基于神經(jīng)網(wǎng)絡(luò)和小波變換的長江山區(qū)航道霧情時(shí)空分布

謝 斌， 高 嵩， 初秀民， 潘育明， 劉懷漢(1.武漢理工大學(xué) 智能交通系統(tǒng)研究中心， 武漢 4006； 2.國家水運(yùn)安全工程技術(shù)研究中心, 武漢 4006; .長江航道局， 武漢 40010)

基于神經(jīng)網(wǎng)絡(luò)和小波變換的長江山區(qū)航道霧情時(shí)空分布

謝 斌1,2， 高 嵩1,2， 初秀民1,2， 潘育明3， 劉懷漢3
(1.武漢理工大學(xué) 智能交通系統(tǒng)研究中心， 武漢 430063； 2.國家水運(yùn)安全工程技術(shù)研究中心, 武漢 430063; 3.長江航道局， 武漢 430010)

為研究長江山區(qū)航道霧情時(shí)空分布特征，保障長江航運(yùn)安全,在總結(jié)前期研究成果、收集長江山區(qū)航道多年霧情數(shù)據(jù)的基礎(chǔ)上，提出霧情綜合指數(shù)的概念。利用BP神經(jīng)網(wǎng)絡(luò)建立該航道霧情空間分布特征模型，劃分出霧情等級(jí)較高的霧區(qū)。利用小波變換系數(shù)表征航道霧情時(shí)間分布特征,得到霧情年際變化特征，并在統(tǒng)計(jì)分析月分布數(shù)據(jù)的基礎(chǔ)上得到霧情月分布特征。該研究可為長江航運(yùn)安全管理預(yù)警提供支持。

水路運(yùn)輸； 長江山區(qū)航道霧； 時(shí)空分布； 霧情綜合指數(shù)； BP神經(jīng)網(wǎng)絡(luò)； 小波變換

長江山區(qū)航道從宜賓的合江門開始,至宜昌的大埠街結(jié)束，全長1 095 km,整個(gè)河道支流眾多，呈現(xiàn)出地勢起伏、迂回曲折和寬窄相間的形態(tài)。河道兩岸特殊的地形環(huán)境與水體相互作用，導(dǎo)致水面經(jīng)常出現(xiàn)濃霧彌漫的景象。王中等[1]通過查閱和分析三峽庫區(qū)的9個(gè)沿江氣象站的氣象資料，認(rèn)為目前影響庫區(qū)航道通航安全的主要?dú)庀笠蛩厥堑湍芤姸?，而霧是能見度降低的主要因素。張義軍等[2]發(fā)現(xiàn)，隨著三峽庫區(qū)蓄水水位增加，大風(fēng)大霧天氣導(dǎo)致船閘被迫停運(yùn)的情況日益嚴(yán)重。羅菊英等[3]利用霧情分布與時(shí)空的相關(guān)性研究鄂西南地區(qū)不同地形條件下的霧情時(shí)空分布特征。前期研究表明研究長江山區(qū)航道霧情時(shí)空分布的必要性和可行性，但是這些研究大多基于遠(yuǎn)離航道的地面氣象站，對(duì)三峽蓄水后霧情數(shù)據(jù)的收集不足，對(duì)局地性較強(qiáng)的航道霧情變化缺乏代表性，不足以為長江航運(yùn)安全提供具體指導(dǎo)；同時(shí)，多數(shù)據(jù)之間缺乏統(tǒng)一的量化標(biāo)準(zhǔn)，只局限于定性論述，缺乏定量分析。因此，提出霧情綜合指數(shù)(Fog Composite Index，F(xiàn)CI)，制定霧區(qū)等級(jí)劃分標(biāo)準(zhǔn)，對(duì)該航道進(jìn)行霧區(qū)等級(jí)劃分。在空間分布研究中，利用近江面航道霧情監(jiān)測站的數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，擬合出該航道逐里程FCI分布，在掌握航道霧情整體分布情況的同時(shí)找到霧區(qū)等級(jí)較高的區(qū)域進(jìn)行重點(diǎn)關(guān)注。在時(shí)間分布研究中，根據(jù)多年霧情資料和實(shí)地考察數(shù)據(jù)，分析年際分布特征和三峽蓄水對(duì)航道霧情的影響；同時(shí)，通過航道霧情監(jiān)測站數(shù)據(jù)和實(shí)地考察數(shù)據(jù)得到霧情月分布特征，為航運(yùn)安全提供具體理論指導(dǎo)。

1 數(shù)據(jù)采集與處理

1.1數(shù)據(jù)采集

選取重慶、涪陵、萬州、奉節(jié)、巴東和宜昌等6個(gè)具有代表性的氣象站1954—2008年逐年的霧情資料，分析該航道的霧情年際變化特征。選取長江航道局布設(shè)在重慶至奉節(jié)航道上的具有代表性的39個(gè)霧情監(jiān)測站(見圖1)2011—2013年逐日的霧情資料和長江航道局實(shí)地測量的地理信息數(shù)據(jù)，分析該航道的霧情時(shí)空分布特征。

圖1 長江山區(qū)航道霧情監(jiān)測站分布

由于該航道霧情具有局地性和突發(fā)性強(qiáng)的特點(diǎn)，僅根據(jù)現(xiàn)有霧情監(jiān)測站不足以揭示出更多時(shí)空分布規(guī)律及分析出三峽工程蓄水對(duì)航道霧情分布的影響，因此進(jìn)行前后3個(gè)月的實(shí)地考察，以調(diào)查問卷的形式收集霧情分布數(shù)據(jù)。調(diào)查的對(duì)象有常年在長江上從事航運(yùn)的船員、監(jiān)管航運(yùn)的海事人員以及航道辦事處的工作人員；調(diào)查的數(shù)據(jù)可彌補(bǔ)航道霧情資料在覆蓋范圍上的不足，并對(duì)預(yù)測模型進(jìn)行驗(yàn)證。

1.2數(shù)據(jù)處理

年際數(shù)據(jù)中，若某年份的某個(gè)時(shí)段缺測，則該年份的數(shù)據(jù)被剔除，取相鄰兩年數(shù)據(jù)的平均值作為該年的數(shù)據(jù)。根據(jù)航道部門的規(guī)定，1 500 m視距已對(duì)航運(yùn)產(chǎn)生影響，1 000 m以下視距應(yīng)禁止下行船舶航行，500 m視距應(yīng)禁止上行船舶航行。這里提出一種量化某一地點(diǎn)霧情等級(jí)的指標(biāo)FCI。

Ii=0.05Ai+0.15Bi+0.4Ci

(1)

式(1)中：Ii為i站的FCI;Ai為i站點(diǎn)出現(xiàn)輕霧(<1 500 m)的頻次;Bi為出現(xiàn)中霧(<1 000 m)的頻次;Ci為出現(xiàn)大霧(<500 m)的頻次;0.05,0.15和0.4分別為輕霧、中霧和大霧的權(quán)重系數(shù)。這里計(jì)算FCI時(shí)的權(quán)重系數(shù)由霧情對(duì)長江航道船舶流量的影響確定。中霧時(shí)下行船舶需禁航，大霧時(shí)上行和下行船舶均需禁航，因此大霧造成的影響可視為中霧的2倍。但是，根據(jù)霧情特征統(tǒng)計(jì)數(shù)據(jù)，大霧的延續(xù)時(shí)間一般比中霧長，對(duì)航運(yùn)的不利影響更大，因此根據(jù)霧情的消散規(guī)律，選取大霧的權(quán)重系數(shù)為0.4，中霧的權(quán)重系數(shù)為0.15。一般發(fā)生輕霧時(shí)不會(huì)禁航，但是輕霧在溫度下降、地面蒸發(fā)和微弱的湍流交換等因素影響下可能會(huì)在短時(shí)間內(nèi)達(dá)到中霧的級(jí)別，然后才逐漸消散或抬變成碎層云，因此根據(jù)出現(xiàn)輕霧變濃的概率和時(shí)間長度，選取輕霧的權(quán)重系數(shù)為0.05。表1將相應(yīng)范圍FCI劃分為5個(gè)等級(jí)，I級(jí)到V級(jí)霧情逐漸加重，其中自然描述即為調(diào)查選項(xiàng)。根據(jù)式(1)計(jì)算得到的39個(gè)霧情監(jiān)測站的FCI分布情況見圖2，統(tǒng)計(jì)表見表2。

表1 霧區(qū)等級(jí)劃分表

圖2 長江山區(qū)航道FCI分布情況(自西向東)

2 空間分布特征

長江山區(qū)航道霧是水體和兩岸地理環(huán)境相互作用的結(jié)果。[4]從地理角度分析，各地海拔高度、河道寬度和風(fēng)力大小等因素的不同，導(dǎo)致霧情空間各不相同。[5-6]根據(jù)慣性定律，若霧情監(jiān)測站附近一定區(qū)域內(nèi)地形條件相近,則其霧情相似。因此，可運(yùn)用數(shù)學(xué)擬合方法推測整個(gè)長江山區(qū)航道的霧情分布情況。由于地理信息包括的變量較多，多變量與FCI具有非線性關(guān)系，因此需采取非線性計(jì)算模式來擬合多變量與FCI的關(guān)系。目前，BP神經(jīng)網(wǎng)絡(luò)是處理該類多變量非線性關(guān)系行之有效的數(shù)學(xué)方法。[7]這里采用的地理信息數(shù)據(jù)包含7個(gè)變量，其中:經(jīng)度、緯度、海拔高度和河道寬度均為定量測得;河面彎曲度、河道變化劇烈程度和河道支流岔道采用(0，1)化處理，即存在相應(yīng)地形變化為1，否則為0。表2中各站的FCI作為期望值。

表2 霧情綜合指數(shù)FCI統(tǒng)計(jì)表

采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)[8]，將39個(gè)觀測點(diǎn)地理信息數(shù)據(jù)作為訓(xùn)練樣本，網(wǎng)絡(luò)結(jié)構(gòu)為7—12—1，即3層BP網(wǎng)絡(luò)：輸入層(7個(gè)神經(jīng)元)、隱含層(12個(gè)神經(jīng)元)和輸出層(1個(gè)神經(jīng)元)。經(jīng)過測試發(fā)現(xiàn),隱含層神經(jīng)元為12時(shí)收斂速度較快,且擬合效果最好。隱含層將logsig作為傳遞函數(shù)，輸出層將purelin作為傳遞函數(shù)。選取貝葉斯歸一化的訓(xùn)練函數(shù)，提高函數(shù)逼近的效果，網(wǎng)絡(luò)模型擬合效果見圖3。

網(wǎng)絡(luò)訓(xùn)練完畢后，代入地理信息數(shù)據(jù)，求取逐里程FCI分布情況(見圖4)。前期研究成果認(rèn)為，整個(gè)長江山區(qū)航道的霧情呈中間多、兩端少的整體分布。重慶境內(nèi)航道西段多出現(xiàn)低能見度(<1 000 m)情況，并集中在萬州以上河段。[1]其中:涪陵石沱至萬州財(cái)神石、明月峽一帶最為嚴(yán)重，宜賓至瀘州、奉節(jié)至宜昌段霧情較輕(見圖5)，與圖4變化趨勢相符。[4-6]選取圖1中的39個(gè)監(jiān)測站里程以外的宜賓段牛巷口、銅鼓灘和石雞尾及瀘州段的神背咀、通路口和東海沱等6處航道霧情點(diǎn)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本范圍以外的采樣點(diǎn)，樣本范圍以內(nèi)FCI的實(shí)測選取臨近航道的11處氣象部門氣象監(jiān)測站(見圖6)的數(shù)據(jù)。由表3可知，預(yù)測FCI與調(diào)查問卷統(tǒng)計(jì)的航段霧情等級(jí)情況符合效果較理想，其中段內(nèi)與實(shí)測FCI符合效果較好，段外與實(shí)測FCI因觀測地點(diǎn)的差異有一定偏差，但基本趨勢相同，證明使用該模型預(yù)測的準(zhǔn)確性和可行性。

圖3 網(wǎng)絡(luò)模型擬合效果

圖4 長江山區(qū)航道逐里程FCI分布情況(自東向西)

圖5 長江山區(qū)航道能見度1 000 m以下的霧日分布情況(自東向西)

根據(jù)圖4，可對(duì)長江山區(qū)航道霧情進(jìn)行分級(jí)，其中:涪陵石沱至萬州財(cái)神石為V級(jí);重慶廣元壩至明月峽、奉節(jié)大溪至巴東為IV級(jí)。長江山區(qū)航道事故統(tǒng)計(jì)結(jié)果表明，這些地區(qū)的確為事故多發(fā)航段。因此，對(duì)于霧情等級(jí)較高的航段，可增加監(jiān)測站點(diǎn)數(shù)量，及時(shí)為航行船舶提供霧情信息，特別是有關(guān)局地性、突發(fā)性強(qiáng)的團(tuán)霧信息，要做到及時(shí)報(bào)警，避免發(fā)生航運(yùn)事故。

圖6 長江山區(qū)流域氣象監(jiān)測站分布

表3 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果分析

3 時(shí)間分布特征

3.1年際分布特征

通過小波分析,可分辨出時(shí)間序列在不同尺度上的演變特征，較準(zhǔn)確地檢驗(yàn)出信號(hào)突變時(shí)間點(diǎn)。[9]使用復(fù)小波函數(shù)能消除實(shí)小波變換系數(shù)判據(jù)的虛假振蕩。[9-11]這里根據(jù)霧的變化特征，選用連續(xù)復(fù)Cmor小波(見式(2))作為小波基函數(shù),分析1954—2008年重慶等6個(gè)氣象站逐年平均霧情分布(見圖7)年際變化特征。

圖7 1954—2008年氣象站逐年霧情數(shù)據(jù)分布

(2)

式(2)中:fb為帶寬參數(shù);fc為小波中心頻率。圖8為長江山區(qū)航道代表站年平均霧日數(shù)小波分析實(shí)系數(shù)圖，其中:霧情的增長由顏色較深的梯度線表示，霧情的降低由顏色較淺的梯度線表示，最粗的灰色線代表兩者的分界線，顏色越深(越淺)表示增長率(下降率)越大。

圖8 長江山區(qū)航道代表站年平均霧日數(shù)小波分析實(shí)系數(shù)圖

圖8表明，庫區(qū)55 a中霧情變化存在準(zhǔn)15 a和準(zhǔn)20 a周期，年際振蕩還應(yīng)存在>30 a的準(zhǔn)周期振蕩，嵌套了上述較小時(shí)間尺度的振蕩，且21世紀(jì)初振蕩強(qiáng)度變?nèi)酰兓冉档?。在?zhǔn)15 a和準(zhǔn)20 a周期振蕩上，2008年之后系數(shù)繼續(xù)處于負(fù)值，表明未來幾年內(nèi)庫區(qū)的霧日數(shù)仍將處于較低水平，符合前期的研究成果[5-6]。

前期研究認(rèn)為：三峽蓄水對(duì)庫區(qū)霧日數(shù)的影響較小，蓄水后庫區(qū)霧日數(shù)減少主要是氣候變暖和城市化共同影響的結(jié)果。通過沿江考察長江山區(qū)航道及對(duì)調(diào)查問卷進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)：58%的問卷認(rèn)為蓄水導(dǎo)致霧情頻繁，22%的問卷認(rèn)為霧情減少，14%的問卷認(rèn)為沒有明顯變化，但是有81%的問卷認(rèn)為蓄水后霧情分布發(fā)生了變化。

從霧的形成原理分析，影響大霧形成的因素復(fù)雜，蓄水使這些因素發(fā)生了改變。蓄水后水體擴(kuò)大，水汽的來源增多，導(dǎo)致山區(qū)航道霧情分布發(fā)生變化。比如:三峽和葛洲壩兩壩間形成新的多霧地帶[2]，有些霧區(qū)則消失；財(cái)神石全年霧日增多，由4—6月份多霧的季節(jié)性霧區(qū)變?yōu)槌Ｄ觎F區(qū)；青石洞霧情增多、羊角堡霧情減少等。這里認(rèn)為大氣候因素導(dǎo)致21世紀(jì)初該段航道霧情總體下降，但三峽庫區(qū)蓄水使霧情時(shí)空分布規(guī)律發(fā)生變化。

3.2月分布特征

由霧情年際變化特征和新生成的霧區(qū)可知，在研究霧情時(shí)空分布服務(wù)長江航運(yùn)的過程中，需保證數(shù)據(jù)具有一定的時(shí)效性。因此，利用航道局39個(gè)航道近3 a的霧情點(diǎn)逐日霧情資料，結(jié)合調(diào)查問卷數(shù)據(jù),統(tǒng)計(jì)分析出長江山區(qū)航段霧情月分布特征(見表4)。長江山區(qū)航道的冬季霧天最多，夏季最少,但受長江山區(qū)航道跨度長、地形復(fù)雜等因素影響，不同河段霧情月分布差異較大。

表4 長江山區(qū)不同航段霧情月分布特征

由該航道霧情月分布情況可知，航運(yùn)管理部門在不同的月份應(yīng)采取不同的管理措施。由于V級(jí)和IV級(jí)霧區(qū)基本上是全年性霧區(qū)，因此全年都應(yīng)加強(qiáng)監(jiān)測監(jiān)管力度。另外，對(duì)于季節(jié)性霧區(qū)，特別是表4中的分布異常段的季節(jié)性霧區(qū)，有些是最近才出現(xiàn)的，需加強(qiáng)對(duì)其霧情信息的收集和發(fā)布。

根據(jù)霧每日生消規(guī)律，山區(qū)航道霧90%以上在每日0000—0800生成，日出后逐漸消散。[12-13]因此，在霧情較嚴(yán)重的月份，應(yīng)避免船舶在夜間和清晨航行，加強(qiáng)對(duì)該時(shí)間段內(nèi)在航船舶的管理，比如：通過船舶交通管理系統(tǒng)(Vessel Traffic Services,VTS)實(shí)現(xiàn)24 h監(jiān)控，及時(shí)糾正船舶航路；通過甚高頻無線電話等手段實(shí)時(shí)向在航船舶發(fā)送霧情信息和霧情預(yù)警預(yù)報(bào)，防止觸礁碰撞事故發(fā)生。

4 結(jié)束語

提出霧情綜合指數(shù)，量化航道霧情監(jiān)測站點(diǎn)霧情，作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法的訓(xùn)練樣本，對(duì)整個(gè)航道的霧情進(jìn)行學(xué)習(xí)擬合，推測出整個(gè)航道霧情分布情況。將實(shí)地考察得到的逐里程數(shù)據(jù)作為測試樣本，代入學(xué)習(xí)得到的模型中，細(xì)化了航道霧情分布情況。結(jié)合實(shí)地調(diào)查得到的數(shù)據(jù)，對(duì)推測的航道霧情分布情況進(jìn)行檢驗(yàn)，發(fā)現(xiàn)不論是訓(xùn)練樣本范圍內(nèi)的測試點(diǎn)還是段外的測試點(diǎn)，推測結(jié)果都能與調(diào)查結(jié)果較好地符合，說明該方法在研究航道霧情空間分布方面的有效性和實(shí)用性。

小波變換可分析數(shù)據(jù)的周期性特征，通過選用合適的小波變換函數(shù)，分析重慶等6站55 a的霧情年際數(shù)據(jù)，得到該航道半個(gè)世紀(jì)的霧情年際變化周期性特征，得出該航道在全球大氣候變化環(huán)境下的整體變化特征，與前期研究結(jié)果相符。為給航道安全提供更詳細(xì)的信息，結(jié)合實(shí)地調(diào)查數(shù)據(jù)，研究在整體變化趨勢下的局域變化特征，如站點(diǎn)霧情在三峽大壩蓄水背景下的變更。月分布數(shù)據(jù)的統(tǒng)計(jì)分析補(bǔ)充年際變化規(guī)律，為航運(yùn)安全提供更具體的信息。

[1] 王中,陳艷英.三峽庫區(qū)航運(yùn)氣象條件分析[J].長江流域資源與環(huán)境,2008,17(1):79-82.

[2] 張義軍.三峽-葛洲壩樞紐水域大風(fēng)大霧下的通航管理[J].世界海運(yùn),2011,34(12):32-34.

[3] 羅菊英,周建山,劉健，等.鄂西南不同地形地貌環(huán)境下大霧氣候特征分析[J].高原山地氣象研究,2011,31(4):51-58.

[4] 黃治勇,牛奔,葉麗梅,等. 長江三峽庫區(qū)極端大霧天氣的氣候變化特征[J].長江流域資源與環(huán)境,2012,21(5):646-652.

[5] 徐會(huì)明,顧清源,楊淑群,等.四川省大霧天氣的氣候特征[J].四川氣象,2004(3):34-36.

[6] 虞俊,王遵婭,張強(qiáng).長江三峽庫區(qū)大霧的變化特征分析及原因初探[J].氣候與環(huán)境研究,2010,15(1):97-105.

[7] 巫威眺,靳文舟,林培群.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通狀態(tài)判別方法研究[J].交通信息與安全,2014(4):71-75.

[8] JIN Baogang, ZHANG Ren, WAN Xiaolei,etal. Optimized Fog Detection and Classification Technique Based on BP Artificial Neural Network and Texture Analysis[J].University of Science and Technology,2009, 10(2):195-199.

[9] 簡虹, 駱云中, 謝德體. 基于Mann-Kendall法和小波分析的降水變化特征研究——以重慶市沙坪壩區(qū)為例[J]. 西南師范大學(xué)學(xué)報(bào):自然科學(xué)版,2011,36(4):217-222.

[10] OSORIO G J, MATIAS J C O, CATALA J P S.Short-Term Wind Power Forecasting Using Adaptive Neuro-Fuzzy Inference System Combined with Evolutionary Particle Swarm Optimization, Wavelet Transform and Mutual Information [J].Renewable Energy, 2015, 75:301-307.

[11] 劉晶,吳世軍,秦華偉,等. 臺(tái)灣東北海域龜山島海底熱液原位觀測數(shù)據(jù)周期性的小波分析[J].浙江大學(xué)學(xué)報(bào):理學(xué)版,2012,39(5):599-605.

[12] 林建,楊貴名,毛冬艷.我國大霧的時(shí)空分布特征及其發(fā)生的環(huán)流形勢[J].氣候與環(huán)境研究,2008,13(2):171-181.

[13] 劉小寧,張洪政,李慶祥,等.我國大霧的氣候特征及變化初步解釋[J].應(yīng)用氣象學(xué)報(bào),2005,16(2):220-230.

Space-TimeDistributionofFogonYangtzeRiverChannelinMountainousAreaonNeuralNetworkandWaveletTransform

XIEBin1,2,GAOSong1,2,CHUXiumin1,2,PANYuming3，LIUHuaihan3
(1． Intelligent Transport Systems Center， Wuhan University of Technology, Wuhan 430063， China;2. National Engineering Research Center for Water Transport Safety, Wuhan 430063, China;3. Changjiang Waterway Bureau, Wuhan 430010， China)

Fog often happens on the Yangtze River channel in mountainous area. On the basis of summing up preliminary researches and the collection of the Yangtze River fog data, the Fog Composite Index(FCI) is put forward. Using BP neural network, space distribution model of the fog is established and the area of higher fog level is identified. The wavelet transform coefficients represents time distribution characteristics of waterway fog, and the month distribution characteristics are reached by making statistic analysis of the month distribution data in order to support early warming for the safety management of the Yangtze River shipping.

waterway transportation; fog on the Yangtze River channel in mountainous area; space-time distribution; Fog Composite Index; BP neural network; wavelet transform

2015-04-21

交通運(yùn)輸部信息化技術(shù)項(xiàng)目(2013-364-548-200)

謝 斌(1989—)，男，山東莘縣人，碩士生，主要研究方向?yàn)榻煌ㄟ\(yùn)輸安全與系統(tǒng)仿真。E-mail:ygdxever@foxmail.com

高 嵩(1977—)，男，湖北武漢人,助理研究員，碩士，主要研究方向?yàn)榻煌ㄟ\(yùn)輸安全與系統(tǒng)仿真。E-mail:gaosong@whut.edu.cn

1000-4653(2015)03-0103-05

U675.5+3;U676.1

A