CN115099653A - 一种渤海湾极端天气条件下溢油事故风险评估方法及系统 - Google Patents

一种渤海湾极端天气条件下溢油事故风险评估方法及系统 Download PDF

Info

Publication number
CN115099653A
CN115099653A CN202210782318.4A CN202210782318A CN115099653A CN 115099653 A CN115099653 A CN 115099653A CN 202210782318 A CN202210782318 A CN 202210782318A CN 115099653 A CN115099653 A CN 115099653A
Authority
CN
China
Prior art keywords
oil
image
module
remote sensing
data
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.)
Pending
Application number
CN202210782318.4A
Other languages
English (en)
Inventor
刘增凯
韩忠昊
史学伟
陈琦
马强
蔡宝平
张彦振
纪仁杰
刘永红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210782318.4A priority Critical patent/CN115099653A/zh
Publication of CN115099653A publication Critical patent/CN115099653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G06F3/1407—General aspects irrespective of display type, e.g. determination of decimal point position, display with fixed or driving decimal point, suppression of non-significant zeros
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Remote Sensing (AREA)
  • General Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)

Abstract

本发明属于海洋石油工程领域，具体地，涉及一种渤海湾极端天气条件下溢油事故风险评估方法及系统。渤海湾极端天气条件下溢油事故风险评估方法，包含六个主要步骤：气象与地理数据收集与处理、溢油情景输入、建立参数模型、建立结构模型、实时信息采集与处理、可视化显示。渤海湾极端天气条件下溢油事故风险评估系统，包含五个部分：数据收集与分析子系、遥感卫星监测子系统、气象监测子系统、运算分析子系、可视化分析子系统。

Description

一种渤海湾极端天气条件下溢油事故风险评估方法及系统
技术领域
本发明属于海洋石油工程领域，具体地，涉及一种渤海湾极端天气条件下溢油事故风险评估方法及系统。
背景技术
随着陆地能源的不断消耗，能源短缺问题已经成为了全球性的问题。因此，海洋石油开采已经成为获取能源的重要途径，这也推动了海洋运输行业的日益繁荣。与此同时，海洋溢油事故时有发生。渤海湾有着丰富的海洋石油资源，一旦发生溢油事故，不仅会严重污染海洋环境、破坏海洋生态系统，还会对周边的沿海经济造成重大损失。为了地有效规避海上溢油事故和提高事故发生后的应急反应处理能力，对溢油风险进行准确地分析和预测是非常重要的。
目前的风险评估方法大多是基于一般情况下的溢油事故，而极端天气下的溢油风险评估方法尚未被提出。一旦在极端天气下发生溢油事故，后果可能是难以预料的。泄露的石油会在极端大风和海浪的驱动下短时间内到达海岸，破坏当地经济产业，同时油膜面积和扫海面积也会增大，对海洋生态造成更加严重的破坏。所以，亟需提出一种极端天气下溢油事故风险评估方法及系统。
发明内容
为克服现有技术存在的缺陷，本发明提供一种极端天气下溢油事故风险评估方法及系统。
为实现上述目的，按照本发明的一个方面，一种渤海湾极端天气下溢油事故风险评估方法，包含六个大步骤：气象与地理数据收集与处理，溢油情景输入，建立参数模型，建立结构模型，实时信息采集与处理和可视化显示。
气象与地理数据收集与处理的具体步骤为：
S101：从ERA5(欧洲中期天气预报中心再分析数据集5)中读取历年来渤海湾海面10米处风速的极端风速，海水温度等数据；从HYCOM数据库中读取流速数据。
S102：从地理信息数据库中读取海岸线类型和相应的社会经济资源，并计算各段岸线的脆弱性指数。
S103：根据S101和S102的参数建立物理模型。
溢油情景输入的具体步骤为：
S201：收集溢油情景相关数据，包括溢油类型，油品，溢油量和溢油地点。
S202：将溢油情景数据输入到本系统中。
建立参数模型的具体步骤为：
S301：通过变量间的物理关系确定条件概率表。
S302：通过假设变量服从一定的概率分布来确定各个变量的先验概率。
建立结构模型的具体步骤为：
S401：建立油膜漂移的静态贝叶斯网络。
S402：建立油膜扩展的静态贝叶斯网络。
S403：建立溢油蒸发的静态贝叶斯网络。
S404：建立溢油分散的静态贝叶斯网络。
S405：建立溢油运输和归宿的静态贝叶斯网络。
S406：建立溢油脆弱性的静态贝叶斯网络。
S407：建立定量风险评估的静态贝叶斯网络。
S408：建立定量风险评估的动态贝叶斯网络。
实时信息采集与处理的具体步骤为：
S501：通过遥感卫星来实时监测溢油后的油膜的运动和扩展情况，通过图片的形式传回。
S502：将S501中传回的图片进行图像清晰度处理，提高图像的分辨率。
S503：将S602中处理后的图像通过图像识别技术处理，计算油膜的投影坐标、油膜面积和扫海面积。
S504：将S603中计算出来的油膜坐标和油膜面积作为证据信息。
S505：通过安装温度传感器采集海水温度信号，风速风向传感器采集风速和风向信号，海流计采集流速和流向信号。
S506：将采集到的信号进行处理分析。
S507：将S506分析后的证据信息传输给结构模型，实现结构模型的实时更新。
可视化显示的具体步骤为：
S601：接收结构模型的计算结果。
S602：将接收到的计算结果通过图表，图片和动画等形式显示在显示器上。
按照本发明的另一方面，一种渤海湾极端天气条件下溢油事故风险评估系统，包括数据收集与分析子系统、信息处理子系统、运算分析子系统、遥感卫星监测子系统、气象监测子系统、可视化分析子系统。
数据收集与分析子系统，包括数据收集模块、通讯模块、数据同化模块、计算分析模块、概率信息生成与更新模块、岸线脆弱性评估模块。可以通过气象数据库收集渤海湾历年来的极端风速、海水温度、流速等数据，并将数据同化成本系统所需要的格式，然后统计其概率分布。还可以收集渤海湾的岸线类型和社会经济资源信息，然后智能划分海岸线，并且计算每段海岸线的脆弱性指数。
遥感卫星监测子系统，包括遥感卫星、通讯模块、图像增强模块、图像识别模块、图像分割模块、图像特征参数计算模块。首先通过遥感卫星实时监测油膜轨迹、油膜面积以及扫海面积，并将遥感照片传回，通过图像增强模块提高图像的清晰度，通过图像识别模块识别油膜特征，最后通过图像特征参数计算模块计算油膜坐标、油膜面积和扫海面积。
气象监测子系统，包括风速风向传感器、温度传感器、海流计、数据采集模块、通讯模块、信号处理模块，用于实时测量并处理气象数据。
运算分析子系统，包括通讯模块和运算分析模块。用于计算油膜的漂移距离、油膜面积、蒸发量、分散量以及风险值。
可视化分析子系统，包括通讯模块、信息转化模块和显示器。用于接收运算分析子系统的输出信息，将漂移轨迹、油膜面积、溢油减少量和风险等级等信息转化为图片或者动画等方式显示在显示器上。
相当于现有技术，本发明的有效增益效果是：渤海湾极端天气条件下溢油事故风险评估方法及系统，其功能为分析渤海湾极端天气条件下的气象因素和地理因素，智能化评估溢油风险评估，提高溢油事故发生后的应急反应能力，具有很高的实用价值。
附图说明
图1是渤海湾极端天气条件下溢油事故风险评估方法示意图。
图2是油膜漂移的静态贝叶斯网络。
图3是油膜扩展的静态贝叶斯网络。
图4是溢油蒸发的静态贝叶斯网络。
图5是溢油分散的静态贝叶斯网络。
图6是渤海湾极端天气下的溢油运输和归宿的静态贝叶斯网络。
图7是脆弱性指数的静态贝叶斯网络。
图8渤海湾极端天气下溢油事故定量风险评估的静态贝叶斯网络。
图9是渤海极端天气下溢油事故定量风险评估的动态贝叶斯网络。
图10是渤海湾极端天气条件下溢油事故风险评估系统示意图。
图中，101、数据收集与分析子系统，102、包括数据收集模块、103、数据同化模块，104、计算分析模块，105、概率信息生成与更新模块，106、通讯模块，107、岸线脆弱性评估模块，108、遥感卫星监测子系统，109、包括遥感卫星，110、通讯模块，111、图像增强模块，112、图像识别模块，113、图像特征参数计算模块，114、气象监测子系统，115、包括风速风向传感器，116、海流计，117、温度传感器，118、数据采集模块，119、信号处理模块，120、通讯模块，121、运算分析子系统，122、包括通讯模块，123、运算分析模块，124、可视化分析子系统，125、通讯模块，126、信息转化模块，127、显示器。
具体实施方式
如图1所示，渤海湾极端天气下溢油事故风险评估方法，包含六个主要步骤：气象与地理数据收集与处理、溢油情景输入、建立参数模型、建立结构模型、实时信息采集与处理、可视化显示。
气象与地理数据收集与处理的具体步骤为：
S101：从ERA5(欧洲中期天气预报中心再分析数据集5)中读取历年来渤海湾海面10米处风速的极端风速，海水温度等数据；从HYCOM数据库中读取流速数据。
将渤海湾历年来的极端风速按照广义极值Ⅰ型分布即耿贝尔分布拟合出概率密度曲线。耿贝尔分布的概率密度函数为：
Figure BDA0003729902330000051
其中，μ是位置参数；σ是尺度参数。
S102：从地理信息数据库中读取海岸线类型和相应的社会经济资源，并计算岸线的脆弱性指数。
假设岸线类型和社会经济资源在脆弱性指数中各占50％的权重，则脆弱性指数可以用以下公式表示:
Figure BDA0003729902330000061
其中，Ci是第i段岸线的脆弱性指数；li表示第i段岸线的岸线长度，m；a和b是常数，分别代表海岸线类型和社会经济资源在脆弱性指数中所占的比重，a和b之和为1；en代表第i段岸线中第n种类型的岸线的分值；
Figure BDA0003729902330000062
代表第i段岸线中第n种类型的岸线的长度，m；sm为第i段岸线中第m种社会经济资源的分值；
Figure BDA0003729902330000063
为第i段岸线中第m种社会经济资源所占据的海岸线长度，m。
S103：根据S101和S102的参数建立物理模型。
(1)油膜漂移
油膜漂移是一个由风、海流和波浪驱动的物理过程。表面流和风对油的驱动力造成了表面油的平流，悬浮油的平流是由于水流的作用而夹带水中的油滴的运动。油膜的平流速度可以表示为：
Figure BDA0003729902330000064
其中，
Figure BDA0003729902330000065
是油膜的漂移速度，m/s；
Figure BDA0003729902330000066
是表面流速，m/s；
Figure BDA0003729902330000067
是海面以上10米处的风速，m/s；aC是水流漂移因子，解释了潮汐等风以外的因素引起的浮油漂移，aC的值通常设置为1.0；aW是由风引起浮油漂移的漂移因子，通常取0.035。
在方程两边同时对时间t求积分，就可以得到t时刻油膜漂移的距离Sa。
(2)扩展
扩展是油膜在重力、惯性、粘度和水油界面张力作用下的水平膨胀。浮油的水平扩展可以分为三个阶段：重力-惯性阶段、重力-粘度阶段和表面张力阶段。考虑到风对扩展的影响，可以把扩展表示为：
Figure BDA0003729902330000071
其中，A表示海面上的油膜面积，m2；Δρ＝ρw-ρo，是海水密度与油密度之间的差值；ρw和ρo分别为海水和油的密度；V是泄露油的总体积，barrels；
Figure BDA0003729902330000072
是海面以上10米处的风速，knots；t是时间，min。
(3)蒸发
蒸发在石油泄露后会立即开始，是溢油初期石油减少的主要原因。由于油蒸气压、专门的蒸馏数据和传质系数等数据很难获得，可以只考虑时间和温度的因素，将蒸发方程表示为：
Eva＝(0.165(％D)+0.045(T-15))ln(t)
其中，Eva是蒸发油的百分比；％D是在180℃下的蒸馏百分比(重量)；T是海水温度，℃；t是时间，min。
(4)分散
自然分散是海面浮油被破碎波破碎并分散成油滴进入水体的一个物理过程。小油滴受到自然湍流的影响会停留在水体中，而较大的油滴会在短时间内上浮到水面。油分散的夹带公式可以表示为：
Figure BDA0003729902330000073
其中，Qd是夹带率，kg/m2 s；C*是经验夹带系数取决于油的类型和风化状态；Dd是单位面积消耗的破碎波的能量，J/m2；S是被油覆盖的海面比例，取值在0-1之间；F是单位时间内被破碎波击打的海面的比例，s-1；d是油滴尺寸，m；Δd是油滴间隔直径。
C*可以通过下列公式进行计算：
Figure BDA0003729902330000081
其中，ν是油的运动粘度，cSt。
Dd可以表示为：
Dd＝0.0034ρwgH2
其中，ρw是海水密度；g是重力加速度，m/s2；H是波高的均方根，m。
F可以表示为：
F＝0.032(UW-UT)/Tw
其中，UT是引起破碎波的临界风速，m/s；Tw是破碎波周期，s。
分散的油的总质量可以计算为：
Figure BDA0003729902330000082
其中，A是油膜面积，m2；dmax和dmin分别为最大和最小的液滴尺寸直径，m。dmax和dmin可以表示为：
dmax＝3400E-0.4v0.34
dmin＝500E-0.4v0.34
其中，E为破碎波能量耗散率，J/m3 s。
(5)到达岸线油量
到达岸线的油量可以表示为：
R＝Total-Eva×Total-Me
其中，R代表到达岸线的总油量，kg；Total是初始溢油总质量，kg；Eva是蒸发油的百分比；Me是分散的油量，kg。
(6)岸线风险
风险值通常被定义为概率与后果的乘积。在本方法中风险定义如下：
Risk＝Vul×P×R
其中，Risk代表岸线的风险值，P是浮油到达岸线的概率，R是浮油到达岸线的总质量。
溢油情景输入的具体步骤为：
S201：收集溢油情景相关数据，包括溢油类型，油品，溢油量和溢油地点。
溢油类型主要包括瞬时溢油和连续性溢油；油品包含油的密度、粘度等信息，决定了油的物理和化学性质。
S202：将溢油情景数据输入到本系统中。
建立参数模型的具体步骤为：
S301：通过变量间的物理关系确定条件概率表。
所有自变量和因变量节点之间的关系是根据提供的物理模型确定的。然后使用合适的方法对父节点进行采样，最终使用具有足够采样值和相应概率的物理关系获得条件概率表。
S302：通过假设变量服从一定的概率分布来确定各个变量的先验概率。
先验概率是从初始时刻对应于父节点的性能变量的分布获得的。根据实际物理情况，分布可以是正态、指数、对数正态等。随后使用离散化方法对这些相应节点进行离散化，以形成离散的先验概率。
建立结构模型的具体步骤为：
S401：建立油膜漂移的静态贝叶斯网络。
通过将油膜漂移计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的油膜漂移的静态贝叶斯网络如图2所示。其中aC、aW、UC、UW是自变量节点或父节点，Sa是因变量节点或子节点。
S402：建立油膜扩展的静态贝叶斯网络。
通过将油膜扩展计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的油膜扩展的静态贝叶斯网络如图3所示。其中，ρo、ρw、V、UW是自变量节点或父节点，A是因变量节点或子节点。A也是最终的输出节点，代表油膜面积。
S403：建立溢油蒸发的静态贝叶斯网络。
通过将溢油蒸发计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的溢油蒸发的静态贝叶斯网络如图4所示。其中，D、T是自变量节点或父节点，Eva是因变量节点或子节点，代表溢油蒸发的百分比。
S404：建立溢油分散的静态贝叶斯网络。
通过将溢油分散计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的溢油分散的静态贝叶斯网络如图5所示。其中，ν、S、ρo、ρw、V、UW、UT、g、E是自变量节点或父节点，Me是因变量节点或子节点，代表溢油因分散而减少的质量。
S405：建立溢油运输和归宿的静态贝叶斯网络。
将油膜漂移、油膜扩展、蒸发和扩散融合，建立渤海湾极端天气下的溢油运输和归宿的静态贝叶斯网络，如图6所示。通过油膜面积A,漂移距离Sa，风向WD、和流向CD可以计算出浮油到达岸线的概率P；通过溢油蒸发百分比Eva和分散量Me可以得到到达岸线的油量R。
S406：建立溢油脆弱性的静态贝叶斯网络。
通过将岸线脆弱性指数计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的脆弱性指数的静态贝叶斯网络如图7所示。其中，e1、e2……en、s1、s2……sn是自变量节点或父节点，c1、c2……cn是中间节点，Vul是因变量节点或子节点，代表岸线的脆弱性指数。
S407：建立定量风险评估的静态贝叶斯网络。
将浮油到达岸线的概率、浮油到达岸线的质量和岸线的脆弱性指数融合，建立渤海湾极端天气下溢油事故定量风险评估的静态贝叶斯网络，如图8所示。节点Risk为最终输出节点，代表岸线风险值。
S408：建立定量风险评估的动态贝叶斯网络。
根据转化动态贝叶斯网络时间片与时间片间的条件概率表，建立渤海极端天气下溢油事故定量风险评估的动态贝叶斯网络如图9所示。渤海湾极端天气下溢油事故定量风险评估的动态贝叶斯网络中各个节点与图8中的静态贝叶斯网络相同，表示了从t时刻到t+1时刻的信息变化。
实时信息采集与处理的具体步骤为：
S501：通过遥感卫星来实时监测溢油后的油膜的运动和扩展情况，通过图片的形式传回。
S502：将S501中传回的图片进行图像处理，提高图像的分辨率。
(1)图像预处理
①降噪处理
由于一些外在因素，获取的遥感图像通常会出现周期性的噪声。为了防止或减少对噪声对后续操作的影响，必须对噪声进行消除或削弱处理。周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。通常采用带通滤波和槽型滤波等方法对其进行消除处理。对于不平行于扫描方向的尖峰噪声，通常采用傅立叶变换进行滤波处理。在遥感影像中，往往存在着与其扫描方向相平行的条带，同时也存在着与其无关的条带噪声。通常采用傅里叶变换、低通滤波等方法对其进行消减。
②薄云处理
由于天气因素，在遥感图像中可能会出现薄云，需要对其进行弱化处理。
③阴影处理
一些遥感图像由于太阳高度角的影响而会产生阴影，可用比值法对阴影加以消除。
(2)几何校正
一般情况下，我们所采集到的遥感影像均为Level2级影像。为了定位精确，我们需要对其进行几何校正，并在地形起伏大的区域进行正射校正。在一些特殊的情景下，需要对遥感影像进行大气校正。
①图像配准
为了使同一区域内的两个数据源能够在同一地理坐标系统中进行叠加显示和数学运算，首先要把某一数据源的地理坐标与其他数据源的地理位置相配准。
将一张遥感图像与同一区域的其他图像或栅格地图进行配准，从而使其在空间上重合叠加显示，这个过程称为对栅格图像的配准。将一张遥感图像与同一区域一幅矢量图形进行配准，从而使其在空间上重合叠加显示，这个过程称为对矢量图形的配准。
②几何精纠正
为了遥感数据进行精确的地理定位，需要将遥感数据准确定位到特定的地理坐标系，这个过程称为几何精纠正。
利用已有的精确地理坐标与投影信息的遥感图像，纠正原始遥感图像，使其具有精确的地理坐标与投影信息的过程为图像对图像的纠正。利用已有的精确地理坐标与投影信息的矢量地形图或扫描地形图，来纠正原始遥感图像的过程为图像对地图的纠正。利用已有的精确地理坐标与投影信息的已知坐标点或地面控制点，来纠正原始遥感图像的过程为图像对地图的纠正。
③正射纠正
为了消除或减小地形起伏对图像带来的变形影响，可以通过已有的地理参考数据和数字高程模型数据来纠正原始遥感影像，这个过程称为正射纠正。
(3)图像增强
为了使遥感图像中的目标更加突出，特征更加明显，需要进行图像增强操作。
①彩色合成
色彩在遥感影像识别和信息提取方面具有显著的优越性，因此通常采用彩色合成技术对多光谱图像进行处理，得到彩色图像。
②直方图变换
通过对每张图像各个亮度的像元数进行统计，得到随机分布图被称为该图像的直方图。通常情况下，具有大量像元的图像，其随机分布应该是正态分布。如果直方图是非正态分布，说明亮度分布不均匀，需要将其调整为正态分布，从而提高图像的质量。
③密度分割
对于灰度图像，对其像元的灰度值分级，然后赋予不同颜色，从而将原始图像变为伪色彩图，从而实现对图像的增强。
④灰度颠倒
将图像灰度范围先拉伸到显示装置的动态范围到饱和状态，再颠倒处理，从而使正像与负像互换。
⑤图像间运算
两幅或多幅单波段图像经过空间配准后可以对其进行算术运算，从而达到图像增强的效果。
⑥邻域增强
又称为滤波处理，用于去噪声、锐化以及相关运算，其范围取决于滤波器的大小。
S503：将S602中处理后的图像通过图像识别技术处理，计算油膜的投影坐标、油膜面积和扫海面积。
(1)海面溢油区分割
SAR图像中的海面溢油分割技术主要是通过对海洋中的暗点和条带进行提取，从而实现对海洋背景的分割。常用的方法为阈值法，基于图像的灰度信息、纹理信息和边缘信息，识别不同领域间的灰度差异实现分割。阈值法具有性能稳定、过程简单等优点，因此得到广泛的应用。
(2)溢油区域特征提取和分类
油膜的灰度值由于低于海水的灰度值，所以在影像中显示为黑色的斑点。但是类如降雨、上升流等因素也会导致黑色斑点或条带的产生，这种现象成为类油膜现象。因此需要将油膜与类油膜区分开来。分类器可以将油膜与类油膜相区分，实现溢油区域的有效识别。常见的分类器包括K-近邻分类器、BP神经网络分类器和贝叶斯分类器。
(3)油膜面积计算
将油膜区域识别之后就可以对油膜的坐标和油膜区域的面积进行计算。
S504：将S603中计算出来的油膜坐标和油膜面积作为证据信息传输给结构模型。
S505：通过安装温度传感器采集海水温度信号，风速风向传感器采集风速和风向信号，海流计采集流速和流向信号。
S506：将采集到的信号进行处理分析。
⑴去噪处理：信号在传输的过程中很容易受到外界因素的影响，所传输的实际信息也会因此受到影响。小波变换可以对非平稳信号进行有效处理，能够在时间和频域上同时进行局域化分析。因此，本发明采用小波变换进行去噪处理。小波变换阈值去噪的基本思想是提前设置好一个临界值作为阈值。对含噪信号进行阈值去噪是对
Figure BDA0003729902330000151
进行小波变换，将阈值和系数进行比较，对大于和小于阈值的系数进行分别处理。对大于阈值系数进行保留处理，小于阈值的系数被置为零处理，对留下的系数进行小波重构得到处理后的信号。
Figure BDA0003729902330000152
其中
Figure BDA0003729902330000153
是小波函数，We(a,t)是e(t)的小波变换，采用通用阈值规则选取小波变换阈值去噪法的阈值λ，如下所示：
Figure BDA0003729902330000154
其中σ为附加噪声信号的标准差，N为实际测量信号f(t)经过小波变换分解在得到的小波系数个数的总和。采用的软阈值处理函数对测量信号的小波变换系数进行非线性阈值处理，如下所示：
Figure BDA0003729902330000155
⑵时频域分析：对于已去噪处理的传感器信号，除了需要获取信号的频域特征，还需分析信号的时间历程变化以提取瞬态信息。强大的时频域分析方法能够对信号的频率与时间的相互关系进行反映，并能够描述信号的局部细节特征，对非平稳信号的处理分析大有裨益。采用短期傅里叶变换进行时频域分析：
Figure BDA0003729902330000161
其中，ω(t)表示截断窗口，将截断后每段信号进行逐步分析，信号随时间的变化特性就可以通过对比各个时间段的局部频谱图来获取。
S507：将S506分析后的证据信息传输给结构模型，实现结构模型的实时更新。
可视化显示的具体步骤为：
S601：接收结构模型的计算结果。
S602：将接收到的计算结果通过图表，图片和动画等形式显示在显示器上。
如图10所示，渤海湾极端天气条件下溢油事故风险评估系统，包含5个部分：数据收集与分析子系统101、遥感卫星监测子系统108、气象监测子系统114、运算分析子系统121、可视化分析子系统124。
数据收集与分析子系统101，包括数据收集模块102、数据同化模块103、计算分析模块104、概率信息生成与更新模块105、岸线脆弱性评估模块107、通讯模块106。数据收集模块102，用于收集历史极端风速、风向、温度、流速、流向等信息。数据同化模块103，可以将收集到的数据转化为本系统所需要的格式。计算分析模块104，可以通过参数建立物理模型。概率信息生成与更新模块105，用于读取数据同化模块所转化的数据，并将所读取的数据用于概率信息生成、追踪与更新。岸线脆弱性评估模块107，用于智能划分海岸线并计算每段海岸线的脆弱性指数。通讯模块106，用于将分析后的数据传输给运算分析子系统。
遥感卫星监测子系统108，包括遥感卫星109、通讯模块110、图像增强模块111、图像识别模块112、图像特征参数计算模块113。通讯模块110，用于接收遥感卫星传递的数据、对遥感卫星发送指令和将数据传输给运算分析子系统121。图像增强模块111，用于提高遥感图像质量，放大目标特征。图像识别模块112，用于识别油膜。图像特征参数计算模块113，用于计算油膜位置坐标、油膜面积和扫海面积。
气象监测子系统114，包括风速风向传感器115、海流计116、温度传感器117、数据采集模块118、信号处理模块119、通讯模块120。数据采集模块118，用于采集传感器所监测到的信号。信号处理模块119，用于将监测到的信号转化为贝叶斯更新所需要的证据信息。通讯模块120，用于接收传感器监测到的信号和将证据信息传递给运算分析模块121。
运算分析子系统121，包括通讯模块122和运算分析模块123。通讯模块122，用于接收数据收集与分析子系统101、遥感卫星监测子系统108、气象监测子系统114的数据，并将运算分析后的结果传递给可视化分析子系统124。运算分析模块123，用于将接收到的数据进行计算分析，得到油膜面积、溢油的减少量、漂移轨迹和风险等级。
可视化分析子系统124，包括通讯模块125、信息转化模块126、显示器127。通讯模块125，用于接收运算分析子系统121传输的运算结果。信息转化模块126，用于将运算结果转化为图表、图片和动画等形式。显示器127用于显示信息转化模块所转化后的结果。

Claims (7)

1.渤海湾极端天气条件下溢油事故风险评估方法，其特征在于：包含六个主要步骤：气象与地理数据收集与处理、溢油情景输入、建立参数模型、建立结构模型、实时信息采集与处理、可视化显示；
气象与地理数据收集与处理的具体步骤为：
S101：从ERA5(欧洲中期天气预报中心再分析数据集5)中读取历年来渤海海面10米处风速的极端风速，海水温度等数据；从HYCOM数据库中读取流速数据。
将渤海历年来的极端风速按照广义极值Ⅰ型分布即耿贝尔分布拟合出概率密度曲线。耿贝尔分布的概率密度函数为：
Figure FDA0003729902320000011
其中，μ是位置参数；σ是尺度参数。
S102：从地理信息数据库中读取海岸线类型和相应的社会经济资源，并计算岸线的脆弱性指数。
假设岸线类型和社会经济资源在脆弱性指数中各占50％的权重，则脆弱性指数可以用以下公式表示:
Figure FDA0003729902320000012
其中，Ci是第i段岸线的脆弱性指数；li表示第i段岸线的岸线长度，m；a和b是常数，分别代表海岸线类型和社会经济资源在脆弱性指数中所占的比重，a和b之和为1；en代表第i段岸线中第n种类型的岸线的分值；
Figure FDA0003729902320000013
代表第i段岸线中第n种类型的岸线的长度，m；sm为第i段岸线中第m种社会经济资源的分值；
Figure FDA0003729902320000014
为第i段岸线中第m种社会经济资源所占据的海岸线长度，m。
S103：根据S101和S102的参数建立物理模型。
(1)油膜漂移
油膜漂移是一个由风、海流和波浪驱动的物理过程。表面流和风对油的驱动力造成了表面油的平流，悬浮油的平流是由于水流的作用而夹带水中的油滴的运动。油膜的平流速度可以表示为：
Figure FDA0003729902320000021
其中，
Figure FDA0003729902320000022
是油膜的漂移速度，m/s；
Figure FDA0003729902320000023
是表面流速，m/s；
Figure FDA0003729902320000024
是海面以上10米处的风速，m/s；aC是水流漂移因子，解释了潮汐等风以外的因素引起的浮油漂移，aC的值通常设置为1.0；aW是由风引起浮油漂移的漂移因子，通常取0.035。
在方程两边同时对时间t求积分，就可以得到t时刻油膜漂移的距离Sa。
(2)扩展
扩展是油膜在重力、惯性、粘度和水油界面张力作用下的水平膨胀。浮油的水平扩展可以分为三个阶段：重力-惯性阶段、重力-粘度阶段和表面张力阶段。考虑到风对扩展的影响，可以把扩展表示为：
Figure FDA0003729902320000025
其中，A表示海面上的油膜面积，m2；Δρ＝ρw-ρo，是海水密度与油密度之间的差值；ρw和ρo分别为海水和油的密度；V是泄露油的总体积，barrels；
Figure FDA0003729902320000026
是海面以上10米处的风速，knots；t是时间，min。
(3)蒸发
蒸发在石油泄露后会立即开始，是溢油初期石油减少的主要原因。由于油蒸气压、专门的蒸馏数据和传质系数等数据很难获得，可以只考虑时间和温度的因素，将蒸发方程表示为：
Eva＝(0.165(％D)+0.045(T-15))ln(t)
其中，Eva是蒸发油的百分比；％D是在180℃下的蒸馏百分比(重量)；T是海水温度，℃；t是时间，min。
(4)分散
自然分散是海面浮油被破碎波破碎并分散成油滴进入水体的一个物理过程。小油滴受到自然湍流的影响会停留在水体中，而较大的油滴会在短时间内上浮到水面。油分散的夹带公式可以表示为：
Figure FDA0003729902320000031
其中，Qd是夹带率，kg/m2s；C*是经验夹带系数取决于油的类型和风化状态；Dd是单位面积消耗的破碎波的能量，J/m2；S是被油覆盖的海面比例，取值在0-1之间；F是单位时间内被破碎波击打的海面的比例，s-1；d是油滴尺寸，m；Δd是油滴间隔直径。
C*可以通过下列公式进行计算：
Figure FDA0003729902320000032
其中，v是油的运动粘度，cSt。
Dd可以表示为：
Dd＝0.0034ρwgH2
其中，ρw是海水密度；g是重力加速度，m/s2；H是波高的均方根，m。
F可以表示为：
F＝0.032(UW-UT)/Tw
其中，UT是引起破碎波的临界风速，m/s；Tw是破碎波周期，s。
分散的油的总质量可以计算为：
Figure FDA0003729902320000033
其中，A是油膜面积，m2；dmax和dmin分别为最大和最小的液滴尺寸直径，m。dmax和dmin可以表示为：
dmax＝3400E-0.4v0.34
dmin＝500E-0.4v0.34
其中，E为破碎波能量耗散率，J/m3s。
(5)到达岸线油量
到达岸线的油量可以表示为：
R＝Total-Eva×Total-Me
其中，R代表到达岸线的总油量，kg；Total是初始溢油总质量，kg；Eva是蒸发油的百分比；Me是分散的油量，kg。
(6)岸线风险
风险值通常被定义为概率与后果的乘积。在本方法中风险定义如下：
Risk＝Vul×P×R
其中，Risk代表岸线的风险值，P是浮油到达岸线的概率，R是浮油到达岸线的总质量。
溢油情景输入的具体步骤为：
S201：收集溢油情景相关数据，包括溢油类型，油品，溢油量和溢油地点。
溢油类型主要包括瞬时溢油和连续性溢油；油品包含油的密度、粘度等信息，决定了油的物理和化学性质。
S202：将溢油情景数据输入到本系统中。
建立参数模型的具体步骤为：
S301：通过变量间的物理关系确定条件概率表。
所有自变量和因变量节点之间的关系是根据提供的物理模型确定的。然后使用合适的方法对父节点进行采样，最终使用具有足够采样值和相应概率的物理关系获得条件概率表。
S302：通过假设变量服从一定的概率分布来确定各个变量的先验概率。
先验概率是从初始时刻对应于父节点的性能变量的分布获得的。根据实际物理情况，分布可以是正态、指数、对数正态等。随后使用离散化方法对这些相应节点进行离散化，以形成离散的先验概率。
建立结构模型的具体步骤为：
S401：建立油膜漂移的静态贝叶斯网络。
通过将油膜漂移计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的油膜漂移的静态贝叶斯网络如图2所示。其中aC、aW、UC、UW是自变量节点或父节点，Sa是因变量节点或子节点。
S402：建立油膜扩展的静态贝叶斯网络。
通过将油膜扩展计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的油膜扩展的静态贝叶斯网络如图3所示。其中，ρo、ρw、V、UW是自变量节点或父节点，A是因变量节点或子节点。A也是最终的输出节点，代表油膜面积。
S403：建立溢油蒸发的静态贝叶斯网络。
通过将溢油蒸发计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的溢油蒸发的静态贝叶斯网络如图4所示。其中，D、T是自变量节点或父节点，Eva是因变量节点或子节点，代表溢油蒸发的百分比。
S404：建立溢油分散的静态贝叶斯网络。
通过将溢油分散计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的溢油分散的静态贝叶斯网络如图5所示。其中，ν、S、ρo、ρw、V、UW、UT、g、E是自变量节点或父节点，Me是因变量节点或子节点，代表溢油因分散而减少的质量。
S405：建立溢油运输和归宿的静态贝叶斯网络。
将油膜漂移、油膜扩展、蒸发和扩散融合，建立渤海极端天气下的溢油运输和归宿的静态贝叶斯网络，如图6所示。通过油膜面积A,漂移距离Sa，风向WD、和流向CD可以计算出浮油到达岸线的概率P；通过溢油蒸发百分比Eva和分散量Me可以得到到达岸线的油量R。
S406：建立溢油脆弱性的静态贝叶斯网络。
通过将岸线脆弱性指数计算公式中的各个参数映射为贝叶斯网络中的各个参数节点，将S3得到的条件概率表和先验概率输入，建立的脆弱性指数的静态贝叶斯网络如图7所示。其中，e1、e2……en、s1、s2……sn是自变量节点或父节点，c1、c2……cn是中间节点，Vul是因变量节点或子节点，代表岸线的脆弱性指数。
S407：建立定量风险评估的静态贝叶斯网络。
将浮油到达岸线的概率、浮油到达岸线的质量和岸线的脆弱性指数融合，建立渤海极端天气下溢油事故定量风险评估的静态贝叶斯网络，如图8所示。节点Risk为最终输出节点，代表岸线风险值。
S408：建立定量风险评估的动态贝叶斯网络。
根据转化动态贝叶斯网络时间片与时间片间的条件概率表，建立渤海极端天气下溢油事故定量风险评估的动态贝叶斯网络如图9所示。渤海极端天气下溢油事故定量风险评估的动态贝叶斯网络中各个节点与图8中的静态贝叶斯网络相同，表示了从t时刻到t+1时刻的信息变化。
实时信息采集与处理的具体步骤为：
S501：通过遥感卫星来实时监测溢油后的油膜的运动和扩展情况，通过图片的形式传回。
S502：将S501中传回的图片进行图像处理，提高图像的分辨率。
(1)图像预处理
①降噪处理
由于一些外在因素，获取的遥感图像通常会出现周期性的噪声。为了防止或减少对噪声对后续操作的影响，必须对噪声进行消除或削弱处理。周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。通常采用带通滤波和槽型滤波等方法对其进行消除处理。对于不平行于扫描方向的尖峰噪声，通常采用傅立叶变换进行滤波处理。在遥感影像中，往往存在着与其扫描方向相平行的条带，同时也存在着与其无关的条带噪声。通常采用傅里叶变换、低通滤波等方法对其进行消减。
②薄云处理
由于天气因素，在遥感图像中可能会出现薄云，需要对其进行弱化处理。
③阴影处理
一些遥感图像由于太阳高度角的影响而会产生阴影，可用比值法对阴影加以消除。
(2)几何校正
一般情况下，我们所采集到的遥感影像均为Level2级影像。为了定位精确，我们需要对其进行几何校正，并在地形起伏大的区域进行正射校正。在一些特殊的情景下，需要对遥感影像进行大气校正。
①图像配准
为了使同一区域内的两个数据源能够在同一地理坐标系统中进行叠加显示和数学运算，首先要把某一数据源的地理坐标与其他数据源的地理位置相配准。
将一张遥感图像与同一区域的其他图像或栅格地图进行配准，从而使其在空间上重合叠加显示，这个过程称为对栅格图像的配准。将一张遥感图像与同一区域一幅矢量图形进行配准，从而使其在空间上重合叠加显示，这个过程称为对矢量图形的配准。
②几何精纠正
为了遥感数据进行精确的地理定位，需要将遥感数据准确定位到特定的地理坐标系，这个过程称为几何精纠正。
利用已有的精确地理坐标与投影信息的遥感图像，纠正原始遥感图像，使其具有精确的地理坐标与投影信息的过程为图像对图像的纠正。利用已有的精确地理坐标与投影信息的矢量地形图或扫描地形图，来纠正原始遥感图像的过程为图像对地图的纠正。利用已有的精确地理坐标与投影信息的已知坐标点或地面控制点，来纠正原始遥感图像的过程为图像对地图的纠正。
③正射纠正
为了消除或减小地形起伏对图像带来的变形影响，可以通过已有的地理参考数据和数字高程模型数据来纠正原始遥感影像，这个过程称为正射纠正。
(3)图像增强
为了使遥感图像中的目标更加突出，特征更加明显，需要进行图像增强操作。
①彩色合成
色彩在遥感影像识别和信息提取方面具有显著的优越性，因此通常采用彩色合成技术对多光谱图像进行处理，得到彩色图像。
②直方图变换
通过对每张图像各个亮度的像元数进行统计，得到随机分布图被称为该图像的直方图。通常情况下，具有大量像元的图像，其随机分布应该是正态分布。如果直方图是非正态分布，说明亮度分布不均匀，需要将其调整为正态分布，从而提高图像的质量。
③密度分割
对于灰度图像，对其像元的灰度值分级，然后赋予不同颜色，从而将原始图像变为伪色彩图，从而实现对图像的增强。
④灰度颠倒
将图像灰度范围先拉伸到显示装置的动态范围到饱和状态，再颠倒处理，从而使正像与负像互换。
⑤图像间运算
两幅或多幅单波段图像经过空间配准后可以对其进行算术运算，从而达到图像增强的效果。
⑥邻域增强
又称为滤波处理，用于去噪声、锐化以及相关运算，其范围取决于滤波器的大小。
S503：将S602中处理后的图像通过图像识别技术处理，计算油膜的投影坐标、油膜面积和扫海面积。
(1)海面溢油区分割
SAR图像中的海面溢油分割技术主要是通过对海洋中的暗点和条带进行提取，从而实现对海洋背景的分割。常用的方法为阈值法，基于图像的灰度信息、纹理信息和边缘信息，识别不同领域间的灰度差异实现分割。阈值法具有性能稳定、过程简单等优点，因此得到广泛的应用。
(2)溢油区域特征提取和分类
油膜的灰度值由于低于海水的灰度值，所以在影像中显示为黑色的斑点。但是类如降雨、上升流等因素也会导致黑色斑点或条带的产生，这种现象成为类油膜现象。因此需要将油膜与类油膜区分开来。分类器可以将油膜与类油膜相区分，实现溢油区域的有效识别。常见的分类器包括K-近邻分类器、BP神经网络分类器和贝叶斯分类器。
(3)油膜面积计算
将油膜区域识别之后就可以对油膜的坐标和油膜区域的面积进行计算。
S504：将S603中计算出来的油膜坐标和油膜面积作为证据信息传输给结构模型。
S505：通过安装温度传感器采集海水温度信号，风速风向传感器采集风速和风向信号，海流计采集流速和流向信号。
S506：将采集到的信号进行处理分析。
(1)去噪处理：在进行信号传输时，由于外部因素的干扰，会对所传输的实际信息产生一定的影响。小波变换可以有效地处理非平稳信号，并能在时域和频域上实现局域化分析。因此，本发明采用小波变换进行去噪处理。小波变换阈值去噪的基本思路是预先设定一个临界阈值。对含噪信号进行阈值去噪是对
Figure FDA0003729902320000103
进行小波变换，将阈值和系数进行比较，对大于和小于阈值的系数进行分别处理。对大于阈值系数进行保留处理，小于阈值的系数被置为零处理，对留下的系数进行小波重构得到处理后的信号。
Figure FDA0003729902320000101
其中
Figure FDA0003729902320000102
是小波函数，We(a,t)是e(t)的小波变换，采用通用阈值规则选取小波变换阈值去噪法的阈值λ，如下所示：
Figure FDA0003729902320000111
其中σ为附加噪声信号的标准差，N为实际测量信号f(t)经过小波变换分解在得到的小波系数个数的总和。采用的软阈值处理函数对测量信号的小波变换系数进行非线性阈值处理，如下所示：
Figure FDA0003729902320000112
(2)时频域分析：对于经过去噪处理的传感器信号，除了需要获取其频域特征，还需分析信号的时间历程变化以提取瞬态信息。强大的时频域分析方法能够对信号的频率与时间的相互关系进行反映，并能够描述信号的局部细节特征，对非平稳信号的处理分析大有裨益。采用短期傅里叶变换进行时频域分析：
Figure FDA0003729902320000113
其中，ω(t)表示截断窗口，将截断后每段信号进行逐步分析，信号随时间的变化特性就可以通过对比各个时间段的局部频谱图来获取。
S507：将S506分析后的证据信息传输给结构模型，实现结构模型的实时更新。
可视化显示的具体步骤为：
S601：接收结构模型的计算结果。
S602：将接收到的计算结果通过图表，图片和动画等形式显示在显示器上。
渤海湾极端天气条件下溢油事故风险评估方法，应用于渤海湾极端天气条件下溢油事故风险评估系统上，该系统包含五个部分：数据收集与分析子系统、遥感卫星监测子系统、气象监测子系、运算分析子系统、可视化分析子系统。
数据收集与分析子系统，包括数据收集模块、数据同化模块、计算分析模块、概率信息生成与更新模块、岸线脆弱性评估模块、通讯模块；
遥感卫星监测子系统，包括遥感卫星、通讯模块、图像增强模块、图像识别模块、图像特征参数计算模块；
气象监测子系统，包括风速风向传感器、海流计、温度传感器、数据采集模块、信号处理模块、通讯模块；
运算分析子系统，包括通讯模块和运算分析模块；
可视化分析子系统，包括通讯模块、信息转化模块、显示器。
2.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，数据收集与分析子系统的数据收集模块，用于收集历史极端风速、风向、温度、流速、流向等信息；数据同化模块，可以将收集到的数据转化为本系统所需要的格式；计算分析模块，可以通过参数建立物理模型；概率信息生成与更新模块，用于读取数据同化模块所转化的数据，并将所读取的数据用于概率信息生成、追踪与更新；岸线脆弱性评估模块，用于智能划分海岸线并计算每段海岸线的脆弱性指数；通讯模块用于将分析后的数据传输给运算分析子系统。
3.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，遥感卫星监测子系统的通讯模块，用于接收遥感卫星传递的数据、对遥感卫星发送指令和将数据传输给运算分析子系统；图像增强模块，用于提高遥感图像质量，放大目标特征；图像识别模块，用于识别油膜；图像特征参数计算模块，用于计算油膜位置坐标、油膜面积和扫海面积。
4.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，气象监测子系统的数据采集模块，用于采集传感器所监测到的信号；信号处理模块，用于将监测到的信号转化为贝叶斯更新所需要的证据信息；通讯模块，用于接收传感器监测到的信号和将证据信息传递给运算分析模块。
5.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，运算分析子系统的通讯模块，用于接收数据收集与分析子系统、遥感卫星监测子系统、气象监测子系统的数据，并将运算分析后的结果传递给可视化分析子系统；运算分析模块，用于将接收到的数据进行计算分析，得到油膜面积、溢油的减少量、漂移轨迹和风险等级。
6.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，可视化分析子系统的通讯模块，用于接收运算分析子系统传输的运算结果；信息转化模块，用于将运算结果转化为图表、图片和动画等形式；显示器用于显示信息转化模块所转化后的结果。
7.根据权利要求1所述的渤海湾极端天气条件下溢油事故风险评估方法，其特征在于，在工作过程中，数据收集与分析子系统、遥感卫星监测子系统、气象监测子系统和可视化分析子系统都与运算分析子系统相连，用于传输信息。
CN202210782318.4A 2022-07-05 2022-07-05 一种渤海湾极端天气条件下溢油事故风险评估方法及系统 Pending CN115099653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782318.4A CN115099653A (zh) 2022-07-05 2022-07-05 一种渤海湾极端天气条件下溢油事故风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782318.4A CN115099653A (zh) 2022-07-05 2022-07-05 一种渤海湾极端天气条件下溢油事故风险评估方法及系统

Publications (1)

Publication Number Publication Date
CN115099653A true CN115099653A (zh) 2022-09-23

Family

ID=83297739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782318.4A Pending CN115099653A (zh) 2022-07-05 2022-07-05 一种渤海湾极端天气条件下溢油事故风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN115099653A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271560A (zh) * 2022-09-28 2022-11-01 中国石油大学(华东) 一种海洋石油钻井溢油风化定量评估系统及评估方法
CN115290526A (zh) * 2022-09-29 2022-11-04 南通炜秀环境技术服务有限公司 基于数据分析的空气污染物浓度检测方法
CN116433023A (zh) * 2023-04-12 2023-07-14 广东海洋大学 一种海上溢油风险评估方法
CN116485001A (zh) * 2023-02-22 2023-07-25 交通运输部水运科学研究所 一种基于环境敏感指数的溢油风险预测方法及预警系统
CN117789133A (zh) * 2024-02-28 2024-03-29 希格玛电气(珠海)有限公司 一种智能环网柜监控系统
CN118096863A (zh) * 2024-02-27 2024-05-28 中国水利水电科学研究院 一种计算水域垂向温升投影包络面积的方法
CN118247678A (zh) * 2024-03-22 2024-06-25 大连理工大学 一种随机海况自适应感知调制神经网络的海水养殖目标提取方法
CN118297397A (zh) * 2024-04-16 2024-07-05 粤港澳大湾区气象监测预警预报中心(深圳气象创新研究院) 一种面向对象的城市极端天气压力测试方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271560A (zh) * 2022-09-28 2022-11-01 中国石油大学(华东) 一种海洋石油钻井溢油风化定量评估系统及评估方法
CN115271560B (zh) * 2022-09-28 2023-01-10 中国石油大学(华东) 一种海洋石油钻井溢油风化定量评估系统及评估方法
CN115290526A (zh) * 2022-09-29 2022-11-04 南通炜秀环境技术服务有限公司 基于数据分析的空气污染物浓度检测方法
CN116485001A (zh) * 2023-02-22 2023-07-25 交通运输部水运科学研究所 一种基于环境敏感指数的溢油风险预测方法及预警系统
CN116433023A (zh) * 2023-04-12 2023-07-14 广东海洋大学 一种海上溢油风险评估方法
CN118096863A (zh) * 2024-02-27 2024-05-28 中国水利水电科学研究院 一种计算水域垂向温升投影包络面积的方法
CN118096863B (zh) * 2024-02-27 2024-10-18 中国水利水电科学研究院 一种计算水域垂向温升投影包络面积的方法
CN117789133A (zh) * 2024-02-28 2024-03-29 希格玛电气(珠海)有限公司 一种智能环网柜监控系统
CN117789133B (zh) * 2024-02-28 2024-06-04 希格玛电气(珠海)有限公司 一种智能环网柜监控系统
CN118247678A (zh) * 2024-03-22 2024-06-25 大连理工大学 一种随机海况自适应感知调制神经网络的海水养殖目标提取方法
CN118297397A (zh) * 2024-04-16 2024-07-05 粤港澳大湾区气象监测预警预报中心(深圳气象创新研究院) 一种面向对象的城市极端天气压力测试方法

Similar Documents

Publication Publication Date Title
CN115099653A (zh) 一种渤海湾极端天气条件下溢油事故风险评估方法及系统
Müller et al. AROME-MetCoOp: A Nordic convective-scale operational weather prediction model
Liu et al. Automated extraction of shorelines from airborne light detection and ranging data and accuracy assessment based on Monte Carlo simulation
Goudenhoofdt et al. Generation and verification of rainfall estimates from 10-yr volumetric weather radar measurements
KR101880616B1 (ko) 해상풍과 해무 위성정보를 이용한 해무 예측 방법
CN110910448B (zh) 一种海上溢油漂移轨迹溯源方法
Kim et al. Detection of the Hebei Spirit oil spill on SAR imagery and its temporal evolution in a coastal region of the Yellow Sea
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN110208880A (zh) 一种基于深度学习和卫星遥感技术的海雾检测方法
CN101915910A (zh) 利用航海雷达识别海上溢油目标的方法及系统
Pirazzoli et al. Recent evolution of surge-related events and assessment of coastal flooding risk on the eastern coasts of the English Channel
CN112926468A (zh) 一种潮滩高程自动提取方法
Ondoa et al. Sea level at the coast from video-sensed waves: Comparison to tidal gauges and satellite altimetry
Tsukada et al. UAV-based mapping of nearshore bathymetry over broad areas
Pellón et al. Intertidal finger bars at El Puntal, Bay of Santander, Spain: Observation and forcing analysis
CN118279763A (zh) 一种海冰监测方法、系统、设备、存储介质和计算机程序产品
Adell et al. Spatial and temporal wave climate variability along the south coast of Sweden during 1959–2021
Elliott et al. The need for operational forecasting during oil spill response
Khouakhi et al. Seasonal predictability of high sea level frequency using ENSO patterns along the US West Coast
Tapilatu et al. Using remote sensing to evaluate coastal erosion and accretion to guide conservation of turtle nesting sites
García-Rubio et al. Assessing shoreline change using satellite-derived shorelines in Progreso, Yucatán, México
Yang et al. A near real-time automated oil spill detection and early warning system using Sentinel-1 SAR imagery for the Southeastern Mediterranean Sea
Prasad et al. Simulating the spatial and temporal distribution of oil spill over the coral reef environs along the southeast coast of Mauritius: A case study on MV Wakashio vessel wreckage, August 2020
Bhat et al. Application of Regional Climate Models for Coastal Design Parameters along India
US11287550B2 (en) Leads and polynyas forecasting

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