Detection and Extraction of Oil Spills in the Niger Delta Coastline:Using Landsat images

摘要

本研究概述了溢油检测在污染控制、环境保护和解决我们社会中一些危机的可持续发展中的必要性。由于石油的勘探、开采和污染，大多数危机都是与环境问题相关联的。最近，每日和每周都有大规模溢油的报道，通常发生在三角洲地区，也有部分发生在海岸线。石油泄漏可能影响海岸生态系统，并造成环境污染、经济影响、失业、对人类健康的影响和海洋生物的伤害。因此，在污染区域检测漏油对于监测海上溢油迁移和减轻后续污染影响有着重大的作用。溢油量估算是进行跟踪、提取石油泄漏物和补充清洁过程中的另一个重大问题。
　　在机载或卫星平台上使用多光谱传感器进行人造物体或材料的检测和识别对于环境应用有极大的作用。多光谱感测可以利用目标和自然背景光谱特征的细节信息来增加对像素和子像素尺寸目标的检测能力。获取海岸线区域的动态类型，包括陆地、水和大气间的相互影响，从而，使它成为地球表面最重要的特征。
　　当原油释放到水体，它会在水面上形成闪耀的薄膜而迅速蔓延，因此对脆弱的海岸线进行有效和高效的管理，准确和精确的了解地理空间范围和随后的溢油蔓延是非常重要的。然而，本研究将紧密围绕如何确定最适合的基于陆地卫星多光谱成像技术的海岸线区域溢油遥感监测算法，以及从遥感影像中提取目标信息（油）的可能性。两种机器学习算法，监督分类和无监督分类，被使用于陆地卫星图像上，并基于目标检测能力的精度对其性能进行了分析比较。
　　对于多光谱影像，重要的信息常提取于子像素级，例如一些提取技术，如波段组合，水体提取以及多光谱神经网络被应用到影像上。另外，后处理技术也被用于检查分类。最后的结果显示神经网络具有99.8％的准确性，它提供的结论是在这个水平中NN有绘制出目标信息（油）的潜在能力。

目录

ACKNOWLEDGEMENT

ABSTRACT

摘要

Contents

CHAPTER 1：INTRODUCTION

1．1 Background of the study

1．2 Significance of the study

1．3 Literature Review

1．3．1 The possibility of oil spill detection

1．3．2 Optical properties of oil

1．3．3．Visible properties of oil

1．3．4 Infrared(IR)sensor in oil spill detection

1．3．5 Near-infrared Sensor in oil spill detection

1．3．6 Ultraviolet Sensor in oil spill detection

1．3．7 Microwave sensor in oil spill detection

1．3．8 Laser Fluorescence Sensor(LFS)in oil spill detection

1．4 Oil Spill Detection Models

1．4．1 Supervised and Unsupervised Ciassification

1．4．2 Neural Network

1．4．3 Band combination

1．4．4 Water Extraction

1．4．5 Principal component analysis(PCA)

1．4．6 Review of different models

1．5 Problem Statement

1．6 Objectives

1．7 Key Questions

1．8 Organization of the Thesis

CHAPTER 2 STUDY AREA／PRE-DATA PROCESSING

2．1 Study Area

2．2 Data Processing

2．2．1 Collection of image data

2．2．2 Atmospheric Correction

CHAPTER 3．OIL SPILL EXTRACTION BY IMAGE CLASSIFICATION

3．1 Introduction

3．2 Feature Extraction

3．3 Training

3．4 Supervised Classification

3．4．1 Parallelepiped Classification

3．4．2 Minimum Distance Classifier

3．4．3 Mahalanobis Distance Classifier

3．4．4 Maximum Likelihood

3．4．7 Binary Encoding

3．4．8 Neural Network

3．5 Unsupervised Classification

3．5．1 K-means Clustering

3．5．2 Iterative Self-Organizing Data Analysis(ISODATA)

3．6 Post-classification Filtering

3．7 Unsupervised and Supervised Classification

3．8 Experimental Results

3．9 Performance Evaluation

3．10 Conclusions

CHAPTER 4．OIL SPILL EXTRACTION BY BAND／BAND COMBINATION

4．1 Water extraction

4．2 Band Combinations

4．3 Band Operation

4．4 Multispectral Neural Network

CHAPTER 5．COMPARISON OF THE OIL SPILL EXTRACTION METHOD，DISCUSSION，LIMITATIONS AND RECOMMENDATIONS

5．1 Comparison of methods

5．2 Results

5．3 Discussion

5．4 Limitation

CHAPTER 6．CONCLUSIONS AND FUTURE WORK

REFERENCES