基于神经网络和小波变换的长江山区航道雾情时空分布

谢 斌， 高 嵩， 初秀民， 潘育明， 刘怀汉(1.武汉理工大学 智能交通系统研究中心， 武汉 4006； 2.国家水运安全工程技术研究中心, 武汉 4006; .长江航道局， 武汉 40010)

基于神经网络和小波变换的长江山区航道雾情时空分布

谢 斌1,2， 高 嵩1,2， 初秀民1,2， 潘育明3， 刘怀汉3
(1.武汉理工大学 智能交通系统研究中心， 武汉 430063； 2.国家水运安全工程技术研究中心, 武汉 430063; 3.长江航道局， 武汉 430010)

为研究长江山区航道雾情时空分布特征，保障长江航运安全,在总结前期研究成果、收集长江山区航道多年雾情数据的基础上，提出雾情综合指数的概念。利用BP神经网络建立该航道雾情空间分布特征模型，划分出雾情等级较高的雾区。利用小波变换系数表征航道雾情时间分布特征,得到雾情年际变化特征，并在统计分析月分布数据的基础上得到雾情月分布特征。该研究可为长江航运安全管理预警提供支持。

水路运输； 长江山区航道雾； 时空分布； 雾情综合指数； BP神经网络； 小波变换

长江山区航道从宜宾的合江门开始,至宜昌的大埠街结束，全长1 095 km,整个河道支流众多，呈现出地势起伏、迂回曲折和宽窄相间的形态。河道两岸特殊的地形环境与水体相互作用，导致水面经常出现浓雾弥漫的景象。王中等[1]通过查阅和分析三峡库区的9个沿江气象站的气象资料，认为目前影响库区航道通航安全的主要气象因素是低能见度，而雾是能见度降低的主要因素。张义军等[2]发现，随着三峡库区蓄水水位增加，大风大雾天气导致船闸被迫停运的情况日益严重。罗菊英等[3]利用雾情分布与时空的相关性研究鄂西南地区不同地形条件下的雾情时空分布特征。前期研究表明研究长江山区航道雾情时空分布的必要性和可行性，但是这些研究大多基于远离航道的地面气象站，对三峡蓄水后雾情数据的收集不足，对局地性较强的航道雾情变化缺乏代表性，不足以为长江航运安全提供具体指导；同时，多数据之间缺乏统一的量化标准，只局限于定性论述，缺乏定量分析。因此，提出雾情综合指数(Fog Composite Index，FCI)，制定雾区等级划分标准，对该航道进行雾区等级划分。在空间分布研究中，利用近江面航道雾情监测站的数据训练BP神经网络，拟合出该航道逐里程FCI分布，在掌握航道雾情整体分布情况的同时找到雾区等级较高的区域进行重点关注。在时间分布研究中，根据多年雾情资料和实地考察数据，分析年际分布特征和三峡蓄水对航道雾情的影响；同时，通过航道雾情监测站数据和实地考察数据得到雾情月分布特征，为航运安全提供具体理论指导。

1 数据采集与处理

1.1数据采集

选取重庆、涪陵、万州、奉节、巴东和宜昌等6个具有代表性的气象站1954—2008年逐年的雾情资料，分析该航道的雾情年际变化特征。选取长江航道局布设在重庆至奉节航道上的具有代表性的39个雾情监测站(见图1)2011—2013年逐日的雾情资料和长江航道局实地测量的地理信息数据，分析该航道的雾情时空分布特征。

图1 长江山区航道雾情监测站分布

由于该航道雾情具有局地性和突发性强的特点，仅根据现有雾情监测站不足以揭示出更多时空分布规律及分析出三峡工程蓄水对航道雾情分布的影响，因此进行前后3个月的实地考察，以调查问卷的形式收集雾情分布数据。调查的对象有常年在长江上从事航运的船员、监管航运的海事人员以及航道办事处的工作人员；调查的数据可弥补航道雾情资料在覆盖范围上的不足，并对预测模型进行验证。

1.2数据处理

年际数据中，若某年份的某个时段缺测，则该年份的数据被剔除，取相邻两年数据的平均值作为该年的数据。根据航道部门的规定，1 500 m视距已对航运产生影响，1 000 m以下视距应禁止下行船舶航行，500 m视距应禁止上行船舶航行。这里提出一种量化某一地点雾情等级的指标FCI。

Ii=0.05Ai+0.15Bi+0.4Ci

(1)

式(1)中：Ii为i站的FCI;Ai为i站点出现轻雾(<1 500 m)的频次;Bi为出现中雾(<1 000 m)的频次;Ci为出现大雾(<500 m)的频次;0.05,0.15和0.4分别为轻雾、中雾和大雾的权重系数。这里计算FCI时的权重系数由雾情对长江航道船舶流量的影响确定。中雾时下行船舶需禁航，大雾时上行和下行船舶均需禁航，因此大雾造成的影响可视为中雾的2倍。但是，根据雾情特征统计数据，大雾的延续时间一般比中雾长，对航运的不利影响更大，因此根据雾情的消散规律，选取大雾的权重系数为0.4，中雾的权重系数为0.15。一般发生轻雾时不会禁航，但是轻雾在温度下降、地面蒸发和微弱的湍流交换等因素影响下可能会在短时间内达到中雾的级别，然后才逐渐消散或抬变成碎层云，因此根据出现轻雾变浓的概率和时间长度，选取轻雾的权重系数为0.05。表1将相应范围FCI划分为5个等级，I级到V级雾情逐渐加重，其中自然描述即为调查选项。根据式(1)计算得到的39个雾情监测站的FCI分布情况见图2，统计表见表2。

表1 雾区等级划分表

图2 长江山区航道FCI分布情況(自西向东)

2 空间分布特征

长江山区航道雾是水体和两岸地理环境相互作用的结果。[4]从地理角度分析，各地海拔高度、河道宽度和风力大小等因素的不同，导致雾情空间各不相同。[5-6]根据惯性定律，若雾情监测站附近一定区域内地形条件相近,则其雾情相似。因此，可运用数学拟合方法推测整个长江山区航道的雾情分布情况。由于地理信息包括的变量较多，多变量与FCI具有非线性关系，因此需采取非线性计算模式来拟合多变量与FCI的关系。目前，BP神经网络是处理该类多变量非线性关系行之有效的数学方法。[7]这里采用的地理信息数据包含7个变量，其中:经度、纬度、海拔高度和河道宽度均为定量测得;河面弯曲度、河道变化剧烈程度和河道支流岔道采用(0，1)化处理，即存在相应地形变化为1，否则为0。表2中各站的FCI作为期望值。

表2 雾情综合指数FCI统计表

采用MATLAB神经网络工具箱实现网络学习[8]，将39个观测点地理信息数据作为训练样本，网络结构为7—12—1，即3层BP网络：输入层(7个神经元)、隐含层(12个神经元)和输出层(1个神经元)。经过测试发现,隐含层神经元为12时收敛速度较快,且拟合效果最好。隐含层将logsig作为传递函数，输出层将purelin作为传递函数。选取贝叶斯归一化的训练函数，提高函数逼近的效果，网络模型拟合效果见图3。

网络训练完毕后，代入地理信息数据，求取逐里程FCI分布情况(见图4)。前期研究成果认为，整个长江山区航道的雾情呈中间多、两端少的整体分布。重庆境内航道西段多出现低能见度(<1 000 m)情况，并集中在万州以上河段。[1]其中:涪陵石沱至万州财神石、明月峡一带最为严重，宜宾至泸州、奉节至宜昌段雾情较轻(见图5)，与图4变化趋势相符。[4-6]选取图1中的39个监测站里程以外的宜宾段牛巷口、铜鼓滩和石鸡尾及泸州段的神背咀、通路口和东海沱等6处航道雾情点作为神经网络训练样本范围以外的采样点，样本范围以内FCI的实测选取临近航道的11处气象部门气象监测站(见图6)的数据。由表3可知，预测FCI与调查问卷统计的航段雾情等级情况符合效果较理想，其中段内与实测FCI符合效果较好，段外与实测FCI因观测地点的差异有一定偏差，但基本趋势相同，证明使用该模型预测的准确性和可行性。

图3 网络模型拟合效果

图4 长江山区航道逐里程FCI分布情况(自东向西)

图5 长江山区航道能见度1 000 m以下的雾日分布情况(自东向西)

根据图4，可对长江山区航道雾情进行分级，其中:涪陵石沱至万州财神石为V级;重庆广元坝至明月峡、奉节大溪至巴东为IV级。长江山区航道事故统计结果表明，这些地区的确为事故多发航段。因此，对于雾情等级较高的航段，可增加监测站点数量，及时为航行船舶提供雾情信息，特别是有关局地性、突发性强的团雾信息，要做到及时报警，避免发生航运事故。

图6 长江山区流域气象监测站分布

表3 神经网络模型的预测效果分析

3 时间分布特征

3.1年际分布特征

通过小波分析,可分辨出时间序列在不同尺度上的演变特征，较准确地检验出信号突变时间点。[9]使用复小波函数能消除实小波变换系数判据的虚假振荡。[9-11]这里根据雾的变化特征，选用连续复Cmor小波(见式(2))作为小波基函数,分析1954—2008年重庆等6个气象站逐年平均雾情分布(见图7)年际变化特征。

图7 1954—2008年气象站逐年雾情数据分布

(2)

式(2)中:fb为带宽参数;fc为小波中心频率。图8为长江山区航道代表站年平均雾日数小波分析实系数图，其中:雾情的增长由颜色较深的梯度线表示，雾情的降低由颜色较浅的梯度线表示，最粗的灰色线代表两者的分界线，颜色越深(越浅)表示增长率(下降率)越大。

图8 长江山区航道代表站年平均雾日数小波分析实系数图

图8表明，库区55 a中雾情变化存在准15 a和准20 a周期，年际振荡还应存在>30 a的准周期振荡，嵌套了上述较小时间尺度的振荡，且21世纪初振荡强度变弱，变化幅度降低。在准15 a和准20 a周期振荡上，2008年之后系数继续处于负值，表明未来几年内库区的雾日数仍将处于较低水平，符合前期的研究成果[5-6]。

前期研究认为：三峡蓄水对库区雾日数的影响较小，蓄水后库区雾日数减少主要是气候变暖和城市化共同影响的结果。通过沿江考察长江山区航道及对调查问卷进行统计发现：58%的问卷认为蓄水导致雾情频繁，22%的问卷认为雾情减少，14%的问卷认为没有明显变化，但是有81%的问卷认为蓄水后雾情分布发生了变化。

从雾的形成原理分析，影响大雾形成的因素复杂，蓄水使这些因素发生了改变。蓄水后水体扩大，水汽的来源增多，导致山区航道雾情分布发生变化。比如:三峡和葛洲坝两坝间形成新的多雾地带[2]，有些雾区则消失；财神石全年雾日增多，由4—6月份多雾的季节性雾区变为常年雾区；青石洞雾情增多、羊角堡雾情减少等。这里认为大气候因素导致21世纪初该段航道雾情总体下降，但三峡库区蓄水使雾情时空分布规律发生变化。

3.2月分布特征

由雾情年际变化特征和新生成的雾区可知，在研究雾情时空分布服务长江航运的过程中，需保证数据具有一定的时效性。因此，利用航道局39个航道近3 a的雾情点逐日雾情资料，结合调查问卷数据,统计分析出长江山区航段雾情月分布特征(见表4)。长江山区航道的冬季雾天最多，夏季最少,但受长江山区航道跨度长、地形复杂等因素影响，不同河段雾情月分布差异较大。

表4 长江山区不同航段雾情月分布特征

由该航道雾情月分布情况可知，航运管理部门在不同的月份应采取不同的管理措施。由于V级和IV级雾区基本上是全年性雾区，因此全年都应加强监测监管力度。另外，对于季节性雾区，特别是表4中的分布异常段的季节性雾区，有些是最近才出现的，需加强对其雾情信息的收集和发布。

根据雾每日生消规律，山区航道雾90%以上在每日0000—0800生成，日出后逐渐消散。[12-13]因此，在雾情较严重的月份，应避免船舶在夜间和清晨航行，加强对该时间段内在航船舶的管理，比如：通过船舶交通管理系统(Vessel Traffic Services,VTS)实现24 h监控，及时纠正船舶航路；通过甚高频无线电话等手段实时向在航船舶发送雾情信息和雾情预警预报，防止触礁碰撞事故发生。

4 结束语

提出雾情综合指数，量化航道雾情监测站点雾情，作为BP神经网络学习方法的训练样本，对整个航道的雾情进行学习拟合，推测出整个航道雾情分布情况。将实地考察得到的逐里程数据作为测试样本，代入学习得到的模型中，细化了航道雾情分布情况。结合实地调查得到的数据，对推测的航道雾情分布情况进行检验，发现不论是训练样本范围内的测试点还是段外的测试点，推测结果都能与调查结果较好地符合，说明该方法在研究航道雾情空间分布方面的有效性和实用性。

小波变换可分析数据的周期性特征，通过选用合适的小波变换函数，分析重庆等6站55 a的雾情年际数据，得到该航道半个世纪的雾情年际变化周期性特征，得出该航道在全球大气候变化环境下的整体变化特征，与前期研究结果相符。为给航道安全提供更详细的信息，结合实地调查数据，研究在整体变化趋势下的局域变化特征，如站点雾情在三峡大坝蓄水背景下的变更。月分布数据的统计分析补充年际变化规律，为航运安全提供更具体的信息。

[1] 王中,陈艳英.三峡库区航运气象条件分析[J].长江流域资源与环境,2008,17(1):79-82.

[2] 张义军.三峡-葛洲坝枢纽水域大风大雾下的通航管理[J].世界海运,2011,34(12):32-34.

[3] 罗菊英,周建山,刘健，等.鄂西南不同地形地貌环境下大雾气候特征分析[J].高原山地气象研究,2011,31(4):51-58.

[4] 黄治勇,牛奔,叶丽梅,等. 长江三峡库区极端大雾天气的气候变化特征[J].长江流域资源与环境,2012,21(5):646-652.

[5] 徐会明,顾清源,杨淑群,等.四川省大雾天气的气候特征[J].四川气象,2004(3):34-36.

[6] 虞俊,王遵娅,张强.长江三峡库区大雾的变化特征分析及原因初探[J].气候与环境研究,2010,15(1):97-105.

[7] 巫威眺,靳文舟,林培群.基于BP神经网络的道路交通状态判别方法研究[J].交通信息与安全,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] 简虹, 骆云中, 谢德体. 基于Mann-Kendall法和小波分析的降水变化特征研究——以重庆市沙坪坝区为例[J]. 西南师范大学学报:自然科学版,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] 刘晶,吴世军,秦华伟,等. 台湾东北海域龟山岛海底热液原位观测数据周期性的小波分析[J].浙江大学学报:理学版,2012,39(5):599-605.

[12] 林建,杨贵名,毛冬艳.我国大雾的时空分布特征及其发生的环流形势[J].气候与环境研究,2008,13(2):171-181.

[13] 刘小宁,张洪政,李庆祥,等.我国大雾的气候特征及变化初步解释[J].应用气象学报,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

交通运输部信息化技术项目(2013-364-548-200)

谢 斌(1989—)，男，山东莘县人，硕士生，主要研究方向为交通运输安全与系统仿真。E-mail:ygdxever@foxmail.com

高 嵩(1977—)，男，湖北武汉人,助理研究员，硕士，主要研究方向为交通运输安全与系统仿真。E-mail:gaosong@whut.edu.cn

1000-4653(2015)03-0103-05

U675.5+3;U676.1

A