CN106570302A - 民用机场地形特征对飞行超限事件影响的分析方法 - Google Patents
民用机场地形特征对飞行超限事件影响的分析方法 Download PDFInfo
- Publication number
- CN106570302A CN106570302A CN201611029945.1A CN201611029945A CN106570302A CN 106570302 A CN106570302 A CN 106570302A CN 201611029945 A CN201611029945 A CN 201611029945A CN 106570302 A CN106570302 A CN 106570302A
- Authority
- CN
- China
- Prior art keywords
- event
- terrain
- airport
- transfinites
- correlation coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 5
- 238000013515 script Methods 0.000 claims description 4
- 241000132092 Aster Species 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 235000008429 bread Nutrition 0.000 claims 1
- 230000003116 impacting effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012876 topography Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004347 surface barrier Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G06Q50/40—
Abstract
本发明公布了一种民用机场地形特征对飞行超限事件影响的分析方法，通过建立机场净空管理模型，机场区域地形特征包括地形因子和地形障碍，选择相应地形因子进行定量计算，分析机场地形障碍对飞行超限事件的影响；再通过相关性分析识别地形特征对飞行超限事件的影响，得到与地形特征具有强相关关系的超限事件。本发明方法克服了现有分析方法中缺乏对于地理环境对飞行超限事件影响的分析的不足，能够实现识别机场区域地形特征对飞行超限事件的影响的识别。
Description
技术领域
本发明属于飞行数据处理与分析技术领域，涉及民航飞行超限事件影响因素分析技术，尤其涉及一种基于机场区域地形特征对飞行超限事件影响的分析方法。
背景技术
飞行品质监控是收集和分析日常飞行数据的系统，用于提高飞行机组的操纵品质，是国际上公认的保证飞行安全的重要手段之一，已得到世界民航业的普遍认可。飞行品质监控的价值在于通过监测飞行参数超限情况，尽早地识别出不符合标准的操作、存在缺陷的程序、航空器性能的衰减、空中交通管制系统的不完善等安全隐患，为改进措施的制定及实施提供数据和信息支持。
但是，目前在飞行品质监控中，对于飞行数据的管理和分析大多以不安全事件记录为中心，主要基于对不同机型或超限事件分类进行直观统计，如超限事件的判读、某一机型的航段监控率等。这些统计分析仅局限于一些表象特征，各类统计数据间相互独立，缺乏对飞行品质监控信息深层次、系统性地挖掘与应用。
在飞行品质监控中，对超限事件的成因进行深入分析，加深对超限事件本质的理解，同时建立起不同超限事件之间的联系。诱发超限事件的影响因子多种多样，一方面，飞行员的操作、航空器的性能、飞行过程所处的地理环境等都可能对超限事件的发生产生重要的影响。另一方面，地形是地理环境的重要组成部分，而大部分超限事件都发生在飞机飞行的起飞和着陆阶段，即发生在机场及其周围数十公里范围内，这部分区域称为机场区域。机场区域的地形特征对于超限事件的发生有着重要的影响。但是，现有分析方法主要集中在对飞行员操作和航空器性能的分析上，缺乏对于地理环境对超限事件影响的分析，无法识别机场区域地形特征对飞行超限事件的影响。
发明内容
为了克服上述现有技术的不足，本发明提供一种民用机场地形特征对飞行超限事件影响的分析方法，通过建立机场净空管理模型，定量分析机场地形障碍对飞行超限事件的影响；再通过相关性分析，定量识别地形特征对飞行超限事件的影响。
本发明提供的技术方案是：
一种民用机场地形特征对飞行超限事件影响的分析方法，通过建立机场净空管理模型，定量分析机场地形障碍对飞行超限事件的影响；再通过相关性分析，识别地形特征对飞行超限事件的影响；由此获得受地形特征影响大的超限事件；包括如下步骤：
第一步，超限事件频率的定义和计算，包括步骤11)～12)：
11)定义超限事件频率
将飞行阶段分为大起飞阶段、巡航阶段和大降落阶段；超限事件主要发生在大起飞阶段和大降落阶段，定义超限事件频率作为表征超限事件发生强度的评价指标；
设定统计时间段为T，在T时间段内起飞航段数为Nt，降落航段数为Nl，对于某个事件类型e，当在T时间段内发生的数量为C时，称fe为事件类型e在T时间段内的频率，通过式1计算得到：
式1中，fe为事件频率；超限事件的fe值即为超限事件频率；
12)超限事件频率计算；
获得飞行品质监控数据，包括超限事件数据和飞行航段数据；再通过式1计算获得各机场对应不同阶段的超限事件的频率；
第二步，机场区域DEM数据获取与处理，包括步骤21)～23)：
21)获取和计算得到DEM数据；
22)确定机场区域范围，获得机场的坐标，得到机场附近DEM数据文件；
23)对机场附近DEM数据进行处理，得到以机场为中心的机场区域DEM数据；
第三步，选取地形因子，通过计算获得地形因子的值，包括步骤31)～32)：
31)选取对航空飞行造成影响的多个地形因子，包括坡度变率、等高线密度、分形维、地理信息熵中的斯特拉勒积分因子和机场海拔因子；
32)计算得到所述各个地形因子的值；
第四步，地形因子与超限事件相关性分析，包括步骤41)～42)：
41)计算得到地形因子与超限事件的相关系数|r|；
42)设置相关系数阈值，得出与地形因子强相关的超限事件；
第五步，计算得到机场区域地形障碍，包括步骤51)～52)：
51)建立机场区域净空模型，所述机场区域净空模型由机场区域地形与机场障碍物限制面/障碍面构成，机场障碍物限制面由机场各跑道的障碍面构成；所述各跑道的障碍面包括跑道参数和跑道障碍面参数构成；所述跑道障碍面包括进近面、过渡面，内水平面、锥形面、内进近面、内过渡面和起飞爬升面；对于有多条跑道的机场，取各跑道的障碍面的并集；
52)地形障碍为位于机场障碍物限制面以上的机场区域地形部分，计算跑道各障碍面的地形障碍，得到机场区域地形障碍比例；
第六步，分析机场区域地形障碍与超限事件的相关性，包括步骤61)～63)：
61)数据筛选阶段，以提高相关性分析的有效性；
62)通过计算得到各超限事件频率与机场内水平面地形障碍比例的相关系数；
63)设置相关系数阈值，得出与机场区域地形障碍强相关的超限事件；
第七步，由第四步和第六步结果，得出受地形特征影响大的超限事件。
针对上述民用机场地形特征对飞行超限事件影响的分析方法，进一步地，步骤11)所述大起飞阶段主要包括滑出、起飞和爬升阶段；所述大降落阶段包括降落、进近、着陆和滑入阶段；所述起飞航段数取航班数。
针对上述分析方法，进一步地，步骤21)获取的DEM数据具体为美国地质勘探局网站提供的ASTER GDEM V2版本的数据，按照经纬度分割为1度*1度的单个Geotiff格式文件。
针对上述分析方法，进一步地，步骤22)所述机场区域范围为40km*40km；所述机场的坐标通过Google Earth进行人工判读获取；步骤23)具体利用Arcgis提供的Python脚本库编程对机场附近DEM数据进行裁剪、拼接、投影处理，得到以机场为中心的机场区域DEM数据。
针对上述分析方法，进一步地，第三步所述分形维选取盒形维；具体设定F为Rn上任意非空的有界子集，Nδ(F)表示直径最大为δ的闭球，且可以覆盖F的集的δ的最少个数，采用式2表示F的计盒维数：
设定机场区域DEM为M×M的数据矩阵，为R3上的有界子集；通过使用一系列ri×ri×hi的立方格子Vi来覆盖DEM，对于不同的Vi得到不同的覆盖所需的立方格子数Ni；将这一系列数据对(-log Vi,log Ni)利用最小二乘法进行线形拟合，得到式3的直线方程：
log Ni＝a(-log Vi)+b (式3)
斜率a为计盒维数。
针对上述分析方法，进一步地，第三步所述斯特拉勒积分中的斯特拉勒曲线采用机场区域内等高线和等高线之上流域面积的曲线进行积分得到斯特拉勒积分。
针对上述分析方法，进一步地，所述相关系数计算方法采用pearson、kendall或spearman方法中的一种。
针对上述分析方法，进一步地，设置相关系数阈值具体包括设置第一相关系数阈值和第二相关系数阈值；当相关系数绝对值大于第一相关系数阈值时，与超限事件间的关系为强相关关系；当相关系数绝对值介于第一相关系数阈值和第二相关系数阈值时，与超限事件间的关系为中等强度相关关系；当相关系数绝对值小于第二相关系数阈值时，与超限事件间的关系为弱相关关系。本发明具体实施时，设置第一相关系数阈值为0.6，第二相关系数阈值为0.4。
与现有技术相比，本发明的有益效果是：
本发明提供一种民用机场地形特征对飞行超限事件影响的分析方法。利用本发明提供的技术方案，通过建立机场净空管理模型，定量分析机场地形障碍对飞行超限事件的影响；再通过相关性分析，识别地形特征对飞行超限事件的影响。
本发明方法中，机场区域地形特征包括了地形因子和地形障碍，其中，地形因子是对机场区域地形特征的一个较宏观的描述方式，而地形障碍是更为微观更为贴近飞行本身的地形特征。本发明方法能够选择相应地形因子进行定量计算，定量分析得到地形特征对飞行超限事件的影响；进一步分析机场地形障碍对飞行超限事件的影响；从而识别出超限事件与各地形特征的相关关系，从中得出受地形特征影响很大超限事件。本发明方法克服了现有分析方法中缺乏对于地理环境对飞行超限事件影响的分析的不足，能够实现识别机场区域地形特征对飞行超限事件的影响的识别。
附图说明
图1是本发明提供的分析方法的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种民用机场地形特征对飞行超限事件影响的分析方法。利用本发明提供的技术方案，通过建立机场净空管理模型，定量分析机场地形障碍对飞行超限事件的影响；再通过相关性分析，识别地形特征对飞行超限事件的影响。图1是本发明提供的分析方法的流程框图，具体包括以下步骤：
第一步，超限事件频率的定义和计算，包括以下步骤：
11)定义超限事件频率；
将飞行阶段分为大起飞阶段、巡航阶段和大降落阶段。其中大起飞阶段主要包括滑出、起飞、爬升(又分为初始爬升和爬升)阶段；大降落阶段又分为降落、进近(又分为进近和最终进近)、着陆和滑入几个阶段。超限事件主要发生大起飞阶段和大降落阶段，为表征超限事件发生强度，定义了超限事件频率作为评价指标。
设统计时间段为T，在T时间段内起飞航段数(航班数，下同)为Nt，降落航段数为Nl，对于某个事件类型e，在T时间段内发生的数量为C，则称fe为事件类型e在T时间段内的频率，通过式1计算得到：
式1中，fe为事件频率；超限事件的fe值即为超限事件频率；
12)超限事件频率计算；
飞行品质监控数据的存储，主要分为两种类型——超限事件数据和飞行航段数据，分别以表的形式保存，两类表通过航段ID进行唯一连接。通过对事件表和航段表的查询统计，再通过式1计算，可获得各机场的各超限事件的频率。
第二步，机场区域DEM数据获取与处理，包括以下步骤：
21)DEM数据获取和计算；
具体实施中，DEM(Digital Elevation Model)数据使用美国地质勘探局网站提供的ASTER GDEM数据，为V2版本，空间分辨率为1弧度秒(约30米)，垂直精度20米，水平精度30米。原始数据是按照经纬度分割为1度*1度的单个Geotiff格式文件。
22)确定机场区域范围，获得机场的坐标，得到机场附近DEM数据文件：
通过分析，选择40km*40km作为机场区域范围大小。机场的坐标通过Google Earth进行人工判读获取。通过获取的机场坐标及确定好的机场区域范围大小，计算出所需数据文件并下载。下载得到的数据文件为机场附近DEM数据。
23)对机场附近DEM数据进行处理，得到以机场为中心的机场区域DEM数据；
利用Arcgis提供的Python脚本库编程对下载获得的机场附近DEM数据进行裁剪、拼接、投影等处理，获得以机场为中心的40km*40km大小的机场区域DEM数据。
第三步，地形因子选取和计算，包括以下步骤：
31)选取对航空飞行造成影响的多个地形因子
机场区域地形特征越复杂，对航空飞行造成的影响就越大。选取具有典型代表性的五种地形因子进行分析，地形因子包括坡度变率、等高线密度、分形维、地理信息熵中的斯特拉勒积分因子，同时选取了机场海拔因子进行分析。
分形维选取数学计算简单、物理含义较为直观的盒形维。
斯特拉勒积分(Strahler’s integral)是地貌系统的一种信息熵的计算方法，由斯特拉勒曲线积分而成。斯特拉勒曲线为机场区域内等高线和等高线之上流域面积的曲线。积分大小与流域地貌演化有关，值越大，则地貌发育越处于早期，地形也就越粗糙。
32)计算得到地形因子的值
在机场区域DEM数据的基础上，利用Arcgis提供的Python脚本库中的算法分别计算海拔、坡度变率、等高线密度。通过自主编程计算分形维和斯特拉勒积分。
分形维数的定义以及计算方法包括Hausdorff维数DH、信息维数Di、相似维数Ds、计盒维数DB、关联维数Dg、容量维数Dc、谱维数D、Lyapunov维数Dl等。计算地形分形维数的方法也有很多，包括盒形维(CBD)(也称计盒维)、布朗运动维数(FBM)等。本实施例选择数学计算简单，物理含义较为直观的计盒维数。
设F为Rn上任意非空的有界子集，Nδ(F)表示直径最大为δ的闭球，且可以覆盖F的集的δ的最少个数，则F的计盒维数为：
设机场区域DEM为M×M的数据矩阵，为R3上的有界子集。通过使用一系列ri×ri×hi的立方格子Vi来覆盖DEM，对于不同的Vi可得到不同的覆盖所需的立方格子数Ni。将这一系列数据对(-log Vi,log Ni)利用最小二乘法进行线形拟合，可得直线方程
log Ni＝a(-log Vi)+b (式3)
斜率a即为计盒维数。
斯特拉勒积分(Strahler’s integral)是地貌系统的一种信息熵的计算方法。由斯特拉勒曲线积分而成。斯特拉勒曲线是五十年代美国理论地貌学家斯特拉勒提出侵蚀流域的面积一高程分析方法，其做法是：在流域的高线图上，量出每一条等高线以上的面积(设为)a，再量出每条等高线与流域最低点的高差(设为h)，又设全流域面积A。流域最高点与最低点之高差为H，令：x＝a/A，y＝h/H，分别以x和y为横坐标、纵坐标。于是可以绘制出y＝f(x)的曲线，即为斯特拉勒曲线。曲线与坐标轴包围的面积，称为斯特拉勒积分。积分大小与流域地貌演化有关，值越大，则地貌发育越处于早期，地形也就越粗糙。
第四步，地形因子与超限事件相关性分析，包括以下步骤：
41)相关系数计算
分析两个变量间的相关性可采用的方法包括pearson(皮尔逊),kendall(肯德尔)和spearman(斯伯曼)方法，计算得到的相关系数分别为皮尔逊系数、肯德尔系数、斯伯曼系数。其中，皮尔逊系数又称线性相关系数。皮尔逊方法用于分析两个连续变量间的线性相关关系。肯德尔方法可用于分析多个等级变量的相关程度。斯伯曼方法是用两个变量的秩次大小作线性相关分析，适合于连续等级变量。
因为地形因子和超限事件频率都是连续变量，具体实施中，可选择线性相关系数r(皮尔逊相关系数)作为地形因子与超限事件相关性的衡量指标。皮尔逊相关系数r通过式4计算得到：
计算出各超限事件频率与各地形因子的相关系数。式4中，i代表各机场超限事件的频率；yi代表对于机场所选取的某种地形因子(包括坡度变率、等高线密度、分形维、地理信息熵中的斯特拉勒积分因子、机场海拔因子)；为超限事件频率的平均值；为地形因子的平均值，n为机场个数。
42)设置相关系数阈值，得出地形因子与超限事件间的相关关系
|r|越大，变量间相关关系越强；r为正值，则为正相关关系；为负值，则为负相关关系。本实施例设置第一相关系数阈值为0.6，第二相关系数阈值为0.4，当|r|≥0.6时，变量间为强相关关系，0.6＞|r|≥0.4时，变量间为中等强度相关关系，|r|＜0.4。时，变量间为弱相关关系。以此为依据得出地形因子与超限事件间的相关关系。
第五步，机场区域地形障碍计算
51)建立机场区域净空模型
机场净空是机场及其附近一定范围内规定的障碍物限制面，用以限制机场周围及附近物体高度，以保障航空器起降安全的一定的区域。超过障碍物限制面的物体即为地形障碍物，其对飞行安全构成隐患，可能影响超限事件发生。为计算机场区域地形障碍，首先要建立机场区域净空模型。
本发明中，采用机场区域净空模型来描述机场区域实际净空的构成要素。具体地，机场区域净空模型由机场区域地形与机场障碍物限制面(障碍面)构成，机场障碍物限制面由机场各跑道的障碍物限制面构成。大部分机场只有一条跑道。对于有多条跑道的机场，需取各跑道的障碍面的并集。跑道障碍物限制面由跑道参数(包括地理位置，形状参数等)及跑道各个障碍面参数构成。地形障碍即为位于机场障碍物限制面以上的机场区域地形部分。本发明方法选择受地形影响大的内水平面、锥面、进近面、起飞爬升面等障碍面作为跑道障碍面构成部分。
障碍面主要由进近面、过渡面，内水平面、锥形面、内进近面、内过渡面和起飞爬升面组成。本发明方法选择了受地形影响大的部分。选择出来的这部分是针对一条跑道来说的，即每条跑道有其对应的各障碍面。大部分机场只有一条跑道。对于有多条跑道的机场，需取各跑道的障碍面的并集。
具体实施中，根据机场区域净空模型的构成，对跑道障碍物限制面进行了详细参数设计。跑道参数主要包括跑道标高，长宽，起终点坐标等；同时，可设定跑道为进近跑道还是起飞跑道。对于跑道各障碍面参数，参照民用机场飞行区技术标准进行了详细设计，编程实现了机场区域净空管理系统。该系统包括以下功能：
a)机场区域地形数据(DEM数据)的导入，显示，基本的地图操作(缩放，漫游等)；
b)机场区域地形数据的渐变颜色渲染，使地形起伏展示更为直观；
c)机场跑道净空管理，包括新建、删除、修改；及通过既有标准自动载入相关跑道参数；
d)针对有些机场无法获取其标高的情况，设计实现了利用地形数据及跑道位置自动计算跑道标高的功能；
e)跑道障碍面的显示；
f)地形障碍的计算和统计。
52)计算跑道各障碍面的地形障碍，得到机场区域地形障碍比例
利用跑道及跑道障碍面的参数，可以获得跑道各障碍面在平面上的投影矢量多边形，然后利用多边形扫描线算法可快速高效的得到跑道各障碍面的投影栅格多边形数据。然后再计算栅格多边形数据的各个点的地形数据的实际高程(DEM数据)是否大于该点对应的跑道障碍面上的点的规定高程(由跑道和跑道障碍面参数计算可得)，大于的即为地形障碍。
计算统计跑道各障碍面及地形障碍的投影面积，地形障碍占障碍面的比例。
第六步，机场区域地形障碍与超限事件相关性分析，包括以下步骤：
61)数据筛选
本发明使用内水平面障碍物投影面积占对应障碍面面积的比例作为衡量净空状况的指标。很大部分机场内水平面障碍物比例极低。为提高相关性分析的有效性，通过分析，去掉内水平面障碍比例低于0.01的机场。
62)相关系数计算
同样可选择简单线性系数r(皮尔逊相关系数)作为机场区域地形障碍与超限事件相关性的衡量指标，根据式4计算出各超限事件频率与机场内水平面地形障碍比例的相关系数。
63)设置相关系数阈值，得出机场区域地形障碍与超限事件间的相关关系
|r|越大，变量间相关关系越强；r为正值，则为正相关关系；为负值，则为负相关关系。当|r|≥0.6时，变量间为强相关关系，0.6＞|r|≥0.4时，变量间为中等强度相关关系，|r|＜0.4。时，变量间为弱相关关系。以此为依据得出机场区域地形障碍与超限事件间的相关关系。
第七步，获得受地形特征影响大的超限事件
对于各地形特征，包括坡度变率、等高线密度、分形维、地理信息熵中的斯特拉勒积分因子等地形因子以及地形障碍，本发明具体实施中，当其与超限事件的相关系数r满足|r|≥0.6时，确定该超限事件受地形特征影响大。据此可以获得受地形特征影响大的超限事件。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种民用机场地形特征对飞行超限事件影响的分析方法，通过建立机场净空管理模型，定量分析机场地形障碍对飞行超限事件的影响；再通过相关性分析，识别地形特征对飞行超限事件的影响；由此获得受地形特征影响大的超限事件；包括如下步骤：
第一步，超限事件频率的定义和计算，包括步骤11)～12)：
11)定义超限事件频率
将飞行阶段分为大起飞阶段、巡航阶段和大降落阶段；超限事件主要发生在大起飞阶段和大降落阶段，定义超限事件频率作为表征超限事件发生强度的评价指标；
设定统计时间段为T，在T时间段内起飞航段数为Nt，降落航段数为Nl，对于某个事件类型e，当在T时间段内发生的数量为C时，称fe为事件类型e在T时间段内的频率，通过式1计算得到：
式1中，fe为事件频率；超限事件的fe值即为超限事件频率；
12)超限事件频率计算；
获得飞行品质监控数据，包括超限事件数据和飞行航段数据；再通过式1计算获得各机场对应不同阶段的超限事件的频率；
第二步，机场区域DEM数据获取与处理，包括步骤21)～23)：
21)获取和计算得到DEM数据；
22)确定机场区域范围，获得机场的坐标，得到机场附近DEM数据文件；
23)对机场附近DEM数据进行处理，得到以机场为中心的机场区域DEM数据；
第三步，选取地形因子，通过计算获得地形因子的值，包括步骤31)～32)：
31)选取对航空飞行造成影响的多个地形因子，包括坡度变率、等高线密度、分形维、地理信息熵中的斯特拉勒积分因子和机场海拔因子；
32)计算得到所述各个地形因子的值；
第四步，地形因子与超限事件相关性分析，包括步骤41)～42)：
41)计算得到地形因子与超限事件的相关系数|r|；
42)设置相关系数阈值，得出与地形因子强相关的超限事件；
第五步，计算得到机场区域地形障碍，包括步骤51)～52)：
51)建立机场区域净空模型，所述机场区域净空模型由机场区域地形与机场障碍物限制面/障碍面构成，机场障碍物限制面由机场各跑道的障碍面构成；所述各跑道的障碍面包括跑道参数和跑道障碍面参数构成；所述跑道障碍面包括进近面、过渡面，内水平面、锥形面、内进近面、内过渡面和起飞爬升面；对于有多条跑道的机场，取各跑道的障碍面的并集；
52)地形障碍为位于机场障碍物限制面以上的机场区域地形部分，计算跑道各障碍面的地形障碍，得到机场区域地形障碍比例；
第六步，分析机场区域地形障碍与超限事件的相关性，包括步骤61)～63)：
61)数据筛选阶段，以提高相关性分析的有效性；
62)通过计算得到各超限事件频率与机场内水平面地形障碍比例的相关系数；
63)设置相关系数阈值，得出与机场区域地形障碍强相关的超限事件；
第七步，由第四步和第六步结果，得出受地形特征影响大的超限事件。
2.如权利要求1所述分析方法，其特征是，步骤11)所述大起飞阶段主要包括滑出、起飞和爬升阶段；所述大降落阶段包括降落、进近、着陆和滑入阶段；所述起飞航段数取航班数。
3.如权利要求1所述分析方法，其特征是，步骤21)获取的DEM数据为美国地质勘探局网站提供的ASTER GDEM V2版本的数据，按照经纬度分割为1度*1度的单个Geotiff格式文件。
4.如权利要求1所述分析方法，其特征是，步骤22)所述机场区域范围为40km*40km；所述机场的坐标通过Google Earth进行人工判读获取；步骤23)具体利用Arcgis提供的Python脚本库编程对机场附近DEM数据进行裁剪、拼接、投影处理，得到以机场为中心的机场区域DEM数据。
5.如权利要求1所述分析方法，其特征是，第三步所述分形维选取盒形维；具体设定F为Rn上任意非空的有界子集，Nδ(F)表示直径最大为δ的闭球，且可以覆盖F的集的δ的最少个数，采用式2表示F的计盒维数：
设定机场区域DEM为M×M的数据矩阵，为R3上的有界子集；通过使用一系列ri×ri×hi的立方格子Vi来覆盖DEM，对于不同的Vi得到不同的覆盖所需的立方格子数Ni；将这一系列数据对(-log Vi,log Ni)利用最小二乘法进行线形拟合，得到式3的直线方程：
logNi＝a(-logVi)+b (式3)
斜率a为计盒维数。
6.如权利要求1所述分析方法，其特征是，第三步所述斯特拉勒积分中的斯特拉勒曲线采用机场区域内等高线和等高线之上流域面积的曲线进行积分得到斯特拉勒积分。
7.如权利要求1所述分析方法，其特征是，所述相关系数计算方法采用pearson、kendall或spearman方法中的一种。
8.如权利要求1所述分析方法，其特征是，相关系数阈值包括第一相关系数阈值和第二相关系数阈值；当相关系数绝对值大于第一相关系数阈值时，与超限事件间的关系为强相关关系；当相关系数绝对值介于第一相关系数阈值和第二相关系数阈值时，与超限事件间的关系为中等强度相关关系；当相关系数绝对值小于第二相关系数阈值时，与超限事件间的关系为弱相关关系。
9.如权利要求8所述分析方法，其特征是，设置第一相关系数阈值为0.6，第二相关系数阈值为0.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611029945.1A CN106570302B (zh) | 2016-11-15 | 2016-11-15 | 民用机场地形特征对飞行超限事件影响的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611029945.1A CN106570302B (zh) | 2016-11-15 | 2016-11-15 | 民用机场地形特征对飞行超限事件影响的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106570302A true CN106570302A (zh) | 2017-04-19 |
| CN106570302B CN106570302B (zh) | 2019-09-13 |
Family
ID=58542923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611029945.1A Active CN106570302B (zh) | 2016-11-15 | 2016-11-15 | 民用机场地形特征对飞行超限事件影响的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106570302B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550179A (zh) * | 2018-02-23 | 2018-09-18 | 中国民用航空中南地区空中交通管理局 | 机场净空限制面、二维等高线图生成方法、建筑物超出高度的判断方法及计算机存储介质 |
| CN109710994A (zh) * | 2018-12-06 | 2019-05-03 | 西安西北民航项目管理有限公司 | 基于数字地球的机场障碍物限制面超限分析方法 |
| CN109738311A (zh) * | 2018-11-23 | 2019-05-10 | 河南理工大学 | 一种岩石i型断裂裂纹扩展速度及分形维数的测定方法 |
| CN110008895A (zh) * | 2019-04-01 | 2019-07-12 | 中南林业科技大学 | 一种赛道特征识别方法及智能赛车 |
| CN110084460A (zh) * | 2019-01-22 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种机场净空条件的量化评定方法 |
| CN110533095A (zh) * | 2019-08-27 | 2019-12-03 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
| CN110712765A (zh) * | 2019-10-30 | 2020-01-21 | 北京航空航天大学 | 一种基于操作谱的飞行器异常操作定位方法 |
| CN112732687A (zh) * | 2020-12-29 | 2021-04-30 | 中国民用航空飞行学院 | 基于数据清洗的航空飞行数据可视化处理系统及分析方法 |
| CN113806846A (zh) * | 2021-09-22 | 2021-12-17 | 中国电建集团昆明勘测设计研究院有限公司 | 基于跑道中心线控制法的机场三维净空限制面优化方法 |
| WO2023108928A1 (zh) * | 2021-12-14 | 2023-06-22 | 中国民航大学 | 基于事件树的飞行超限事件综合后果严重性的计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101465071A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 多平台目标跟踪与分布交互仿真系统 |
| US20160055275A1 (en) * | 2014-08-21 | 2016-02-25 | Mengjiao Wang | Large scale flight simulation |
-
2016
- 2016-11-15 CN CN201611029945.1A patent/CN106570302B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101465071A (zh) * | 2009-01-08 | 2009-06-24 | 上海交通大学 | 多平台目标跟踪与分布交互仿真系统 |
| US20160055275A1 (en) * | 2014-08-21 | 2016-02-25 | Mengjiao Wang | Large scale flight simulation |
Non-Patent Citations (2)
| Title |
|---|
| 晁海涛: "飞行品质监控数据分析系统模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 李静: "机场净空障碍物评估三维可视化技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550179A (zh) * | 2018-02-23 | 2018-09-18 | 中国民用航空中南地区空中交通管理局 | 机场净空限制面、二维等高线图生成方法、建筑物超出高度的判断方法及计算机存储介质 |
| CN109738311A (zh) * | 2018-11-23 | 2019-05-10 | 河南理工大学 | 一种岩石i型断裂裂纹扩展速度及分形维数的测定方法 |
| CN109710994A (zh) * | 2018-12-06 | 2019-05-03 | 西安西北民航项目管理有限公司 | 基于数字地球的机场障碍物限制面超限分析方法 |
| CN110084460B (zh) * | 2019-01-22 | 2022-09-30 | 中国人民解放军空军工程大学 | 一种机场净空条件的量化评定方法 |
| CN110084460A (zh) * | 2019-01-22 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种机场净空条件的量化评定方法 |
| CN110008895A (zh) * | 2019-04-01 | 2019-07-12 | 中南林业科技大学 | 一种赛道特征识别方法及智能赛车 |
| CN110008895B (zh) * | 2019-04-01 | 2023-01-17 | 中南林业科技大学 | 一种赛道特征识别方法及智能赛车 |
| CN110533095A (zh) * | 2019-08-27 | 2019-12-03 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
| CN110533095B (zh) * | 2019-08-27 | 2023-01-17 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
| CN110712765A (zh) * | 2019-10-30 | 2020-01-21 | 北京航空航天大学 | 一种基于操作谱的飞行器异常操作定位方法 |
| CN110712765B (zh) * | 2019-10-30 | 2021-06-18 | 北京航空航天大学 | 一种基于操作序列的飞行器异常操作定位方法 |
| CN112732687A (zh) * | 2020-12-29 | 2021-04-30 | 中国民用航空飞行学院 | 基于数据清洗的航空飞行数据可视化处理系统及分析方法 |
| CN113806846A (zh) * | 2021-09-22 | 2021-12-17 | 中国电建集团昆明勘测设计研究院有限公司 | 基于跑道中心线控制法的机场三维净空限制面优化方法 |
| CN113806846B (zh) * | 2021-09-22 | 2024-03-01 | 中国电建集团昆明勘测设计研究院有限公司 | 基于跑道中心线控制法的机场三维净空限制面优化方法 |
| WO2023108928A1 (zh) * | 2021-12-14 | 2023-06-22 | 中国民航大学 | 基于事件树的飞行超限事件综合后果严重性的计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106570302B (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106570302B (zh) | 民用机场地形特征对飞行超限事件影响的分析方法 | |
| CN107092020B (zh) | 融合无人机LiDAR和高分影像的路面平整度监测方法 | |
| Eisank et al. | Assessment of multiresolution segmentation for delimiting drumlins in digital elevation models | |
| CN103529455B (zh) | 一种基于机载激光雷达三维的危岩落石调查方法 | |
| CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
| Gitas et al. | Multi-temporal soil erosion risk assessment in N. Chalkidiki using a modified USLE raster model | |
| KR101859947B1 (ko) | 무인 항공기를 이용한 재해위험 저수지의 정밀안전진단평가를 위한 데이터베이스 구축 시스템 및 방법 | |
| CN102749071A (zh) | 一种基于无人机航空摄影监测土壤侵蚀的方法 | |
| Mourato et al. | Improving a DSM obtained by unmanned aerial vehicles for flood modelling | |
| BUĞDAY | Capabilities of using UAVs in forest road construction activities | |
| CN106651088A (zh) | 一种基于时态gis的飞行品质监控方法 | |
| Du et al. | Estimation of the quantity of aeolian saltation sediments blown into the Yellow River from the Ulanbuh Desert, China | |
| Ferraz et al. | Canopy density model: A new ALS-derived product to generate multilayer crown cover maps | |
| Lamsal et al. | Surface lowering of the debris-covered area of Kanchenjunga Glacier in the eastern Nepal Himalaya since 1975, as revealed by Hexagon KH-9 and ALOS satellite observations | |
| Karakas et al. | Landslide susceptibility mapping with random forest model for Ordu, Turkey | |
| Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
| Ritchie | Airborne laser altimeter measurements of landscape topography | |
| Dvornikov et al. | Geodatabase and WebGIS project for long-term permafrost monitoring at the Vaskiny Dachi research station, Yamal, Russia | |
| CN112329101A (zh) | 机场跑道的净空评定方法 | |
| Kodde et al. | Automatic glacier surface analysis from airborne laser scanning | |
| Jie | Practice of airborne LiDAR point cloud filtering method based on triangulated irregular network | |
| Gallo et al. | Assessment of riparian environments through semi-automated procedures for the computation of eco-morphological indicators: Preliminary results of the WEQUAL project | |
| Kooistra et al. | Object-based random forest classification for mapping floodplain vegetation structure from nation-wide CIR AND LiDAR datasets | |
| CN109559053A (zh) | 一种基于路径距离的植被可达性度量方法 | |
| Durand et al. | Modeled snow cover in Pyrenees mountains and cross-comparisons between remote-sensed and land-based observation data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |