Spelling suggestions: "subject:"preprocesisng"" "subject:"preprocesing""
1 |
Prétraitement optimal des images radar et modélisation des dérives de nappes d'hydrocarbures pour l'aide à la photo-interprétation en exploration pétrolière et surveillance environnementale / Optimal preprocessing of radar images and modeling of oil slick drifts for the assistance of photointerpretation in oil exploration and environmental monitoringNajoui, Zhour 30 June 2017 (has links)
Ce travail de thèse traite de l’optimisation des analyses et des prétraitements des images radar pour la détection des nappes d'huile en domaine océanique (communément appelés "oil slicks" en anglais) ainsi que la localisation des sources de suintements d’huiles d'origine naturelle ("oil seeps") sur le plancher océanique. Moyens, méthodes et difficultés des divers traitements y sont exposés. Il se compose des trois axes de recherche distincts expliqués et détaillés ci-dessous :1- Une approche stochastique pour le prétraitement et l'amélioration des images radar en bande C afin de détecter automatiquement les nappes d'huile.2- Une approche stochastique utilisant une grande quantité d'images radar pour évaluer l'influence de la vitesse du vent et les différents modes de l'instrument (SAR) pour l'optimisation de la détection des nappes d'hydrocarbures.3- La localisation précise de la source des émissions d'hydrocarbures marins à l'aide d'un nouveau modèle de dérive verticale, appliqué au Golfe du Mexique (USA).En premier, nous nous sommes intéressés à l'optimisation des prétraitements et l'amélioration des images radar en bande C par des méthodes stochastiques. La méthodologie proposée comprend trois niveaux de traitement: prétraitement, seuillage et nettoyage binaire. Le premier niveau s’attèle à corriger l'hétérogénéité de la luminosité dans les images radar due à la réflexion non lambertienne du signal radar sur la surface de la mer. Le deuxième niveau consiste en une étape de seuillage qui vise à produire des objets noirs aussi proches que possible de l'ensemble de données d'apprentissage manuellement élaborées. Le troisième niveau, quant à lui, vise à nettoyer les images binaires de sortie des résidus de bruit. Plusieurs méthodes de prétraitement et de nettoyage ont été testées et évaluées par un moteur de qualification qui compare les objets détectés automatiquement avec les zones des objets noirs détectées manuellement. Par la suite, nous nous sommes penchés sur l'évaluation de l'influence de la vitesse du vent et des modes de l'instrument sur la détection des nappes d'hydrocarbures sur les images radar en utilisant une approche stochastique. Cette étude a été dictée par le besoin de définir les conditions météorologiques à même de permettre une détection optimale des nappes d’huiles, à partir des images radar. L’objectif a été de déterminer l’intervalle de vitesse du vent qui optimise la détection des nappes d'huiles dans toutes les images radar utilisant du BigData et une approche stochastique. Ce travail a également été une occasion de nous intéresser aux propriétés des modes d'acquisition radar employés dans la détection des nappes d'huile. Ainsi, un ordre de performance de 5 modes est établi (IW, APP, PRI, IMP et WSM) et montre que le mode IW (Sentinel-1), avec la meilleure résolution spatiale (supérieure à 5x20m), est la plus approprié pour détecter une nappe d'huile à forte vitesse du vent. Enfin, nous nous sommes focalisés sur l'estimation de la localisation des sources de pétrole naturel marin à l'aide d'un nouveau modèle de dérive verticale. Les manifestations de suintements d'hydrocarbures sur la surface de la mer sont généralement décalées de leur source sur les fonds marins de plusieurs centaines de mètres ou même de kilomètres. Ce décalage est fonction de la vitesse ascensionnelle et des courants marins le long de la colonne d'eau. Dans cette étude, le diamètre des gouttelettes ne nous est pas connu à priori. Pour combler ce manque d’information, on a appliqué une nouvelle méthode appelée «le chemin des sources». Si ces trois études peuvent être prises chacune indépendamment des autres, elles sont solidement interconnectées et complémentaires. Elles forment une sorte de processus allant de l'optimisation de la détection d’une nappe (les moyens et les outils les plus adéquats pour une meilleure détection) jusqu’à la localisation de sa source sur le plancher océanique / This thesis deals with the preprocessing of radar images and their optimization for the analyzes in order to detect natural marine oil slicks (Sea surface Outbreak/SSO) as well as better determine their source location at the Sea Floor Source (SFS). We explained herein means, methods and difficulties encountered. This thesis consists of the following three distinct research axes represented by three submitted papers :1- A stochastic approach for pre-processing and improvement of C-band radar images to automatically detect oil slicks;2- A stochastic approach using a large quantity of radar images to evaluate the influence of wind speed and the different modes of the instrument (SAR) on the delectability of marine oil slicks ;3- Accurate location of the Sea Floor Source of marine hydrocarbon emissions using a new vertical drift model within the water column, applied to the northern Gulf of Mexico (southern USA).So first, we focused on the optimization of pre-processing and the improvement of C-band radar images by stochastic methods to automatically detect oil slicks. The proposed methodology includes three processing levels : preprocessing, thresholding, and binary cleaning. The first level consists of correcting the heterogeneity of the luminosity in the radar images resulting from the non-Lambertian reflection of the radar signal on the sea surface. The second level consists of a thresholding step which aims to produce dark objects as close as possible to the manually developed training data set. The third level consists of cleaning the output binary images from the noise residuals. Several preprocessing and cleaning methods have been tested and evaluated by a qualification engine that compares the objects automatically detected with the manual detection. Then, we focus in a second chapter in the evaluation of the influence of wind speed and instrument modes on the detection of oil slicks from radar images by using a stochastic approach. This study was dictated by the need to define the meteorological conditions capable for an optimal detection of oil slicks, from the radar images. The objective was to determine the wind speed range which optimizes the detection of oil slicks in all radar images using BigData and a stochastic approach. This work was also an opportunity to investigate the properties of the radar acquisition modes used in the detection of oil slicks. Thus, a 5-mode performance order is established (IW, APP, PRI, IMP and WSM) and shows that the IW (Sentinel-1) mode, with the best spatial resolution (greater than 5x20m) detects oil slicks at high wind speed. Finally, we focused on estimating the location of marine natural oil seeps sources using a new vertical drift model, applied in the Gulf of Mexico. Thus, we have developed a new method for detecting the source of oil seeps from natural sources on the seafloor according to the vertical drift model. Occurrences of oil seeps on the sea surface are generally offset from their sources on the seabed by several hundred meters or even kilometers. This deflection is dependent on the upward velocity of the oil and marine currents along the water column. In this study, the diameter of the droplets is not known to us a priori. To fill this gap, a new method called "the sources path" was applied herein that propose the Sea Floor Source taking into account the droplet size and the vertical drift within the water column before their Sea surface Outbreak (SSO).If these three studies can be taken independently of each other, they are firmly interconnected and complementary. They form a sort of process ranging from the optimization of the detection of an oil slick (the most appropriate means and tools for better detection) to the location of its source on the seafloor
|
Page generated in 0.047 seconds