Науковий вісник НГУ

Всепогодний моніторинг областей видобутку нафти та газу на основі супутникових даних

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2019

Останнє оновлення: 13 січня 2020

Опубліковано: 13 січня 2020

Перегляди: 2646

Authors:

В. В. Гнатушенко, доктор технічних наук, професор, orcid.org/0000-0003-3140-3788, Національний технічний університет „Дніпровська політехніка“, м. Дніпро, Україна, e‑mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Д. К. Мозговий, кандидат технічних наук, orcid.org/0000-0003-1632-1565, Дніпровський національний університет імені Олеся Гончара, м. Дніпро, Україна, e-mail: m‑d‑Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Вік. В. Гнатушенко, доктор технічних наук, доцент, orcid.org/0000-0001-5304-4144, Національний технічний університет „Дніпровська політехніка“, м. Дніпро, Україна, e‑mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. В. Спірінцев, кандидат технічних наук, доцент, orcid.org/0000-0002-0908-1180, Національний технічний університет „Дніпровська політехніка“, м. Дніпро, Україна, e‑mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

I. М. Удовик, кандидат технічних наук, доцент, orcid.org/0000-0002-5190-841X, Національний технічний університет „Дніпровська політехніка“, м. Дніпро, Україна, e‑mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

 повний текст / full article

Мета. Розробка й тестування інформаційної технології автоматизованої обробки різночасових супутникових знімків середнього просторового розрізнення для всепогодного моніторингу районів видобутку нафти та газу.

Методика. Запропонована інформаційна технологія передбачає використання двох розроблених алгоритмів. Алгоритм автоматизованого розпізнавання нових нафтовидобувних майданчиків заснований на обчисленні нормалізованого різницевого індексу (NDI) часових змін для заданої пари різночасових супутникових знімків видимого та ближнього інфрачервоного діапазонів і вибраних спектральних каналів з подальшою багатопороговою бінаризацією. Алгоритм автоматизованого розпізнавання великих металевих об’єктів використовує двополяризаційні радарні дані С‑діапазону із супутників Sentinel-1А/B.

Результати. Запропонована інформаційна технологія дозволила в автоматизованому режимі виявити нові нафтовидобувні майданчики та великі металеві об’єкти. Загальна точність розпізнавання, усереднена для 20 зон тестування, становила від 87 до 91 % з коефіцієнтом каппа в діапазоні від 0,82 до 0,85. Для областей, покритих хмарами, великі металеві об’єкти (нафтовидобувні установки, автозасоби для транспортування нафти й т. д.) були розпізнані з використанням тільки радарних даних із супутників Sentinel-1A/B.

Наукова новизна. На відміну від існуючих методів виявлення антропогенних змін земної поверхні за супутниковими знімками, запропонована інформаційна технологія використовує безпосереднє обчислення нормалізованого різницевого індексу часових змін NDI для заданої пари різночасових супутникових зображень, що істотно знижує вимоги до обчислювальних ресурсів, забезпечуючи при цьому більш високу точність виділення кордонів нових об’єктів нафтовидобувних майданчиків. Усепогодний моніторинг забезпечується використанням радарних даних.

Практична значимість. Завдяки високому ступеню автоматизації, розроблена інформаційна технологія може бути програмно реалізована у вигляді геоінформаційного веб-сервісу всепогодного оперативного моніторингу районів нафтовидобутку. Цілями такого веб-сервісу можуть бути визначення площі родовищ, контроль виробничої активності та оцінка обсягів нафтовидобутку; нагляд за будівельною й виробничою діяльністю та оцінка техногенного навантаження в районах нафтовидобутку.

References.

1. Frassy, F., Maianti, P., Marchesi, A., Nodari, F.R., Dalla Via, G., De Paulis, R., … & Gianinetto, M. (2015). Satellite remote sensing for hydrocarbon exploration in new venture areas. 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). https://doi.org/10.1109/igarss.2015.7326417.

2. Lasica, R. (2015). A new age for oil and gas exploration remote sensing data and analytics are changing the industry. Earth Imaging Journal. Retrieved from http://eijournal.com/print/articles/a-new-age-for-oil-and-gas-exploration-remote-sensing-data-and-analytics-are-chang-ing-the-industry.

3. Bondur, V. G., Vorobyev, V. E., & Lukin, A. A. (2017). Satellite Monitoring of the Northern Territories Disturbed by Oil Production. Izvestiya, Atmospheric and Oceanic Physics, 53(9), 1007-1015. https://doi.org/10.1134/s0001433817090067.

4. Hnatushenko, V. V., Mozgovyi, D. K., Vasyliev, V. V., & Kavats, O. O. (2017). Satellite monitoring of consequences of illegal extraction of amber in Ukraine. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (2), 99-105.

5. Xing, Q., Meng, R., Lou, M., Bing, L., & Liu, X. (2015). Remote Sensing of Ships and Offshore Oil Platforms and Mapping the Marine Oil Spill Risk Source in the Bohai Sea. Aquatic Procedia, (3), 127-132. https://doi.org/10.1016/j.aqpro.2015.02.236.

6. Miegebielle, V., Dubucq, D., Taillandier, C., & Angeliaume, S. (2017). Use of Remote Sensing Radar Techniques for Oil and Gas O&G Facilities Survey in Offshore Domain for Environment and Exploration: Oil Slicks Detection and Interpretation Seeps and Spill. In SPE Health, Safety, Security, Environment, & Social Responsibility Conference ‒ North America. https://doi.org/10.2118/184419-ms.

7. Franklin, M., Chau, K., Cushing, L. J., & Johnston, J. (2019). Characterizing flaring from unconventional oil and gas operations in south Texas using satellite observations. Environmental Science & Technology. https://doi.org/10.1021/acs.est.8b05355.

8.Unger, D., Hung, I-Kuai, Farrish, Kenneth, W., & Dans, Darinda (2015). Quantifying Land Cover Change Due to Petroleum Exploration and Production in the Haynesville Shale Region Using Remote Sensing. Faculty Publications. Paper 43. https://doi.org/10.4018/ijagr.2015040101.

9. Liu, Y., Chao, S., Yang, Y., Zhou, M., Zhan, W., & Cheng, W. (2016). Automatic extraction of offshore platforms using time-series Landsat-8 Operational Land Imager data. Remote Sens. Environ, 175, 73-91. https://doi.org/10.1016/j.rse.2015.12.047.

10. Solari, L., Del Soldato, M., Bianchini, S., Ciampalini, A., Ezquerro, P., Montalti, R., Raspini, F., & Moretti, S. (2018). From ERS 1/2 to Sentinel-1: Subsidence Monitoring in Italy in the Last Two Decades. Frontiers in Earth Science, (6), 149. https://doi.org/10.3389/feart.2018.00149.

11. Mozgovoy, D., Hnatushenko, V., & Vasyliev, V. (2018). Accuracy evaluation of automated object recognition using multispectral aerial images and neural network. In Proc. SPIE 10806, Tenth International Conference on Digital Image Processing (ICDIP 2018). https://doi.org/10.1117/12.2502905.

12. Mozgovoy, D. K., Hnatushenko, V. V., & Vasyliev, V. V. (2018). Automated recognition of vegetation and water bodies on the territory of megacities in satellite images of visible and IR bands. In ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV-3, 167-172. https://doi.org/10.5194/isprs-annals-IV-3-167-2018.

• < Попередня
• Наступна >