席朝陽 金永興 胡勤友 向哲
摘要：
為研究在能見度不良情況下受限水域內的常見船型的船舶領域，對船舶自動識別系統（Automatic Identification System，AIS）數據進行分析建立船舶領域.該方法藉助可視化技術和網格技術，結合研究水域能見度信息，分析南槽水道內符合要求的2 000萬個左右AIS數據，還原航跡分布圖約50 000張，獲得在受限水域內能見度不良情況下船長80～100 m的船舶領域模型.客觀精確的船舶領域模型能夠提升能見度不良天氣下交通流的預測精確度，同時豐富基於智能技術研究的船舶領域模型庫.
關鍵詞：
能見度不良； 船舶自動識別系統（AIS）； 數據分析； 船舶領域； 船舶交通流
0引言
能見度不良指任何由於霧、霾、雪、暴風雨、沙暴或者其他類似原因而使能見度受到限制的情況[1]；然而氣象學中的能見度不良指視程低於2 n mile時的情況.《1972年國際海上避碰規則》建議將50 m以上船舶的能見度不良標準定為視程低於3 n mile，故本文將視程3 n mile以下天氣視作能見度不良天氣.我國沿海一年四季都有霧出現，尤其是長三角地區能見度不良天氣頗多，對航運事業發展造成嚴重影響.
船舶領域的概念自19世紀70年代被提出以來，已經大量應用於海上交通工程的各個領域.日本學者藤井等[2]對日本某水域船舶交通流進行研究時，提出了相關的「effective domain」概念，通過對雷達圖像的簡單疊加，發現在航機動船周圍有一個靜態的其他船舶免入區域.幾十年來，國內外學者對船舶領域進行了大量研究.作為海上交通工程的基礎理論，船舶領域被廣泛應用在航道船舶交通流預測、避碰決策制定和海事安全管理中，例如：張則浩等[3]應用船舶領域等基礎理論，對某港口的飽和度進行了研究；賀益雄等[4]應用船舶領域基礎理論，研究了對遇局面的自動避碰決策；LIU等[5]應用動態四元船舶領域模型對某海峽的船舶通過能力進行了計算.
GOODWIN[6]是基於統計方法研究船舶領域的代表學者，她對北海南部水域交通流進行了觀測統計，並考慮《1972年國際海上避碰規則》的影響建立了開闊水域的船舶領域模型，根據船舶號燈，將船舶領域劃分為3個大小不等的扇形；范賢華等[7]基於解析表達方法提出了特定航行環境下不同的船舶領域模型，豐富了船舶領域模型的類型.
基於統計數據的船舶領域主要局限於交通流觀測和雷達數據的使用，在數據層面上停留在感官階段，精確度較差；基於解析表達的船舶領域模型使得領域邊界得以量化，船舶的行為能力占有更主導的地位，但沒有考慮船舶駕駛員和環境因素的影響， 使得這類模型不能還原船舶領域的需求.[8]
隨著智能計算機技術和科學算法的發展，基於智能技術和科學算法的研究方法被應用在船舶領域的研究中.齊樂等[9]和WANG等[10]提出了基於科學算法的船舶領域，其中齊樂等利用AIS數據，依據海上避碰規則， 提出了避讓度概念，同時基於模糊數學方法獲得了不同避讓度下船舶領域的邊界曲線， 建立了海上船舶領域模型.HANSEN等[11]通過智能計算機技術還原船舶歷史信息，得到船舶領域，但是忽略了船舶自身形狀對船舶領域的影響.向哲等[12]通過改進智能技術，考慮船舶自身尺寸等問題，還原AIS數據，得到船舶領域，但未考慮航行因素對船舶領域的重要影響.基於智能計算機技術的最新船舶領域研究，缺乏對氣象、水文等對船舶領域的影響的研究.
本文將影響船舶安全的重要因素——能見度與大數據分析技術相結合，
研究和分析長江南槽水道能見度對船舶安全領域的影響.
1研究方法及步驟
本文主要選取長江南槽水道（東起南槽燈船，西至圓圓沙燈船，全長逾50 n mile）為研究水域，該水域為長江航道繁忙水域，實行分道通航制管理.該水域80～100 m船舶的AIS信息數據量大且集中，故選取長度為80～100 m船舶為研究對象.具體研究分為5個步驟.
步驟1AIS數據預篩選.採用該水域2014年2月1日—2014年6月1日的AIS數據.
步驟2AIS數據篩選與處理.由3個數據篩選步驟和1項數據處理步驟組成.
第一步數據篩選，根據上海海洋氣象台監測的自南槽燈船至圓圓沙燈船處的氣象數據，篩選出2月到6月能見度小於3 n mile，且處於航道通航狀態的該水域船舶的AIS數據；第二步數據篩選，根據實際情況，將速度幾乎為0的拖船、工程船及錨泊船的AIS信息過濾掉，篩選出船速在6～12 kn內的船舶AIS信息；第三步數據篩選，篩選出尺寸閾值為80～100 m的船舶AIS信息.通過以上篩選，得到符合條件的可用數據天數為41 d（具體日期：2月1，2，3，7，17，18，24，25，26，27，28日；3月1，10，15，19，25，26，27日；4月1，3，12，13，17，18，19，23，27，28，29日；5月11，12，13，14，19，29，21，22，26，27，28，30日），符合條件的目標船為800多艘.
數據處理：由於船舶幾何中心與AIS信息發送接收位置並不重合，因此需要對AIS信息接收位置進行修正，以減少船舶幾何因素產生的實驗誤差[12].
步驟3航行環境量化處理，主要任務為：將研究水域網格化，同時消除中心船與附近水域他船的位置誤差.以研究水域單船為中心目標，將航行水域量化為4 000 m×2 000 m的水域，併網格化為200×100個小網格；通過航跡計算法將不同時刻的附近水域他船位置推算到中心船AIS信息發送時的船舶位置，相關數學推導公式為
式中：A為緯差；B為經差；L為東西距；S為推算航程；φ1為起始點緯度；φ2為到達點緯度；φn為中分緯度；C為航向.
步驟4船舶領域可視化強度圖生成.通過MATLAB可視化技術，將800多艘中心船的約
50 000張單目標船網格頻圖疊加，生成船舶安全領域二維和三維可視強度圖.其中，網格的強度代表網格水域內船舶交通流累計值，閾值設為0～1，通過網格強度的異同觀察研究船舶出現的頻率.
步驟5分析研究結果.分析二維及三維船舶領域強度圖，同時與未考慮能見度、同類船型及同一研究水域的船舶領域作對比分析，並通過航行規則和專家理論檢驗研究結果.
2船舶領域量化可視強度圖
以每艘目標船為中心，將其附近水域量化為網格，其中每個小網格尺寸為20 m×20 m.因為船舶形狀不規則，所以將船舶外輪廓所占網格都等同為船舶最大截面面積，如圖2中陰影底部面積所示.在船舶航行過程中，保持目標船中心位置不變，附近水域他船位置發生相對變化.根據船舶間相對位置計算公式，計算船舶間新的相對位置.圖2 為單目標船與他船會遇時的網格及相對位置推算原理圖.圖2中：NT代表真北，α為目標船首向與他船首向之間的夾角，β為兩船之間的舷角，T1為目標船所占水域，T2為他船所占水域.
研究水域內，目標船與附近水域他船的會遇情況被投影成單船會遇網格圖，800艘目標船生成的50 000張單船網格圖疊加起來成為船舶領域強度圖，其效果類似於延時曝光的照片.強度圖中網格的強度（以顏色深淺表示）表明目標船在疊加圖中央時，其周圍水域內的船舶交通流疊加密度.如圖3中，網格強度的數值越高表示該網格位置的交通流累計值越大.
在能見度不良的受限水域，根據船舶領域二維強度圖可得出初步結論：
（1）船舶領域形狀大致為類橢圓形；
（2）船舶領域長軸方向與船舶航首向之間存在一個夾角，方向偏左舷，約為5°～10°；
（3）船舶會遇時，船舶正前方和正後方船流密度大於左右舷，而左舷船流密度遠遠大於右舷.
船舶領域二維強度圖顯示了船舶領域近似形狀和大小，如要得到研究水域內船舶領域大小精確值及其他特性，則需對船舶領域切割截面進行研究.藉助可視化軟體，得到船舶領域三維圖，見圖4.
分析三維立體圖左右側視圖、前後平視圖和俯視圖可得，在能見度不良受限水域中80～100 m船舶的船舶領域有以下特徵：
（1）船舶領域長軸長度為520 m，短軸長度為144 m；
（2）船舶領域長軸是
（3）船舶領域長軸與船舶中軸線夾角為8.32°.
在研究水域、數據來源和船舶類型相同的情況下，未考慮能見度情況（文獻[12]）與考慮能見度情況（本文）的結果對比見圖5.
a）文獻[12]結果
b）本文結果
圖5未考慮能見度情況與考慮能見度情況下
船舶領域模型二維強度圖對比
對比分析結果：未考慮能見度情況和本文考慮能見度不良兩種情況下船舶領域的大小分別為5.8倍船長和5.2倍船長，航首向與船舶領域長軸夾角分別為9.46°和8.32°.
3對比分析與檢驗
3.1研究結果專家檢驗
本文研究結果總結如下：（1）船舶領域形狀大致為類橢圓形.（2）船舶交通流中船舶航行速度越大，船舶安全領域會越大.（3）船舶領域左舷偏大，且其長軸方向與船舶航首向之間存在一個夾角，方向偏左舷，為8.32°，長軸約為5.2倍船長，短軸約為1.44倍船長.（4）在分析水域內，船舶左舷的交通流密度始終大於右舷的交通流密度，前後方交通流密度大於左右舷的交通流密度.（5）在狹水道內，船舶領域長軸隨著船型的增大而增大，但船舶領域短軸卻未發生明顯變化；在分道通航水域內，下行船舶受順流操縱性影響，其船舶領域較上行船舶的大.
經過海事專家的指導，筆者認為上述船舶領域形狀符合客觀實際，理由如下：（1）受定線制影響，來船都來自左舷，同行船舶為了安全，保持前後航行狀態，所以左舷船舶密度遠遠大於右舷船舶密度，前後方船舶密度大於左右舷船舶密度.（2）國際避碰規則對船舶駕駛員良好船藝有要求，所以一般追越船舶都從左舷追越，造成左舷船舶密度大.（3）狹窄水域內的船舶追越使得船舶操縱者會更加「在意」來自左邊的船舶.（4）狹水道風、流因素對船舶操縱性能的影響導致船舶領域長軸方向與船首向之間產生夾角.
3.2結果對比分析
文獻[12]在能見度良好情況下的長江南槽水道船舶領域長軸與在能見度不良情況下船舶領域長軸比值為1.16∶1.將船舶操縱避碰理論與實際研究結合分析可知，船舶航行速度為影響因素之一，前者研究平均速度高於後者研究平均速度，故船舶領域值偏大.船舶安全領域長軸方向與航首向之間夾角比為1.14∶1，其原因為在能見度不良天氣下船舶操縱者對船舶安全狀態的敏感度較高，故船舶領域長軸與航首向夾角偏小.
4結束語
本文借鑑網格化技術在AIS數據處理上建立船舶領域的應用，結合影響船舶領域的因素，建立了船舶尺寸為80～100 m、能見度不良情況下的受限水域內船舶領域模型，並分別通過理論檢驗和對比實驗驗證了結果.
研究在能見度不良天氣下的船舶領域，能夠提升霧天船舶交通流的預測精確度，給海事部門提供更精確的基礎數據.例如，2013年上海海事局開展在能見度不良情況下深水航道通航能力的研究，如果有精確的霧航中船舶領域基礎數據，則有助於準確地預測在能見度不良情況下的交通流，進而支撐在能見度不良天氣下航行規章和制度的制定.
本文處於利用AIS數據分析建立船舶安全領域研究的初級階段，如何細化船舶速度對船舶領域的影響，如何綜合人因素、其他氣象因素、水文因素等對船舶領域的影響是後續研究需要完善的.綜上，基於智能計算機技術，通過系統的實驗，將科學的歸納方法應用到分析AIS 數據建立船舶領域，是我們未來的研究探索方向.
參考文獻：
[1]張炳成， 劉慶生， 蔡存強. 在能見度不良情況下航行事故分析及對策[J]. 航海技術， 2006（4）： 68.
[2]FUJI Yahei， TANAKA Kenichi. Traffic capacity[J]. Journal of Navigation， 1971， 24（4）： 543552. DOI： 10.1017/S0373463300022384.
[3]張則浩， 於祖傑， 劉強， 等. 龍口港航道飽和度研究[J]. 大連海事大學學報， 2014， 40（1）： 3336.
[4]賀益雄， 黃立文， 牟軍敏. 基於MMG和船舶領域的對遇局面自動避碰[J]. 中國航海， 2014， 37（4）： 9295.
[5]LIU Shaoman， ZHENG Kai， WU Zhaolin， et al. New inland river channel transit capacity evaluation method based on dynamic quaternion ship domain model[C]//IEEE SICE the 54th Annual Conference， Hangzhou， China， 2015： 652656. DOI： 10.1109/SICE.2015.7285386.
[6]GOODWIN E M. A statistical study of ship domains[J]. Journal of Navigation， 1975， 28（3）： 328344. DOI： 10.1109/SICE.2015.7285386.
[7]范賢華， 張慶年， 周鋒， 等. 水流條件下內河船舶領域模型[J]. 大連海事大學學報， 2013， 39（1）： 4648.
[8]劉紹滿， 王寧， 吳兆麟. 船舶領域研究綜述[J]. 大連海事大學學報， 2011， 37（1）： 5154.
[9]齊樂， 鄭中義， 李國平. 互見中基於AIS數據的船舶領域[J]. 大連海事大學學報， 2011， 37（1）： 4850.
[10]WANG Ning， TAN Yue， LIU Shaoman. Ship domain identification using fast and accurate online selforganizing parsimonious fuzzy neural networks[C]//IEEE Proceedings of the 30th Chinese Control Conference. Yantai， China， 2011： 52715276.
[11]HANSEN M G， JENSEN T K， LEHNSCHILER T， et al. Empirical ship domain based on AIS data[J]. Journal of Navigation， 2013， 66（6）： 931940. DOI： 10.1017/S0373463313000489.
[12]向哲， 胡勤友， 施朝健， 等. 基於AIS數據的受限水域船舶領域建立方法[J]. 交通運輸工程學報， 2015， 15（5）： 110117.
（編輯賈裙平）
摘要：
為研究在能見度不良情況下受限水域內的常見船型的船舶領域，對船舶自動識別系統（Automatic Identification System，AIS）數據進行分析建立船舶領域.該方法藉助可視化技術和網格技術，結合研究水域能見度信息，分析南槽水道內符合要求的2 000萬個左右AIS數據，還原航跡分布圖約50 000張，獲得在受限水域內能見度不良情況下船長80～100 m的船舶領域模型.客觀精確的船舶領域模型能夠提升能見度不良天氣下交通流的預測精確度，同時豐富基於智能技術研究的船舶領域模型庫.
關鍵詞：
能見度不良； 船舶自動識別系統（AIS）； 數據分析； 船舶領域； 船舶交通流
0引言
能見度不良指任何由於霧、霾、雪、暴風雨、沙暴或者其他類似原因而使能見度受到限制的情況[1]；然而氣象學中的能見度不良指視程低於2 n mile時的情況.《1972年國際海上避碰規則》建議將50 m以上船舶的能見度不良標準定為視程低於3 n mile，故本文將視程3 n mile以下天氣視作能見度不良天氣.我國沿海一年四季都有霧出現，尤其是長三角地區能見度不良天氣頗多，對航運事業發展造成嚴重影響.
船舶領域的概念自19世紀70年代被提出以來，已經大量應用於海上交通工程的各個領域.日本學者藤井等[2]對日本某水域船舶交通流進行研究時，提出了相關的「effective domain」概念，通過對雷達圖像的簡單疊加，發現在航機動船周圍有一個靜態的其他船舶免入區域.幾十年來，國內外學者對船舶領域進行了大量研究.作為海上交通工程的基礎理論，船舶領域被廣泛應用在航道船舶交通流預測、避碰決策制定和海事安全管理中，例如：張則浩等[3]應用船舶領域等基礎理論，對某港口的飽和度進行了研究；賀益雄等[4]應用船舶領域基礎理論，研究了對遇局面的自動避碰決策；LIU等[5]應用動態四元船舶領域模型對某海峽的船舶通過能力進行了計算.
GOODWIN[6]是基於統計方法研究船舶領域的代表學者，她對北海南部水域交通流進行了觀測統計，並考慮《1972年國際海上避碰規則》的影響建立了開闊水域的船舶領域模型，根據船舶號燈，將船舶領域劃分為3個大小不等的扇形；范賢華等[7]基於解析表達方法提出了特定航行環境下不同的船舶領域模型，豐富了船舶領域模型的類型.
基於統計數據的船舶領域主要局限於交通流觀測和雷達數據的使用，在數據層面上停留在感官階段，精確度較差；基於解析表達的船舶領域模型使得領域邊界得以量化，船舶的行為能力占有更主導的地位，但沒有考慮船舶駕駛員和環境因素的影響， 使得這類模型不能還原船舶領域的需求.[8]
隨著智能計算機技術和科學算法的發展，基於智能技術和科學算法的研究方法被應用在船舶領域的研究中.齊樂等[9]和WANG等[10]提出了基於科學算法的船舶領域，其中齊樂等利用AIS數據，依據海上避碰規則， 提出了避讓度概念，同時基於模糊數學方法獲得了不同避讓度下船舶領域的邊界曲線， 建立了海上船舶領域模型.HANSEN等[11]通過智能計算機技術還原船舶歷史信息，得到船舶領域，但是忽略了船舶自身形狀對船舶領域的影響.向哲等[12]通過改進智能技術，考慮船舶自身尺寸等問題，還原AIS數據，得到船舶領域，但未考慮航行因素對船舶領域的重要影響.基於智能計算機技術的最新船舶領域研究，缺乏對氣象、水文等對船舶領域的影響的研究.
本文將影響船舶安全的重要因素——能見度與大數據分析技術相結合，
研究和分析長江南槽水道能見度對船舶安全領域的影響.
1研究方法及步驟
本文主要選取長江南槽水道（東起南槽燈船，西至圓圓沙燈船，全長逾50 n mile）為研究水域，該水域為長江航道繁忙水域，實行分道通航制管理.該水域80～100 m船舶的AIS信息數據量大且集中，故選取長度為80～100 m船舶為研究對象.具體研究分為5個步驟.
步驟1AIS數據預篩選.採用該水域2014年2月1日—2014年6月1日的AIS數據.
步驟2AIS數據篩選與處理.由3個數據篩選步驟和1項數據處理步驟組成.
第一步數據篩選，根據上海海洋氣象台監測的自南槽燈船至圓圓沙燈船處的氣象數據，篩選出2月到6月能見度小於3 n mile，且處於航道通航狀態的該水域船舶的AIS數據；第二步數據篩選，根據實際情況，將速度幾乎為0的拖船、工程船及錨泊船的AIS信息過濾掉，篩選出船速在6～12 kn內的船舶AIS信息；第三步數據篩選，篩選出尺寸閾值為80～100 m的船舶AIS信息.通過以上篩選，得到符合條件的可用數據天數為41 d（具體日期：2月1，2，3，7，17，18，24，25，26，27，28日；3月1，10，15，19，25，26，27日；4月1，3，12，13，17，18，19，23，27，28，29日；5月11，12，13，14，19，29，21，22，26，27，28，30日），符合條件的目標船為800多艘.
數據處理：由於船舶幾何中心與AIS信息發送接收位置並不重合，因此需要對AIS信息接收位置進行修正，以減少船舶幾何因素產生的實驗誤差[12].
步驟3航行環境量化處理，主要任務為：將研究水域網格化，同時消除中心船與附近水域他船的位置誤差.以研究水域單船為中心目標，將航行水域量化為4 000 m×2 000 m的水域，併網格化為200×100個小網格；通過航跡計算法將不同時刻的附近水域他船位置推算到中心船AIS信息發送時的船舶位置，相關數學推導公式為
式中：A為緯差；B為經差；L為東西距；S為推算航程；φ1為起始點緯度；φ2為到達點緯度；φn為中分緯度；C為航向.
步驟4船舶領域可視化強度圖生成.通過MATLAB可視化技術，將800多艘中心船的約
50 000張單目標船網格頻圖疊加，生成船舶安全領域二維和三維可視強度圖.其中，網格的強度代表網格水域內船舶交通流累計值，閾值設為0～1，通過網格強度的異同觀察研究船舶出現的頻率.
步驟5分析研究結果.分析二維及三維船舶領域強度圖，同時與未考慮能見度、同類船型及同一研究水域的船舶領域作對比分析，並通過航行規則和專家理論檢驗研究結果.
2船舶領域量化可視強度圖
以每艘目標船為中心，將其附近水域量化為網格，其中每個小網格尺寸為20 m×20 m.因為船舶形狀不規則，所以將船舶外輪廓所占網格都等同為船舶最大截面面積，如圖2中陰影底部面積所示.在船舶航行過程中，保持目標船中心位置不變，附近水域他船位置發生相對變化.根據船舶間相對位置計算公式，計算船舶間新的相對位置.圖2 為單目標船與他船會遇時的網格及相對位置推算原理圖.圖2中：NT代表真北，α為目標船首向與他船首向之間的夾角，β為兩船之間的舷角，T1為目標船所占水域，T2為他船所占水域.
研究水域內，目標船與附近水域他船的會遇情況被投影成單船會遇網格圖，800艘目標船生成的50 000張單船網格圖疊加起來成為船舶領域強度圖，其效果類似於延時曝光的照片.強度圖中網格的強度（以顏色深淺表示）表明目標船在疊加圖中央時，其周圍水域內的船舶交通流疊加密度.如圖3中，網格強度的數值越高表示該網格位置的交通流累計值越大.
在能見度不良的受限水域，根據船舶領域二維強度圖可得出初步結論：
（1）船舶領域形狀大致為類橢圓形；
（2）船舶領域長軸方向與船舶航首向之間存在一個夾角，方向偏左舷，約為5°～10°；
（3）船舶會遇時，船舶正前方和正後方船流密度大於左右舷，而左舷船流密度遠遠大於右舷.
船舶領域二維強度圖顯示了船舶領域近似形狀和大小，如要得到研究水域內船舶領域大小精確值及其他特性，則需對船舶領域切割截面進行研究.藉助可視化軟體，得到船舶領域三維圖，見圖4.
分析三維立體圖左右側視圖、前後平視圖和俯視圖可得，在能見度不良受限水域中80～100 m船舶的船舶領域有以下特徵：
（1）船舶領域長軸長度為520 m，短軸長度為144 m；
（2）船舶領域長軸是
（3）船舶領域長軸與船舶中軸線夾角為8.32°.
在研究水域、數據來源和船舶類型相同的情況下，未考慮能見度情況（文獻[12]）與考慮能見度情況（本文）的結果對比見圖5.
a）文獻[12]結果
b）本文結果
圖5未考慮能見度情況與考慮能見度情況下
船舶領域模型二維強度圖對比
對比分析結果：未考慮能見度情況和本文考慮能見度不良兩種情況下船舶領域的大小分別為5.8倍船長和5.2倍船長，航首向與船舶領域長軸夾角分別為9.46°和8.32°.
3對比分析與檢驗
3.1研究結果專家檢驗
本文研究結果總結如下：（1）船舶領域形狀大致為類橢圓形.（2）船舶交通流中船舶航行速度越大，船舶安全領域會越大.（3）船舶領域左舷偏大，且其長軸方向與船舶航首向之間存在一個夾角，方向偏左舷，為8.32°，長軸約為5.2倍船長，短軸約為1.44倍船長.（4）在分析水域內，船舶左舷的交通流密度始終大於右舷的交通流密度，前後方交通流密度大於左右舷的交通流密度.（5）在狹水道內，船舶領域長軸隨著船型的增大而增大，但船舶領域短軸卻未發生明顯變化；在分道通航水域內，下行船舶受順流操縱性影響，其船舶領域較上行船舶的大.
經過海事專家的指導，筆者認為上述船舶領域形狀符合客觀實際，理由如下：（1）受定線制影響，來船都來自左舷，同行船舶為了安全，保持前後航行狀態，所以左舷船舶密度遠遠大於右舷船舶密度，前後方船舶密度大於左右舷船舶密度.（2）國際避碰規則對船舶駕駛員良好船藝有要求，所以一般追越船舶都從左舷追越，造成左舷船舶密度大.（3）狹窄水域內的船舶追越使得船舶操縱者會更加「在意」來自左邊的船舶.（4）狹水道風、流因素對船舶操縱性能的影響導致船舶領域長軸方向與船首向之間產生夾角.
3.2結果對比分析
文獻[12]在能見度良好情況下的長江南槽水道船舶領域長軸與在能見度不良情況下船舶領域長軸比值為1.16∶1.將船舶操縱避碰理論與實際研究結合分析可知，船舶航行速度為影響因素之一，前者研究平均速度高於後者研究平均速度，故船舶領域值偏大.船舶安全領域長軸方向與航首向之間夾角比為1.14∶1，其原因為在能見度不良天氣下船舶操縱者對船舶安全狀態的敏感度較高，故船舶領域長軸與航首向夾角偏小.
4結束語
本文借鑑網格化技術在AIS數據處理上建立船舶領域的應用，結合影響船舶領域的因素，建立了船舶尺寸為80～100 m、能見度不良情況下的受限水域內船舶領域模型，並分別通過理論檢驗和對比實驗驗證了結果.
研究在能見度不良天氣下的船舶領域，能夠提升霧天船舶交通流的預測精確度，給海事部門提供更精確的基礎數據.例如，2013年上海海事局開展在能見度不良情況下深水航道通航能力的研究，如果有精確的霧航中船舶領域基礎數據，則有助於準確地預測在能見度不良情況下的交通流，進而支撐在能見度不良天氣下航行規章和制度的制定.
本文處於利用AIS數據分析建立船舶安全領域研究的初級階段，如何細化船舶速度對船舶領域的影響，如何綜合人因素、其他氣象因素、水文因素等對船舶領域的影響是後續研究需要完善的.綜上，基於智能計算機技術，通過系統的實驗，將科學的歸納方法應用到分析AIS 數據建立船舶領域，是我們未來的研究探索方向.
參考文獻：
[1]張炳成， 劉慶生， 蔡存強. 在能見度不良情況下航行事故分析及對策[J]. 航海技術， 2006（4）： 68.
[2]FUJI Yahei， TANAKA Kenichi. Traffic capacity[J]. Journal of Navigation， 1971， 24（4）： 543552. DOI： 10.1017/S0373463300022384.
[3]張則浩， 於祖傑， 劉強， 等. 龍口港航道飽和度研究[J]. 大連海事大學學報， 2014， 40（1）： 3336.
[4]賀益雄， 黃立文， 牟軍敏. 基於MMG和船舶領域的對遇局面自動避碰[J]. 中國航海， 2014， 37（4）： 9295.
[5]LIU Shaoman， ZHENG Kai， WU Zhaolin， et al. New inland river channel transit capacity evaluation method based on dynamic quaternion ship domain model[C]//IEEE SICE the 54th Annual Conference， Hangzhou， China， 2015： 652656. DOI： 10.1109/SICE.2015.7285386.
[6]GOODWIN E M. A statistical study of ship domains[J]. Journal of Navigation， 1975， 28（3）： 328344. DOI： 10.1109/SICE.2015.7285386.
[7]范賢華， 張慶年， 周鋒， 等. 水流條件下內河船舶領域模型[J]. 大連海事大學學報， 2013， 39（1）： 4648.
[8]劉紹滿， 王寧， 吳兆麟. 船舶領域研究綜述[J]. 大連海事大學學報， 2011， 37（1）： 5154.
[9]齊樂， 鄭中義， 李國平. 互見中基於AIS數據的船舶領域[J]. 大連海事大學學報， 2011， 37（1）： 4850.
[10]WANG Ning， TAN Yue， LIU Shaoman. Ship domain identification using fast and accurate online selforganizing parsimonious fuzzy neural networks[C]//IEEE Proceedings of the 30th Chinese Control Conference. Yantai， China， 2011： 52715276.
[11]HANSEN M G， JENSEN T K， LEHNSCHILER T， et al. Empirical ship domain based on AIS data[J]. Journal of Navigation， 2013， 66（6）： 931940. DOI： 10.1017/S0373463313000489.
[12]向哲， 胡勤友， 施朝健， 等. 基於AIS數據的受限水域船舶領域建立方法[J]. 交通運輸工程學報， 2015， 15（5）： 110117.
（編輯賈裙平）
收藏