Ολοκληρωμένη διαδικτυακή πλατφόρμα για εντοπισμό πετρελαιοκηλίδων με χρήση εικόνων SAR

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1: Τμηματοποίηση της εικόνας ASAR χρησιμοποιώντας διάφορες τεχνικές που περιλαμβάνονται στο πλαίσιο Sentinazos

A cloud-integrated web platform for marine monitoring using GIS and remote sensing. Application to oil spill detection through SAR images

Diego Fustes, Diego Cantorna, Carlos Dafonte, Bernardino Arcay, Alfonso Iglesias, Minia Manteiga Fac. Informática, Universidade da Coruña, Campus de Elviña 15071, A Coruña, Spain Received 11 February 2013, Revised 5 August 2013, Accepted 14 September 2013, Available online 25 September 2013

πηγή: [[1]]

Μετάφραση και Περίληψη

Περίληψη

Μαζί με την αποψίλωση των δασών και την κλιματική αλλαγή, η θαλάσσια ρύπανση είναι ένα από τα σημαντικότερα περιβαλλοντικά προβλήματα της εποχής μας. Στην παρούσα μελέτη γίνεται μια προσπάθεια ανίχνευσης πετρελαιοκηλίδων με μεθόδους τηλεπισκόπησης και πιο συγκεκριμένα μέσω εικόνων SAR.

Εισαγωγή

Οι κυβερνήσεις και οι διεθνείς οργανισμοί αγνοούν τα σοβαρά περιβαλλοντικά προβλήματα των ωκεανών και τις καταστροφικές συνέπειες που αυτά συνεπάγονται στο μέλλον. Σήμερα μπορούμε να παρατηρήσουμε ρύπανση των ωκεανών λόγω:

  1. ατυχημάτων με πετρελαιοφόρα και
  2. εκφορτώσεων δεξαμενών των πλεούμενων στη θάλασσα για μείωση του κόστους.

Η επιτήρηση των ωκεανών παραδοσιακά πραγματοποιούταν με αεροσκάφη και δυνάμεις της ακτοφυλακής, το έργο όμως των τελευταίων, περιοριζόταν από την έκταση των περιοχών ελέγχου. Από την άποψη αυτή, η επιτήρηση από δορυφόρο παρουσιάζεται ως βέλτιστη λύση.

Εργαλεία Ανίχνευσης Πετρελαιοκηλίδων

Όσον αφορά τον τύπο των αισθητήρων που χρησιμοποιούνται στην παρακολούθηση των ωκεανών, τα μικροκύματα προτιμούνται έναντι των οπτικών αισθητήρων, καθώς μπορούν να παρέχουν στοιχεία κάτω από όλες τις καιρικές συνθήκες και συνθήκες φωτεινότητας. Αυτοί οι τύποι των αισθητήρων καλούνται Synthetic Aperture Radar (SAR), οι οποίοι συλλαμβάνουν τη διασπορά των μικροκυμάτων σε μια καθορισμένη επιφάνεια. Αυτή η διασπορά μπορεί να χρησιμοποιηθεί για τη διάκριση του φόντου της θάλασσας, η οποία θα δείξει υψηλές τιμές οπισθοσκέδασης, σε σύγκριση με ανώμαλες οντότητες, όπως πλοία, φύκια ή ρύπους, οι οποίες έχουν χαμηλότερες τιμές οπισθοσκέδασης.

Κατάτμηση Σκοτεινών Σημείων

Το 1994, μία πρωτοποριακή νορβηγική υπηρεσία, που ονομάζεται KSAT, αποπειράθηκε να εντοπίσει πετρελαιοκηλίδες με ανάλυση δορυφορικών εικόνων. Αυτές οι πετρελαιοκηλίδες εμφανίζονται στις εικόνες ραντάρ, όπως τα σκοτεινά σημεία και μπορούν να εντοπιστούν με οπτικό έλεγχο. Πέρα από ηλεκτρονικά εργαλεία του εμπορίου, η ESA παρέχει μια σειρά από δωρεάν εργαλεία που είναι χρήσιμα για απεικονίσεις, διαχείριση και ανάλυση των δεδομένων SAR. Για παράδειγμα, το NEST είναι μία εφαρμογή Java που περιλαμβάνει ένα ολοκληρωμένο πρόγραμμα προβολής και επεξεργασίας εικόνων SAR. Ο κύριος σκοπός της ανίχνευσης πετρελαιοκηλίδων μέσω εικόνων SAR συνίσταται στην απομόνωση αυτών των σκοτεινών σημείων που είναι υποψήφιες για να είναι πετρελαιοκηλίδες και να διαπιστωθεί κατά πόσον είναι πραγματικές διαρροές ή απομιμήσεις. Με τον όρο απομιμήσεις, αναφερόμαστε σε ψευδώς θετικά αποτελέσματα που παράγονται από φυσικά φαινόμενα, όπως τα φύκια, ζώνες χαμηλού ανέμου, κλπ. Μετά το στάδιο της προ – επεξεργασίας, πρέπει να εφαρμοστεί κατάτμηση, προκειμένου να διαιρεθεί κάθε εικόνα σε μέρη ή αντικείμενα που την διαμορφώνουν. Οι αλγόριθμοι κατάτμησης βασίζονται συνήθως σε δύο ιδιότητες των γκρι επιπέδων μιας εικόνας: ασυνέχεια και παρομοίωση. Τα στοιχεία που ανιχνεύονται είναι πετρελαιοκηλίδες. Λαμβάνοντας υπόψη τα ιδιαίτερα μορφολογικά χαρακτηριστικά των εν λόγω στοιχείων, εκτελούνται δοκιμές με διάφορους αλγορίθμους που βασίζονται σε στατιστικές τεχνικές ομαδοποίησης. Οι πιο σημαντικοί από αυτούς είναι οι εξής:

  1. Hard – fuzzy αλγόριθμοι ομαδοποίησης (K – Means, Fuzzy C – Means, Kernelized Fuzzy C – Means)
  2. Αλγόριθμοι που βασίζονται σε κύματα (FCM – Wavelets, Wavelets SOM)
  3. αλγόριθμος τοπικού ορίου (συνίσταται στην εφαρμογή ενός σταθερού ορίου για κάθε εικονοστοιχείο, έτσι ώστε να καθορίσει σε ποια κατηγορία ανήκει. Ωστόσο, αυτό το όριο δεν θεωρείται μεμονωμένο αλλά σε σχέση με το μέσο όρο των γειτονικών εικονοστοιχείων)

Αποτελέσματα

  • στην περίπτωση του αλγορίθμου Τοπικού Ορίου, προκύπτει μια πιθανότητα ανίχνευσης 0,621, η οποία μπορεί να θεωρηθεί χαμηλή. Αυτό οφείλεται στο γεγονός ότι ο αλγόριθμος αυτός εκτελεί καλή τμηματοποίηση για μικρές κηλίδες, αλλά παράγει ψευδώς αρνητικά αποτελέσματα στην περίπτωση των μεγάλων κηλίδων.
  • οι άλλοι αλγόριθμοι παρουσιάζουν γενικά υψηλή πιθανότητα ανίχνευσης στην περίπτωση των πραγματικών διαρροών: μεταξύ 0,692 (Wavelets SOM) και 0,860 (σε συνδυασμό αλγορίθμων SKFCM και Τοπικού Ορίου). Ο συνδυασμός αλγορίθμων παρέχει τα καλύτερα αποτελέσματα, επειδή ο αλγόριθμος Τοπικού Ορίου ανιχνεύει μικρότερες κηλίδες, και ο SKFCM καθιστά δυνατή την ανίχνευση μεγάλων σημείων που διαφορετικά θα είχαν θεωρηθεί ως ομοιογενές (Σχήμα 1).
Προσωπικά εργαλεία