APPLICATION OF ACTIVE REMOTE SENSING METHODS FOR MONITORING OIL TRUNK PIPELINES

Research article
DOI:
https://doi.org/10.23670/IRJ.2022.118.4.073
Issue: № 4 (118), 2022
Published:
2022/04/18
PDF

DOI: https://doi.org/10.23670/IRJ.2022.118.4.073

ПРИМЕНЕНИЕ МЕТОДОВ АКТИВНОГО ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ДЛЯ МОНИТОРИНГА МАГИСТРАЛЬНЫХ НЕФТЕПРОВОДОВ

Научная статья

Чермошенцев А.Ю.*

ORCID: 0000-0002-3931-7537,

Сибирский государственный университет геосистем и технологий, Новосибирск, Россия

* Корреспондирующий автор (fdz2004[at]bk.ru)

Аннотация

В статье рассмотрены современные методы активного дистанционного зондирования, которые могут применяться для мониторинга состояния магистральных нефтепроводов и защитных сооружений при них. Целью работы является анализ характеристик радиолокационных съемочных систем Sentinel-1 и ICEYE, таких как режим съемки, ширина полосы захвата, пространственное разрешение и поляризация радиосигнала. Выполнены экспериментальные исследования методики предварительной обработки данных в программном продукте SNAP и рассмотрены ее основные этапы. В результате определены характеристики данных радиолокационной съемки, позволяющие использовать их для оценки состояния магистральных нефтепроводов, выделены преимущества и недостатки.

Ключевые слова: радиолокация, магистральные нефтепроводы, Sentinel, ICEYE.

APPLICATION OF ACTIVE REMOTE SENSING METHODS FOR MONITORING OIL TRUNK PIPELINES

Research article

Chermoshentsev A.Yu.*

ORCID: 0000-0002-3931-7537,

Siberian State University of Geosystems and Technologies, Novosibirsk, Russia

* Corresponding author (fdz2004[at]bk.ru)

Abstract

The article discusses modern methods of active remote sensing, which can be used to monitor the condition of oil trunk pipelines and the protective structures around them. The aim of the work is to analyze the characteristics of Sentinel-1 and ICEYE radar survey systems, such as shooting mode, capture bandwidth, spatial resolution, and polarization of the radio signal. The author carries out experimental studies of the data preprocessing technique using the SNAP software and examines its main stages. As a result, the study determines the characteristics of the radar survey data, allowing them to be used to assess the condition of oil trunk pipelines, advantages, and disadvantages were also highlighted.

Keywords: radar, oil trunk pipelines, Sentinel, ICEYE.

Введение

В настоящее время одной из важнейших составляющих топливно-энергетического комплекса являются магистральные трубопроводы. Развитие этого способа транспортировки нефтепродуктов играет важную роль в экономическом развитии Российской Федерации. В нашей стране создана разветвленная сеть магистральных нефтепроводов общей протяженностью свыше 72 тыс. км, которые проходят по территории большинства субъектов Российской Федерации. При транспортировке больших объемов нефти, которые достигают 90% от всей добываемой в стране сырой нефти, необходимо обеспечить надежность работы трубопроводных систем [1]. Чрезвычайные ситуации, возникающие на объектах инфраструктуры нефтяной отрасли, могут нанести серьезный ущерб экономике из-за потерь нефтепродуктов и нарушения непрерывного процесса производства в смежных отраслях, а также привести неблагоприятным последствиям для экологии из-за загрязнения окружающей среды как в краткосрочной, так и в долгосрочной перспективе [2], [3], [4]. Таким образом для своевременного прогнозирования и оценки рисков возникновения нештатных ситуаций, в течение всего периода эксплуатации магистральных нефтепроводов необходим постоянный мониторинг, техническое обслуживание и ремонт [5]. Задача осложняется тем, что трубопроводы по большей части пролегают по удаленным и труднодоступным районам со сложными климатическими условиями. Учитывая протяженность трубопроводного комплекса, для обеспечения оперативного мониторинга требуется обработка больших объемов данных. Целью работы является анализ методов активного дистанционного зондирования Земли, в частности радиолокационного, для мониторинга состояния магистральных нефтепроводов.

Задачи исследования: определить критерии (разрешающая способность, периодичность съемки, поляризация), позволяющие оценить состояние магистральных нефтепроводов.

Методы и принципы исследования

К параметрам, влияющие на выбор радиолокационных данных дистанционного зондирования для мониторинга состояния магистральных нефтепроводов относятся: пространственное разрешение, поляризация сигнала, ширина полосы съемки, периодичность съемки [6], [7]. Среди доступных в настоящее время съемочных систем наибольший интерес заслуживают Sentinel и Iceye.

Проект Европейского космического агентства Sentinel предназначен для поддержки программы Copernicus Спутники Sentinel-1A и Sentinel-1B уже ведут космическую съемку. Находясь на одной орбите, оба спутника могут покрыть съемкой всю Землю в течение 6 дней. На 2021 г. запланирован запуск спутника Sentinel-1C, а в дальнейшем — Sentinel-1D.

Компания ICEYE (Финляндия) работает над созданием группировки радарных микроспутников, которые оснащены радарами с РСА. Первый спутник был запущен 12 января 2018 г. В общей сложности группировку спутников планируется сформировать из 18 космических аппаратов. Спутники будут находиться на разных орбитах, что обеспечит более полное покрытие и съемку под разными углами. После развертывания всей группировки повторная съемка будет проводиться каждые 2 часа. В связи с этим выполнение работ по оценке состояния магистральных нефтепроводов при помощи данных спутников представляется наиболее перспективным. Сравнение основных характеристик приведено в таблице 1.

Таблица 1 – Характеристики данных

Длина волны, см Пространственное разрешение, м Ширина полосы съемки, км Полярицация
Sentinel-1 5 5×20 240 VV/VH
ICEYE 3 3 50 VV

Для оценки возможности применения данных радиолокационной съемки для решения поставленной задачи выбрана территория участка магистрального нефтепровода ВСТО (Восточная Сибирь - Тихий океан). В свободно распространяемом программном продукте SNAP выполнена предварительная обработка снимков, которую можно представить в виде технологической схемы основных операций (см. рисунок 1).

1

Рис. 1 – Технологическая схема обработки радиолокационных снимков

Основные этапы данной технологической схемы включают следующие процессы:

  • уточнение орбит;
  • радиометрическая калибровка;
  • фильтрация спекл-шума;
  • геометрическая коррекция.

На первом этапе выполняется получение точных данных о положении спутника на орбите в момент выполнения съемки, которое необходимо для более точного позиционирования снимков в случае отсутствия наземных опорных данных.

Радиометрическая калибровка необходима для правильной работы с данными, полученными при различных углах съемки и относительных уровнях яркости. Учитывая большую протяженность объекта съемки, его полное покрытие потребует объединения различных снимков. В результате калибровки производится преобразование значений пикселов таким образом, чтобы они представляли значение обратного рассеяния радиолуча от отражающей поверхности [8].

Радиолокационные снимки обладают специфической особенностью, называемой спекл-шум, который вызван случайной конструктивной и деструктивной интерференцией. Данный эффект значительно затрудняет распознавание объекта съемки, и для уменьшения его влияния требуется применение специальных спекл-фильтров [9]. Однако данный процесс неизбежно приводит к размытию деталей или уменьшению пространственного разрешения, поэтому глубокая фильтрация должна применяться с осторожностью.

На последнем этапе предварительной обработки выполняется геометрическая коррекция, в ходе которой происходит устранение геометрических искажений, также являющихся неотъемлемой составляющей радиолокационных данных (как эффект перспективного сокращения (foreshortening), переналожения (layover) и радиолокационной тени (shadow) [10]. В результате использования цифровой модели высот изображение из геометрии наклонной дальности или расстояния до земли преобразуется в картографическую систему координат готовый продукт приводится к требуемой картографической проекции.

Результаты предварительной обработки снимков Sentinel-1, выполненной по указанной технологической схеме (см. рисунок 2).

1

Рис. 2 – Сравнение поляризации сигнала снимков Sentinel-1

Анализ результата обработки показывает, что для идентификации магистральных нефтепроводов предпочтительной является перекрестная поляризация VH, поскольку в этом случае нефтепровод, ориентированный перпендикулярно направлению полета космического аппарата, однозначно идентифицируется на снимке. Оценка вертикальных смещений самого нефтепровода и защитных сооружений потребует дополнительно выполнения интерферометрической обработки.

Результаты предварительной обработки снимков ICEYE (см. рисунок 3).

1

Рис. 3 – Сравнение поляризации сигнала и разрешающей способности снимков ICEYE

Преимущество снимков ICEYE в виде более высокого пространственного разрешения позволяет за счет снижения маскирующего воздействия растительного покрова более четко выделить структурный рисунок изучаемых объектов. К недостаткам можно отнести меньшую полосу охвата, что приведет к увеличению количества обрабатываемых снимков.

Заключение

Для мониторинга инженерных защитных сооружений, таких как подпорная стенка, защитное ограждение, опоры и т. п. перспективной является радиолокационная съемка, выполняемая в настоящее время в различных диапазонах длин волн и с различной поляризацией, что позволяет провести оценку величины смещения земной поверхности.

Пространственное разрешение снимков Sentinel-1 и ICEYE является достаточным для идентификации магистральных нефтепроводов. Для мониторинга протяженных объектов предпочтительным является широкозахватный режим съемки Sentinel-1.

Для охвата нефтепровода протяжённостью 2640 км (ВСТО) потребуется 10 снимков Sentinel-1 в режиме IW.

Финансирование Работа выполнена в рамках государственного задания Минобрнауки России (тема «Разработка теории и технологических решений контроля состояния защитных сооружений при перекачке нефтепродуктов методами активного дистанционного зондирования», № 0807-2020-0002). Funding The work was carried out within the framework of the state task of the Ministry of Education and Science of the Russian Federation («Development of the theory and technological solutions for monitoring the state of protective structures during the pumping of petroleum products using active remote sensing methods», No. 0807-2020-0002).
   
Конфликт интересов Не указан. Conflict of Interest None declared.

Список литературы / References

  1. Smirnova M. V. Investigation of the possibility of remote detection of gas outlets in the sea using X-band radar / M. V. Smirnova, I. A. Kapustin, A.V. Ermoshkin // Modern problems of remote sensing of the Earth from space. – 2020. – Vol. 17(6). – P. 116–121. DOI: 10.21046/2070-7401-2020-17-6-116-121
  2. Krestenitis M. Oil Spill Identification from Satellite Images Using Deep Neural Networks / M. Krestenitis, G. Orfanidis //  Remote Sensing. – 2019. – Vol. 11(10). DOI: 10.3390/rs11151762
  3. Brekke C. Oil spill detection by satellite remote sensing / C. Brekke,  A. Solberg //  Remote Sensing of Environment. – 2005. – Vol. 5. – P.1–13.
  4. Solberg A. H. S. Automatic detection of oil spills in ERS SAR images / A. H. S. Solberg, G. Storvik, R. Solberg, E. Volden // IEEE Trans. Geosci. Remote Sens. – 1999. – 7(4). – P. 1916–1924.
  5. Fiscela B. Oil spill detection using marine SAR images / B. Fiscela, A. Giancaspro, F. Nirchio et al. // Int. J. Remote Sens. – 2000. – 21(18). – P. – 3561–3566.
  6. Espedal H. Satellite SAR oil spill detection using wind history information / H. Espedal // International Journal of Remote Sensing. – 1999. – Vol. 20. – P.49–65.
  7. Frate F.D. Neural networks for oil spill detection using ERS-SAR data / F.D. Frate, A. Petrocchi, J. Lichtenegger et al. // IEEE Trans. Geosci. RemoteSens. – 2000. –38(5). – P. 2282–2287.
  8. Иванов А. Ю. Использование космической радиолокации широкого обзора для картографирования нефтяных загрязнений моря / А. Ю. Иванов, И. С. Ермошкин, М. Фанг и др. // Исследование Земли из космоса. – 2005. – № 5. – С.78–95.
  9. Marghany M. Automatic detection algorithms for oil spill from multisar data / M. Marghany, M. Hashim // PIERS Proceedings. March 27–30. – 2012. – P. 1796–1800
  10. Yu X. Oil spill segmentation via adversarial f-divergence learning / X. Yu. H. Zhang, C. Luo et al. // IEEE Trans. Geosci. Remote Sens. – 2018. – Vol. 56. – P.4973–4988.

Список литературы на английском языке / References in English

  1. Smirnova M. V. Investigation of the possibility of remote detection of gas outlets in the sea using X-band radar / M. V. Smirnova, I. A. Kapustin, A.V. Ermoshkin // Modern problems of remote sensing of the Earth from space. – 2020. – Vol. 17(6). – P. 116–121. DOI: 10.21046/2070-7401-2020-17-6-116-121
  2. Krestenitis M. Oil Spill Identification from Satellite Images Using Deep Neural Networks / M. Krestenitis, G. Orfanidis //  Remote Sensing. – 2019. – Vol. 11(10). DOI: 10.3390/rs11151762
  3. Brekke C. Oil spill detection by satellite remote sensing / C. Brekke,  A. Solberg //  Remote Sensing of Environment. – 2005. – Vol. 5. – P.1–13.
  4. Solberg A. H. S. Automatic detection of oil spills in ERS SAR images / A. H. S. Solberg, G. Storvik, R. Solberg, E. Volden // IEEE Trans. Geosci. Remote Sens. – 1999. – 7(4). – P. 1916–1924.
  5. Fiscela B. Oil spill detection using marine SAR images / B. Fiscela, A. Giancaspro, F. Nirchio et al. // Int. J. Remote Sens. – 2000. – 21(18). – P. – 3561–3566.
  6. Espedal H. Satellite SAR oil spill detection using wind history information / H. Espedal // International Journal of Remote Sensing. – 1999. – Vol. 20. – P.49–65.
  7. Frate F.D. Neural networks for oil spill detection using ERS-SAR data / F.D. Frate, A. Petrocchi, J. Lichtenegger et al. // IEEE Trans. Geosci. Remote Sens. – 2000. –38(5). – P. 2282–2287.
  8. Ivanov A. Yu. Ispol'zovanie kosmicheskoj radiolokacii shirokogo obzora dlja kartografirovanija neftjanyh zagrjaznenij morja [Use of the wide-swath synthethic aperture radar images for mapping oil pollution in the sea] / A. Yu. Ivanov, I. S. Ermoshkin, M. Fang, et al. // Issledovanie Zemli iz kosmosa [Earth Observation and Remote Sensing] – 2005. – №5. – P. 78–95. [in Russian]
  9. Marghany M. Automatic detection algorithms for oil spill from multisar data / M. Marghany, M. Hashim // PIERS Proceedings. March 27–30. – 2012. – P. 1796–1800
  10. Yu X. Oil spill segmentation via adversarial f-divergence learning / X. Yu. H. Zhang, C. Luo et al. // IEEE Trans. Geosci. RemoteSens. – 2018. – Vol. 56. – P.4973–4988.