基于動態海洋環境要素的航行風險評估方法研究

杜 沛, 曾 喆, 任利鋒, 李政海, 楊建昌

基于動態海洋環境要素的航行風險評估方法研究

杜 沛1, 曾 喆1, 任利鋒2, 李政海3, 楊建昌4

(1. 中國石油大學(華東) 海洋與空間信息學院, 山東 青島 266580; 2. 中國石油集團東方地球物理勘探有限責任公司海洋物探分公司, 天津 300457; 3. 青島中遠海運通導科技有限公司, 山東 青島 266001; 4. 海洋石油工程股份有限公司, 天津 300461)

海洋氣象環境復雜多變, 船舶航行風險隨時間演變具有較高的不確定性。本文從時空分析的角度出發, 動態評估船舶的航行風險: 選擇風場、海流、海浪、海溫等4種動態因素和海霧發生頻率、海底地形等2種靜態因素作為評估因子, 使用層次分析法(analytic hierarchy process, AHP)計算各評估因子的權重, 在此基礎上, 利用有序加權方法(ordered weighted averaging, OWA)優化上述權重, 最后結合地理信息系統(geographic information system, GIS)技術生成航行風險評估的動態風險圖。研究表明, AHP-OWA算子能夠突出數值變化較大的評估因子對于風險的影響, 具有較好的穩定性, 動態風險評估結果能夠直觀展示航行風險演化過程。

海洋動態環境; 航行風險評估; AHP; 有序加權方法; 海霧

海上航行安全對于海上油氣運輸、海上冷鏈運輸等海運行業來說十分重要。但是受到船舶自身因素(船齡、貨物等)、航線因素(交通流、助航情況等)、海上環境要素(風速、浪高等)以及人為因素等的影響, 船只在海上的航行安全具有極大的不確定性。定量評估航行風險, 對于船員做出正確的航行決策具有重要意義。目前, 評估航行風險主要從致險因子和評估方法兩個角度出發, 針對不同的情景采用不同的評價方式。評估方法通常采用故障樹分析[1]、模糊推理[2]、貝葉斯網絡[3-5], 層次分析法(analytic hierarchy process, AHP)[6]等方法, 但是總體存在一定的主觀不確定性, 缺乏地理空間的普適性和評估風險的動態性。而在評估因子選取上, 針對不同區域的環境, 有不同的特點, 例如: 對于極地特殊的通航環境, 選取海冰密集度、氣溫、風速和能見度這四個因素為評估因子[7]; 針對中國南海區域的航道, 除了選擇各種海洋環境要素外, 也考慮了航道空間因素(航道離岸距離)和其他因素(海盜武裝搶劫率等)[8]。同時, 船舶自身信息(船齡、材質結構等)和港口信息(港口助航能力、交通流等)也會作為評估因子。在眾多評估因子中, 海霧也是一個影響航行安全的重要要素[9], 但是由于數據獲取較難, 且沒有較好的處理方式, 很多航行風險評估會避開對海霧這一重要風險要素進行探討。近年來, 衛星遙感影像已經成為海霧監測不可或缺的重要技術手段, 基于中分辨率成像光譜儀(MODIS)衛星數據反演日間海霧探測模型準確率能夠達到80%[10-11], 以衛星遙感影像為數據源的海霧監測技術, 讓獲得大量海霧發生數據成為可能。同時在空間域統計海霧發生頻率, 也會成為描述區域氣象特征的重要依據[12], 在地理信息系統(geographic information system, GIS)多決策技術中, 也已經將海霧空間域發生頻率作為一項重要評估因子納入評估體系中[13]。因此, 從歷史數據中統計海霧發生頻率, 可以用來表征區域一段時間內的地理特征, 將其作為航行風險的潛在影響因素納入評估指標中, 會獲得更加合理的評估結果。

同時上述航行風險的評估結果總體呈現為靜態統計結果。但是由于海上多變的氣象和各類環境因素, 航行風險也存在著時間和空間上的變化。靜態的風險統計結果, 在預警和實際應用中缺乏實時性和連續性。如今, GIS技術已經在風險評估、災情跟蹤、響應及部署等方面發揮重要的作用[14]。在航行風險領域, 也會通過GIS技術達到風險可視目的[8]。通過GIS技術和具有時空屬性的海洋環境要素評估海上航行風險, 風險評估結果也應該具有時序更新能力和動態變化能力。這也要求可靠的預報數據源、穩定的數據更新以及成熟的GIS技術。

綜上所述, 本文主要針對試驗區域的特點, 選擇合適的航行風險的評估因子; 從試驗區域3年(2016— 2018)的海霧數據中, 統計空間域海霧發生頻率; 通過AHP-序加權平均算子方法確定每個風險因子的權重, 結合GIS技術, 進行航行風險評價, 并對特定航線進行分析。

1 航行風險評估方法

本文主要從數據、海霧頻率統計和動態航行風險評估三個方面進行描述, 評估流程如圖1所示。

圖1 動態航行風險評估流程圖

1.1 數據

本文使用的動態海洋環境要素數據主要包括: 風場、海浪、洋流、海溫, 靜態數據為海底地形和海霧空間域頻率數據, 具體數據組織形式和數據源如表1所示。

表1 數據信息表

注: NOAA(National Oceanic and Atmospheric Administration)指美國國家海洋和大氣管理局; BODC(British Oceanographic Data Centre)指英國海洋學數據中心; Himawari-8指日本2014年發射的“葵花-8”號衛星

為了方便管理和使用, 可以使用文件型數據庫(MongoDB)對各類環境要素數據進行動態更新和維護。結合表1對本文所用到的數據進行進一步說明:

1) 風場數據

本文所使用的風場數據來自美國國家海洋和大氣管理局(NOAA), 每日北京時間12: 00更新未來99 h風速數據, 用于動態風險評估。數據的空間分辨率為0.5°, 時間分辨率為3 h。數據源網址為: ftp://ftpprd.ncep. noaa.gov/pub/data。

2) 洋流數據

本文所使用的洋流數據來自美國國家海洋和大氣管理局(NOAA), 每日北京時間6: 00更新未來72 h數據, 數據的空間分辨率為0.08°, 時間分辨率為1 h。數據源網址為: https://www.ncei.noaa.gov/threddscoastal/catalog/hycom。

3) 海浪數據

本文所使用的海浪數據來自美國國家海洋和大氣管理局(NOAA), 每日北京時間12: 00更新未來99 h的據, 數據的空間分辨率為0.5°, 時間分辨率為1 h。數據源網址為: ftp://ftpprd.ncep.noaa.gov/pub/data。

4) 溫度數據

本文所使用的溫度數據來自美國國家海洋和大氣管理局(NOAA), 每日北京時間6: 00更新未來72 h溫度數據, 數據的空間分辨率為0.08°, 時間分辨率為3 h。數據源網址為: https://www.ncei.noaa.gov/threddscoastal/ catalog/hycom。

5) 水深數據

本文所使用的水深數據來自英國海洋學數據中心(BODC)。數據格式為NetCDF, 數據的空間分辨率為0.01°, 數據源網址為: http://www.bodc.ac.uk/data/ online_delivery/gebco。

6) 海霧數據

采用SVM方法, 從葵花8(Himawari-8)衛星數據中反演出2016—2018三年的海霧數據, 處理為各月海霧發生頻率統計圖。

各類數據統一處理成0.125°分辨率的柵格, 除了兩種靜態數據外, 動態數據也需在時間維度插值, 統一時空分辨率。

1.2 海霧發生頻率統計

分析區域性海霧發生，空間域頻率統計十分有效, 一段時間內海域存在較高的海霧發生頻率, 說明海域存在一定潛在的航行風險, 將這種潛在風險通過評估方法納入到航行風險的計算結果中, 會使評估結果更加完整。由于海霧的生成、發展及消散的過程與周圍環境密切相關[9], 為了使統計結果具有較為統一的特征, 時間尺度上按月劃分; 空間尺度上, 將海域劃分為0.125°的柵格。每個柵格的統計值根據公式(1)獲得:

1.3 評估準則

評估準則用于界定評估的整體體系, 制定合適的航行風險評估準則, 對于合理的風險結果十分重要。綜合考慮數據支持程度和風險評估的合理性。定義航行風險(1)最終評估目標, 包括3個一級準則: 海洋動力環境(1)、海上氣象環境(2)、區域特征環境(3), 其中海洋動力環境是指海域海面狀況, 包括浪高(1)和洋流速度(2); 海上氣象環境指區域海況天氣狀況, 包括風速(3)和海溫(4); 區域特征環境是指能夠表征區域環境特征的要素, 包括海底地形(5)和海霧發生頻率(6), 故二級準則共包括6個。

1.4 風險權重確定

AHP方法作為一種決策方法, 其定權方式能與GIS制圖技術有效結合起來, 在GIS空間多決策技術中有廣泛使用[15]。為了獲取各個評估指標相對于航行風險決策的權重, 本文采用調查問卷的方式獲取數據, 對23位具有豐富海上航行經驗的專家進行問卷提問, 根據AHP打分規則, 提出類似“你認為海洋環境要素A和要素B對于海上航行安全哪個更為重要？”的問題, 獲得專家打分, 之后對數據進行統一均值處理開始AHP定權, AHP定權的具體步驟如下:

1) 采用一致矩陣法構建判斷矩陣。

2) 計算矩陣特征值, 取最大特征值所對應的特征向量, 對其進行歸一化處理。

3) 對歸一化的特征向量進行一致性檢驗, 計算一致性比率。

4) 當一致性比率小于0.1時, 認為結果具有可靠的一致性, 通過一致性檢驗, 將歸一化后的特征向量作為權向量; 否則重新構建判斷矩陣重復第1～4步。

通過以上步驟, 得到每個風險評估因子的權重, 具體權重結果如表2所示。

表2 評估因子權重表

1.5 權重優化

有序加權方法[16](OWA), 是將數據按照數值大小進行重新排序, 通過數據在排序中的位置進行加權聚合。基于問卷調查數據得到的AHP權重, 在一定程度上包含著人為主觀因素, 而有序加權平均算子, 能夠優化各個評估因子的權重, 突出對風險影響較大的評估因子。為了更加科學、合理地獲取權重, 引入有序加權平均算子進一步對權重進行優化, 突出排名靠前的評估因子的重要性。

有序加權方法的核心是對給定的數據重新排序定權, 其中所涉及到的排序定權方法有很多種, 考慮到海洋環境要素之間可能存在的相關性, 本文選擇均值相似度的權重算子[17]。具體來說: 對于一個有序加權平均算子:

因此, 有序加權方法(OWA)權重計算公式為公式(3):

根據上述公式可對經過歸一化后的海洋環境要素在每個柵格像素值上重新排序, 在AHP方法中得到較低打分的評估因子, 在排名靠前時, 也有機會體現其重要性, 最終風險值用公式(4)來計算。

得到的風險值劃分為五個層次: [0, 0.2]安全、[0.2, 0.4]較安全、[0.4, 0.6]不太安全、[0.6, 0.8]危險、[0.8, 1]很危險。

通過上述方法, 計算每個柵格像素的風險值, 利用GIS技術制作航行風險圖, 在選定的時刻, 提取各類動態要素時刻和時刻后的預報數據, 根據需要對數據進行插值, 統一空間分辨率和時間分辨率, 依照時間順序連續計算航行風險, 實現航行風險的動態展示。

2 實例分析

2.1 實驗區域簡介

本文選擇部分黃海區域作為實驗區, 具體如圖2, 該區域北部通過渤海海峽和渤海相連, 南與北海相連, 東臨朝鮮半島, 是我國重要的海上通道。該海域水產豐富, 對于氣候變化和環境污染較為敏感, 若出現類似海冰等自然災害導致航行事故, 會造成重大的經濟損失[18]。同時區域海霧出現頻率較高, 海霧年出現頻率在23%[12], 局部區域連續霧天能達到83 d[19], 具有季節特點。

對于航線, 本文選取成山角水域—連云港的中華人民共和國海事局官方推薦航線(圖2中黑色航道), 該航線整體水深在16 m以上, 專家提示要規避大風、大浪以海霧影響[20]。

圖2 實驗區域示意圖

2.2 海霧空間域頻率統計

黃海作為海霧高區域, 海霧出現頻率在季節上和空間分布上的差異較為明顯, 選取每日上午9時的Himawari-8衛星數據進行海霧反演, 統計2016—2018年共1 104天的反演結果, 得到海霧空間域發生頻率, 選取部分統計結果, 如圖3, 黃海海霧最高發生季節出現在夏季(6月、7月), 逐漸轉向秋季時, 海霧發生頻率開始減小到0.16(8月到10月), 與黃海海霧發生頻率之前的統計結果一致[19]。從空間海霧發生頻率看到海霧發生規律, 沿岸區域在相同季節發生海霧的頻率總體要大于其他區域, 對近岸航行來說存在潛在風險。

圖3 海霧發生頻率統計圖

2.3 動態風險評估

本文選擇黃海霧季2020年7月30日和非霧季2020年10月12日00: 00到09: 00間隔3 h的兩組數據進行對比實驗。實驗所選擇的兩天數據海洋環境條件接近。海域整體風險評估結果如圖4: 黃海區域西側航行風險相對高于東側, 霧季7月30日的風險評估結果整體高于非霧季10月12日的結果, 單獨觀察一日內的實驗結果, 風險值整體變化不大, 局部可以看到風險演化過程(7月30日北部靠岸區域風險值隨時間逐漸增大), 評估結果體現了動態性和連續性。

風險值相對較高區域聚集于黃海西部沿海, 由于水深緣故, 有序加權平均算子在此區域將地形因子的重要性通過排序選出, 給予較高的權重, 風險值相對較高且變化穩定。在遠離海岸區域的風險受到各種評估因子的變化, 呈現出一種整體變化較小, 局部細節動態改變的特點; 其次7月處于霧季, 較高的海霧發生頻率讓評估的風險值整體大于10月份, 體現了黃海區域航行風險時空分布的特點; 實驗中10月12日最高風險值到0.48, 未達到危險程度, 7月30日最高風險達到0.58, 接近危險程度, 說明霧季航行需要格外注意。

成山角水域—連云港港航線的航行風險情況如圖5, 能夠直觀地看到不同時間航線風險的空間分布特點。在10月12日航線風險最大值達到0.45, 未達到危險(0.6～0.8)的程度, 航線風險從兩端向中段發展, 在7月30日航線風險整體高于10月12日, 最高為0.52, 航線南部的風險大于其他區域, 隨著時間發展, 風險有向北發展的趨勢。分析航線中部坐標點為(121.225°E, 35.519°N)的各評估因子(如圖6), 10月12日各因子的數值呈現緩慢上升趨勢, 風險值也從0.34上升到0.41, 海霧發生頻率僅為0.06, 對航線風險基本無影響, 7月30日, 風險也呈現緩慢上升的趨勢, 但在9: 00, 風速、浪高的數值有所下降, 洋流速度突然增大, 此時計算風險值結果為0.453, 比6: 00高0.012, 說明OWA算子通過重新排序定權發現突然增大的流速值, 將洋流較小的權重(0.116 3)增大, 讓風險計算結果保持穩定。7月該點海霧發生頻率為0.12, 計算的風險值在相近的海洋環境中大于10月。

圖4 風險評估結果

圖5 成山角水域—連云港港航線風險變化

圖6 評估因子變化情況

整體來看, 該方法能夠動態評估區域某一時段的航行風險, 風險演變過程直觀清晰; 評估結果能夠體現研究區域霧季和非霧季航行風險不同的特點; 同時計算結果穩定, 能夠體現區域航行風險的特點。

3 結論

本文主要從時空分析的角度出發探討動態航行風險評估的方法, 將海霧發生頻率也作為一個重要的風險評估因子, 并使用AHP和OWA方法相結合計算權重, 最后利用GIS技術動態生成航行風險圖。能夠看到, 海霧發生頻率能夠體現區域在某段時間內的環境特點, 將其作為一個評估因子, 對評估目標海域的航行風險具有重要意義。同時結合AHP和OWA方法計算航行風險值, 能突出數值變化明顯的評估因子對于風險的影響, 合理地評估航行風險。動態的風險評估結果能夠直觀展示航行風險的演化過程。

其次, 本文尚未考慮降雨(暴雨、雷陣雨等)對航行安全的影響, 下一步將在原算法基礎上完善數據, 開展深入研究。

[1] SENOL Y E, SAHIN B. A novel real-time continuous fuzzy fault tree analysis (RC-FFTA) model for dynamic environment[J]. Ocean Engineering, 2016, 127: 70-81.

[2] BALMAT J F, LAFONT F, MAIFRET R, et al. A decision-making system to maritime risk assessment[J]. Ocean Engineering, 2011, 38(1): 171-176.

[3] ELEYE-DATUBO A G, WALL A, WANG J. Marine and offshore safety assessment by incorporative risk modeling in a fuzzy-Bayesian network of an induced mass assignment paradigm[J]. Risk Analysis, 2008, 28(1): 95-112.

[4] AFENYO M, KHAN F, VEITCH B, et al. Arctic shipping accident scenario analysis using Bayesian network approach[J]. Ocean Engineering, 2017, 133: 224-230.

[5] 萬偉強. 基于貝葉斯網絡的渤海灣客滾船風險評估及分級[D]. 武漢: 武漢理工大學, 2017.

WAN Weiqiang. Risk assessment and classification of Ro-Ro passenger ships in Bohai Bay based on Bayesian network[D]. Wuhan: Wuhan University of Technology, 2017.

[6] LEE H H, KIM C S. An analysis on the relative importance of the risk factors for the marine traffic environment using analytic hierarchy process[J]. Journal of the Korean Society of Marine Environment & Safety, 2013, 19(3): 257-263.

[7] 單雨龍, 張韌, 李明. 基于動態貝葉斯網絡的北極東北航道關鍵海區通航可行性研究[J]. 極地研究, 2019, 31(1): 94-102.

SHAN Yulong, ZHANG Ren, LI Ming. A feasibility study on navigation in a key sea area of the northeast passage of the arctic based on the dynamic Bayesian network[J]. Chinese Journal of Polar Research, 2019, 31(1): 94-102.

[8] WANG J, LI M, LIU Y, et al. Safety assessment of shipping routes in the South China Sea based on the fuzzy analytic hierarchy process[J]. Safety Science, 2014, 62: 46-57.

[9] GULTEPE I, CANADA E, MILBRANDT J A, et al. The fog remote sensing and modeling field project[J]. Bulletin of The American Meteorological Society, 2009, 90(3): 341-359.

[10] 肖艷芳, 張杰, 崔廷偉, 等. 海霧衛星遙感監測研究進展[J]. 海洋科學, 2017, 41(12): 146-154.

XIAO Yanfang, ZHANG Jie, CUI Tingwei, et al. Review of sea fog detection from satellite remote sensing data[J]. Marine Sciences, 2017, 41(12): 146-154.

[11] 劉樹霄, 衣立, 張蘇平, 等. 基于全卷積神經網絡方法的日間黃海海霧衛星反演研究[J]. 海洋湖沼通報, 2019(6): 13-22.

LIU Shuxiao, YI Li, ZHANG Suping, et al. A study of daytime sea fog retrieval over the Yellow Sea based on fully convolutional networks[J]. Transactions of Ocea-nology and Limnology, 2019(6): 13-22.

[12] DORMAN C E, MEJIA J, KORA D, et al. World marine fog analysis based on 58-years of ship observations[J].International Journal of Climatology, 2020, 40(1): 145-168.

[13] SARAF A K, BORA A K, DAS J, et al. Winter fog over the Indo-Gangetic Plains: mapping and modelling using remote sensing and GIS[J]. Natural Hazards, 2011, 58(1): 199-220.

[14] 杜清運, 王煜淼, 劉紀平, 等. 面向災害應急服務的自適應制圖技術[J]. 武漢大學學報(信息科學版), 2020, 45(8): 1117-1125.

DU Qingyun, WANG Yumiao, LIU Jiping, et al. Adaptive cartographic techniques for disaster emergency services[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1117-1125.

[15] CHANDIO I A, MATORI A N B, WANYUSOF K B, et al. GIS-based analytic hierarchy process as a multicriteria decision analysis instrument: A review[J]. Arabian Journal of Geosciences, 2013, 6(8): 3059-3066.

[16] YAGER R R. On ordered weighted averaging aggregation operators in multicriteria decision-making[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1988, 18(1): 183-190.

[17] XU Z H. An overview of methods for determining OWA weights[J]. International Journal of Intelligent Systems, 2005, 20(8): 843-865.

[18] 劉成, 車達升, 李曉東. 黃渤海海冰分布特征及其影響因子[J]. 資源科學, 2019, 41(6): 1167-1175.

LIU Cheng, CHE Dasheng, LI Xiaodong. Sea ice distribution and influencing factors in the yellow sea and the Bohai Sea during winter 2018[J]. Resources Science, 2019, 41(6): 1167-1175.

[19] 張蘇平, 鮑獻文. 近十年中國海霧研究進展[J]. 中國海洋大學學報(自然科學版), 2008(3): 359-366.

ZHANG Suping, BAO Xianwen. The main advances in sea fog research in china[J]. Periodical of Ocean University of China, 2008(3): 359-366.

[20] 中華人民共和國海事局.中國沿海航行指南: 北方海區[M]. 北京: 人民交通出版社, 2018: 183-187.

Maritime Safety Administration of the People’s Republic of China. China coastal navigation guide: northern sea area[M]. Beijing: China Communications Press Limited Liability Company, 2018: 183-187.

Navigation risk assessment method based on dynamic marine environmental factors

DU Pei1, ZENG Zhe1, REN Li-feng2, LI Zheng-hai3, YANG Jian-chang4

(1. College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao 266580, China; 2. China National Petroleum Corporation Marine Geophysical Prospecting Branch, Tianjin 300457, China; 3. Cosco Shipping (Qingdao) Electronics Limited Liability Company, Qingdao 266001, China; 4. Offshore Oil Engineering Limited Liability Company, Tianjin 300461, China)

Navigation risk has a higher uncertainty with the complicated evolution of maritime meteorology environment over time. In this study, we dynamically evaluate the navigation risk of ships using spatial–temporal analysis. Four dynamic marine environmental factors, namely, wind field, current, wave, and sea temperature; and two static marine environmental elements, namely, sea fog frequency and submarine topography, are selected as the evaluation criteria. The preliminary weights of each evaluation criterion are calculated using analytical hierarchy process (AHP) and the optimized weights are developed using the ordered weighted averaging (OWA) combined AHP. Dynamic risk maps of navigation assessment are generated with the support of Geographic Information System. Results show stable performances. This study reveals that the significant impact of evaluation criteria with a large numerical variation on navigation risk can be highlighted by the AHP–OWA method. Furthermore, the dynamic assessment results obtained in this study can directly show the evolution process of navigation risk.

marine environmental factors; dynamic navigation risk assessment; AHP; OWA; sea fog

Nov. 8, 2020

P732.1; P285.7

A

1000-3096(2021)05-0121-09

10.11759/hykx20201108005

2020-11-08;

2020-12-07

國家重點研發計劃(2017YFC1405600)

[National Key R & D Plan, No. 2017YFC1405600]

杜沛(1998—), 男, 甘肅平涼人, 碩士, 主要從事航行風險評估研究, E-mail: dupei2020@126.com; 曾喆(1979—), 男,通信作者, 碩士生導師, 主要從事GIS與遙感方向研究, E-mail: zengjay@outlook.com

(本文編輯: 楊 悅)