Pre-warning system of maritime traffic safety risk in restricted visibility weather
-
摘要: 为了提高海上交通安全风险预警的实用性与精度, 建立了能见度不良天气下海上交通风险预警系统, 由风险矩阵知识库、交通流密度预测子系统与能见度预警子系统组成; 通过采集大样本, 运用不完备信息条件下模糊信息分配理论修正了专家调查法, 确定了海上交通风险矩阵; 采用人工神经网络中极限学习机理论的短时船舶交通流密度预测算法计算了交通流密度; 采用区域大气模式系统对气象和海洋预报部门提供的能见度预报数据进行空间和时间精细网格化划分, 计算了能见距离; 采用系统预测了空间网格为2nmile×2nmile和时间步长为10min的关注海域的能见距离和交通流密度, 以验证系统的有效性。仿真结果表明: 2个不同时间段12个时间点的能见距离预测准确率分别达到75%、75%、80%、75%、80%、75%和75%、75%、80%、80%、80%、75%, 相应的交通流密度预测准确率全部达到80%, 预测结果可靠, 并且, 实现了能见度不良天气下海域航行风险的可视化与智能化监控。Abstract: To enhance the pre-warning applicability and accuracy of maritime traffic safety risk, a pre-warning system in restricted visibility weather of the risk was set up, and it was composed of the risk matrix knowledge base, traffic flow density prediction subsystem and visibility warning subsystem.By collecting large samples, the expert survey method was modified by using the fuzzy information distribution theory under the condition of incomplete information, and the maritime traffic risk matrix was determined.The traffic density was calculated by using the short-time prediction algorithm of traffic density based on the limit learning machine theory in the artificial neural network.The regional atmospheric model system was used to divide the visibility forecast data provided by the meteorological and marine forecasting departments into spatialtemporal fine meshes, and the visible distance was calculated.The system was used to predict the visibility distance and traffic flow density of the focused sea area with spatial grids of 2 nmile by2 nmile and time step of 10 min, so as to verify the effectiveness of the system.Simulation resultshows that at 12 time points in two different time periods, the prediction accuracy rates of visible distance are 75%, 75%, 80%, 75%, 80%, 75%, 75%, 75%, 80%, 80%, 80%and 75%.The prediction accuracy rates of corresponding traffic flow densities are up to 80%.Therefore, the forecast result is reliable, and the system can realize the visualization and intelligent monitoring of navigation risk in sea area in restricted visibility weather.
-
0. 引言
根据1972年《国际海上避碰规则公约》的规定, “能见度不良”是指任何由于雾、霾、雪、暴风雨、沙暴或任何其他类似原因而使能见度受到限制的情况。海上出现大雾等能见度不良天气时, 能见距离降低到1km以下, 这对船舶航行安全影响极大。尤其是船舶航行在海上通道或港口附近海域时, 比如船舶定线制设置的航道进出口处, 由于受到船舶交通流密度和航道宽度、弯曲程度和水深等因素的影响, 一旦能见距离骤降, 船舶发生碰撞、触损和搁浅等海上交通事故的概率大幅增大[1, 2]。
据2000~2016年山东沿海海域海上交通事故统计, 能见度不良天气下共发生船舶碰撞、触损和搁浅等各等级海上交通事故417起, 约占事故总数的48.26%。能见度不良天气下海上交通事故造成了大量人员伤亡和财产损失, 其社会影响不容忽视[3]。
在对中国海事主管部门、航运企业和航海者的调研中发现: 目前气象和海洋部门发布的天气预报信息数据和提供的海事专业气象保障服务, 从形式上和内容上尚不能满足海上交通安全风险预警功能多样化和数据高精度的要求, 仍有需要完善和改进之处[4]。
目前, 海上交通安全风险评估及预警的相关研究主要涉及到恶劣天气下大风浪情形, 缺乏对能见度不良天气情况的研究[5, 6]。与大风浪天气下海上交通风险评估及预警仅提供一些宏观上的技术性整体评价相比, 能见度不良天气下海上交通安全方面的研究主要集中在船舶航行安全、船舶避让和进出港操纵等微观方面, 是对船舶航行方法的研究。
恶劣天气中能见度不良天气下海上交通安全风险预警研究更为重要。当船舶在能见度不良天气下, 航经某些应重点关注的海域时, 海事主管部门、船舶所属的航运公司和船长、驾驶员, 似应对船舶未来在该海域海上交通安全风险状况进行预评估。而且, 这种预评估应该是针对不同船舶类型并能够结合航行海区的各种可能影响航行安全的环境要素的实时动态预评估。
国外学者对恶劣天气下海上交通安全风险评估预警方面的相关研究较多, 已经取得了一些成果。Yip通过分析多年港口附近海域的碰撞事故, 识别事故致因, 辨识事故风险因子, 从定量的角度运用负二项回归法, 构建负二项模型, 评估了港口附近海域海上交通安全风险[7]; Celik等基于风险建模方法研究船舶碰撞事故调查行为, 通过模糊扩展事故树法分析事故产生的原因, 建立了更为可靠的事故风险评估模型[8]; Trucco等根据国际海事组织的综合安全评估建议, 将技术要素的故障树分析与组织功能和法规影响相结合, 分析人为因素和组织因素对能见度不良天气下海上交通安全的影响, 建立了基于贝叶斯网络概率推理的船舶碰撞事故风险评估模型[9]; Özbas等利用计算机模拟伊斯坦布尔海峡海上交通安全状况, 分析海上碰撞事故原因, 研究各要素对海上交通安全的影响, 建立了包括天气条件等诸多因素的海上交通安全风险评估模型[10]; Szwed运用启发和聚合式专家评判法, 建立了能见度不良天气下碰撞事故风险评估模型, 并利用美国小型客轮18个月的相关数据对风险评估模型的有效性进行了验证[11]。国外学者的研究主要集中在海上交通安全风险因素分析和评估模型研究方面, 缺少基于实时天气要素预报和交通流密度预测的能见度不良天气下海上交通安全风险评估预警的研究。
国内学者也对恶劣天气下海上交通安全风险评估预警理论和相应的预警系统有一些研究成果, 解以扬等分析了黄、渤海的航行环境, 研究了恶劣天气影响船舶安全的风险预估技术[12]; 吴金龙等针对渤海和黄海海域近年来发生重大事故的主要船舶类型, 使用风险分析理论和技术方法, 划分了渤海和黄海海域重点船舶在大风浪条件下的风险等级, 并应用模糊评判的方法建立了大风浪条件下渤海海域应重点关注的船舶风险评估模型[13]; 范中洲等研发了基于电子海图系统(Electronic Chart Display Information System, ECDIS) 的船舶-大风浪海区动态显示系统, 可在电子海图平台ECDIS上实现大风区、大浪区和船舶位置的动态显示[14]; 吴金龙等还研发了大风浪条件下天津港锚地实用安全评估系统, 可用于大风浪来临前对天津港锚地的锚泊船进行风险预评估, 并根据预评估得到的风险等级给出锚泊船安全出链长度和船舶安全间距, 以保证大风浪来临时锚泊船的安全[15]; 孙成志等借鉴外军经验, 根据中国海军舰队航行气象安全保障的实际需求, 研发了基于安全航线的海洋水文气象保障辅助决策系统, 可根据气象和海洋预报部门提供的风浪预报信息, 分别实现24、48h内舰船活动范围内的风浪动态显示和风险预警, 以达到战场指挥辅助决策的目的[16]; 刘大刚等研发了大风浪条件下船舶风险状况动态评估预警系统, 可用于渤海和黄海北部海域大风浪天气来临前船舶的风险预评估[17], 该系统初步实现大风浪天气来临前的海区或航线的风险等级预评估, 可为海事主管部门和航运企业安全监督部门在大风浪天气条件下的船舶安全保障提供有效的辅助决策工具。
国内学者已从理论上对大风浪天气下的海上交通安全风险评估进行了探索, 初步建立了可用于大风浪天气下海上交通安全风险评估的数学模型, 尝试了大风浪天气下的海上交通安全风险评估, 并取得了一定的成果[18]。从方法上, 主要使用气象和海洋预报部门提供的短时间步长、精细化网格的气象和海洋要素预报信息作为评估依据, 并使用了风险分析理论和模糊综合评价方法; 在应用效果上, 能够基本实现动态可视化预评估, 给出客观、直观的评价结果[19]。但是, 目前风险动态预评估研究尚存在一些问题和不足, 比如现有的研究没有针对不同类型的重点关注船舶[20], 运用的相关理论和方法有待于针对评估结果和具体需求进行进一步研究探讨, 评估采集的天气信息要素还不能满足评估系统要求, 应用的范围局限于恶劣天气中大风浪天气, 虽然没有考虑到能见度不良天气条件, 但这仍对拓展能见度不良天气下海上交通安全风险预警研究和系统研发具有一定的参考价值。
1. 预警系统的构建
按照中国海事主管部门、航运企业和航海者的实际需求, 运用风险动态预评估模型、交通流密度预测和气象预报信息数据处理等理论、技术和平台, 构建能见度不良天气下海上交通风险预警系统。
1.1 系统组成
系统由1个拥有各种重点关注船舶在不同能见距离和船舶交通流密度条件下的风险矩阵知识库和2个具有数据处理与预测预警功能的子系统构成, 其中2个子系统分别为重点关注海域的船舶交通流密度预测子系统、能见度预警子系统。即风险矩阵知识库输出了不同类型重点关注船舶在不同能见距离和船舶交通流密度下隶属于不同海上交通安全风险等级的风险矩阵数据, 是通过采集数量足够大的样本, 运用不完备信息条件下模糊信息分配理论计算法, 修正专家调查法而得到的[21]。
船舶交通流密度预测子系统能输出重点关注海域内未来4h各2nmile×2nmile空间网格内每10min一次的船舶交通流密度。这些船舶交通流密度数据是通过基于人工神经网络中极限学习机理论的短时船舶交通流密度预测算法计算得到的[22]。
能见度预警子系统输出了重点关注海域内未来4h各2nmile×2nmile空间网格每10min一次的概率天气预报形式的能见距离预报值。这些数据是运用对云雾具有超强模拟能力的、具有国际先进水平的区域大气模式系统对气象和海洋预报部门提供的能见度预报信息数据进行空间和时间精细网格化再处理得到的[23]。
1.2 主要功能
预警系统具备以下2项主要功能: 一是海区风险显示功能, 显示出未来时段内船舶通过重点关注海域每10min一次的能见度不良天气下海上交通风险动态预评估结果, 评估结果在页面下方以不同颜色的色标表示, 同时, 显示从计算时刻开始, 每10min一次的重点关注海域中的交通流密度和能见距离预测值。二是航线风险显示功能, 显示出未来时段内船舶在计划航线上10min一次的能见度不良天气下海上交通风险动态预评估结果, 以不同颜色的圆点显示在系统页面船舶计划航线的预计船位上。
1.3 工作流程
系统的工作流程见图 1: Pa为从起算时间开始未来3h每10min一次的船位, P0为风险评估的起算船位; tb为从起算时间开始未来第b个时刻, t0为风险评估的起算时间; Ncd为重点关注海区某一网格第c行第d列的编号。
2. 风险预警的建模
海上交通安全风险具有时间变化波动性、空间分布差异性、时空变化均衡性、单因素变化灵敏性、多因素耦合复杂性等特征, 尤其是时空分布差异大, 时空变化率不均衡, 对于变化速率大的风险因素以及系统风险变化率大的状态进行预评估将有助于事故预防关口前移[24], 因此, 解决能见度不良天气重点关注船舶未来某一时段内, 在某一重点关注海域能不能安全航行和如何安全航行的关键性问题, 应按照预警系统的构建思路, 对变化速率大的能见度不良天气下海上交通安全风险因素以及系统风险变化率大的状态进行风险预警建模, 实现能见度不良天气下海上交通安全风险预警的目的。
2.1 模糊综合评判的风险评估模型
模糊综合评判是应用模糊变换原理, 考虑与评价对象相关的各种因素, 用模糊数值即风险值对系统的风险程度进行综合评价[25]。模糊综合评判可较好地解决定性指标的定量化问题, 适用于定性指标的定量评价, 并且模糊综合评价的结果是一个集合, 以及评价结果对评价对象通常具有唯一性[26]。这种方法能充分体现海上交通安全风险特征, 也是目前海上交通风险评估中应用最多和最有效的方法。
根据风险管理理论中的最低合理可行(As Low As Reasonably Practicable, ALARP) 原则, 可将船舶在能见度不良天气下的海上交通安全风险划分为黄、橙、红3个风险等级, 分别与ALARP原则中的可忽略风险、ALARP区和不可容忍风险对应。为了使用方便, 可再加上一个相对较为安全的无风险等级, 这样即可确定能见度不良天气下海上交通风险等级的论域A为
在对中国海事主管部门、航运企业和航海者的调研基础上, 结合中国远洋海运集团公司等航运企业安全管理体系文件对能见度不良天气下船舶安全操作的有关规定, 细化1972年《国际海上避碰规则公约》第五章关于“船舶在能见度不良时的行为规则”, 确定能见度不良天气下海上交通安全风险预评估的等级, 见表 1。
表 1 风险动态预评估等级Table 1. Risk dynamic pre-evaluation levels
运用风险管理理论中的模糊系统方法, 针对海上交通安全风险特征, 构建基于模糊综合评判的能见度不良天气下海上交通安全风险动态预评估模型[27]。
若能见度不良天气下海上交通安全风险的致灾因子可能的组合状态个数为m, 则致灾因子的论域S为
式中: si为能见度不良天气下海上交通第i个致灾因子的取值状态。
由此可知, 在能见度不良天气下海上交通安全风险致灾因子不同组合的取值状态下, 可产生不同等级风险的模糊关系矩阵, 即风险矩阵, 可表示为
式中: rif表示能见度不良天气下海上交通安全风险致灾因子不同组合的取值状态si下, 海上交通安全风险状况隶属于等级风险Af的隶属度(i=1~m, f=0~3)。
若能见度不良天气下海上交通安全风险矩阵确定后, 船舶未来各航行时段内的各个致灾因子的具体取值, 如能见距离、船舶交通流密度等变化速率大的致灾因子, 可通过预报和预测手段得到, 则可得到船舶航经某一重点关注海域时的海上交通安全风险预评估值。
由于能见距离、船舶交通流密度等致灾因子的预报值和预测值可能有误差存在, 应将预报值和预测值的误差考虑进去[28]。
若某一时刻能见度不良天气下海上交通安全风险致灾因子不同组合的取值状态si出现的概率P为
则该时刻能见度不良天气下海上交通安全风险预评估等级的模糊子集B可表示为
式中: °为模糊乘法算子; x0、x1、x2、x3分别为在预报的能见距离和预测的船舶交通流密度的条件下, 该时刻海上交通安全风险状况对于无风险、黄色风险、橙色风险和红色风险等级的隶属度。
2.2 模糊信息分配的风险矩阵
运用模糊综合评判法评估能见度不良天气下海上交通安全风险的准确性, 很大程度上取决于风险矩阵的准确性和可靠性。能否得到精确可靠与实际海上交通风险状况相符合的能见度不良天气下海上交通安全风险矩阵, 是评估结果是否准确可信的关键。
能见度不良天气与海上交通安全风险的关系问题属于一个小样本事件, 运用传统直方图模型无法解决确定能见度不良天气下海上交通安全风险等级的概率问题, 而应该采用具有模糊区间长度的软直方图。运用软直方图模型, 可以使模糊区间的信息矩阵能够分辨出落入一个样本区间的不同样本点, 显示出更多信息, 体现出每个样本点的信息价值。研究模糊区间的问题, 就必须研究模糊信息的分配问题。
采用传统方法来确定不同能见度不良天气对不同等级海上交通安全风险具体隶属函数相当于使用直方图方法, 一个频率直方图即相当于一个分明区间的单列信息矩阵[29]。
由于区间信息矩阵从样本集合接纳降落信息时, 视降落在同一区间内的样本点所携带的信息为相同的, 因此, 实际上可能会因为样本点在区间中位置的不同而产生偏差, 从而导致不能描述所有信息。使用模糊区间信息矩阵, 则可以有效地分辨出降落在同一区间内不同位置的样本点, 显示出更多信息[30]。
据此, 运用模糊信息分配法来求取能见度不良天气下海上交通安全风险矩阵。首先对给定的重点关注海域某一时刻的能见距离和船舶交通流密度组成的致灾因子信息进行采集。在对每组数据进行计算时, 将能见距离W (单位n mile) 分为W≤1/5、1/5 < W≤2/5、2/5 < W≤3/5、3/5 < W≤1.0、1.0 < W≤2.0和2.0 < W≤3.0, 船舶交通流密度是在2nmile×2nmile范围内的船舶数量, 而船舶数量都是整数, 故交通流密度的实际取值只可能是1/4的倍数。以4~8万吨级散货船为例, 求算在能见距离1/5 < W≤2/5时的海上交通安全风险矩阵。在此能见距离下, 船舶交通流密度可取值域U为
取海上交通安全风险指数的论域V为
然后可采用二维信息分配公式求取从U到V的模糊关系矩阵R。
样本数据可通过现场调查、问卷分析和座谈讨论的方式采集。列出某一重点关注海域的船舶吨位、能见距离和船舶交通流密度状态, 由中远海运散货运输集团公司20位资深船长根据海员通常做法和专业判断, 评判出该海域该类船舶吨位、能见距离和船舶交通流密度的组合状态下的各风险等级的隶属度。
经调查讨论、汇总梳理, 实际得到4~8万吨级散货船在能见距离在1/5 < W≤2/5时的本组样本点集H中共有133个数据, 记为h1、h2、…、hg、…、h134。
将样本数据根据实际情况分别对应无风险(A0)、黄色风险(A1)、橙色风险(A2) 和红色风险(A3) 等级, 结果归类到各个风险等级下的船舶交通流密度数据(单位: 艘· (n mile)-2) 分别有24、49、47和13个, 具体如下。
无风险(A0) : 0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、0、1/4、1/4、1/4、1/4;
黄色风险(A1) : 1/4、1/4、1/4、1/4、1/4、1/4、1/4、1/2、1/2、1/2、1/2、1/2、1/2、1/2、1/2、3/4、3/4、3/4、3/4、3/4、3/4、3/4、1、1、1、1、1、1、1、5/4、5/4、5/4、5/4、5/4、5/4、3/2、3/2、3/2、3/2、3/2、7/4、7/4、7/4、7/4、7/4、2、2、2、9/4;
橙色风险(A2) : 1/4、1/2、3/4、1、1、1、5/4、5/4、3/2、3/2、7/4、7/4、7/4、7/4、2、2、2、2、2、2、2、2、9/4、9/4、9/4、9/4、9/4、9/4、9/4、9/4、9/4、11/4、11/4、11/4、11/4、11/4、11/4、11/4、11/4、3、3、3、13/4、13/4、13/4、7/2、7/2;
红色风险(A3) : 11/4、3、3、3、3、3、13/4、13/4、13/4、13/4、13/4、7/2、7/2。
接着计算各风险等级下样本点的平均值分别为
由步长公式得
可得新的交通流密度离散取值论域为
其中: 将Un称为H的控制区间, 用up (p=1, 2, …, 6) 替代hg作为信息矩阵的输入集。
根据自然灾害信息分配理论, 假设有β个灾害资料, 则记第e (e=1, 2, …, β) 个灾害资料为De= (ge, Ae), ge为第e个样本控制点。
根据二维信息分配原理, 若up≤ge≤up+1, 则将ge分配给up及up+1的信息量qe (up)、qe (up+1) 分别为
使用模糊子集来定义能见度不良天气下海上交通安全风险等级, 归一化处理后可得到能见度不良天气下海上交通各个风险等级A0~A3分配给各海上交通风险指数值vk (k=1, 2, …, 11) 的信息量。
进一步可得β个De= (ge, Ae) 分配给控制点(up, vk) 的信息量为
式中: d为U当中的元素个数; Q′为所需要的原始信息分布矩阵。
再分别对矩阵Q′进行行和列的归一化处理, 并进行取小运算, 即可得到能见度和交通流密度之间的模糊关系R。实际数据计算所得到的能见距离为0.2~0.4nmile条件下的能见度和船舶交通流密度之间的模糊关系, 即风险矩阵, 见表 2, 可知: 无风险的船舶交通流密度up集中在0.00~0.04, 隶属度达到0.78~1.00;黄色风险的up集中在1.08, 隶属度达到0.59~1.00;橙色风险的up集中在2.12, 隶属度为0.65~0.86;红色风险的up集中在3.15~4.19, 隶属度达到0.55~0.88。从这些数据中可以看出: 各个风险等级的隶属度比较集中, 风险空间分布的差异性较大, up的变化对风险等级的影响较大, 因此, 运用模糊信息分配法计算得到的风险矩阵能够有效分辨出落入一个样本区间的不同样本点, 能量化每个样本点的信息价值, 并能描述出风险空间分布的差异性和单因素变化的灵敏性。
表 2 理论计算得到的风险矩阵Table 2. Risk matrix obtained by theoretical calculation
相关参考文献中的研究多运用专家调查方法, 即组织具有丰富航海经历的航海者或资深船长开展调查讨论, 并按照海员通常做法和专业判断, 直接给出船舶在各种恶劣天气下航行时对不同等级风险的隶属度。运用专家调查方法得到的4~8万吨级散货船在能见距离0.2~0.4nmile天气下的风险矩阵见表 3, 可知: 无风险的up为0, 隶属度为0.9;黄色风险的up分布在0~2.0, 隶属度为0.5~0.8;橙色风险的up分布在2.0~3.0, 隶属度为0.4~0.6;红色风险的up分布在3.0以上, 隶属度达到0.7。从这些数据中可以看出: 各个风险等级的隶属度比较分散, up的变化对风险等级的影响不明显, 风险空间分布的跨距较大, 但up为0所对应的无风险隶属度为0.9, 黄色风险隶属度为0.1, 体现了海上交通安全风险的实际状况。
表 3 专家调查方法得到的风险矩阵Table 3. Risk matrix obtained by expert survey method
运用模糊信息分配理论修正了专家调查法, 得到了风险矩阵, 评估了能见度不良天气下海上交通安全风险等级, 既提高了风险矩阵的准确可靠性, 又更能体现海上交通安全风险空间分布的差异性和单因素变化的灵敏性。经模糊信息分配法修正的专家调查法4~8万吨级散货船在能见距离0.2~0.4nmile天气下的风险矩阵见表 4, 可知: 修正后的各个风险等级的隶属度进一步集中, 风险空间分布的差异性增大, up的变化对风险等级的影响增大, 因此, 修正后的风险矩阵既体现了船舶交通流密度的变化的灵敏性和风险空间分布的差异性, 又体现了海上交通安全风险的实际状况。
表 4 修正的专家调查法的风险矩阵Table 4. Modified risk matrix obtained by expert survey method
2.3 人工神经网络的短时船舶交通流密度预测
为了实现能见度不良天气下重点关注海上交通安全风险动态预评估, 需要具备较为客观准确的船舶交通流密度预测数据, 且这种预测数据必须是精细网格、短时间步长的实时滚动预测。为此, 选用属于单隐层前馈神经网络的极限学习机方法预测重点关注海域的短时船舶交通流密度。
运用程序软件从海事主管部门海上交通管理(Vessel Traffic Service, VTS) 平台或船舶自动识别系统(Automatic Identification System, AIS) 信息服务平台上, 有针对性地选取重点关注海域的某一范围内的船舶信息数据, 并自动读取每10min一次的船舶信息数据作为预测的初始场数据[31]。然后, 根据极限学习机算法在MATLAB (R2014a) 环境中进行编程, 即可根据读取的实时船舶交通流数据, 实现基于极限学习机算法的短时船舶交通流密度预测, 获得重点关注海区各网格点内的未来4h每10min一次的船舶交通流密度滚动预测值。计算得到的船舶交通流密度滚动预测结果, 按照时间和网格编号存储在系统后台, 以供下一步预警系统数据运算时的即时调用。
本文主要以成山角附近海域为例, 具体来说是位于成山角东北方向的分道通航进出口2个警戒区, 见图 2。
图 2 成山角分道通航进出口位置Figure 2. Entrance and exit location of Chengshanjiao traffic separation根据上述短时船舶交通流密度预测算法, 使用来自负责成山角附近海域海上交通监管的威海海事局VTS管理平台或AIS信息服务平台, 接收到的船舶交通流量数据, 即可对成山角附近海域的船舶交通流密度进行计算, 为能见度不良天气下海上交通风险动态预评估提供背景依据。
在威海海事局VTS管理平台上, 也可以看到这2个警戒区。VTS管理平台上可以显示某一时刻整个图面范围内的所有船舶的船名、呼号、船位、吃水和航速等信息, 见图 3。
为了得到2个警戒区的短时船舶交通流密度预测值, 需要从海事局的系统中得到预测所需的初始场资料, 就是上述2个警戒区内某一时刻的船舶信息。
但是, 从海事局VTS管理平台和AIS信息服务平台上可以看出: 海事局现有的资料来源所提供的都是整个页面范围内的所有船舶的信息数据, 不能有针对性地选取研究者关注的某一范围内的船舶信息数据。
图 3 威海海事局VTS管理平台界面Figure 3. Interface of Weihai Maritime Safety Administration VTS management platform为了解决这个问题, 自编了一个可以专门用于对指定海域, 指定时刻的船舶信息数据进行读取的程序软件。使用这个程序软件, 就可以自动读取上述2个海区内每10min一次的船舶信息数据作为预测的初始场数据, 以用于2个警戒区内每10min一次的短时船舶交通流密度预测。数据读取程序软件的显示面板见图 4。数据读取后的资料可以保存在Access格式中, 图 5为自编的船舶信息数据自动读取程序得到的数据样本。在MATLAB上面使用前节所述的极限学习机算法进行编程, 即可对读取的船舶交通流信息数据进行分析。
3. 仿真实例分析
以中国北方海区成山角分道通航制北口内警戒区和外警戒区的在航船舶为仿真应用实例, 分析验证能见度不良天气下海上交通安全风险评估模型的有效性, 数据预测的准确性和预警系统的可靠性。为此, 将成山角海域内外警戒区按照2n mile×2nmile网格进行划分和编号见图 6。
图 4 自编的船舶信息自动读取程序软件显示面板Figure 4. Display panel of self-compiled ship information automatic reading program software选取2016年1月8日9:20在成山角海域外警戒区附近的一艘8万吨级巴拿马型在航散货船为实例进行分析验证, 船位为37°46′N、122°40′E, 航向为143°, 航速为12kn。
图 6 成山角海域内外警戒区网格划分编号Figure 6. Grid partition numbers of Chengshanjiao internal and external sea alert areas按照系统工作流程, 首先将船舶信息数据输入系统, 则系统自动计算并显示出该轮在10:21至11:22通过成山角海域外警戒区以及该轮通过成山角外警戒区时每10min一次的船舶所处网格点的位置。同时, 系统中的2个预测子系统和风险矩阵知识库分别输出该轮当日10:30至11:20所经过的各网格点内每10min一次的能见距离、交通流密度预测值和相对应的风险矩阵。然后, 系统运用能见度不良天气下海上交通安全风险评估模型, 计算得出未来船舶通过成山角外警戒区时段内每10min一次的风险等级状况预警结果, 并在系统页面下方对应的时间窗内以不同颜色的色标显示和在页面上船舶计划航线的预计船位上以不同颜色的圆点显示。表 5给出了相关数据和计算结果, 系统预警效果见图 7。
表 5 实例数据和计算结果Table 5. Example data and calculation results
从表 5和图 7中可以看出: 自10:50起风险等级将升级为橙色, 风险较大; 而至11:10, 能见度距离减小, 通航密度增大, 已升级为红色风险, 该轮不应继续保持原来的航向航速而盲目航行。根据这样的预警结果, 海事主管部门应提前向该轮发出安全风险预警和操作建议, 并实施严密的跟踪与监控; 该轮船长应考虑择地锚泊或滞航并报告公司, 以保证船舶的航行安全。同时, 还可继续使用该系统, 判断是否可以通过绕航或推迟通过海域的时间, 以达到安全通过海域的目的。
继续使用系统并多次尝试, 若推迟1h通过, 即在9:20的船位滞航1h后再续航, 则该海域的风险等级均为黄色, 船舶可采取必要措施并安全通过该海域。
调整通过时间后的实例数据和计算结果见表 6, 相应的预警效果见图 8。
表 6 调整通过时间后的实例数据和计算结果Table 6. Example data and calculation results after adjusting passing times
从表 5、6中可以看出: 系统实现了2个不同时间段12个时间点的能见距离和船舶交通流密度的连续滚动预测, 能见距离连续预测准确率分别达到75%、75%、80%、75%、80%、75%和75%、75%、80%、80%、80%、75%, 相应的交通流密度连续预测准确率全部达到80%。
从图 7、8中可以看出: 系统实现了2个不同时间段12个时间点海上交通安全风险预警和船舶规避重大海上交通安全风险并安全通过航行海域的时间数据; 基本实现了重点关注海域2nmile×2nmile空间网格、时间步长10min的能见距离预测和船舶交通流密度连续滚动预测; 能见度不良天气下海上交通安全风险评估模型有效, 系统输出数据与实际状况基本一致, 预警可靠, 系统基本实现了能见度不良天气下海域风险和船舶航行风险的可视化、智能化预警监控功能。
4. 结语
(1) 提出了能见度不良天气下海上交通安全风险预警方法, 优化了评估模型, 改进了风险矩阵的确定方式和短时船舶交通流密度预测方法, 突出了重点关注船舶, 健全了具有可视化、智能化预警监控功能的能见度不良天气下海上交通安全风险预警系统, 属于一项技术创新, 初步解决了能见度不良天气下海上交通安全风险预警系统缺乏的问题和现有海事专业气象保障尚不能满足海上交通安全风险预警多样化和高精度的问题。
(2) 构建的预警系统较为有效地提供了风险预警和操作建议, 初步解决了能见度不良天气下重点关注船舶未来某一时段内在某一重点关注海域能不能安全航行和如何安全航行的关键性问题, 为海事主管部门的海上交通安全监管、航运企业的船舶安全管理和航海者的安全操作提供参考依据、技术手段和实际指导。
(3) 在具体的实际应用中, 建议根据不同用户的性质和需求, 进一步深化系统研发、完善系统功能, 逐步提高系统智能化水平。同时, 建议针对不同的重点关注海域, 进一步考虑该海域可能影响海上交通安全的其他风险因子, 努力做到“因地制宜, 量身定制”。
-
图 2 成山角分道通航进出口位置
Figure 2. Entrance and exit location of Chengshanjiao traffic separation
图 3 威海海事局VTS管理平台界面
Figure 3. Interface of Weihai Maritime Safety Administration VTS management platform
图 4 自编的船舶信息自动读取程序软件显示面板
Figure 4. Display panel of self-compiled ship information automatic reading program software
图 6 成山角海域内外警戒区网格划分编号
Figure 6. Grid partition numbers of Chengshanjiao internal and external sea alert areas
表 6 调整通过时间后的实例数据和计算结果
Table 6. Example data and calculation results after adjusting passing times
下载: 导出CSV
-
[1] GOERLANDT F, KUJALA P. Traffic simulation based ship collision probability modeling[J]. Reliability Engineering and System Safety, 2011, 96 (1): 91-107. doi: 10.1016/j.ress.2010.09.003 [2] LI Wei-feng, MEI Bin, SHI Guo-you. Automatic recognition of marine traffic flow regions based on kernel density estimation[J]. Journal of Marine Science and Technology, 2018, 26 (1): 84-91. [3] 周葵, 吴伟, 姚文静, 等. 雾天高速公路交通风险评估[J]. 交通科学与工程, 2015, 31 (1): 79-84. https://www.cnki.com.cn/Article/CJFDTOTAL-CSJX201501014.htmZHOU Kui, WU Wei, YAO Wen-jing, et al. Highway traffic safety assessment in foggy weather[J]. Journal of Transport Science and Engineering, 2015, 31 (1): 79-84. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CSJX201501014.htm [4] 刘大刚, 吴彬贵, 解以扬, 等. 海事气象保障服务现状及发展趋势[J]. 中国航海, 2014, 37 (1): 131-135. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGHH201401030.htmLIU Da-gang, WU Bin-gui, XIE Yi-yang, et al. Present state and development trend of maritime meteorological support service[J]. Navigation of China, 2014, 37 (1): 131-135. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZGHH201401030.htm [5] LIU Dong-dong, SHI Guo-you, LI Wei-feng. Decision support based on optimal collision avoidance path and collision risk[C]//IEEE. IEEE 2018 3rd International Conference on Intelligent Transportation Engineering. New York: IEEE, 2018: 164-169. [6] LI Wei-feng, MA Wen-yao, YANG Jia-xuan, et al. The assessment of risk of collision between two ships avoiding collision by altering course[C]//Springer. International Conference on Algorithms and Architectures for Parallel Processing. Berlin: Springer, 2014: 507-515. [7] YIP T L. Port traffic risks-a study of accidents in Hong Kong waters[J]. Transportation Research Part E: Logistics and Transportation Review, 2008, 44 (5): 921-931. doi: 10.1016/j.tre.2006.09.002 [8] CELIK M, LAVASANI S M, WANG Jin. A risk-based modelling approach to enhance shipping accident investigation[J]. Safety Science, 2010, 48 (1): 18-27. doi: 10.1016/j.ssci.2009.04.007 [9] TRUCCO P, CAGNO E, RUGGERI F, et al. A Bayesian belief network modelling of organisational factors in risk analysis: a case study in maritime transportation[J]. Reliability Engineering and System Safety, 2008, 93 (6): 845-856. doi: 10.1016/j.ress.2007.03.035 [10] ÖZBAS B, OR I. Analysis and control of maritime transit traffic through the Istanbul Channel: a simulation approach[J]. Central European Journal of Operations Research, 2007, 15 (3): 235-252. doi: 10.1007/s10100-007-0028-9 [11] SZWED P S. Risk factors and theory building: a study to improve passenger vessel safety[J]. WMU Journal of Maritime Affairs, 2011, 10: 183-208. doi: 10.1007/s13437-011-0010-1 [12] 解以扬, 刘大刚, 吴丹朱, 等. 黄、渤海恶劣天气影响船舶安全的风险预估技术初探[J]. 灾害学, 2014, 29 (1): 136-143. https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201401025.htmXIE Yi-yang, LIU Da-gang, WU Dan-zhu, et al. Risk prediction technology of ship safety in the Yellow Sea and Bohai Sea during severe weather[J]. Journal of Catastrophology, 2014, 29 (1): 136-143. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201401025.htm [13] 吴金龙, 刘大刚, 范中洲, 等. 大风浪条件下渤海海区重点船舶风险评估模型[J]. 中国航海, 2012, 35 (2): 89-92. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGHH201202021.htmWU Jin-long, LIU Da-gang, FAN Zhong-zhou, et al. The risk evaluation model of major vessels in Bohai area in the condition of rough seas[J]. Navigation of China, 2012, 35 (2): 89-92. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZGHH201202021.htm [14] 范中洲, 刘大刚, 刘涛, 等. 基于ECDIS的船舶-大风浪区动态显示系统[J]. 大连海事大学学报, 2012, 38 (3): 11-14. https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201203004.htmFAN Zhong-zhou, LIU Da-gang, LIU Tao, et al. Dynamic display system of vessel-rough sea area based on ECDIS[J]. Journal of Dalian Maritime University, 2012, 38 (3): 11-14. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201203004.htm [15] 吴金龙, 吴彬贵, 刘大刚, 等. 天津港锚地大风条件下锚泊船安全评估系统[J]. 大连海事大学学报, 2013, 39 (1): 49-52. https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201301012.htmWU Jin-long, WU Bin-gui, LIU Da-gang, et al. Safety evaluation system for anchored vessels in Tianjin anchorage under strong wind[J]. Journal of Dalian Maritime University, 2013, 39 (1): 49-52. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201301012.htm [16] 孙成志, 丁德文, 刘大刚. 基于安全航线的海洋水文气象保障辅助决策仿真[J]. 大连海事大学学报, 2014, 40 (2): 47-50. https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201402012.htmSUN Cheng-zhi, DING De-wen, LIU Da-gang. Auxiliary decision-making simulation based on meteorological and hydrologic information for naval navigation security[J]. Journal of Dalian Maritime University, 2014, 40 (2): 47-50. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DLHS201402012.htm [17] 刘大刚, 徐东华, 吴兆麟. 大风浪中航行船舶的危险度估算模型[J]. 交通运输工程学报, 2005, 5 (3): 83-86, 97. http://transport.chd.edu.cn/article/id/200503018LIU Da-gang, XU Dong-hua, WU Zhao-lin. Risk degree assessment model of navigating ship on heavy sea[J]. Journal of Traffic and Transportation Engineering, 2005, 5 (3): 83-86, 97. (in Chinese). http://transport.chd.edu.cn/article/id/200503018 [18] LIU Jing, HUANG Chong-fu. An information diffusion technique for fire risk analysis[J]. Journal of Donghua University: English Edition, 2004, 21 (3): 54-57. [19] BALMAT J F, LAFONT F, MAIFRET R, et al. A decisionmaking system to maritime risk assessment[J]. Ocean Engineering, 2011, 38 (1): 171-176. [20] 于海, 吴琼, 冯学梅, 等. 不同类型船舶伴流数值模拟研究[C]//吴有生, 刘烨, 刘程, 等. 第二十三届全国水动力学研讨会暨第十届全国水动力学学术会议. 北京: 海洋出版社, 2011: 594-602.YU Hai, WU Qiong, FENG Xue-mei, et al. Numerical sinlulation on viscous wake field around various ships[C]∥WU You-sheng, LIU Ye, LIU Cheng, et al. Proceedings of the 23rd National Conference on Hydrodynamics and 10th National Congress on Hydrodynamics. Beijing: China Ocean Press, 2011: 594-602. (in Chinese). [21] 黄崇福. 自然灾害动态风险分析的一个形式化模型[J]. 灾害学, 2015, 30 (3): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201503001.htmHUANG Chong-fu. A formal model for dynamic risk analysis in natural disasters[J]. Journal of Catastrophology, 2015, 30 (3): 1-9. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201503001.htm [22] 熊伟晴, 燕晓波, 姜守旭, 等. 基于BP神经网络和模糊推理系统的短时交通流预测[J]. 智能计算机与应用, 2015, 5 (2): 43-46, 51. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXZ201502013.htmXIONG Wei-qing, YAN Xiao-bo, JIANG Shou-xu, et al. Short-term traffic flow prediction based on BP neural network and fuzzy inference system[J]. Intelligent Computer and Applications, 2015, 5 (2): 43-46, 51. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DLXZ201502013.htm [23] 何月, 张小伟, 蔡菊珍, 等. 基于MTSAT卫星遥感监测的浙江省及周边海区大雾分布特征[J]. 气象学报, 2015, 73 (1): 200-210. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB201501015.htmHE Yue, ZHANG Xiao-wei, CAI Ju-zhen, et al. Distribution characteristics of the fog derived from the MTSAT satellite data in Zhejiang Province and its adjacent sea area[J]. Acta Meterologica Sinica, 2015, 73 (1): 200-210. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB201501015.htm [24] KUJALA P, HÄNNINEN M, AROLA T, et al. Analysis of the marine traffic safety in the Gulf of Finland[J]. Reliability Engineering and System Safety, 2009, 94 (8): 1349-1357. [25] 黄崇福. 自然灾害动态风险分析基本原理的探讨[J]. 灾害学, 2015, 30 (2): 1-7. https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201502001.htmHUANG Chong-fu. Exploration on the basic principles of dynamic risk analysis in natural disasters[J]. Journal of Catastrophology, 2015, 30 (2): 1-7. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201502001.htm [26] HUANG Chong-fu. Multiple internet of intelligences for risk analysis[J]. Journal of Risk Analysis and Crisis Response, 2014, 4 (2): 61-71. [27] 庞西磊, 黄崇福, 张英菊. 自然灾害动态风险评估的一种基本模式[J]. 灾害学, 2016, 31 (1): 1-6.PANG Xi-lei, HUANG Chong-fu, ZHANG Ying-ju. A basic mode for dynamic risk assessment of natural disaster[J]. Journal of Catastrophology, 2016, 31 (1): 1-6. (in Chinese). [28] 黄崇福. 自然灾害动态风险分析的一个虚拟案例[J]. 灾害学, 2015, 30 (4): 1-11. https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201504001.htmHUANG Chong-fu. A virtual case study to analyze dynamic risks of natural disasters[J]. Journal of Catastrophology, 2015, 30 (4): 1-11. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZHXU201504001.htm [29] COX L A. Confronting deep uncertainties in risk analysis[J]. Risk Analysis, 2012, 32 (10): 1607-1629. [30] ZADEH L A. The crisis of under coordination[J]. Journal of Risk Analysis and Crisis Response, 2014, 4 (2): 59-60. [31] 高邈, 史国友, 李伟峰. 改进的Sliding Window在线船舶AIS轨迹数据压缩算法[J]. 交通运输工程学报, 2018, 18 (3): 218-227. http://transport.chd.edu.cn/article/id/201803022GAO Miao, SHI Guo-you, LI Wei-feng. Online compression algorithm of AIS trajectory data based on improved sliding window[J]. Journal of Traffic and Transportation Engineering, 2018, 18 (3): 218-227. (in Chinese). http://transport.chd.edu.cn/article/id/201803022 期刊类型引用(9)
1. 马飞，杨治杰，王江博，孙启鹏，鲍博，郭庆元，黄凯. 基于气象-交通多通道数据融合的短时交通流速度预测模型. 交通运输工程学报. 2024(06): 183-196 . 
本站查看2. 齐正胶. 渔、商船混用狭窄水道进出港风险及对策初探. 航海技术. 2023(03): 21-24 . 
百度学术3. 陶金，潘依然，白春江，孙成志. 中日东北亚海域大风浪预警信息对比分析. 中国海事. 2023(12): 31-34 . 百度学术4. 刘大刚，封室丞，王康辉，赵伟，张增海，张宇彤. 大风浪条件下易流态化固体散货船航行风险预评估系统. 中国航海. 2022(01): 18-23 . 百度学术5. 王发根，胡甚平，胡潇月，谢莹. 琼州海峡影响船舶通航的雨雾气候风险动力学仿真. 上海船舶运输科学研究所学报. 2022(02): 1-9+37 . 百度学术6. 孙肃徽. 港口移动式气象智能监测系统设计. 机电工程技术. 2021(09): 174-178 . 百度学术7. 贾林. 浅析船舶在能见度不良水域的安全航行. 中国水运. 2020(04): 39-40 . 百度学术8. 李先. 集装箱码头配载操作要点研究. 中国水运. 2020(07): 41-43 . 百度学术9. 周翔宇，吴兆麟，王凤武，刘正江. 自主船舶的定义及其自主水平的界定. 交通运输工程学报. 2019(06): 149-162 . 本站查看其他类型引用(13)
-
下载:
百度学术
点击查看大图
计量
- 文章访问数: 1079
- HTML全文浏览量: 221
- PDF下载量: 490
- 被引次数: 22
