تأثیر سرعت باد درکشف لکه نفتی توسط رادار پلاریمتری (SAR)

نوع مقاله : مقاله پژوهشی

نویسندگان

بخش مکاترونیک و ممز،گروه بین رشته ای فناوری،دانشکده علوم و فنون نوین،دانشگاه تهران،تهران، ایران

چکیده

رها شدن نفت به اقیانوس‌ها از تانکرها و کشتی‌ها و خطوط انتقال نفت اهمیت اکولوژی و تأثیر اجتماعی، اقتصادی روی محیط‌های ساحلی دارد.سالانه 48% آلودگی اقیانوس‌ها مربوط به سوخت و 29% مربوط به نفت خام می‌باشد و تصادف‌ تانکرهای حامل، فقط 5% آلودگی‌های وارد شده به دریا را شامل می‌شود .هدف از این تحقیق، بررسی اثرات ضریب رانش باد تحت شرایط شدید جزر و مد در منطقه ساحلی غربی کره در زمینه حرکت سیلاب‌های نفتی ناشی از حادثه تصادف تانکر نفتی با دکل در طوفان هبی می‌باشد. برای تفکیک نفت از نمونه‌های مشابه آن، از شبکه عصبی CNN استفاده شد. حذف نویز داده‌های باز پراکنش شده توسط فیلتر Boxcar اصلاح شد و حرکت سیل نفت با استفاده از یک مدل شبیه‌سازی ساده بر اساس فرمول تجربی به‌عنوان عملکرد جریان سطح آب، سرعت باد و فاکتور رانش باد محاسبه شد. برای شبیه‌سازی، به‌منظور تولید میدان‌های جزر و مد و باد، از مدل دینامیکی سیالات محیطی (EFDC) و سیستم هواشناسی خودکار (AWS) استفاده شد. سپس نتایج شبیه‌سازی شده با 2 نمونه از داده‌های رادار روزنه مصنوعی Sentinel-1 و TerraSAR-X مقایسه شد. از مطالعه حاضر، مشخص شد که بیشترین میزان تطابق بین نتایج شبیه‌سازی و تصاویر ماهواره‌ای با مقادیر مختلف عامل رانش باد به دست می‌آید و این عامل به‌طور خطی متناسب با سرعت باد بود. بر اساس نتایج، یک فرمول تجربی اصلاح‌شده جدید برای پیش‌بینی حرکت سیل نفت در منطقه ساحلی پیشنهاد شده است.
 

کلیدواژه‌ها


عنوان مقاله [English]

The Effect of Wind Speed in Discovery of Oil Spill by Polarimetric Radar

نویسندگان [English]

  • Alireza Rezaee
  • Yaser Rezaei
  • milad asadpour
Mechatronics and mems part, Interdisciplinary Technology group, faculty of new sciences and technologies, university of Tehran, Tehran, Iran
چکیده [English]

The oil spill into the oceans from oil tankers and oil pipelines has an ecological importance and a social and economic impact on coastal environments. Rapid detection of deliberate and accidental oil leaks can reduce serious risks to coastal residents and help pollutants be identified. The purpose of this research is to study the effects of thrust coefficient in wind under severe tidal conditions in the area of oil floods motion caused by oil tanker collision with a tower in Hebei typhoon in the western coastal zone of Korea. In order to separate oil from similar samples, Convolutional Neural Network (CNN) was used. The noise loss of the open data scattered by the Boxcar filter was modified and the motion of the oil flood was calculated by using a simple simulation model based on the experimental formula as the performance of surface water flow, wind speed and wind thrust factor. To simulate, the Environmental Fluid Dynamics Code (EFDC) and Automatic Weather Station (AWS) were used to generate tidal and wind fields. The simulated results were then compared with two samples of the data of the Synthetic Aperture Radar, Sentinel-1 and TerraSAR-X. From the present study, it is found that the highest match between the simulation results and the satellite images is obtained with different values of wind thrust and this factor is linearly proportionate to the wind speed.  According to the results, a new modified experimental formula is proposed to predict the flow of oil flood motion in the coastal zone.
 

کلیدواژه‌ها [English]

  • Convolutional Neural Network (CNN)
  • Wind Speed
  • Automatic Identification System (AIS)
  • Image Categorization
  • Polarimetric Radar
  • Boxcar Filter
[1]. Brown C E, Fingas M (2003) Synthetic aperture radar sensors: viable for marine oil spill response? Proceedings of the 26, Arctic and Marine Oilspill Program (AMOP) Technical Seminar,1116, 1: 299-310; 26. ##
[2].Rezaee A (2008) Extracting edge of images with ant colony, Journal Of Electrical Engineering-Bratislava, 1, 59: 1, 57. ##
[3]. Velotto D, Bentes C, Tings B, Lehner S (2016) First compraison of sentinel-1 and terraSAR-X data in the framework of maritime targets detection: South Italy Case, 993-1006, 4. ##
[4]. ESA Communications, Sentinel-1: ESA’s Radar Observatory Mission for GMES Operational Services, 2012. ##
[5]. ESA telecommunications and integrated applications, satellite - Auomatic indentification system (SAT-AIS),2016. ##
[6]. حبیبی واحد زنجانی ش (1393) پیش‌بینی کیفی و کمی بررسی فرآیندهای مؤثر بر سطح لکه نفت و میعانات گازی حاصل از ریزش اتفاقی در سواحل شمالی خلیج فارس، پژوهش نفت، 24، 77: 147-135. ##
[7]. متکان ع ا، حاجب م، آذرخش ز (1393) بررسی کاربرد سنجش‌ازدور در آشکارسازی آلودگی‌های نفتی دریا، علوم محیطی، 12: 1. ##
[8] . هدایتی مقدم ا، میرمحمدی س ا، حسشینی ع، امانیزاده ف (1399) بهینه‌سازی فرآیند جداسازی گازی با استفاده از غشا پلیمری اصلاح شده بر پایه الگوریتم ژنتیک و شبکه عصبی. پژوهش نفت، 30، 99-4: 104-96. ##
 [9]. ریاحی بختیاری ح ر، خلیلیان ع ‌ا (1396) استخراج لکه‌های نفتی در پهنه خلیج‌فارس با استفاده از تصاویر ماهواره‌ای، ژئوماتیک، 24.
[10]. رایگانی ب, نجفی یاسوری م, بداق جمالی ج, سرخیل ح. (1398).  شناسایی لکه‌های آلودگی‌های نفتی با استفاده از سری زمانی داده‌های سنجنده مودیس (مطالعه موردی: آب‌های خلیج‌فارس). پژوهش نفت 29، 98-5: 106-97. ##
[11]. لیاقت م، نورایی‌نژاد, م ر، آدابی م ح (1400) تفسیر الکتروفاسیس‌ها با استفاده از شبکه عصبی SOM و ارتباط آن با لیتوفاسیس‌های گروه خامی در میدان نفتی مارون (جنوب غرب ایران) ، پژوهش نفت، 31، 1400-1: 111-96. ##
[12]. رضائی ی، رضایی ع ر، درکه ف، آذرخش ز (1400) طبقه‌بندی تصاویر پلاریمتری رادار مبتنی بر ماشین بردار پشتیبان و الگوریتم جستجوی گرانشی دودویی: فصل‌نامه علمی پردازش و علائم داده، 18، 1: 102-78. ##
[13]. Migliaccio M, Gambardella A, Tranfaglia M (2007) SAR polarimetry to observe oil spills, IEEE Trans Geosci Remote Sens, 45, 2: 506–511. ##
[14]. Fingas M F, Brown C E (1997) Review of oil spill remote sensing, Spill Sci Technol Bull, 4, 4: 199–208. ##
[15]. Matkan A, Hajeb M, Azarakhsh Z (2013) Oil spill detection from SAR image using SVM based classification, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, SMPR, 1: W3. ##
[16]. Hajati F, Rezaee A, Gheisari S (2021) Genetic algorithms for scheduling examinations, In International Conference on Advanced Information Networking and Applications, 524-532. ##
[17]. Satellite data, Atlantis leaves Columbus with a radio eye on Earth›s sea traffic (2009) ESA, archived from the original on 8 December 2009, Retrieved 6 December 2009. ##
[18]. Uehara K, Saito Y (2003) Late quaternary evolution of the yellow/east china sea tidal regime and its impacts on sediments dispersal and seafloor morphology, Sediment Geology, 162, 1: 25–38. ##
[19]. Reed M, Johansen Q, Brandvik P J, Daling P, Lewis A, Fiocco R, Prentki R (1999) Oil spill modeling towards the close of the 20th century, Overview of the State of the Art, Spill Sci Technol Bull, 5, 1: 3–16. ##
[20]. Korotenko K A, Mamedov R M, Kontar A E, Korotenko L A (2004) Particle tracking method in the approach for prediction of oil slick transport in the sea, Modelling Oil Pollution Resulting from River Input, Journal of Marine Systems, 48, 1: 159–170. ##
[21]. Kim D J, Moon W M, Kim Y S (2010) Application of TerraSAR-X data for emergent oil-spill monitoring, IEEE Trans Geosci Remote Sens, 48, 2: 852–863. ##
[22]. Leifer I, Lehr W J, Simecek-Beatty D, Bradley E, Clark R, Dennison P, Wozencraft J (2012) State of the art satellite and airborne marine oil spill remote sensing: Application to the BP Deepwater Horizon oil spill, Remote Sens Environ, 124: 185–209. ##
[23]. Fay J A (1969), The spread of oil slicks on a calm sea, In: Hoult D, editor, Oil on the Sea, New York: Plenum Press, 53–64. ##
[24]. Rafiei A, Rezaee A, Hajati F, Gheisari S, Golzan M (2021) SSP: Early prediction of sepsis using fully connected LSTM-CNN model, Computers in biology and medicine, 1, 128: 104110. ##
[25]. Fay J A (1971) Physical processes in the spread of oil on a water surface, Proc Joint Conf Prevention Control of Oil Spills, Washington D.C: American Petroleum Institute, 653–663. ##
[26] Hoult D P (1972) Oil spreading on the sea, Ann Rev Fluid Mech, 4: 341–367. ##
[27]. Dietrich J C, Trahan C J, Howard M T, Fleming J G, Weaver R J, Anaka S, Twilley R R (2012) Surface trajectories of oil transport along the Northern Coastline of the Gulf of Mexico, Continental Shelf Research, 41: 17–47. ##
[28] .Korotenko K A, Mamedov R M, Kontar A E, Korotenko L A (2004) Particle tracking method in the approach for prediction of oil slick transport in the sea, modelling oil pollution resulting from river input, Journal of Marine Systems, 48, 1: 159–170. ##
[29]. IMO (1988) Manual on oil pollution section IV, London, England, International Maritime Organization (IMO). ##
[30]. van Cooten S, Kelleher K E, Howard K, Zhang J, Gourley J J, Kain J S, Spence L (2011) The CI-FLOW project: a system for total water level prediction from the summit to the sea, Bulletin of the American Meteorological Society, 92, 11: 1427–1438. ##
[31]. Lehr W J, Simecek-Beatty D (2000) The relation of Langmuir circulation processes to the standard oil spill spreading, dispersion, and transport algorithms, Spill Sci Technol Bull, 6, 3-4: 247–253. ##
[32]. Reed M, Johansen Q, Brandvik P J, Daling P, Lewis A, Fiocco R, Prentki R (1999) Oil spill modeling towards the close of the 20th century: overview of the state of the art, Spill Science and Technology Bulletin, 5 1: 3–16. ##
[33]. Añuelos-Ruedas F, Camacho C Á, Rios-Marcuello S (2011) Methodologies used in the extrapolation of wind speed at different heights and its impact in the wind energy resource assessment in a region, in: Suvire GO, Editor, Wind Farm - Technical Regulations, Potential Estimation and Siting Assessment, Croatia: InTech, Accessed, 13. ##
[34]. RETScreen Software Online User Manual, Available: http://www.retscreen.net/download.php/ang/440/0/PSH3.pdf. Accessed 2013 Dec 13. ##
[35]. Dougherty E R (1992) An introduction to morphological image processing, USA: SPIE Optical Engineering Press. ##
[36]. Rezaee A (2010) Using genetic algorithms for designing of FIR digital filters, ICTACT Journal on Soft Computing, 1, 1: 18-22. ##
[37]. Rezaei A R, khalili M (2021) Ripe detection and estimation of rapeseed crop yield based on remote sensing image processing. ##