Metodología para la identificación de tejas de asbesto cemento a través de imágenes hiperespectrales en la ciudad de Cartagena
DOI:
https://doi.org/10.26507/paper.2590Palabras clave:
Asbesto, imágenes hiperespectrales, longitud de onda, bandasResumen
El asbesto es uno de los componentes del fibrocemento, un material de construcción que permite mayor resistencia al calor es fuerte y no es conductor de electricidad. No obstante, se ha comprobado que las fibras de este mineral son cancerígenas para el ser humano.
Este trabajo tiene como finalidad reportar una metodología para determinar la distribución espacial de las cubiertas de asbesto-cemento a través de imágenes hiperespectrales en la zona urbana de la ciudad de Cartagena. Se recolectarán muestras de cubiertas con un tamaño de 40 cm x 15 cm en las zonas de estudio y a través de la espectroscopia infrarroja con transformada de Fourier (FTIR), se obtendrá un espectro infrarrojo de absorción o emisión del material conocido como Firma espectral. Adicionalmente, se tomarán muestras de tamaño 1 cm x 1 cm para la realización de análisis de microscopía de luz polarizada (PLM) para determinar si estas muestras poseen asbesto, luego, conociendo este dato, se calibrará un escáner conocido como HySpex Mjolnir VS-620, el cual cubre el rango espectral de 400 a 2500 nm, utilizando 500 bandas en esta, lo cual permite que se obtenga una mejor eficacia.
Estas muestras tomadas en campo, servirán como input para el algoritmo de identificación del software ENVI, el cual utiliza un clasificador denominado SAM (Spectral Angel Mapper, por sus siglas en inglés), que acoplado al software ArcGis se realizará el mapeo de los techos de fibrocemento en el área de estudio.
Cabe resaltar, que, para la obtención de las imágenes, se realizará un sobrevuelo en avioneta en la ciudad y posteriormente, se llevará a cabo el postprocesamiento de estas imágenes para así evaluar el estado de las imágenes y realizar las correcciones pertinentes.
Con esta metodología, se pretende brindar una herramienta a las entidades competentes para el manejo de forma segura del material, además de mostrar una forma más eficaz de identificar elementos sin estar en contacto con ellos, como es en el caso de las tejas de asbesto cemento; cabe mencionar que no se han realizado investigaciones que desarrollen esta metodología en el continente americano.
Descargas
Citas
Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., & Sousa, J. J. (2017). Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, 9(11). https://doi.org/10.3390/rs9111110
Bassani, C., Cavalli, R. M., Cavalcante, F., Cuomo, V., Palombo, A., Pascucci, S., & Pignatti, S. (2007). Deterioration status of asbestos-cement roofing sheets assessed by analyzing hyperspectral data. Remote Sensing of Environment, 109(3), 361–378. https://doi.org/10.1016/j.rse.2007.01.014
Bhadra, B. K., Pathak, S., Nanda, D., Gupta, A., & Rao, S. S. (2020). Spectral characteristics of talc and mineral abundance mapping in the Jahazpur Belt of Rajasthan, India using AVIRIS-NG data. International Journal of Remote Sensing, 41(22), 8754–8774. https://doi.org/10.1080/01431161.2020.1783710
Camacho-Velasco, A., Vargas-García, C. A., Rojas-Morales, F. A., Castillo-Castelblanco, S. F., & Arguello-Fuentes, H. (2015). Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Revista Facultad de Ingenieria, 24(40), 17–29. https://doi.org/10.19053/01211129.3845
Cilia, C., Panigada, C., Rossini, M., Candiani, G., Pepe, M., & Colombo, R. (2015). Mapping of asbestos cement roofs and their weathering status using hyperspectral aerial images. ISPRS International Journal of Geo-Information, 4(2), 928–941. https://doi.org/10.3390/ijgi4020928
Dkhala, B., Mezned, N., Gomez, C., & Abdeljaouad, S. (2020). Hyperspectral field spectroscopy and SENTINEL-2 Multispectral data for minerals with high pollution potential content estimation and mapping. Science of the Total Environment, 740. https://doi.org/10.1016/j.scitotenv.2020.140160
Fan, Y., Wan, Y., Wang, H., Yang, X., Liang, M., Pan, C., Zhang, S., Wang, W., & Tan, F. (2021). Application of an airborne hyper-spectral survey system casi/sasi in the gold-silver-lead-zinc ore district of huaniushan, Gansu, China. Geologia Croatica, 74(1), 73–83. https://doi.org/10.4154/gc.2021.04
Frassy, F., Candiani, G., Rusmini, M., Maianti, P., Marchesi, A., Nodari, F. R., Via, G. D., Albonico, C., & Gianinetto, M. (2014). Mapping asbestos-cement roofing with hyperspectral remote sensing over a large mountain region of the Italian western alps. Sensors (Switzerland), 14(9), 15900–15913. https://doi.org/10.3390/s140915900
Judyta Książek. (2014). Methods for Detection of Asbestos-Cement Roofing Sheets. 8(3), 59–76. https://doi.org/dx.doi.org/10.7494/geom.2014.8.3.59
Lei, L., Jilu, F., Benoit, R., Xinliang, X., Jun, Z., Ling, H., Junlu, Y., & Guangli, R. (2018). Mapping alteration using imagery from the Tiangong-1 hyperspectral spaceborne system: Example for the Jintanzi gold province, China. International Journal of Applied Earth Observation and Geoinformation, 275–286. https://doi.org/10.1016/j.jag.2017.03.013
Liu, H., Wu, K., Xu, H., & Xu, Y. (2021). Lithology classification using TASI thermal infrared hyperspectral data with convolutional neural networks. Remote Sensing, 13(16). https://doi.org/10.3390/rs13163117
Maianti, P., Rusmini, M., Tortini, R., Dalla Via, G., Frassy, F., Marchesi, A., Rota Nodari, F., & Gianinetto, M. (2014). Monitoring large oil slick dynamics with moderate resolution multispectral satellite data. Natural Hazards, 73(2), 473–492. https://doi.org/10.1007/s11069-014-1084-9
Szabó, S., Burai, P., Kovács, Z., Szabó, G., Kerényi, A., Fazekas, I., Paládi, M., Buday, T., & Szabó, G. (2014). Testing algorithms for the identification of asbestos roofing based on hyperspectral data. Environmental Engineering and Management Journal, 13(11), 2875–2880. https://doi.org/10.30638/eemj.2014.323
Thannoun, R. G. (2021). Mapping lithological and mineralogical units using hyperspectral imagery. Malaysian Journal of Science, 40(1), 93–106. https://doi.org/10.22452/mjs.vol40no1.8
Tommasini, M., Bacciottini, A., & Gherardelli, M. (2019). A QGIS tool for automatically identifying asbestos roofing. ISPRS International Journal of Geo-Information, 8(3). https://doi.org/10.3390/ijgi8030131
López Vargas; Valdelamar Martínez. (2019). ALGORITMO EMPÍRICO PARA LA ESTIMACIÓN DE TURBIDEZ Y SOLIDOS SUSPENDIDOS TOTALES MEDIANTE EL USO DE IMÁGENES SATELITALES EN LA CIÉNAGA DE LA VIRGEN, CARTAGENA, COLOMBIA. 45(45), 95–98.
American cancer Society. (2015). El asbesto y el riesgo de cáncer. https://www.cancer.org/es/saludable/causas-del-cancer/asbesto.html#:~:text=La IARC clasifica el asbesto,de voz) y los ovarios.
National Aeronautics and Space Administration, S. M. D. (2010). Introduction to the Electromagnetic Spectrum. http://science.nasa.gov/ems/01_intro
Guerrero, Bernal, Juan, C. (2018). Parte 1: La prohibición y la regulación del uso del asbesto en el mundo. 49.
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
