CN116562621A - 一种海冰灾害航运风险评估方法、装置及计算设备 - Google Patents
一种海冰灾害航运风险评估方法、装置及计算设备 Download PDFInfo
- Publication number
- CN116562621A CN116562621A CN202310490499.8A CN202310490499A CN116562621A CN 116562621 A CN116562621 A CN 116562621A CN 202310490499 A CN202310490499 A CN 202310490499A CN 116562621 A CN116562621 A CN 116562621A
- Authority
- CN
- China
- Prior art keywords
- disaster
- sea ice
- ice
- sea
- bearing body
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000009364 mariculture Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种海冰灾害航运风险评估方法、装置及计算设备，所述方法包括：获取监测区域内的历史日尺度海冰厚度数据集；根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度；根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。本发明可以为在不同有冰海域航行的不同类型船舶提供风险参考，为监测有冰海域冬季船舶航运的风险规避提供参考和指导。
Description
技术领域
本发明涉及遥感图像智能识别技术领域，特别是指一种海冰灾害航运风险评估方法、装置及计算设备。
背景技术
海冰，广义来说是指出现在海上的一切冰的总称，包括由海水冻结而成的咸水冰，以及来源于陆地的淡水冰。海冰灾害是指因海冰引起的航道阻塞、船只损坏及海上设施和海岸工程损坏等。海冰会对渤海的海洋运输、水产养殖、海上油气开采、海上构筑物和其他海事活动造成危害，在重冰年，严重的冰情会造成巨大经济损失。海冰灾害在第一次全国自然灾害综合风险普查中被列入海洋灾害的主要灾害之一，影响我国海洋环境安全和经济发展。渤海地区的船舶航运对我国北方的经济发展有巨大的带动作用，并且通过煤炭的海上运输影响着南方的经济发展。因此对渤海海冰灾害航运风险进行评估有助于科学的规划渤海冬季航运，保障海洋运输安全。
船舶自动识别系统(Automatic Identification System,AIS)是应用于船和岸、船和船之间的新型助航技术。AIS数据由船舶的轨迹点构成，数据包含经纬度坐标和时间等信息，可用于监测某一海域内的船舶位置、密度、速度和流量等活动特征。
现有关于渤海海冰灾害风险评估的研究主要通过每年的冰期长度、最大海冰厚度以及海冰密集度等冰情指标进行海冰灾害危险性评估，并结合渤海沿岸各县区及渤海各海区的港口吞吐量、油气平台密度、海水养殖面积、海洋工程投资额度等承灾体评价指标通过构建致灾因子评估体系，及承灾体评估体系，计算渤海海冰灾害相对风险指数。这种评估半定量的评估方法因缺少高时空分辨率的渤海海冰冰情数据和海上典型承灾体数据无法对冬季的船舶航运的安全进行提供具体、有效的理论参考和技术支持。
发明内容
本发明要解决的技术问题是提供一种海冰灾害航运风险评估方法、装置及计算设备，可以为在不同有冰海域航行的不同类型船舶提供风险参考，为监测有冰海域冬季船舶航运的风险规避提供参考和指导。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种海冰灾害航运风险评估方法，所述方法包括：
获取监测区域内的历史日尺度海冰厚度数据集；
根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度；
根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；
根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
进一步的，获取监测区域内的历史日尺度海冰厚度数据集，包括：
获取监测区域内的历史海冰厚度数据；
根据所述历史海冰厚度数据，组成非连续的日尺度海冰厚度数据集。
进一步的，根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性，包括：
对监测区域内每个1km2网格的年极值序列进行抽样，以获取日尺度海冰厚度数据集的年极值序列；
根据所述年极值序列，选取至少一种极值分布模型进行拟合并采用最大似然估计模型计算每个网格的分布参数；
根据所述每个网格的分布参数，对每个网格进行分布拟合的优度检验，确定各网格的最优拟合分布；
根据各网格的最优拟合分布，利用超越概率和重现期进行海冰灾害致灾因子危险性评估，得到海冰灾害致灾因子危险性。
进一步的，所述超越概率的计算公式为：
所述重现期的计算公式为：
其中，EP为超越概率，RP为重现期，F(X)为累计概率，Mt为两次灾害发生的平均时间，X为连续型随机变量，x为任意实数。
进一步的，根据所述历史日尺度海冰厚度数据集，评估海冰灾害承灾体脆弱性及暴露度，包括：
根据历史日尺度海冰厚度数据集计算渤海各公里网格尺度无冰期与冰期的承灾体通过量期望值，得到不同海冰厚度时承灾体损失率；
根据不同海冰厚度时承灾体损失率评估海冰灾害承灾体的脆弱性；
将各公里网格的无冰期承灾体通过量期望值与冰期船舶通过量期望值结合计算得到网格尺度上的承灾体损失率，并与该网格冰期海冰厚度最大值结合构建海冰灾害承灾体脆弱性曲线；
获取监测区域内历史承灾体数据，计算监测区域整个冬季每个1km2网格的总承灾体通过量，以获得监测区域内不同区域的承灾体暴露度。
进一步的，所述承灾体通过量期望值的计算公式为：
Fi＝P×N (i＝1,2,3···n)；
其中，Fi为监测区域第i个公里网格的船舶通过量期望值，n为监测区域公里网格总数；P为船舶的通过概率，N为总船舶通过量；dx为监测区域一年冬季中无冰期或冰期的总天数，dx0为无冰期或冰期有船通过的天数；其中，航运损失率的计算公式为：
其中，LR为承灾体损失率，F0为无冰期公里网格尺度上的船舶通过量期望值，Fx为冰期中该网格的船舶通过量期望值。
进一步的，根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险，包括：
利用预设的海冰灾害风险评估模型计算监测区域1km2网格尺度不同重现期下的海冰厚度数据、承灾体脆弱性曲线及承灾体暴露度数据进行监测区域海冰灾害航运风险评估；
其中，监测区域海冰灾害风险的计算公式为：
Rn＝Hn×Vn×En (n＝1,2,3··)；
其中，R为监测区域海冰灾害风险，H为致灾因子危险性，V为承灾体脆弱性，E为承灾体暴露度，n为监测区域公里网格编号，若承灾体价值为E，对应脆弱性曲线方程为V(x),则t年一遇的损失为：
Rni(t)＝Vi[Hn(t)]×Eni (i＝1,2,3,4)；
其中，i为四种类型的船舶的编号。
第二方面，一种海冰灾害航运风险评估装置，包括：
获取模块，用于获取监测区域内的历史日尺度海冰厚度数据集；
处理模块，用于根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度，根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度；根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险，可以为在不同有冰海域航行的不同类型船舶提供风险参考，为监测有冰海域冬季船舶航运的风险规避提供参考和指导。
附图说明
图1是本发明的实施例提供的海冰灾害航运风险评估方法的流程示意图。
图2是本发明的实施例提供的海冰灾害航运风险评估装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种海冰灾害航运风险评估方法，所述方法包括以下步骤：
步骤11，获取监测区域内的历史日尺度海冰厚度数据集；
步骤12，根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度；
步骤13，根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；
步骤14，根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
在本发明实施例中，在上述步骤11中，收集监测区域内的历史日尺度海冰厚度数据集，可以通过卫星遥感、传感器监测等方式获得。收集到的数据集能够提供时间序列上的海冰变化信息，以及对于监测区域内海冰特性的概括。这样做的目的是为后续的评估提供数据基础。在上述步骤12中，根据历史日尺度海冰厚度数据集，对海冰灾害的致灾因子进行评估，评估的具体内容包括但不限于海冰覆盖率、海冰厚度、海冰形态等参数，评估这些参数的危险性有助于预测海冰灾害的概率和严重程度。通过上述步骤12，可以确定海冰灾害的致灾因子，为后续评估提供基础。在上述步骤13中，通过根据海冰灾害致灾因子的危险性，评估承灾体的脆弱性和暴露度，承灾体可能是船舶、码头、海上设施等，评估它们的脆弱性和暴露度有助于了解承灾体在面对海冰灾害时面临的挑战和风险，通过采用步骤13，可以确定承灾体的脆弱性和暴露度，为后续评估提供基础。在上述步骤14中，根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平，如果承灾体的脆弱性和暴露度较高，其承灾能力将受到影响，风险水平也会相应提高，通过采用步骤14，可以确定承灾体在海冰灾害中的承灾能力和风险水平，为后续评估提供基础。在上述步骤15中，根据上述步骤14中确定的承灾体在海冰灾害中的承灾能力和风险水平，评估不同类型的承灾体在不同重现期下的航运风险。通过采用步骤15，可以确定不同类型的承灾体在面对不同等级的海冰灾害时所面临的航运风险，为预测和防控海上交通事故提供科学依据。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，获取监测区域内的历史海冰厚度数据；
步骤112，根据所述历史海冰厚度数据，组成非连续的日尺度海冰厚度数据集。
在本发明实施例中，上述监测区域为渤海区域，并且监测区域内的历史日尺度海冰厚度数据集是通过基于多源遥感影像提取出1987-2018年渤海1km2网格尺度的海冰厚度，组成非连续的日尺度渤海海冰厚度数据集。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，对监测区域内每个1km2网格的年极值序列进行抽样，以获取日尺度海冰厚度数据集的年极值序列；
步骤122，根据所述年极值序列，选取至少一种极值分布模型进行拟合并采用最大似然估计模型计算每个网格的分布参数；
步骤123，根据所述每个网格的分布参数，对每个网格进行分布拟合的优度检验，确定各网格的最优拟合分布；
步骤124，根据各网格的最优拟合分布，利用超越概率和重现期进行海冰灾害致灾因子危险性评估，得到海冰灾害致灾因子危险性。
在本发明实施例中，首先以渤海海域内的1km2网格为单位，采用年极值抽样(Annual Maximun,AM)获取1987/1988-2018/2019年间渤海海域各网格海冰厚度的年极值序列，每个序列包含32个极大值数据，之后选取9种常见的极值分布模型进行拟合并采用最大似然估计计算每个网格的分布参数，采用Kolmogorov-Smirnov检验(KS检验)在0.05的显著性水平下对每个网格进行分布拟合的优度检验，确定各网格的最优拟合分布。在灾害风险评估中，超越某个极限发生的可能性是主要研究的对象，这种可能性成为超越概率(Exceeding Probability，EP)，重现期(Return Period，RP)则是超越概率的具体体现形式，“百年一遇”的灾害即表示按照年为统计单位具有1％的发生概率。
需要说明的是，在上述步骤121中，从监测区域中每个1km2的网格中随机抽取一定数量的日尺度海冰厚度数据，并基于这些数据计算每个网格的年极值序列，通过这个步骤，可以获取所需的海冰数据，为后续的数据处理和分析提供基础。在上述步骤122中，该步骤基于步骤121所计算得到的每个网格的年极值序列，选择至少一种极值分布模型进行拟合，并采用最大似然估计模型计算网格的分布参数，如分布函数的位置参数、形状参数等。通过这个步骤，可以对数据进行拟合和参数计算，为进一步的分析提供必要支持。在上述步骤123中，该步骤利用每个网格的分布参数，采用优度检验量对拟合模型进行优度检验，以确定每个网格的最优拟合分布，这个步骤是为了选择最合适的分布模型，并保证分析结果的准确性。在上述步骤124中，该步骤基于步骤123所确定的各网格最优拟合分布，利用超越概率和重现期等方法，对海冰灾害致灾因子的危险性进行评估，评估结果可以作为海冰灾害预测和评估的依据。超越概率是指某一事件在固定时间内发生概率超过某一特定阈值的概率，而重现期则表示某一事件以固定的概率重现的时间间隔。通过这个步骤，可以评价海冰灾害的危险性，为相关决策提供数据支持。
在本发明一优选的实施例中，所述超越概率的计算公式为：
所述重现期的计算公式为：
其中，EP为超越概率，RP为重现期，F(X)为累计概率，Mt为两次灾害发生的平均时间，如32年间网格发生海冰年4次，则Mt为8，X为连续型随机变量，x为任意实数。
在本发明实施例中，本申请实施例中使用的海冰数据时间跨度为32a，故选取5a、10a、20a、30a为重现期来计算渤各网格的海冰厚度，以此进行海冰灾害致灾因子危险性评估。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，根据历史日尺度海冰厚度数据集计算渤海各公里网格尺度无冰期与冰期的承灾体通过量期望值，得到不同海冰厚度时承灾体损失率；
步骤132，根据不同海冰厚度时承灾体损失率评估海冰灾害承灾体的脆弱性；
步骤133，将各公里网格的无冰期承灾体通过量期望值与冰期船舶通过量期望值结合计算得到网格尺度上的承灾体损失率，并与该网格冰期海冰厚度最大值结合构建海冰灾害承灾体脆弱性曲线；
步骤134，获取监测区域内历史承灾体数据，计算监测区域整个冬季每个1km2网格的总承灾体通过量，以获得监测区域内不同区域的承灾体暴露度。
在本发明实施例中，利用2012年和2013年冬季的AIS数据计算渤海各公里网格尺度无冰期与冰期的船舶通过量期望值，得到不同海冰厚度时承灾体损失率，以此来定量刻画海冰厚度对航运的影响，进而进行渤海海冰灾害船舶承灾体的脆弱性评估。选用无冰期与冰期的船舶通过量期望值作为承灾体损失指标是为了尽可能的减小因船舶自身航行计划对承灾体损失计算造成的影响。
需要说明书的是，上述步骤131是计算渤海各公里网格尺度无冰期与冰期的承灾体通过量期望值，并根据不同的海冰厚度时的承灾体损失率，得到不同海冰厚度时承灾体的损失率。这个步骤是评估不同海冰厚度下潜在的承灾体损失情况。具体而言，在该步骤中，需要利用历史日尺度海冰厚度数据集来计算每个网格的无冰期和冰期的承灾体通过量期望值，并根据不同海冰厚度时的承灾体损失率计算相应损失率。
上述步骤132是根据不同海冰厚度时的承灾体损失率评估海冰灾害承灾体的脆弱性。这个步骤是为了评估不同海冰厚度下承灾体的脆弱性。具体而言，该步骤基于步骤131中计算的不同海冰厚度时的承灾体损失率，来评估承灾体的脆弱性。上述步骤133是将各公里网格的无冰期承灾体通过量期望值与冰期船舶通过量期望值结合计算得到网格尺度上的承灾体损失率，并与该网格冰期海冰厚度最大值结合构建海冰灾害承灾体脆弱性曲线。这个步骤是为了综合考虑冰期和无冰期条件下的承灾体通过量，以及不同海冰厚度下承灾体的损失率，从而得到渤海监测区域内海冰灾害承灾体的脆弱性曲线。
上述步骤134是获取监测区域内历史承灾体数据，并计算监测区域整个冬季每个1km2网格的总承灾体通过量，以获得监测区域内不同区域的承灾体暴露度。这个步骤是为了获得海冰灾害承灾体的暴露度数据，为后续的风险评估和预测提供必要支持。在这个步骤中，需要收集监测区域内的历史承灾体数据，并根据这些数据计算每个网格的总承灾体通过量。
在本发明一优选的实施例中，所述承灾体通过量期望值的计算公式为：
Fi＝P×N (i＝1,2,3···n)；
其中，Fi为监测区域第i个公里网格的船舶通过量期望值，n为监测区域公里网格总数；P为船舶的通过概率，N为总船舶通过量；dx为监测区域一年冬季中无冰期或冰期的总天数，dx0为无冰期或冰期有船通过的天数；其中，航运损失率的计算公式为：
其中，LR为承灾体损失率，F0为无冰期公里网格尺度上的船舶通过量期望值，Fx为冰期中该网格的船舶通过量期望值。
在本发明实施例中，通过利用2018年冬季AIS数据提取出货船、油船、拖船及其他船只的船舶信息数据，计算渤海整个冬季每个1km2网格的总船舶通过量，可以用来表示渤海不同区域的承灾体暴露度。
在本发明一优选的实施例中，上述步骤15，可以包括：
步骤151，利用预设的海冰灾害风险评估模型计算监测区域1km2网格尺度不同重现期下的海冰厚度数据、承灾体脆弱性曲线及承灾体暴露度数据进行监测区域海冰灾害航运风险评估；其中，监测区域海冰灾害风险的计算公式为：
Rn＝Hn×Vn×En (n＝1,2,3··)；
其中，R为监测区域海冰灾害风险，H为致灾因子危险性，V为承灾体脆弱性，E为承灾体暴露度，n为监测区域公里网格编号，若承灾体价值为E，对应脆弱性曲线方程为V(x),则t年一遇的损失为：
Rni(t)＝Vi[Hn(t)]×Eni (i＝1,2,3,4)；
其中，i为四种类型的船舶的编号。
在本发明实施例中，可以为在不同海域航行的不同类型船舶提供风险参考，为渤海冬季船舶航运的风险规避提供参考和指导，为环渤海地区海洋运输等海上经济活动的正常进行提供技术支持。
如图2所示，本发明的实施例还提供一种海冰灾害航运风险评估装置20，包括：
获取模块21，用于获取监测区域内的历史日尺度海冰厚度数据集；
处理模块22，用于根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度，根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
可选的，获取监测区域内的历史日尺度海冰厚度数据集，包括：
获取监测区域内的历史海冰厚度数据；
根据所述历史海冰厚度数据，组成非连续的日尺度海冰厚度数据集。
可选的，根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性，包括：
对监测区域内每个1km2网格的年极值序列进行抽样，以获取日尺度海冰厚度数据集的年极值序列；
根据所述年极值序列，选取至少一种极值分布模型进行拟合并采用最大似然估计模型计算每个网格的分布参数；
根据所述每个网格的分布参数，对每个网格进行分布拟合的优度检验，确定各网格的最优拟合分布；
根据各网格的最优拟合分布，利用超越概率和重现期进行海冰灾害致灾因子危险性评估，得到海冰灾害致灾因子危险性。
可选的，所述超越概率的计算公式为：
所述重现期的计算公式为：
其中，EP为超越概率，RP为重现期，F(X)为累计概率，Mt为两次灾害发生的平均时间，X为连续型随机变量，x为任意实数。
可选的，根据所述历史日尺度海冰厚度数据集，评估海冰灾害承灾体脆弱性及暴露度，包括：
根据历史日尺度海冰厚度数据集计算渤海各公里网格尺度无冰期与冰期的承灾体通过量期望值，得到不同海冰厚度时承灾体损失率；
根据不同海冰厚度时承灾体损失率评估海冰灾害承灾体的脆弱性；
将各公里网格的无冰期承灾体通过量期望值与冰期船舶通过量期望值结合计算得到网格尺度上的承灾体损失率，并与该网格冰期海冰厚度最大值结合构建海冰灾害承灾体脆弱性曲线；
获取监测区域内历史承灾体数据，计算监测区域整个冬季每个1km2网格的总承灾体通过量，以获得监测区域内不同区域的承灾体暴露度。
可选的，所述承灾体通过量期望值的计算公式为：
Fi＝P×N(i＝1,2,3···n)；
其中，Fi为监测区域第i个公里网格的船舶通过量期望值，n为监测区域公里网格总数；P为船舶的通过概率，N为总船舶通过量；dx为监测区域一年冬季中无冰期或冰期的总天数，dx0为无冰期或冰期有船通过的天数；其中，航运损失率的计算公式为：
其中，LR为承灾体损失率，F0为无冰期公里网格尺度上的船舶通过量期望值，Fx为冰期中该网格的船舶通过量期望值。
可选的，根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险，包括：
利用预设的海冰灾害风险评估模型计算监测区域1km2网格尺度不同重现期下的海冰厚度数据、承灾体脆弱性曲线及承灾体暴露度数据进行监测区域海冰灾害航运风险评估；
其中，监测区域海冰灾害风险的计算公式为：
Rn＝Hn×Vn×En (n＝1,2,3··)；
其中，R为监测区域海冰灾害风险，H为致灾因子危险性，V为承灾体脆弱性，E为承灾体暴露度，n为监测区域公里网格编号，若承灾体价值为E，对应脆弱性曲线方程为V(x),则t年一遇的损失为：
Rni(t)＝Vi[Hn(t)]×Eni (i＝1,2,3,4)；
其中，i为四种类型的船舶的编号。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种海冰灾害航运风险评估方法，其特征在于，所述方法包括：
获取监测区域内的历史日尺度海冰厚度数据集；
根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度；
根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；
根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
2.根据权利要求1所述的海冰灾害航运风险评估方法，其特征在于，获取监测区域内的历史日尺度海冰厚度数据集，包括：
获取监测区域内的历史海冰厚度数据；
根据所述历史海冰厚度数据，组成非连续的日尺度海冰厚度数据集。
3.根据权利要求2所述的海冰灾害航运风险评估方法，其特征在于，根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性，包括：
对监测区域内每个1km2网格的年极值序列进行抽样，以获取日尺度海冰厚度数据集的年极值序列；
根据所述年极值序列，选取至少一种极值分布模型进行拟合并采用最大似然估计模型计算每个网格的分布参数；
根据所述每个网格的分布参数，对每个网格进行分布拟合的优度检验，确定各网格的最优拟合分布；
根据各网格的最优拟合分布，利用超越概率和重现期进行海冰灾害致灾因子危险性评估，得到海冰灾害致灾因子危险性。
4.根据权利要求3所述的海冰灾害航运风险评估方法，其特征在于，所述超越概率的计算公式为：
所述重现期的计算公式为：
其中，EP为超越概率，RP为重现期，F(X)为累计概率，Mt为两次灾害发生的平均时间，X为连续型随机变量，x为任意实数。
5.根据权利要求3所述的海冰灾害航运风险评估方法，其特征在于，根据所述历史日尺度海冰厚度数据集，评估海冰灾害承灾体脆弱性及暴露度，包括：
根据历史日尺度海冰厚度数据集计算渤海各公里网格尺度无冰期与冰期的承灾体通过量期望值，得到不同海冰厚度时承灾体损失率；
根据不同海冰厚度时承灾体损失率评估海冰灾害承灾体的脆弱性；
将各公里网格的无冰期承灾体通过量期望值与冰期船舶通过量期望值结合计算得到网格尺度上的承灾体损失率，并与该网格冰期海冰厚度最大值结合构建海冰灾害承灾体脆弱性曲线；
获取监测区域内历史承灾体数据，计算监测区域整个冬季每个1km2网格的总承灾体通过量，以获得监测区域内不同区域的承灾体暴露度。
6.根据权利要求5所述的海冰灾害航运风险评估方法，其特征在于，所述承灾体通过量期望值的计算公式为：
Fi＝P×N(i＝1,2,3···n)；
其中，Fi为监测区域第i个公里网格的船舶通过量期望值，n为监测区域公里网格总数；P为船舶的通过概率，N为总船舶通过量；dx为监测区域一年冬季中无冰期或冰期的总天数，dx0为无冰期或冰期有船通过的天数；其中，航运损失率的计算公式为：
其中，LR为承灾体损失率，F0为无冰期公里网格尺度上的船舶通过量期望值，Fx为冰期中该网格的船舶通过量期望值。
7.根据权利要求6所述的海冰灾害航运风险评估方法，其特征在于，根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险，包括：
利用预设的海冰灾害风险评估模型计算监测区域1km2网格尺度不同重现期下的海冰厚度数据、承灾体脆弱性曲线及承灾体暴露度数据进行监测区域海冰灾害航运风险评估；
其中，监测区域海冰灾害风险的计算公式为：
Rn＝Hn×Vn×En(n＝1,2,3··)；
其中，R为监测区域海冰灾害风险，H为致灾因子危险性，V为承灾体脆弱性，E为承灾体暴露度，n为监测区域公里网格编号，若承灾体价值为E，对应脆弱性曲线方程为V(x),则t年一遇的损失为：
Rni(t)＝Vi[Hn(t)]×Eni(i＝1,2,3,4)；
其中，i为四种类型的船舶的编号。
8.一种海冰灾害航运风险评估装置，其特征在于，包括：
获取模块，用于获取监测区域内的历史日尺度海冰厚度数据集；
处理模块，用于根据所述历史日尺度海冰厚度数据集，评估海冰灾害致灾因子危险性、承灾体脆弱性及暴露度，根据所述海冰灾害致灾因子危险性、承灾体脆弱性及暴露度确定承灾体在海冰灾害中的承灾能力和风险水平；根据所述承灾体在海冰灾害中的承灾能力和风险水平评估不同类型的承灾体在不同重现期下的航运风险。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310490499.8A CN116562621B (zh) | 2023-05-04 | 2023-05-04 | 一种海冰灾害航运风险评估方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310490499.8A CN116562621B (zh) | 2023-05-04 | 2023-05-04 | 一种海冰灾害航运风险评估方法、装置及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116562621A true CN116562621A (zh) | 2023-08-08 |
| CN116562621B CN116562621B (zh) | 2023-12-08 |
Family
ID=87501146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310490499.8A Active CN116562621B (zh) | 2023-05-04 | 2023-05-04 | 一种海冰灾害航运风险评估方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562621B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605898A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域泥石流灾害风险估计方法 |
| CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
| CN113408917A (zh) * | 2021-06-28 | 2021-09-17 | 杭州鲁尔物联科技有限公司 | 自然灾害综合风险评估方法、装置、计算机设备及存储介质 |
| DE202022102645U1 (de) * | 2022-05-13 | 2022-07-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Detektionsvorrichtung zum Detektieren einer Vereisung |
| JP2023023945A (ja) * | 2021-08-06 | 2023-02-16 | 東芝ライフスタイル株式会社 | 冷蔵庫 |
| CN115796581A (zh) * | 2022-11-22 | 2023-03-14 | 上海市水利工程设计研究院有限公司 | 一种沿海地区海洋灾害风险精细化评估研究方法 |
| CN115936443A (zh) * | 2022-12-28 | 2023-04-07 | 北京辰安科技股份有限公司 | 台风暴雨灾害的风险评估方法、装置及电子设备 |
-
2023
- 2023-05-04 CN CN202310490499.8A patent/CN116562621B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605898A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域泥石流灾害风险估计方法 |
| CN109064052A (zh) * | 2018-08-20 | 2018-12-21 | 国家海洋信息中心 | 海洋灾害风险事件分类方法及装置 |
| CN113408917A (zh) * | 2021-06-28 | 2021-09-17 | 杭州鲁尔物联科技有限公司 | 自然灾害综合风险评估方法、装置、计算机设备及存储介质 |
| JP2023023945A (ja) * | 2021-08-06 | 2023-02-16 | 東芝ライフスタイル株式会社 | 冷蔵庫 |
| DE202022102645U1 (de) * | 2022-05-13 | 2022-07-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Detektionsvorrichtung zum Detektieren einer Vereisung |
| CN115796581A (zh) * | 2022-11-22 | 2023-03-14 | 上海市水利工程设计研究院有限公司 | 一种沿海地区海洋灾害风险精细化评估研究方法 |
| CN115936443A (zh) * | 2022-12-28 | 2023-04-07 | 北京辰安科技股份有限公司 | 台风暴雨灾害的风险评估方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 尹占娥: ""城市自然灾害风险评估与实证研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》, no. 12, pages 026 - 2 * |
| 王宾: ""辽东湾海水与平台相互作用研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 11, pages 010 - 9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116562621B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rezaee et al. | The effect of extreme weather conditions on commercial fishing activities and vessel incidents in Atlantic Canada | |
| Mazaheri et al. | Assessing grounding frequency using ship traffic and waterway complexity | |
| CN117890546B (zh) | 一种湖泊生态风险预警和干预方法及系统 | |
| CN114266796B (zh) | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质 | |
| CN116797019B (zh) | 一种海洋灾害风险防控预警系统 | |
| CN115082809B (zh) | 一种基于遥感影像大数据的潮滩演变监测新方法 | |
| CN116777218A (zh) | 一种基于船舶业务数据、ais数据对船舶风险进行智能评估的系统及方法 | |
| CN104571122B (zh) | 一种基于轨迹聚类的船舶互助组救援有效性检验方法 | |
| 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 | |
| Dumas-Lefebvre et al. | Aerial observations of sea ice breakup by ship waves | |
| CN116562621B (zh) | 一种海冰灾害航运风险评估方法、装置及计算设备 | |
| Wu et al. | The effect of weather factors on the severity of fishing boat accidents in Atlantic Canada | |
| Teigen et al. | Station-keeping trials in ice: Ice and metocean conditions | |
| CN111966965A (zh) | 一种浮标沉石移位识别方法及装置 | |
| Kurniawan et al. | Measuring a rogue? An investigation into an apparent giant wave | |
| CN115018391A (zh) | 一种基于多源数据的溢油风险定量预测方法 | |
| Williams et al. | Summarization and Interpretation of Historical, Physical, Oceanographic, and Meteorological Information for the Mid-Atlantic Region: Final Report to the Bureau of Land Management, US Department of the Interior | |
| Pärn et al. | On the relationship between sea ice deformation and ship damages in the Gulf of Finland in winter 2003. | |
| CN118171937B (zh) | 基于生态系统服务评估模型的海岸带管理优化方法及系统 | |
| French-McCay et al. | Evaluation of field-collected data measuring fluorescein dye movements and dispersion for dispersed oil transport modeling | |
| Lang et al. | Data-driven ship fatigue assessment based on pitch and heave motions | |
| Minami et al. | Quantitative mapping of kelp forests (Laminaria spp.) before and after harvest in coastal waters of the Shiretoko Peninsula, Hokkaido, Japan | |
| Kikas et al. | Upwelling characteristics in the Gulf of Finland (Baltic Sea) as revealed by Ferrybox measurements in 2007-2013. | |
| Elken et al. | BOOS/HIROMB-based marine forecasts in Estonia: problems, experiences and challenges | |
| Hansen et al. | Australian Wave Buoy Operations and Data Management Guidelines. |
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 |