基于深度學習的內河船舶污染物排放預測模型研究

摘要 內河船舶污染物排放預測對于分析內河狀態和制定環保政策有重要意義，但目前船舶航行識別的準確性仍然存在問題，導致排放預測結果不準確。為了解決船舶污染物排放過程中存在的航行狀態辨識誤判率高的問題，文章基于深度學習設計了一種新的內河船舶污染物排放預測模型。首先，以船舶運行軌跡為基礎，分析了船舶運行過程中的活動范圍和航向變化，精準識別船舶航行狀態；然后，利用深度學習ConvLSTM模型構建了船舶污染物排放框架，通過卷積計算確定了污染物的排放情況。實驗結果表明，基于深度學習的內河船舶污染物排放預測模型有效解決了航行誤判狀態，在排放數據集上實現了穩定收斂，預測準確度在90%以上。

關鍵詞 深度學習；內河船舶；船舶污染物；排放預測

中圖分類號 U698 文獻標識碼 A 文章編號 2096-8949（2025）05-0010-03

0 引言

隨著全球環境問題日益嚴峻，船舶污染物的排放已成為影響水體和大氣環境的重要因素之一。內河航運作為我國水運網絡的重要組成部分，其船舶的污染物排放對內河水域的生態環境產生了顯著影響。傳統的污染物排放預測方法多依賴于歷史數據和經驗公式，存在預測精度不高、響應速度較慢等問題，難以滿足現代環保監督和管理的需求[1]。

近年來，深度學習作為一種先進的人工智能技術，因其強大的數據處理能力和復雜模式的識別能力，逐漸在各類預測領域中得到廣泛應用。通過深度學習技術，可以挖掘內河船舶運行過程中的復雜數據模式，提高排放預測的準確性和實時性，為環保部門提供更為科學的決策支持。

該文基于深度學習構建一種新的內河船舶污染物排放預測模型，重點研究如何通過網絡規劃、數據篩選與多步預測等技術手段，提升模型的預測精度和響應效率。通過對實際數據的實驗研究，該文將驗證所提模型的有效性，并為未來的內河船舶污染控制提供參考。

1 船舶航行狀態辨識模型

采用基于深度學習的辨識模型，通過分析船舶的航速、航向、主機轉速等多維度數據，構建航行狀態分類器，區分船舶的不同狀態，如停泊、航行、加速和減速等。對船舶的運行數據進行預處理，利用卷積神經網絡（CNN）提取數據中的關鍵特征，通過全連接層進行分類，輸出船舶的航行狀態[2]。

1.1 停泊狀態辨識

停泊狀態是指船舶在港口或錨地停靠時的狀態，此時船舶的速度接近于零，主機功率和油耗也處于較低水平，停泊狀態的船舶污染排放主要來自輔助設備和鍋爐，而非主機。

假設某時刻t的船舶速度為，加速度為，則停泊狀態的基本條件可以表示如下：

（1）

為了更精確地辨識停泊狀態，設置速度閾值vth為

0.5 kn，加速度閾值ath為0.01 kn/s2。當船舶滿足以下條件時，停泊狀態的精確分析過程如下：

（2）

將多時刻的數據輸入到深度學習模型中，通過時間序列進一步分析確認船舶的狀態。設定時間窗口為T，單位為s，則時間區間內的船舶速度和加速度均滿足上述條件時船舶處于停泊狀態。時間序列中的速度和加速度公式如下：

（3）

通過分析時間序列，更準確地辨識停泊狀態，并剔除受偶然因素（如風、流）影響而產生的誤判。

停泊狀態下的船舶功率表示如下：

（4）

式中，Pa——輔助設備功率（w）；Pb——鍋爐功率（w）。

1.2 在航狀態辨識

在航狀態下，船舶主機工作負荷較大，燃油消耗和污染物排放也相對較高。該文通過分析船舶的速度、加速度、航向變化等特征數據，結合深度學習算法，構建了在航狀態的辨識模型[3]。

在航狀態船舶的速度通常大于某一閾值，且加速度較小，表現為勻速或接近勻速航行。假設某時刻t的船舶速度為，加速度為，則在航狀態的基本條件可以表示如下：

（5）

式中，vth——速度閾值，根據船舶類型和航道條件確定。

為了更加精確地辨識在航狀態，將多維特征引入模型，在航狀態還需要滿足以下條件：航向變化率較小，船舶航行路徑較為平穩；主機轉速保持在一定的范圍內。

在實際辨識過程中，考慮航行狀態的復雜性，將時間序列數據輸入到深度學習模型中，通過卷積神經網絡（CNN）提取特征，并結合長短期記憶網絡（LSTM）處理時間的依賴性，最終輸出船舶在不同時間段的航行狀態。

模型的輸入數據可以表示為時間序列形式，具體公式如下：

（6）

分析時間序列，辨識船舶在航狀態。捕捉船舶狀態隨時間的變化趨勢，避免因短暫的速度波動或航向調整而導致誤判。

2 船舶污染物辨識模型

船舶污染物的排放不僅受船舶航行狀態的影響，還與船舶位置、航行路徑以及周邊環境條件密切相關。為了構建精確的船舶污染物辨識模型，利用空間識別技術采集和分析污染物排放數據。將空間信息與污染物排放數據相結合，分析船舶在不同位置和環境下的排放特征。

2.1 基于空間識別技術的污染物排放數據集采集

引入基于空間識別技術的污染物排放數據集采集方法，結合船舶的位置信息和傳感器數據，全面監測船舶在不同航行狀態和環境條件下的污染物排放情況[4]。通過安裝在船舶上的GPS裝置，實時獲取船舶的經緯度、航速v（單位為kn）和航向θ。建立的時間序列形式如下：

（7）

式中，T——數據采集的時間長度（s）。

追蹤船舶的航行路徑，分析其在不同位置和狀態下的排放特征。結合GIS技術，將位置信息映射到實際的地理環境中，從而實現空間維度上的數據整合與分析。

船舶的污染物排放主要包括廢氣（如NOx、SOx、CO2）和廢水（如油污水、含有害物質的壓載水等）。為了準確監測這些污染物的排放情況，在船舶的關鍵部位（如排氣管、壓載水排放口等）安裝各類傳感器，實時記錄污染物的濃度以及排放速率，i表示不同類型的污染物。

在時刻t，污染物排放量（單位為t）的計算過程為：

（8）

通過積累時間序列數據，獲得各類污染物在不同時間、不同地點的排放總量。針對完整的航行周期計算污染物的總排放量，其計算公式如下：

（9）

結合位置信息與排放數據，繪制污染物排放的空間分布圖，利用GIS系統將船舶的航行路徑與對應的污染物排放數據疊加在地圖上，從而直觀展示污染物的空間分布情況。

設為船舶在某一時刻t的位置，則污染物排放的空間分布可以表示如下：

（10）

式中，δ——狄拉克函數，用于確定船舶在位置處的排放量。

通過這一過程，可以識別出污染物的高排放區域，并結合水流速、風速、溫度等環境因素，構建更加全面的污染物擴散模型，進一步提升辨識的準確性。

在完成污染物排放數據的采集后，將這些數據整理成標準化的數據集，用于模型的訓練和驗證。數據集的基本格式如下：

（11）

根據數據集中地船舶的位置信息、污染物濃度、排放速率以及航行狀態等多維度數據，訓練出船舶污染物辨識模型，采用深度學習中的卷積神經網絡（CNN）和循環神經網絡（RNN）相結合的方法，分別提取空間特征和時間特征，最終輸出船舶的污染物排放情況。

模型的訓練過程如下：

（1）數據預處理：對采集到的數據進行清洗和歸一化處理，消除噪聲并提高模型的訓練效率。

（2）特征提取：利用CNN對空間數據進行特征提取，同時利用RNN對時間序列數據進行分析。

（3）模型訓練：通過反向傳播算法優化模型參數，使模型在給定數據集上的預測誤差最小化。

（4）模型驗證：通過獨立的測試數據集，驗證模型的準確性和魯棒性，確保其在實際應用中的有效性。

2.2 基于ConvLSTM的內河船舶污染物排放預測模型

在內河船舶污染物排放預測中，傳統方法往往依賴于歷史數據的簡單線性回歸，無法充分捕捉復雜的時空特征。然而，內河航行環境中的污染物排放具有顯著的時空依賴性，尤其在不同航行狀態下（如停泊、航行、加速、減速）以及不同地理環境中的排放特征差異顯著。因此，為了提高預測精度，該文引入了一種基于卷積長短期記憶網絡（ConvLSTM）的深度學習模型，其能夠有效融合時空特征，精準預測內河船舶的污染物排放。

ConvLSTM模型如圖1所示。

ConvLSTM模型主要有輸入層、多個ConvLSTM層、全連接層和輸出層，其中Xt為輸入，Ht為隱藏狀態，σ為Sigmoid激活函數。輸入層接收經過預處理的時空特征數據，經過多個ConvLSTM層進行特征提取后，通過全連接層生成最終的污染物排放預測值。

（12）

在內河船舶污染物排放預測中，應考慮船舶的航行軌跡、速度、位置、歷史排放數據以及周圍環境條件（如水流速、風速等）對污染物排放的影響。ConvLSTM將時空相關信息融入模型中，通過卷積操作提取空間特征，并通過LSTM單元捕捉時間上的依賴性。為了減少數據噪聲，采用滑動平均法對時間序列數據進行平滑處理，提取輸入數據中的時空特征，將其映射到更高維度的特征空間。通過全連接層，將ConvLSTM層輸出的高維特征映射為污染物排放的預測值。

3 實驗研究

為了驗證基于深度學習的內河船舶污染物排放預測模型的預測效果，進行對比實驗。選用傳統基于多模型融合的預測方法與該文方法進行實驗對比，對船舶的運行軌跡和排放狀態進行預測，得到的實驗結果如圖2所示：

根據圖2可知，傳統方法對于船舶的運行軌跡預測精度較低，在預測過程中很容易出現誤判，預測準確率在70%～80%之間；傳統方法對非線性關系的捕捉能力有限，在應對數據噪聲和異常值時容易出現誤判和偏差。誤判不僅影響了對船舶軌跡的準確預測，還直接影響對污染物排放的評估，限制了傳統方法在實際應用中的可靠性。

相比之下，該文提出的基于深度學習的ConvLSTM模型在處理內河船舶污染物排放預測任務時，表現出顯著的優勢。ConvLSTM模型能夠充分利用卷積網絡的空間特征提取能力和LSTM的時間序列建模能力，有效地捕捉船舶運行軌跡中的復雜時空依賴關系。因此，在污染物排放預測中，ConvLSTM模型的預測精度大幅提升，準確率穩定在90%以上。這一結果表明，ConvLSTM模型不僅能夠更好地適應復雜的航行數據特征，還在應對數據中的噪聲和異常值方面展現出更強的魯棒性，從而顯著提高污染物排放預測的精度和可靠性。

此外，實驗結果進一步驗證了深度學習模型在復雜時空數據建模中的優勢，特別在內河船舶這種多變量、高非線性的預測任務中，ConvLSTM模型通過對時空特征的聯合建模，實現對傳統方法的全面超越。這不僅為內河船舶污染物的排放預測提供了更為準確的技術手段，也為相關環保政策的制定和實施提供了堅實的數據支持。

4 結束語

隨著環境保護要求的提高，內河船舶的污染物排放預測成為關鍵任務。該文研究了基于深度學習的ConvLSTM模型，驗證了其在處理內河船舶污染物排放預測中的有效性。實驗結果顯示，相較于傳統預測方法，ConvLSTM在捕捉時空特征、提高預測準確性方面表現優異，預測精度的提升顯著。

未來，隨著技術的發展和數據的豐富，ConvLSTM模型有望在實時環境監測、政策制定和船舶管理中發揮更大作用。雖然當前模型仍存在計算開銷和泛化能力的挑戰，但其在內河船舶污染物排放預測中的應用前景廣闊，將為環境保護和可持續發展提供重要支持。

參考文獻

[1]張陽，高曙，何偉，等.基于多模型融合的內河船舶航行軌跡預測方法[J].中國機械工程， 2022（10）：1142-1152.

[2]余薇薇，余鈞波，孫尉哲，等.嘉陵江井口段突發性溢油事故影響預測及分析[J].安全與環境學報， 2023（12）：4540-4547.

[3]吳勇，初秀民，劉興龍，等.船舶AIS與視頻圖像信息融合方法研究[J].武漢理工大學學報（交通科學與工程版）， 2023（3）：575-581.

[4]楊港，鄧健，劉少勇，等.內河典型單級單線船閘待閘時間預測模型及優化調度策略[J].水運工程， 2022（12）：196-203.