ارزیابی شاخص‌های طیفی جهت تشخیص ضخامت لکه‌های نفتی خلیج فارس با استفاده از تصاویر ماهواره‌ای

محمودی زاده, سعید; یوسفی, حسن; دلدار, حامد

doi:10.22034/jewe.2022.332019.1735

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش آموخته کارشناسی ارشد، گروه مهندسی نقشه برداری، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی فناوری پیشرفته کرمان، کرمان، ایران

² دانش‌آموخته کارشناسی ارشد، گروه مهندسی محیط زیست، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران

³ دانش آموخته دکتری، پژوهشگاه ملی اقیانوس شناسی و علوم جوی، تهران، ایران

https://doi.org/10.22034/jewe.2022.332019.1735

چکیده

معمولاً روش‌هایی که جهت بارز سازی لکه‌های نفتی مورداستفاده قرار می‌گیرند، جهت تشخیص بخش‌های مختلف یک لکه ازنظر ضخامت ضعیف عمل می‌کنند. طیف لکه‌های نفتی تحت تأثیر آب دریا و همچنین ویژگی‌های فیزیکی و شیمیایی نفت قرار می‌گیرند. بدین منظور در پژوهش پیش رو با استفاده از تصاویر ماهواره سنتینل 2 و به‌کارگیری شاخص‌های طیفی، ضخامت‌های مختلف لکه‌ نفتی بررسی و از هم متمایز شدند. شاخص‌های بکار گرفته شده مربوط به دو گروه هیدروکربن‌ها (FI, RAI, HI, RG, RR, WAF) و آب دریا (CHL, CDOM) است. به‌منظور ارزیابی کمی شاخص‌های طیفی مورداستفاده از مدل ریاضی شاخص تفکیک‌پذیری (IS) که بر مبنای فاصله بین کلاسی است، استفاده شد. نتایج نشان داد که شاخص‌های طیفی هیدروکربن‌ها، جهت تشخیص و تمایز امولسیون از آب دریا و سایر بخش‌های لکه‌ نفتی مناسب‌تر هستند. به این‌گونه که مقدار پارامتر تفکیک‌پذیری (IS) برای شاخص FI به‌منظور تشخیص و تمایز امولسیون با بخش‌های آب دریا، درخشان، کد چهار و کد پنج به ترتیب برابر با 542/1، 967/0، 423/0 و 4236/0 است. از طرفی شاخص‌های طیفی آب دریا جهت تشخیص بخش‌های نازک‌تر لکه نفتی مناسب‌ است.

کلیدواژه‌ها

موضوعات

آلودگی آب

عنوان مقاله [English]

Evaluation of Spectral Indices to Detect the Thickness of Oil Slicks in Persian Gulf Using Satellite Images

نویسندگان [English]

Saeed Mahmodizadeh ¹
Hassan Yousefi ²
Hamed Deldar ³

¹ M.Sc. Alumni, Department of Surveying Engineering, Faculty of Civil and Surveying Engineering, Kerman Graduate University of Advanced Technology, Kerman, Iran

² M.Sc. Alumni, Department of Environmental Engineering, Faculty of Civil and Environmental Engineering, Tarbiat Modares University, Tehran, Iran

³ Ph.D. Alumni, Iranian National Institute for Oceanography and Atmospheric Science, Tehran, Iran

چکیده [English]

Usually, the methods used to identify oil slicks work to identify different slick parts in terms of thickness. Since the spectrum of oil slicks is affected by seawater and the physical and chemical properties of the oil, in this study, using the spectral indices of hydrocarbons (FI, RAI, HI, RG, RR, WAF) and seawater (CHL, CDOM), different thicknesses of oil slicks are investigated and To be different. The IS (index separability) mathematical model based on classroom distance was used to evaluate the spectral indices used quantitatively. The results show that the spectral indices of hydrocarbons are more suitable for distinguishing the emulsion from seawater and other parts of the oil slick. Thus, the value of the IS parameter for the FI index in order to detect and differentiate emulsions with different evaluated segments such as seawater, shining part, code 4 and code 5 are equal to 1.542, 0.967 0.423 and 0.4236, respectively, which are compared spectral indicators of seawater have larger values. On the other hand, the spectral indices of seawater are suitable for detecting the thinner parts of the oil slick .

کلیدواژه‌ها [English]

Crude Oil
Persian Gulf
Pollution
Remote Sensing

مراجع

Alam, M. S., & Sidike, P. (2012). Trends in oil spill detection via hyperspectral imaging. In Proceedings of the 7^th Electrical & Computer Engineering (ICECE), Dhaka, Bangladesh., 20–22.

Al Ruzouq, R., Gibril, M. B. A., Shanableh, A., Kais, A., Hamed, O., Al-Mansoori, S., & Khalil, M. A. (2020). Sensors, features, and machine learning for oil spill detection and monitoring: a review. Remote Sens., 12, 3338. DOI: 10.3390/rs12203338

Alpers, W., Holt, B., & Zeng, K. (2017). Remote sensing of environment oil spill detection by imaging radars: Challenges and pitfalls. Remote Sens. Environ., 201, 133–147. DOI: 10.1016/j.rse.2017.09.002

Aghajanloo, K., Mohammadi, M., Yadegar Azadi, M., & Ghatei, F. (2022). Vulnerability assessment of the northern coasts of the Persian Gulf to oil spills. Environ. Water Eng., 8(1), 47-62 [In Persian]. DOI: 10.22034/jewe.2021.273904. 1524

Bigdeli, B., & Samadzadegan. F. (2015). Classification of hyperspectral data using a band grouping-based SVM ensemble system. J. Geomath. Sci. Technol., 4(3), 253-286 [In Persian].

Chehresa, S., Amirkhani, A., Rezairad, G., & and Mosavi, M. (2016). Optimum features selection for oil spill detection in SAR Image. J. Indian Soc. Remote Sens., 44, 775–787. DOI: 10.1007/s12524-016-0553-x

Carpenter, A. (2007). The Bonn agreement aerial surveillance programme: trends in North Sea oil pollution 1986-2004. Mar. Pollut. Bull., 54, 149-163. DOI: 10.1016/j.marpolbul.2006.07.013

Darabinia, M., & Nagafi, M. (2013). Performance of Kuwait regional convention on Persian Gulf marine environment. J. Mazandaran Univ. Med. Sci., 22(96), 71-78 [In Persian].

Das, S., Abraham, A., & Konar. A. (2007). Automatic clustering using an improved differential evolution algorithm. IEEE Trans. Syst. Man cybernet. A: Syst. Human., 38(1), 218-237. DOI: 10.1109/TSMCA. 2007.909595

Fingas, M., & Brown, C. (2017). A review of oil spill remote sensing. Sensor., 18, 91. DOI: 10.3390/s18010091

Ghanavati, E., Shah Hosseini, M., & Marriner, N. (2021). Analysis of the makran coastline of Iran’s vulnerability to global sea-level rise. J. Mar. Sci. Eng., 9, 891. DOI: 10.3390/jmse9080891

Hu, C., Lee, Z., & Franz, B. (2012). Chlorophyll a algorithms for oligotrophic oceans: A novel approach three—Band reflectance difference. J. Geophys. Res. Ocean., 117. DOI: 10.1029/2011JC007395

Johnsiz, A., & Pirmohammadi, S. (2021). The PGCC's security strategy towards Iran (2011-2018). Fundament. Appl. Stud. Islam. World, 2(4), 1-28 [In Persian].

Javanbakht, M. (2021). plastic waste and oil pollution; two important environmental pollutants in the Persian Gulf. J. Mar. Med., 2(4), 199-204. Doi: 10.30491/2.4.199

Kühn, F., Oppermann, K., & Hörig, B. (2004). Hydrocarbon index—an algorithm for hyperspectral detection of hydrocarbons. Int. J. Remote Sens., 25, 2467–2473. DOI: 10.1080/01431160310001642287

Loos, E., Brown, L., Borstad, G., Mudge, T., & Alvare, M. (2012) Characterization of oil slicks at sea using remote sensing techniques. In Proceedings of the OCEANS, Yeosu, Korea. DOI:10.1109/OCEANS.2012.6405033

Mir Alizadehfard, S., & Mansouri, S. (2019). Evaluation of indicators of remote sensing measurement in quantitative and qualitative studies of surface water with Landsat-8 satellite images (Case study: South of Khuzestan province). J. RS GIS Nat. Resour., 10(2), 63-84. [In Persian]. DOI: 20.1001.1.26767082.1398.10.2.5.4

Momeni Esfahani, M. and Amini, A. (2021). Optimal band selection of landsat-8 images for estimation of CDOM of lakes using support vector regression, Iran. J. Remote Sens. GIS, 13(1), 75-92 [In Persian]. DOI: 10.52547/gisj.13.1.75

Mthembu, L., & Marwala, T. (2008). A note on the separability index. arXiv: Methodology. DOI: 10.48550/arXiv.0812.1107

Pourhaimi, S. A., Heidari, F., Heidari, M., & Hoshyari, S. (2015). The legal system for the protection of the environment of the Persian Gulf against pollution. The first comprehensive international conference on the environment, Tehran [In Persian].

Salas, E. A. L. (2017). Vegetation water content prediction: towards more relevant explicatory waveband variables. Preprints.org., 2017010001 DOI: 10.20944/preprints201701.0001.v1

Sun, P. (2013). Study of prediction models for oil thickness based on spectral curve. Spectrosc. Spectr. Anal., 33, 1881–1885. DOI: 10.3964/ j.issn.1000-0593(2013)07-1881-05

Sentinel-2. (2018). The Long Term Archive. (n.d.). Retrieved Jan 26, 2018. Available online at: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-sentinel-2.

Svejkovsky, J., Hess, M., Muskat, J., Nedwed, T. J., McCall, J., & Garcia, O. (2016). Characterization of surface oil thickness distribution patterns observed during the deepwater horizon (MC-252) oil spill with aerial and satellite remote sensing. Mar. Pollut. Bull., 110(1), 162–176. DOI: 10.1016/j.marpolbul.2016.06.066

Talebpour, N., Safarrad, T., Akbarinasab, M. and Rasolian, M. (2018). Investigation of proper index of oil spill detection using Space-Borne Sentinel-2 (Case study: the Persian Gulf, 15 Feb 2016). J. Oceanogra., 9(33), 31-40 [In Persian] DOI: 10.29252/joc.9.33.31

Zhang, Y., Li, Y., Liang, X. S., & Tsou, J. (2017). Comparison of oil spill classifications using fully and compact polarimetric SAR images. Appl. Sci., 7, 193. DOI: 10.3390/app 7020193

Zhao, D., Cheng, X., Zhang, H., Niu, Y., Qi, Y., & Zhang, H. (2018). Evaluation of the ability of spectral indices of hydrocarbons and seawater for identifying oil slicks utilizing hyperspectral images. Remote Sens., 10, 421. DOI: 10.3390/rs10030421

محیط زیست و مهندسی آب

ارزیابی شاخص‌های طیفی جهت تشخیص ضخامت لکه‌های نفتی خلیج فارس با استفاده از تصاویر ماهواره‌ای

مراجع

مراجع

دوره 9، شماره 3
مهر 1402
صفحه 352-366

ارزیابی شاخص‌های طیفی جهت تشخیص ضخامت لکه‌های نفتی خلیج فارس با استفاده از تصاویر ماهواره‌ای

مراجع

مراجع

دوره 9، شماره 3مهر 1402صفحه 352-366

دوره 9، شماره 3
مهر 1402
صفحه 352-366