Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm

Descripción del Articulo

En esta investigación se estudiaron suelos contaminados con derivados de petróleo usando un sistema de imagen hiperespectral de laboratorio con el objetivo de analizar la respuesta espectral en la región de 900 a 1700 nm. Para ello se tienen como objetivos particulares preparar patrones de referenci...

Descripción completa

Detalles Bibliográficos
Autor: Flores Camargo, Ricardo
Formato: tesis de maestría
Fecha de Publicación:2019
Institución:Universidad Nacional de Ingeniería
Repositorio:UNI-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.uni.edu.pe:20.500.14076/21210
Enlace del recurso:http://hdl.handle.net/20.500.14076/21210
Nivel de acceso:acceso abierto
Materia:Hidrocarburos
Derivados de petróleo
Suelos contaminados
Análisis por imágenes espectrales
https://purl.org/pe-repo/ocde/ford#1.03.05
id UUNI_337031f7f33780e53487390c57e34636
oai_identifier_str oai:cybertesis.uni.edu.pe:20.500.14076/21210
network_acronym_str UUNI
network_name_str UNI-Tesis
repository_id_str 1534
dc.title.es.fl_str_mv Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
title Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
spellingShingle Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
Flores Camargo, Ricardo
Hidrocarburos
Derivados de petróleo
Suelos contaminados
Análisis por imágenes espectrales
https://purl.org/pe-repo/ocde/ford#1.03.05
title_short Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
title_full Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
title_fullStr Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
title_full_unstemmed Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
title_sort Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nm
dc.creator.none.fl_str_mv Flores Camargo, Ricardo
author Flores Camargo, Ricardo
author_facet Flores Camargo, Ricardo
author_role author
dc.contributor.advisor.fl_str_mv Loro Ramírez, Héctor Raúl
dc.contributor.author.fl_str_mv Flores Camargo, Ricardo
dc.subject.es.fl_str_mv Hidrocarburos
Derivados de petróleo
Suelos contaminados
Análisis por imágenes espectrales
topic Hidrocarburos
Derivados de petróleo
Suelos contaminados
Análisis por imágenes espectrales
https://purl.org/pe-repo/ocde/ford#1.03.05
dc.subject.ocde.es.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.03.05
description En esta investigación se estudiaron suelos contaminados con derivados de petróleo usando un sistema de imagen hiperespectral de laboratorio con el objetivo de analizar la respuesta espectral en la región de 900 a 1700 nm. Para ello se tienen como objetivos particulares preparar patrones de referencia de suelos derivados de petróleo, aplicar diferentes métodos de preprocesamientos y procesamientos para imágenes hiperespectrales y diferenciar el suelo contaminado del suelo no contaminado. El trabajo se divide en tres partes, (1) calibración del sistema de imágenes hiperespectrales de laboratorio, (2) preparación de las muestras patrones de referencia y adquisición de imágenes, (3) preprocesamiento y procesamiento de las imágenes hiperespectrales (HSI). Para la calibración del sistema de imágenes hiperespectrales de laboratorio se debe realizar la calibración de la reflectancia de la cámara hiperespectral con un patrón de referencia (teflón) y la calibración del sistema HSI de laboratorio donde se controla la distancia foco-muestra, velocidad de la plataforma, fotogramas por segundo (fps) y resolución espacial. Para realizar las muestras patrones se mezclan 70 % del suelo (limoso o arcilloso) con 30 % de crudo de petróleo, para luego reducir la concentración en un rango de 3 % hasta llegar a una concentración mínima de 3 % de crudo de petróleo, este procesamiento se repite para las muestras patrones con diésel. Para la muestra patrón de suelo arenoso la concentración máxima del contaminante es de 20 % (crudo o diésel) y se reduce en un rango de 2 % hasta llegar a una concentración mínima de 2 % (crudo o diésel). Se obtuvieron 60 patrones de referencia los cuales fueron comparadas los suelos sin contaminar (limoso, arcilloso y arenoso). Para el preprocesamiento de las HSI se procedió con la normalización, se eliminó el ruido por medio de un suavizado, se corrigió el valor multiplicativo y la línea base de los valores obtenidos de las HSI, usando los métodos: normalización máxima, Savitzky-Golay, variable normal estándar (SNV) y de-trend. Para el procesamiento de las HSI se utilizaron el análisis de componentes principales (PCA) y umbralización para poder eliminar los píxeles o clases (fondo, porta muestra, sombras o puntos de máxima reflectancia) no deseados de la muestra. Después del procesamiento, se agruparon las imágenes por el tipo de contaminante para formar mosaicos y clasificarlo por PCA y analizar la dispersión de cada patrón de referencia frente a su valor medio (σ) y desviación estándar (sn); logrando concluir que el valor medio de una muestra contaminada es mayor al valor medio de una muestra no contaminada, Observando que existe menor dispersión en las muestras contaminadas frente a la que no se contamina. Para poder relacionar la concentración con la segunda derivada de los espectros de reflectancia SNV-D, se realiza un modelo lineal entre las regiones de las longitudes de onda de 1087 a 1274 nm, obteniendo los mejores resultados para el suelo limoso con crudo de petróleo. Con todos los resultados obtenidos en la investigación se concluyó que un sistema de imágenes hiperespectrales de laboratorio en el rango de 900 a 1700 nm se puede utilizar como un sistema rápido y no invasivo para clasificar entre suelo contaminado y no contaminado como también poder encontrar el grado de contaminación en los suelos contaminados por derivados de petróleo.
publishDate 2019
dc.date.accessioned.none.fl_str_mv 2021-10-08T21:00:40Z
dc.date.available.none.fl_str_mv 2021-10-08T21:00:40Z
dc.date.issued.fl_str_mv 2019
dc.type.es.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.14076/21210
url http://hdl.handle.net/20.500.14076/21210
dc.language.iso.es.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es.fl_str_mv application/pdf
dc.publisher.es.fl_str_mv Universidad Nacional de Ingeniería
dc.publisher.country.es.fl_str_mv PE
dc.source.es.fl_str_mv Universidad Nacional de Ingeniería
Repositorio Institucional - UNI
dc.source.none.fl_str_mv reponame:UNI-Tesis
instname:Universidad Nacional de Ingeniería
instacron:UNI
instname_str Universidad Nacional de Ingeniería
instacron_str UNI
institution UNI
reponame_str UNI-Tesis
collection UNI-Tesis
bitstream.url.fl_str_mv http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/3/flores_cr.pdf.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/2/license.txt
http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/1/flores_cr.pdf
bitstream.checksum.fl_str_mv 1d27566dcd98ccb6ad6b7b8873c5438c
8a4605be74aa9ea9d79846c1fba20a33
8edf3f9c484eae68856f22b7d73bdbd5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - UNI
repository.mail.fl_str_mv repositorio@uni.edu.pe
_version_ 1840085655007264768
spelling Loro Ramírez, Héctor RaúlFlores Camargo, RicardoFlores Camargo, Ricardo2021-10-08T21:00:40Z2021-10-08T21:00:40Z2019http://hdl.handle.net/20.500.14076/21210En esta investigación se estudiaron suelos contaminados con derivados de petróleo usando un sistema de imagen hiperespectral de laboratorio con el objetivo de analizar la respuesta espectral en la región de 900 a 1700 nm. Para ello se tienen como objetivos particulares preparar patrones de referencia de suelos derivados de petróleo, aplicar diferentes métodos de preprocesamientos y procesamientos para imágenes hiperespectrales y diferenciar el suelo contaminado del suelo no contaminado. El trabajo se divide en tres partes, (1) calibración del sistema de imágenes hiperespectrales de laboratorio, (2) preparación de las muestras patrones de referencia y adquisición de imágenes, (3) preprocesamiento y procesamiento de las imágenes hiperespectrales (HSI). Para la calibración del sistema de imágenes hiperespectrales de laboratorio se debe realizar la calibración de la reflectancia de la cámara hiperespectral con un patrón de referencia (teflón) y la calibración del sistema HSI de laboratorio donde se controla la distancia foco-muestra, velocidad de la plataforma, fotogramas por segundo (fps) y resolución espacial. Para realizar las muestras patrones se mezclan 70 % del suelo (limoso o arcilloso) con 30 % de crudo de petróleo, para luego reducir la concentración en un rango de 3 % hasta llegar a una concentración mínima de 3 % de crudo de petróleo, este procesamiento se repite para las muestras patrones con diésel. Para la muestra patrón de suelo arenoso la concentración máxima del contaminante es de 20 % (crudo o diésel) y se reduce en un rango de 2 % hasta llegar a una concentración mínima de 2 % (crudo o diésel). Se obtuvieron 60 patrones de referencia los cuales fueron comparadas los suelos sin contaminar (limoso, arcilloso y arenoso). Para el preprocesamiento de las HSI se procedió con la normalización, se eliminó el ruido por medio de un suavizado, se corrigió el valor multiplicativo y la línea base de los valores obtenidos de las HSI, usando los métodos: normalización máxima, Savitzky-Golay, variable normal estándar (SNV) y de-trend. Para el procesamiento de las HSI se utilizaron el análisis de componentes principales (PCA) y umbralización para poder eliminar los píxeles o clases (fondo, porta muestra, sombras o puntos de máxima reflectancia) no deseados de la muestra. Después del procesamiento, se agruparon las imágenes por el tipo de contaminante para formar mosaicos y clasificarlo por PCA y analizar la dispersión de cada patrón de referencia frente a su valor medio (σ) y desviación estándar (sn); logrando concluir que el valor medio de una muestra contaminada es mayor al valor medio de una muestra no contaminada, Observando que existe menor dispersión en las muestras contaminadas frente a la que no se contamina. Para poder relacionar la concentración con la segunda derivada de los espectros de reflectancia SNV-D, se realiza un modelo lineal entre las regiones de las longitudes de onda de 1087 a 1274 nm, obteniendo los mejores resultados para el suelo limoso con crudo de petróleo. Con todos los resultados obtenidos en la investigación se concluyó que un sistema de imágenes hiperespectrales de laboratorio en el rango de 900 a 1700 nm se puede utilizar como un sistema rápido y no invasivo para clasificar entre suelo contaminado y no contaminado como también poder encontrar el grado de contaminación en los suelos contaminados por derivados de petróleo.In this investigation, soils contaminated with petroleum derivatives were studied using a laboratory hyperspectral imaging system with the objective of analyzing the spectral response in the region of 900 to 1700 nm. For this purpose, the main objectives are to prepare reference patterns of petroleum-derived soils, apply different methods of preprocessing and processing for hyperspectral images and differentiate contaminated soil from uncontaminated soil. The work is divided into three parts, (1) calibration of the laboratory hyperspectral imaging system, (2) preparation of reference standards samples and image acquisition, (3) preprocessing and processing of hyperspectral ima-ges (HSI). For the calibration of the laboratory hyperspectral imaging system the calibration of the reflectance of the hyperspectral chamber with a reference standard (Teflon) and the calibration of the laboratory HSI system where the focus-sample distance, speed of the sample should be controlled platform, frames per second (fps) and spatial resolution. To make the standard samples, 70 % of the soil (silty or clayey) is mixed with 30 %of crude oil, then reduce the concentration in a range of 3 % until reaching a minimum concentration of 3 % of crude of oil, this processing is repeated for standard samples with diesel. For the standard sample of sandy soil, the maximum concentration of the contaminant is 20 % (crude or diesel) and is reduced in a range of 2 % until reaching a minimum concentration of 2 % (crude or diesel). 60 reference standards were obtained which were compared to uncontaminated soils (silty, clayey and sandy). For the preprocessing of the HSI, normalization was carried out, the noise was eli-minated by means of smoothing, the multiplicative value and the baseline of the values obtained from the HSI were corrected, using the methods: maximum normalization, Savitzky-Golay, standard normal variable (SNV) and de-trend. For the HSI processing, principal component analysis (PCA) and thresholding were used to eliminate unwanted pixels or classes (background, sample holder, shadows or points of maximum reflectance) from the sample. After processing, the images were grouped by the type of contaminant to form mosaics and classify it by PCA and analyze the dispersion of each reference standard against its average value ( sigma) and standard deviation (sn); managing to conclude that the average value of a contaminated sample is greater than the average value of an uncontaminated sample, noting that there is less dispersion in the contaminated samples compared to the one that is not contaminated. In order to be able to relate the concentration to the second derivative of the SNV-D reflectance spectra, a linear model is made between the wavelength regions of 1087 to 1274 nm, obtaining the best results for silty soil with petroleum oil. With all the results obtained in the investigation, it was concluded that a system of laboratory hyperspectral images in the range of 900 to 1700 nm can be used as a rapid and non-invasive system to classify between contaminated and uncontaminated soil as well as to find the degree of contamination in soils contaminated by petroleum derivatives.Submitted by Quispe Rabanal Flavio (flaviofime@hotmail.com) on 2021-10-08T21:00:40Z No. of bitstreams: 1 flores_cr.pdf: 12683002 bytes, checksum: 8edf3f9c484eae68856f22b7d73bdbd5 (MD5)Made available in DSpace on 2021-10-08T21:00:40Z (GMT). No. of bitstreams: 1 flores_cr.pdf: 12683002 bytes, checksum: 8edf3f9c484eae68856f22b7d73bdbd5 (MD5) Previous issue date: 2019Tesisapplication/pdfspaUniversidad Nacional de IngenieríaPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de IngenieríaRepositorio Institucional - UNIreponame:UNI-Tesisinstname:Universidad Nacional de Ingenieríainstacron:UNIHidrocarburosDerivados de petróleoSuelos contaminadosAnálisis por imágenes espectraleshttps://purl.org/pe-repo/ocde/ford#1.03.05Análisis por imágenes hiperespectrales de mezclas de suelo con derivados de petróleo, en la región de 900 a 1700 nminfo:eu-repo/semantics/masterThesisSUNEDUMaestro en Ciencias en FísicaUniversidad Nacional de Ingeniería. Facultad de Ciencias. Unidad de PosgradoMaestríaMaestría en Ciencias en FísicaMaestríahttps://orcid.org/0000-0002-5965-67710859921746026724https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#maestro533017Ochoa Jiménez, RosendoTEXTflores_cr.pdf.txtflores_cr.pdf.txtExtracted texttext/plain187488http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/3/flores_cr.pdf.txt1d27566dcd98ccb6ad6b7b8873c5438cMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALflores_cr.pdfflores_cr.pdfapplication/pdf12683002http://cybertesis.uni.edu.pe/bitstream/20.500.14076/21210/1/flores_cr.pdf8edf3f9c484eae68856f22b7d73bdbd5MD5120.500.14076/21210oai:cybertesis.uni.edu.pe:20.500.14076/212102022-07-22 18:12:42.82Repositorio Institucional - UNIrepositorio@uni.edu.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
score 13.919886
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).