implementación de metodología para detección y...

Master en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias Sistema Italo-Argentino S.Gestione delle Emergenze (SIASGE) – CONAE – ASI

Pablo Adrián Marzialetti - Desarrollo de Economías Regionales, tutore Giovanni Laneve

1/22

Implementación de metodología para detección

y seguimiento de derrames de pétroleo

3rd. report August 2010

Becario: Lic. Pablo Adrián Marzialetti

Tutor: Prof. Giovanni Laneve



2/22

INDICE

Objetivo

Oil Spill

Definicion

Impacto

Dinamica del derrame

Aportes de sensado remoto para la identificación de potenciales

manchas vinculadas a derrames

Hyperespectral

Sar

Algunos ejemplos claros de manchas identificadas como Look-

alikes

Pasos típicos que el estado del arte menciona para el monitoreo e

identificación de manchas

Mención de algunos pasos importantes

Preprocesamiento

Feature Extraction

Mejoramiento de la imagen

Extracción de información

Elementos que ayudan a una correcta asignación de niveles de

confianza

Metodología

Aproximación a metodología para detección de potenciales areas de

derrame en imágenes CHRIS

Proceso básico

Detección manual de zonas oscuras derrame potencial de

hidrocarburos

Histogram Matching sobre imagen de referencia

Automatización sobre imagen preprocesada

Firmas espectrales de combustibles a evaluar en la base de

espectros de referencia

Aproximación a metodología para detección de potenciales derrames

con tecnología SAR

Pasos principales

Ejemplo de aplicación de metodología sobre imagen SAR

Detección de mancha sobre imagen SAR

Detección de buque y vinculación en mapa temático

Diferentes tipos de derrames a identificar

Diagrama de metodologia empleada

Zona de estudio potencial

Softwares utilizados

Conclusiones parciales

Bibliografía



3/22

Objetivo

El objetivo del presente trabajo está centrado en el relevamiento de técnicas de

sensoramiento remoto aplicadas al monitoreo de derrames de combustibles

identificando sus caracteristicas básicas, para su aplicación práctica a la zona del Lago

de Maracaibo, Venezuela, con el fin de delimitar áreas potencialmente afectadas dando

pie a una posterior valuación socioeconómica.

Oil Spill

Definición

Se entiende como Oil Spill o derrame de petróleo al vertido de productos petrolíferos

sobre el medio ambiente, accidentalmente o por prácticas comunes, afectando zonas

litoraleñas, mares y costas con efectos persistentes en el tiempo.

Impacto

El vertido de un litro de gasolina puede llegar a contaminar un millón de litros de agua,

siendo un efecto contaminante irreversible. Asimismo el petróleo que llega al mar se

evapora o queda degradado lentamente por las bacterias.

Los componentes pesados del petróleo que se depositan en el fondo del mar pueden

matar a los animales que habitan en las profundidades como cangrejos, mejillones, etc.,

o los hacen inadecuados para el consumo humano.

En las zonas donde se produce un derrame de petróleo se vuelve imposible el trabajo

de pesca, se dificulta la navegación por posibles atascos o incendios, y se ve limitado el

aprovechamiento de las playas con fines recreativos para el turismo.

El efecto contaminante dependerá de varios factores:

tipos de petróleo (crudo o refinado),

cantidad liberada,

distancia del sitio de liberación desde la playa,

época del año,

temperatura del agua,

clima, y

corrientes oceánicas, entre otras.

Un derrame puede originarse por una serie de razones, pero de acuerdo al historial de

ocurrencias éstos tienen una estrecha relación con las rutas marítimas y aparecen

vinculados a plataformas offshore (Fig.2). Tambien significativos pero no tan comunes

son aquellos provocados por accidentes en el transporte y roturas de tanques, teniendo

en relación una menor contribución al total de contaminante vertido al mar.

Mas alla de que se van imponiendo paulatinamente mayores regulaciones y

procedimientos estrictos de operación de hidrocarburos, estas medidas no pueden

eliminar completamente los riesgos.

Es claro que la reducción de éstos es clave para la protección del ambiente y la

reducción de las pérdidas económicas que acarrean, por lo que el monitoreo constante

se presenta como un paso ineludible. Los avances de las tecnologías de sensado remoto

pueden dar un soporte para acceder oportunamente a la información que prevenga que

una situación de pequeña magnitud tome escalas impredecibles.



4/22

Figura 1: Imagen RADARSAT que evidencia derrame intencional

provocado por la descarga de un barco

Figura 2: Pozo y plataforma petrolera sufriendo de derrame

Figura 3: Derrames de petróleo procedentes de plataformas de almacenamiento y producción.

(Imagen ASTER falso color)

Dinámica del derrame

El petróleo vertido se va extendiendo en una superficie cada vez mayor hasta llegar a

formar una capa muy extensa, con espesores de sólo décimas de micrómetro. De esta

forma se ha comprobado que 1 metro cñubico de petróleo puede llegar a formar, en

hora y media, una mancha de 100 metros de diámetro y 0,1 mm de espesor.



5/22

Figura 4: Dinámica del derrame

Una gran parte del petróleo (entre uno y dos tercios) se evapora. El petróleo evaporado

es descompuesto por foto-oxidación en la atmósfera y del crudo que queda en el agua:

una parte que sufre foto-oxidación;

otra parte se disuelve en el agua, siendo esta la más peligrosa desde el

punto de vista de la contaminación, y

lo que queda forma una emulsión gelatinosa de agua y aceite que se

convierte en bolas de alquitrán densas, semisólidas, con aspecto asfáltico.

Aportes de sensado remoto para la identificación de potenciales manchas

vinculadas a derrames

Hyperespectral

Los sensores hyperespectrales utilizados para detección de derrames tiene un

gran potencial para la identificación detallada de materiales y una mejor

estimación de su abundancia. Debido a la cantidad de bandas que ofrecen dan la

potencialidad de poder distinguir entre distintos tipos de combustibles.

El combustible absorve radiación solar y reemite una porción de su energía como

energía térmica. Los sensores IR perciben las manchas de petróleo mas gruesas

como calientes, de grosor intermedio como frías, mientras que a las delgadas no

es posible detectarlas.

Por la noche una derrame de cierto grosos puede percibirlo como mas frio que al

agua ya que libera calor de manera mas rapida que las aguas circundantes.

La tecnologia UV tambien puede utilizarse para la deteccion, ya que las manchas

muestran una alta reflectividad a la radiacion UV aún en las capas mas delgadas.

Los instrumentos UV no se utilizan de noche, y las manchas provocadas por el

viento, los rayos solares y material biogenico pueden causar falsas alarmas.

Estas interferencias suelen ser diferentes a aquellas causadas por los sensores

IR, por lo que una combinación de ambos puede ser de utilidad para la

identificación y la estimación de su grosor.

SAR

Los instrumentos SAR tienen la ventaja los sensores ópticos de poder adquirir

imagenes tanto de día como de noche sin tener en cuenta condiciones

atmosféricas.



6/22

Aquello que influencia significativamente la visibilidad de las manchas es la

intensidad del viento que determina los niveles de backscattering. Por lo que los

derrames solo son percibidos de acuerdo a un rango determinado de velocidades

de viento. La velocidad máxima que permitirá su detección dependerá asimismo

del tipo de combustible y del tiempo pasado desde el momento de inicio del

derrame. Será necesario entonces, disponer de información respecto a

intensidades de viento para su identificación, siendo además de utilidad para

determinar su evolución. Por lo que tener en cuenta a esta variable será de

suma importancia, ya sea incorporandola manualmente por datos de campo o

mediante modelos.

La señal SAR recibida por un derrame dependerá de la altura de las olas

circundantes y del tipo y cantidad de combustible. Y su forma se estructurará en

función de si el combustible fue liberado de un objeto estacionario o un barco, la

cantidad involucrada, el viento y el historial de sucesos entre el inicio del

derrame y el momento de adquisición de la imagen.

La identificación automática de derrames mediante tecnología SAR es sin

embargo compleja por las falsas alarmas conocidas como “lookalikes”.

Figura 5. a la izquierda: derrames reales - derecha: fenómenos naturales causando “lookalikes”

Algunos ejemplos claros de manchas identificadas como Look-alikes

Capas de hielo

Areas con Umbrales

de viento inferiores

a los 2-3m/s

Celdas de lluvia

Zonas de corte de

plataformas de

lecho



7/22

A pesar de no poder estimar el grosor de un derrame o el tipo de combustible

vertido, esta tecnología se muestra sin embargo al momento como la mas

eficiente para la detección de derrames, sobre todo para el monitoreo de

grandes áreas (varios cientos de metros).

Respecto al aporte que podría esperarse de las diversas bandas SAR, algunos

estudios han propuesto la posibilidad de discriminar entre verdaderos derrames

y falsas alarmas, analizándose respuestas en banda L, C y X, tratando de

identificar derrames de distintas propiedades químicas, y se ha encontrado que

tal distinción es posible con bajas a moderadas intensidades de viento.

Como la visibilidad de las manchas de derrames se reducen con el tiempo una

deteccion temprana es siempre deseable por lo que sera necesario disponer de

una alta serie de pasadas de satelite.

El acceso a un volumen importante de imagenes SAR se traduce al mismo

tiempo en una demanda significativa de analistas de deteccion. Pero si bien

éstos reciban un amplio entrenamiento sobre deteccion manual de derrames, es

tambien probable que cada uno otorgue su propio nivel de confianza al objeto de

estudio, por lo que se hace necesaria la elaboración de algoritmos de detección e

identificación de formaciones oscuras, semi o totalmente automatizados, que

sirvan para priorizar situaciones de alarma adecuadamente.

Pasos típicos que el estado del arte menciona para el monitoreo e

identificación de manchas



8/22

Mención de algunos pasos importantes

Preprocesamiento

Consiste en aquellas operaciones que preparan los datos para los análisis

subsiguientes en orden a compensar errores sistemáticos. Las imágenes digitales

están sujetas a varios tipos de correcciones (geométricas, radiométricas,

atmosféricas), pero no siempre éstas se aplican en todos los casos. Estos errores

son sistemáticos y por consiguiente pueden ser removidos antes de que lleguen al

usuario.

El investigador deberá decidir qué técnicas de preprocesamiento son relevantes en

relación a la naturaleza de la información a ser extraída. Y una vez decidido y

realizado este paso, el analista continúa con un feature extraction para reducir el

volumen de datos.

Feature Extraction

Es el procedimiento por el que se pretende aislar los componentes útiles del

conjunto de datos original para estudios posteriores reduciendo el número de

variables a ser examinadas ahorrando tiempo y recursos.

Mejoramiento de la imagen

Operaciones llevadas a cabo a fin de mejorar la interpretabilidad de la imagen

incrementando contrastes aparentes entre features de la escena en cuestión. Estas

técnicas dependerán principalmente en dos factores: Los datos digitales (ej. bandas

espectrales y resolución), y sobre todo los objetivos de la interpretación.

Como estas operaciones alteran los valores originales, normalmente se usan para

interpretaciones que no tienen vinculación a análisis numéricos. Entre las mas

comunes se pueden citar a la reducción, rectificación, magnificación, ajustes de

contraste, filtros espaciales, transformaciones de Fourier, análisis de componentes

principales y transformaciones texturales.

Extracción de información

Despues del preprocesamiento, el mejoramiento de la imagen y el feature extraction,

se procederá a la clasificación de la imagen asignando lo aislado a clases específicas,

siendo necesaria su posterior evaluación de exactitud comparándolo a verdades de

campo.

Elementos que ayudan a una correcta asignación de niveles de confianza:

La posbilidad de asignar un grado de confiabilidad a la detección se basa en las

siguientes características:

El nivel de contraste del objeto de estudio con pixeles vecinos

La homogeneidad de los pixeles vecinos

La velocidad del viento

Cercanía a torres de perforación y barcos

Vecindad con manchas de origen natural

Bordes y formas características de la mancha



9/22

Metodología

Aproximación a metodología para detección de potenciales areas de derrame

en imágenes CHRIS

De la serie de imágenes CHRIS disponibles para el presente trabajo se

dispuso trabajar sobre aquella de ángulo de adquisición FZA de 0º.

Y de acuerdo a un primer análisis visual, en lo que podría estimarse

como derrame en la zona de estudio, se pudo notar que la Banda 6

(561nm promedio, con una amplitud de 10nm) es la que de momento

reflejaría de manera mas directa al potencial vertido de combustible.

Proceso básico

Eliminación de rayados y relleno de pixeles faltantes

Histogram Matching sobre imagen de referencia

Ajuste de Histograma a zonas oscuras de interes

Clasificación Binaria de zonas oscuras

Exportación a formato shape

Se ha utilizado la aplicacion HDFClean1 como primer paso en el preprocesamiento de las

imagenes CHRIS para la eliminacion de rayados y el relleno de pixeles faltantes en la

imagen original.

1 HDFclean (de la firma Surrey Satellite Technology Ltd.) es una aplicación para el procesamiento de imagenes salvadas en formato HDF (Hierarchical Data Format). El mismo cuenta con dos tipos de procesamiento: Llenado de pixels faltantes y Remoción de líneas.



10/22

Detección manual de zonas oscuras derrame potencial de hidrocarburos

Histogram Matching2 sobre imagen de referencia

2 técnica de procesamiento de imágenes de ajuste del color de dos imágenes tomando como referencia al

histograma de una de ellas. Es posible utilizar el histogram matching para balancear respuestas detectadas, siempre como una técnica de calibración relativa. Puede ser utilizada para normalizar dos imágenes, cuando las mismas fueron adquiridas con igual iluminación sobre la misma zona, pero por diferentes sensores.



11/22

Automatización sobre imagen preprocesada

A efectos de automatizar la metodología de detección, se plantea el desarrollo de una

herramienta, que en función del tipo de imagen y del tipo de combustible, genere un

primer producto clasificado.

Al momento, se encuentra en etapa de desarrollo, habiéndose finalizado la secuencia de

extracción de features en función de imágenes CHRIS.

imagen preprocesada Ajuste de Histograma Clasificación Binaria

Se busca identificar, en función de una base de firmas espectrales tomadas en trabajos

de campo, la ocurrencia de éstas en las imágenes disponibles para la zona de estudio.

Para esto, el operador establece un rango de reflectancia que permite identificar con

mayor o menor nivel de confianza una semejanza a la firma de referencia.

Esta herramienta se encuentra al momento en fase de desarrollo.



12/22

Firmas espectrales de combustibles a evaluar en la base de espectros de

referencia:



13/22

Aproximación a metodología para detección de potenciales derrames con

tecnología SAR

Pasos principales

Desde este tipo de tecnologia, la detección de derrames puede resumirse en cuatro

pasos principales:

Aislamiento de manchas negras

Extracción de elementos

Confrontación de estos elementos con valores predefinidos

Establecimiento de probabilidades o grados de confianza sobre lo identificado

para determinar si el mismo es un derrame o un fenómeno Look-alike

Los elementos o features a identificar pueden normalmente agruparse en tres

categorías principales:

La que reúne sus caracterisitcas geométricas (ej.: área, perímetro, complejidad, etc.)

La que reúne sus comportamiento físico (ej.: valores de backscattering medios,

mínimos, máximos, etc.)

La que se refiere al contexto del elemento identificado (ej.: existencia o no de otras

formaciones oscuras, presencia de buques, etc.)

Como próximo paso y con el objeto de elaborar potenciales escenarios de impacto, se

plantea la necesidad de desarrollar un modelado de evolución de derrames, que

permita simular entre otras variables al movimiento, expansión y antigüedad de los

mismos.

Para ello se deberá evaluar la localización inicial, la fecha y hora del evento, corrientes y volumen derramado, entre otras variables.



14/22

Fig 6 - Oil Advention and Transportation



15/22

Ejemplo de aplicación de metodología sobre imagen SAR

Caso: derrame desde embarcación

Detección de mancha sobre imagen SAR

Imagen Original Imagen Filtrada

Definición de nivel de escala Definición de nivel de merge

Definición de umbral Feature Extraction

(threshold) (resultado de Aplicación de reglas)



16/22

Detección de buque y vinculación en mapa temático

Manchas detectadas

PROBABILIDAD

Muy Alta

Alta

Mediana

Baja

Distancia a Buque

25 Kms.

100 Kms.

250 Kms.

500 Kms.

!. Buque

ejemplo de aplicación de la metodología a derrame portuario

Derrames portuarios

#0 Puertos

Potencial Derrame portuario

PROBABILIDAD

Muy Alta

Alta

Media

Baja

Derrames portuarios

#0 Puertos

Potencial Derrame portuario

PROBABILIDAD

Muy Alta

Alta

Media

Baja



17/22

Para cada tipo de mancha detectada como potencial derrame, en función de sus

carácterísticas espectrales, texturales y espaciales, se plantea como continuación del

presente trabajo, la necesidad de conformación de una base de datos de los sets de

reglas particulares que identificarían a cada caso.

Diferentes tipos de derrames a identificar

Algunas de las alternativas predefinidas para conformación de set de reglas de

selección:

Espectrales

Valores por banda

Desvío por Banda

Texturales

Varianza textural

Grado de entropía

Espaciales

Area

Longitud

Solidez

Nivel de compactación

Elongación

Axis mayor y menor

Redondeos



18/22

Diagrama de metodologia empleada

Oil Spill

Geographic Information System Coastline

Bathymetry

Currents

Winds

Onshore &

Offshore Infraestrucure

Ports

Ship lanes

ENVI Ex Ruleset Slick Type 1

(Spectral, Spatial & Textural

characteristics) ENVI Ex

Feature Extraction

procedures

IDL Script

Python Script

ENVI Image preprocessing

FX Slick Type 1

Ships

ArcGis

Confidence

Thematic Map

ArcGis

Model Builder process



19/22

• Coordenadas: 9º 44´ 27” N - 71º 33´ 43” O • Límites territoriales de la cuenca: Zulia, Mérida, Trujillo, Lara, Falcón, Táchira. Más el departamento Norte de Santander en Colombia • Afluentes: mas de 130 (Chama, Zulia, Limón, Catatumbo) • Más grande de Sudamérica: 13.820 Km2 (extensión) 160Km (longitud). • Ocupa el número 18 del mundo por extensión. • Punto más ancho 120 km. • Profundidad máxima de 30 m.

Zona de estudio potencial

A fin de aplicar la metodología expuesta

previamente, se plantea como área de

potenciales estudios, la vinculada a la zona del

Lago de Maracaibo, Venezuela.

El Lago de Maracaibo forma parte de lo que

geográficamente se conoce como el Sistema del

Lago de Maracaibo, que lo completan el Estrecho

de Maracaibo, la Bahía el Tablazo y el Golfo de

Venezuela (es el único lago de agua dulce en el

mundo que tiene una conexión directa, y natural,

con el mar). Así, el lago de Maracaibo es junto

con los llanos, el delta del río Orinoco y el lago de

Valencia, forma parte de los principales humedales de Venezuela. Los ríos más

importantes son Catatumbo (con una longitud de 365 kilómetros), Escalante (156

kilómetros), Limón, Apón y Santa Ana. Su descripción básica podría ser la de una

laguna litoral asentada sobre una depresión tectónica que posee un emisario natural

que comunica el lago con el golfo de Venezuela

en el Caribe.

Afluyen al Maracaibo ríos de alto caudal y, tanto

en su fondo como en el entorno, existen

importantes yacimientos petrolíferos. Y desde

1950 sufre graves problemas de contaminación

por el vertido de aguas residuales domésticas,

industriales y múltiples derrames de productos

petrolíferos.

Una de las más importantes fuentes de

contaminación en el Lago de Maracaibo es la actividad petrolera, por derrames debidos

a fracturas en las tuberías y en las actividades de extracción y transporte de crudo,

deteriorando playas, produciendo mortandad de peces y aves y destruyendo parte de la

flora.

Asimismo, los graves problemas de contaminación han provocado la eutrofización

masiva de las aguas y el desarrollo desmesurado de una planta acuática, la lenteja de

agua (Lemna SP3), localizándose en la zona litoral.

Según funcionarios del Instituto para la Conservación del Lago de Maracaibo (ICLAM),

el volumen de la planta en el estuario es cercano a los 93 millones de metros cúbicos, y

abarca 1.870 kilómetros cuadrados de superficie.

3 La especie Lemna SP o Lentejas de Agua son una familia de 20 especies de flores unisexuales que se reproducen a un ritmo muy acelerado y capaces de absorber todo tipo de nutrientes. Estas especies son capaces de recorrer 254 kilómetros entre 12 y 14 días. La Lemna en si no constituye un problema para el ecosistema que sirve de alimento a peces y microbios, además puede consumir agentes que actualmente

contaminan el lago, el problema yace cuando los algún ser vivo como los peces consume la Lemna contaminada y por ende su organismo se intoxica y a su vez todo aquel que lo consuma tiene riesgo de intoxicarse así mismo.



20/22

Figura 7: Lemna SP. Un excesivo incremento en la lenteja verde

obstruye el paso de la luz solar impidiendo la fotosíntesis, causando la falta de oxigeno, y por ende serios problemas en el ecosistema.

El Ministerio de Ambiente de Venezuela difundió públicamente que el lago recibe 15

derrames de petróleo mensuales, que se producen por problemas de mantenimiento y

roturas de tuberías.

Softwares utilizados

Arcgis 9.3

Envi 4.7

Envi Ex

Matlab 2009a

Python 3.1

IDL 7.1



21/22

Conclusiones parciales

Los resultados obtenidos al momento, dan la pauta de que tanto derrames como

fenómenos de apariencia similar pueden ser claramente detectados mediante la

utilización conjunta de técnicas de sensado remoto y de sistemas de información

geográfica.

La tecnología GIS puede cuantitativamente y cualitativamente caracterizar la

distribución de los potenciales derrames, como asi tambien brindar el contexto

imprescindible dado por las condiciones ambientales, introduciendo dicho análisis al

concepto de Sistema de monitoreo.

La automatización de estos procesos se plantea como una necesidad a fin de reducir

ambiguedades al momento de la conformación de niveles de confianza sobre las

manchas detectadas. Esto posible y accesible gracias al aporte que diversas

aplicaciones informáticas que sobre la base de complejos cálculos morfológicos, dan

acceso a una integración transparente al usuario final de grandes y diversas tipos de

información.

Agradecimiento

Quiero agradecer especialmente el apoyo constante e incondicional que el

profesor Giovanni Laneve, tanto como su equipo de trabajo –Ing. Giancarlo Santilli y Dr.

Lorenzo Fusilli-, brindaron para esta aproximación al análisis de la problemática en

cuestión, de gran interés tanto a nivel ambiental como económico, y que será punto de

partida fundamental para el desarrollo de la tesis que en el marco de la Maestria en

Aplicaciones de Alerta y Respuesta Temprana a Emergencias llevaré a cabo en los

próximos meses.



22/22

Bibliografía

MA, LONG , LI, YING AND LIU, YU (2009) OIL SPILL MONITORING BASED ON ITS

SPECTRAL CHARACTERISTICS, ENVIRONMENTAL FORENSICS, DECEMBER 2009.

C.E. BROWN, M.F. FINGAS, R. HAWKINS (2003) SYNTHETIC APERTURE RADAR

SENSORS: VIABLE FOR MARINE OIL SPILL RESPONSE?.

F. SALEM, M. KAFATOS (2001) CENTRE FOR REMOTE IMAGING, SENSING AND

PROCESSING (CRISP), NATIONAL UNIVERSITY OF SINGAPORE) HYPERSPECTRAL

IMAGE ANALYSIS FOR OIL SPILL MITIGATION, NOVIEMBRE 2001.

C. HERNÁNDEZ MEDINA (2008) CONAMA 2008. SEGUIMIENTO AMBIENTAL DE

DERRAMES DE PETRÓLEO MEDIANTE IMAGENES DE SATELITE.

A. YU. IVANOV, V. V. ZATYAGALOVA. A GIS APPROACH TO MAPPING OIL SPILLS IN

THE MARINE ENVIRONMENT

THOMAS. F.N. KANAA, E. TONYE, G. MERCIER, V.P. ONANA, J. MVOGO NGONO, P.L.

FRISON, J.P. RUDANT, AND R. GARELLO (2010) DETECTION OF OIL SLICK

SIGNATURES IN SAR IMAGES BY FUSION OF HYSTERESIS THRESHOLDING RESPONSES

MAYA NAND JHA, JASON LEVY AND YANG GAO (2008). ADVANCES IN REMOTE

SENSING FOR OIL SPILL DISASTER MANAGEMENT. SENSORS 2008, 8, 236-255

MALCOLM L. SPAULDING. A STATE-OF-THE-ART REVIEW OF OIL SPILL TRAJECTORY

AND FATE MODELING. OIL & CHEMICAL POLLUTION 4 (1988) 39-55

ANNE H. SCHISTAD SOLBERG AND ESPEN VOLDEN. INCORPORATION OF PRIOR

KNOWLEDGE IN AUTOMATIC CLASSIFICATION OF OIL SPILLS IN ERS SAR IMAGES.

ANDREI YU. IVANOV, IVAN S. ERMOSHKIN. MAPPING OIL SPILLS IN THE CASPIAN SEA

USING ERS-1/ERS-2 SAR IMAGE QUICK-LOOKS AND GIS. GAYANA 68(2) SUPL. T.I. PROC. : 297-304.

HEIDI A. HOVLAND, JOHNNY A. JOHANNESSEN AND GUNNAR DIGRANES (1994).

NANSEN ENVIRONMENTAL AND REMOTE SENSING SENTER. SLICK DETECTION IN SAR

IMAGES.

P. SEBASTIÃO, C. GUEDES SOARES. UNCERTAINTY IN PREDICTIONS OF OIL SPILL

TRAJECTORIES IN A COASTAL ZONE. JOURNAL OF MARINE SYSTEMS 63 (2006) 257–

269

CRISTINA MARIA BENTZ, FERNANDO PELLON DE MIRANDA (2001). APPLICATION OF

REMOTE SENSING DATA FOR OIL SPILL MONITORING IN THE GUANABARA BAY, RIO DE

JANEIRO, BRAZIL. ANNAIS X SBSR, FOZ DO IGUACU (2001), INPE, P.747-752, SESSAO

TECNICA ORAL.

implementación de metodología para detección y...

Documents