Автоматизированное обнаружение нарушенных нефтедобычей земель

В настоящее время природопользование в условиях нефтегазодобычи стремится обеспечить экономическую эффективность с наименьшими техногенными нагрузками на ландшафт. В районах разработки и эксплуатации нефтегазовых месторождений нагрузки на природную среду обусловленные физическими (механогенез) и геохимическими воздействиями (атмосферное загрязнение, битуминизация, галогенез) оцениваются с использованием современных аэрокосмических методов и технологий дистанционного зондирования Земли. Большое значение приобретают разработка и внедрение в практику нефтегазовой отрасли новых методов мониторинга [1]. Как показывают исследования [2] достижения в области ГИС-технологий в сочетании с дистанционным зондированием и машинным обучением позволили усовершенствовать экологический мониторинг с предоставлением более точных и актуализированных данных о динамике растительного покрова. Ранее в [3] проводилась классификация космического снимка, идентификация и оконтуривание растительных сообществ и нефтезагрязненных земель с использованием наземных полевых исследований.
Целью данной работы является развитие методики автоматизированного обнаружения нефтезагрязненных земель. В рамках поставленной цели решались задачи: расчет трехканального нормированного вегетационного индекса TCHVI; генерация программного кода в нейросети; установка дистрибутивов и библиотек; запуск кода и получение результатов.
Расчет трехканального нормированного вегетационного индекса TCHVI проводился по космическому снимку Sensinel-2 с использованием формулы [1]. В нейросети https://chat.qwen.ai/ генерировалась программа для обнаружения пикселей с экстремальными низкими значениями и оценка их геометрии на индексной карте. Для реализации расчета на локальный компьютер были скачаны и установлены дистрибутивы Anaconda и Python. Приложение командной строки Anaconda Prompt использовалось для создания окружения, для работы с Python, установки веб- приложения Jupyter notebook а также добавления библиотек, например rasterio, pandas, matplotlib. В интерфейсе Jupyter notebook построено цветное изображение индекса TCHVI, выделены пиксели с низкими значениями, соответствующие нефтезагрязненным участкам (рис.1). Результат программа сохраняет в шейп файл. Таким образом, предложенный подход позволяет вероятностно выявлять и картографировать нефтезагрязненные земли.