Bureau El Moustapha Consulting (BEMC)

MASTER GÉOMATIQUE APPLIQUÉE AUX

GÉOSCIENCES ET À L'ENVIRONNEMENT
2019 - 2020

MÉMOIRE DE STAGE DE FIN D'ÉTUDES

Utilisation de la télédétection et de la modélisation

informatique dans le processus d’alerte précoce pour
la lutte contre la pollution marine

Cas de déversement de pétrole d’AL Khafji

Présenté par : EBOU MOHAMED LEMINE

Soutenu le ../09/2021 devant le jury composé de :

Pr. HAKDAOUI MUSTAPHA Encadrant interne

Pr. MOHAMED AHMED SIDI CHEIKH Encadrant externe
Pr. …………………………..……………………. Examinateur
Pr. …………………………..……………………. Examinateur
 Résumé
La présente étude examine un événement de déversement d'hydrocarbures dans la région d'Al
Khafji, Les données de déversements ont été analysées à l'aide des données du satellite Sentinel-1.
Le modèle général GNOME (Operational Modeling Environment) de la NOAA (National Oceanic
and Atmospheric Administration) est utilisé pour la production de trajectoire de déversement
d'hydrocarbure, et les processus d'altération des déversement d'hydrocarbure. Le radar à synthèse
d'ouverture (SAR) est reconnu comme l'outil de télédétection le plus important pour la surveillance,
l'enregistrement, la documentation et la diffusion des déversements d'hydrocarbures en mer et dans
les eaux océaniques. Les déversements d'hydrocarbures ont été détectés et caractérisés en utilisant
les images SAR dans le Golfe Persique.
Les résultats de cette étude concluent que la détection des déversements d'hydrocarbures par SAR
est une technique rentable et peut être utilisée pour la cartographie des déversements
d'hydrocarbures.

Mots clés : Détection des déversements d’hydrocarbures, Trajectoire des marées noires, GNOME
model, Radar à ouverture synthétique (SAR), GIS, SNAP, Golfe Persique
 Dédicace

Je dédie ce travail
A ma très chère mère
Quoi que je fasse ou que je dise, je ne saurai point te remercier comme il se doit. Ton affection me
couvre, ta bienveillance me guide et ta présence à mes côtés a toujours été ma source de force pour
affronter les différents obstacles.
A mon très cher père
Tu as toujours été à mes côtés pour me soutenir et m’encourager.
Que ce travail traduit ma gratitude et mon affection.
A mes très chers frères BASTAMI et MOHAMED M’BARECK
Puisse Dieu vous donne santé, bonheur, courage et surtout réussite
 Remerciement

En guise de reconnaissance, je tiens à témoigner mes sincères remerciements à toutes les personnes
qui ont contribués de près ou de loin au bon déroulement de mon stage de fin d’étude et à l’élaboration
de ce modeste travail.
Mes sincères gratitudes à M. MOHAMED AHMED SIDI CHEIKH pour son encadrement et la
qualité de son enseignement, ses conseils et son intérêt incontestable qu’il porte à tous les étudiants.
Merci également à M. HAKDAOUI MUSTAPHA, pour avoir accepté la supervision de mon sujet de
recherche et pour ses précieux conseils et orientations.
Enfin, je n’oserais oublier de remercier tout le corps professoral du Master Géomatique Appliquée
aux Géosciences et L’environnement, pour le travail énorme qu’il effectue pour nous créer les
conditions les plus favorables pour le déroulement de nos études.
Table des matières
Dédicace ............................................................................................................................................................................. 3
Remerciement ..................................................................................................................................................................... 4
Table des matières………………………………………………………………………………………………………….5
Liste des figures .................................................................................................................................................................. 7

Liste des tables.................................................................................................................................................................... 8

Introduction ........................................................................................................................................................................ 1
Chapitre I : .......................................................................................................................................................................... 4
Détection et Cartographie du pétrole sur une surface d'eau......................................................................................... 4
1 Utilisation des techniques optiques ............................................................................................................................ 4
1.1 Utilisation du spectre visible ............................................................................................................................. 4
1.2 Utilisation de l’infrarouge ................................................................................................................................. 6
1.3 Le proche infrarouge ......................................................................................................................................... 9
1.4 Ultraviolet ......................................................................................................................................................... 9
2 Satellites fonctionnant dans le domaine optique ...................................................................................................... 10
3 Laser fluorosensor .................................................................................................................................................... 11
4 Les capteurs à micro-ondes ...................................................................................................................................... 12
4.1 Les radiomètres passifs à micro-ondes ............................................................................................................ 13
4.2 Radar ............................................................................................................................................................... 13
4.3 Systèmes radar par satellite ............................................................................................................................. 15
5 L'objective d'étude……………………………………………………………………………...................................16
Chapitre II ......................................................................................................................................................................... 17
Matériels et méthode ...................................................................................................................................................... 17
1 Zone d’étude…………………………………………………………………………………………………………17
2 Source des données…………………………………………………………………………………………………..18
3 Méthode………………………………………………………………………………………...................................18
4 Les données utilisées…………………………………………………………………………...................................19
5 Méthodologie…………………………………………………………………………………...................................20
6 Résultat………………………………………………………………………………………………………………20
i. Subset……………………………………………………………………………………………………22
ii. Speckle filter…………………………………………………………………………………………….22
iii. Run Oil spill detection algorithm..……..………………………………………………………………..24
iv. Conversion of band to dB…………………...….………………………………………………………..24
v. Oil spill profile plot…..…………………………………………………………………………………..26
vi. Elipsoide correction……………………..……………………………………………………………….28
vii. Exploitation dans ArcGis…………………………………..…………………………………………...29

Chapitre III ....................................................................................................................................................................... 30

Modèle de prévision de la trajectoire de la nappe ........................................................................................................ 30
1 Données océanographique…………………………………………………………………………………………...30
2 Méthodologie…………………………………………………………………………………………………….…..32
3 Résultat……………………………………………………………............................................................................33
Conclusion ........................................................................................................................................................................ 38
Bibliographie .................................................................................................................................................................... 39
 Liste des figures

Figure 1: Image Sentinel1 (SAR) acquise dans la région d'AL khafji en 2017.08.10. Les zones de marée noire sont
délimitées par un cercle rouge. ........................................................................................................................................... 3
Figure 2 : Image Sentinel-2 (Optique) acquise dans la région d'Al Khafji en 2017.08.11. (RGB) ..................................... 3
Figure 3 : Un exemple d'image de MODIS lors du déversement de DWH (Deepwater Horizon) dans le golfe du
Mexique aux États-Unis. Le capteur MODIS se trouve sur le satellite Aqua de la NASA. ................................................ 5
Figure 4: Un exemple d'image de MODIS lors du déversement de DWH (Deepwater Horizon) dans le golfe du Mexique
aux États-Unis. Le capteur MODIS se trouve sur le satellite Aqua de la NASA. ............................................................... 6
Figure 5 : Une photo visible d'une petite nappe d'essai. Le reflet du soleil sur la gauche confond l'interprétation des
bords glissants (photo d'Environnement Canada) ............................................................................................................... 7
Figure 6 : Une vue simultanée d'une nappe de test (illustrée à la figure 3), mais en utilisant l'IR. L'inclusion de
l'infrarouge crée un contraste supplémentaire entre la nappe et l'eau et supprime les paillettes du soleil (Photo
d'Environnement Canada). .................................................................................................................................................. 8
Figure 7: Spectres de fluorescence de plusieurs pétroles bruts légers après activation avec un laser de 308 nm
(Environnement Canada). Les spectres ont été obtenus dans un laboratoire .................................................................... 12
Figure 8: Images SAR (Sentinel 1) acquises le 2017.10.08 dans la région d'Al Khafji.(avant traitement) ...................... 14
Figure 9 : Liste de Capteurs SAR actuels ,source tableau ................................................................................................ 15
Figure 10: Carte de la zone d'étude (le système de référence des coordonnées de la carte est WGS84/UTM zone 39
Nord)................................................................................................................................................................................. 17
Figure 11: Methode de l’extaction de la nappe de petrole à partir de Sentinel-1 .............................................................. 20
Figure 12 : Visualisation dans le SNAP ............................................................................................................................ 21
Figure 13 : Visualisation dans le SNAP ............................................................................................................................ 22
Figure 14: Paramètres du Speckle Filter ........................................................................................................................... 23
Figure 15: Résultats de la correction du speckle. .............................................................................................................. 24
Figure 16: Résultats de la Transformation linéaire de la valeur dB. ................................................................................. 25
Figure 17: Un trace de profile pour l'événement de déversement. .................................................................................... 26
Figure 18 : Histogramme de la valeur dB pour l'objet de la marée noire et de la non marée noire .................................. 27
Figure 19 : Résultats de la correction de l'ellipsoïde. ....................................................................................................... 28
Figure 20: Carte de l’Extraction de la zone de la marée noire basée sur le traitement de images Radar. (Sentinel-1) ..... 29
Figure 21 : Paramètre de modélisation de la marée noire utilisé pour prédire le mouvement de la marée noire à l’aide de
GNOME............................................................................................................................................................................ 31
Figure 22: Organigramme de modélisation utilisé ............................................................................................................ 32
Figure 23 : Montre la localisation de la marée noire ainsi que les courants marées ......................................................... 33
Figure 24: Montre la localisation de la marée noire 12h après le déversement ................................................................ 34
Figure 25 : Montre l'emplacement de la marée noire 24h après le déversement .............................................................. 34
Figure 26 : Montre l'emplacement de la marée noire 48h après le déversement .............................................................. 35
Figure 27 : Montre l'emplacement de la marée noire 72h après le déversement .............................................................. 36
Figure 28 : Montre l'emplacement de la marée noire 72h après le déversement .............................................................. 37
 Liste des tables

Tableau 1: Spécifications techniques de la source de données ......................................................................................... 18

Tableau 2: propriétés de l’image satellite utilisée. ............................................................................................................ 19
Tableau 3: Paramètres océanographiques pour la modélisation au marée noire ............................................................... 31
Tableau 4: Paramètre de modélisation de la marée noire .................................................................................................. 31
 Introduction

Le commerce mondial, en particulier le transport de produits pétroliers, a augmenté rapidement avec

la révolution industrielle et est principalement soutenu par le transport maritime .Le pétrole en vrac
est transporté quotidiennement du fournisseur vers les lieux de consommation pour les besoins de
l'industrie, ce qui provoque parfois des accidents de navires entraînant des déversements
d'hydrocarbures. Les opérations illégales (lavage et nettoyage des réservoirs à terre), l'installation
d'usines sur le littoral et la rupture de pipelines menacent l'écologie marine et affectent
l'environnement côtier .Environ 380 millions de gallons de pétrole sont libérés dans les océans chaque
année en raison d'activités naturelles (infiltration des structures pétrolières du fond marin) et
anthropiques (accidents de navires, rupture de navires et mauvaises pratiques des plateformes
d'extraction de pétrole). On estime que près de 45 % de la pollution mondiale des océans par le pétrole
provient de sources humaines. Les déversements d'hydrocarbures résultant du transport du pétrole
représentent quant à eux 5 % de la pollution marine mondiale par les hydrocarbures. Le pétrole est le
principal polluant parmi les différents types de pollution des océans et constitue une véritable menace
pour l'environnement côtier. Le pétrole est très persistant et se dégrade très lentement, c'est pourquoi
l'huile minérale déversée forme des couches multiples à la surface de la mer et reste plus longtemps .
Cette couche cireuse (huile flottante) à la surface de la mer réduit la pénétration de la lumière du soleil
dans les couches d'eau inférieures. Par conséquent, la qualité de l'eau de mer se détériore en raison de
la pénétration limitée de la lumière, en particulier dans les zones de navigation intensive. (Werner ,
Benjamin , & Kan , 2017)
La surveillance et la détection des nappes d'hydrocarbures est un objectif très important de la
télédétection active et passive aussi bien dans les applications d'exploration que de protection de
l'environnement. La détection précise des déversements d'hydrocarbures et la prédiction de leur
trajectoire sont bénéfiques pour la pêche, la faune, la résolution des litiges en matière de responsabilité
et la gestion des ressources pour la surveillance et la conservation de l'écosystème marin. Les
techniques traditionnelles de surveillance des déversements d'hydrocarbures, telles que les enquêtes
aériennes ou sur le terrain, sont coûteuses et ne permettent pas d'identifier rapidement et efficacement
les zones de déversement. La télédétection a fait leurs preuves et a joué un rôle de soutien dans la
détection et la surveillance des déversements. Actuellement, les techniques actives et passives de
détection des déversements d'hydrocarbures sont largement utilisées. La télédétection passive utilise
les parties visibles, infrarouges et infrarouges thermiques du spectre électromagnétique pour la
détection des déversements d'hydrocarbures, la cartographie et la discrimination entre les différents
types d'hydrocarbures. Cependant, les techniques de télédétection passive sont affectées par la
couverture nuageuse, les reflets du soleil, le faible contraste et l'obscurité, malgré la disponibilité d'un
nombre croissant de plateformes open source. Ces dernières années, le radar à synthèse d'ouverture
(SAR) actif est utilisé pour la détection et la cartographie des déversements d'hydrocarbures en raison
de sa couverture jour/nuit, par tous les temps et sur une large zone. D'autre part, prédire le chemin du
pétrole déversé est tout aussi important que sa découverte, et avec l'avènement de nouveaux
programmes tels que OIL MAP, OSCAR, et GNOME, qui ont été utilisé dans de nombreux pays
( (Farzingohar,, Zelina Z., & Ibrahim²; Yasemi, , 2020) pour des cas similaires pour étudier et prédire
le chemin de pétrole déversée. Par conséquent, il est devenu possible de prendre des mesures
préalables pour réduire l'impact et le danger des hydrocarbures déversés sur le milieu marin.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 1

Dans ce cadre, la Société mauritanienne des hydrocarbures et du patrimoine minier (SMHPM) a lancé
en 2020 un programme pour faire des simulations de déversement des nappes des hydrocarbures. A
ce titre Ils sont envisagés d'acquérir des outils modernes pour le suivi et la modélisation des nappes
d’hydrocarbure.
Par conséquent, La méthodologie que je vais appliquer est basée sur (Radar), pour montrer
l’importance d’utilisation de télédétection active pour détecter les déversements d'hydrocarbures à
l'aide des données du satellite Sentinel-1 (S-1). et le logiciel GNOME pour la prévision du
mouvement de la marée noire et d'altération au-dessus de golfe persique.
Et puisque, heureusement, aucun cas récent de marée noire n'a été enregistré en Mauritanie j'ai voulu
choisir un cas réel comme ce qui s'est passé dans le golfe Persique. C'est un incident très connu et
récent qui s'est produit en 2017.
Mon travail est donc structuré comme suit. Je commence d’abord par un premier chapitre qui
comprend l’introduction et les détails du domaine d'étude. Le deuxième chapitre comprend les
données utilisées, la méthodologie et les résultats liés à la partie télédétection. Le troisième chapitre
comprend la partie modélisation et ses résultats. Et je termine par une conclusion

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 2

 Marée noire

Figure 1: Image Sentinel1 (SAR) acquise dans la région d'AL khafji en 2017.08.10. Les zones de marée noire sont
délimitées par un cercle rouge.

Marée noire

Figure 2 : Image Sentinel-2 (Optique) acquise dans la région d'Al Khafji en 2017.08.11. (RGB)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 3

 Chapitre I :

Détection et cartographie du pétrole sur une surface d'eau

La détection et la cartographie du pétrole à la surface de l'eau sont les utilisations les plus courantes
de la télédétection des déversements de pétrole. Ceci est réalisé en utilisant des moyens actifs ou
passifs.

1 Utilisation des techniques optiques

Le pétrole ne présente que des propriétés optiques mineures dans la région allant de l'ultraviolet au
proche infrarouge. Il s'agit de la réflectance différentielle et de l'absorbance entre l'huile et l'eau dans
la région spectrale donnée. Ces facteurs différentiels varient selon le type d'huile, le degré
d'évaporation de l'huile, les conditions météorologiques (y compris la teneur en humidité de l'air) et
l'ensoleillement. Les différentiels spectraux huile/eau détaillés n'ont pas été déterminés sur l'ensemble
du spectre visible. On ne pouvait pas identifier catégoriquement le pétrole en utilisant uniquement
des données optiques. (M. Fingas, *C.E. Brown2, 2017)

1.1 Utilisation du spectre visible

La partie visible du spectre électromagnétique va de 400 à 700 nm. Dans l'ensemble, l'huile présente
une réflectance modérément plus grande que l'eau, mais ne présente pas de tendances spécifiques
d'absorption ou de réflexion. De fines couches d'huile ou des reflets apparaissent argentés à l'œil
humain et réfléchissent la lumière sur une large gamme spectrale, jusqu'au bleu. Les couches d'huile
épaisses semblent être de la même couleur que l'huile en vrac, généralement brune ou noire. Dans
l'ensemble, le pétrole n'a pas d'informations spectrales spécifiques qui diffèrent de l'eau sur laquelle
le pétrole flotte. Par conséquent, les processus qui inspectent des régions spectrales particulières
n'améliorent pas la discrimination. Une méthode d'utilisation des spectres visibles consiste à utiliser
un scanner à balai-poussoir qui utilise un détecteur CCD et un système optique pour diriger les
éléments au sol vers différentes parties du détecteur CCD. Le signal résultant d'un tel scanner CCD
peut ensuite être traité ou amélioré pour produire les données souhaitées.
L'huile sur eau a un effet polarisant sur la lumière, donc regarder de l'eau huilée avec des lentilles
polarisées peut améliorer le contraste et donc la détection de l'huile. La lumière réfléchie par une
surface d'eau se réfléchit à 53 degrés (angle de Brewster), donc on peut améliorer le contraste en
réglant le détecteur à cet angle de Brewster (53 degrés par rapport à la verticale). Cette lumière
directement réfléchie par la surface contient le plus d'informations sur le pétrole de surface. Cette
technique peut augmenter le contraste jusqu'à 100 %.
Trois obstacles majeurs interfèrent avec l'utilisation de la lumière visible, de l'obscurité, de la
couverture nuageuse et du scintillement du soleil. Les paillettes du soleil, qui sont souvent confondues

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 4

avec les reflets d'huile, sont problématiques en télédétection visible. Le scintillement du soleil peut
être réduit grâce à des techniques de traitement du signal.
Les caméras vidéo sont largement utilisées pour la surveillance des déversements d'hydrocarbures.
Les modifications apportées aux caméras standard ont quelque peu amélioré les images, mais n'ont
pas considérablement amélioré la capacité de détection d'huile. Les caméras vidéo à éclairage
amélioré fonctionnent dans l'obscurité totale. Les tests de caméras de vision nocturne ont montré que
l'amélioration de la lumière peut fournir de bonnes images dans l'obscurité totale.
L'imagerie hyperspectrale est une technique consistant à utiliser un spectromètre pour collecter de
nombreuses images de la même cible à différentes longueurs d'onde. Les images hyperspectrales
impliquent des données étendues et nécessitent un traitement très avancé pour produire une image,
elles ne sont donc pas utiles pour la surveillance en temps réel. Une technique appelée démixage
spectral est couramment utilisée pour caractériser des pixels individuels. Cette technique devient
importante car la résolution spatiale des capteurs hyperspectraux peut atteindre plusieurs mètres et
différents types de matériaux cibles peuvent être enregistrés dans chaque pixel mesuré. La détection
hyperspectrale est de plus en plus utilisée à des fins environnementales générales, mais son
application aux déversements de pétrole reste faible.
En résumé, le spectre visible reste un domaine de recherche ainsi qu'une méthode économique de
surveillance des marées noires, notamment sur les opérations d'appui aux contre-mesures. La figure
1 et la figure 2 montrent des exemples d'une image visible de la marée noire de Deepwater Horizon
(États-Unis Golfe du Mexique). (M. Fingas, *C.E. Brown2, 2017)

Figure 3 : Un exemple d'image de MODIS lors du déversement de DWH (Deepwater Horizon) dans le golfe du Mexique
aux États-Unis. Le capteur MODIS se trouve sur le satellite Aqua de la NASA.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 5

Figure 4: Un exemple d'image de MODIS lors du déversement de DWH (Deepwater Horizon) dans le golfe du Mexique
aux États-Unis. Le capteur MODIS se trouve sur le satellite Aqua de la NASA.
(M. Fingas, *C.E. Brown2, 2017)

1.2 Utilisation de l’infrarouge

L'huile d'une épaisseur supérieure à environ 10 µm absorbe la lumière dans la région visible et en
réémet une partie dans le spectre infrarouge, principalement dans les longueurs d'onde de 8 à 14 µm.
L'huile chauffée à l'énergie solaire émettra un rayonnement infrarouge, car l'huile présente une
émissivité infrarouge supérieure à celle de l'eau. L'huile épaisse apparaît chauffée ou « chaude » par
rapport à l'eau environnante dans les images infrarouges, les couches d'huile d'épaisseur intermédiaire
semblent « froides » et les couches d'huile plus minces ou les reflets ne sont pas distingués. Les
épaisseurs de transition ne sont pas connues, mais il semble que la différence entre les couches «
froides » et « chaudes » se situe entre 50 et 150 µm et que l'épaisseur là moins détectable se situe
entre 10 et 70 µm. La raison de l'apparition de la nappe « froide » peut être qu'une couche d'huile de
20 à 50 µm sur l'eau provoque une interférence destructive des fronts d'onde IR, réduisant ainsi le
rayonnement thermique émis. Il a été démontré que cette interférence destructrice expliquait le « éclat
arc-en-ciel » dans le visible. La nappe froide implique alors des épaisseurs comprises entre 16 et 40
µm environ, car l'épaisseur minimale entraînant une interférence destructive est 2 fois la longueur
d'onde qui est comprise entre 8 et 10 µm. Il en résulte un début d'interférence destructrice de 16-20
μm à 4 longueurs d'onde ou 32-40 µm. La partie « froide » n'est observée que sur les déversements
frais ou d'essai, car seules les premières phases d'étalement du pétrole donnent l'épaisseur correcte
pour présenter la destruction de la longueur d'onde. Les nappes qui ont séjourné plus longtemps en

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 6

mer sont plus épaisses ou plus fines que 16 à 40 µm. Le seuil du phénomène « chaud » se situe à des
épaisseurs d'environ 50 µm, supérieures à celles montrées par la couche destructrice de 16 à 40 µm.
La détection infrarouge des déversements d'hydrocarbures utilise l'infrarouge thermique de longueurs
d'onde de 8 à 14 µm. Les recherches sur l'infrarouge 8-14 µm montrent qu'il n'y a pas de différences
spectrales avec l'épaisseur ou d'autres conditions. Les tests de caméras infrarouges nocturnes des
caméras infrarouges indiquent qu'il y a occasionnellement une détection d'huile (l'huile semble froide
sur un océan moins frais) ; cependant, la définition n'est pas aussi claire qu'en journée. Des images
diurnes de pétrole utilisant le visible et l'infrarouge sont présentées dans les figures 5 et 6.

Figure 5 : Une photo visible d'une petite nappe d'essai. Le reflet du soleil sur la gauche confond l'interprétation des bords
glissants (photo d'Environnement Canada)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 7

Figure 6 : Une vue simultanée d'une nappe de test (illustrée à la figure 3), mais en utilisant l'IR. L'inclusion de
l'infrarouge crée un contraste supplémentaire entre la nappe et l'eau et supprime les paillettes du soleil (Photo
d'Environnement Canada).

La détection infrarouge du pétrole n'est pas exempte d'interférences, car les objets naturels peuvent
apparaître comme du pétrole, tels que les algues, les sédiments, la matière organique, le rivage et les
fronts océaniques. D'autre part, les capteurs infrarouges sont bon marché et sont des outils de
télédétection qui sont facilement disponibles pour le travailleur d'intervention en cas de déversement
d'hydrocarbures. L'IR n'est pas capable de mesurer l'épaisseur de la nappe. (M. Fingas, *C.E. Brown2,
2017)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 8

1.3 Le proche infrarouge

Les bandes proche infrarouge (NIR) avec des longueurs d'onde de 0,75 à 1,4 m n'ont qu'un record de
courte durée dans les déversements de pétrole. Les bandes NIR sur les satellites MODIS et MERIS
et sur l'AVIRIS aéroporté ont été introduites et avec elles quelques recherches ont commencé sur les
applications des déversements d'hydrocarbures. La télédétection des marées noires à partir de ces
plateformes a été réalisée lors de la marée noire de Deepwater Horizon. Deux groupes de chercheurs
ont utilisé le NIR pour estimer l'épaisseur de l'huile en utilisant le fait que la réflexion dans le NIR
varie quelque peu avec l'épaisseur de l'huile. Soleil et al. Ont étudié les données AVIRIS NIR du
déversement de Deepwater Horizon pour définir la géométrie des nappes. Une conclusion importante
de cette étude est qu'une résolution minimale est nécessaire pour afficher avec précision les nappes
de pétrole. Il a été constaté que, lorsqu'une couverture fractionnée de 50 % de brillance d'huile était
requise, un capteur de résolution de 30 m était requis.
Le proche infrarouge a également été utilisé à d'autres fins de cartographie. Un groupe a délimité le
mazoutage résiduel des marais dans la baie de Barataria, en Louisiane, après la marée noire de
Deepwater Horizon en utilisant les données AVIRIS. La comparaison de la précision des données
AVIRIS interprétées sur la baie de Barataria a donné une précision de 87,5 à 93,3 % par rapport aux
données de vérité terrain. On a constaté que le mazoutage du littoral s'étendait sur 10,5 m dans le
marais et montrait un mazoutage réduit avec une séparation croissante du rivage. D'autres ont
trouvé des spectres de réflectance spectrale dus à une émulsion par opposition à une huile non
émulsionnée. Des recherches supplémentaires sur l'utilisation du proche infrarouge sont nécessaires
pour étendre son application aux marées noires. (Carl & *Merv , 2014)

1.4 Ultraviolet

Le pétrole présente une forte réflectance de la lumière solaire dans l'UV. Les capteurs ultraviolets
ont été utilisés pour cartographier les reflets d'hydrocarbures parce que les reflets présentent une
forte réflectivité dans l'UV à de faibles épaisseurs (<0,1 µm). Les images superposées UV et IR ont
parfois été utilisées pour produire une carte d'épaisseur relative des hydrocarbures. Cette méthode
n'est actuellement pas utilisée, car les épaisseurs résultantes ne sont pas utiles pour les techniques de
nettoyage des déversements. Des mesures d'épaisseur de 0,5 à 10 mm sont nécessaires pour le
nettoyage des déversements d'hydrocarbures, ces épaisseurs sont supérieures de trois ordres de
grandeur à celles estimées à l'aide de l'IR, et celles indiquées par l'UV sont bien inférieures. Les
images ultraviolettes sont sujettes à de nombreuses similitudes avec les hydrocarbures, notamment
les nappes de vent, les reflets du soleil et les matières biogènes. On utilise moins les UV pour les
déversements d'hydrocarbures dans la télédétection d'aujourd'hui en raison de la faible pertinence
des fines nappes pour le nettoyage des déversements d'hydrocarbure. (Carl & *Merv , 2014)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 9

2 Satellites fonctionnant dans le domaine optique

L'application des images satellites visuelles pour les déversements d'hydrocarbures a été entreprise
au cours des dernières décennies. Historiquement, il n'y a eu qu'une poignée de satellites, tous ayant
un faible taux de passage, aussi peu qu'une fois tous les 26 jours, de sorte que le succès n'a été au
rendez-vous que les jours sans nuage où il y avait un passage. Les principaux problèmes étaient le
moment du passage des satellites et l'absence de nuages. La probabilité que le survol et le ciel dégagé
se produisent exactement au même moment donnait une faible chance de détection du pétrole.
Ce fait a été illustré lors de la marée noire de l'Exxon Valdez, qui a recouvert de vastes zones
maritimes pendant plus d'un mois. Il n'y a eu qu'un seul jour sans nuage qui correspondait à un
passage du satellite, et c'était le 7 avril 1989. L'autre problème historique était la disponibilité
d'algorithmes permettant de visualiser le pétrole plutôt que le fond. Pour la marée noire de l'Exxon
Valdez, les experts ont eu besoin de deux mois pour produire une bonne image de la marée noire,
Alors que les coordonnées de la nappe étaient connues avec précision. À l'heure actuelle, nous
disposons de nombreux satellites visuels et d'algorithmes facilement disponibles pour traiter les
données.
QuickBird, WorldView I et II, nouveaux satellites d'imagerie visuelle, couvrent désormais
fréquemment la planète. Les satellites multi-spectraux tels que MODIS et MERIS fournissent
maintenant des données à différentes longueurs d'onde. Pour l'observation de la terre. La détection
des hydrocarbures dans la région des longueurs d'onde visibles dépend des conditions
météorologiques, des types de pétrole, et des angles de vue. Les obstacles à l'imagerie visuelle sont
la couverture nuageuse et les reflets du soleil. Le scintillement du soleil est souvent grave et peut
parfois confondre une scène entière ; cependant, un certain nombre d'experts ont fait des progrès pour
éliminer le scintillement du soleil. Au cours de la marée noire de Deepwater Horizon, plusieurs
images visuelles ont été utilisées.
Les figures 3 et 4 en sont des exemples. Certains chercheurs ont utilisé les données MODIS pour
caractériser les marées noires. Une image multi-spectrale a été dérivée de MODIS et corrigée par un
système de classification supervisé pour améliorer et caractériser les hydrocarbures sur l'eau.
Des données infrarouges satellitaires ont été utilisées pour délimiter la pollution pétrolière terrestre
au Koweït. Les zones contaminées par les hydrocarbures présentaient une différence thermique de
10°C par rapport aux terres voisines non contaminées. Les données de terrain étaient une partie
essentielle du processus d'analyse. Des groupes ont utilisé les données IR du satellite AVHRR pour
cartographier les marées noires. Ces techniques utilisent généralement la différence de contraste IR
entre l'eau non polluée et l'eau polluée. Un autre groupe a utilisé les données MODIS SST
(température de surface de la mer) pour détecter les déversements d'hydrocarbures. (Camilla & *,
Anne H.S. , 2005)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 10

3 Laser fluorosensor

Les Laser fluorosensor utilisent des lasers ultraviolets pour rendre fluorescents les composés
aromatiques des huiles. La lumière est collectée par le fluorosensor à l'aide d'un télescope et d'un
détecteur sensible. Les données résultantes donnent un spectre propre à l'huile. La détection de l'huile
dans la colonne d'eau est limitée à une profondeur d'environ 2 m en eau claire avec une longueur
d'onde de 3085 nm en raison de l'atténuation du signal laser dans la colonne d'eau. Les fluorosensor
pour la détection sous-marine utilisent une technique pour ouvrir leurs détecteurs justes au moment
où les signaux reviennent de la cible sélectionnée. Cette technique est appelée "gating". Certains
fluorosensor sont capables d'ouvrir leurs détecteurs pour regarder sous la surface de la cible. Des
travaux ont été menés sur la détection d'hydrocarbures dans la colonne d'eau, comme c'est le cas avec
l'Orimulsion, un produit à base d'huile lourde dans l'eau (Brown et al., 2003). Ces travaux ont été
réalisés à l'aide d'un fluorosensor à grille qui examine les retours de signaux sous la surface de la
cible. Ce travail montre que les fluorosenseurs laser à porte (fonctionnant à 308 nm) sont capables de
détecter le pétrole dans la colonne d'eau jusqu'à 2 m de profondeur et facilement à 1 m dans une eau
claire. La pénétration dans les eaux turbides, la pénétration serait limitée à une profondeur moindre.
Transmet une onde de cisaillement. En outre, ces phénomènes présentent une dépendance angulaire
et peuvent être utilisés pour distinguer les nombreuses interférences dans la glace, telles que les bulles
d’air et l'huile. Cette technologie n'a cependant pas été poursuivie ou commercialisée. Des méthodes
de radiofréquence telles que le radar à pénétration de sol a été essayées pour les hydrocarbures sous
la glace et les hydrocarbures sous la neige. Cette méthode peut ne pas fournir une discrimination
suffisante pour une détection positive du pétrole dans les déversements réels. Plusieurs autres
systèmes de détection de pétrole dans la glace ont été évalués et testés, notamment la résonance
magnétique nucléaire, la détection par rayons gamma, les sondes acoustiques d'épaisseur standard,
les techniques de détection par fluor et la détection infrarouge augmentée. Chacune de ces méthodes
a montré son potentiel en théorie et certaines lors d'essais en bassin. Des développements et des tests
supplémentaires sur les méthodes proposées sont nécessaires. La technologie de détection des
hydrocarbures de surface par la glace a encore progressé. Avancée. Les Laser fluorosensor présentent
le plus grand potentiel pour la détection des hydrocarbures lorsque ceux-ci sont exposés à la surface.
Le potentiel est très limité pour les techniques optiques, en particulier pour les techniques infrarouges.
Les radars et les micro-ondes ne présentent pas de potentiel pour cette application. (Kristina &
*Vaidotas , 2016)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 11

Figure 7: Spectres de fluorescence de plusieurs pétroles bruts légers après activation avec un laser de 308 nm
(Environnement Canada). Les spectres ont été obtenus dans un laboratoire

4 Les capteurs à micro-ondes

Les capteurs à micro-ondes sont en train de devenir les capteurs les plus utilisés pour la télédétection
des déversements d'hydrocarbures, en particulier les capteurs actifs tels que les radars.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 12

4.1 Les radiomètres passifs à micro-ondes

Les radiomètres passifs à micro-ondes détectent la présence d'un film d'huile sur l'eau en mesurant la
réflexion de la surface excitée par le rayonnement provenant de l'espace. Le facteur d'émissivité
apparent de l'eau est de 0,4, contre 0,8 pour l'huile. Un radiomètre à micro-ondes passif peut détecter
cette différence d'émissivité et peut donc être utilisé pour détecter l'huile. En outre, comme le signal
change avec l'épaisseur, l'appareil peut être utilisé pour mesurer l'épaisseur. Les matériaux biogènes
interfèrent également et le rapport signal/bruit est faible. En outre, il est difficile d'obtenir une haute
résolution spatiale. On a besoin d'une résolution en mètres plutôt que des dizaines de mètres typiques
d'un radiomètre. Dans le passé, des efforts considérables ont été déployés dans ce domaine. De
nombreux systèmes ont été utilisés dans le passé avec des résultats généralement positifs. L'accent a
généralement été mis sur l'utilisation de fréquences multiples pour mesurer l'épaisseur. Ce sujet sera
abordé plus en détail plus loin dans ce document. Plusieurs chercheurs se sont concentrés sur
l'utilisation des micro-ondes passives pour imager les nappes de pétrole en tant qu'outil de
télédétection. (Carl & *Merv , 2014)

4.2 Radar

Les ondes capillaires sur l'océan réfléchissent l'énergie radar, produisant une image "brillante" connue
sous le nom de "fouillis de mer". Comme les hydrocarbures à la surface de la mer amortissent les
ondes capillaires, la présence d'une nappe d'hydrocarbures peut être détectée comme une mer
"sombre" ou une mer dépourvue de ce fouillis. Malheureusement, les nappes de pétrole ne sont pas
les seuls phénomènes qui sont détectés de cette manière. Il existe de nombreuses interférences ou
fausses cibles, y compris les nappes d'eau douce, les nappes de vent (calmes), les ombres des vagues
derrière la terre ou les structures, les lits d'algues peu profonds qui calment l'eau juste au-dessus d'eux,
la farine glaciaire, les huiles biogènes et le sperme des baleines et des poissons. Par conséquent,
l'efficacité du radar peut être marginale dans des endroits tels que le Prince William Sound, en Alaska,
où des dizaines d'îles, d'affluents d'eau douce, de glace et d'autres caractéristiques produisent des
centaines de fausses cibles. Un groupe a montré que même avec un traitement approfondi, les fausses
cibles sur les images SAR (radar à ouverture synthétique) étaient de 20 %, c'est-à-dire que 20 % des
images signalées comme étant du pétrole étaient toujours des sosies. Malgré ces limitations, le radar
est un outil important pour la télédétection des déversements d'hydrocarbures car c'est le seul capteur
qui peut être utilisé pour la recherche de grandes zones et c'est l'un des rares capteurs qui peut détecter
des anomalies la nuit et à travers les nuages ou le brouillard. Les deux principaux types de radars
imageurs qui peuvent être utilisés pour détecter les déversements d'hydrocarbures et pour la
télédétection environnementale en général sont le SAR et le radar aéroporté à visée latérale (SLAR).
Ce dernier est une technologie plus ancienne, mais moins coûteuse, qui utilise une longue antenne
pour obtenir une résolution spatiale. Le SAR utilise le mouvement vers l'avant de l'avion pour
synthétiser une longue antenne, ce qui permet d'obtenir une très bonne résolution spatiale,
indépendante de la portée, avec l'inconvénient de nécessiter un traitement électronique sophistiqué.
Bien qu'intrinsèquement plus coûteux, le SAR a une portée et une résolution supérieures à celles du
SLAR. Des tests Le SLAR a prédominé dans la télédétection aérienne des déversements
d'hydrocarbures, principalement en raison de son prix moins élevé. Des travaux expérimentaux sur
les marées noires ont montré que le radar en bande X donne de meilleures données que le radar en

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 13

bande L ou C. Il existe plusieurs polarisations différentes basées sur la propagation verticale (V) et
horizontale (H) des ondes électromagnétiques. En général, la transmission et la réception sont de la
même polarité, c'est-à-dire VV ou HH. Mais, en réalité, il existe quatre pôles : HH, VV, HV et VH.
L'utilisation de ces quatre pôles est appelée quadripôle. Il a également été démontré que la verticale.
Il a également été démontré que les polarisations verticales des antennes, tant en émission qu'en
réception (VV), donnent de meilleurs résultats pour la détection des hydrocarbures que les autres
configurations. Certains chercheurs ont noté que la polarisation VV tend à être plus adaptée à la
détection de la pollution par les hydrocarbures lorsque les vents sont forts et la polarisation HH
lorsque les vents sont faibles, bien qu'il s'agisse d'observations. Cependant, la dépendance de la
polarisation HH par rapport à l'angle d'incidence est plus importante que celle de la polarisation VV.
Cela signifie que si l'angle d'incidence est petit, la différence d'intensité entre les polarisations HH et
VV est faible, mais si l'angle d'incidence est grand, l'image VV sur la mer est plus lumineuse que
l'image HH. Cela suggère que l'image VV est généralement meilleure pour détecter les marées noires.
En résumé, le radar optimisé pour les déversements d'hydrocarbures est utile pour la télédétection des
déversements d'hydrocarbures, en particulier pour la recherche de grandes zones et pour le travail de
nuit ou par mauvais temps. Cette technique est cependant très sujette aux fausses cibles et est limitée
à une gamme étroite de vitesses de vent. En raison de sa capacité à fonctionner par tous les temps et
de jour comme de nuit, le radar est désormais le moyen le plus courant de télédétection des
déversements d'hydrocarbures. (M. Majidi , D. Groppi, P. Marzialetti, G. Piras , & G. Laneve, 2018)

Figure 8: Images SAR (Sentinel 1) acquises le 2017.10.08 dans la région d'Al Khafji.(avant traitement)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 14

4.3 Systèmes radar par satellite

Il existe actuellement de nombreux systèmes radar différents, offrant aux scientifiques un choix de
configurations, de bandes et de polarisations. Certaines de ces études et certains de ces systèmes
seront décrits ici.
Le tableau 1 énumère certains des satellites radar actuels et proposés. La plupart des satellites radar
ont une variété de couvertures, une variété de résolutions et de polarisations. Comme la plupart des
satellites radar sont conçus pour une durée de vie de 5 ans, la série de satellites disponibles est en
constante évolution. Certains satellites ont duré 17 ans et d'autres un 3 ans seulement.

Figure 9 : Liste de Capteurs SAR actuels ,source tableau

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 15

 5. Objectif de l’étude

L'objectif de cet etude est de montrer comment détecter et cartographier les déversements
d'hydrocarbures en utilisant des données d'imagerie SAR Sentinel 1 disponibles gratuitement. La
marée noire est automatiquement détectée à l'aide de l'outil de détection des marées noires de la
plateforme d'application Sentinel (SNAP).

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 16

 Chapitre II

Matériels et méthode

1. Zone d’étude

Le golfe Persique couvre une superficie d'environ 251 000 kilomètres carrés et il est relié au golfe
d'Oman à l'est par le détroit d'Ormuz. Sa longueur est d'environ 989 kilomètres et ses frontières
comprennent l'Iran, l'Arabie Saoudite, le Koweït, le Qatar, les Émirats, le Bahreïn, Oman et l'Irak.
Ras Al Khafji ou Al Khafji (Fig 10) est une zone importante pour l'extraction du pétrole qui a été
partagée entre le Koweït et l'Arabie Saoudite. En fait, elle est considérée comme une zone neutre ; en
raison de cette caractéristique particulière, dans l'histoire récente, elle a été l'une des principales
raisons de la guerre du Golfe persique au début des années 90, la bataille de Khafji. Elle se trouve à
la frontière entre l'Arabie Saoudite et le Koweït dans le Golfe Persique, ses coordonnées précises sont
28º 25' N et 48º 30' E. (Oil Spill Detection Analyzing “Sentinel 2” Satellite Images: A Persian Gulf
Case, 2018)

Figure 10: Carte de la zone d'étude (le système de référence des coordonnées de la carte est WGS84/UTM zone 39
Nord)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 17

 2. Sources des données

Les images SAR Sentinel 1 sont obtenues gratuitement auprès de l'Agence spatiale européenne (ESA)
dans le cadre de la politique d'accès libre aux données de l'ESA. Le Sentinel Data Hub de l'ESA est
un navigateur de données en ligne qui nous a permis d'explorer les scènes satellitaires disponibles, la
visualisation en ligne et l'inspection avant le téléchargement réel pour le traitement. Ce navigateur en
ligne est efficace et permet de gagner du temps pour le traitement de données inutiles.
Le tableau 1 illustre les spécifications techniques des images SAR Sentinel 1 utilisées dans cette
recherche. Les capteurs SAR ont la compétence technique de capturer des images avec certains
éléments techniques uniques tels que la polarisation qui soutient la géométrie de la pointe du vecteur
électrique, l'angle d'incidence qui soutient la relation angulaire entre le faisceau radar et la cible au
sol, et la résolution de l'image qui reflète la taille du plus petit détail identifiable sur une image. (Islam,
Mohamed , Abdulaziz , & Elham , 24 April 2020)

Tableau 1: Spécifications techniques de la source de données

item Caractéristiques techniques
Satellite (sensor) Sentinel-1A, 1B
Band C
Polarization VV
Wavelength 5.5 cm
Acquisition Mode Interferometric Wide Swath (IW)
Product Type Ground Range Detected (GRD)
SwathWidth (km) 250
Incidence Angle (°) 29.1–46
Repeat Frequency 2–6 days

3. Méthode

Il existe trois approches pour traiter les données brutes à des fins de détection des déversements
d'hydrocarbures : l'approche entièrement automatisée, l'approche semi-automatisée et l'approche
manuelle. La détection des déversements d'hydrocarbures dans l'environnement marin est une tâche
complexe qui ne peut être entièrement automatisée et qui nécessite une intervention humaine dans le
processus de détection. Le site approche manuelle est la plus couramment utilisée et est réalisée par
des opérateurs expérimentés formés à l'exploration des images SAR pour détecter les déversements
probables d'hydrocarbures. Malheureusement, cette approche prend beaucoup de temps et le niveau
de confiance est basé sur l'interprète et son expérience personnelle. Les approches semi-automatiques
et entièrement automatisées intègrent les connaissances des experts dans un algorithme automatique
pour gagner du temps. Ces approches sont complexes et peu développées car elles nécessitent de
nombreux ensembles de données d'entraînement pour le classificateur. Il s'agit d'une méthode rentable

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 18

pour la surveillance de vastes zones maritimes par rapport à l'approche manuelle. Par conséquent,
dans cette recherche, une approche semi-automatique est adoptée et une méthodologie est développée
pour réaliser cette approche.
Les données brutes sont traitées pour cartographier les déversements probables d'hydrocarbures selon
le cadre du modèle illustré à la figure 3 dans une approche manuelle utilisant la boîte à outils du
logiciel Sentinel Application Platform (SNAP).
Le modèle extrait les taches sombres qui peuvent être des déversements d'hydrocarbures en se basant
sur la différence de contraste dans l'image en utilisant un seuil prédéterminé.

4. Les données utilisées

Dans cette étude, l'imagerie Sentinel 1 (SAR) a été initialement utilisée pour identifier la marée
noire dans la zone d’étude.

Tableau 2: propriétés de l’image satellite utilisée.

satellite(capture) Date Time(hh,mn) Resolution spatial Nom

Sentinel-1 10-08-2017 02:47 10 m S1A_IW_GRDH_1SDV_20170810T024714_F48C

(SAR)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 19

 5. Méthodologie

Image sentinel-1 (via the Copernicus Open Access Hub)

Using Sentinel Application

platform

Subset

Speckle filter

Conversion of Band to dB

Oil spill profile plot

Ellipsoid correction

Exploitation en ArcGIS

Calcul de surface de la nappe

Extraction de la nappe
d’hydrocarbure

Figure 11: Methode de l’extaction de la nappe de petrole à partir de Sentinel-1

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 20

 6. Résultat

Les capacités de détection par tous les temps, de jour et de nuit, la couverture spatiale, le temps de
revisite et la diffusion du signal SAR sont quelques-unes des caractéristiques qui permettent d'utiliser
Sentinel-1 comme source de données.

Figure 12 : Visualisation dans le SNAP

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 21

 i. Subset :

Puisque notre zone d'intérêt (ZI) est assez petite et qu'il n'est pas nécessaire de traiter l'image entière,
nous découpons la scène selon notre zone d’intérêt. Cela réduira le temps de traitement dans les étapes
suivantes et c’est recommandé lorsque l'analyse ne porte que sur une zone spécifique et non sur la
scène complète.

Figure 13 : Visualisation dans le SNAP

ii. Speckle filter :

speckle Filter est un bruit grossier qui est généralement évident dans les images de radar actif et de
radar à ouverture synthétique (SAR) et qui en dégrade la qualité. Les ondes radar peuvent interférer
de manière constructive ou destructive pour produire des pixels clairs et sombres dans l'image radar.
Le bruit de chatoiement est couramment observé dans les systèmes de détection et les images radar,
bien qu'il puisse être observé dans la plupart des types d'images de télédétection utilisant un
rayonnement cohérent. Le bruit de chatoiement dans les données ou les images radar a une erreur
multiplicative et doit être éliminé avant que les données puissent être utilisées, sinon le bruit se fond
dans l’image et en dégrade la qualité.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 22

Figure 14: Paramètres du Speckle Filter

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 23

Figure 15: Résultats de la correction du speckle.

La correction du speckle appliquée à Sentinel 1 (SAR) peut réduire l'apparence de la valeur de

rétrodiffusion d'un objet de marée noire en raison d'un effet de tache blanche. L'ensemble du
processus a été réalisé après l'écrêtage de l'imagerie.

iii. Run oil spill detection algorithm

Exécutez Oil Spill Detection. SNAP fournit une cartographie entièrement automatique des
déversements d'hydrocarbures appelée Oil Spill Detection. C'est l'un des outils fournis dans le cadre
de l'application SAR Océan de SNAP. Le processus est réalisé automatiquement par un algorithme.
Le principe de base de la détection des marées noires par SNAP est d'identifier les pixels sombres sur
la mer. L'algorithme comprend l'identification des pixels sombres à l'aide d'un seuillage adaptatif,
d'un regroupement et d'une discrimination des pixels sombres en fonction de la dimension du
regroupement avec la préférence de l'utilisateur pour la taille du regroupement. Il se compose de
quatre (3) étapes brièvement décrites ci-dessous :

Calibration : L'étalonnage est la procédure qui convertit les valeurs numériques des pixels en
rétrodiffusion SAR étalonnée radiométriquement.
Oil spill detection : Cet outil identifie les pixels sombres au-dessus de la mer.
Oil-Spill-Detection : Le paramètre reste par défaut.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 24

iv. Conversion of Band to dB

Figure 16: Résultats de la Transformation linéaire de la valeur dB.

Ensuite, le résultat a été converti en valeur dB pour améliorer l'apparence du contraste de l'imagerie,
en particulier pour séparer le visuel de la marée noire et des autres objets. La séparation visuelle de
la marée noire peut être comprise grâce à la valeur dB. En général, l'objet de la marée noire a une
faible valeur dB par rapport à l'objet environnant car la valeur de réflexion de la rétrodiffusion est
faible. Les films d'hydrocarbures peuvent être détectés comme des taches sombres par rapport à l'eau
environnante car ils amortissent les ondes de surface courtes générées par le vent . L'eau qui a été
polluée par la marée noire aurait une valeur de pixel/dB plus faible .
La marée noire apparait donc plus sombre sur les images SAR que les zones sans déversement. Elle
peut être identifiée par l'objet de couleur plus foncée dans la couleur de la mer.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 25

 v. Oil spill profile plot :

Pour visualiser comment un déversement d’hydrocarbures affecte la réflectance du signal SAR, nous
pouvons afficher un profil de la valeur sigma (σ0) en mode de polarisation VV.
Cliquez sur l’icône de l’outil de dessin au trait – et tracez une ligne pour tracer la marée noire qui
commence et se termine dans une zone non pétrolière.

Figure 17: Un trace de profile pour l'événement de déversement.

Pour une comparaison spectrale entre la tache sombre de la marée noire et le milieu environnant d'eau
marine, un tracé de profil spectral sur la marée noire a été généré (Figure 16 et 17). La luminosité de
l'image capturée est un reflet des propriétés de la surface cible. Elle montre la comparaison de la
réflectance entre la réflectance normale de la surface de l'eau de mer, et la tache sombre de pétrole
qui ont une réflectance très élevée. Cette plage correspond relativement bien à l'image SAR elle-
même pour cette zone d'étude.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 26

 A Surface de mer propre
B

Tache noire

Figure 18 : Histogramme de la valeur dB pour l'objet de la marée noire et de la non marée noire

Il existe une différence de plus de 3 dB et cette différence est utilisée pour déterminer le seuil
de regroupement pour la marée noire.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 27

vi. Ellipsoid correction :

Une fois la détection de la marée noire terminée, nous pouvons reprojeter nos données dans un
système de référence de coordonnées spécifique afin de pouvoir faire des références croisées avec
d'autres cartes et couches de base.Pour réaliser cette étape, nous allons utiliser la correction ellipsoïde.
Parmi les différentes options permettant d'effectuer des corrections géométriques dans SANP, nous
utilisons dans ce cas la correction de l'ellipsoïde car notre zone d'étude se trouve au-dessus de l'océan,
afin que la représentation géométrique de l'image soit aussi proche que possible du monde réel.

Figure 19 : Résultats de la correction de l'ellipsoïde.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 28

vii. Exploitation dans ArcGIS

En se basant sur le résultat obtenu avec le logiciel SNAP. L’Arcgis permet de classifier l’image
Geotiff en trois classes (Golfe, nappe d’hydrocarbure et continent). Puis de la classifier à fin d’extraire
ces trois classes séparément en mode entier (trois valeurs de code : 1, 2 et3).
En convertissent ces classes en mode vecteur nous pourrons par la suite extraire la nappe de pétrole
et de calculer la surface qui est estimé d’être égale à 9311 hectares.

AL khafji

Figure 20: Carte de l’Extraction de la zone de la marée noire basée sur le traitement de images Radar. (Sentinel-1)

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 29

 Chapitre III

Modèle de prévision de la trajectoire de la nappe

Les déversements d'hydrocarbures se produisent en raison des rejets d'hydrocarbures provenant de

plateformes, de puits, de pétroliers et de produits pétroliers raffinés. Ainsi, la simulation des
déversements d'hydrocarbures est utilisée pour prédire la trajectoire de la nappe d'hydrocarbures en
surface.
Cette étude traite de la prévision du mouvement de la marée noire à l'aide de GNOME qui a été
utilisés pour élaborer des scénarios de déversements.
Pour utiliser le modèle GNOME, l'utilisateur doit tout d'abord saisir certaines données. La première
étape consiste à choisir le type de pétrole (nom de l'huile) ou le produit déversé parmi une longue
liste de types d'huile fournie par le logiciel. La deuxième étape consiste à définir les paramètres
environnementaux, les données sur le vent et les vagues, puis à saisir des données sur la température
de l'eau. Cela a permis d'exploiter leurs caractéristiques de sortie complémentaires pour fournir une
évaluation complète du déversement.

Le résultat a montré que la détection des déversements d'hydrocarbures par SAR est une technique
rentable et peut être utilisée pour la cartographie des déversements d'hydrocarbures.

1- Données océanographique

Les données océanographiques font partie intégrante de la cartographie de déversements

d'hydrocarbures et constituent la base d'une prévision précise. En effet, elles fournissent une vue
d'ensemble des facteurs environnementaux qui permettent le déplacement des déversements
d'hydrocarbures. Comme Les courants océaniques moyens, la vitesse et la direction du vent, la salinité
et la température de l’océan. (Tableau 3)

Ces données ont été obtenues à partir du service de données océanographiques en ligne
https://podaac.jpl.nasa.gov/ qui fournit des données de prévision des courants océaniques.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 30

Tableau 3: Paramètres océanographiques pour la modélisation au marée noire
Variable océanographique Valeurs
Vitesse du vent (mètre par heure) 3/s
Salinité (psu) 40 psu
Température de l'océan 33°C
Charge sédimentaire 5mg/l

Tableau 4: Paramètre de modélisation de la marée noire

Paramètres de modélisation

Localite AL Khafji
Type de petrole brut
volume déversé 35000 barils
Date de deversement 10-08-2017
Duree durée 72

Figure 21 : Paramètre de modélisation de la marée noire utilisé pour prédire le mouvement de la marée noire à l’aide
de GNOME.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 31

 2- Méthodologie

Données océanographiques
Données de déversement

(Localité, date, volume déversé, Type de

pétrole) (Vitesse du vent, Salinité, Température,)
NetCDF format

Modélisation du mouvement

GNOME

Données d'observation

Figure 22: Organigramme de modélisation utilisé

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 32

 3- Résultat

Dans le modèle exécuté pour le suivi des déversements, on considère une vitesse de vent constante
de 3 m/s en provenance de la direction Est avec des conditions de vagues variables. Les données sur
le courant des vagues (Téléchargé sur podaac.jpl.nasa.gov), le type de pétrole brut et la source de la
marée noire ont été conservés. L'heure de démarrage du modèle est fixée à 12 heures le 10 août 2017,
et la durée de l'exécution est de 72 heures. Dès le début de la simulation, la marée noire commence à
se déplacer dans la direction Nord et Nord/ouest avec des points noirs indiquent la "meilleure
estimation de la trajectoire du pétrole déversé par le Modèle " de GNOME appelle (best guess
solution, BGS)

Les courants marées

La localisation de la marée noire

Ezzour

AL khafji

Figure 23 : Montre la localisation de la marée noire ainsi que les courants marées

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 33

 Ezzour

AL khafji

Figure 24: Montre la localisation de la marée noire 12h après le déversement

Ezzour

AL khafji

Figure 25 : Montre l'emplacement de la marée noire 24h après le déversement

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 34

 Ezzour

AL khafji

Figure 26 : Montre l'emplacement de la marée noire 48h après le déversement

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 35

 Ezzour

AL khafji

Figure 27 : Montre l'emplacement de la marée noire 72h après le déversement

Une fois que le pétrole s'est déversé dans l'océan, il se déplace du lieu de déversement vers les zones
environnantes sous l’effet du vent, des vagues et des courants. Les résultats du modèle de trajectoire
de la marée noire d'Al Khiafji montrent :

•l’emplacement du déversement le 10 août (le jour de l’accident) et le pétrole commence à s’éloigner

du lieu de l’accident de déversement (figure 24).
• l’emplacement des déversements d’hydrocarbures le 11 août 2017, 24 heure où le pétrole s’est
déplacé à environ 9 km du point source du déversement en raison des courants, des vagues et des
vents (figure 25).
• l’emplacement de la marée noire du 12 août 2017 après 48 heures où le pétrole commence à atteint
la côte (figure 26).
• l’emplacement de la marée noire du 13 août 2017 ,72 heure après où 17360 barrels a atteint la côte
(49.6%), 3325 barrels (9.5%) sont restés flottant au-dessus de l'eau (figure 27). Cependant, 14315
barrels (40,9%) se sont évaporés et dispersés.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 36

Figure 28 : Montre l'emplacement de la marée noire 72h après le déversement

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 37

 Conclusion

Cette étude a été menée pour examiner un événement de déversement d'hydrocarbure signalé à Al
Khafji, qui est produit à 2017 dans le golfe persique.
Le déversement d'hydrocarbure a été détecté à l'aide de données satellitaires SAR S-1, tandis que les
processus d'étirement, de mouvement et d'altération ont également été analysés.
Les techniques présentées dans cette étude sont très utiles pour la détection rapide des marées noires.
Elles sont tout aussi importantes pour la prise de décision rapide, lorsqu'un accident de déversement
d'hydrocarbures se produit en milieu. Les techniques de télédétection actives sont utilisées dans ce
travail pour la détection et la cartographie des déversements d'hydrocarbures, en raison de leur large
couverture de zone, de la disponibilité des données jour/nuit et par tous les temps .Les données du
satellite SAR S-1 utilisées dans cette étude sont des données open source et les images sont
disponibles peu de temps après l'acquisition des données, par conséquent, la modélisation et l'analyse
de détection sont réalisées efficacement Dans la bande S-1 (bande C), la polarisation VV ou le petit
angle d'incidence sont préférés pour la détection des déversements d'hydrocarbures car ils fournissent
un contraste élevé de la marée noire sur un fond d'eau de mer, cependant, la ségrégation entre les
déversements d'hydrocarbures et les imitations est une tâche très exigeante, car les taches sombres de
la marée noire et des imitations fournissent des signaux radar similaires, ce qui entraîne des erreurs
de classification.

La production de trajectoires de déversements d'hydrocarbures est plus qu'essentielle pour fournir les
informations futures concernant les dommages possibles des déversements d'hydrocarbures. La
trajectoire d'une marée noire fournit des informations sur la trajectoire possible de la marée noire, ce
qui est bénéfique pour les agences environnementales, les planificateurs côtiers, les agences privées,
les décideurs et les agences gouvernementales pour une planification et une prise de décision rapides
afin de minimiser les divers impacts de la marée noire.
Ce projet a permis d'accroître les connaissances et les informations sur le devenir des marées noires
en cas d'accident. Ces informations peuvent être utilisées pour améliorer les systèmes de gestion
d'urgence afin de protéger la santé humaine, la gestion côtière et l'environnement marin.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 38

Bibliographie
Camilla , B., & *, Anne H.S. , S. (2005). Oil spill detection by satellite remote
sensing. Remote Sensing of Environment, 95.
Carl , B., & *Merv , F. (2014). Review of oil spill remote sensing. Marine Pollution
Bulletin, 15.
Farzingohar, M., Zelina Z. Ibrahim, & Yasemi, M. (2011). Oil spill modeling of
diesel and gasoline with GNOME around Rajaee Port of Bandar Abbas, Iran.
Iranian Journal of Fisheries Sciences, 35-46.
Farzingohar,, Zelina Z., & Ibrahim²; Yasemi, . (2020). Oil spill modeling of diesel
and gasoline with GNOME around Rajaee Port of Bandar Abbas, Iran. Iranian
Journal of Fisheries Sciences, 35 - 46.
Islam, A.-M., Mohamed , Z., Abdulaziz , M., & Elham , M. (24 April 2020). The
Potentiality of Operational Mapping of Oil. remote sensing, 13.
Kristina , P., & *Vaidotas , V. (2016). OIL SPILL DETECTION WITH REMOTE
SENSORS. APLINKOS APSAUGOS INŽINERIJA / ENVIRONMENTAL
PROTECTION, 150. doi:aainz.2016.20
M. Fingas, *C.E. Brown2. (2017). Oil Spill Remote Sensing. ResearchGate, 96.
doi:DOI: 10.1016/B978-0-12-809413-6.00005-9
M. Majidi , N., D. Groppi, P. Marzialetti, G. Piras , & G. Laneve. (2018). Mapping
Sea Water Surface in Persian Gulf, Oil Spill Detection Using Sentinal-1
Images. Madrid,, Spain. doi:10.11159
Oil Spill Detection Analyzing “Sentinel 2” Satellite Images: A Persian Gulf Case.
(2018). ResearchGate, AWSPT 134-8. doi:0.11159/awspt18.134
Werner , A., Benjamin , H., & Kan , Z. (2017). Contents lists available at
ScienceDirectRemote Sensing of EnOil spill detection by imaging radars:
Challenges and pitfalls. Remote Sensing of Environment, 201.
Werner, A., *Benjamin , H., & *Kan , Z. (2017). Oil spill detection by imaging
radars: Challenges and pitfalls. Remote Sensing of Environment, 147.

EBOU MED LEMINE |MEMOIRE FIN D’ETUDE |GAGE 2021 39