ASTER DATA PROCESSING & ANALYSIS forPORPHYRY COPPER EXPLORATION

In SOUTHERN ARIZONA

Venessa Bennett

Project Sponsor: Jonathan Boswell

Advanced Diploma GIS – Remote Sensing Concentration

Thankyou

PROJECT OVERVIEW

Collaborative project involving COGS and Anglo American Exploration USA Inc. based in Tucson, Arizona

Focus – process and analyze ASTER‐level 1B multispectral data to assist porphyry copper exploration

Important objective of analysis of processed data – RANK targets in terms of priority based on interpreted level of exposure through idealized porphyry 

copper deposit

Literature Review Data Acquisition + Pre‐Processing

Data Processing Data Post ‐ Processing Data Analysis and Ranking

PROJECT COMPONENTS

BACKGROUND ‐ ASTER SENSOR Multispectral imaging instrument aboard the Terra Satellite, launched 

December 1999

Acquires land surface temperature, emissivity, reflectance and elevation data.

Co‐operative between NASA and Japanese Ministry of Economy, Trade & Industry

ASTER – (Advanced SpaceborneThermal Emission and Reflection 

Radiometer) 

4 VNIR bands, 6 SWIR bands, 5 TIR bands

Backwards‐looking NIR band (3B) yields stereo coverage (DEM generation)

http://www.jspacesystems.or.jp/ersdac/GDEM/E/2.html

Scene Footprint:  60 x 60 km2

BACKGROUND ‐ ASTER SENSOR 

Spatial Resolution: NIR – 15 m, SWIR – 30 m, TIR – 90 m

http://vterrain.org/Imagery/Satellite/LS7‐vs‐ASTER.jpg

NIR SWIR TIR

On‐demand instrument with Global Coverage (average 650 scenes/day)

SWIR bands specifically designed for lithological and mineral alteration mapping

n.b: As of April 2008, SWIR acquisition ceased due to erroneous raw DN values

VNIR 3‐2‐1 False Colour Composite – 15 m

SWIR 4‐5‐6 False Colour Composite – 30 m

TIR 10‐11‐12 False Colour Composite – 90 m

Variety of processing levels available – Most common:

Level 1A – reconstructed instrument Digital Numbers (DN; unprocessed ‘raw’ data)

Level 1B: Registered radiance at sensor (radiometrically calibrated and geometricallyco‐registered) – THIS STUDY

BACKGROUND ‐ ASTER SENSOR 

Level1B Images georeferenced to WGS 84 datum and AOI UTM projections

Data – Hierarchical Data Format (HDF‐EOS) 

[AcquisitionDate

MMDDYYY]

[Processing Level]

[AcquisitionTime] 

[UpdatedProcessing

Date YYYYMMDD]

[Sensor]

[UpdatedProcessingTime]

[Data GranuleSequentialNumber]

BACKGROUND ‐ ASTER SENSOR 

ASTER L1A and L1B are freely available for download for coverage across the USA

(purchase for international locations – $80 – 100)

Surface expressions of mineralization can be remotely sensed due to 

their CHEMICAL FOOTPRINT

MINERAL ZONATION typically occurs and yields  

results in differing SPECTRAL SIGNATURES 

that vary in space

APPLICATION to PORPHYRY COPPER EXPLORATION

(Source ‐ Pour and Hashim, 2012)

Same methods would be used to map vegetation differences and health

PORPHYRY COPPER DEPOSIT MODELPhyllic

Propylitic

Potassic

EXPOSURE LEVEL ZONAL VARIATIONS

CROSS SECTION

PLAN VIEWS

HIGH LEVEL

MID LEVEL

Most practical ASTER processing targets PROPYLITIC, PHYLLIC and ARGILLIC ZONES due to spectral resolveability

CORE LEVEL

ZONAL VARIATIONS in PROCESSED ASTER DATA –HIGH LEVEL

2SD Threshold

ZONAL VARIATIONS in PROCESSED ASTER DATA –CORE LEVEL

2SD Threshold

RGB VISUALIZATIONS

Mine Extension

???

Mix of Blue and Red bands = purpleSilica

RGB layer stack important for identifying more discreteAlteration footprints NOT identified in 2 SD thresholds

STUDY AREASouthern Arizona historic copper producing district

Study area (AOI) is region of both active copper mining and exploration

PROJECT DATASETS9 Archival (pre April 2008) Level 1B ASTER datasets encompass the AOI

1/3 Arc Second National Elevation Data (NED) ‐ Orthorectification

PROJECT COMPONENTS

Literature Review – Determine most applicable processing methods

Data Acquisition + Pre‐Processing ‐ Acquire and prepare data for processing and analysis

Data Processing – Various raster processing algorithms applied to emphasize spectral contrasts between PROPYLITIC, PHYLLIC and ARGILLIC

alteration (Band ratios and Principal Component Analysis)

Data Post ‐ Processing ‐ Final scene masking, trimming, thresholding and layerstacking automated using custom geoprocessing models (ASTER 

toolbox)

Data Analysis and Ranking – Examination of data in geological context to identify and rank targets

PRE ‐ PROCESSING WORK FLOW ASTER scene ACQUISITION CROSSTALK CORRECTION– Partial compensation for observed signal leakage from band 4 

into bands 5 and 9 (open source software) LAYER STACKING 1:  VNIR (15m), SWIR (30m) and TIR (90m) LAYER STACKING 2/RESAMPLING 15m  ‐ VNIR + SWIR  = 9 band stack RADIANCE CALIBRATION to relative surface REFLECTANCE(VNIR+SWIR) and EMISSIVITY (TIR) 

– involves application of Atmospheric correction algorithm (FLAASH) Image ORTHORECTIFICATION ‐ 1/3 arc second NED DEM

ASTER PROCESSING FOR MINERAL ALTERATION MAPPING

Groups 1 & 2: enhance spectral contrasts between diagnostic ABSORPTION FEATURES 

between alteration minerals

Propylitic (chlorite, epidote) – 2.35 m absorptionPhyllic (kaolinite,alunite) – 2.20 m absorption

Three main groups of ASTER processing techniques: Band Ratios (Gp 1) , Data Transformations – PCA (Gp 2)  and Spectral Mapping (Gp 3)

Group 3 ‐ supervised classification algorithms using end member spectra derived from imagery or laboratory &/or field  based spectral libraries

Argillic (Muscovite‐sericite) – 2.17 m absorption

GROUP 1 Band Ratios  & 2 PCA conducted in this study

ASTER PROCESSING – BAND RATIOS

Technique in which DN (surface reflectance or emissivity) of > 1 band are divided by DN of > 1 other bands to ENHANCE spectral differences 

Band Ratios used for Arizona Study area: 

PROPYLITIC ‐ (7+9)/8PHYLLIC ‐ (5+7)/6ARGILLIC ‐ 4/5Silica ‐ 11/12 

Iron Oxides ‐ 4/2Vegetation – 3/2

BAND RATIOS ‐ PHYLLIC (5+7)/6 EXAMPLE

Threshold values only draped on Landsat

Ratio Image

ASTER PROCESSING – FEATURE ORIENTED PRINCIPAL COMPONENT ANALYSIS

Orthogonal transformation of SELECTED ASTER bandsmost representation of alteration minerals – selected according to position of DIAGNOSTIC spectral 

features (typically 2 reflective and absorption bands)

Helps separate noise from meaningful information content 

Critical to examine resultant statistics (eigenvector values) to determine whether the mineral of interest will appear bright or 

dark in the imagery

Threshold values only draped on Landsat

Ratio Image – DARK pixels = Argillic alteration

FEATURE ORIENTED PRINCIPAL COMPONENT ANALYSIS

POST‐ PROCESSING: MASKINGThe large number of scenes and types of analysis procedures used require automation of post‐processing procedures (custom ASTER 

toolbox in ArcGIS)

Several features existent in each scene must be removed or minimized to ensure accurate statistical calculations when determining threshold cutoffvalues for each mineral species. 

These include:

1. Scene edge effects (parallax correction applied to SWIR data causes offset on scene edge when VNIR and SWIR are layer stacked)

2. Water bodies (can distort min/max cell values)3. Urban areas (can distort min/max cell values)

4. Vegetation (can yield false positives)

VEGETATION MASKING

A threshold cutoff value is applied to a  3/2 band ratio image to create a mask

Zero cell values – green vegetation1 cell values – no vegetation

The vegetation mask is then multiplied by the ASTER scene

SCENE EDGE EFFECT, WATER BODIES & URBAN AREASGeoprocessing tool combines vegetation model into total scene masking model that accounts for edge effect, water, vegetation and urban areas

Scene edge, water body (shape file) and urban areas are removed using extract by mask tool

ASTER MASK TOOLINPUT ASTER 

SCENE

INPUT VEGETATION

MASK

OUTPUT MASKED IMAGE

POST‐ PROCESSING: THRESHOLD CALCULATIONBand ratios and PCA transformation generate a ‘result’ for every cell, most of 

which are false positives.

Each band ratio and PCA transformed ASTER scene must have thresholds applied. 

1 and 2 Standard Deviations thresholds were calculated for each band ratio and PCA dataset for each aster scene using geoprocessing tools.

POST ‐ PROCESSING: THRESHOLD CALCULATION

Higher thresholds = higher probability that mineral of interest occurs at that location

POST ‐ PROCESSING: RGB VISUALIZATIONThree RGB datasets representing statistical ‘slices’ were created for each ASTER 

scene.R – PHYLLIC  G – ARGILLIC  B – PROPYLITIC

Slice 1 : ENTIRE data with masks appliedSlice 2: 1 SDSlice 3: 2 SD

Slice 1: Total + Mask  Slice 2: 1 SD  Slice 3: 2 SD 

Slice 1: Total + Mask 

Slice 2: 1 SD 

Slice 3: 2 SD 

ANALYSIS AND RANKINGEach RGB slice was evaluated in terms of mineral zonation trends depicted by 

the resultant ASTER thresholds and RGB slices.

BAND RATIO – RGB Slice 1

Silica (2SD threshold)

ANALYSIS AND RANKINGTargets were then ranked in context of porphyry deposit model

CORE LEVEL

HIGH LEVEL 

IMPORTANT REFERENCES

http://www.ga.gov.au/webtemp/image_cache/GA7833.pdf ‐ ASTER Mineral Index Processing Manual

Crosta AP, Souza Filho CR, Azevedo F, Brodie C (2003). Targeting key alteration minerals in epithermal deposits in Patagonia, Argentina, Using ASTER imagery and principal component analysis. Int J Remote sens 24:4233–4240

Loughlin, W., (1991). Principal component analysis for alteration mapping. Photogrammetric Engineering and Remote Sensing, 57, 1163–1169.

Lowell, J.D., and Guilbert, J.M., (1970). Lateral and vertical alteration‐mineralization zoning in porphyry ore deposits: Economic Geology and the Bulletin of the Society of Economic Geologists, v. 65, no. 4, p. 373–408.

Mars, J.C., and Rowan, L.C. 2006. Regional mapping of phyllic‐ and argillic‐altered rocks in the Zagros magmatic arc, Iran, using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data and logical operator algorithms. Geosphere 2: 161 – 186. doi: 10.1130/GES00044.1 v. 2 no. 3 p. 161‐186

Pour, B.A., and Hashim, M., 2012. The application of ASTER remote sensing data to porphyry copper and epithermal gold deposits. Ore Geology Reviews 44, 1‐9.  http://www.sciencedirect.com/science/article/pii/S0169136811001168

Sillitoe, R.H.  (2010). Porphyry copper systems, Economic Geology, v. 105, pp. 3‐41