عنوان پایان‌نامه
بهبود تشخیص مناطق دارای پتانسل نفت وگاز با استفاده از داده های ماهواره ای و به کمک تهیه نقشه TOC
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2653;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 63656
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۲
- دانشجو
- پیمان داورنیا
- استاد راهنما
- محمدرضا سراجیان مارالان, علی شکاری فرد
- چکیده
- کربن آلی (Total Organic Carbon یا TOC) را می توان از جمله شاخص های مهم در اکتشاف منابع هیدروکربنی دانست. آنالیزهایTOC برای بررسی سنگ های منشا (Source rock) یعنی سنگ هایی که حاوی هیدرو کربن ها هستند یا قابلیت ایجاد آنها را دارند، به کار می رود. نمونه برداری و آنالیز شیمیایی TOC به ویژه در مناطق وسیع، می تواند مسئله ای زمان بر و پر هزینه باشد. از طرفی به علت محدودیت های موجود از لحاظ دسترسی به مناطق صعب العبور و یا مناطق دارای شرایط ویژه آب و هوایی، امکان نمونه برداری به میزان کافی از منطقه وجود ندارد. برای رفع محدودیت های مذکور، می توان از فن آوری سنجش از دور به عنوان راه حلی عملی برای بر طرف کردن پاره ای از این مشکلات استفاده کرد. از مزایای روش های سنجش از دور نسبت به روش های مبتنی بر کار میدانی می توان به دید سینوپتیکی (Synoptic view)، قابلیت تکرار (Repeatability)، دسترس پذیری (Accessibility)، صرفه جویی در زمان (Time conservation)، غیر تهاجمی و مقرون به صرفه بودن آن اشاره کرد. ابتدا با استفاده از نمونه های آزمایشگاهی کربن آلی، حساسیت سنجی بر روی باندها صورت گرفت تا باندهایی که نسبت به کربن آلی حساسیت بیشتری دارند شناسایی و انتخاب شوند. سپس بین نمونه هایی که به وسیله روشهای سنتی و آزمایشگاهی از مقدار کربن آلی سنگ های منشا بدست آمده بودند و باندهای انتخابی رابطه ای بر قرار گردید. برای برقراری رابطه بین داده های زمینی و ماهواره ای از روش های مختلف رگرسیون مانند مدل رگرسیون ساده (Simple Regression Model -SRM)و مدل رگرسیون کمترین مربعات جزئی (Partial Least Square Regression Model -PLSR) استفاده شد. این برازش ها بر مبنای فاصله اقلیدسی از خط خاک، مقدار درجات روشنایی مربوط پیکسل های هر نقطه و نتایج تحلیل مولفه های اصلی انجام شد. در مرحله بعد، با استفاده از برازش یک چند جمله ای به صورت بازگشتی نقاطی را که دارای خطای بیش از5%بودند،شناسایی شده و مجددا چند جمله ای به نقاط باقیمانده برازش داده شد تا در نهایت از بین نقاط اولیه، نقاطی با خطای کمتر از 5%انتخاب شدند. سپس مدل های مختلفی مانند مدل های سینوسی، گوسی و رشنال به این نقاط برازش داده شد. از بین توابع و داده های مورد مطالعه توابع رشنال با استفاده از PC های بدست آمده از تصاویر سنجنده های ETM+ و SWIRمناسبترین نتایج را با خطای5% و ضریب R2 بیش از 50%بدست آوردند. واژه های کلیدی: کربن آلی، سنگ منشا نفت، خط خاک، تحلیل مولفه های اصلی، رگرسیون خطی، رگرسیون کمترین مربعات
- Abstract
- Total Organic Carbon (TOC) is one of the important indicators used to explore hydrocarbon resources. TOC analysis is utilized to study the source rocks which have hydrocarbon or have the capacity to produce hydrocarbon. TOC sampling and chemical analysis are time consuming and expensive particularly in vast areas. On the other hand, due to existing limitations to access to arduous areas or areas with tough climate, it is not possible to get sufficient sampling. To alleviate the mentioned limitations, remote sensing technology can be used as a practical solution to remove some parts of the problems. Some advantages of remote sensing technology when comparing with field studies are its synoptic view, repeatability, accessibility, time-conservation, non-destructive, and cost effectiveness. Initially, in order to identify and select appropriate bands, a sensitivity analysis has been performed using in situ TOC measurments. Then, a relationship has been established between the amount of organic carbon measured in the field and the corresponding values in satellite images. To investigate this relationship between ground-based data and satellite-based data simple regression model and Partial Least Square Regression Model (PLSR) have been used. These regressions have been performed based on Soil Line Euclidean Distance, the gray levels values related to each pixel for each point, and the result of principal component analysis. In the next step, by using a retrieval polynomial regression, the points indicating the errors more than 5% were identified and again polynomial regression was performed for the remaining points and finally points with errors less than 5% were selected. Then, various models such as sine function, gaussian model, and rational function were used for regression to the points. Among the functions and data used, the rational function, using PC obtained from the ETM+ and SWIR images, showed the most appropriate results with sig value of 5% and R2 coefficient more than 50%. Key words: Organic carbon, oil source rock, soil line, principal component analysis, linear regression, least square regression
