Material Stock Data Extraction using Geographic Imagery in Material Flow Analysis for Urban Infrastructure - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Material Stock Data Extraction using Geographic Imagery in Material Flow Analysis for Urban Infrastructure

Extraction des données de stock de matériel par l'imagerie géographique dans l’AFM pour l'infrastructure urbaine

Muhammad Imran

Résumé

Material Flow Analysis (MFA) is a powerful tool to track and estimate material flows and stocks of resources and evaluate the efficiency of the materials used in the modern infrastructure. Various industries (for example, iron and steel industry, construction industry, transportation etc.) have been applying MFA extensively. However, the use of MFA is limited largely due to the lack of regional data, uncertainty in the available data and lack of input data at all in some cases. Several studies have applied various secondary or complementary methods, such as Geographic Information System (GIS) and Nighttime Light Satellite Imagery so that data limitation for MFA is addressed but with a limited success except for few sectors (e.g., building and construction sectors). In this study, we address this issue by employing Google Earth as a secondary method that can potentially extract data applicable to material flow analysis. This data collection approach is applied on French Railway Infrastructure by systematically selecting 95 railway tracks (20% of the total number of tracks) covering more than 9000 km of track length (~31% of the total) and verified results with the official SNCF data based upon the developed parameters. Furthermore, the extracted data has been used for the estimation of metallic (steel) and non-metallic (wood and aggregate) material stocks in the covered portion of the French railway system. This study thus contributes to overcome data issues of MFA and accelerate the application of MFA on a wider scale.
L'analyse des flux de matières (AMF) est un outil permettant d'estimer les flux et les stocks de matières et d'évaluer l'efficacité des matériaux utilisés dans les infrastructures modernes. Diverses industries ont largement appliqué l'AMF mais son utilisation est limitée en raison du manque de données régionales, de l'incertitude dans les données disponibles et du manque de données d'entrée dans certains cas. Plusieurs études ont appliqué diverses méthodes complémentaires, telles que le système d'information géographique (SIG) et l'imagerie satellite de lumière nocturne afin que la limitation des données pour l'AMF soit abordée, mais avec un succès limité, à l'exception de quelques secteurs. Dans cette étude, nous abordons ce problème en utilisant Google Earth comme méthode secondaire pouvant potentiellement extraire des données applicables à l'analyse des flux de matières. Cette approche de collecte des données est appliquée sur les infrastructures ferroviaires françaises en sélectionnant systématiquement 95 voies ferrées (20% du nombre total de voies) couvrant plus de 9000 km de longueur de voie (~ 31% du total) et des résultats vérifiés avec les données officielles de la SNCF sur les paramètres développés. En outre, les données extraites ont été utilisées pour estimer les stocks de matériaux métalliques (acier) et non métalliques (bois et granulats) dans la partie couverte du réseau ferroviaire français. Cette étude contribue ainsi à surmonter les problèmes de données de l'AMF et à accélérer l'application de l'AMF à plus grande échelle.
Fichier principal
Vignette du fichier
Muhammad_Imran_2020TROY0005.pdf (5.86 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03627906 , version 1 (01-04-2022)

Identifiants

  • HAL Id : tel-03627906 , version 1

Citer

Muhammad Imran. Material Stock Data Extraction using Geographic Imagery in Material Flow Analysis for Urban Infrastructure. Business administration. Université de Technologie de Troyes, 2020. English. ⟨NNT : 2020TROY0005⟩. ⟨tel-03627906⟩
124 Consultations
51 Téléchargements

Partager

Gmail Facebook X LinkedIn More