Por: Renzo Flores, Datamine Perú, Karla Baca, Camino Corp., y Fakey Zubieta, Universidad Nacional Mayor de San Marcos.

Resumen

Este estudio desarrolla una metodología integrada para identificar zonas de interés exploratorio asociadas a sistemas tipo pórfido y epitermal en la franja metalogenética del sur del Perú, en particular de los ANAP Huyahuya y Antabamba Bloque 2. Se analizaron 663 muestras geoquímicas de roca aplicando transformación Centered Log-Ratio (CLR), análisis factorial (FA) y modelamiento fractal (C–A y LSA). Sobre datos de teledetección se generaron los índices: Porfido_Index y Epitermal_Index, también evaluados fractalmente. Las estructuras fueron analizadas mediante dimensión fractal (D), permitiendo inferir controles tectónicos sobre la mineralización. Se delinearon 27 polígonos, validando 13 propuestos por el Instituto Geológico, Minero y Metalúrgico (Ingemmet) y proponiendo 14 nuevos (incremento del 107.7%). Todos los polígonos fueron contrastados con descripciones de campo del Ingemmet con presencia de minerales mena como calcopirita, bornita y oro nativo. Destacan TRG_27 y TRG_18 por sus altas leyes (hasta 3,222 ppb Au y 8,264 ppm Cu). El enfoque es replicable y aporta valor estratégico a la exploración mineral moderna.

Palabras Clave: exploración, reevaluación geoquímica, estructural, teledetección.

Introducción

Los sistemas tipo pórfido Cu-Au-Mo y epitermales Au-Ag representan los principales objetivos de exploración mineral en el sur del Perú, dentro del arco magmático andino, una de las provincias metalogenéticas más significativas a nivel global (Sillitoe, 2010; Cooke et al., 2005). En este contexto, el Ingemmet desarrolló campañas de prospección en las Áreas de No Admisión de Petitorio (ANAP) Huyahuya (2018) y Antabamba Bloque 2 (2016), ubicadas en la región Apurímac y relacionadas a intrusivos del batolito Andahuaylas – Yauri (Figura 1a).

Se integraron datos geoquímicos, estructurales y espectrales mediante técnicas tradicionales como análisis de componentes principales (PCA), análisis factorial (FA), cocientes de bandas y análisis de orientación estructural (Amiri et al., 2017; Faraj et al., 2019). Las estructuras cartografiadas (Ingemmet, 2022) fueron validadas mediante evidencias de campo y coherencia geométrica (Zuloaga et al., 2016; Villarreal et al., 2019), priorizando aquellas con mayor potencial de canalizar fluidos mineralizantes según su orientación, buzamiento y contraste litológico (Pfiffner, 2017; Camus & Castelli, 2020; Hronsky, 2013). Sobre esta base, se emplearon diagramas de roseta para identificar tendencias estructurales dominantes vinculadas a la mineralización.

Sobre esta base, se aplicaron enfoques fractales avanzados. Para la geoquímica y teledetección, se utilizó el análisis de singularidad local (α) y el modelo Concentración – Área (C–A) para definir umbrales anómalos (Ma et al., 2023; Cheng, 2007).

En el análisis estructural, se empleó el método de Box-Counting para calcular la dimensión fractal (D), cuantificando la complejidad de redes de fallas y su vínculo con procesos mineralizantes (Zhao et al., 2011; Afzal et al., 2011).

La justificación del enfoque fractal radica en su capacidad para modelar la naturaleza multiescalar, auto-similar y no lineal de los sistemas geológicos (Carranza, 2009; Zuo & Wang, 2016), mejorando el targeting al integrar patrones complejos dispersos en diferentes dominios de datos (Liu et al., 2013; Shan Xu et al., 2020).

En conjunto, esta metodología proporciona una herramienta cuantitativa, adaptable y eficiente para optimizar la identificación de zonas favorables en diversos entornos geológicos, reforzando el valor predictivo y espacial del análisis en campañas de exploración mineral moderna.

Objetivos

ν Demostrar la eficacia de integrar metodologías fractales y multiescalares (LSA, modelo C–A y Box-Counting) sobre datos geoquímicos, estructurales y espectrales, con el fin de optimizar el “targeting” mineral en los ANAP Huyahuya y Antabamba Bloque 2.

ν Delimitar zonas prioritarias de interés mineral en sistemas tipo pórfido-epitermal mediante el análisis conjunto de datos validados de campo, geoquímica multielemental, de estructuras y teledetección, aportando criterios técnicos para orientar futuras campañas de exploración en la región.

Contexto geológico y metalogenético

El área de estudio se sitúa dentro de la franja metalogenética XV del sur peruano (Figura 1b), reconocida por su elevado potencial para el desarrollo de sistemas tipo pórfido Cu-Mo (Au) y skarn Cu-Au-Fe. El sector se encuentra rodeado por múltiples concesiones de compañías nacionales e internacionales, que destacan la importancia prospectiva y estratégica del sector (Figura 1c).

Estos depósitos se encuentran espacial y temporalmente asociados a la intrusión de stocks del Batolito Andahuaylas – Yauri durante el intervalo Eoceno – Oligoceno (~42–30 Ma). Este batolito, de afinidad calcoalcalina, metaluminosa y tipo I, intruye a las unidades sedimentarias del Grupo Yura (Jurásico) y de la Formación Arcurquina (Cretácico medio), generando contactos litológicos altamente favorables para la circulación de fluidos hidrotermales.

El marco geológico local está dominado por una secuencia de rocas intrusivas asociadas a cinco pulsos  magmáticos  diferenciados.  Estos comprenden desde intrusiones de dioritas y cuarzo dioritas tempranas, hasta cuerpos más evolucionados de granodioritas, cuarzo monzodioritas y cuarzo monzonitas, seguidos por diques hipoabisales dacíticos y vetillas aplíticas (Zuloaga A, 2016).

Esta evolución magmática polifásica evidencia una prolongada actividad ígnea e hidrotermal, coherente con los modelos de génesis de sistemas tipo pórfido y epitermal (Zurcher & Dilles, 2007; Sillitoe, 2010).

Asimismo, se reconocen cuerpos de brechas intrusivas con clastos de granodiorita y pórfido dacítico, vinculados a la evolución de los pulsos magmáticos e hidrotermales en la zona de estudio (Zuloaga A., 2016).

Desde el punto de vista estructural, el área está atravesada por sistemas de fallas con orientación NE-SO y NO-SE, que actúan como zonas de debilidad estructural facilitando la circulación de fluidos hidrotermales, son también importantes en los contactos entre unidades ígneas y carbonatadas.

Este modelo geológico es análogo al observado en los proyectos cercanos La Yegua (pórfido Cu-Mo-Au) y Tumipampa (skarn Au-Cu-Ag), donde se ha documentado mineralización de Cu-Mo-Au asociada a la alteración potásica central, rodeada por halos de alteración fílica. Las edades radiométricas disponibles (K-Ar y Re-Os) indican que el principal evento de mineralización tipo pórfido se desarrolló entre ~42 y ~30 Ma (Carlotto et al., 2009), en un entorno tectónico compresivo comparable con los cinturones porfiríticos del sur andino peruano y del norte de Chile (Carlotto et al., 2009; Acosta et al., 2010).

Metodología

Geoquímica

Base de datos geoquímica y control de calidad

Se utilizaron un total de 663 muestras de roca recolectadas en los proyectos ANAP Huyahuya (2018) y Antabamba Bloque 2 (2016) del Ingemmet. Los análisis fueron realizados en SGS del Perú, mediante ensayo al fuego para oro (Au, 50 g) y ICP-MS tras digestión multiácida, cubriendo un total de 50 elementos químicos.

Como parte del control de calidad, se evaluó la censura analítica por Límite de Detección (LOD). Se excluyeron Se, Te y U, al presentar más del 50% de datos por debajo del LOD, en concordancia con criterios de robustez estadística (Reimann & Filzmoser, 2000). Se retuvo el Au a pesar de su censura parcial, dada su relevancia geoquímica como elemento guía en sistemas mineralizados (Halley et al., 2015; Carranza, 2009).

Análisis exploratorio y transformación composicional

Se realizó un Análisis Exploratorio de Datos (EDA), que incluyó estadísticas descriptivas y métricas de forma como asimetría (skewness) y curtosis, evidenciando distribuciones fuertemente sesgadas para Au, Ag, Cu, Mo, entre otros. Debido al carácter composicional de los datos geoquímicos (con restricciones de suma constante), se aplicó la transformación Centered Log-Ratio (CLR), propuesta por Aitchison (1986) y, posteriormente, formalizada en términos geométricos para el análisis multivariado por Egozcue et al. (2003). Esta transformación traslada los datos desde el simplex a un espacio euclidiano, reduciendo las correlaciones espurias y permitiendo la aplicación rigurosa de técnicas estadísticas multivariadas en exploración geoquímica.

Selección de elementos guía y análisis factorial 

Se seleccionaron 16 elementos guía comúnmente asociados a mineralización en pórfidos y epitermales (Au, Ag, As, Bi, Cd, Cs, Cu, In, Li, Mo, Pb, Sb, Sn, Tl, W, Zn) (Tabla 1A), con base en los trabajos de Halley et al. (2015) y Cooke et al. (2005) sobre zonación geoquímica en estos sistemas.

Sobre los datos CLR transformados (Tabla 1B), se aplicó un análisis factorial (FA) con rotación Varimax para identificar asociaciones multielementales (Tabla 2). Este enfoque es ampliamente reconocido en geoquímica exploratoria para la identificación de firmas geoquímicas y la construcción de índices multivariados (Carranza, 2009; Zuo & Wang, 2011).

Se extrajeron dos factores principales, que explicaron en conjunto el 51.8% de la varianza. El Factor 1 (34.3%) presentó altas cargas para Au, Ag, Cu, Bi, lo que permitió interpretarlo como un componente mineralizante. En consecuencia, se invirtió su signo para construir el índice F1* (–F1), lo que facilita su interpretación directa como intensidad de anomalía (Carranza, 2009). El Factor 2 (17.5%) se asoció a elementos de halo distal o alteraciones periféricas (Pb, Zn, Cd, Li, Cs).

Esta interpretación fue confirmada mediante un biplot de F1 vs F2 sobre datos CLR (Figura 2), donde se observa el agrupamiento de vectores asociados a mineralización en un mismo cuadrante.

Cálculo del índice de singularidad 

Para cuantificar la heterogeneidad espacial del índice F1*, se calculó el exponente de singularidad α, el cual permite detectar anomalías locales mediante el contraste entre un valor puntual y su entorno. El cálculo se efectuó siguiendo la formulación de Local Singularity Analysis (LSA) propuesta por Cheng (2007) y aplicada recientemente en estudios geoquímicos regionales por Ma et al. (2023), así como en casos de exploración por Zuo et al. (2009):

Donde F1*_local es el promedio del índice F1* dentro de una ventana de 5×5 celdas de 100 m, representando el entorno local.

La LSA constituye un enfoque multifractal orientado a identificar patrones de enriquecimiento o depleción local, capaces de reflejar la canalización de flujos metálicos en intervalos espaciales y temporales reducidos (Cheng, 2007; Zuo et al., 2009) (Tabla 3).

Modelamiento fractal mediante el modelo C–A

La distribución del índice α fue modelada mediante el modelo fractal Concentration – Área (C–A) desarrollado por Cheng et al. (1994), el cual describe cómo la intensidad geoquímica y su área de ocurrencia siguen una ley potencial:

Donde A es el área acumulada de celdas cuya intensidad ρ (en este caso, el valor de α) es menor o igual a un umbral µ. Al representarse en escala logarítmica, esta relación se vuelve lineal:

El ajuste se realizó mediante regresión segmentada utilizando el paquete Segmented en R (Muggeo, 2003), lo que permitió identificar puntos de quiebre estadísticamente significativos y, por ende, definir umbrales fractales que separan diferentes poblaciones geoquímicas (Figura 3).

Se identificaron cuatro segmentos lineales en la curva C–A, correspondientes a diferentes poblaciones geoquímicas (Tabla 4).

Las pendientes suaves (–0.03 y –0.36) en los primeros tramos indican poblaciones autosimilares con potencial mineralizado; mientras que las pendientes más negativas (–2.82 y –5.43) en los tramos finales corresponden a áreas sin enriquecimiento significativo, reflejando un carácter diluido del background (Carranza, 2011; Zuo et al., 2012; Liu et al., 2013) (Tabla 5).

Clasificación fractal del terreno

Los umbrales obtenidos mediante el modelo C–A se aplicaron para generar un mapa de clasificación fractal de singularidad, definiendo cuatro dominios geoquímicos. Este mapa fue integrado en un entorno GIS para análisis espacial, lo que permitió delimitar zonas de interés prioritario para exploración, basadas en:

ν Singularidad local elevada (valores altos de α).

ν Asociación multielemental favorable (índice F1*).

ν Soporte estadístico sólido, garantizado por la segmentación fractal.

Estructural

Recopilación y priorización estructural 

Se recopiló la red de fallas y lineamientos a partir de la cartografía geológica digital del Ingemmet (2022), complementada con estudios estructurales previos en ANAP y en proyectos regionales. Posteriormente, se efectuó una depuración técnica que permitió validar únicamente aquellas estructuras con respaldo morfológico, cinemático y litológico verificable. Esta verificación se basó en metodologías multiescalares recomendadas por Zuloaga et al. (2016), centradas en la coherencia geométrica y el control litoestructural, así como en los criterios de campo propuestos por Villarreal et al. (2019) y el enfoque progresivo de deformación planteado por Contreras (2012) para los Andes centrales.

Con la red validada, se priorizaron aquellas estructuras con potencial de actuar como conductos de fluidos mineralizantes o sistemas translitosféricos. Para ello, se evaluaron atributos estructurales como: tendencia coincidente con áreas mineralizadas, alto ángulo de buzamiento, contraste de edades entre bloques y presencia de diferenciación magmática. Los cuales sugieren actividad prolongada y control tectono-magmático profundo. Este enfoque se sustenta en los modelos de arquitectura litosférica de Pfiffner (2017), en los criterios estructurales-metalogenéticos de Camus y Castelli (2020), y el concepto de “mineral systems” controlados por zonas de debilidad persistente, propuesto por Hronsky (2013).

Análisis direccional – Roseta estructural jerarquizada

Con la red estructural validada, se construyó un diagrama de rosetas bidireccional ponderado tanto por longitud total acumulada como por número de estructuras. Este análisis permitió clasificar la red en cuatro conjuntos jerárquicos principales según su orientación dominante y frecuencia relativa (Figura 4):

ν Control I: NW–SE (110°–160°):

• Representa el 46.35%, claramente el conjunto principal.

• Es la tendencia estructural dominante en longitud acumulada.

ν Control II – E–W (70°–110° y conjugadas):

• Con un 21.06%, corresponde al conjunto prioritario.

• Se evidencia como una orientación estructural significativa pero subordinada al Control I.

ν Control III – N–S / NNE–SSW (160°–20°):

• Con un 16.89%, se clasifica como conjunto secundario.

• Se vincula a un patrón meridional (N–S).

ν Control IV – NE–SW / ENE–WSW (20°–70°):

• Con un 15.70%, es el conjunto subordinado.

• Menor peso estructural relativo, con participación en fallas locales.

La jerarquización se estableció considerando tres criterios principales:

ν Intensidad estructural (m/estructura).

ν Longitud total acumulada por rango direccional.

ν Participación en zonas de interferencia o cruce tectónico.

Esta clasificación permitió relacionar cada conjunto estructural con eventos de deformación específicos y evaluar su influencia relativa en el control de la mineralización.

Cálculo de la dimensión fractal de estructuras lineales

El análisis fractal de las estructuras lineales se realizó mediante el método de Box-Counting, técnica ampliamente validada en estudios de patrones espaciales complejos asociados con fracturas y lineamientos geológicos (Afzal et al., 2011; Mirzaie et al., 2015; Chauhan y Dixit, 2024). Este enfoque permite cuantificar la complejidad espacial y la distribución fractal de fallas y lineamientos, lo cual resulta clave para identificar sectores con alta densidad estructural y mayor potencial para la concentración de fluidos mineralizantes, constituyendo targets exploratorios prioritarios (Zhao et al., 2011).

Los pasos metodológicos se estructuraron de la siguiente manera:

Construcción de grillas multiescala en GIS: se generaron grillas jerárquicas (fishnets) con resoluciones espaciales de 100 m, 50 m, 25 m y 12.5 m. Este procedimiento multiescalar, recomendado por Bo Li et al. (2010), Zhao et al. (2011) y Mirzaie et al. (2015), es esencial para capturar la heterogeneidad estructural, garantizando un análisis robusto y consistente en diferentes escalas espaciales.

Aplicación del método Box-Counting: en cada nivel de resolución se determinó el número de subceldas ocupadas por lineamientos estructurales. Este conteo proporcionó una medida cuantitativa objetiva de la densidad estructural, constituyendo la base empírica para el análisis fractal mediante modelos logarítmicos (Afzal et al., 2011; Zhao et al., 2011).

Transformación logarítmica: los valores resultantes se transformaron en escala logarítmica (log₁₀), obteniendo pares ordenados [log (r), log N(r)] que describen la relación fractal entre el tamaño de celda (r) y el número de celdas ocupadas [N(r)]. Esta relación refleja cuantitativamente la complejidad espacial inherente a las estructuras geológicas (Chauhan y Dixit, 2024; Zhao et al., 2011).

Cálculo de la dimensión fractal: para cada celda del área estudiada, se aplicó una regresión lineal simple a partir de los pares ordenados generados [Log N(r) vs Log (r)], conforme a la siguiente ecuación:

Donde:

ν D: valor absoluto de la pendiente de la regresión lineal simple (|slope|), representa directamente la dimensión fractal.

ν b: constante dependiente de las características estructurales específicas del área local analizada.

El cálculo se realizó mediante funciones estadísticas estándar en Excel:

ν Pendiente (slope) y coeficiente de determinación (R²).

Esta metodología es ampliamente aceptada debido a su simplicidad y rigor estadístico en la determinación precisa del valor fractal de estructuras geológicas (Chauhan y Dixit, 2024; Zhao et al., 2011).

Asignación espacial y modelado fractal: los valores obtenidos para la dimensión fractal (D) (Figura 5) se asignaron espacialmente a sus respectivas celdas dentro de un entorno GIS. Posteriormente, mediante interpolación por distancia inversa ponderada (IDW), se generó un modelo continuo de la distribución espacial de la dimensión fractal en el área estudiada. Esta técnica facilita una interpretación integral y sistemática, identificando áreas de interés exploratorio con alta fractalidad estructural, que podrían indicar un control tectónico favorable para la concentración de mineralizaciones asociadas a sistemas tipo pórfido y epitermal (Zhao et al., 2011; Mirzaie et al., 2015; Chauhan y Dixit, 2024).

Teledetección

En teledetección se adicionó el uso de nuevas técnicas de procesamiento de imágenes satelitales Aster y Landsat en conjunto con aquellos tradicionales empleados en la zona de estudio (Zuloaga et al., 2016; Villarreal et al., 2019), con la finalidad de reconocer y delimitar todas las zonas de alteración relacionadas al sistema pórfido de Cu-Mo-Au (Halley et al., 2015) y epitermal de baja y alta sulfuración (Hedenquist et al., 2000).

Preprocesamiento y procesamiento

Previamente, a las bandas agrupadas se les aplicó correcciones radiométricas, atmosféricas y de emisividad, y se realizó un enmascaramiento para vegetación, agua y nieve.

En el procesamiento, mientras que con las técnicas tradicionales de Composición de Falso Color (FCC), Cociente de Bandas y Análisis de Componentes Principales (PCA) se calibró y comparó el procesamiento con los mapas de alteración existentes, se añadió la técnica de Band Math (BM) para aprovechar las relaciones entre las bandas y generar nuevos productos o rasters interpretables.

Aplicación del método fractal

Transformación e integración por índices: los valores de reflectancia (x) de PCA y BM fueron normalizados mediante un método de transformación robustecida:

Esto con la finalidad de reducir el impacto de valores extremos y mejorar la comparabilidad entre datos puntuales (Carranza, 2009).

Ambos datos transformados se integraron mediante una media aritmética según el potencial de mineralización (Tabla 6) de cada tipo de alteración hidrotermal (Pour & Hashim, 2012; Lowell & Guilbert, 1970; Sillitoe, 2010), permitiendo la construcción de índices integrados para el sistema pórfido y epitermal.

Cálculo del índice de singularidad: para cuantificar la heterogeneidad espacial de los índices espectrales (F_i), fueron rasterizados con resolución de 30 m y una ventana de 5x5 píxeles, lo que permitió suavizar las variaciones locales y preservar las tendencias espaciales.

A partir de dichos valores, se calculó el índice de singularidad (α) siguiendo la formulación de Local Singularity Analysis (LSA) propuesta por Cheng (2007) y aplicada en exploración mineral por Zuo et al. (2009):

donde Fi representa el valor del índice espectral en cada celda y Fi_local corresponde al promedio de su vecindad inmediata (ventana 5×5). Este parámetro (α) resalta la acumulación localizada de energía anómala, identificando focos de enriquecimiento o depleción espectral en escalas reducidas de espacio y tiempo, asociados a procesos hidrotermales.

Aplicación del modelo C–A: Los valores del índice de singularidad (α) fueron integrados en el modelo fractal Concentración – Área (C–A) propuesto por Cheng et al. (1994), el cual describe la relación entre la intensidad de un parámetro y su área de ocurrencia, siguiendo una ley potencial:

que en escala logarítmica se expresa como:

El ajuste de la curva se realizó mediante regresión segmentada (Muggeo, 2003), lo que permitió identificar puntos de quiebre estadísticamente significativos. Dichos puntos definen umbrales fractales objetivos, que separan las poblaciones de fondo de las anomalías espectrales más relevantes (Ma et al., 2023).

Este enfoque, ampliamente documentado en estudios de exploración geoquímica y espectral, refuerza la trazabilidad y la reproducibilidad del análisis (Figura 6).

Corroboración con métodos de clasificación supervisada

Dichas técnicas se basaron en firmas espectrales de minerales indicadores de alteración hidrotermal (Kokaly et al., 2017; Corbett & Leach, 1997), seleccionadas según su presencia en las muestras previas recolectadas en el área (Zuloaga et al., 2016; Villareal et al., 2019). Esta integración metodológica aseguró la validación cruzada de los resultados, aumentando la confiabilidad en la identificación de evidencias superficiales de targets potenciales de exploración.

Resultados

Geoquímica

La aplicación del modelo fractal Concentration – Area (C–A) sobre el exponente de singularidad α, derivado del índice multielemental F1*, permitió clasificar el terreno en cuatro dominios geoquímicos. Para fines de exploración, se priorizaron dos clases de interés económico: la clase anómala (α entre –3.003 y –0.345) y la clase de fondo enriquecido (α entre –0.344 y –0.039). Estas clases, definidas por tramos autosimilares en la curva log–log de α vs área acumulada (Cheng et al., 1994; Carranza, 2011), reflejan poblaciones geoquímicas con grados de heterogeneidad propios de procesos mineralizantes intensos. La segmentación fue realizada con el paquete Segmented en R (Muggeo, 2003), garantizando objetividad estadística en la determinación de los puntos de ruptura.

Los polígonos generados a partir de estas clases fractales fueron espacialmente mapeados e integrados en un entorno SIG. La validación geoquímica univariada dentro de dichos polígonos mostró contenidos metálicos notoriamente elevados: oro (Au) entre 14 ppb y 4,775 ppb, cobre (Cu) entre 119 ppm y 18,018 ppm, y plata (Ag) entre 0.37 ppm y 95 ppm, valores que se alinean con firmas geoquímicas características de sistemas tipo pórfido Cu-Au y epitermales intermedios Au-Ag (Halley et al., 2015; Cooke et al., 2005) (Figura 7).

Desde un enfoque estructural, los polígonos con α elevado coinciden espacialmente con estructuras favorables previamente cartografiadas por Ingemmet (ANAP Huyahuya, 2018; Antabamba B2, 2016), incluyendo zonas con vetillas de cuarzo ± sulfuros, brechas hidrotermales, y stockworks, muchas de ellas alineadas con sistemas de fallas mayores con orientación NW–SE. Esta superposición valida la hipótesis de que la singularidad local identificada mediante α no solo refleja enriquecimiento geoquímico, sino también la canalización estructural efectiva de fluidos mineralizantes (Cheng, 2007; Zuo et al., 2012).

Además, se identificó una clara distribución mineralógica asociada a los dominios anómalos. Los polígonos ubicados hacia el sector suroeste de la zona de estudio presentan concentraciones de minerales secundarios de cobre, tales como malaquita y crisocola, en zonas de oxidación supergénica. Asimismo, se reportó la presencia de minerales mena como bornita y calcopirita, también con mayor predominancia hacia el suroeste, lo que sugiere un potencial sistema de alimentación magmático bien desarrollado en profundidad. De forma puntual, también se reconocieron especímenes de oro nativo y pirargirita (Ag₃SbS₃), esta última como evidencia de eventos hidrotermales de temperatura intermedia a baja (Figura 8). Toda esta información mineralógica fue recolectada y sistematizada a partir de los estudios técnicos publicados por el Ingemmet, consolidando la validez empírica del modelo geoquímico propuesto.

En conjunto, la integración de resultados fractales, geoquímicos, estructurales y mineralógicos demuestra la eficacia del enfoque LSA + C–A para identificar zonas con alto potencial mineral en sistemas complejos. La coherencia entre la anomalía multielemental (F1*), la singularidad espacial (α), los valores de ley, las estructuras geológicas y la mineralogía asociada, refuerza el valor predictivo de esta metodología para el targeting exploratorio de depósitos tipo pórfido y epitermal.

Estructural

El análisis estructural de la zona permitió identificar un patrón jerárquico de organización en la red de fallas y lineamientos, sustentado en su distribución direccional, longitud acumulada e intensidad. A través de diagramas de roseta ponderados por longitud y número de estructuras, se distinguieron cuatro conjuntos estructurales principales.

El Conjunto I (NW–SE, 110°–160°) constituye el sistema dominante en la arquitectura regional, caracterizado por su elevada longitud acumulada [≈118 km (46.35%)], alta densidad de estructuras y la presencia de fallas regionales de primer orden como Huamansalcca, además de otras relevantes como Apacheta y Yahualja. Este conjunto concentra segmentos que evidencian reactivación y sobreimposición tectónica, factores que incrementan su relevancia como corredores de fluidos mineralizantes.

El Conjunto II (E–W, 70°–110°, con conjugados menores), jerárquicamente prioritario, integra lineamientos como Tamburqui y Ojorcocha, además de fracturas locales en Apacheta y Comiñahue. Este conjunto presenta una intensidad estructural destacada, con valores máximos de más de 2,100 m/estr, y se caracteriza por su elevada conectividad lateral.

La interacción entre los Conjuntos I y II define zonas de interferencia estructural, consideradas como corredores favorables para la circulación de fluidos. Finalmente, los conjuntos subordinados (Control IV, NE–SW / ENE–WSW) y secundario (Control III, N–S / NNE–SSW) representan sistemas de menor jerarquía, aunque con importancia local en contextos de interferencia o bordes de bloques estructurales (Tabla 7).

El análisis fractal aplicado a la red estructural reveló un dominio predominante de dimensiones fractales (D) entre 0.90 y 1.20, lo que indica una red de conectividad baja a moderada en gran parte del área (frecuencias dominantes en clases azul y amarilla). No obstante, se identificaron sectores con D > 1.20 (≈19% de la red), que reflejan una mayor madurez fractal y un incremento notable en la densidad e interconexión de estructuras. Estos dominios se asocian principalmente a segmentos del Conjunto I (NW–SE, 110°–160°) y, en menor medida, a zonas de cruce con el Conjunto II (E–W, 70°–110°).

En particular, los sectores con D ≥ 1.25 evidencian una red estructural altamente conectada y posiblemente reactivada, compatible con zonas de cizalla con múltiples fases de deformación. Esta condición resulta crítica, ya que estudios recientes (Peng et al., 2023; Swain & Roy, 2024; Zhao et al., 2025) demuestran que los valores elevados de D están directamente relacionados con una mayor eficiencia en la migración y acumulación de fluidos hidrotermales en sistemas mineralizados.

En conjunto, los resultados muestran que las estructuras de mayor jerarquía (Control I, NW–SE) con D > 1.20 definen dominios estructurales de alta prospectividad, al reunir condiciones críticas para el targeting geológico: conectividad estructural elevada, reactivación tectónica y convergencia de múltiples familias de fallas. Estos sectores deben ser considerados como blancos prioritarios para programas de exploración avanzada en sistemas tipo pórfido y epitermal (Figura 9a).

La integración de la conectividad fractal (D, Box-Counting) con los polígonos geoquímicos priorizados (Figura 9b) evidencia una coincidencia selectiva: los polígonos de mayor interés se localizan principalmente en sectores con alta interacción estructural, concentrados en el eje central y sur del área de estudio. En contraste, hacia el norte y extremo occidental, varios polígonos se asocian únicamente a interacción moderada, lo que sugiere un menor grado de conectividad y potencial.

Teledetección

Los resultados obtenidos mediante Operaciones de Bandas (BM) y Análisis de Componentes Principales (PCA) muestran una marcada concentración de alteración argílica avanzada en el sector norte, mientras que las zonas fílicas y potásicas presentan mayor desarrollo hacia el noreste y el centro del área de estudio (ANAP Antabamba). Este patrón se interpreta como un sistema hidrotermal polifásico, con halos de alteración bien definidos y jerárquicamente organizados.

La distribución de estas alteraciones coincide espacialmente con targets prioritarios previamente definidos por Zuloaga et al. (2016) y con la ubicación del proyecto La Yegua, lo que valida la confiabilidad de los resultados derivados de las técnicas espectrales. La comparación con datos de campo y descripciones petrográficas confirma la coherencia entre los índices espectrales y las evidencias de mineralización asociada.

Respecto al modelo fractal Concentración – Área (C–A) aplicado a los índices compuestos de pórfido y epitermal, se observa que los píxeles anómalos (α anómalo) mantienen una fuerte correspondencia con los polígonos fractales priorizados, coincidiendo en 21 de los 27 polígonos. En particular, las anomalías derivadas del índice pórfido (Figura 10a) muestran mayor densidad en el sector sur y central, mientras que las del índice epitermal (Figura 10b) se concentran hacia el norte y noreste, en estrecha asociación con zonas de alteración argílica y sílica identificadas en campo.

Este resultado refuerza la consistencia y trazabilidad del enfoque fractal–espectral, validando su aplicabilidad como herramienta para la delimitación de zonas con potencial mineralizador y para la priorización de blancos de exploración en sistemas tipo pórfido y epitermal.

Targeting

Se evaluaron en total 27 targets (TRG_1 a TRG_27) delimitados a partir de los resultados fractales de geoquímica (LSA → C–A, F1*). La integración incluyó criterios de geoquímica (leyes de Au, Ag y Cu), teledetección (índices fractales pórfido y epitermal), estructura (dimensión fractal de conectividad por Box-Counting multiescala) y evidencias de campo (minerales mena, secundarios y estructuras). El objetivo fue contrastar los targets establecidos por Ingemmet y definir nuevas áreas con potencial exploratorio. Del total, 13 targets coinciden con los definidos por Ingemmet (48.1%), mientras que 14 corresponden a nuevas áreas propuestas (51.9%), lo que representa un incremento del 107.7% en la identificación de sectores prospectivos (Figura 11 y Tabla 8).

Los resultados destacan targets con valores anómalos significativos y validación múltiple en los distintos índices:

ν TRG_27: registra 3,222.4 ppb Au, 42.5 ppm Ag y 8,264 ppm Cu, validado simultáneamente por Pórfido Index, Epitermal Index y análisis estructural; asociado a vetas.

ν TRG_3: presenta 4,775.6 ppb Au, 11.87 ppm Ag y 6,984.1 ppm Cu, con minerales mena calcopirita y bornita, secundario malaquita y estructuras veta y vetilla.

ν TRG_10: alcanza 927.7 ppb Au, 95.0 ppm Ag y 18,018.5 ppm Cu, con mena de calcopirita, covelita y proustita, presencia secundaria de malaquita y control estructural de vetas.

ν TRG_7: con 2,224.4 ppb Au, 23.6 ppm Ag y 7,262.3 ppm Cu, asociado a calcopirita, presencia secundaria de malaquita, y estructuras veta, vetilla y venilla.

ν TRG_18: destaca por 1,267.5 ppb Au, con bajo contenido de Cu (286.8 ppm), validado estructuralmente por presencia de vetas.

ν TRG_25: registra 214 ppb Au, 14.9 ppm Ag y 608.4 ppm Cu, asociado a calcopirita y estructuras de vetas, venillas y brechas.

ν TRG_21: con 1,387.0 ppm Cu, acompañado de crisocola y validación positiva por Pórfido Index, Epitermal Index y análisis estructural.

En conjunto, de los 14 nuevos targets propuestos, el 50% muestra un Pórfido Index positivo, el 28.6% un Epitermal Index favorable, y el 35.7% se ubica en áreas estructuralmente favorables. Este enfoque multidisciplinario permitió definir blancos de exploración sólidos, varios de los cuales superan en leyes y consistencia a los targets originales de Ingemmet.

Conclusiones

1. El presente estudio valida la eficacia de una metodología integrada para la identificación y priorización de zonas de interés exploratorio en contextos de mineralización pórfido–epitermal. El trabajo se sustentó en la aplicación combinada de geoquímica y teledetección, transformación composicional (CLR), técnicas estadísticas robustas (PCA y FA), modelamiento fractal (concentración – área y análisis de singularidad local) y criterios estructurales basados en la dimensión fractal de lineamientos. La rigurosidad metodológica permitió delinear 27 targets (TRG_1–TRG_27), de los cuales 14 representan nuevas zonas no reconocidas previamente por Ingemmet, lo que constituye un incremento del 107.7% en los blancos potenciales respecto al marco oficial de referencia.

2. Las zonas propuestas se distinguen por integrar múltiples criterios favorables: valores anómalos de Au (hasta 3,222.4 ppb), Ag (hasta 42.5 ppm) y Cu (hasta 8,264 ppm), validación por uno o más índices fractales (Índice Pórfido, Índice Epitermal y/o conectividad estructural D) y coherencia con indicadores mineralógicos y estructurales de campo. En particular, los targets generados en el estudio TRG_27, TRG_18 y TRG_21 concentran evidencia cuantitativa significativa, por lo que se consideran prioritarios para etapas posteriores de evaluación geológica detallada.

3. Este enfoque integrador ha demostrado ser técnicamente robusto para reducir la incertidumbre en fases tempranas de exploración, optimizando la selección de blancos mediante un marco analítico replicable. La capacidad del modelo para detectar targets no reconocidos previamente, pero coherentes desde el punto de vista geoquímico y estructural, evidencia su potencial de aplicación en otras zonas metalogenéticamente activas del Perú, en particular en dominios controlados por intrusivos calcoalcalinos del Batolito Andahuaylas – Yauri.

4. En conjunto, este trabajo aporta evidencia de que la integración de geoquímica, teledetección y estructura en un solo marco metodológico permite generar resultados reproducibles, trazables y estratégicamente valiosos. La metodología desarrollada representa una contribución significativa a la exploración mineral moderna, alineada con estándares científicos de excelencia y buenas prácticas del sector.

Bibliografía

Aitchison, J. 1986. The statistical analysis of compositional data. Chapman & Hall, v. 44, p. 139-177.

Afzal, P., Fadakar Alghalandis, Y., Khakzad, A., Moarefvand, P., Rashidnejad Omran, N. 2011. Delineation of mineralization zones using fractal modeling in Zarshuran gold deposit, NW Iran. Journal of Geochemical Exploration, v. 110, p. 131–144.

Amiri, H., Tangestani, M.H., Sadeghi, M. 2017. Hydrothermal alteration mapping from ASTER data using spectral angle mapper and principal component analysis in a porphyry copper deposit, SE Iran. Journal of African Earth Sciences, v. 129, p. 38–50.

Carranza, E.J.M. 2009. Geochemical anomaly and mineral prospectivity mapping in GIS. Elsevier Science, v. 11, p. 347.

Carranza, E.J.M. 2009. Controls on mineral deposit occurrence inferred from analysis of their spatial patterns and spatial association with geological phenomena. Ore Geology Reviews, v. 35, p. 383–400.

Carranza, E.J.M. 2011. Analysis and mapping of geochemical anomalies using continuous and discrete multifractal models. Applied Geochemistry, v. 26, p. 1629–1645.

Camus, F., Castelli, C. 2020. Historia, Exploración y Geología de los Yacimientos Metalíferos de Chile 900-2020. Origo Ediciones. – Chile, v. 7, p. 1765.

Chauhan, N.K., Dixit, A. 2024. Fractal analysis and fault pattern classification in mineralized zones using remote sensing and GIS. Journal of Structural Geology, v. 176, p. 105460.

Cheng, Q. 2007. Mapping singularity with stream sediment geochemical data for mineral exploration. Ore Geology Reviews, v. 32, p. 314–324.

Cheng, Q., Agterberg, F.P., Ballantyne, S.B. 1994. The separation of geochemical anomalies from background by fractal methods. Journal of Geochemical Exploration, v. 51, p. 109–130.

Cooke, D.R., Hollings, P., Walshe, J.L. 2005. Giant porphyry deposits: Characteristics, distribution, and tectonic controls. Economic Geology, v. 100, p. 801–818.

Contreras, E. 2011. Final Report – Drilling, “La Yegua Project 2011”. Bear Creek Company, v. 1-312

Corbett, G., Leach, T. 1997. Southwest Pacific Rim gold-copper systems: Structure, alteration and mineralization. Short Course Manual, v. 1, p. 318.

Cudahy, T. 2012. Australian ASTER Geoscience Product Notes. CSIRO, v. 1, p. 26.

Egozcue, J.J., Pawlowsky-Glahn, V., Mateu-Figueras, G., Barceló-Vidal, C. 2003. Isometric logratio transformations for compositional data analysis. Mathematical Geology, v. 35, p. 279–300.

Faraj, A., Tangestani, M.H., Zoheir, B.A. 2019. Integration of remote sensing, geochemical and geological datasets for mineral prospectivity mapping using fuzzy logic and AHP in the Baft region, SE Iran. Journal of African Earth Sciences, v. 158, p. 103558.

Halley, S.W., Dilles, J.H., Tosdal, R.M. 2015. Footprints: Hydrothermal alteration and geochemical dispersion around porphyry copper deposits. SEG Discovery, v. 100, p. 11–17.

Hedenquist, J.W., Arribas, A., Gonzalez-Urien, E. 2000. Exploration for epithermal gold deposits. SEG Reviews, v. 13, p. 245–277.

Hronsky, J.M.A. 2013. The exploration search space: Knowledge, strategies, and insights. Society of Economic Geologists Special Publication, v. 17, p. 35–50.

Ingemmet. 2022. Cartografía geológica digital y base estructural nacional. Instituto Geológico Minero y Metalúrgico del Perú.

Kalinowski, A., Oliver, S. 2004. Aster mineral index processing manual. Geoscience Australia, v. 1, p. 37.

Kokaly, R.F., et al. 2017. USGS spectral library version 7. U.S. Geological Survey Data Series, v. 1035, p. 61.

Li, B., Wang, J., Zuo, R. 2010. Application of multifractal models to delineate geochemical anomalies: A case study in the Baimashan Pb–Zn district, southern China. Journal of Geochemical Exploration, v. 107, p. 118–127.

Liu, Y., Wang, J., Zhang, X., Zhang, L., Zuo, R. 2013. Application of multifractal models to delineate geochemical anomalies: A case study in the Baimashan Pb–Zn district, southern China. Journal of Geochemical Exploration, v. 128, p. 84–94.

Lowell, J.D., Guilbert, J.M. 1970. Lateral and vertical alteration–mineralization zoning in porphyry ore deposits. Economic Geology, v. 65, p. 373–408.

Ma, Y., Zuo, R., Zhang, H., Wang, Y. 2023.

Mapping exploration targets through multifractal modelling of soil geochemical data in the Xiaohongshilazi Pb–Zn–(Ag) ore district, Jilin Province, NE China. Geochemistry: Exploration, Environment, Analysis, v. 24, p. 89–104.

Mirzaie, M., Asadi, H.H., Afzal, P., Yasrebi, A.B. 2015. Fractal analysis of fault systems using satellite images and GIS in the Kerman region, Iran. Geosciences Journal, v. 19, p. 721–731.

Muggeo, V.M.R. 2003. Estimating regression models with unknown break-points. Statistics in Medicine, v. 22, p. 3055–3071.

Peng, N., Zuo, R., Wang, Y. 2023. Fractal dimension analysis of fault systems for mineral exploration targeting. Journal of Structural Geology, v. 172, p. 105392.

Pfiffner, O. 2017. Thick-Skinned and Thin-Skinned Tectonics: A Global Perspective. Geosciences, v. 7, n. 71.

Pour, A.B., Hashim, M. 2012. Identifying areas of high economic-potential copper mineralization using ASTER data in the Urumieh-Dokhtar volcanic belt, Iran. Advances in Space Research, v. 49, p. 753–769.

Reimann, C., Filzmoser, P. 2000. Normal and lognormal data distribution in geochemistry: Death of a myth. Journal of Geochemical Exploration, v. 69–70, p. 175–187.

Ríos, A., Villanueva, K., Cáceres, S., Portilla, M. 2024. Identificación de blancos prospectivos en minería, aplicando imágenes Aster, Michiquillay - Cajamarca, 2023. 22nd LACCEI International Multi-Conference, p. 9.

Shan Xu, Zuo, R., Wang, Y., Zhang, H., Zhang, Y. 2020. Multifractal modeling and principal component analysis for delineation of geochemical anomalies in the Yindongpo Pb–Zn–Ag deposit, NW China. Natural Resources Research, v. 29, p. 411–429.

Shirmand, H., Farahbakhsh, E., Pour, A., Muslim, A., Müller, R., Chandra, R. 2020. Integration of selective dimensionality reduction techniques for mineral exploration using Aster satellite data. Remote Sensing, v. 12, p. 1261.

Sillitoe, R.H. 2010. Porphyry copper systems. Economic Geology, v. 105, p. 3–41.

Swain, P.K., Roy, A. 2024. Structural connectivity and its implications for hydrothermal fluid flow: Insights from fractal dimension analysis. Journal of Structural Geology, v. 175, p. 105437.

Villarreal, E., Vargas, J., Castañeda, D., Valencia, C., Calla, D., Yupa, G., Flores, R. 2019. Informe de la prospección geológica-minera del ANAP Huyahuya. Instituto Geológico, Minero y Metalúrgico – Ingemmet, p. 81.

Villarreal, E., Yupa, A., Sandoval, A. 2019. Validación estructural de sistemas mineralizados en contexto andino: Integración geológica de campo y fotogeología. Boletín de la Sociedad Geológica del Perú, v. 114, p. 55–72.

Yao, Y., Zhu, Y., Liu, J., Li, W. 2021. Footprints of ore fluid pathway and implications to mineral exploration in the Shihu Gold Deposit, North China: Evidence from short wave infrared spectroscopy of illitic alteration rocks. Journal of Geochemical Exploration, v. 229, p. 106833.

Zhao, J., Chen, S., Zuo, R., Carranza, E.J.M. 2011. Mapping complexity of spatial distribution of faults using fractal and multifractal models: Vectoring towards exploration targets. Computers & Geosciences, v. 37, p. 1958–1966.

Zuloaga, A., Gómez, E., Paullo, J., Mosqueira, P., Otero, J., Yupa, G., Valencia, C. 2016. Prospección geológica minera del ANAP Antabamba Bloque 2. Instituto Geológico Minero y Metalúrgico – Ingemmet, p. 158.

Zuloaga, C., Díaz, H., Ramos, M. 2016. Evaluación estructural de zonas de interés metalogénico mediante análisis multiescala en los Andes peruanos. Memorias del Congreso de Geología del Perú, v. 23, p. 118–124.

Zuo, R., Cheng, Q., Agterberg, F., Xia, Q. 2009. Application of singularity mapping technique to identify local anomalies using stream sediment geochemical data: A case study from Gangdese, Tibet, western China. Journal of Geochemical Exploration, v. 101, p. 225–235.

Zuo, R., Wang, Y. 2011. Multifractal analysis of geochemical data for gold exploration in the Heihe area, Xinjiang, China. Journal of Geochemical Exploration, v. 111, p. 13–22.

Zuo, R., Wang, Y. 2016. Optimization of geochemical anomaly extraction using concentration–area fractal model and singularity index. Geochemistry: Exploration, Environment, Analysis, v. 16, p. 347–358.

Zuo, R., Xia, Q., Wang, J. 2012. Fractal and multifractal modeling of geochemical data: A review. Journal of Geochemical Exploration, v. 122, p. 1–11.