Using SAR images to delineate ocean oil slicks with a texture-classifying neural network algorithm (TCNNA)

Abstract

Satellite-borne synthetic aperture radar (SAR) data are widely used for detection of hydrocarbon resources, pollution, and oil spills. These applications require recognition of particular spatial patterns in SAR data. We developed a texture-classifying neural network algorithm (TCNNA), which processes SAR data from a wide selection of beam modes, to extract these patterns from SAR imagery in a semisupervised procedure. Our approach uses a combination of edge-detection filters, descriptors of texture, collection information (e.g., beam mode), and environmental data, which are processed with a neural network. Examples of pattern extraction for detecting natural oil seeps in the Gulf of Mexico are provided. The TCNNA was successful at extracting targets and rapidly interpreting images collected under a wide range of environmental conditions. The results allowed us to evaluate the effects of different environmental conditions on the expressions of oil slicks detected by the SAR data. By processing hundreds of SAR images, we have also found that the optimum wind speed range to study surfactant films is from 3.5 to 7.0 m·s^–1, and the best incidence angle range for surfactant detection in C-band is from 22° to 40°. Minor postprocessing supervision is required to check TCNNA output. Interpreted images produce binary arrays with imbedded georeference data that are easily stored and manipulated in geographic information system (GIS) data layers.

Les données satellite radar à synthèse d’ouverture (RSO) sont utilisées couramment pour la détection des ressources en hydrocarbures, de la pollution et des déversements d’hydrocarbures. Ces applications sont basées sur la reconnaissance de patrons spatiaux particuliers dans les données RSO. On a développé un algorithme de classification de texture basé sur les réseaux de neurones, l’algorithme TCNNA, qui permet de traiter les données RSO à partir d’un grand nombre de modes faisceau pour extraire ces patrons des images RSO en s’appuyant sur une procédure semi-dirigée. Notre approche utilise une combinaison de filtres de détection de contours, de descripteurs de texture, d’information sur l ‘acquisition (p. ex. mode du faisceau) et de données environnementales, le tout traité dans le contexte d’un réseau de neurones. On présente des exemples d’extraction de patrons pour détecter des suintements naturels de pétrole dans le golfe du Mexique. L’algorithme TCNNA a permis d’extraire des cibles et d’interpréter rapidement des images acquises dans une grande variété de conditions environnementales. Les résultats ont permis d’évaluer les effets des différentes conditions environnementales sur les expressions des nappes d’hydrocarbures détectées avec les données RSO. En traitant des centaines d’images RSO, on a trouvé également que l’intervalle de vent optimal pour étudier les films de surfactants se situe entre 3,5 et 7,0 m·s^–1 et que le meilleur intervalle d’angle d’incidence dans la bande C pour la détection des surfactants est de 22° à 40°. Une procédure dirigée minimale est nécessaire durant le post-traitement pour valider les extrants de TCNNA. Les images interprétées produisent des configurations binaires avec des données géoréférencées intégrées qui peuvent être facilement stockées et manipulées dans les couches d’un système d’information géographique (SIG).[Traduit par la Rédaction]