CN115271560A - 一种海洋石油钻井溢油风化定量评估系统及评估方法 - Google Patents

一种海洋石油钻井溢油风化定量评估系统及评估方法 Download PDF

Info

Publication number
CN115271560A
CN115271560A CN202211185896.6A CN202211185896A CN115271560A CN 115271560 A CN115271560 A CN 115271560A CN 202211185896 A CN202211185896 A CN 202211185896A CN 115271560 A CN115271560 A CN 115271560A
Authority
CN
China
Prior art keywords
oil
spill
oil spill
bayesian network
weathering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211185896.6A
Other languages
English (en)
Other versions
CN115271560B (zh
Inventor
刘增凯
陈琦
韩忠昊
史学伟
马强
蔡宝平
张彦振
纪仁杰
刘永红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202211185896.6A priority Critical patent/CN115271560B/zh
Publication of CN115271560A publication Critical patent/CN115271560A/zh
Application granted granted Critical
Publication of CN115271560B publication Critical patent/CN115271560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种海洋石油钻井溢油风化定量评估系统及评估方法，属于海洋石油工程技术领域，用于溢油风化定量评估，评估系统包括：遥感卫星监测子系统、环境监测子系统、信号处理子系统、数据收集与分析子系统和可视化分析子系统；评估方法包括：气象数据的收集与处理，输入溢油数据，建立参数模型，确定条件概率表和各个变量的先验概率，获得条件概率表；实时数据的采集与处理，提取信息，建立结构模型，建立海洋石油钻井溢油风化的静态贝叶斯网络，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络。

Description

一种海洋石油钻井溢油风化定量评估系统及评估方法
技术领域
本发明公开了一种海洋石油钻井溢油风化定量评估系统及评估方法，属于海洋石油工程技术领域。
背景技术
随着石油工业、交通运输业的发展，石油及其产品在开采、炼制、贮运和使用过程中进入海洋环境会造成严重污染。海洋石油污染不仅破坏生态平衡，影响海洋养殖业的发展，而且威胁人类健康。海上溢油风化过程是指能够引起溢油组成性质改变的所有过程，主要包括：蒸发、溶解、乳化、光氧化、生物降解、颗粒物的吸附与沉降、水体的混合扩散以及生物体内的代谢作用等。风化直接影响到海面残余油量和溢油的空间分布，这决定了如何清理石油以及如何减少石油对生态的影响。因此，对具有潜在溢油风险的油田和港口的溢油风化进行定量评估对于预测溢油的污染和影响至关重要。
目前，石油风化的定量分析主要依靠经验公式和拟合函数来建立各风化过程和其影响因素间的确定性线性或非线性函数关系，缺乏对影响因素不确定性的考虑。然而，溢油风化过程依赖于溢油类型、溢油量、气温、风、浪、流等大量的不确定性变量。此外，由于溢油事故并不常见，特定位置的事故以及环境因素的历史数据通常很匮乏，因此经验知识不足导致对溢油的认知不确定性高。确定性的溢油风化经验公式和拟合函数无法揭示溢油的黏度、温度、溶解率、密度、乳化率和风速等多因素对溢油风化过程协同作用下的不确定性影响机制。因此，本发明提出一种海洋石油钻井溢油风化定量评估系统及评估方法。
发明内容
本发明提出了一种海洋石油钻井溢油风化定量评估系统及评估方法，解决现有技术中溢油风化过程评估方法不准确的问题。
一种海洋石油钻井溢油风化定量评估系统，包括：遥感卫星监测子系统、环境监测子系统、信号处理子系统、数据收集与分析子系统和可视化分析子系统；
所述遥感卫星监测子系统包括遥感卫星模块、图像预处理模块、图像增强模块和信息提取模块，遥感卫星模块实时监测浮油位置、油膜面积和扫海面积，图像预处理模块对遥感影像进行预处理，图像增强模块提高图像的分辨率和清晰度，信息提取模块识别、提取油膜特征；
所述环境监测子系统包括温度传感器、盐度传感器、风速风向传感器和太阳辐射传感器，环境监测子系统监测海面温度、盐度、风速风向以及太阳辐射强度；
所述信号处理子系统包括通讯模块和信号处理模块，通讯模块接收遥感卫星监测子系统和环境监测子系统发送的数据信息，信号处理模块将通讯模块接收到的信号转换为电信号，得到溢油条件和环境条件的实时信息；
所述数据收集与分析子系统，包括数据获取与分析模块、概率信息生成与更新模块、运算分析模块和风化定量评估模块，数据获取与分析模块从气象数据库收集风速风向、海水温度和盐度数据，将数据同化成本系统所需要的格式，概率信息生成与更新模块接收信号处理模块和数据获取与分析模块发送的数据，并将数据用于概率信息生成、跟踪和贝叶斯更新，运算分析模块汇总各风化过程影响因素的概率信息，风化定量评估模块读取运算分析模块汇总的概率信息，进行海洋石油钻井溢油风化的实时定量评估；
所述可视化分析子系统包括通讯模块、信息转化模块和显示器，接收数据收集与分析子系统输出的信息，将表面残余油量、蒸发量、生物降解量、光氧化量、溶解量和含水率信息转化为图片或者动画显示在显示器上。
一种海洋石油钻井溢油风化定量评估方法，采用所述的一种海洋石油钻井溢油风化定量评估系统，包括：
步骤1、气象数据的收集与处理，根据气象数据库，从ERA5中读取风速风向、海水温度和盐度数据，从WheatA农业气象大数据系统中读取太阳辐射数据，将步骤1所有的数据作为溢油的环境条件并建立各风化过程的物理模型；
步骤2、输入溢油数据，收集溢油类型、油品、溢油量、溢油位置和溢油时间，将其作为溢油条件输入到评估系统中，溢油类型包括瞬时溢油和连续性溢油，油品包括轻质油、中质油和重质油；
步骤3、建立参数模型，确定条件概率表和各个变量的先验概率；
通过变量间的物理关系确定条件概率表，所有自变量与因变量节点之间的关系是根据提供的物理模型确定的，使用合适的方法对父节点进行采样，包括蒙特卡罗模拟、粒子滤波和随机滤波，使用具有足够采样值和相应概率的物理关系获得条件概率表；
通过假设变量服从一定的概率分布确定各个变量的先验概率，先验概率是从初始时刻对应于父节点的性能变量的分布获得的，根据实际物理情况，分布包括正态、指数、对数正态，使用离散化方法对这些相应节点进行离散化，以形成离散的先验概率；
步骤4、实时数据的采集与处理，通过遥感卫星实时监测溢油后油膜的运动情况，用扫描的方式将获取的遥感卫星影像转存到图像处理系统中，并对遥感图像进行预处理，预处理包括正射校正、辐射校正、图像配准、图像融合和投影转换，将经过预处理后的图像通过图像增强提高分辨率和清晰度，图像增强包括基于直方图的图像增强、色彩合成、去云雾、局部对比增强算法、密度分割和灰度颠倒；
从图像增强后的图像中提取信息，计算浮油的坐标以及油膜面积，提取信息时根据地物光谱特征和几何特征，确定不同地物信息的提取规则，利用该规则从校正后的遥感数据中提取各种地物信息，将浮油的坐标以及油膜面积作为溢油条件的实时信息并发送给结构模型；
通过安装温度传感器采集海水温度信号，盐度传感器采集海水盐度信号，风速风向传感器采集风速和风向信号，太阳辐射传感器采集太阳辐射信号；处理分析传感器采集的信号，并将其作为溢油环境条件的实时信息并传输给结构模型，实现结构模型的实时更新；
步骤5、建立结构模型，结合上述步骤中收集到的历史数据和实时信息，分别建立溢油蒸发过程的静态贝叶斯网络、溢油生物降解过程的静态贝叶斯网络、溢油光氧化过程的静态贝叶斯网络、溢油溶解过程的静态贝叶斯网络和溢油乳化过程的静态贝叶斯网络，结合上述网络建立海洋石油钻井溢油风化的静态贝叶斯网络，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络；
步骤6、数据的可视化，接收结构模型的计算结果，并通过图片、表格或动画显示在显示器上。
优选地，溢油蒸发模型为：石油泄漏的前期阶段，浮油表面的蒸发量公式为：
Figure 771639DEST_PATH_IMAGE001
，其中，
Figure 443929DEST_PATH_IMAGE002
为溢油蒸发的质量损失，
Figure 410748DEST_PATH_IMAGE003
为质量传质系数，
Figure 501105DEST_PATH_IMAGE004
为气体常数，
Figure 779640DEST_PATH_IMAGE005
为蒸汽压，A是每个油粒子接触海面的面积，
Figure 255620DEST_PATH_IMAGE006
为海水温度，
Figure 76946DEST_PATH_IMAGE007
为油中轻组 分的平均分子量，
Figure 347390DEST_PATH_IMAGE008
为油中轻组分含量；
Figure 349107DEST_PATH_IMAGE009
为：
Figure 832041DEST_PATH_IMAGE010
，其中，
Figure 632506DEST_PATH_IMAGE011
为风速，
Figure 214797DEST_PATH_IMAGE012
为施密特数；
A为：
Figure 467924DEST_PATH_IMAGE013
，其中，
Figure 100002_DEST_PATH_IMAGE014
为时间，
Figure 987505DEST_PATH_IMAGE015
为油粒子体积，
Figure 642477DEST_PATH_IMAGE016
为油粒子面积增长率常 数；
Figure 395670DEST_PATH_IMAGE017
为：
Figure 401672DEST_PATH_IMAGE018
，其中，
Figure 898512DEST_PATH_IMAGE019
为油中轻组分的质量，指分子量小于160 g/mol 且沸点远低于300°C的芳烃质量，
Figure 673570DEST_PATH_IMAGE020
为油中重组分的质量，指分子量大于160 g/mol且沸点 大于300°C的油组分质量，
Figure 332085DEST_PATH_IMAGE021
为油中沥青质的质量，
Figure 61268DEST_PATH_IMAGE022
为油中蜡的质量；
Figure 96220DEST_PATH_IMAGE023
为：
Figure 725785DEST_PATH_IMAGE024
，其中，
Figure 847544DEST_PATH_IMAGE025
为油中轻组分的生物降解量，
Figure 562559DEST_PATH_IMAGE026
为油中轻组分的光氧化量，
Figure 401202DEST_PATH_IMAGE027
为油中轻组分的溶解量；
Figure 619694DEST_PATH_IMAGE028
为：
Figure 151169DEST_PATH_IMAGE029
，其中，
Figure 586436DEST_PATH_IMAGE030
为油中重组分的生物降解量，
Figure 494349DEST_PATH_IMAGE031
为油中重组分的光氧化量，
Figure 98506DEST_PATH_IMAGE032
油中重组分的溶解量；
Figure 535304DEST_PATH_IMAGE033
、
Figure 224911DEST_PATH_IMAGE034
为：
Figure 405357DEST_PATH_IMAGE035
；
溢油蒸发的静态贝叶斯网络建立过程为：将溢油蒸发模型中的各个参数映射为贝 叶斯网络中的各个参数节点，将步骤3得到的条件概率表和先验概率输入，在溢油蒸发的静 态贝叶斯网络中
Figure 864020DEST_PATH_IMAGE036
是自变量节点或父节 点，自变量节点
Figure 471719DEST_PATH_IMAGE037
服从一种概率分布，
Figure 150087DEST_PATH_IMAGE038
根据溢油类型指定初始值，结合不同的风化过程更新为新 的系统参数，
Figure 868644DEST_PATH_IMAGE039
、
Figure 447393DEST_PATH_IMAGE040
是因变量节点或子节点，
Figure 225993DEST_PATH_IMAGE041
是最终输出节点，即溢油蒸发的质量损失。
优选地，溢油生物降解模型为：溢油生物降解的质量损失
Figure 890193DEST_PATH_IMAGE042
为
Figure 412441DEST_PATH_IMAGE043
，生 物降解量公式为：
Figure 845696DEST_PATH_IMAGE044
，其中，
Figure 795198DEST_PATH_IMAGE045
为油中轻组分的生物降解速率；
Figure 179649DEST_PATH_IMAGE046
为油中重组分的生物降解速率；
溢油生物降解的静态贝叶斯网络建立过程为：将溢油生物降解模型中的各个参数 映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油生物降解 的静态贝叶斯网络，在溢油生物降解的静态贝叶斯网络中
Figure 240009DEST_PATH_IMAGE047
是自变量节点 或父节点，考虑溢油生物降解过程中的参数不确定性问题，自变量节点
Figure 793350DEST_PATH_IMAGE048
服从一种 概率分布，
Figure 913753DEST_PATH_IMAGE049
、
Figure 286966DEST_PATH_IMAGE050
是因变量节点或子节点，
Figure 10071DEST_PATH_IMAGE042
是最终输出节点，即溢油生物降解的质量 损失。
优选地，溢油光氧化模型为：溢油光氧化的质量损失
Figure 27706DEST_PATH_IMAGE051
为
Figure 210688DEST_PATH_IMAGE052
，光氧 化量公式为：
Figure 946562DEST_PATH_IMAGE053
，其中，
Figure 738938DEST_PATH_IMAGE054
为光氧化的太阳 辐射强度，
Figure 611079DEST_PATH_IMAGE055
为消光系数，
Figure 463497DEST_PATH_IMAGE056
为油粒子到水面的距离，
Figure 686668DEST_PATH_IMAGE057
为油中轻组分的光氧化速率，
Figure 17155DEST_PATH_IMAGE058
为油中重组分的光氧化速率；
溢油光氧化的静态贝叶斯网络建立过程为：将溢油光氧化模型中的各个参数映射 为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油光氧化的静态 贝叶斯网络，在溢油光氧化的静态贝叶斯网络中
Figure 9382DEST_PATH_IMAGE059
是自变量 节点或父节点，自变量节点
Figure 531237DEST_PATH_IMAGE060
服从一种概率分布，
Figure 976125DEST_PATH_IMAGE026
、
Figure 110303DEST_PATH_IMAGE031
是因变量节点或子 节点，
Figure 222615DEST_PATH_IMAGE051
是最终输出节点，即溢油光氧化的质量损失。
优选地，溢油溶解模型为：溢油溶解的质量损失
Figure 151257DEST_PATH_IMAGE061
为
Figure 349020DEST_PATH_IMAGE062
，溶解量公式 为：
Figure 21310DEST_PATH_IMAGE063
，其中，
Figure 988129DEST_PATH_IMAGE064
为油中轻 组分的溶解速率，
Figure 589137DEST_PATH_IMAGE065
为油中重组分的溶解速率，
Figure 274196DEST_PATH_IMAGE066
为油中重组分含量，
Figure 750177DEST_PATH_IMAGE067
为经温度校正的 油中轻组分的密度，
Figure 571502DEST_PATH_IMAGE068
为经温度校正的油中重组分的密度，
Figure 107526DEST_PATH_IMAGE069
为油中轻组分的水溶性，
Figure 14302DEST_PATH_IMAGE070
为油中重组分的水溶性；
Figure 28394DEST_PATH_IMAGE071
为：
Figure 969806DEST_PATH_IMAGE072
，
Figure 933124DEST_PATH_IMAGE067
、
Figure 327196DEST_PATH_IMAGE073
为：
Figure 144979DEST_PATH_IMAGE074
，其中，
Figure 940897DEST_PATH_IMAGE075
为参考温度下油中轻组分的密度，
Figure 818723DEST_PATH_IMAGE076
为参考温度下油中重组分的密度，
Figure 965671DEST_PATH_IMAGE077
为油中轻组分的体积温度膨胀系数，
Figure 55987DEST_PATH_IMAGE078
为油中重组 分的体积温度膨胀系数，
Figure 706411DEST_PATH_IMAGE079
为参考温度；
溢油溶解的静态贝叶斯网络建立过程为：将溢油溶解模型中的各个参数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油溶解的静态贝叶斯网络，在溢油溶解的静态贝叶斯网络中
Figure 256603DEST_PATH_IMAGE080
是自变 量节点或父节点，自变量节点
Figure 359688DEST_PATH_IMAGE081
服从一种概率分布，
Figure 316012DEST_PATH_IMAGE082
根据溢油类型指定初始值，然后结合不同的风化过程更新为新的系统参数，
Figure 679997DEST_PATH_IMAGE027
、
Figure 774992DEST_PATH_IMAGE032
是因变 量节点或子节点，
Figure 254122DEST_PATH_IMAGE061
是最终输出节点，即溢油溶解的质量损失。
优选地，溢油乳化模型为：乳化过程通过下列公式进行计算：
Figure 827185DEST_PATH_IMAGE083
，
Figure 576836DEST_PATH_IMAGE084
，其中，
Figure 842732DEST_PATH_IMAGE085
为吸水率，
Figure 45043DEST_PATH_IMAGE086
为释水率，
Figure 687377DEST_PATH_IMAGE087
为乳化率，
Figure 291534DEST_PATH_IMAGE088
为风速，
Figure 728331DEST_PATH_IMAGE089
为最大 含水率，
Figure 919403DEST_PATH_IMAGE090
为油的含水率，
Figure 834270DEST_PATH_IMAGE091
为释水系数；
Figure 824091DEST_PATH_IMAGE090
为：
Figure 166211DEST_PATH_IMAGE092
，
Figure 343114DEST_PATH_IMAGE091
为：
Figure 61672DEST_PATH_IMAGE093
，
其中，
Figure 906000DEST_PATH_IMAGE094
为
Figure 684600DEST_PATH_IMAGE095
时不稳定乳液的释水率，
Figure 581755DEST_PATH_IMAGE096
，
Figure 369583DEST_PATH_IMAGE097
为
Figure 802838DEST_PATH_IMAGE098
时介稳 态乳液的释水率，
Figure 752340DEST_PATH_IMAGE099
，
Figure 638256DEST_PATH_IMAGE100
为稳定性指数，
Figure 964195DEST_PATH_IMAGE101
的乳液是稳定的，
Figure 251957DEST_PATH_IMAGE102
在 0.67-1.22之间的油形成介稳态乳液，
Figure 372360DEST_PATH_IMAGE100
低于0.67的油形成不稳定乳液；
Figure 512616DEST_PATH_IMAGE103
为：
Figure 376667DEST_PATH_IMAGE104
，其中，
Figure 659881DEST_PATH_IMAGE105
为油中沥青质含 量；
Figure 341398DEST_PATH_IMAGE106
为油中蜡含量；
Figure 77273DEST_PATH_IMAGE107
为：
Figure 604069DEST_PATH_IMAGE108
，
Figure 741790DEST_PATH_IMAGE106
为：
Figure 594208DEST_PATH_IMAGE109
；
溢油乳化的静态贝叶斯网络建立过程为：将溢油乳化模型中的各个参数映射为贝 叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油乳化的静态贝叶斯 网络，在溢油乳化的静态贝叶斯网络中
Figure 551800DEST_PATH_IMAGE110
是自变量 节点或父节点，自变量节点
Figure 646401DEST_PATH_IMAGE111
服从一种概率分布，
Figure 638628DEST_PATH_IMAGE112
根据溢油类 型指定初始值，然后结合不同的风化过程更新为新的系统参数，
Figure 396368DEST_PATH_IMAGE113
是因变量节点或子节点，
Figure 372415DEST_PATH_IMAGE114
、
Figure 303330DEST_PATH_IMAGE115
是最终输出节点，即溢油乳化的吸水率和释水率。
优选地，溢油风化的模型为：
油水混合物总质量
Figure 150064DEST_PATH_IMAGE116
通过下列公式进行计算：
Figure 845749DEST_PATH_IMAGE117
，其中，
Figure 777933DEST_PATH_IMAGE118
为表 面残余油量；
Figure 715802DEST_PATH_IMAGE119
为水质量；
Figure 682621DEST_PATH_IMAGE120
为：
Figure 782164DEST_PATH_IMAGE121
，
Figure 467224DEST_PATH_IMAGE122
为：
Figure 943204DEST_PATH_IMAGE123
。
优选地，将溢油蒸发模型、溢油生物降解模型、溢油光氧化模型、溢油溶解模型、溢 油乳化模型相结合，建立海洋石油钻井溢油风化的静态贝叶斯网，因变量节点
Figure 764530DEST_PATH_IMAGE124
为最终 输出节点，即油水混合物的总质量。
优选地，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络。
与现有技术对比，本发明的有益效果是：本发明分析多随机变量对风化过程的协同影响机理，预测溢油的性质和归宿，为海洋的环境管理部门提供科学的决策依据，对于最大限度的降低钻井溢油的环境危害具有重要的意义和价值。
附图说明
图1是海洋石油钻井溢油风化定量评估方法流程示意图。
图2是溢油蒸发的静态贝叶斯网络示意图。
图3是溢油生物降解的静态贝叶斯网络示意图。
图4是溢油光氧化的静态贝叶斯网络示意图。
图5是溢油溶解的静态贝叶斯网络示意图。
图6是溢油乳化的静态贝叶斯网络示意图。
图7是海洋石油钻井溢油风化的静态贝叶斯网络示意图。
图8是海洋石油钻井溢油风化的动态贝叶斯网络示意图。
图9是海洋石油钻井溢油风化定量评估系统示意图。
附图标记包括：101-遥感卫星监测子系统、102-遥感卫星模块、103-图像预处理模块、104-图像增强模块、105-信息提取模块、106-环境监测子系统、107-温度传感器、108-盐度传感器、109-风速风向传感器、110太阳辐射传感器、111-信号处理子系统、112-通讯模块、113-信号处理模块、114-数据收集与分析子系统、115-数据获取与分析模块、116-概率信息生成与更新模块、117-运算分析模块、118-风化定量评估模块，119-可视化分析子系统、120-通讯二模块、121-信息转化模块、122显示器。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明：
一种海洋石油钻井溢油风化定量评估系统，如图9，包括：遥感卫星监测子系统101、环境监测子系统106、信号处理子系统111、数据收集与分析子系统114和可视化分析子系统119；
所述遥感卫星监测子系统101包括遥感卫星模块102、图像预处理模块103、图像增强模块104和信息提取模块105，遥感卫星模块102实时监测浮油位置、油膜面积和扫海面积，图像预处理模块103对遥感影像进行预处理，图像增强模块104提高图像的分辨率和清晰度，信息提取模块105识别、提取油膜特征；
所述环境监测子系统106包括温度传感器107、盐度传感器108、风速风向传感器109和太阳辐射传感器110，环境监测子系统106监测海面温度、盐度、风速风向以及太阳辐射强度；
所述信号处理子系统111包括通讯模块112和信号处理模块113，通讯模块112接收遥感卫星监测子系统101和环境监测子系统106发送的数据信息，信号处理模块113将通讯模块112接收到的信号转换为电信号，得到溢油条件和环境条件的实时信息；
所述数据收集与分析子系统114，包括数据获取与分析模块115、概率信息生成与更新模块116、运算分析模块117和风化定量评估模块118，数据获取与分析模块115从气象数据库收集风速风向、海水温度和盐度数据，将数据同化成本系统所需要的格式，概率信息生成与更新模块116接收信号处理模块113和数据获取与分析模块115发送的数据，并将数据用于概率信息生成、跟踪和贝叶斯更新，运算分析模块117汇总各风化过程影响因素的概率信息，风化定量评估模块118读取运算分析模块117汇总的概率信息，进行海洋石油钻井溢油风化的实时定量评估；
所述可视化分析子系统119包括通讯二模块120、信息转化模块121和显示器122，接收数据收集与分析子系统114输出的信息，将表面残余油量、蒸发量、生物降解量、光氧化量、溶解量和含水率信息转化为图片或者动画显示在显示器122上。
一种海洋石油钻井溢油风化定量评估方法，如图1，采用所述的一种海洋石油钻井溢油风化定量评估系统，包括：
步骤1、气象数据的收集与处理，根据气象数据库，从ERA5中读取风速风向、海水温度和盐度数据，从WheatA农业气象大数据系统中读取太阳辐射数据，将步骤1所有的数据作为溢油的环境条件并建立各风化过程的物理模型；
步骤2、输入溢油数据，收集溢油类型、油品、溢油量、溢油位置和溢油时间，将其作为溢油条件输入到评估系统中，溢油类型包括瞬时溢油和连续性溢油，油品包括轻质油、中质油和重质油；
步骤3、建立参数模型，确定条件概率表和各个变量的先验概率；
通过变量间的物理关系确定条件概率表，所有自变量与因变量节点之间的关系是根据提供的物理模型确定的，使用合适的方法对父节点进行采样，包括蒙特卡罗模拟、粒子滤波和随机滤波，使用具有足够采样值和相应概率的物理关系获得条件概率表；
通过假设变量服从一定的概率分布确定各个变量的先验概率，先验概率是从初始时刻对应于父节点的性能变量的分布获得的，根据实际物理情况，分布包括正态、指数、对数正态，使用离散化方法对这些相应节点进行离散化，以形成离散的先验概率；
步骤4、实时数据的采集与处理，通过遥感卫星实时监测溢油后油膜的运动情况，用扫描的方式将获取的遥感卫星影像转存到图像处理系统中，并对遥感图像进行预处理，预处理包括正射校正、辐射校正、图像配准、图像融合和投影转换，将经过预处理后的图像通过图像增强提高分辨率和清晰度，图像增强包括基于直方图的图像增强、色彩合成、去云雾、局部对比增强算法、密度分割和灰度颠倒；
从图像增强后的图像中提取信息，计算浮油的坐标以及油膜面积，提取信息时根据地物光谱特征和几何特征，确定不同地物信息的提取规则，利用该规则从校正后的遥感数据中提取各种地物信息，将浮油的坐标以及油膜面积作为溢油条件的实时信息并发送给结构模型；
通过安装温度传感器107采集海水温度信号，盐度传感器108采集海水盐度信号，风速风向传感器109采集风速和风向信号，太阳辐射传感器110采集太阳辐射信号；处理分析传感器采集的信号，并将其作为溢油环境条件的实时信息并传输给结构模型，实现结构模型的实时更新；
步骤5、建立结构模型，结合上述步骤中收集到的历史数据和实时信息，分别建立溢油蒸发过程的静态贝叶斯网络、溢油生物降解过程的静态贝叶斯网络、溢油光氧化过程的静态贝叶斯网络、溢油溶解过程的静态贝叶斯网络和溢油乳化过程的静态贝叶斯网络，结合上述网络建立海洋石油钻井溢油风化的静态贝叶斯网络，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络；
步骤6、数据的可视化，接收结构模型的计算结果，并通过图片、表格或动画显示在显示器122上。
优选地，溢油蒸发模型为：石油泄漏的前期阶段，浮油表面的蒸发量公式为：
Figure 267930DEST_PATH_IMAGE125
，其中，
Figure 299340DEST_PATH_IMAGE041
为溢油蒸发的质量损失，
Figure 454378DEST_PATH_IMAGE126
为质量传质系数，
Figure 254844DEST_PATH_IMAGE127
为气体常数，
Figure 837135DEST_PATH_IMAGE128
为蒸汽压，A是每个油粒子接触海面的面积，
Figure 90262DEST_PATH_IMAGE006
为海水温度，
Figure 783411DEST_PATH_IMAGE129
为油中轻组 分的平均分子量，
Figure 205427DEST_PATH_IMAGE130
为油中轻组分含量；
Figure 958620DEST_PATH_IMAGE131
为：
Figure 433463DEST_PATH_IMAGE010
，其中，
Figure 258200DEST_PATH_IMAGE132
为风速，
Figure 33258DEST_PATH_IMAGE133
为施密特数；
A为：
Figure 222931DEST_PATH_IMAGE013
，其中，
Figure 949185DEST_PATH_IMAGE014
为时间，
Figure 249716DEST_PATH_IMAGE015
为油粒子体积，
Figure 879281DEST_PATH_IMAGE134
为油粒子面积增长 率常数；
Figure 974276DEST_PATH_IMAGE135
为：
Figure 689291DEST_PATH_IMAGE136
，其中，
Figure 527934DEST_PATH_IMAGE019
为油中轻组分的质量，指分子量小于160 g/mol 且沸点远低于300°C的芳烃质量，
Figure 277584DEST_PATH_IMAGE137
为油中重组分的质量，指分子量大于160 g/mol且沸点 大于300°C的油组分质量，
Figure 277901DEST_PATH_IMAGE138
为油中沥青质的质量，
Figure 247256DEST_PATH_IMAGE139
为油中蜡的质量；
Figure 624011DEST_PATH_IMAGE023
为：
Figure 228168DEST_PATH_IMAGE140
，其中，
Figure 664965DEST_PATH_IMAGE141
为油中轻组分的生物降解量，
Figure 354573DEST_PATH_IMAGE142
为油中轻组分的光氧化量，
Figure 535018DEST_PATH_IMAGE027
为油中轻组分的溶解量；
Figure 259261DEST_PATH_IMAGE143
为：
Figure 866959DEST_PATH_IMAGE144
，其中，
Figure 276819DEST_PATH_IMAGE145
为油中重组分的生物降解量，
Figure 260955DEST_PATH_IMAGE146
为油中重组分的光氧化量，
Figure 839704DEST_PATH_IMAGE032
油中重组分的溶解量；
Figure 618304DEST_PATH_IMAGE147
、
Figure 16925DEST_PATH_IMAGE148
为：
Figure 539173DEST_PATH_IMAGE035
；
如图2，溢油蒸发的静态贝叶斯网络建立过程为：将溢油蒸发模型中的各个参数映射为贝叶斯网络中的各个参数节点，将步骤3得到的条件概率表和先验概率输入，在溢油蒸发的静态贝叶斯网络中
Figure 972428DEST_PATH_IMAGE149
是自变量节点或父节点，自变 量节点
Figure 921930DEST_PATH_IMAGE150
服从一种概率分布，
Figure 574890DEST_PATH_IMAGE038
根据溢油类型指定初始值，结合不同的风化过程更新为 新的系统参数，
Figure 635250DEST_PATH_IMAGE126
、
Figure 188591DEST_PATH_IMAGE151
是因变量节点或子节点，
Figure 308994DEST_PATH_IMAGE041
是最终输出节点，即溢油蒸发的质量损 失。
优选地，溢油生物降解模型为：溢油生物降解的质量损失
Figure 682206DEST_PATH_IMAGE152
为
Figure 546257DEST_PATH_IMAGE153
，生 物降解量公式为：
Figure 954105DEST_PATH_IMAGE154
，其中，
Figure 245409DEST_PATH_IMAGE155
为油中轻组分的生物降解速 率；
Figure 604453DEST_PATH_IMAGE156
为油中重组分的生物降解速率；
如图3，溢油生物降解的静态贝叶斯网络建立过程为：将溢油生物降解模型中的各 个参数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油生 物降解的静态贝叶斯网络，在溢油生物降解的静态贝叶斯网络中
Figure 272194DEST_PATH_IMAGE157
是自变 量节点或父节点，考虑溢油生物降解过程中的参数不确定性问题，自变量节点
Figure 534548DEST_PATH_IMAGE158
服从 一种概率分布，
Figure 652546DEST_PATH_IMAGE159
、
Figure 610138DEST_PATH_IMAGE160
是因变量节点或子节点，
Figure 442090DEST_PATH_IMAGE152
是最终输出节点，即溢油生物降解的 质量损失。
优选地，溢油光氧化模型为：溢油光氧化的质量损失
Figure 558950DEST_PATH_IMAGE161
为
Figure 926478DEST_PATH_IMAGE052
，光氧 化量公式为：
Figure 761579DEST_PATH_IMAGE162
，其中，
Figure 771123DEST_PATH_IMAGE163
为光氧化的太阳 辐射强度，
Figure 476911DEST_PATH_IMAGE164
为消光系数，
Figure 5604DEST_PATH_IMAGE165
为油粒子到水面的距离，
Figure 672209DEST_PATH_IMAGE166
为油中轻组分的光氧化速率，
Figure 610078DEST_PATH_IMAGE058
为油中重组分的光氧化速率；
如图4，溢油光氧化的静态贝叶斯网络建立过程为：将溢油光氧化模型中的各个参 数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油光氧化 的静态贝叶斯网络，在溢油光氧化的静态贝叶斯网络中
Figure 311318DEST_PATH_IMAGE167
是自变 量节点或父节点，自变量节点
Figure 676440DEST_PATH_IMAGE168
服从一种概率分布，
Figure 689395DEST_PATH_IMAGE169
、
Figure 40742DEST_PATH_IMAGE170
是因变量节点 或子节点，
Figure 488167DEST_PATH_IMAGE161
是最终输出节点，即溢油光氧化的质量损失。
优选地，溢油溶解模型为：溢油溶解的质量损失
Figure 899556DEST_PATH_IMAGE171
为
Figure 665387DEST_PATH_IMAGE172
，溶解量公式 为：
Figure 945059DEST_PATH_IMAGE173
，其中，
Figure 620891DEST_PATH_IMAGE174
为油中轻组分 的溶解速率，
Figure 327815DEST_PATH_IMAGE175
为油中重组分的溶解速率，
Figure 456308DEST_PATH_IMAGE176
为油中重组分含量，
Figure 772627DEST_PATH_IMAGE177
为经温度校正的油中 轻组分的密度，
Figure 568545DEST_PATH_IMAGE178
为经温度校正的油中重组分的密度，
Figure 180791DEST_PATH_IMAGE179
为油中轻组分的水溶性，
Figure 62160DEST_PATH_IMAGE180
为油 中重组分的水溶性；
Figure 949213DEST_PATH_IMAGE181
为：
Figure 193113DEST_PATH_IMAGE182
，
Figure 117206DEST_PATH_IMAGE183
、
Figure 846390DEST_PATH_IMAGE184
为：
Figure 881342DEST_PATH_IMAGE185
，其中，
Figure 776486DEST_PATH_IMAGE186
为参考温度下油中轻组分的密度，
Figure 871481DEST_PATH_IMAGE187
为参考温度下油中重组分的密度，
Figure 586496DEST_PATH_IMAGE188
为油中轻组分的体积温度膨胀系数，
Figure 159560DEST_PATH_IMAGE189
为油中 重组分的体积温度膨胀系数，
Figure 909210DEST_PATH_IMAGE190
为参考温度；
如图5，溢油溶解的静态贝叶斯网络建立过程为：将溢油溶解模型中的各个参数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油溶解的静态贝叶斯网络，在溢油溶解的静态贝叶斯网络中
Figure 175106DEST_PATH_IMAGE191
是自变 量节点或父节点，自变量节点
Figure 610374DEST_PATH_IMAGE192
服从一种概率分布，
Figure 111762DEST_PATH_IMAGE193
根据溢油类型指定初始值，然后结合不同的风化过程更新为新的系统参数，
Figure 591285DEST_PATH_IMAGE194
、
Figure 887137DEST_PATH_IMAGE195
是因变 量节点或子节点，
Figure 452111DEST_PATH_IMAGE196
是最终输出节点，即溢油溶解的质量损失。
优选地，溢油乳化模型为：乳化过程通过下列公式进行计算：
Figure 757190DEST_PATH_IMAGE197
，
Figure 451739DEST_PATH_IMAGE198
，其中，
Figure 59438DEST_PATH_IMAGE199
为吸水率，
Figure 236341DEST_PATH_IMAGE200
为释水率，
Figure 954898DEST_PATH_IMAGE201
为乳化率，
Figure 533647DEST_PATH_IMAGE202
为风速，
Figure 46668DEST_PATH_IMAGE203
为最大 含水率，
Figure 710868DEST_PATH_IMAGE204
为油的含水率，
Figure 233116DEST_PATH_IMAGE205
为释水系数；
Figure 899327DEST_PATH_IMAGE204
为：
Figure 973462DEST_PATH_IMAGE206
，
Figure 324DEST_PATH_IMAGE205
为：
Figure 326263DEST_PATH_IMAGE207
，
其中，
Figure 614025DEST_PATH_IMAGE208
为
Figure 859062DEST_PATH_IMAGE209
时不稳定乳液的释水率，
Figure 107641DEST_PATH_IMAGE210
，
Figure 597790DEST_PATH_IMAGE211
为
Figure 881004DEST_PATH_IMAGE212
时介稳 态乳液的释水率，
Figure 296942DEST_PATH_IMAGE213
，
Figure 767237DEST_PATH_IMAGE214
为稳定性指数，
Figure 825192DEST_PATH_IMAGE215
的乳液是稳定的，
Figure 697333DEST_PATH_IMAGE216
在 0.67-1.22之间的油形成介稳态乳液，
Figure 284172DEST_PATH_IMAGE214
低于0.67的油形成不稳定乳液；
Figure 507343DEST_PATH_IMAGE217
为：
Figure 336365DEST_PATH_IMAGE218
，其中，
Figure 328592DEST_PATH_IMAGE219
为油中沥青质含 量；
Figure 351912DEST_PATH_IMAGE220
为油中蜡含量；
Figure 62379DEST_PATH_IMAGE219
为：
Figure 930978DEST_PATH_IMAGE221
，
Figure 43290DEST_PATH_IMAGE220
为：
Figure 971932DEST_PATH_IMAGE222
；
如图6，溢油乳化的静态贝叶斯网络建立过程为：将溢油乳化模型中的各个参数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油乳化的静态贝叶斯网络，在溢油乳化的静态贝叶斯网络中
Figure 169695DEST_PATH_IMAGE223
是自变量节点或父节点，自变量节 点
Figure 343450DEST_PATH_IMAGE224
服从一种概率分布，
Figure 310269DEST_PATH_IMAGE225
根据溢油类型指定初始值，然后结 合不同的风化过程更新为新的系统参数，
Figure 940970DEST_PATH_IMAGE226
是因变量节点或子 节点，
Figure 94871DEST_PATH_IMAGE227
、
Figure 570852DEST_PATH_IMAGE228
是最终输出节点，即溢油乳化的吸水率和释水率。
优选地，溢油风化的模型为：
油水混合物总质量
Figure 392177DEST_PATH_IMAGE229
通过下列公式进行计算：
Figure 928201DEST_PATH_IMAGE230
，其中，
Figure 834977DEST_PATH_IMAGE231
为表 面残余油量；
Figure 347605DEST_PATH_IMAGE232
为水质量；
Figure 289016DEST_PATH_IMAGE233
为：
Figure 995941DEST_PATH_IMAGE234
，
Figure 390013DEST_PATH_IMAGE235
为：
Figure 207796DEST_PATH_IMAGE236
。
如图7，将溢油蒸发模型、溢油生物降解模型、溢油光氧化模型、溢油溶解模型、溢 油乳化模型相结合，建立海洋石油钻井溢油风化的静态贝叶斯网，因变量节点
Figure 738135DEST_PATH_IMAGE237
为最终 输出节点，即油水混合物的总质量。
如图8，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络。
本发明的实施例中，数据获取与分析模块115从ERA5 (第五代欧洲中期天气预报中心大气再分析全球气候数据)收集渤海湾近10年7月份的海面10米处风速风向、海水温度、盐度。
正射校正包括：遥感影像包括多光谱影像和全色影像等，遥感影像获取的过程中会受到各种不定因素的影响，如：传感器的成像方式、地形起伏、地球曲率、大气折射等，导致图像本身的几何位置、形状、尺寸等与其对应的地物不一致，发生变形。通过一定的数学模型来改正和消除遥感影像产生的变形的过程称为几何校正。通常情况下，对影像进行粗略几何校正时，需要利用卫星等提供的一些轨道、姿态参数以及与地面系统相关的处理参数来进行校正。当精度要求较高时需对影像进行几何精校正，即利用地面控制点及畸变模型对原始影像进行校正。经过粗校正之后接收到的全色影像数据中的大部分地物已经实现了重叠，只有个别仍存在偏差。此时，需要利用DEM数据对全色影像做正射校正，生成全色影像的正射影像图。正射校正是将中心投影的影像进行纠正，形成正射投影影像的过程，先把影像化分为许多小区域，之后根据相关参数按照对应的中心投影构像方程或者特定的数学模型用控制点进行解算，得到解算模型后利用数字高程模型对原始遥感影像进行校正，最终获得数字正射影像。
辐射校正包括：辐射校正是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因为辐射误差而引起影像畸变的过程。辐射校正的目的主要包括：尽可能消除因传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的噪声等引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异；尽可能恢复图像的本来面目，为遥感图像的识别、分类、解译等后续工作奠定基础。辐射校正分为两部分：辐射定标，是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度。大气校正，是指消除由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
图像配准包括：为了在同一地理坐标系统中能够使同一区域内的两个数据源进行叠加显示和数学运算，首先要把某一数据源的地理坐标与其他数据源的地理位置相配准。
将一张遥感图像与同一区域的其他图像或栅格地图进行配准，从而使其在空间上重合叠加显示，这个过程称为对栅格图像的配准。将一张遥感图像与同一区域一幅矢量图形进行配准，从而使其在空间上重合叠加显示，这个过程称为对矢量图形的配准。
图像融合包括：对纠正、配准后满足精度要求的全色与多光谱数据，融合前还需要对其进行预处理。一方面，提高全色数据的亮度，增强局部反差突出纹理细节，尽可能降低噪声；另一方面，对多光谱数据进行色彩增强，拉大不同地类之间的色彩反差，突出其多光谱彩色信息。在遥感影像处理过程中，通常采用的融合方法有IHS变换、主成分变换、加权乘积、比值变换、小波变换、高通滤波等多种方法。
高通滤波法包括：高通滤波和低通滤波常用于影像纹理和细节处理方面。影像的细节提取往往是通过对影像进行高通滤波来实现，影像细节与多光谱影像的色彩信息相加是融合的最基本原理。高通滤波变换目的是提高影像高频细节，突出影像结构信息。各种高层板状建筑表现非常明显，交通和水体的边缘规则、无模糊。由于在突出高频信息同时，部分低频信息会受到压制，往往整体影像的结构比较细碎。色彩表现上，高通滤波变换效果一般，色调的层次感不强。
主成分变换法包括：主成分变换在数学上是将矩阵展开分解为其协方差矩阵的特征向量的加权，对于图像而言主分量变换是图像按照特征向量在其特征空间上分解为多元空间。经过变换可将噪音向量剔除掉，保证融合图像信息度的良好。主分量变换中参与变换的多光谱数据不受波段数限制，可以接受三个以上波段的多光谱数据和高光谱数据进行变换。主分量变换合成的影像色彩突出，各种地类的色彩能够较少的丢失和偏移。影像纹理信息结构明显、突出。
基于直方图的图像增强包括：融合后的影像处理是保证成果质量的重要技术环节，融合后的影像通常亮度偏低、灰阶分布动态范围小，色彩不够丰富。直方图均衡化算法是图象增强领域中常用的算法之一，它以概率理论作基础，通过对已知灰度概率密度的图像进行某种变换使其变成一幅概率密度服从均匀分布的新图像，这样调节了灰度取值的动态范围，增强了图像的对比度，从而达到图像增强的目的。此外，采用线性或非线性拉伸、亮度对比度、色彩平衡、色度、饱和度和明度调整等方法进行色调调整。处理后的影像要达到灰阶分布具有较大动态范围，纹理清晰、色调均匀、反差适中，色彩接近自然真彩色，可以清晰判别耕地等重要地貌。
色彩合成包括：色彩在遥感影像识别和信息提取方面具有显著的优越性，因此通常采用彩色合成技术对多光谱图像进行处理，得到彩色图像。
去云雾包括：从遥感图像呈现的低亮度和低对比度的特征考虑，按照特定需要突出图像中的某些信息，削弱或去除某些不需要的信息来完成的。我们通过灰度直方图变换方法把有雾图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围达到增强雾天图像整体对比度的效果。
局部对比增强算法包括：直方图均衡化可以有效地调节图像动态范围，增强图像整体的对比度，但是由于其在调整动态范围的过程中合并了一些出现概率较低的灰度级，从而导致细节的丢失，对此可使用局部对比度增强的方法强化图像局部细节。
密度分割包括：对于灰度图像，对其像元的灰度值分级，然后赋予不同颜色，从而将原始图像变为伪色彩图，从而实现对图像的增强。
灰度颠倒包括：将图像灰度范围先拉伸到显示装置的动态范围到饱和状态，再颠倒处理，从而使正像与负像互换。
提取信息包括：海面油区的分割，油区与背景海水的后向散射系数的差异使油区 在SAR图像上呈现为黑色区域，同时其它一些海洋现象也表现为较低的灰度。为了辨识和分 析具有特定性质的油膜目标，需要首先将这些从海水背景区域中分离提取出来，在此基础 上才有可能对目标进一步特征提取。目前关于SAR图像检测溢油的大部分研究都是集中在 图像分割方法上，其中主要包括：单一阈值法，是最基础的一种图像分割方法。对于含有溢 油现象SAR图像，其灰度直方图都表现为存在两个峰值，一般选取两峰之间的极小值作为阈 值来区分油膜和背景海水区域。基于纹理特征的图像分割方法，纹理分折在SAR图像信息提 取中应用比较广泛。灰度共生矩阵是一种常见和广泛应用的纹理统计分折方法，它体现了 图像中两个像素组合的灰度空间依赖性
Figure 615961DEST_PATH_IMAGE238
，其具体描述是方向
Figure 497329DEST_PATH_IMAGE239
上间隔距离为d个像素的 一对像素灰度值分别为i和j的出现概率，其定义公式为：
Figure 620268DEST_PATH_IMAGE240
。
溢油区域特征提取和分类，通常对图像进行识别分类主要是根据图像的灰度值，但是类如降雨、上升流等因素也会导致黑色斑点或条带的产生，这种现象被称为类油膜现象。分类器可以将油膜与类油膜相区分，实现溢油区域的有效识别。常见的分类器包括K-近邻分类器、BP神经网络分类器和贝叶斯分类器。
油膜面积计算，对油膜区域进行信息提取之后就可以对油膜的坐标和油膜区域的面积进行计算。
各种信息由传感器采集后，变换成电量信号，必须先经过一系列的变换，常见的信号处理过程去噪、时频域分析、阻抗变换、信号的放大或衰减、滤波、线性化处理、数值运算、电气隔离等。
去噪处理包括：信号在传输过程中，传递的石基信息很容易受到外界因素的影响。小波变换可以对非平稳信号进行有效处理，能够在时间和频域上同时进行局域化分析。
时域、频域分析包括：对于已去噪处理的传感器信号，除了需要获取信号的频域特征，还需分析信号的时间历程变化以提取瞬态信息。强大的时频域分析方法能够 对信号的频率与时间的相互关系进行反映，并能够描述信号的局部细节特征，对非平稳信号的处理分析大有裨益。
阻抗变换包括：传感器输出阻抗比较高，为了防止信号的衰减，通常采用高输入阻抗、低输出阻抗的阻抗匹配器作为传感器输入到测量系统的前置电路，常见的阻抗匹配器有半导体阻抗匹配器、场效应品体管阻抗匹配器及运算放大器阻抗匹配器等。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种海洋石油钻井溢油风化定量评估系统，其特征在于，包括：遥感卫星监测子系统、环境监测子系统、信号处理子系统、数据收集与分析子系统和可视化分析子系统；
所述遥感卫星监测子系统包括遥感卫星模块、图像预处理模块、图像增强模块和信息提取模块，遥感卫星模块实时监测浮油位置、油膜面积和扫海面积，图像预处理模块对遥感影像进行预处理，图像增强模块提高图像的分辨率和清晰度，信息提取模块识别、提取油膜特征；
所述环境监测子系统包括温度传感器、盐度传感器、风速风向传感器和太阳辐射传感器，环境监测子系统监测海面温度、盐度、风速风向以及太阳辐射强度；
所述信号处理子系统包括通讯模块和信号处理模块，通讯模块接收遥感卫星监测子系统和环境监测子系统发送的数据信息，信号处理模块将通讯模块接收到的信号转换为电信号，得到溢油条件和环境条件的实时信息；
所述数据收集与分析子系统，包括数据获取与分析模块、概率信息生成与更新模块、运算分析模块和风化定量评估模块，数据获取与分析模块从气象数据库收集风速风向、海水温度和盐度数据，将数据同化成本系统所需要的格式，概率信息生成与更新模块接收信号处理模块和数据获取与分析模块发送的数据，并将数据用于概率信息生成、跟踪和贝叶斯更新，运算分析模块汇总各风化过程影响因素的概率信息，风化定量评估模块读取运算分析模块汇总的概率信息，进行海洋石油钻井溢油风化的实时定量评估；
所述可视化分析子系统包括通讯模块、信息转化模块和显示器，接收数据收集与分析子系统输出的信息，将表面残余油量、蒸发量、生物降解量、光氧化量、溶解量和含水率信息转化为图片或者动画显示在显示器上。
2.一种海洋石油钻井溢油风化定量评估方法，采用如权利要求1所述的一种海洋石油钻井溢油风化定量评估系统，其特征在于，包括：
步骤1、气象数据的收集与处理，根据气象数据库，从ERA5中读取风速风向、海水温度和盐度数据，从WheatA农业气象大数据系统中读取太阳辐射数据，将步骤1所有的数据作为溢油的环境条件并建立各风化过程的物理模型；
步骤2、输入溢油数据，收集溢油类型、油品、溢油量、溢油位置和溢油时间，将其作为溢油条件输入到评估系统中，溢油类型包括瞬时溢油和连续性溢油，油品包括轻质油、中质油和重质油；
步骤3、建立参数模型，确定条件概率表和各个变量的先验概率；
通过变量间的物理关系确定条件概率表，所有自变量与因变量节点之间的关系是根据提供的物理模型确定的，使用合适的方法对父节点进行采样，包括蒙特卡罗模拟、粒子滤波和随机滤波，使用具有足够采样值和相应概率的物理关系获得条件概率表；
通过假设变量服从一定的概率分布确定各个变量的先验概率，先验概率是从初始时刻对应于父节点的性能变量的分布获得的，根据实际物理情况，分布包括正态、指数、对数正态，使用离散化方法对这些相应节点进行离散化，以形成离散的先验概率；
步骤4、实时数据的采集与处理，通过遥感卫星实时监测溢油后油膜的运动情况，用扫描的方式将获取的遥感卫星影像转存到图像处理系统中，并对遥感图像进行预处理，预处理包括正射校正、辐射校正、图像配准、图像融合和投影转换，将经过预处理后的图像通过图像增强提高分辨率和清晰度，图像增强包括基于直方图的图像增强、色彩合成、去云雾、局部对比增强算法、密度分割和灰度颠倒；
从图像增强后的图像中提取信息，计算浮油的坐标以及油膜面积，提取信息时根据地物光谱特征和几何特征，确定不同地物信息的提取规则，利用该规则从校正后的遥感数据中提取各种地物信息，将浮油的坐标以及油膜面积作为溢油条件的实时信息并发送给结构模型；
通过安装温度传感器采集海水温度信号，盐度传感器采集海水盐度信号，风速风向传感器采集风速和风向信号，太阳辐射传感器采集太阳辐射信号；处理分析传感器采集的信号，并将其作为溢油环境条件的实时信息并传输给结构模型，实现结构模型的实时更新；
步骤5、建立结构模型，结合上述步骤中收集到的历史数据和实时信息，分别建立溢油蒸发过程的静态贝叶斯网络、溢油生物降解过程的静态贝叶斯网络、溢油光氧化过程的静态贝叶斯网络、溢油溶解过程的静态贝叶斯网络和溢油乳化过程的静态贝叶斯网络，结合上述网络建立海洋石油钻井溢油风化的静态贝叶斯网络，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络；
步骤6、数据的可视化，接收结构模型的计算结果，并通过图片、表格或动画显示在显示器上。
3.根据权利要求2所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油蒸发模型为：石油泄漏的前期阶段，浮油表面的蒸发量公式为：
Figure DEST_PATH_IMAGE001
，其中，
Figure DEST_PATH_IMAGE002
为溢油蒸发的质量损失，
Figure DEST_PATH_IMAGE003
为质量传质系数，
Figure DEST_PATH_IMAGE004
为气 体常数，
Figure DEST_PATH_IMAGE005
为蒸汽压，A是每个油粒子接触海面的面积，
Figure DEST_PATH_IMAGE006
为海水温度，
Figure DEST_PATH_IMAGE007
为油中轻组分的 平均分子量，
Figure DEST_PATH_IMAGE008
为油中轻组分含量；
Figure 464230DEST_PATH_IMAGE003
为：
Figure DEST_PATH_IMAGE009
，其中，
Figure DEST_PATH_IMAGE010
为风速，
Figure DEST_PATH_IMAGE011
为施密特数；
A为：
Figure DEST_PATH_IMAGE012
，其中，
Figure 621452DEST_PATH_IMAGE013
为时间，
Figure DEST_PATH_IMAGE014
为油粒子体积，
Figure DEST_PATH_IMAGE015
为油粒子面积增长率常数；
Figure DEST_PATH_IMAGE016
为：
Figure DEST_PATH_IMAGE017
，其中，
Figure DEST_PATH_IMAGE018
为油中轻组分的质量，指分子量小于160 g/mol且沸 点远低于300°C的芳烃质量，
Figure DEST_PATH_IMAGE019
为油中重组分的质量，指分子量大于160 g/mol且沸点大于 300°C的油组分质量，
Figure DEST_PATH_IMAGE020
为油中沥青质的质量，
Figure DEST_PATH_IMAGE021
为油中蜡的质量；
Figure 151922DEST_PATH_IMAGE018
为：
Figure DEST_PATH_IMAGE022
，其中，
Figure DEST_PATH_IMAGE023
为油中轻组分的生物降解量，
Figure DEST_PATH_IMAGE024
为 油中轻组分的光氧化量，
Figure DEST_PATH_IMAGE025
为油中轻组分的溶解量；
Figure DEST_PATH_IMAGE026
为：
Figure DEST_PATH_IMAGE027
，其中，
Figure DEST_PATH_IMAGE028
为油中重组分的生物降解量，
Figure DEST_PATH_IMAGE029
为油 中重组分的光氧化量，
Figure DEST_PATH_IMAGE030
油中重组分的溶解量；
Figure DEST_PATH_IMAGE031
、
Figure 826092DEST_PATH_IMAGE021
为：
Figure DEST_PATH_IMAGE032
；
溢油蒸发的静态贝叶斯网络建立过程为：将溢油蒸发模型中的各个参数映射为贝叶斯 网络中的各个参数节点，将步骤3得到的条件概率表和先验概率输入，在溢油蒸发的静态贝 叶斯网络中
Figure DEST_PATH_IMAGE033
是自变量节点或父节点，自 变量节点
Figure DEST_PATH_IMAGE034
服从一种概率分布，
Figure DEST_PATH_IMAGE035
根据溢油类型指定初始值，结合不同的风化过程更新为新的系 统参数，
Figure 266563DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE036
是因变量节点或子节点，
Figure 151342DEST_PATH_IMAGE002
是最终输出节点，即溢油蒸发的质量损失。
4.根据权利要求3所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油 生物降解模型为：溢油生物降解的质量损失
Figure DEST_PATH_IMAGE037
为
Figure DEST_PATH_IMAGE038
，生物降解量公式为：
Figure DEST_PATH_IMAGE039
，其中，
Figure DEST_PATH_IMAGE040
为油中轻组分的生物降解速率；
Figure DEST_PATH_IMAGE041
为油中重组分的 生物降解速率；
溢油生物降解的静态贝叶斯网络建立过程为：将溢油生物降解模型中的各个参数映射 为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油生物降解的静 态贝叶斯网络，在溢油生物降解的静态贝叶斯网络中
Figure DEST_PATH_IMAGE042
是自变量节点或父 节点，考虑溢油生物降解过程中的参数不确定性问题，自变量节点
Figure DEST_PATH_IMAGE043
服从一种概率分 布，
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE045
是因变量节点或子节点，
Figure DEST_PATH_IMAGE046
是最终输出节点，即溢油生物降解的质量损失。
5.根据权利要求4所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油 光氧化模型为：溢油光氧化的质量损失
Figure DEST_PATH_IMAGE047
为
Figure DEST_PATH_IMAGE048
，光氧化量公式为：
Figure DEST_PATH_IMAGE049
，其中，
Figure DEST_PATH_IMAGE050
为光氧化的太阳辐射强度，
Figure DEST_PATH_IMAGE051
为消光系数，
Figure DEST_PATH_IMAGE052
为油粒子到水面的距离，
Figure DEST_PATH_IMAGE053
为油中轻组分的光氧化速率，
Figure DEST_PATH_IMAGE054
为油中重组分 的光氧化速率；
溢油光氧化的静态贝叶斯网络建立过程为：将溢油光氧化模型中的各个参数映射为贝 叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油光氧化的静态贝叶 斯网络，在溢油光氧化的静态贝叶斯网络中
Figure DEST_PATH_IMAGE055
是自变量节点或父 节点，自变量节点
Figure DEST_PATH_IMAGE056
服从一种概率分布，
Figure 979228DEST_PATH_IMAGE024
、
Figure 270138DEST_PATH_IMAGE029
是因变量节点或子节点，
Figure DEST_PATH_IMAGE057
是最终输出节点，即溢油光氧化的质量损失。
6.根据权利要求5所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油 溶解模型为：溢油溶解的质量损失
Figure DEST_PATH_IMAGE058
为
Figure DEST_PATH_IMAGE059
，溶解量公式为：
Figure DEST_PATH_IMAGE060
，其中，
Figure DEST_PATH_IMAGE061
为油中轻组分的溶 解速率，
Figure DEST_PATH_IMAGE062
为油中重组分的溶解速率，
Figure DEST_PATH_IMAGE063
为油中重组分含量，
Figure DEST_PATH_IMAGE064
为经温度校正的油中轻 组分的密度，
Figure DEST_PATH_IMAGE065
为经温度校正的油中重组分的密度，
Figure DEST_PATH_IMAGE066
为油中轻组分的水溶性，
Figure DEST_PATH_IMAGE067
为油中 重组分的水溶性；
Figure DEST_PATH_IMAGE068
为：
Figure DEST_PATH_IMAGE069
，
Figure 814383DEST_PATH_IMAGE064
、
Figure 276589DEST_PATH_IMAGE065
为：
Figure DEST_PATH_IMAGE070
，其中，
Figure DEST_PATH_IMAGE071
为参考温度下油中轻组分的密度，
Figure DEST_PATH_IMAGE072
为参 考温度下油中重组分的密度，
Figure DEST_PATH_IMAGE073
为油中轻组分的体积温度膨胀系数，
Figure DEST_PATH_IMAGE074
为油中重组分的 体积温度膨胀系数，
Figure DEST_PATH_IMAGE075
为参考温度；
溢油溶解的静态贝叶斯网络建立过程为：将溢油溶解模型中的各个参数映射为贝叶斯网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油溶解的静态贝叶斯网络，在溢油溶解的静态贝叶斯网络中
Figure DEST_PATH_IMAGE076
是自变量节点 或父节点，自变量节点
Figure DEST_PATH_IMAGE077
服从一种概率分布，
Figure DEST_PATH_IMAGE078
根据 溢油类型指定初始值，然后结合不同的风化过程更新为新的系统参数，
Figure 372196DEST_PATH_IMAGE025
、
Figure 843629DEST_PATH_IMAGE030
是因变量节 点或子节点，
Figure DEST_PATH_IMAGE079
是最终输出节点，即溢油溶解的质量损失。
7.根据权利要求6所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油 乳化模型为：乳化过程通过下列公式进行计算：
Figure DEST_PATH_IMAGE080
，
Figure DEST_PATH_IMAGE081
，其中，
Figure DEST_PATH_IMAGE082
为吸水率，
Figure DEST_PATH_IMAGE083
为释水率，
Figure DEST_PATH_IMAGE084
为乳化率，
Figure DEST_PATH_IMAGE085
为风速，
Figure DEST_PATH_IMAGE086
为最大含水 率，
Figure DEST_PATH_IMAGE087
为油的含水率，
Figure DEST_PATH_IMAGE088
为释水系数；
Figure 678598DEST_PATH_IMAGE087
为：
Figure DEST_PATH_IMAGE089
，
Figure 436339DEST_PATH_IMAGE088
为：
Figure DEST_PATH_IMAGE090
，
其中，
Figure DEST_PATH_IMAGE091
为
Figure DEST_PATH_IMAGE092
时不稳定乳液的释水率，
Figure DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE094
为
Figure DEST_PATH_IMAGE095
时介稳态乳 液的释水率，
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE097
为稳定性指数，
Figure DEST_PATH_IMAGE098
的乳液是稳定的，
Figure DEST_PATH_IMAGE099
在0.67- 1.22之间的油形成介稳态乳液，
Figure 631959DEST_PATH_IMAGE097
低于0.67的油形成不稳定乳液；
Figure DEST_PATH_IMAGE100
为：
Figure DEST_PATH_IMAGE101
，其中，
Figure DEST_PATH_IMAGE102
为油中沥青质含量；
Figure DEST_PATH_IMAGE103
为油中蜡含量；
Figure DEST_PATH_IMAGE104
为：
Figure DEST_PATH_IMAGE105
，
Figure 451623DEST_PATH_IMAGE103
为：
Figure DEST_PATH_IMAGE106
；
溢油乳化的静态贝叶斯网络建立过程为：将溢油乳化模型中的各个参数映射为贝叶斯 网络中的各个参数节点，将条件概率表和先验概率输入，建立溢油乳化的静态贝叶斯网络， 在溢油乳化的静态贝叶斯网络中
Figure DEST_PATH_IMAGE107
是自变量节点或 父节点，自变量节点
Figure DEST_PATH_IMAGE108
服从一种概率分布，
Figure DEST_PATH_IMAGE109
根据溢油类型指定初 始值，然后结合不同的风化过程更新为新的系统参数，
Figure DEST_PATH_IMAGE110
是因变量 节点或子节点，
Figure DEST_PATH_IMAGE111
、
Figure DEST_PATH_IMAGE112
是最终输出节点，即溢油乳化的吸水率和释水率。
8.根据权利要求7所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，溢油风化的模型为：
油水混合物总质量
Figure DEST_PATH_IMAGE113
通过下列公式进行计算：
Figure DEST_PATH_IMAGE114
，其中，
Figure DEST_PATH_IMAGE115
为表面 残余油量；
Figure DEST_PATH_IMAGE116
为水质量；
Figure DEST_PATH_IMAGE117
为：
Figure DEST_PATH_IMAGE118
，
Figure 970460DEST_PATH_IMAGE116
为：
Figure DEST_PATH_IMAGE119
。
9.根据权利要求8所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，将溢 油蒸发模型、溢油生物降解模型、溢油光氧化模型、溢油溶解模型、溢油乳化模型相结合，建 立海洋石油钻井溢油风化的静态贝叶斯网，因变量节点
Figure 508889DEST_PATH_IMAGE113
为最终输出节点，即油水混合 物的总质量。
10.根据权利要求9所述的一种海洋石油钻井溢油风化定量评估方法，其特征在于，根据转化动态贝叶斯网络时间片与时间片间的条件概率表，海洋石油钻井溢油风化的静态贝叶斯网络拓展为动态贝叶斯网络。
CN202211185896.6A 2022-09-28 2022-09-28 一种海洋石油钻井溢油风化定量评估系统及评估方法 Active CN115271560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211185896.6A CN115271560B (zh) 2022-09-28 2022-09-28 一种海洋石油钻井溢油风化定量评估系统及评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211185896.6A CN115271560B (zh) 2022-09-28 2022-09-28 一种海洋石油钻井溢油风化定量评估系统及评估方法

Publications (2)

Publication Number Publication Date
CN115271560A true CN115271560A (zh) 2022-11-01
CN115271560B CN115271560B (zh) 2023-01-10

Family

ID=83757592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211185896.6A Active CN115271560B (zh) 2022-09-28 2022-09-28 一种海洋石油钻井溢油风化定量评估系统及评估方法

Country Status (1)

Country Link
CN (1) CN115271560B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330550A (zh) * 2023-10-10 2024-01-02 交通运输部天津水运工程科学研究所 基于遥感图像和光谱图像的溢油溯源方法、终端、系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074560A1 (en) * 2003-01-31 2006-04-06 Dyer James S Method and system of evaluating performance of a crop
CN104699977A (zh) * 2015-03-24 2015-06-10 中国石油大港油田勘探开发研究院 利用轻重矿物定量分析物源的方法
CN105181919A (zh) * 2015-08-21 2015-12-23 交通运输部水运科学研究所 一种模拟溢油风化对水质影响的实验系统与方法
CN109284709A (zh) * 2018-09-19 2019-01-29 南京大学 一种基于耀光反射差异的海面溢油光学遥感检测方法
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
CN110232519A (zh) * 2019-06-11 2019-09-13 大连海事大学 一种内河危险化学品运输风险评估系统
US20200371490A1 (en) * 2019-05-21 2020-11-26 China University Of Petroleum (East China) Method for assessing safety integrity level of offshore oil well control equipment
CN112633545A (zh) * 2020-07-14 2021-04-09 福州市环境科学研究院(福州市环境影响评价技术中心、福州市排污权储备技术中心) 一种基于闽江下游突发水污染事故风险预警方法及系统
CN114819677A (zh) * 2022-05-09 2022-07-29 中国石油大学(华东) 一种多因素融合的井控风险动态定量评估方法及系统
CN115099653A (zh) * 2022-07-05 2022-09-23 中国石油大学(华东) 一种渤海湾极端天气条件下溢油事故风险评估方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074560A1 (en) * 2003-01-31 2006-04-06 Dyer James S Method and system of evaluating performance of a crop
CN104699977A (zh) * 2015-03-24 2015-06-10 中国石油大港油田勘探开发研究院 利用轻重矿物定量分析物源的方法
CN105181919A (zh) * 2015-08-21 2015-12-23 交通运输部水运科学研究所 一种模拟溢油风化对水质影响的实验系统与方法
US20190050948A1 (en) * 2017-08-08 2019-02-14 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
CN109284709A (zh) * 2018-09-19 2019-01-29 南京大学 一种基于耀光反射差异的海面溢油光学遥感检测方法
US20200371490A1 (en) * 2019-05-21 2020-11-26 China University Of Petroleum (East China) Method for assessing safety integrity level of offshore oil well control equipment
CN110232519A (zh) * 2019-06-11 2019-09-13 大连海事大学 一种内河危险化学品运输风险评估系统
CN112633545A (zh) * 2020-07-14 2021-04-09 福州市环境科学研究院(福州市环境影响评价技术中心、福州市排污权储备技术中心) 一种基于闽江下游突发水污染事故风险预警方法及系统
CN114819677A (zh) * 2022-05-09 2022-07-29 中国石油大学(华东) 一种多因素融合的井控风险动态定量评估方法及系统
CN115099653A (zh) * 2022-07-05 2022-09-23 中国石油大学(华东) 一种渤海湾极端天气条件下溢油事故风险评估方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SAEED MOHAMMADIUN: "Evaluation of machine learning techniques to select marine oil spill response methods under small-sized dataset conditions", 《JOURNAL OF HAZARDOUS MATERIALS》 *
ZENGKAI LIU: "Oil spill modeling of Chengdao oilfield in the Chinese Bohai Sea", 《OCEAN ENGINEERING》 *
吴晓丹等: "海上溢油量获取的技术方法", 《海洋技术》 *
柴田: "基于随机方法的船舶碰撞与溢油污染风险评价研究——以台湾海峡为例", 《万方数据》 *
牛亚琴: "基于遥感图像的海上溢油现象识别研究", 《中国优秀硕士学位论文全文库 工程科技Ⅰ辑》 *
王立坤: "船舶溢油事故报告关键影响因子与行为偏好分析", 《安全与环境学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330550A (zh) * 2023-10-10 2024-01-02 交通运输部天津水运工程科学研究所 基于遥感图像和光谱图像的溢油溯源方法、终端、系统

Also Published As

Publication number Publication date
CN115271560B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
Shao et al. Deep learning-based fusion of Landsat-8 and Sentinel-2 images for a harmonized surface reflectance product
Murray et al. Texture-based classification of sub-Antarctic vegetation communities on Heard Island
Lu et al. Land cover classification in a complex urban-rural landscape with QuickBird imagery
Lu et al. Object-oriented change detection for landslide rapid mapping
Wang et al. Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China
Zhao et al. UAV-based individual shrub aboveground biomass estimation calibrated against terrestrial LiDAR in a shrub-encroached grassland
Zeng et al. Image fusion for land cover change detection
Im et al. An automated binary change detection model using a calibration approach
Lefebvre et al. Object-oriented approach and texture analysis for change detection in very high resolution images
Bouslihim et al. Soil aggregate stability mapping using remote sensing and GIS-based machine learning technique
Zhang et al. Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination
CN107688776A (zh) 一种城市水体提取方法
CN115271560B (zh) 一种海洋石油钻井溢油风化定量评估系统及评估方法
Mahrooghy et al. A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery
Garrigues et al. Using first-and second-order variograms for characterizing landscape spatial structures from remote sensing imagery
Wei et al. A comparative assessment of multisensor data merging and fusion algorithms for high-resolution surface reflectance data
El-Alem et al. Ensemble-based systems to monitor algal bloom with remote sensing
Ni et al. Hurricane eye morphology extraction from SAR images by texture analysis
Jaber et al. Object-based approaches for land use-land cover classification using high resolution quick bird satellite imagery (a case study: Kerbela, Iraq)
Morgan et al. A post-classification change detection model with confidences in high resolution multi-date sUAS imagery in coastal south carolina
Afifi et al. Urban sprawl of greater Cairo and its impact on the agricultural land using remote sensing and digital soil map
Johansen et al. Quantifying indicators of riparian condition in Australian tropical savannas: integrating high spatial resolution imagery and field survey data
Leonardo et al. Comparison of TanDEM-X InSAR data and high-density ALS for the prediction of forest inventory attributes in plantation forests with steep terrain
Pai et al. A geospatial tool for delineating streambanks
Li et al. Synergetic use of DEM derivatives, Sentinel-1 and Sentinel-2 data for mapping soil properties of a sloped cropland based on a two-step ensemble learning method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant