Análisis de imágenes satelitales Landsat 8 por componentes principales y MNF para la detección de zonas del derrame de petróleo Repsol en la Costa Peruana
DOI:
https://doi.org/10.53673/th.v2i2.110Palabras clave:
Landsat 8, derrame de petróleo, Repsol, normalización, procesamiento de imágenes, ACP y MNFResumen
La contaminación por el derrame de petróleo en la costa peruana causada por el buque de bandera italiana Mare Doricum, propiedad de la empresa española Repsol no solo afectó gravemente a la flora y fauna marina sino también a cientos de familias de pescadores peruanos dejándolos sin trabajo. por ello la vigilancia de los efectos de estos incidentes es muy importante para la salud pública y el cuidado del medio ambiente. Las misiones satelitales son una herramienta muy eficiente para identificar contaminantes como los derrames de petróleo. Este estudio tiene como objetivo detectar el área del derrame de petróleo utilizando el sensor multiespectral Landsat 8. Para detectar el derrame de petróleo con mayor precisión se realizó diversos preprocesamientos a la imagen satelital Landsat 8 como la conversión a reflectancia, normalización con el método Bandmax-min de la imagen de la zona afectada y finalmente se realizó los métodos de análisis de componentes principales (ACP) y la Fracción de Mínimo Ruido (MNF por sus siglas en inglés). Todos los resultados fueron analizados mediante la programación del software libre R, dichos resultados experimentales indicaron claramente que el método MNF es el más adecuado para detectar el derrame de petróleo con mayor precisión a través de imágenes multiespectrales Landsat 8.
Citas
Arslan, N. (2018). Assessment of oil spills using Sentinel 1 C-band SAR and Landsat 8 multispectral sensors. Environmental monitoring and assessment, 190(11), 1-14.
Bayramov, E., Kada, M., & Buchroithner, M. (2018). Monitoring oil spill hotspots, contamination probability modelling and assessment of coastal impacts in the Caspian Sea using SENTINEL-1, LANDSAT-8, RADARSAT, ENVISAT and ERS satellite sensors. Journal of Operational Oceanography, 11(1), 27-43.
Berman, M., Phatak, A., & Traylen, A. (2012). Some invariance properties of the minimum noise fraction transform. Chemometrics and Intelligent Laboratory Systems, 117, 189–199.
Cao, F., Yang, Z., Ren, J., Jiang, M., & Ling, W. K. (2017). Does normalization methods play a role for hyperspectral image classification?. arXiv preprint arXiv:1710.02939.
Chavez Jr, P. S. (1984). Image Processing techniques for Thermatic Mapper data. Proceedings, ASPRS-ACSM Technical Papers, 2, 728-742.
Chavez, P. S. (1996). Image-Based Atmospheric Corrections – Revisited and Improved. https://pdfs.semanticscholar.org/45f1/2625ce130261c7d360d50e09c635355ca919.pdf
Dubucq, D., Sicot, G., Lennon, M., & Miegebielle, V. (2016). Detection and discrimination of the thick oil patches on the sea surface. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 8.
Fontanel, A., Blanchet, C., & Lallemand, C. (1975, June). Enhancement of Landsat imagery by combination of multispectral classification and principal component analysis. In NASA. Lyndon B. Johnson Space Center NASA Earth Resources Surv. Symp., Vol. 1-B (No. G-24).
Gade, M. (2015). Synthetic aperture radar applications in coastal waters. Proceedings of the twelfth international conference on the Mediterranean coastal environment MEDCOAST 06–10 October, Varna, Bulgaria.
Gade, M., Alpers, W., Huhnerfuss, H.,Wismann, V. R., & Lange, P. A. (1998). On the reduction of the radar backscatter by oceanic surface films: scatterometer measurements and their theoretical interpretation. Remote Sensing of Environment, 66(1), 52–70.
Gade, M., Byfield, V., Ermakov, S., Lavrova, O., & Mitnik, L. (2013). Slicks as indicators for marine processes. Oceanography, 26(2), 138–149.
Green, A. A., Berman, M., Switzer, P., & Craig, M. D. (1988). A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Transactions on geoscience and remote sensing, 26(1), 65-74.
ITOPF. (2020). Oil Tanker Spill Statistics 2020.
Lee, M. S., Park, K. A., Lee, H. R., Park, J. J., Kang, C. K., & Lee, M. (2016, July). Detection and dispersion of oil spills from satellite optical images in a coastal bay. In 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 2491-2494). IEEE.
Misra, A., & Balaji, R. (2017). Simple approaches to oil spill detection using sentinel application platform (SNAP)-ocean application tools and texture analysis: a comparative study. Journal of the Indian Society of Remote Sensing, 45, 1065–1075. https://doi.org/10.1007/s12524-016-0658
Mo, Y., Kearney, M. S., & Riter, J. C. (2017). Post-deepwater horizon oil spill monitoring of Louisiana salt marshes using landsat imagery. Remote Sensing, 9(6), 547.
Mohamadi, B., Xie, Z., & Liu, F. (2015). GIS based oil spill risk assessment model for the Niger Delta's vegetation. Nature Environment and Pollution Technology, 14(3), 545.
Montali, A., Giacinto, G., Migliaccio, M., & Gambardella, A. (2006). Supervised pattern classification techniques for oil spill classification in SAR images: preliminary results. Proceedings of the SEASAR2006 workshop, ESA-ESRIN, Frascati, Italy.
Moran, M. S., Jackson, R. D., Slater, P. N., & Teillet, P. M. (1992). Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output. Remote Sensing of Environment, 41(2-3), 169-184. https://doi.org/10.1016/0034- 4257(92)90076-V
Pashayev, N.M., Ragimov, R.M., Samedov, F.R., Gahramanova, D.S., 2018. Aerospace monitoring of the oil pollution of the Caspian Sea on the base of GIS technology and radar space images. IFAC-PapersOnLine 51 (30), 558–560.
Richards, J. A. (1999). Remote sensing digital image analysis: an introduction. Berlin: Springer-Verlag.
Schowengerdt, R. A. (2012). Techniques for image processing and classifications in remote sensing. Academic Press.
Shuchman, R. A., Onstott, R. G., Johannessen, O. M., Sandven, S., & Johannessen, J. A. (2004). Processes at the ice edge: the arctic. Synthetic Aperture Radar marine user’s manual, 373-395.
Sobrino, J. A., Jiménez-Muñoz, J. C. and Paolini, L. 2004. 84 Land surface temperature retrieval from LANDSAT TM 85 5, Remote Sens. Environ., vol. 90, 434-44
Solberg, A., Brekke, C., & Husoy, P. (2007). Oil spill detection in Radarsat and ENVISAT SAR images. IEEE Transactions on Geoscience and Remote Sensing, 45(3), 746–755.
Taylor, M. M. (1974, January). Principal components colour display of ERTS imagery. In NASA. Goddard Space Flight Center 3d ERTS-1 Symp., Vol. 1, Sect. B (No. PAPER-I12).
Trivero, P., Biamino, W, & Nirchio, F. (2007). High resolution COSMO-SkyMed SAR images for oil spills automatic detection. Proceedings of the geoscience and remote sensing symposium, IGARSS 2007 IEEE International: 2–5.
Williams, D. L., Irons, J. R., Markham, B. L., Nelson, R. F., Toll, D. L., Latty, R. S., & Stauffer, M. L. (1983, August). Impact of TM sensor characteristics on classification accuracy. In Proc. IGARSS (Vol. 83, pp. 5-1).
Xing, Q., Li, L., Lou, M., Bing, L., Zhao, R., & Li, Z. (2015). Observation of oil spills through landsat thermal infrared imagery: A case of deepwater horizon. Aquatic Procedia, 3, 151-156.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Jaime Yelsin Rosales Malpartida, Hebbert Alexander Apaza Mamani
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
El autor permite el uso y difusión de los artículos a los lectores y a la revista, por medio de la licencia Creative Commons CC-BY-4.0 (Reconocimiento 4.0). Esta licencia permite que cualquiera distribuya, remezcle, adapte y rediseñe a partir de un trabajo, incluso con fines lucrativos, siempre que se mencione la autoría de la creación original.
Ruta CC-BY-4.0: https://creativecommons.org/licenses/by/4.0/
