بنیاد پیشبرد علم و فن آوری ایران نشاء علم 2008-935X 15 2 2025 12 01 The Role of Remote Sensing Technology in Flaring Assessment in Iran's Oil and Gas Industries نقش فناوری سنجش از دور در ارزیابی فلرینگ در صنایع نفت و گاز ایران 159 165 731739 FA المیرا اسدی فرد دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران 0009-0008-5679-4686 سامره فلاحتکار دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران 0000-0001-9283-0201 مهدی تنها زیارتی ایمنی و محیط‌زیست، مؤسسه آموزش عالی فردوس رهجویان دانش، برازجان، بوشهر، ایران گروه بهداشت، ایمنی و محیط زیست، منطقه ویژه اقتصادی انرژی پارس، عسلویه، بوشهر سید کاظم علوی پناه گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران و عضو همکار کرسی یونسکو در تحقیقات بین رشته ای دردیابت در دانش Journal Article 2025 10 06 Abstract<br>The flaring process or burning unwanted gases with highly flammable during oil and gas extraction and processing has numerous environmental and public-health consequences. Therefore, comprehensive investigations in this field are important. According to a Global worldwide report, the annual flaring rate is approximately 170 billion cubic meters, which leads to the emission of 300–400 million tons of CO₂ and air pollutants such as SOₓ, NOₓ, and volatile organic compounds (VOCs), and particulate matter into the atmosphere. As a result, beyond exacerbating climate change and acid rain, these emissions adversely affect human health through respiratory and cardiovascular diseases and cancer. In this paper, we presented and investigated the various algorithms applied for detecting thermal anomalies from flares and estimating flared-gas volumes at both global and national scales based on remote-sensing data. In one of the industrial regions in southern Iran (the Pars Special Energy Economic Zone), the RXD and NHI algorithms demonstrated high accuracy in detecting the thermal anomalies due to flame if flare. For estimating the volumes of gas flare, we compared three multivariable linear regression, artificial neural network, and decision-tree models, using data from the radiance of several satellites including Landsat 8 (bands 6, 7, 10, and 11), Suomi-NPP /VIIRS (M10 band), and Sentinel-5P pollution products. The results showed that the neural-network model outperformed the others. We conclude that by applying appropriate methods such as machine learning in comprehensive remote-sensing information, it is possible to fill existing data gaps in this field and take effective steps toward improved management. فرآیند فلرینگ یا سوزاندن گازهای ناخواسته و بسیار اشتعال پذیر در زمان استخراج و فرآوری نفت و گاز، پیامدهای زیست‌محیطی و بهداشتی فراوانی دارد. در نتیجه بررسی‌های جامع در این رابطه بسیار حائز اهمیت است. نرخ فلرینگ سالانه در سطح جهان حدود ۱۷۰ میلیارد متر مکعب گاز توسط بانک جهانی گزارش شده است که منجر به انتشار ۳۰۰–۴۰۰ میلیون تن CO₂ و مقادیر قابل‌توجهی از SOₓ، NOₓ، VOC و ذرات معلق به جو می‌شود. در نتیجه علاوه بر تشدید پدیده تغییر اقلیم و باران اسیدی، سلامت انسان را از طریق بیماری‌های تنفسی، قلبی‌عروقی و سرطان تحت تأثیر قرار می‌دهد. در این راستا در این مقاله به ارائه و بررسی توانایی الگوریتم‌های استفاده شده در زمینه شناسایی ناهنجاری‌های حرارتی ناشی از شعله فلرها و برآورد حجم گازهای فلر شده در سطح جهانی و در سطح ملی بر پایه داده‌های سنجش از دوری پرداخته است. در یکی از مناطق صنعتی جنوب کشور (منطقه ویژه اقتصادی انرژی پارس)، الگوریتم‌های RXD و NHI در زمینه‌ی شناسایی ناهنجاری‌های حرارتی ناشی از شعله فلرها از خود دقت بالای را نشان دادند. از سوی دیگر در بخش برآورد حجم گازهای فلر شده از سه مدل رگرسیون چند متغیر خطی، شبکه عصبی مصنوعی و درخت تصمیم بر پایه مقادیر رادیانس ماهواره‌های مختلفی از جمله لندست 8 (باند 6، 7، 10 و 11)، ماهواره Suomi-NPP (باند M10- سنجنده VIIRS) و محصولات آلودگی ماهواره سنتینل- 5P استفاده شد که نتایج حاکی از عملکرد بسیار خوب مدل شبکه عصبی در این بخش را داشت. در نتیجه امید است که با بهره‌گیری از روش‌های مناسب مانند یادگیری ماشین بر پایه‌ی اطلاعات جامع سنجش از دوری بتوان خلاءهای اطلاعاتی موجود در این حوزه را برطرف کرده و در زمینه مدیریت آن گام مؤثری برداشت. https://www.sciencecultivation.ir/article_731739_2bddb790f995af19929bb388e8d68458.pdf