADOS Y ANÁLISIS 4.1

RESULTADOS

4.1.1 Ponderación de Variables Geológicas El objetivo principal de este estudio radica en mejorar los procesos de análisis, a fin de definir la ocurrencia de depósitos minerales mediante un modelo cartográfico. Al igual que para una exploración geológica-minera convencional, se utilizan las mismas variables geológicas. En primer lugar, estas variables geológicas se sometieron a un proceso de análisis jerárquico, que consistió en elaborar una matriz de comparación a fin de obtener el valor de los pesos más adecuados para cada una de ellas (Saaty, 1994). Esto contribuyó a mejorar el proceso de análisis de las variables geológicas para, posteriormente, poder localizar posibles zonas favorables, pues, el método convencional es subjetivo y depende mucho de la experiencia y conocimiento del intérprete. Todas las variables trabajadas han sido estandarizadas y normalizadas entre escalas que van de cero a uno, con el fin de poder preparar un álgebra de mapas que permita definir la posible presencia de zonas prospectivas. El resultado obtenido con la matriz de comparación de las variables geológicas determinó la siguiente secuencia de variables que tendrían según sus pesos, desde una mayor a una menor influencia durante el análisis: UFG de 0.5, GS de 0.28, EG de 0.13, y finalmente, la variable AH que posee el menor peso dentro del análisis, con un valor de 0.09. El resultado de la ponderación de la variable UFG reflejó que la Unidad Punta de Piedra tiene el mayor valor de ponderación con 0.6, valor que luego va descendiendo hasta llegar a las formaciones con valores de 0 como las de menor importancia para este análisis. Esto ayudó a definir seis conjuntos de áreas con diferentes niveles de probabilidad para contener algún tipo de depósito mineral, ver Figura 4.1.

Figura 4.1 Mapa de ponderación de la variable unidad o formación geológica

Con respecto a la variable de EG, la importancia que otorga este tipo de información geológica se basa en la longitud de las estructuras, pues la longitud y el ancho guardan una relación directa. Los valores de ponderación van de 0.61

para las estructuras mayores a 6 km, hasta 0 para los sectores donde no existen estructuras. Los valores para esta variable definieron cinco clases con la probabilidad de que las estructuras puedan aportar el emplazamiento de depรณsitos, ver Figura 4.2.

Figura 4.2 Mapa de ponderaciรณn de la variable estructural

La ponderación de la variable GS definió valores que van desde 0.889 para los sectores que poseen un mayor peso comercial, hasta 0.001 que corresponde a zonas menos importantes, se determinaron 5 conjuntos de áreas para esta variable. En la Figura 4.3 se puede observar que las áreas más pequeñas corresponden a los valores con mayor potencial mineralógico y, viceversa.

Figura 4.3 Mapa de ponderación de la variable geoquímica de sedimentos

La variable AH indicó dos niveles de clasificación que correspondieron a valores de 1 cuando existe la posible alteración hidrotermal y de 0 si no la hay, consecuentemente en la Figura 4.4 se definen dos conjuntos de áreas para esta variable y se observó pocas las áreas con posible alteración hidrotermal.

Figura 4.4 Mapa de ponderación de la variable alteración hidrotermal

En la Tabla 4.1 se puede observar un resumen de los resultados de ponderación de todas las variables geológicas utilizadas en la investigación, así como también los pesos que corresponden a cada una de ellas. Tabla 4.1 Resumen de resultados de ponderación de variables geológicas Peso = 0.50

Peso = 0.13

VARIABLE UFG

VALOR PONDERADO

VARIABLE EG

VALOR PONDERADO

Unidad Punta de Piedra

0.6

> 6 km

0.61

Formación Celica

0.25

4 - 5.9 km

0.25

Intrusivo Tangula

0.58

2 - 3.9 km

0.11

Unidad Iguinda

0.39

<1.9 km

0.04

Formación San Pedro

0.6

Ausencia de estructuras

Otras formaciones

Peso = 0.28

Peso = 0.09

VARIABLE GS

VALOR PONDERADO

11.507 - 68.968

0.833

3.991 - 11.506

0.109

1.385 - 3.990

0.038

0.481 - 1.384

0.019

0 - 0.480

0.001

VARIABLE AH

VALOR PONDERADO

Presencia de arcillas

Ausencia de arcillas

Al integrar las variables mediante una ecuación para determinar zonas prospectivas, se obtuvieron resultados que luego fueron clasificados usando los métodos desviación estándar, cortes naturales, intervalos geométricos y cuantiles. 4.1.2 Clasificación por desviación estándar Esta clasificación representa valores de clase a intervalos de 1, 1/2, 1/3 o 1/4 de la desviación estándar del grupo de datos, considerando los valores medios y las desviaciones estándar de la media (Esri, 2018). En la Figura 4.5, se observan la clasificación por desviación estándar con sus respectivas ocurrencias minerales. A partir de estos resultados se obtuvieron 5 clases de áreas para exploración, donde el mayor intervalo se encuentra entre los rangos de 1.907 a 2.349, este

rango coincide con seis ocurrencias minerales identificadas en campo relacionadas a posibles depรณsitos de tipo: 4 pรณrfidos, 1 VMS y 4 epitermales.

Figura 4.5 Mapa de clasificaciรณn por desviaciรณn estรกndar

En la segunda clase que cubre los rangos entre 1.359 y 1.907 donde coinciden 7 ocurrencias minerales identificadas en campo de los tipos: 2 pórfidos, 4 epitermales y 1 skarn, en la quinta clase sólo ha sido posible encontrar una ocurrencia mineral tipo epitermal; en la Tabla 4.2 se ilustra un resumen con los resultados de esta clasificación. Tabla 4.2 Resumen de resultados de clasificación por desviación estándar Clasificación por desviación estándar Ocurrencias N° Clase Rangos de valores minerales identificada 1 1.908 - 2.349 9 2

1.359 - 1.907

0.810 - 1.358

0.261 - 0.809

0.00 - 0.260

4.1.3 Clasificación por cortes naturales Este método agrupa los datos a través de intervalos delimitados por cortes naturales, en donde, obviamente, los datos con valores similares se agrupan dentro de una misma clasificación para identificar patrones semejantes entre los grupos de datos (Espinosa, Monsalve, y Gómez, 2013). Utilizando esta clasificación se identificaron 5 clases, de tal manera que la primera es las más importantes por tener los mayores rangos que van entre 2.046 a 2.349; comparando con las ocurrencias minerales de campo se ha determinado dos indicios de depósitos de los tipos: 1 pórfido y 1 VMS. En la segunda clase se encuentran 7 ocurrencias minerales que corresponden a posibles depositos 3 de tipo pórfido y 4 epitermales, en la tercera clase se identifican 7 ocurrencias, 2 de tipo pórfido, 4 epitermales y 1 Skarn. Finalmente, en la quinta clase se tiene una ocurrencia de tipo epitermal; el resumen de esta clasificación consta en la Tabla 4.3. La Figura 4.6 exhibe las clasificaciones con sus respectivas ocurrencias minerales.

Figura 4.6 Mapa de clasificaciรณn por cortes naturales

Tabla 4.3 Resumen de resultados de la clasificación por cortes naturales

N° Clase 1

Clasificación por cortes naturales Ocurrencias Rangos de valores minerales identificada 2.046 - 2.349 2

1.760- 2.045

0.996 - 1.759

0.259 - 0.995

0.00 - 0.258

4.1.4 Clasificación por intervalos geométricos Esta clasificación utiliza intervalos que garantizan aproximadamente el mismo número de valores en cada clase, lo que permite tener un cambio bastante coherente entre ellas (Esri, 2018). La clasificación por intervalos geométricos mostró 5 clases de áreas para prospección, donde la primera cubren un rango de 2.025 a 2.349, coincidiendo con 4 ocurrencias minerales relacionadas a depósitos tipo: 1 pórfido, 1 VMS, 2 epitermales; la segunda clase presenta 5 ocurrencias minerales correspondientes a 3 de tipo pórfidos y 2 epitermales. Asimismo, en la tercera clase se evidencia la posible existencia de 4 ocurrencias minerales: 3 tipo epitermal y 1 skarn de; la cuarta clase muestra 3 ocurrencias: 2 tipo pórfido y 1 epitermal; la última clase sólo una ocurrencia de tipo epitermal. En la Tabla 4.4 se presenta un resumen con los resultados de esta clasificación. La Figura 4.7 se puede observar la clasificación realizada. Tabla 4.4 Resumen de resultados de clasificación por intervalos geométricos Clasificación por intervalos geométricos Ocurrencias N° Clase Rangos de valores minerales identificada 1 2.025 - 2.349 4 2

1.836 - 2.024

1.512 - 1.835

0.955 - 1.511

0.00 - 0.954

Figura 4.7 Mapa de clasificaciĂłn por intervalos geomĂŠtricos

4.1.5 Clasificación por cuantiles La clasificación por cuantiles establece que el mismo número de elementos está considerado en cada intervalo, es decir, todos los datos se ubican de manera equitativa en cada clase (Espinosa et al., 2013), con esta clasificación se identificaron 6 clases de áreas prospectivas. La primera clasificación correspondiente a los mayores rangos que van de 2.046 a 2.349, se identificaron 2 ocurrencias minerales relacionadas posibles depósitos tipo: 1 pórfido, 1 VMS, la segunda clase concentra 7 ocurrencias: 3 tipo pórfido y 4 epitermales. La tercera clase agrupa a 4 ocurrencias minerales de los tipos 1 skarn y 3 epitermales; la cuarta clase consta de 3 ocurrencias: 2 de tipo pórfido y 1epitermal; por último, la sexta clase posee una ocurrencia del tipo epitermal. En la Tabla 4.5 se presenta un resumen con los resultados de esta clasificación, así como en la Figura 4.8: constan los resultados de esta clasificación y las ocurrencias minerales presentes en cada clase Tabla 4.5 Resumen de resultados de clasificación por cuantiles

N° Clase 1

Clasificación por Cuantiles Ocurrencias Rangos de valores minerales identificada 2.046 - 2.349 2

1.200 - 2.045

1.530 - 1.999

1.493 - 1.529

0.00 - 1.492

Figura 4.8 Mapa de clasificaciรณn por cuantiles

4.2

ANÁLISIS DE RESULTADOS

Durante el desarrollo de esta investigación se ha podido determinar, mediante un análisis bibliográfico preliminar, las variables geológicas más utilizadas durante los análisis convencionales que ayudan a identificar las zonas para exploración. Los estudios de exploración en la actualidad utilizan información espacial referente a geología, geofísica y geoquímica asociada a parámetros de modelos predictivos y SIG para realizar mapas predictivos de zonas con potencial geológico minero (Cohen et al., 2010 y Grunsky, 2010). Los depósitos minerales son el resultado de varios procesos geológicos, que en superficie son representadas por varias características geológicas que son la guía para la exploración de los mismos (Carranza et al., 2008). Para esta investigación algunas de estas características geológicas se las ha considerado como datos reales, sin que aún se las haya confirmado en campo, incluso se ha utilizado métodos indirectos como los sensores remotos para la determinación de algunas variables geológicas. Considerando que las variables geológicas son las necesarias para optimizar los procesos de exploración e identificación de zonas con potencial mineral, los siguientes párrafos discuten los resultados de ponderación del método de Saaty (1994), utilizado para el análisis predictivo de depósitos minerales mediante un modelo cartográfico. Chira et al. (2016) basan su estudio de evaluación del potencial minero en el cuadrángulo de Cajabamba, Perú con 6 variables geológicas, coincidiendo con este caso de estudio con 4 variables que son: unidad geología, estructural, geoquímica y alteración hidrotermal; confirmando que son las más básicas para determinar el potencial minero de un sector. Tomando en cuenta los resultados de ponderación de los pesos de cada variable, se evidencia que se ajustan para la identificación de depósitos minerales, lo que indica que cada variable aporta con los valores apropiados para obtener un mapa zonas potenciales de depósitos minerales.

Los diferentes tipos de depósitos minerales como pórfidos, epitermales, VMS entre otros, están asociados con fallas y rocas intrusivas que representan controles estructurales y fuente de calor (Hedenquist et al., 1998; Slack, 2007). Estas características geológicas son confirmadas con los valores de ponderación que se muestran en la Tabla 4.1, donde los valores más altos de ponderación coinciden perfectamente con las mejores características geológicas que pueden albergar depósitos minerales. Así también tomando en cuenta que en este trabajo fueron considerados commodities para la ponderación final de la variable geoquímica de sedimentos, esta concuerda perfectamente con otros métodos de análisis que han utilizado distribuciones espaciales estadísticas para obtener mapas de concentración de elementos de interés (Cheng, Agterberg y Ballantyne, 1994 y Carranza et al., 2008). Así también Chira et al. (2016), asignan valores a la variable de alteración hidrotermal de acuerdo a un orden de importancia, desde alto hasta muy bajo, el mismo que relaciona la presencia de óxidos hasta arcillas, permitiendo identificar las zonas de alteración más importantes. La ponderación de la variable hidrotermal por tener cobertura vegetal en el área de estudio solo consideró valores de 1 si existe alteración y de 0 en su ausencia, sin discriminar el tipo de arcillas. Sin embargo con este análisis no se puede tener la certeza de que todas las arcillas sean de alteración hidrotermal, por tal motivo el peso de esta variable es el más bajo y es perfectamente aplicable para el cálculo del modelo. Cooper y Cowan (2004), utilizan información geofísica de rayos gamma para identificar alteraciones hidrotermales, método que filtra el ruido producido la atmosfera o vegetación que impiden obtener información de las características geológicas de la roca, por lo tanto los datos aeromagnéticos en esta variable podrían mejorar la eficacia en el modelo.

En comparación con otros métodos predictivos de exploración como el de redes neuronales que necesitan gran cantidad información de ocurrencias minerales

para generar zonas de entrenamiento y generación de modelos (Carranza et al., 2008). La integración de las variables geológicas mediante álgebra de mapas permitió realizar diferentes clasificaciones estadísticas determinando zonas propicias para la exploración de depósitos minerales en el sector de Macará. Este método concuerda con los aplicados en otros estudios de predicción de depósitos minerales, debido a que esta técnica es la más apropiada para modelar la relación espacial entre diferentes variables. Para el caso de la generación de mapas de zonas prospectivas se utilizaron 4 métodos de clasificación: desviación estándar, cuantiles, cortes naturales e intervalos geométricos; con el objetivo de identificar la mejor clasificación que ayude a la determinación de zonas prospectivas. La Tabla 4.6 muestra una comparación del número de ocurrencias minerales identificadas en cada clase de las cuatro clasificaciones. Con estas clasificaciones se zonificaron los sectores con mejor potencial para la exploración de depósitos minerales. Tabla 4.6. Comparación de presencia de ocurrencias minerales por clasificaciones Ocurrencias minerales por clasificación N° Clase

Desviación estándar

Cortes naturales

Intervalos geométricos

Cuantiles

1 2 3 4 5

9 7 0 0 1

2 7 7 0 1

4 5 4 3 1

2 7 4 3 1

Estas clasificaciones permitieron obtener información de posibles zonas para concentrar las exploraciones de minerales de interés. Como resultado es posible afirmar que de las cuatro clasificaciones utilizadas tres presentan resultados similares, el único mapa con resultado diferente es el realizado por la clasificación de desviación estándar; que presenta áreas para realizar una exploración regional. Hay que considerar que debido a la complejidad de los sistemas minerales, delimitar

objetivos

exploración

aún

continua

siendo

paradigma

relativamente nuevo, ya que los sistemas minerales representan interacciones complejas de varios procesos geológicos que ocurren en millones de años (Xue, Sheng y Jayaram, 2004). Es importante aclarar que estos resultados no tienen implícita la seguridad de que existan yacimientos minerales, sólo se pueden determinar áreas con potencial para la exploración. En la definición de la existencia o no de un depósito mineral actúan otros factores que requieren investigarse con mayores detalle y consecuentemente mayores costos (Millán, 1996), pero, sí constituyen un primer paso para la toma de decisiones que orienten a la exploración. Es importante considerar que al utilizar más variables geológicas mejoraría el modelo cartográfico y el proceso de análisis de una exploración inicial sería más confiable para confirmar la existencia de posibles depósitos minerales. La integración de variables complementarias resultaría interesante con el fin de saber cuál es el comportamiento de las áreas ante las diferentes clasificaciones. Para ampliar estudios futuros, el análisis podría incluir la variable social y ambiental (Franco, Casallas y Galeano, 2010), debido a que en los últimos años éstas han sido determinantes para definir la viabilidad de proyectos de exploración minera. En definitiva todos los mapas predictivos que tienen por objetivos de exploración mineral derivados de cualquier método, pueden utilizarse para estimar la concentración mineral no descubierta y el número de depósitos o prospectos no descubiertos (McCammon y Kork, 1992). El objetivo principal de este estudio radico en mejorar los procesos de análisis convencionales de información geológica-estructural, para la identificación de áreas que presenten las mejores características para una exploración geológicaminera. Con los resultados alcanzados es posible afirmar que estos constituyen la primera aproximación para determinar las áreas de interés en forma rápida, eficiente y técnicamente segura, esto se apoya además con los SIG basados en el álgebra de mapas; las áreas identificadas deben complementarse con la evaluación de

campo de cada uno de los sitios definidos, para determinar con mayor certeza la posibilidad de que constituyan รกreas prospectivas definitivas.

5. CONCLUSIONES Como resultado de esta investigación se ha obtenido un modelo de variables geológicas, orientado a delimitar áreas con posibilidades geológico mineras idóneas para exploración regional, que han sido determinadas en función de las características geológicas presentes en el sector de Macará. Las variables escogidas para el análisis fueron: unidad o formación geológica, estructura geológica, geoquímica de sedimentos y alteración hidrotermal, porque se las consideró adecuadas según la disponibilidad de datos. Cada una de ellas aportó información necesaria para identificar posibles zonas de exploración. Así también el método de Saaty (1994) utilizado para la ponderación de variables y la integración de información utilizando el SIG, permitió optimizar el análisis de la información geológica; logrando bajar los costos en el análisis y en la exploración in situ, al permitir que se tenga un panorama regional bien integrado gracias a la delimitación de posibles áreas de interés. Las variables geológicas utilizadas sirvieron para los propósitos de esta investigación, es importante considerar la integración de otras variables geológicas como por ejemplo geofísica, catastro minero, etc. o también variables sociales que, en gran medida, afectan la decisión de las empresas mineras en su afán de realizar inversiones en áreas para exploración minera. La ponderación de la variable geoquímica proporcionó valores relacionados con el precio de los minerales a nivel internacional, sería interesante realizar otro tipo de evaluación que se base exclusivamente en las características geológicas de la variable. La evaluación de la metodología utilizada comparada con la información de campo sobre ocurrencias minerales confirma que es posible con base en un modelo cartográfico, delimitar posibles zonas para la exploración de depósitos minerales en la zona de Macará, provincia de Loja.

6. BIBLIOGRAFÍA Abrams, M., y Hook, S. (2000). ASTER User Handbook. Recuperado el 17 de diciembre de 2017, de http://ftp.glcf.umd.edu/library/pdf/aster_user_guide_v2.pdf Arndt, N. T., Fontboté, L., Hedenquist, J. W., Kesler, S. E., Thompson, J. F. H., y Wood, D. G. (2017a). Future Global Mineral Resources. Geochemical Perspectives, 1–171. https://doi.org/10.7185/geochempersp.6.1 Aspden, J. A., Harrison, S. H., y Rundle, C. C. (1992). New geochronological control for the tectono-magmatic evolution of the metamorphic basement, Cordillera Real and El Oro Province of Ecuador. Journal of South American Earth Sciences, 6(1–2), 77–96. Azcurra, D., Castro, S., Kaku, M., Kohno, I., y Marin, G. (2003). Procesamiento y productos ASTER del área de sierra de Famatina, Provincia de la Rioja, República Argentina. Anais XI SBSR, Belo Horizonte, Brasil. INPE, 815– 822. Recuperado el 31 de mayo de 2017, de http://marte.sid.inpe.br/col/ltid.inpe.br/sbsr/2002/11.20.23.12/doc/08_395.pd f Barba-Romero, S., y Pomerol, J.-C. (1997). Decisiones multicriterio: fundamentos teóricos y utilización práctica. Recuperado el 22 de junio de 2017, de https://dialnet.unirioja.es/servlet/libro?codigo=372749 Bazán, O. (2013). TECTÓNICA ANDINA Y SU COMPONENTE CIZALLANTE: Alusivo al norte del Perú. https://doi.org/10.13140/RG.2.2.27980.10883, Recuperado el 3 de mayo de 2019, de https://www.researchgate.net/publication/323409629_TECTONICA_ANDIN A_Y_SU_COMPONENTE_CIZALLANTE_Alusivo_al_norte_del_Peru Berry, J. K. (1993). Cartographic modeling: The analytical capabilities of GIS. Environmental modeling with GIS, 58–74. Bonham-Carter, G. F. (1994). Geographic information systems for geoscientists: modelling with GIS: Ottawa, Canada, Pergamon. 398. Bonis, V. (2011). Decisión multicriterio booleana, probabilística y posibilística borrosa de la distribución de Abies Pinsapo (Universidad complutense de Madrid). Recuperado el 16 de diciembre de 2017, de http://eprints.ucm.es/13982/1/Distribuci%C3%B3n_pinsapo.pdf Boyle, R. W. (1979). The geochemistry of gold and its deposits (together with a chapter on geochemical prospecting for the element). Unipub. Bravo, J. D. (2000). Breve introducción a la cartografía ya los sistemas de información geográfica (SIG). Ciemat. Recuperado el 25 de febrero de 2019, de

https://inis.iaea.org/collection/NCLCollectionStore/_Public/38/115/38115075 .pdf Brecha, M. A. (2008). Minería, minerales y desarrollo sustentable. Perú. Burrough, P. A., y Frank, A. U. (1995). Concepts and paradigms in spatial information: are current geographical information systems truly generic? International Journal of Geographical Information Systems, 9(2), 101–116. Recuperado el 18 de junio de 2017, de https://doi.org/10.1080/02693799508902028 Bustillo, M., y López Jimeno, C. (1996). Recursos Minerales. Tipología, prospección, evaluación, explotación, mineralurgia, impacto ambiental. Entorno Gráfico, SL Madrid, 2, 4. Cabrejo, O. J. G., y Sánchez, G. M. (2006). Herramientas de Análisis Estadístico y Espacial aplicadas en la separación Línea Base–Anomalía Geoquímica. Implicaciones en Exploración de Recursos Naturales. Parte 1: Revisión metodológica. Geología Colombiana, 31, 27–38. Recuperado el 3 de mayo de 2019, de https://revistas.unal.edu.co/index.php/geocol/article/viewFile/31925/31942 Carranza, E. J. M., Van Ruitenbeek, F. J. A., Hecker, C., van der Meijde, M., y van der Meer, F. D. (2008). Knowledge-guided data-driven evidential belief modeling of mineral prospectivity in Cabo de Gata, SE Spain. International Journal of Applied Earth Observation and Geoinformation, 10(3), 374–387. Cheng, Q., Agterberg, F. P., y Ballantyne, S. B. (1994). The separation of geochemical anomalies from background by fractal methods. Journal of Geochemical Exploration, 51(2), 109–130. Chira, J., Villareal, E., Rodríguez, I., Vargas, L., Huanacuni, D., Acosta, J., … Chirif, H. (2016). Manual de Evaluación de Recursos y Potencial Minero. (Biblioteca Nacional del Perú). Recuperado el 11 de febrero de 2017, de http://repositorio.ingemmet.gob.pe/handle/ingemmet/1271 Chork, C. Y. (1990). Unmasking multivariate anomalous observations in exploration geochemical data from sheeted-vein tin mineralization near Emmaville, NSW, Australia. Journal of Geochemical Exploration, 37(2), 205–223. Cohen, D. R., Kelley, D. L., Anand, R., y Coker, W. B. (2010). Major advances in exploration geochemistry, 1998–2007. Geochemistry: Exploration, Environment, Analysis, 10(1), 3–16. Recuperado el 23 de septiembre de 2018, de http://geea.lyellcollection.org/lookup/doi/10.1144/1467-7873/09215 Cooper, G. R. , y Cowan, D. (2004). Filtering using variable order vertical derivatives. Computers & Geosciences, 30(5), 455–459. Recuperado el 23 de septiembre de 2018, de http://linkinghub.elsevier.com/retrieve/pii/S0098300404000469

Di Tommaso, I., y Rubinstein, N. (2005). Mapa de alteración hidrotermal a partir de datos ASTER en el pórfido de Cu-Mo, El Infiernillo Mendoza, Argentina. Contribuciones Técnicas. Proyecto GEOSAT Argentina-SEGEMAR, 115– 121. Recuperado el 31 de mayo de 2017, de http://repositorio.ingemmet.gob.pe/handle/ingemmet/1271 Duque Escobar, G. (2017). Manual de geología para ingenieros. Recuperado el 16 de julio de 2017,de http://www.galeon.com/manualgeo Duque, P. (2000). Breve léxico estratigráfico del Ecuador. Sistema de Información Geológica y Minera. Eastman, J. R. (1999). Multi-criteria evaluation and GIS. Geographical information systems, 1(1), 493–502. Recuperado el 17 de diciembre de2017, de https://pdfs.semanticscholar.org/7ee3/62272327b1da29f8e41b4efc7388606 a5836.pdf EcuRed. (2013). Operadores booleanos [Lenguajes de búsqueda informativa]. Recuperado el 19 de junio de 2017, de EcuRed Conocimientos con todos y para todos. Recuperado el 18 de junio de 2017, de https://www.ecured.cu/Operadores_booleanos Espinosa, N., Monsalve, J., y Gómez, S. (2013). Análisis de la metodología de los Sistemas de Información Geográfica (SIG) en la cartografía de la guerra en Colombia. Tabula Rasa, (19). Recuperado el 24 de febrero de 2018, de http://www.redalyc.org/resumen.oa?id=39630036015 Esri, Environmental Systems Research Institute. (2018). Métodos de clasificación de datos—ArcGIS Pro | ArcGIS Desktop. Recuperado el 24 de febrero de 2018, de https://pro.arcgis.com/es/pro-app/help/mapping/symbols-andstyles/data-classification-methods.htm Franco, A. I., Casallas, D. A. M., y Galeano, H. V. (2010). Conflictos socioambientales por la extracción minera en Colombia: casos de la inversión británica. CENSAT Agua Viva. García, F. (2010). HACIA UNA ADMINISTRACIÓN DIGITAL DEL TERRITORIO | García Barba - Islas Territorio. Recuperado el 19 de junio de 2017, de Islas y territorio. Recuperado el 18 de junio de 2017, de http://www.garciabarba.com/islasterritorio/hacia-una-administracion-digitaldel-territorio/ Gereffi, G. (1999). International trade and industrial upgrading in the apparel commodity chain. Journal of international economics, 48(1), 37–70. Ghezelbash, R., Maghsoudi, A., y Carranza, E. J. M. (2019). An Improved DataDriven Multiple Criteria Decision-Making Procedure for Spatial Modeling of Mineral Prospectivity: Adaption of Prediction–Area Plot and Logistic Functions. Natural Resources Research, 1–18.

Gracia, M. T. L. (2014). Aplicación de técnicas de análisis multicriterio a la localización óptima de extracciones de arenas y gravas en el entorno de Zaragoza. Boletín de la Asociación de Geógrafos Españoles, (66), 25–48. Recuperado el 26 de marzo de 2019, de https://dialnet.unirioja.es/descarga/articulo/4903356.pdf Grunsky, E. C. (1986). Recognition of alteration in volcanic rocks using statistical analysis of lithogeochemical data. Journal of Geochemical Exploration, 25(1–2), 157–183. Recuperado el 23 de septiembre de 2018, de http://geea.lyellcollection.org/lookup/doi/10.1144/1467-7873/09-210 Grunsky, Eric C. (2010). The interpretation of geochemical survey data. Geochemistry: Exploration, Environment, Analysis, 10(1), 27–74. https://doi.org/10.1144/1467-7873/09-210 Gudynas, E., y Centro Latino Americano de Ecología Social. (2004). Ecología, economía y ética del desarrollo sostenible. Montevideo: Coscoroba ediciones. Recuperado el 13 de diciembre de 2017, de http://mateo.pbworks.com/w/file/fetch/109115668/GudynasDS5.pdf Gustavsson, N. (2001). Geochemical landscapes of the conterminous United States: New map presentations for 22 elements (Vol. 1648). Recuperado el 5 de mayo de 2019, de https://pubs.usgs.gov/pp/1648/report.pdf Harris, J. R., y Harris, J. (2006). Statistical, mathematical and geostatistical methods for dealing with glacial dispersal: application of GIS technology to till data from the Swayze greenstone belt and Cape Breton Island (Vol. 44). recuperado el Harris, J. R., Wilkinson, L., Heather, K., Fumerton, S., Bernier, M. A., Ayer, J., y Dahn, R. (2001a). Application of GIS processing techniques for producing mineral prospectivity maps—a case study: mesothermal Au in the Swayze Greenstone Belt, Ontario, Canada. Natural Resources Research, 10(2), 91–124. Recuperado el 18 de junio de 2017, de https://link.springer.com/article/10.1023/A:1011548709573 Hedenquist, J. W., Arribas, A., y Reynolds, T. J. (1998). Evolution of an intrusioncentered hydrothermal system; Far Southeast-Lepanto porphyry and epithermal Cu-Au deposits, Philippines. Economic Geology, 93(4), 373– 404. https://doi.org/10.2113/gsecongeo.93.4.373 Heikkila, E. J., Shen, T.-Y., y Yang, K.-Z. (2003). Fuzzy Urban Sets: Theory and Application to Desakota Regions in China. Environment and Planning B: Planning and Design, 30(2), 239–254. https://doi.org/10.1068/b12820 Hendenson, W. G. (1979). Cretaceous to Eocene volcanic arc activity in the Andes of northern Ecuador. Journal of the Geological Society, 136(3), 367–378. Herrera, J. A. (2012). Caracterización de las alteraciones hidrotermales en el flanco Noroccidental del Volcán Nevado del Ruiz, Colombia (Masters,

Universidad Nacional de Colombia). Recuperado el 31 de mayo de 2017,de http://www.bdigital.unal.edu.co/7106/1/194722.2012.pdf Herrmann, C., y Zappettini, E. O. (2014). Recursos Minerales Mineria y Medio Ambiente.pdf. Recuperado el 18 de junio de 2017, de http://www.segemar.gov.ar/statics/files/Recursos_Minerales_Mineria_y_Me dio_Ambiente.pdf Hinostroza De la Cruz, J. H. (2010). Interpretación geológica de la mineralización del yacimiento VMS Cerro Lindo Chincha-Perú. Recuperado el 2 de mayo de 2019, de http://repositorio.uni.edu.pe/handle/uni/11386 IAGS, Interamerican Geodetic Survey. (1981). Hojas topograficas Macara. En J722 (2–IGM ed.). Quito-Ecuador: Intituto Geografico Militar (IGM). Ibadango, E. (2013). Memoria técnica hoja geológica de Cariamanga. Proyecto “Modelo piloto para la determinación del potencial geológico-mineralógico de las zonas Zaruma y Cariamanga a escala 1:100.000. Quito-Ecuador: INIGEMM. Ibadango, E., Pilatasig, L., y Torres, C. (2013). Sintesis litoestratigráfica, estructural, geoquímica y evolucion de Cuenca Alamor-Punta de Piedra, sector Zaruma-Cariamanga. Recuperado el 12 de febrero de 2018, de http://repositorio.educacionsuperior.gob.ec/handle/28000/3486 INEMIN, Instituto Ecuatoriano de Minería. (1998). Sub-proyecto Macará. Informe inédito. Quito-Ecuador: Instituto Nacional de Mineria. INIGEMM, Instituto Nacional de Investigación Geológico, Minero y Metalúrgico. (2014). Investigación Geológica y Disponibilidad de Recursos Minerales en el Territorio Ecuatoriano. Jackson, J. E. (2005). A user’s guide to principal components (Vol. 587). John Wiley & Sons. Laddha, A. R., Joshi, R. R., y Mulay, P. (2016). Enriching process of ice-cream recommendation using combinatorial ranking of AHP and Monte Carlo AHP. ResearchGate, 85(3), 298–304. Recuperado el 4 de marzo de 2018, de https://www.researchgate.net/publication/299837810_Enriching_process_of _icecream_recommendation_using_combinatorial_ranking_of_AHP_and_Mont e_Carlo_AHP Lara, E. L., Simeón, C. P., y Navarro, J. G. M. (2004). LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA. Recuperado el 25 de febrero de 2018, de http://imsturex.unex.es/MUIETSIG/TEMA1.pdf Lepeltier, C. (1969). A Simplified Statistical Treatment of Geochemical Data by Graphical Representatio. Economic Geology, 64, 538–550.

Litherland, M., Aspden, J. A., y Jemielita, R. A. (1994). The metamorphic belts of Ecuador, British Geological Survey, Overseas Memoir 11. British Geological Survey, Keyworth, 147. Locutura, J., Bel-Lan, A., y Lopera, E. (2002). Cartografía geoquímica multielemental en sedimentos de corriente en un contexto de arco isla volcánico. Aplicación al análisis de potencialidad metalogénica en un area de la República Dominicana. Acta Geologica Hispanica, 37(2–3), 229–272. Recuperado el 25 de junio de 2017, de http://revistes.ub.edu/index.php/ActaGeologica/article/view/5087 Luo, J. (1990). Statistical mineral prediction without defining a training area. Mathematical geology, 22(3), 253–260. Recuperado el 11 de abril de 2019, de https://link.springer.com/article/10.1007/BF00889888 Marjoribanks, R., y Richards, J. P. (1997). Geological Methods in Mineral Exploration and Mining. Economic Geology and the Bulletin of the Society of Economic Geologists, 92(5), 636–636. McCammon, R. B., y Kork, J. O. (1992). One-level prediction—a numerical method for estimating undiscovered metal endowment. Nonrenewable Resources, 1(2), 139–147. Millán, A. (1996). Evaluación y factibilidad de proyectos mineros. Comité de Publicaciones Científicas, Vicerrectoriá Académia, Universidad de Chile. Moreno Jiménez, A., y Buzai, G. D. (2008). Análisis y planificación de servicios colectivos con sistemas de información geográfica. Universidad Autónoma de Madrid. Osorio, J. C., y Orejuela, J. P. (2008). EL PROCESO DE ANÁLISIS JERÁRQUICO (AHP) Y LA TOMA DE DECISIONES MULTICRITERIO. EJEMPLO DE APLICACIÓN. Scientia Et Technica, XIV(39). Recuperado el 22 de junio de 2017, de http://www.redalyc.org/resumen.oa?id=84920503044 Paladines, A. (1980). Mapa metalogénico de la República del Ecuador. Ministerio de Recursos Naturales y Energéticos. Dirección General de …. Pearson, y Prentice Hall. (2005). The rock cycle. Recuperado el 18 de junio de 2017, de http://wps.prenhall.com/esm_lutgens_foundations_4/20/5129/1313114.cw/i ndex.html Perello, J., y Cabello, J. (1989). Porfidos cupriferos ricos en oro; una revision. Andean Geology, 16, 73–92. Recuperado el 2 de mayo de 2019, de http://www.rgeologica.equipu.cl/index.php/revista1/article/view/V16n1-a05/0 Pérez, D. J., D’odorico Benites, P. E., y Godeas, M. C. (2010). Reconocimiento de alteración hidrotermal con el sensor ASTER, en el curso medio del Río Santa Cruz (31° 40’s), provincia de San Juan. Revista de la Asociación

Geológica Argentina, 66(4), 623–633. Recuperado el 31 de mayo de 2017, de http://www.scielo.org.ar/pdf/raga/v66n4/v66n4a21.pdf Pico, W. E. (1973). Investigación de la Mineralización Cuprífera en Los Linderos. Macará (Prov. de Loja). Pilatasig, L., Gordón, D., Palacios, O., y Sánchez, J. (2005). Geología de Ecuador y Perú entre 3 S y 6 S. Proyecto Multinacional Andino. Ramírez, M. L. (2004). El método de jerarquías analíticas de Saaty en la ponderación de variables. Aplicación al nivel de mortalidad y morbilidad en la provincia del Chaco. Comunicaciones Científicas y Tecnológicas, Universidad Nacional del Nordeste, Resistencia, 1–4. Recuperado el 22 de junio de 2017, de http://hum.unne.edu.ar/investigacion/geografia/labtig/publicaciones/public16 .pdf Rigol, J., Pardo, E., Rodríguez, V., y Chica, M. (2011). Análisis e intergración de datos epaciales en investigación de recursos geológicos mediante Sistemas de Información Geográfica. Boletín de la Sociedad Geológica Mexicana, 63(1), 61–70. Recuperado el 3 de abril de 2017, de http://www.scielo.org.mx/pdf/bsgm/v63n1/v63n1a6.pdf Rosas, L., y Quispe, M. (2009). DELIMITACIÓN Y CODIFICACIÓN DE UNIDADES HIDROGRÁFICAS DEL ECUADOR (Núm. 1; p. 60). Recuperado de SECRETARIA NACIONAL DEL AGUA DEL ECUADOR, SECRETARIA GENERAL DE LA COMUNIDAD ANDINA, UNIÓN INTERNACIONAL PARA LA CONSERVACIÓN DE LA NATURALEZA. Recuperado el 5 de marzo de 2018, de http://app.sni.gob.ec/snilink/sni/PORTAL_SNI/PORTAL/IG/7_delimitacion_codificacion_metodologi a_pfafstetter.pdf Rose, A. W., Hawkes, H. E., y Webb, J. S. (1979a). Geochemistry in mineral exploration (Vol. 657). Academic press London. Rudas, G., y Hawkins, D. (2014). La minería de carbón a gran escala en Colombia: impactos económicos, sociales, laborales, ambientales y territoriales. Friedrich-Ebert-Stiftung (FES), 68. Recuperado el 13 de diciembre de 2017, de http://library.fes.de/pdffiles/bueros/kolumbien/11067.pdf Ruíz-Armenta, J. R., y Prol-Ledesma, R. M. (1995). Técnicas de procesamiento de imágenes en la exploración de yacimientos minerales de origen hidrotermal. Física de la Tierra, 7, 105–137. Recuperado el 30 de abril de 2017, de https://www.researchgate.net/profile/Rosa_Maria_Prol_Ledesma/publicatio n/27572560_Tecnicas_de_procesamiento_de_imagenes_en_la_exploracio n_de_yacimientos_minerales_de_origen_hidrotermal/links/5a5aa758aca27 27d608612f2/Tecnicas-de-procesamiento-de-imagenes-en-la-exploracionde-yacimientos-minerales-de-origen-hidrotermal.pdf

Saaty, T. L. (1994). Fundamentals of decision making. Pittsburgh: RWS Publications. Sendra, J. B., y García, R. C. (2000). El uso de los sistemas de información geográfica en la planificación territorial. Anales de Geografía de la Universidad complutense, 20, 49. Recuperado el 18 de junio de 2017, de http://download.tuxfamily.org/tuxgis/geodescargas/SIG_PlanificacionTerritor ial.pdf Sillitoe, R. H. (2010). Porphyry copper systems. Economic geology, 105(1), 3–41. Recuperado el 3 mayo de 2019, de https://pubs.geoscienceworld.org/segweb/economicgeology/articleabstract/105/1/3/128151 Slack, J. F., Grenne, T., Bekker, A., Rouxel, O. J., y Lindberg, P. A. (2007). Suboxic deep seawater in the late Paleoproterozoic: evidence from hematitic chert and iron formation related to seafloor-hydrothermal sulfide deposits, central Arizona, USA. Earth and Planetary Science Letters, 255(1–2), 243–256. Recuperado el 22 de febrero de 2018, de http://umanitoba.ca/faculties/science/geological_sciences/people/faculty/be kker/Slack%20et%20al%202007.pdf Smirnov, V. I., Creighton, H. C., y Dunham, K. (1976). Geology of mineral deposits. Mir. SoldGold. (2016). Cascabel: A New Generation Copper Gold Discovery for Ecuador. Presentado en PDAC, Canada. Recuperado el 13 de diciembre de 2017, de https://static1.squarespace.com/static/560a5feee4b0a63bf47c76f5/t/572987 bbc6fc081a498c97a0/1462339576775/SOLGOLD_PDAC+ecuador+Day20 16.pdf Thiart, C., y de Wit, M. (2000). Linking spatial statistics to GIS: exploring potential gold and tin models of Africa. South African Journal of Geology, 103(3–4), 215–230. Valpreda, E. C. (2007). Sistema de Información Geográfica (SIG)-teledetección y evaluación multicriterio (EMC) en un estudio de evaluación de impacto ambiental (EIA). In Memorias XI Conferencia Iberoamericana de Sistemas de Información Geográfica, 29–31. Recuperado el 19 de diciembre de 2017, de http://geo.exa.unrc.edu.ar/Posgrado/ARCHIVOS%20UTILES/1033-Valpreda.pdf Vásquez, M. (2017). Cartografía geoquímica multi-elemental de sedimentos fluviales. Aplicación al análisis del potencial metalogénico de la zona de Macará (Escala 1:100 000). Universidad Central del Ecuador, QuitoEcuador. Recuperado el 5 de mayo de 2019, de http://www.dspace.uce.edu.ec/handle/25000/13275

Vassallo, L. . (2008). Yaciminetos Minerales Metálicos (4ta ed.). Recuperado el 18 de junio de 2017, de http://www.geociencias.unam.mx/~bole/eboletin/lVassallo0908.pdf Vázquez, F. (1996). Geología económica de los recursos minerales (1996a ed.). Madrid: Fundación Gomez Pardo: ETSIM. Winter, L. S. (2008). The genesis of “giant”copper-zinc-gold-silver volcanogenic massive sulphide deposits at Tambogrande, Perú: age, tectonic setting, paleomorphology, lithogeochemistry, and radiogenic isotopes. University of British Columbia. Xiong, Y., Zuo, R., y Carranza, E. J. M. (2018). Mapping mineral prospectivity through big data analytics and a deep learning algorithm. Ore Geology Reviews, 102, 811–817. Xue,

Y., Sheng, X., y Jayaram, N. (2004). Guest editorial preface: geocomputation. Future Generation Computer Systems, 20(7), 1097–1099.

Yousefi, M., y Carranza, E. (2015). Data-Driven Index Overlay and Boolean Logic Mineral Prospectivity Modeling in Greenfields Exploration. Natural Resources Research, 16. https://doi.org/DOI: 10.1007/s11053-014-9261-9

7. ANEXOS 7.1

TABLAS DE PONDERACIÓN DE VARIABLES UFG Tabla 7.1 Matriz de ponderada y normalización: Formación Punta de Piedra

VARIABLE

Epitermales

Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS) Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS)

Vetas

Pórfidos

Skarn

Sulfuros masivos

1.00 0.14 1.00 1.00 9.00

0.14 0.17 1.00 1.00 8.00

0.11 0.11 0.11 0.13 1.00

0.08 0.01 0.08 0.08 0.74

0.01 0.02 0.10 0.10 0.78

0.08 0.08 0.08 0.09 0.69

1.00 5.00 0.20 1.00 1.00 7.00 7.00 6.00 9.00 9.00 Matriz Normalizada 0.05 0.18 0.01 0.04 0.05 0.25 0.38 0.21 0.49 0.32

Valor Ponderado 0.08 0.03 0.11 0.17 0.60

Tabla 7.2 Matriz de ponderada y normalización: Formación Celica VARIABLE

Epitermales

Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS) Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS)

Vetas

1.00 1.00 1.00 1.00 0.20 5.00 0.11 0.11 0.13 0.14 Matriz Normalizada 0.41 0.14 0.41 0.14 0.08 0.69 0.05 0.02 0.05 0.02

Pórfidos

Skarn

5.00 0.20 1.00 0.13 6.00

9.00 9.00 8.00 1.00 3.00

Sulfuros masivos 8.00 7.00 9.00 1.00 1.00

0.41 0.02 0.08 0.01 0.49

0.30 0.30 0.27 0.03 0.10

0.31 0.27 0.35 0.04 0.04

Valor ponderado 0.31 0.23 0.29 0.03 0.14

Tabla 7.3 Matriz de ponderada y normalización: Intrusivo Tangula VARIABLE Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS) Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS)

Pórfidos

Skarn

1.00 1.00 1.00 1.00 9.00 8.00 0.11 0.13 0.20 0.13 Matriz Normalizada 0.09 0.10

0.11 0.13 1.00 0.11 0.11

9.00 8.00 9.00 1.00 0.13

Sulfuros masivos 5.00 8.00 9.00 8.00 1.00

0.08

0.33

0.16

Valor ponderado 0.15

0.09 0.80 0.01 0.02

0.09 0.69 0.08 0.08

0.29 0.33 0.04 0.00

0.26 0.29 0.26 0.03

0.16 0.58 0.08 0.03

Epitermales

Vetas

0.10 0.78 0.01 0.01

Tabla 7.4 Matriz de ponderada y normalización: Formación Iguinda VARIABLE Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS) Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS)

Epitermales

Vetas

1.00 1.00 1.00 1.00 0.14 0.14 8.00 8.00 9.00 8.00 Matriz Normalizada 0.05 0.06 0.05 0.06 0.01 0.01 0.42 0.44 0.47 0.44

Pórfidos

Skarn

7.00 7.00 1.00 7.00 9.00

0.13 0.13 0.14 1.00 1.00

Sulfuros masivos 0.11 0.13 0.11 1.00 1.00

0.23 0.23 0.03 0.23 0.29

0.05 0.05 0.06 0.42 0.42

0.05 0.05 0.05 0.43 0.43

Valor ponderado 0.09 0.09 0.03 0.39 0.41

Tabla 7.5 Matriz de ponderada y normalización: Formación San Pedro VARIABLE Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS) Epitermales Vetas Pórfidos Skarn Sulfuros masivos (VMS)

Epitermales

Vetas

1.00 0.14 7.00 1.00 1.00 1.00 6.00 1.00 9.00 8.00 Matriz Normalizada 0.04 0.01 0.29 0.09 0.04 0.09 0.25 0.09 0.38 0.72

Pórfidos

Skarn

Sulfuros masivos

1.00 1.00 1.00 7.00 9.00

0.17 1.00 0.14 1.00 7.00

0.11 0.13 0.11 0.14 1.00

0.05 0.05 0.05 0.37 0.47

0.02 0.11 0.02 0.11 0.75

0.07 0.08 0.07 0.10 0.67

Valor ponderado 0.04 0.13 0.05 0.18 0.60

7.2

CALCULO DE RANGOS DE POBLACIONES POR EL MÉTODO DE LEPELTIER MODIFICADO

CALCULO DE RANGOS DE LA VARIABLE MULTI-ELEMENTAL (VME) TIPO DE MUESTRA

MACARÁ

UBICACIÓN

MINIMO

1898 0.00073

LOG 3.278296208 -3.13667714

PPB 1898 0.00073

MAXIMO

68.968316

1.838649622

68.968316

C 2

INTERVAL O MEDIO DE CLASE

0.229947918

Para los conteos el valor superior de cada clase está incluido dentro de la clase inferior

LOG

$ VME

-3.366625

0.001

-2.906729

0.002

-2.446833

0.004

-1.986938

0.011

-1.527042

0.03

-1.067146

0.086

SEDIMENTO FLUVIAL

LogMAX  LogMIN 3.3 log N

INTERVALO DE CLASE ( C )

PRIMERA CLASE INFERIOR

LogMIN 

VME

ELEMENTO

0.459895836

-3.366625058

C 2

INTERVALOS DE CLASE

fu 2

fu 3

fu 4

%f ACUM

PRIMERA CLASE DESDE 0.001 HASTA 0.002 SEGUNDA CLASE DESDE 0.002 HASTA 0.004 TERCERA CLASE DESDE 0.004 HASTA 0.011 CUARTA CLASE DESDE 0.011 HASTA 0.03 QUINTA CLASE DESDE 0.03 HASTA 0.086

-7

-6

-216

1296

0.05268704

0.05269

-6

0.05269

-5

-48

192

-768

3072

0.63224447

0.68493

-4

-75

225

-675

2025

1.31717597

2.00211

-3

-132

264

-528

1056

3.47734457

5.47945

PUNTO MEDIA DE CLASE - X

-0.38

-0.607250

0.248

-0.147354

0.713

0.312542

2.054

0.772437

5.922

1.232333

17.074

1.692229

49.23

2.152125

141.947

SEXTA CLASE DESDE 0.086 HASTA 0.248 SEPTIMA CLASE DESDE 0.248 HASTA 0.713 OCTAVA CLASE DESDE 0.713 HASTA 2.054 NOVENA CLASE DESDE 2.054 HASTA 5.922 DECIMA CLASE DESDE 2.054 HASTA 17.074 UNDECIMA CLASE DESDE 2.054 HASTA 49.23 DOCEAVA CLASE DESDE 5.922 HASTA 141.947

TOTAL

263

-1

-263

263

-263

263

13.8566913

19.3361

685

36.0906217

55.4268

439

23.1296101

78.5564

306

612

1224

2448

4896

16.1222339

94.6786

231

693

2079

6237

4.056902

98.7355

231

693

2079

6237

4.056902

98.7355

125

625

0.05268704

100

855

3729

4113

25797

1898

RANGOS DE POBLACIONES CONSIDERADAS PARA EL CÁLCULO DEL VME (inf+sup)/2 ($ VME)

0.0527

0.00

0.0527

0.00

0.6849

0.01

2.0021

0.02

5.4795

0.06

19.3361

0.17

55.4268

0.48

78.5564

1.38

94.6786

3.99

98.7355

11.50

98.7355

33.15

100.0000

95.59

POBLACIONES P3

100

11,50 3,99

1,38 0,48 0,17

0,06

1 0,1

10%

20%

30%

40%

50%

60%

70%

80%

0,02

90%

100%

0,01

$ VME

%f ACUM

CLASE

0,01

0,001

0,00 0,00

0,0001

% FRECUENCIA ACUMULADA