基于深度學習的內(nèi)河船舶污染物排放預測模型研究

摘要 內(nèi)河船舶污染物排放預測對于分析內(nèi)河狀態(tài)和制定環(huán)保政策有重要意義，但目前船舶航行識別的準確性仍然存在問題，導致排放預測結(jié)果不準確。為了解決船舶污染物排放過程中存在的航行狀態(tài)辨識誤判率高的問題，文章基于深度學習設計了一種新的內(nèi)河船舶污染物排放預測模型。首先，以船舶運行軌跡為基礎，分析了船舶運行過程中的活動范圍和航向變化，精準識別船舶航行狀態(tài)；然后，利用深度學習ConvLSTM模型構(gòu)建了船舶污染物排放框架，通過卷積計算確定了污染物的排放情況。實驗結(jié)果表明，基于深度學習的內(nèi)河船舶污染物排放預測模型有效解決了航行誤判狀態(tài)，在排放數(shù)據(jù)集上實現(xiàn)了穩(wěn)定收斂，預測準確度在90%以上。

關(guān)鍵詞 深度學習；內(nèi)河船舶；船舶污染物；排放預測

中圖分類號 U698 文獻標識碼 A 文章編號 2096-8949（2025）05-0010-03

0 引言

隨著全球環(huán)境問題日益嚴峻，船舶污染物的排放已成為影響水體和大氣環(huán)境的重要因素之一。內(nèi)河航運作為我國水運網(wǎng)絡的重要組成部分，其船舶的污染物排放對內(nèi)河水域的生態(tài)環(huán)境產(chǎn)生了顯著影響。傳統(tǒng)的污染物排放預測方法多依賴于歷史數(shù)據(jù)和經(jīng)驗公式，存在預測精度不高、響應速度較慢等問題，難以滿足現(xiàn)代環(huán)保監(jiān)督和管理的需求[1]。

近年來，深度學習作為一種先進的人工智能技術(shù)，因其強大的數(shù)據(jù)處理能力和復雜模式的識別能力，逐漸在各類預測領(lǐng)域中得到廣泛應用。通過深度學習技術(shù)，可以挖掘內(nèi)河船舶運行過程中的復雜數(shù)據(jù)模式，提高排放預測的準確性和實時性，為環(huán)保部門提供更為科學的決策支持。

該文基于深度學習構(gòu)建一種新的內(nèi)河船舶污染物排放預測模型，重點研究如何通過網(wǎng)絡規(guī)劃、數(shù)據(jù)篩選與多步預測等技術(shù)手段，提升模型的預測精度和響應效率。通過對實際數(shù)據(jù)的實驗研究，該文將驗證所提模型的有效性，并為未來的內(nèi)河船舶污染控制提供參考。

1 船舶航行狀態(tài)辨識模型

采用基于深度學習的辨識模型，通過分析船舶的航速、航向、主機轉(zhuǎn)速等多維度數(shù)據(jù)，構(gòu)建航行狀態(tài)分類器，區(qū)分船舶的不同狀態(tài)，如停泊、航行、加速和減速等。對船舶的運行數(shù)據(jù)進行預處理，利用卷積神經(jīng)網(wǎng)絡（CNN）提取數(shù)據(jù)中的關(guān)鍵特征，通過全連接層進行分類，輸出船舶的航行狀態(tài)[2]。

1.1 停泊狀態(tài)辨識

停泊狀態(tài)是指船舶在港口或錨地?？繒r的狀態(tài)，此時船舶的速度接近于零，主機功率和油耗也處于較低水平，停泊狀態(tài)的船舶污染排放主要來自輔助設備和鍋爐，而非主機。

假設某時刻t的船舶速度為，加速度為，則停泊狀態(tài)的基本條件可以表示如下：

（1）

為了更精確地辨識停泊狀態(tài)，設置速度閾值vth為

0.5 kn，加速度閾值ath為0.01 kn/s2。當船舶滿足以下條件時，停泊狀態(tài)的精確分析過程如下：

（2）

將多時刻的數(shù)據(jù)輸入到深度學習模型中，通過時間序列進一步分析確認船舶的狀態(tài)。設定時間窗口為T，單位為s，則時間區(qū)間內(nèi)的船舶速度和加速度均滿足上述條件時船舶處于停泊狀態(tài)。時間序列中的速度和加速度公式如下：

（3）

通過分析時間序列，更準確地辨識停泊狀態(tài)，并剔除受偶然因素（如風、流）影響而產(chǎn)生的誤判。

停泊狀態(tài)下的船舶功率表示如下：

（4）

式中，Pa——輔助設備功率（w）；Pb——鍋爐功率（w）。

1.2 在航狀態(tài)辨識

在航狀態(tài)下，船舶主機工作負荷較大，燃油消耗和污染物排放也相對較高。該文通過分析船舶的速度、加速度、航向變化等特征數(shù)據(jù)，結(jié)合深度學習算法，構(gòu)建了在航狀態(tài)的辨識模型[3]。

在航狀態(tài)船舶的速度通常大于某一閾值，且加速度較小，表現(xiàn)為勻速或接近勻速航行。假設某時刻t的船舶速度為，加速度為，則在航狀態(tài)的基本條件可以表示如下：

（5）

式中，vth——速度閾值，根據(jù)船舶類型和航道條件確定。

為了更加精確地辨識在航狀態(tài)，將多維特征引入模型，在航狀態(tài)還需要滿足以下條件：航向變化率較小，船舶航行路徑較為平穩(wěn)；主機轉(zhuǎn)速保持在一定的范圍內(nèi)。

在實際辨識過程中，考慮航行狀態(tài)的復雜性，將時間序列數(shù)據(jù)輸入到深度學習模型中，通過卷積神經(jīng)網(wǎng)絡（CNN）提取特征，并結(jié)合長短期記憶網(wǎng)絡（LSTM）處理時間的依賴性，最終輸出船舶在不同時間段的航行狀態(tài)。

模型的輸入數(shù)據(jù)可以表示為時間序列形式，具體公式如下：

（6）

分析時間序列，辨識船舶在航狀態(tài)。捕捉船舶狀態(tài)隨時間的變化趨勢，避免因短暫的速度波動或航向調(diào)整而導致誤判。

2 船舶污染物辨識模型

船舶污染物的排放不僅受船舶航行狀態(tài)的影響，還與船舶位置、航行路徑以及周邊環(huán)境條件密切相關(guān)。為了構(gòu)建精確的船舶污染物辨識模型，利用空間識別技術(shù)采集和分析污染物排放數(shù)據(jù)。將空間信息與污染物排放數(shù)據(jù)相結(jié)合，分析船舶在不同位置和環(huán)境下的排放特征。

2.1 基于空間識別技術(shù)的污染物排放數(shù)據(jù)集采集

引入基于空間識別技術(shù)的污染物排放數(shù)據(jù)集采集方法，結(jié)合船舶的位置信息和傳感器數(shù)據(jù)，全面監(jiān)測船舶在不同航行狀態(tài)和環(huán)境條件下的污染物排放情況[4]。通過安裝在船舶上的GPS裝置，實時獲取船舶的經(jīng)緯度、航速v（單位為kn）和航向θ。建立的時間序列形式如下：

（7）

式中，T——數(shù)據(jù)采集的時間長度（s）。

追蹤船舶的航行路徑，分析其在不同位置和狀態(tài)下的排放特征。結(jié)合GIS技術(shù)，將位置信息映射到實際的地理環(huán)境中，從而實現(xiàn)空間維度上的數(shù)據(jù)整合與分析。

船舶的污染物排放主要包括廢氣（如NOx、SOx、CO2）和廢水（如油污水、含有害物質(zhì)的壓載水等）。為了準確監(jiān)測這些污染物的排放情況，在船舶的關(guān)鍵部位（如排氣管、壓載水排放口等）安裝各類傳感器，實時記錄污染物的濃度以及排放速率，i表示不同類型的污染物。

在時刻t，污染物排放量（單位為t）的計算過程為：

（8）

通過積累時間序列數(shù)據(jù)，獲得各類污染物在不同時間、不同地點的排放總量。針對完整的航行周期計算污染物的總排放量，其計算公式如下：

（9）

結(jié)合位置信息與排放數(shù)據(jù)，繪制污染物排放的空間分布圖，利用GIS系統(tǒng)將船舶的航行路徑與對應的污染物排放數(shù)據(jù)疊加在地圖上，從而直觀展示污染物的空間分布情況。

設為船舶在某一時刻t的位置，則污染物排放的空間分布可以表示如下：

（10）

式中，δ——狄拉克函數(shù)，用于確定船舶在位置處的排放量。

通過這一過程，可以識別出污染物的高排放區(qū)域，并結(jié)合水流速、風速、溫度等環(huán)境因素，構(gòu)建更加全面的污染物擴散模型，進一步提升辨識的準確性。

在完成污染物排放數(shù)據(jù)的采集后，將這些數(shù)據(jù)整理成標準化的數(shù)據(jù)集，用于模型的訓練和驗證。數(shù)據(jù)集的基本格式如下：

（11）

根據(jù)數(shù)據(jù)集中地船舶的位置信息、污染物濃度、排放速率以及航行狀態(tài)等多維度數(shù)據(jù)，訓練出船舶污染物辨識模型，采用深度學習中的卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）相結(jié)合的方法，分別提取空間特征和時間特征，最終輸出船舶的污染物排放情況。

模型的訓練過程如下：

（1）數(shù)據(jù)預處理：對采集到的數(shù)據(jù)進行清洗和歸一化處理，消除噪聲并提高模型的訓練效率。

（2）特征提?。豪肅NN對空間數(shù)據(jù)進行特征提取，同時利用RNN對時間序列數(shù)據(jù)進行分析。

（3）模型訓練：通過反向傳播算法優(yōu)化模型參數(shù)，使模型在給定數(shù)據(jù)集上的預測誤差最小化。

（4）模型驗證：通過獨立的測試數(shù)據(jù)集，驗證模型的準確性和魯棒性，確保其在實際應用中的有效性。

2.2 基于ConvLSTM的內(nèi)河船舶污染物排放預測模型

在內(nèi)河船舶污染物排放預測中，傳統(tǒng)方法往往依賴于歷史數(shù)據(jù)的簡單線性回歸，無法充分捕捉復雜的時空特征。然而，內(nèi)河航行環(huán)境中的污染物排放具有顯著的時空依賴性，尤其在不同航行狀態(tài)下（如停泊、航行、加速、減速）以及不同地理環(huán)境中的排放特征差異顯著。因此，為了提高預測精度，該文引入了一種基于卷積長短期記憶網(wǎng)絡（ConvLSTM）的深度學習模型，其能夠有效融合時空特征，精準預測內(nèi)河船舶的污染物排放。

ConvLSTM模型如圖1所示。

ConvLSTM模型主要有輸入層、多個ConvLSTM層、全連接層和輸出層，其中Xt為輸入，Ht為隱藏狀態(tài)，σ為Sigmoid激活函數(shù)。輸入層接收經(jīng)過預處理的時空特征數(shù)據(jù)，經(jīng)過多個ConvLSTM層進行特征提取后，通過全連接層生成最終的污染物排放預測值。

（12）

在內(nèi)河船舶污染物排放預測中，應考慮船舶的航行軌跡、速度、位置、歷史排放數(shù)據(jù)以及周圍環(huán)境條件（如水流速、風速等）對污染物排放的影響。ConvLSTM將時空相關(guān)信息融入模型中，通過卷積操作提取空間特征，并通過LSTM單元捕捉時間上的依賴性。為了減少數(shù)據(jù)噪聲，采用滑動平均法對時間序列數(shù)據(jù)進行平滑處理，提取輸入數(shù)據(jù)中的時空特征，將其映射到更高維度的特征空間。通過全連接層，將ConvLSTM層輸出的高維特征映射為污染物排放的預測值。

3 實驗研究

為了驗證基于深度學習的內(nèi)河船舶污染物排放預測模型的預測效果，進行對比實驗。選用傳統(tǒng)基于多模型融合的預測方法與該文方法進行實驗對比，對船舶的運行軌跡和排放狀態(tài)進行預測，得到的實驗結(jié)果如圖2所示：

根據(jù)圖2可知，傳統(tǒng)方法對于船舶的運行軌跡預測精度較低，在預測過程中很容易出現(xiàn)誤判，預測準確率在70%～80%之間；傳統(tǒng)方法對非線性關(guān)系的捕捉能力有限，在應對數(shù)據(jù)噪聲和異常值時容易出現(xiàn)誤判和偏差。誤判不僅影響了對船舶軌跡的準確預測，還直接影響對污染物排放的評估，限制了傳統(tǒng)方法在實際應用中的可靠性。

相比之下，該文提出的基于深度學習的ConvLSTM模型在處理內(nèi)河船舶污染物排放預測任務時，表現(xiàn)出顯著的優(yōu)勢。ConvLSTM模型能夠充分利用卷積網(wǎng)絡的空間特征提取能力和LSTM的時間序列建模能力，有效地捕捉船舶運行軌跡中的復雜時空依賴關(guān)系。因此，在污染物排放預測中，ConvLSTM模型的預測精度大幅提升，準確率穩(wěn)定在90%以上。這一結(jié)果表明，ConvLSTM模型不僅能夠更好地適應復雜的航行數(shù)據(jù)特征，還在應對數(shù)據(jù)中的噪聲和異常值方面展現(xiàn)出更強的魯棒性，從而顯著提高污染物排放預測的精度和可靠性。

此外，實驗結(jié)果進一步驗證了深度學習模型在復雜時空數(shù)據(jù)建模中的優(yōu)勢，特別在內(nèi)河船舶這種多變量、高非線性的預測任務中，ConvLSTM模型通過對時空特征的聯(lián)合建模，實現(xiàn)對傳統(tǒng)方法的全面超越。這不僅為內(nèi)河船舶污染物的排放預測提供了更為準確的技術(shù)手段，也為相關(guān)環(huán)保政策的制定和實施提供了堅實的數(shù)據(jù)支持。

4 結(jié)束語

隨著環(huán)境保護要求的提高，內(nèi)河船舶的污染物排放預測成為關(guān)鍵任務。該文研究了基于深度學習的ConvLSTM模型，驗證了其在處理內(nèi)河船舶污染物排放預測中的有效性。實驗結(jié)果顯示，相較于傳統(tǒng)預測方法，ConvLSTM在捕捉時空特征、提高預測準確性方面表現(xiàn)優(yōu)異，預測精度的提升顯著。

未來，隨著技術(shù)的發(fā)展和數(shù)據(jù)的豐富，ConvLSTM模型有望在實時環(huán)境監(jiān)測、政策制定和船舶管理中發(fā)揮更大作用。雖然當前模型仍存在計算開銷和泛化能力的挑戰(zhàn)，但其在內(nèi)河船舶污染物排放預測中的應用前景廣闊，將為環(huán)境保護和可持續(xù)發(fā)展提供重要支持。

參考文獻

[1]張陽，高曙，何偉，等.基于多模型融合的內(nèi)河船舶航行軌跡預測方法[J].中國機械工程， 2022（10）：1142-1152.

[2]余薇薇，余鈞波，孫尉哲，等.嘉陵江井口段突發(fā)性溢油事故影響預測及分析[J].安全與環(huán)境學報， 2023（12）：4540-4547.

[3]吳勇，初秀民，劉興龍，等.船舶AIS與視頻圖像信息融合方法研究[J].武漢理工大學學報（交通科學與工程版）， 2023（3）：575-581.

[4]楊港，鄧健，劉少勇，等.內(nèi)河典型單級單線船閘待閘時間預測模型及優(yōu)化調(diào)度策略[J].水運工程， 2022（12）：196-203.