نشاء علم

نشاء علم

نقش فناوری سنجش از دور در ارزیابی فلرینگ در صنایع نفت و گاز ایران

نوع مقاله : مقاله ترویجی

نویسندگان
المیرا اسدی فرد 1
سامره فلاحتکار 1
مهدی تنها زیارتی 2، 3
سید کاظم علوی پناه 4
1 دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، مازندران، ایران
2 ایمنی و محیط‌زیست، مؤسسه آموزش عالی فردوس رهجویان دانش، برازجان، بوشهر، ایران
3 گروه بهداشت، ایمنی و محیط زیست، منطقه ویژه اقتصادی انرژی پارس، عسلویه، بوشهر
4 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
چکیده
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.
کلیدواژه‌ها
فلرینگ
ایران
شناسایی
الگوریتم
سنجش از دور

عنوان مقاله English

The Role of Remote Sensing Technology in Flaring Assessment in Iran's Oil and Gas Industries

نویسندگان English

Elmira Asadi-Fard 1
Samereh Falahatkar 1
Mahdi Tanha Ziyarati 2 3
Seyed Kazem Alavipanah 4
1 Department of Environmental Sciences, Faculty of Natural Resources, Tarbiat Modares University, Noor, Iran
2 Department of Health, Safety and Environment Engineering, Ferdous Rahjoyan Danesh Higher Education Institute, Borazjan, Bushehr, Iran
3 Department of Health, Safety and Environment, Pars Special Economic Energy Zone, Bushehr, Iran
4 Professor in Department of Remote Sensing and Geographic Information System, Faculty of Geography, University of Tehran,Iran. & Member of Unesco Chair in Interdisciplinary Studies in Diabetes.
چکیده English

Abstract
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.

کلیدواژه‌ها English

Flaring
Iran
Detection
Algorithm
Remote Sensing
[1]. Sarkari, M., Jamshidi, B., Khoshooei, M. A., & Fazlollahi, F. (2022). Flare gas reduction: A case study of integrating regeneration gas in flash gas compression network, Fuel, Vol. 318, PP.1-11.
[2]. Aigbe, G. O., Cotton, M., & Stringer, L. C. (2023). Global gas flaring and energy justice: An empirical ethics analysis of stakeholder perspectives, Energy Research & Social Science, Vol. 99, PP.1-17.
[3]. Faruolo, M., Caseiro, A., Lacava, T., & Kaiser, J. W. (2021). Gas flaring: a review focused on its analysis from space. IEEE geoscience and remote sensing magazine, Vol. 9, No.1, PP. 258-281.
[4]. Clemente-Reyes, A., Martin-Del-Campo, C., Nelson, P. F., & Duran-Moreno, A. (2023). A comparative assessment of open flame flares and enclosed ground flares for cleaner and safer hydrocarbon production in Mexico, Cleaner Engineering and Technology, Vol.16, PP.1-16.
[5]. Motte, J., Alvarenga, R. A., Thybaut, J. W., & Dewulf, J. (2021). Quantification of the global and regional impacts of gas flaring on human health via spatial differentiation, Environmental Pollution, Vol. 291, PP.1-6.
[6]. Orisaremi, K. K., Chan, F. T., Chung, S. H., & Fu, X. (2022). A sustainable lean production framework based on inverse DEA for mitigating gas flaring, Expert Systems with Applications, Vol. 206, PP. 1-13.
[7]. شعبانی، احمد. (1403). کربن دی اکسید: مهار، مدیریت و استفاده بهینه از آن. نشاء علم، دوره 15، شماره 1، صص43-59.
[8]. وهاب پور، امیر.، شجاعی، سیدمحمد.، طهماسب زاده، محمد.، رسولی، فاطمه. (1397). بررسی آثار محیط زیستی گاز مشعل در ایران و اهمیت آن در راستای تعهدات کشور در توافق پاریس.‎ فصلنامۀ مطالعات راهبردی سیاست گذاری عمومی، دوره 8، شماره 27، صص 133-154.
[9]. Egwurugwu, J. N., Nwafor, A., & Ezekwe, S. (2013). Impacts of prolonged exposure to gas flares on some blood indices in humans in the Niger Delta Region, Nigeria. Archives of Applied Science Research, 2013, Vol. 5, No. 1, PP. 98-104.
[10]. https://www.worldbank.org/en/programs/gasflaringreduction.
[11]. Saeed, M., Roayaei, E., Jazayeri, M.R., Saboormaleki, M., Minaei, M. & National Emadi, M.A. (2012). Database of CO2 Emission Sources and Analysis of Geological Structures for a Carbon Sequestration Project in Iran. SPE Middle East Health, Safety, Security, and Environment Conference and Exhibition, Abu Dhabi 2-4 April 2012.  Society of Petroleum Engineers, PP.1-10.
[12]. Wu, W., Liu, Y., Rogers, B. M., Xu, W., Dong, Y., & Lu, W. (2022). Monitoring gas flaring in Texas using time-series sentinel-2 MSI and landsat-8 OLI images, International Journal of Applied Earth Observation and Geoinformation, 114, PP.1-12.
[13]. Anejionu, O. C., Blackburn, G. A., & Whyatt, J. D. (2015). Detecting gas flares and estimating flaring volumes at individual flow stations using MODIS data, Remote Sensing of Environment, Vol. 158, PP. 81-94.
[14]. Zhang, X., Scheving, B., Shoghli, B., Zygarlicke, C., & Wocken, C. (2015). Quantifying Gas Flaring CH4 Consumption Using VIIRS, Remote sensing, Vol. 7, No. 8, PP. 9529-9541.
[15]. Chowdhury, S., Shipman, T., Chao, D., Elvidge, C. D., Zhizhin, M., & Hsu, F. C. (2014, July). Daytime gas flare detection using Landsat-8 multispectral data, In 2014 IEEE Geoscience and Remote Sensing Symposium (pp. 258-261). IEEE.
[16]. Liu, Y., Zhi, W., Xu, B., Xu, W., & Wu, W. (2021). Detecting high-temperature anomalies from Sentinel-2 MSI images, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 177, PP. 174-193.
[17]. Faruolo, M., Falconieri, A., Genzano, N., Lacava, T., Marchese, F., & Pergola, N. (2022a). A daytime multisensor satellite system for global gas flaring monitoring, IEEE Transactions on Geoscience and Remote Sensing, Vol. 60, PP. 1-17.
[18]. Faruolo, M., Genzano, N., Marchese, F., & Pergola, N. (2022b). A tailored approach for the global gas flaring investigation by means of daytime satellite imagery, Remote Sensing, Vol. 14, No. 24, PP. 1-18.
[19]. Asadi-Fard, E., Falahatkar, S., Tanha Ziyarati, M., Zhang, X., & Faruolo, M. (2023). Assessment of RXD Algorithm Capability for Gas Flaring Detection through OLI-SWIR Channels, Sustainability, Vol.15, No. 6, PP.1-20.
[20]. اسدی فرد، المیرا.، فلاحتکار، سامره.، تنها زیارتی، مهدی.، (1403). ارزیابی و مقایسه پتاسیل دو الگوریتم RXD و NHI برای شناسایی ناهنجاری های حرارتی مشعل سوزی با استفاده از باندهای مادون قرمز با طول موج کوتاه ماهواره لندست 8، پژوهش های جغرافیای طبیعی، شماره 56، دوره  1، صص 103-122.‎
[21]. رکنی، زهرا. (1403). برآورد حجم گاز مشعل سوزی با استفاده از الگوریتم BTE و MOVET در استان‌های بوشهر و خوزستان. پایانامه ارشد مهندسی محیط زیست گرایش ارزیابی و آمایش سرزمین، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس.
[22]. Elvidge, C.D., Ziskin. D., Baugh, K.E., Tuttle, B.T., Ghosh, T., Pack, D.W., Erwin, E.H., & Zhizhin, M. (2009). A fifteen year record of global natural gas flaring derived from satellite data, Energies, Vol.2, No. 3, PP. 595-622.
[23]. Elvidge, C.D., Zhizhin, M., Baugh, K., Hsu, F., Ghosh, T. (2015). Methods for Global Survey of Natural Gas Flaring from Visible Infrared Imaging Radiometer Suite Data, Energies, Vol. 9, No.14, PP. 1-15.
[24]. Faruolo, M., Coviello, I., Filizzola, C., Lacava, T., Pergola, N., Tramutoli, V. (2014). A satellite-based analysis of the Val d’Agri Oil Center (southern Italy) gas flaring emissions, Natural Hazards and Earth System Sciences, Vol. 14, No.10, PP. 2783–2793.
[25]. Faruolo, M., Lacava, T., Pergola, N., & Tramutoli, V. (2018). On the potential of the RST-FLARE algorithm for gas flaring characterization from space, Sensors, Vol.18, No.8, PP. 1–21.
[26]. Faruolo, M., Lacava, T., Pergola, N., & Tramutoli, V. (2020). The VIIRS-Based RST-FLARE Configuration: The Val d’Agri Oil Center Gas Flaring Investigation in Between 2015–2019, remote sensing, Vol. 12, No. 819, PP. 2-20.
[27]. Asadi‐Fard, E., Falahatkar, S., Tanha Ziarati, M., & Zhang, X. (2024a). A new perspective on estimation of gas flaring volume from space: OLI/TIRS, VIIRS, and TROPOMI. Journal of Geophysical Research: Atmospheres, Vol. 129, No.11, PP. 1-12.
[28]. Asadi-Fard, E., Falahatkar, S., Tanha Ziyarati, M., & Zhang, X. (2024b). A new achievement of satellite-based gas flaring volume estimation: decision tree modeling, Earth Science Informatics, PP.1-15.

  • تاریخ دریافت 14 مهر 1404
  • تاریخ بازنگری 01 آبان 1404
  • تاریخ پذیرش 15 آبان 1404