CC BY
0Гидрометеорология и экология №1 2024
УДК 528.854.2 МРНТИ 89.57.35
ОБРАБОТКА РАДИОЛОКАЦИОННЫХ ДАННЫХ СПУТНИКА SENTINEL-1 ДЛЯ
ИДЕНТИФИКАЦИИ НЕФТЯНЫХ РАЗЛИВОВ В АКВАТОРИИ КАСПИЙСКОГО
МОРЯ В СРЕДЕ GEE
Г.Н. Сагатдинова1*, Д.Б. Нурсеитов2 к.ф.-м.н.
1ТОО “Институт Ионосферы”, Алматы, Казахстан
2 КМГ Инжиниринг, Алматы, Казахстан
E-mail: gulshatn@rambler.ru
Нефтяные загрязнения поверхности воды являются одной из важнейших экологи-
ческих проблем акватории Каспийского моря. Для постоянного контроля за эколо-
гической ситуацией в регионе разрабатываются методики идентификации нефтя-
ных загрязнений на основе данных дистанционного зондирования Земли (ДЗЗ). В
последние годы, наблюдается значительный рост спутниковых данных и соответ-
ственно появляется возможность для увеличения частоты наблюдений. Примене-
ние методов обработки на основе облачных технологий позволяет обрабатывать
возросшие объемы данных. Целью данной работы являлась адаптация и модерни-
зация технологии мониторинга нефтяных разливов на примере акватории Каспий-
ского моря с использованием современных вычислительных ресурсов на базе плат-
формы Google Earth Engine (GEE) и радиолокационных спутниковых изображений
Sentinel-1. В рамках данного исследования была разработана технология выявления
нефтяных разливов, основанная только на архивах данных, доступных в среде GEE.
Ключевые слова: нефтеразливы, радиолокационное изображение, Google Earth Engine, мониторинг
Поступила: 26.12.23
DOI:10.54668/2789-6323-2024-112-1-100-109
заключается в том, что их большая часть
ВВЕДЕНИЕ отбраковывается на начальном этапе
Несмотря на все усилия из-за облачности, также, возможность
предпринимаемые для отказа общества идентификации нефтяных разливов на
использовать углеводороды в качестве водной поверхности зависит от угла съемки
основного вида топлива. Нефть по-прежнему и местоположения Солнца. Поэтому
является одним из самых востребованных основным источником данных при
полезных ископаемых, а также является сырьем мониторинге нефтяных загрязнений являются
для производства различных материалов. радиолокационные данные. Идентификация
Все это приводит к интенсификации нефтяных разливов на радиолокационных
добычи, активной транспортировке, что снимках осуществляется благодаря появлению,
несомненно приводит к неизбежным так называемых зон “выглаживания” на
эпизодическим случаям разливов нефти. морской поверхности, за счет ослабления
Для идентификации и регистрации гравитационно-капиллярных волн, согласно
таких случаев помимо наземных исследований теории радиолокационного рассеяния Брэгга
широкое распространение получили и методы (Alpers и Espedal, 2004). При мониторинге
с использованием данных дистанционного нефтяных разливов по радиолокационным
зондирования Земли (ДЗЗ). Особенно это данным также существует ряд ограничений.
актуально для удаленных и труднодоступных Во-первых, зоны “выглаживания” на водной
территорий. Для обнаружения нефтяных поверхности образуются не только от нефтяных
загрязнений используются как оптические, разливов, такой эффект наблюдается также и
так и радиолокационные данные. Сложность в районах скопления водорослей. Еще одним
использования оптических данных ограничением при мониторинге нефтяных
100
Научная статья Сагатдинова, Нурсеитов. Обработка радиолокационных...
разливов является скорость приземного ветра, 3. Применение алгоритмов
так как при полном штиле и сильном ветре предварительной и тематической
зоны “выглаживания” становятся незаметными обработки радиолокационных данных
на радиолокационном изображении. для выделения нефтяных разливов.
Традиционно процедура обработки 4. Создание слоя нефтяные разливы.
данных ДЗЗ состоит из следующих этапов: Радиолокационные данные Sentinel-1.
Поиск снимка в каталоге, скачивание, Спутники Sentinel-1 запущенные Европейским
предварительная обработка, тематическая космическим Агентством (ESA) в 2014
обработка. Первые два этапа этой цепочки (Sentinel-1A) и 2016 (Sentinel-1B) годах стали
являются обычно очень время затратными первыми осуществлять радиолокационную
процедурами при обработке отдельных сцен. съемку на регулярной основе, доступ к
В случаях потоковой обработки данных, когда которым предоставляется бесплатно. Оба
все процессы автоматизированы, включая и аппарата оснащены датчиком радиолокатора
первые два этапа обычно самыми слабыми с синтезированной апертурой (РСА)
участками являются вычислительные С-диапазона (рабочая длина волны 5,6 см).
мощности и объемы обрабатываемых данных. Каждый из сенсоров Sentinel-1
Учитывая, то, что в последние годы количество поддерживает четыре режима
спутников, поставляющих данные ДЗЗ работы: маршрутный (Stripmap),
увеличилось кратно и их рост продолжается интерферометрический (Interfeгоmetric
на первый план выходят технологии облачной Wide Swath), сверхширокий (Extra-Wide
обработки данных с распределенными Swath) и волновой (Wave Mode). При
вычислительными ресурсами. Одной из маршрутном, интерферометрическом и
таких технологий является платформа сверхшироком режимах съемки существует
GEE (Gorelick, N. and etc., 2017), которая возможность съемки как в одиночной (HH
сочетает в себе возможности обработки или VV), так и в двойной поляризациях
больших объемов и доступа к различным (HH + HV, VV + VH). В волновом режиме
бесплатным геопростанственным данным. доступна съемка только с применением
В этой работе предлагается альтернативная одиночной поляризации (HH или VV).
методика, основанная на использовании Большая часть архивов для территории
облачных вычислений в среде GEE акватории Каспийского моря снята и
как дополнение к традиционным, снимается в интерферометрическом
основанных на использовании режиме с двойной поляризацией (VV + VH).
настольных программных продуктов. В среде GEE данные Sentinel-
1A/1B (S1) доступны в виде амплитудных
МАТЕРИАЛЫ И МЕТОДЫ изображений формата Ground Range Detected
На основе облачной платформы GEE (GRD), прошедших этапы калибровки и
была разработана технология мониторинга ортотрансформирования в программном
для обнаружения нефтяных загрязнений в обеспечении Sentinel-1 Toolbox. В GEE
акватории Каспийского моря с использованием снимки добавляются ежедневно. Задержка
радиолокационных данных Sentinel-1. между датой съемки и датой попадания
Разработанное приложение для в коллекцию не превышает двух дней.
обнаружения нефтяных загрязнений состоит из Эта коллекция состоит из всех отснятых
нескольких этапов, как показано на рисунке 1: за период наблюдения сцен. Помимо
1. Поиск в каталоге каналов поляризаций, число которых
данных радиолокационных снимков на варьируется от сцены к сцене, в
территорию акватории Каспийского моря. зависимости от режимов, при которых
2. Подбор ближайших по проводилась съемка заданной территории
дате и времени пролета горизонтальных в определенный момент времени. Каждый
(u и v) составляющих ветра и снимок содержит канал “angle” в котором
данных о концентрации хлорофилла. содержится информация об изменении
101
Гидрометеорология и экология №1 2024
содержится информация об изменении Global Forecast System (GFS). Это прогнозная
угла падения в каждой точке сцены снимка. модель погоды, создаваемая Национальными
Метеорологические данные. Центрами по прогнозированию окружающей
Метеорологические условия играют среды (NCEP) в среде GEE доступна начиная
важную роль при выявлении нефтяных с июля 2015 года и постоянно обновляется.
разливов по радиолокационным данным. Данные модели GFS доступны в виде
При малых скоростях ветра обычно до 3…4 пространственно распределенных данных
м/с слики преобразуются в самые тонкие прогноза. Прогнозные данные доступны
пленки, легко переносимые течениями. на 384 часа вперед, с шагом прогноза в 1 час
При высоких скоростях ветра больше 9 м/с для данных до 120 часов и 3 часа после 120
пленки, образуемые нефтесодержащими часов, создаются с 6-ти часовым временным
продуктами, перестают быть видны. разрешением (частота обновления 4 раза
Для получения данных о скорости в сутки) (Saha S. and Coauthors, 2010).
ветра была выбрана коллекция данных
Рис.1. Методологическая схема обработки радиолокационных изобр ажений для выявле-
ния нефтяных разливов
Данные о концентрации хлорофилла. пигмента (хлорофилл-а) в фитопланктоне на
Для определения концентрации хлорофилла морской поверхности (Murakami H., 2020).
была выбрана коллекция «JAXA/GCOM-C/ Территория исследования. Каспийское
L3/OCEAN/CHLA/V3», созданная по море является крупнейшим внутренним
данным японского метеорологического водоемом в мире. Оно омывает берега пяти
спутника GCOM-C1, запущенного в стран: Казахстана, Туркменистана, Ирана,
2017 году. Это продукт показывает Азербайджана и России. В самой акватории и
концентрацию фотосинтетического прилегающих к ней территориях уже в течении
102
Научная статья Сагатдинова, Нурсеитов. Обработка радиолокационных...
многих лет идет активная нефтедобыча. Ге- очень сложный регион. с точки зрения эко-
ографическое расположение Каспийского логической обстановки, в котором прак-
моря позволило ему также стать активным тически всегда можно встретить проявле-
транспортным узлом, по которому проходят ния нефтеразливов (Mityagina M. I., 2019).
множество транснациональных маршрутов, Тематическая обработка радиолокаци-
интенсивность которых увеличивается год онных снимков. К настоящему времени созда-
от года. На рисунке 2 приведена карта ил- но много различных методик по выделению
люстрирующая интенсивность судоходства нефтяных разливов по радиолокационным
в Каспийском море по данным Marinetraffic. данным в том числе применительно и к аквато-
По оценкам экспертов запасы Ка- рии Каспийского моря (Закарин Э.А. и др., 2016;
спийского моря оцениваются в 100 млн. Holstein A. et al., 2018; Barzegar F. et al., 2023).
баррелей нефти (Hamoun J. et al., 2018). Еже- Условно задача мониторинга нефтяных разли-
дневная нефтедобыча и транспортировка вов сводится к решению двух основных задач
нефти, активная навигация кораблей, мно- это выделение темных объектов на водной
жество крупных городов и промышлен- поверхности и последующее отделение нефтя-
ных объектов, расположенных вдоль побе- ных разливов от других проявлений. По преж-
режья, создают неизбежному загрязнению нему широко распространены системы мони-
нефтепродуктами (Тайжанова Л., 2023). торинга основанные на экспертном анализе
Помимо техногенных источников за- снимков и всех сопутствующих данных (Лав-
грязнения в акватории также наблюдаются рова О.Ю. и др., 2019), (Solberg A. et al., 1999) в
естественные выбросы нефти в виде грифонов, своей работе предложили статистические ме-
наблюдаемые в различных частях водоема. тоды выделения нефтяных разливов тогда как
Стоит также отдельно упомянуть рай- (Del Frate et al., 2000; Topouzelis, K., 2007) ис-
он “Нефтяные камни”, находящийся в тер- пользовал анализ на основе нейронных сетей.
риториальных водах Азербайджана. Это
Рис.2. Интенсивность судоходства в Черном море по данным Marinetraffic
(https://www.marinetraffic.com/en/ais/home/centerx:32.6/centery:44.3/zoom:6)
103
Гидрометеорология и экология №1 2024
Также можно отметить ряд работ с применени- сначала проводится предобработка, которая
ем сетей глубокого обучения. (Yi-Jie Yang and заключается в калибровке и ортотрансфор-
etc., 2022) в своем исследовании разработали мировании исходных данных. В данном слу-
детектор нефтяных разливов на основе глу- чае так как все снимки Sentinel-1 доступные
бокого обучения с использованием алгоритма через среду GEE уже приведены к нужному
обнаружения объектов YOLOv4. (Barzegar F. формату данных, то процесс обработки на-
et al., 2023) в своей работе использовали сеть чинается со следующего шага. Это процеду-
глубокого обучения (DenseNet), по их дан- ра фильтрации, для уменьшения выбросов,
ным ее точность превосходит стандартный обусловленных постоянным присутствием
алгоритм сверточной нейронной сети (CNN). спекл-шумов на радиолокационных снимках.
Как уже отмечалось выше, к настоя- После процедуры фильтрации осущест-
щему моменту существует множество под- вляется увеличение контрастности изображе-
ходов для выявления нефтяных разливов ния, для этого применяется GLCM (GreyLevel
по радиолокационным данным. Всех их Co-occurrence Matrix – матрица совпадений
можно разделить на три основные группы: градаций серого). В результате применения
1) Методика, основанная на экс- данного алгоритма рассчитываются текстур-
пертном анализе космоснимка и интерактив- ные признаки изображения, благодаря которым
ному выделению нефтяного разлива, где экс- возрастает контрастность границы слик-во-
перт, основываясь на субъективных суждениях да и увеличивается однородность снимка.
и дополнительных данных включающих мете- Пороговая классификация является
орологические, картографические, батиметри- одним из наиболее эффективных и не затрат-
ческие проводит ручную оцифровку данных. ным с точки зрения вычислительных ресурсов
2) Полуавтоматические мето- методом классификации изображений. Для
ды, в которых присутствует различная сте- нахождения оптимального порога разделения
пень автоматизации, где на последнем эта- на классы вода и зоны выглаживания приме-
пе всегда эксперт проводит оценку качества няется Otsu метод (Otsu N., 1979). Этот метод
полученных результатов дешифрирования. основан на анализе гистограммы при котором
3) Автоматические методы, пред- межклассовая дисперсия между двумя класса-
ставляют собой различные программные ре- ми максимизируется. Для более точной оценки
шения, в рамках которых без участия экспертов порога слик-вода гистограмма рассчитывается
выполняется полный цикл обработки от полу- только для водной поверхности. Для этого в
чения исходных данных до готового продукта. среде GEE создается маска воды, основанная
Несмотря на широкое распростране- на присутствующем датасете Land Cover по-
ние, в последние годы, методов машинного лученному по данным Sentinel-2 за 2021 год c
обучения при дешифрировании космических пространственным разрешением 10 м. Пред-
изображений, которые дают весьма неплохие почтительность использования этих данных
результаты. При выделении нефтяных разли- заключается в том что на нем отражается совре-
вов по-прежнему достаточно распространены менное состояние границ Каспийского моря.
методики, использующие экспертную оценку и Полученное бинарное изображение со
полуавтоматические методы, где по-прежнему значениями 0 и 1 проходит этап пост класси-
последнее слово всегда остается за оператором. фикационной обработки с применением ме-
В общем виде процедуру тема- тодов генерализации изображения, благодаря
тической обработки радиолокационных которым происходит удаление слишком мел-
данных можно разделить на два этапа: ких объектов, а также заполнение “пустот”.
- выделение всех зон “выгла- На следующем этапе анализа получен-
живания” на водной поверхности; ных результатов классификации по простран-
- анализ полученных результатов клас- ственным признакам проводится разметка
сификации по пространственным признакам. и параметризация изображения для получе-
Конечной целью первого этапа явля- ния объектов, которые с большей вероятно-
ется выделение зон “выглаживания” на ра- стью относятся к классу нефтяные разливы.
диолокационном изображении. Для этого
104
Научная статья Сагатдинова, Нурсеитов. Обработка радиолокационных...
Для каждой связанной области опре- РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
деляется набор параметров: площадь, пе- Анализ полученных объемов данных
риметр, округлость и эксцентриситет для снимков Sentinel-1 на территорию Каспийского
оценки формы. Дополнительно на этом моря показал, что только за период с марта по
этапе также привлекаются данные по ско- октябрь, текущего 2023 годы было отснято 2017
рости ветра и концентрации хлорофилла. сцен. Часть из них была проанализирована в
Одним из основных параметров при рамках отработки методики выделения нефте-
отнесении выделенных зон “выглаживаний” к разливов что позволило выявить порядка 60-
классу нефтяные разливы, является их геоме- ти нефтяных сликов. Из-них 25 случаев было
трическая форма. Помимо этого, наблюдается зафиксировано в районе города Махачкала.
целый ряд словообразующих явлений на поверх- На рисунке 3 показан снимок Sentinel-
ности радиолокационного изображения (зоны 1А за 9 августа 2023 года, с автомати-
апвеллинга, внутренние волны, зоны ветровой чески подобранными ближайшими по
тени, штилевые зоны, дождевые ячейки и т.д.). времени его пролета и дате данными о ско-
рости ветра и концентрации хлорофилла.
а)
б) в)
Рис. 3. Космоснимок Sentinel-1А за 9 августа 2023 года
а - космоснимок поляризация VV, б - поле скорости ветра, в - концентрация хлорофилла
Анализ результатов автоматическо- ственным признакам проводится переопре-
го выделения зон “выглаживаний” по ра- деление полученного класса для получения
диолокационным данным с использова- объектов, которые с большей вероятностью
нием методов пороговой классификации относятся к классу нефтяные разливы. На ри-
показал хорошую разделимость водной сунке 5 представлен результат анализа сним-
поверхности на два класса. На рисунке 4 ка Sentinel-1А за 9 августа 2023 года с вы-
показан пример работы этого алгоритма. деленными на нем нефтяными разливами.
На следующем этапе анализа получен-
ных результатов классификации по простран-
105
Гидрометеорология и экология №1 2024
Рис. 4. Результат автоматического выделения зон “выглаживаний” на космоснимке
Sentinel-1А за 9 августа 2023 года
Рис. 5. Космоснимок Sentinel-1А за 9 августа 2023 года с выделенными на нем
нефтяными разливами
ЗАКЛЮЧЕНИЕ ных данных и промежуточных продуктов, а
В данной работе описываются методы получать уже готовые результаты обработки
обработки данных при мониторинге нефтяных в виде готовых векторов и растровых изобра-
разливов на основе снимков Sentinel 1 с ис- жений снимков для визуализации, отображе-
пользованием возможностей облачных вычис- ния и дальнейшего результатов мониторинга.
лительных ресурсов GEE. Применение данной
технологии показало эффективность данного Работа выполнена в рамках научного проекта
подхода по сравнению с локальными вычис- AP14872458 «Разработка методики автомати-
лениями. Этот подход позволяет обрабатывать зированного космического мониторинга нефтя-
гораздо больший объем данных без использо- ных разливов на основе нейросетевых техноло-
вания локальных вычислительных ресурсов и гий» при финансовой поддержке «КН МОН РК».
дискового пространства для хранения исход-
106
Научная статья Сагатдинова, Нурсеитов. Обработка радиолокацион-
СПИСОК ЛИТЕРАТУРЫ Trans. Geosci. Remote Sens. - 1999. - V.37. - P.1916-1924.
1. Закарин Э.А., Балакай Л.А., Бостанбеков К.А., 15. Topouzelis K., Karathanassi, V., Pavlakis P., Rokos
Дедова Т.В., Ким Д.К., Кобегенова С.С., Миркаримова D. Detection and discrimination between oil spills and
Б.М., Нурсеитов Д.Б. Моделирование экологических ри- look-alike phenomena through neural networks // ISPRS J.
сков при нефтяном загрязнении акватории Северо-вос- Photogramm. Remote Sens. – 2007. – V.62. – P.264-270.
точного Каспия: монография. - Алматы, 2016. – 256 с. 16. Yi-Jie Yang, Singha S., Mayerle R. A deep learning
2. Лаврова О.Ю., Митягина М.И., Уваров И.А., based oil spill detector using Sentinel-1 SAR imagery //
Лупян Е.А. Текущие возможности и опыт использова- International Journal of Remote Sensing. – 2022. – V.43:11.
ния информационной системы See the Sea для изучения – P.4287-4314. DOI: 10.1080/01431161.2022.2109445.
и мониторинга явлений и процессов на морской по-
верхности // Современные проблемы дистанционного REFERENCES
зондирования Земли из космоса. – 2019. – Т.16. – №3. – 1. Zakarin E.A., Balakai L.A., Bostanbekov K.A.,
С.266-287. DOI: 10.21046/2070-7401-2019-16-3-266-287. Dedova T.V., Kim D.K., Kobegenova S.S., Mirkarimova
3. Тайжанова Л. Влияние нефтесодержа- B.M., Nurseitov D.B. Modelirovanie ekologicheskikh
щих производственных сточных вод на прибреж- riskov pri neftyanom zagryaznenii akvatorii Severo-
ные воды Каспийского моря // Гидрометеороло- vostochnogo Kaspiya: monografiya. - Almaty, 2016. – 256 s.
гия и экология. – 2023. – N.1. – P.27–35. DOI:https:// 2. Lavrova O.Yu., Mityagina M.I., Uvarov
doi .org/10.54668/2789-6323-2021-100-1-27-35. I.A., Lupyan E.A. Tekushchie vozmozhnosti i opyt
4. Alpers W., Espedal H.A. Oils ispol’zovaniya informatsionnoi sistemy See the Sea dlya
and Surfactants. – 2004. – Ch. 11. izucheniya i monitoringa yavlenii i protsessov na morskoi
5. Barzegar F., Seyd, S. T., Farzaneh S., Sharifi poverkhnosti // Sovremennye problemy distantsionnogo
M. A. Oil spill detection in the Caspian sea with a zondirovaniya Zemli iz kosmosa. – 2019. – T.16. – №3. –
SAR image using a DENSENET model // ISPRS P.266-287. DOI: 10.21046/2070-7401-2019-16-3-266-287.
Ann. Photogramm. Remote Sens. Spatial Inf. Sci. – 3. Taizhanova L. Vliyanie neftesoderzhashchikh
2023. – V.X-4/W1-2022. – P.95–100. DOI: https:// proizvodstvennykh stochnykh vod na pribrezhnye
doi.org/10.5194/isprs-annals-X-4-W1-2022-95-2023. vody Kaspiiskogo morya // Gidrometeorologiya i
6. Del Frate F., Petrocchi A., Lichtenegger J., Calabresi ekologiya. – 2023. – N.1. – P.27–35. DOI: https://
G. Neural networks for oil spill detection using ERS-SAR data doi .org/10.54668/2789-6323-2021-100-1-27-35.
// IEEE Trans. Geosci. Remote Sens. – 2000. – V.5. – 2282-2287. 4. Alpers W., Espedal H.A. Oils
7. Gorelick N., Hancher M., Dixon M., and Surfactants. – 2004. – Ch. 11.
Ilyushchenko S., Thau D., Moore R. Google Earth 5. Barzegar F., Seyd, S. T., Farzaneh S., Sharifi
engine: planetary-scale geospatial analysis for everyone M. A. Oil spill detection in the Caspian Sea with a
// Remote Sens. Environ. – 2017. – V. 202. – P.18– SAR image using a DENSENET model // ISPRS
27. DOI: https://doi.org/10.1016/J.RSE.2017.06.031. Ann. Photogramm. Remote Sens. Spatial Inf. Sci. –
8. Hamoun J., Mehran P., Mohammad R., 2023. – V.X-4/W1-2022. – P.95–100. DOI: https://
Golriz E.S. An Overview of Oil Pollution in the doi.org/10.5194/isprs-annals-X-4-W1-2022-95-2023.
Caspian Sea // Journal of Environmental Research 6. Del Frate F., Petrocchi A., Lichtenegger J., Calabresi
and Technology. – 2018. – V.3. – N.2. – P.33-39. G. Neural networks for oil spill detection using ERS-SAR data
9. Holstein A., Kappas M., Propastin P. et // IEEE Trans. Geosci. Remote Sens. – 2000. – V.5. – 2282-2287.
al. Oil spill detection in the Kazakhstan sector of 7. Gorelick N., Hancher M., Dixon M.,
the Caspian Sea with the help of ENVISAT ASAR Ilyushchenko S., Thau D., Moore R. Google Earth
data // Environ Earth Sci. – 2018. – V.77. – N.198. engine: planetary-scale geospatial analysis for everyone
DOI: https://doi.org/10.1007/s12665-018-7347-0. // Remote Sens. Environ. – 2017. – V. 202. – P.18–
10. Mityagina M. I., Lavrova O. Y., Kostianoy A. 27. DOI: https://doi.org/10.1016/J.RSE.2017.06.031.
G. Main pattern of the Caspian sea surface oil pollution 8. Hamoun J., Mehran P., Mohammad R.,
revealed by satellite data // Ecologica Montenegrina. – Golriz E.S. An Overview of Oil Pollution in the
2019. – V. 25. – P.91–105. DOI: 10.37828/em.2019.25.9 Caspian Sea // Journal of Environmental Research
11. Murakami H. ATBD of GCOM-C and Technology. – 2018. – V.3. – N.2. – P.33-39.
chlorophyll-a concentration algorithm. – 2020. 9. Holstein A., Kappas M., Propastin P. et
https://suzaku.eorc.jaxa.jp/GCOM_C/data/ATBD/ al. Oil spill detection in the Kazakhstan sector of
v e r 2 / V 2 AT B D _ O 3 A B _ C h l a _ M u r a k a m i . p d f the Caspian Sea with the help of ENVISAT ASAR
12. Otsu N. A threshold selection method data // Environ Earth Sci. – 2018. – V.77. – N.198.
from gray-level histograms. // IEEE Trans Syst DOI: https://doi.org/10.1007/s12665-018-7347-0.
Man Cyber. – 1997. – V.SMC-9. – N.1. – P.62–66. 10. Mityagina M. I., Lavrova O. Y., Kostianoy A.
DOI:https: / /doi .org/10.1109/tsmc.1979.4310076. G. Main pattern of the Caspian sea surface oil pollution
13. Saha S., Moorthi S., Pan H., Wu X. et al. The NCEP revealed by satellite data // Ecologica Montenegrina. –
Climate Forecast System Reanalysis // Bulletin of theA merican 2019. – V. 25. – P.91–105. DOI: 10.37828/em.2019.25.9
Meteorological Society. – 2010. – V.91. – N.8. – P.1015- 11. Murakami H. ATBD of GCOM-C
1058. DOI: https://doi.org/10.1175/2010BAMS3001.1 chlorophyll-a concentration algorithm. – 2020.
14. Solberg A., Storvik G., Solberg R., Volden E. https://suzaku.eorc.jaxa.jp/GCOM_C/data/ATBD/
Automatic Detection of Oil Spills in ERS SAR Images // IEEE v e r 2 / V 2 AT B D _ O 3 A B _ C h l a _ M u r a k a m i . p d f
107
Гидрометеорология и экология №1 2024
from gray-level histograms. // IEEE Trans Syst Trans. Geosci. Remote Sens. - 1999. - V.37. - P.1916-1924.
Man Cyber. – 1997. – V.SMC-9. – N.1. – P.62–66. 15. Topouzelis K., Karathanassi, V., Pavlakis P., Rokos
DOI:https: / /doi .org/10.1109/tsmc.1979.4310076. D. Detection and discrimination between oil spills and
13. Saha S., Moorthi S., Pan H., Wu X. et al. The NCEP look-alike phenomena through neural networks // ISPRS J.
Climate Forecast System Reanalysis // Bulletin of theA merican Photogramm. Remote Sens. – 2007. – V.62. – P.264-270.
Meteorological Society. – 2010. – V.91. – N.8. – P.1015- 16. Yi-Jie Yang, Singha S., Mayerle R. A deep learning
1058. DOI: https://doi.org/10.1175/2010BAMS3001.1 based oil spill detector using Sentinel-1 SAR imagery //
14. Solberg A., Storvik G., Solberg R., Volden E. International Journal of Remote Sensing. – 2022. – V.43:11.
Automatic Detection of Oil Spills in ERS SAR Images // IEEE – P.4287-4314. DOI: 10.1080/01431161.2022.2109445.
PROCESSING SENTINEL-1 SAR DATA FOR DETECTING OIL SPILLS IN THE
CASPIAN SEA USING GOOGLE EARTH ENGINE
G.N. Sagatdinova1*, D.B. Nurseitov2cand. phys. math. sci.
1Institute of Ionosphere, Almaty, Kazakhstan
2 KMG Engineering, Almaty, Kazakhstan
E-mail: gulshatn@rambler.ru
Hydrocarbon pollution of the water surface is one of the most important environmental
problems in the Caspian Sea. There are ongoing developments in the identification of
contamination pollution using remote sensing data for environmental situations. In recent
years, there has been a significant increase in satellite data and, consequently, an opportunity
to increase the frequency of observations. The ability to handle increased amounts of data can
be achieved through cloud-based processing. The purpose of this work was to update oil spill
monitoring technology by utilizing advanced computing resources based on the Google Earth
Engine (GEE) platform and radar satellite images Sentinel-1. An oil spill detection technology
was developed by the study using only data archives available in the GEE environment.
Key words: oil spills, SAR image, Google Earth Engine, monitoring
КАСПИЙ ТЕҢІЗІ АКВАТОРИЯСЫНДАҒЫ МҰНАЙДЫҢ ТӨГІЛУЛЕРІН АНЫҚТАУ
ҮШІН SENTINEL-1 СПУТНИГІНІҢ РАДИОЛОКАЦИЯЛЫҚ ДЕРЕКТЕРІН GEE ОР-
ТАСЫНДА ӨҢДЕУ
Г.Н. Сагатдинова1*, Д.Б. Нурсеитов2 ф.-м.ғ.к.
1ТОО “Ионосфера институты”, Алматы Қазақстан
2 КМГ Инжиниринг, Алматы, Қазақстан
E-mail: gulshatn@rambler.ru
Мұнайдың су бетіндегі ластануы Каспий теңізі акваториясының маңызды эколо-
гиялық мәселердің бірі болып табылады. Өңірдегі экологиялық жағдайды тұрақты
бақылау үшін Жерді қашықтықтан зондтау (ЖҚЗ) деректері негізінде мұнай ласта-
уын анықтау әдістемесі әзірленуде. Соңғы жылдары спутниктік деректердің айтар-
лықтай өсуі байқалды және сәйкесінше бақылау жиілігін арттыру мүмкіндігі пайда
болды. Бұлтқа негізделген өңдеу әдістерін қолдану деректердің өскен көлемін өңде-
уге мүмкіндік береді. Бұл жұмыстың мақсаты Google Earth Engine (GEE) платформа-
сы және Sentinel-1 радиолокациялық спутниктік түсірілімдері негізінде заманауи
есептеу ресурстарын пайдалана отырып, Каспий теңізі акваториясының мысалын-
да мұнай төгілулерін бақылау технологиясын бейімдеу және жаңғырту болып келеді.
Түйін сөздер: мұнайдың төгілуі, радиолокациялық түсірілім, Google Earth Engine, бақылау
108
Научная статья Сагатдинова, Нурсеитов. Обработка радиолокационных...
Сведения об авторах/Авторлар туралы мәліметтер/Information about authors:
Сагатдинова Гульшат Наилевна – СНС, ТОО “ Институт ионосферы ”, Республика Казахстан, г. Алматы, Ка-
менское плато, Садоводческое товарищество «Ионосфера» д.117, e-mail: gulshatn@rambler.ru
Нурсеитов Данияр Борисович - к.ф.-м.н., ассоциированный профессор, Эксперт (дисциплинарный) ТОО
«КМГ Инжиниринг», Республика Казахстан, г. Астана, ул. Кунаева, дом 8, блок «Б», e-mail: d.nurseitov@kmge.kz
Сагатдинова Гульшат Наилевна – АҒҚ, “Ионосфера институты” ЖШС, Қазақстан Республикасы, Алматы қ.,
Ионосфера бағбандық серіктестігі 117 мекеме, e-mail: gulshatn@rambler.ru
Нурсеитов Данияр Борисович - ф.-м.ғ.к., қауымдастырылған профессор, Сарапшы (тәртіптік) «ҚМГ Инжи-
ниринг» ЖШС, Қазақстан Республикасы, Астана қ., Қонаев көш., 8 үй, блок «Б», e-mail: d.nurseitov@kmge.kz
Sagatdinova Gulshat – SS, LLP “Institute of Ionosphere”, Republic of Kazakhstan, Almaty, Kamenskoye Plateau,
Gardening Association «Ionosphere» 117, e-mail: gulshatn@rambler.ru
Nurseitov Daniyar - cand. phys. math. sci., Associate Professor, Expert (disciplinary) LLP «KMG Engineering»,
Republic of Kazakhstan, Astana, Kunaeva str., building 8, block «B», e-mail: d.nurseitov@kmge.kz
Вклад авторов/ Авторлардың қосқан үлесі/ Authors contribution
Сагатдинова Гульшат Наилевна – Разработка концепции, разработка методологии, создание программного
обеспечения, проведение статистического анализа, проведения исследования, ресурсы, подготовка и редактиро-
вание текста, визуализация
Нурсеитов Данияр Борисович – Разработка концепции, подготовка и редактирование текста, визуализация
Сагатдинова Гульшат Наилевна – Тұжырымдаманы әзірлеу, әдістемені әзірлеу, бағдарламалық жасақтама
жасау, статистикалық талдау жүргізу, зерттеу жүргізу, ресурстар, мәтінді дайындау және өңдеу, көрнекілік
Нурсеитов Данияр Борисович – Тұжырымдаманы әзірлеу, мәтінді дайындау және өңдеу, көрнекілік
Sagatdinova Gulshat – Concept development, methodology development, creating software, conducting statistical
analysis, conducting a research, resources, preparing and editing the text, visualization
Nurseitov Daniyar - Concept development, preparing and editing the text, visualization
109
