基于多源数据的北极东北航道冰情示警方法.pdf

第44卷第2 期2023年6 月D0I:10.13340/j.jsmu.2023.02.006上海海事大学学报Journal of Shanghai Maritime UniversityVol.44No.2Jun.2023文章编号：16 7 2-9 49 8(2 0 2 3)0 2-0 0 30-0 8基于多源数据的北极东北航道冰情示警方法王翼飞，谢宗轩（上海海事大学商船学院，上海2 0 130 6)摘要：为减少船舶在北极东北航道航行时发生事故的概率,基于德国不莱梅大学发布的海冰密集度数据和美国国家冰雪数据中心发布的海冰厚度、海冰类型数据建立海冰风险预警模型，对不同空间分辨率海冰数据进行空间投影转换，将北极海域划分为网格并与海冰特征进行对应。将船舶与海冰的位置关系作为聚类特征向量，使用高斯混合模型（Gaussianmixturemodel，G M M）对网格进行聚类，引入高斯分布重叠率作为评价网格可分性的指标。根据类间可分性较大、类内相似性较高的原则，将海冰网格分成3类，并与其他聚类方法进行对比。实验结果表明，GMM可以很好地根据网格特征差异划分出高风险海冰网格，相比邻域网格聚类方法，其类间可分性更好，精度和稳定性也更好。关键词：海冰密集度；海冰厚度；高斯混合模型（GMM）；冰情示警中图分类号：U675.79Ice warning method of Northeast Passage of Arctic based on文献标志码：Amulti-source dataWANG Yifei,XIE Zongxuan(Merchant Marine College,Shanghai Maritime University,Shanghai 201306,China)Abstract:To reduce the probability of accidents while ships sail in Northeast Passage of Arctic,a sea icerisk warning model is established based on the sea ice concentration data from the University of Bremen inGermany and the sea ice thickness and type data from the National Snow and Ice Data Center of USA.Spatial projection transformation of sea ice data with different spatial resolutions is carried out,the Arcticsea area is divided into grids,and the grids correspond to sea ice characteristics.The positionrelationship between sea ice and ships is used as the clustering characteristic vector,the Gaussian mixturemodel(GMM)is used to cluster the grids,and the Gaussian distribution overlap rate is introduced as theindex to evaluate the grid separability.Acorrding to the principle of the higher separability betweenclasses and the higher similarity within a class,the sea ice grids are divided into three classes,which iscompared with other clustering methods.The experimental results show that GMM can well divide thehigh-risk sea ice grids according to the difference of grid characteristics,and it has better separabilitybetween classes and better accuracy and stability compared with the neighborhood grid cluster method.Key words:sea ice concentration;sea ice thickness;Gaussian mixture model(GMM);ice warning收稿日期：2 0 2 1-11-30 修回日期：2 0 2 2-0 4-16作者简介：王翼飞（1998），男，甘肃金昌人，硕士研究生，研究方向为极地航行，（E-mail)；谢宗轩（198 3一），男，台湾宜兰人，讲师，博士，研究方向为智能航海、极地航行，（E-mail)http:/hyxb 第2 期0引言随着北极东北航线的开辟，极地航行的安全问题备受关注。根据30 余年的卫星观测数据1,北极海冰厚度、密集度和覆盖范围在不断变化,影响着船舶的航行安全。一方面，极地水域离岸远、通航保障严重不足，缺少类似船舶交通服务（vessel trafficservice，VT S）对风险做出示警的方法2 。另一方面,极地航行的风险判断多依赖船员的主观经验和目力观测，对船员的航行经验要求很高，一旦判断失误就会出现无法估量的后果。由于观测设备和气温的限制，无论是船舶雷达观测摄影机录像还是科考站数据采集，都不适用于北极海冰分布、海冰的影响因素和风险等方面的研究，卫星遥感仍是获得北极海冰冰情的重要手段。因此,利用遥感数据对北极海冰冰情进行智能化预警显得尤为重要。卫星遥感数据可以为船舶提供航行指导。走航观测获取的小尺度海冰视频数据较为准确，但多为海冰密集度数据，主要用于北极航道重点区域的航线规划研究3。大尺度的遥感数据包括海冰密集度、厚度和类型等多种特征，但不同机构获取的遥感数据存在一定的差别。目前应用最广泛的是先进微波扫描辐射计（advancedmicrowavescanningradiometer-2，A M SR-2）和冰云陆地高程卫星（icecloud and land elevation satellite-2，I C ESa t-2)获得的卫星遥感数据。KALESCHKE等4 应用被动微波遥感研究了多种业务化算法和反演海冰密集度的方法。美国内政部土地管理局提供的逐日AMSR-2数据是通过水平极化和垂直极化计算出的北极海冰密集度5,但是采样间距达3.3km，无法满足大面积提取高分辨率冰厚信息的需求。美国国家冰雪数据中心通过映射海冰密集度数据到美国国家冰中心的海冰网格6 ,基于一个经验模型和大气数据模型，测量和估算海冰厚度，具有较高的精度。SHEN等7 研究表明,多源数据融合的方法有利于海冰信息的提取，增强数据的稳定性。张雷等8 对全球多源海冰数据逐日进行融合，减少了系统误差，但未对海冰厚度等数据进行分析融合。王蔓蔓等9 通过数据内插、投影变换、栅格转换、空间重采样等方法解释了北极海冰数据同化方法。极地大尺度的海冰数据研究多是船舶航行危险预测方面的，方法主要有回归分析10 、灰色预测 、人工神经网络12 、综合安全评估13、模糊综合评价14 等。然而,这些方法多是对水域冰情变化和航线预测做出的分析，没有考虑到极地航行中船王翼飞，等：基于多源数据的北极东北航道冰情示警方法些数据包含多个文件，除格式为HDF的海冰数据源文件外，还含有一些绘图产品。利用空间投影将北极地区划分为17 9 2 1216的网格（见图1）,网格空间分辨率为6.2 5km,陆地的像元值为NaNhttp:/31员的需求,缺少航行过程中的危险预警分析。为预防人为失误,参考XIE等15 研究得到的船舶碰撞事故中的人为失误致因机理，本文以智能化的冰情示警引导船舶避险作为极地航行研究的主要目标，将船舶与海冰的距离、相对方位作为示警方法，同时考虑船员的根本需求。本文考虑船舶与海冰的位置关系，将多源大尺度海冰遥感数据进行融合，划分海冰特征网格；参考聚类算法在海冰图像分割中的应用16 ,划分出对本船而言危险程度较高的海冰。本文基于AMSR-2和ICESat-2的数据建立一个船舶与海冰位置关系模型。通过坐标投影转换将不同机构的海冰遥感数据进行融合，利用遍历修改的方式将海冰密集度、厚度和类型正确对应到同一网格,获得相应的海冰网格特征矩阵。针对船舶与海冰的位置关系，将距离和相对方位加入网格特征向量中，网格的划分可以随船舶位置的改变发生动态变化。选取东北航道3个关键节点（分别位于拉普捷夫海、喀拉海和东西伯利亚海)进行实验，结果表明用高斯混合模型（Gaussian mixture model，G M M）可有效地划分出在拉普捷夫海、喀拉海和东西伯利亚海航行时危险程度高的海冰，可以对航行决策过程提供建议，保障船舶的航行安全。1研究方法和数据来源1.1冰区网格划分本文提出的冰情示警方法的主要思路是：将海区划分成相同大小的网格，然后根据不同网格的海冰特征对网格进行聚类,划分出高风险的海冰网格进行示警。设置冰区船舶航行的速度为5kn,对未来12 h内船舶周围海区的海冰进行聚类,近似航行最大范围是10 0 km,因此将船舶周围的海区划分成100 100 的网格。1.2数据来源美国内政部土地管理局的冰雪数据是通过ASMR-2采集计算的，使用极球面投影进行数据填充。该机构提供了南、北极每日海冰密集度数据，这75EH.St75WN45W图1海冰数据范围hyxb 135E165E105EW32（No t a Nu m b e r），海洋的像元值为0 10 0（代表海冰密集度为0 10 0%，像元值0 表示没有海冰覆盖，100表示海冰完全覆盖）。该机构还提供了每种分辨率下的地理坐标对照文件，这些文件含两个17921216矩阵，存储了海冰密集度源文件中对应网格的经度和纬度。美国国家冰雪数据中心使用ICESat-2激光雷达检测地球表面海拔高度，该卫星于2 0 18 年9月发射，每秒能发射10 0 0 0 个激光脉冲,适用于冰原和海冰厚度的检测。经过对比发现，美国国家冰雪数据中心与美国内政部土地管理局发布的海冰密集度数据都是基于极球面投影方式进行数据填充的，美国国家冰雪数据中心按月发布海冰厚度数据，包括NC源数据文件和一个海冰数据图集。经过对NC文件进行解析发现，其包括海冰厚度和海冰类型的448304矩阵，是将图1中的北极区域划分为了448304的网格，每个网格都有对应的海冰类型和海冰厚度数据，海冰厚度像元值范围为0 16 m（代表检测出的海冰厚度），海冰类型像元值为0、1和NaN(O代表当年冰,1代表多年冰,NaN代表无海冰），空间分辨率为2 5km。1.3数据预处理由于不同机构的数据分辨率并不完全相同，为将分辨率为6.2 5km的海冰密集度数据与分辨率为25km的海冰厚度进行对比验证,需要对数据的投影坐标进行转换。将海冰密集度、厚度和类型数据所对应的网格经纬度利用Snyder公式转换为统一坐标对应转换V158500-385011-5350经纬度坐标(,)转换为直角坐标(x,y),然后转换为图像坐标(u,V)上海海事大学学报分辨率的直角坐标17 ,再对直角坐标进行匹配和对应实现不同分辨率数据的对比验证。由经纬度坐标（,)得到直角坐标（,y）的Snyder公式如下：90-)acos otan(2x=V(1-esino)sin(-o)acos otan(y=-P.V1-esino)(cos(-o)式中：e为地球偏心率，e=0.081816153;为地球长轴，=6378.273km;为标准纬度，北半球o=70;。为标准经度,北半球。=315;P,为南北半球参量（北半球P,=1,南半球P,=-1)。在将经纬度坐标转换为直角坐标,再转换为图像坐标的过程中,因为坐标系的改变而出现数据的镜像和旋转，所以修改对网格的遍历方式，将像元值与海冰密集度、厚度和类型数据进行对应，然后填充缺失的数据。投影坐标改变后，海冰密集度网格空间分辨率扩大至原来的6.2 5倍，海冰厚度和类型网格空间分辨率扩大至原来的2 5倍，北极地区被划分为112 0 0 7 6 0 0 个网格,每个网格有对应的海冰密集度、厚度和类型数据。图2 为海冰密集度数据预处理过程。数据填充插补Vu07600u600;I-11200第44卷1-esin o1+esin oesin esin 90-)-esin o21+esin oesin%)+esin网格遍历修改0121617921111 200海冰网格对应到新的投影坐标，对缺失的数据利用填充的方式插补调整网格数据对应的遍历方式，对图像出现的镜像和旋转进行修正图2 海冰密集度数据预处理流程1.4网格特征提取为对网格进行聚类，必须先对每个网格进行特征提取。根据海冰特征和海冰与船舶的距离构造网格的特征向量。将一个网格的海冰密集度、厚度、类http:/hyxb 型作为特征向量Q1,将网格与船舶的直线距离和相对方位作为特征向量Q，加入网格的样本特征中。对于第i个网格,其特征向量可以表示为f:=(Q1,Q2,;)第2 期式中:Q1,=(C,N,T,),Q2,;=(L,K),C,、N,、T,分别表示第i个网格的海冰密集度、厚度、类型,L;K;分别表示第i个网格与船舶的直线距离、相对方位。对所有的网格均做类似处理,可以得到由所有网格的特征向量组成的样本特征矩阵。由于本文中冰情示警网格是按照10 0 10 0 划分的，即聚类样本一共有10 0 0 0 个网格，故样本特征矩阵F可表示为F=：f10 002网格聚类方法2.1GMM和EM算法GMM是多个高斯分布函数的线性组合，本文利用EM（e x p e c t a t i o n-m a x i m i z a t i o n）算法的混合分布模型对网格的海冰特征进行聚类分析。假设样本模型符合GMM,每个类别对应一个高斯混合分量,将高斯混合分量的概率进行投影，得到高斯混合分布的概率密度p(x)：p(x)=m,P(x j,g,)式中：n为高斯混合分量的数量；,为混合系数，需满足,0且,=1;,和:分别表示第个高斯混合分量的均值和协方差;P(xlj,）为混合模型中的第j个高斯混合分量的概率密度。参数估计常常会采用最大似然法，即使得数据0.80.630.40.20-10-6-22610(a）高斯分布不重叠图3一维高斯分布重叠示意图本文参考SUN等18 提出的一种计算GMM重式中：x是样本列向量。叠率ror的方法，该方法可以计算任意两个混合高斯两个高斯分布的roL计算如下：分布之间的重叠率。重叠率越低，可分性越好,聚类1,的网格结果越具有实际意义。Tol(Gi,G2)=P(x),用G(x)表示一个二维高斯分布：(P(x),1(1(x-,)o(x-,)G(x)=1/2T王翼飞，等：基于多源数据的北极东北航道冰情示警方法Q1.1Q2.1：Q1Q2.：(210 2,10 00)30.40.20-4-2024658（b）高斯分布部分重叠式中:Ppa（x)指两峰之间的鞍点;Ps（x）指两峰中较/2exp33点在估计的概率密度函数上的概率最大。因为概率往往偏小,所以一般取对数，目标函数可改为max模型参数（;j,）一般用EM算法迭代优化求解：(1)为便于计算，引人P,表示第个高斯混合分量中网格i的后验概率密度：T,P(x;I i,)P=一(2)利用每个网格的后验概率密度求解混合模型的似然函数参数：(P:)/P;=(P(x:-,)(x,-M,)/Z P式中：；表示第i个网格。（3)重复步骤（1）和(2）,直到收敛。通过高斯混合聚类对样本特征矩阵进行初始聚类，可以得到网格的聚类标签。2.2高斯混合聚类的可分性评价使用GMM聚类多个高斯混合分布的数据时，高斯分布离得越远，说明结果越有可分性，从而越能明确区分网格对船舶的危险程度。一维高斯分布重叠情况分3种，见图3：图3（a）中两个高斯分布完全没有重叠,可分性最好；图3（c)中两个高斯分布基本上重叠在一起，可分性最差。0.80.50.60.4F0.3%0.20.10-4-202468（c）高斯分布完全重叠不可分可分矮的峰。http:/hyxb 34ror的取值范围为0，1,取值越接近1则二维空间邻域重叠度越高。本文网格海冰特征为高维高斯分布,roL为二维高斯分布的均值。3冰情示警实验3.1东北航道实验关键节点选取北极东北航道是北极航道靠近亚欧大陆一侧的航线，长度约2 50 0 nmile，经纬度范围为6 5N90N、15W17 5E。俄罗斯北部的东西伯利亚海、拉普捷夫海、喀拉海是冰情变化最为复杂的海区。北极东北航道主要分为沿岸航线、中间航线、高纬航线和过极航线。如图4所示，高纬航线一般意义上是经新地岛北侧海域，然后向东北方向穿过北地群岛北侧海域，向东南方向抵达拉普捷夫海。过极航线理论上是穿过北极的大圆航线，是最近的航线。由于高纬航线和过极航线上有大量厚重的冰层覆盖，一般船舶无法通行，所以本文主要针对中间航线的冰情进行示警。如图4的b、c、d、e 所示，中间航线沿着巴伦支海向东穿过新地岛北侧海域，之后继续向东穿过喀拉海，经维利基茨基海峡到达拉普捷夫海，再经新西伯利亚群岛北侧海域到达东西伯100%80%80%60%60%40%40%20%20%00(a)2020 年9 月(b）2 0 2 0 年10 月图52 0 2 0 年912 月北极海冰密集度针对上述情况，选择北极东北航道上的3个节点，对2 0 2 0 年11月18 日的冰情进行示警。3个节点分别位于拉普捷夫海、喀拉海和东西伯利亚海，节点1位于（7 5N，17 8 W），节点2 位于（7 0 N，91W），节点3位于（7 6 N，16 5W）。节点选择过程见图6。将各节点周围海域均划分为10 0 0 0 个网上海海事大学学报利亚海，然后经德朗海峡到达楚科奇海，最后经白令海峡到达白令海。沿岸航线中间航线高纬航线过极航线图4北极东北航道由于拉普捷夫海域西北部10 月开始结冰,维利基茨基海峡东侧人口和新西伯利亚群岛附近海冰到11月大量聚集。如图5所示，拉普捷夫海峡和桑尼科夫海峡作为连接东西伯利亚海与拉普捷夫海的两条主要海峡，冰情差异较大。拉普捷夫海峡一年中大部分时间都被海冰覆盖，从10 月份开始结冰，11月基本上被海冰覆盖。桑尼科夫海峡海冰在离岸风的作用下从南向北移动，冰情变化情况最为特殊，导致船舶自西向东航行的阻力远比自东向西航行的阻力小。100%(c)2020 年11月格,对网格从左至右、从上到下进行编号，将每个网格的海冰密集度、厚度、类型的数据进行对应，得到每个节点的特征矩阵。3.2高斯混合聚类实现对关键节点周围10 0 0 0 个网格的样本数据进行计算，节点1对应数据见表1。第44卷德朗海峡弗兰格尔半岛d维利基茨基海峡e绍卡利斯基海峡、尤格尔海峡扬斯克海峡喀拉海峡红军海峡100%80%60%40%20%0拉普捷夫海峡桑尼科夫海峡100%80%60%40%20%(d)2020年12 月(a）节点选择http:/(b)网格划分图6 关键节点选取过程hyxb (c)网格编号(d）对应网格特征第2 期网格编号iC;/%111.941 0211.941 0311.941 0411.941 0511.941 0611.941 0726.803 3826.803 31000036.031 3得到表1的样本特征矩阵后,对特征向量进行高斯混合聚类，结果见图7。图7 中，Q.和IlQ,分别为Q,和Q2的范数,实心点表示3个聚类类别的聚类中心,用来评价高斯混合聚类的可分性。1.00000000.80000000000000080000.6000008880000000000088888800.40.2王翼飞，等：基于多源数据的北极东北航道冰情示警方法表1节点1的聚类样本数据N;/mTL:/mK;/()0.668 8058.810.668 8059.510.668 8060.210.668 8060.910.668 8061.610.668 8062.310.668 8063.010.668 8063.711.246 4品品口00000。类别！一类别2 聚类中心DOOOAA类别2AAAAAAAAAAAAAAAAAAAAAA35表2 航线冰情预警结果（节点1)网格编号IQ2II166116721683169417051686169717080111.800000000类别1聚类中心类别3聚类中心AA口类别3类别0.900.1520.900.1550.900.1560.900.1600.900.1630.790.2130.790.2150.790.2178810000低风险网格中风险网格高风险网格-111111120.500.1431东北航道0船舶前方网格的危险程度总比船舶后方网格的大，因此在聚类过程中,定义船首方向的网格危险程度最高，相对方位90 2 7 0 风险较低，距离越大风险越低。根据东北航道实际航线和聚类划分后的网格,定义类别1为低风险网格，类别2 为高风险网格，类别3为中风险网格。3.3高高斯混合聚类结果统计利用仿真实现高斯混合聚类的计算迭代步骤，节点1计算结果见表2。将聚类得到的网格分类结果绘制在10 0 10 0 的网格上，见图8。图8 中，黑色实线为真实东北航线，航线所经过的网格大多数为低风险网格。在实际航行过程中可根据网格风险程度调整船舶航线。由实验结果可知，11月拉普捷夫海大量海冰聚集，中间航线平均海冰密集度为40%（部分网格的海冰密集度超过6 0%），平均海冰厚度超过1.4m，东北航线上基本无多年冰存在。船舶航行区域有多年冰存在意味着平均海冰密集度超过7 0%，平均海0.2图7高斯混合聚类结果0.40.6Ql0.81.01.2图8 节点1风险网格示警可视化冰厚度超过1.6 m,船舶航行的风险高。聚类结果会显示存在多年冰的网格，船舶航行时需要特别关注。对喀拉海和东西伯利亚海（节点2 和节点3)的实验结果见图9。喀拉海的冰情更为严重，平均海冰密集度达到7 0%，平均海冰厚度为1.9m,其多年冰远比拉普捷夫海的多，因此喀拉海风险高的海冰网格远比拉普捷夫海的多。东西伯利亚海的平均海冰密集度为45%，平均海冰厚度只有0.9m，因此风险高的海冰网格较少，船舶可以根据示警结果动态调整航线。3.4模型评价3.4.1方法稳定性验证当满足最大迭代次数或者上一样本与当前样本似然度增长很小时停止送代。节点1、2、3的数据分别经过2 5次、31次、2 7 次迭代后收敛。对不同的聚类类别选择进行实验，迭代结果见图10。当聚类簇数为3时,每个类别内的似然度超过了50%，迭代曲线也能很快收敛，因此聚类簇数为3更符合网格准确划分的要求。http:/hyxb 36上海海事大学学报第44卷低风险网格中风险网格高风险网格(a)节点2图9节点2、3风险网格示警可视化80100r4050%/游%/y0-40-80-120010.203040选代次数(a)聚类簇数为2400%/游-40-80120-1600(c)聚类簇数为4图10 高高斯混合聚类送代收敛图通过计算ro值,可以验证高斯混合聚类结果的可靠性,确定不同网格海冰之间的差异性大小。类别1、2、3的roL值分别为0.542 3、0.542 3、0.552 2，roL值均小于0.6 说明网格之间的可分性良好，不会因为网格海冰属性相似而错误聚类，风险预警的可靠性高。3.4.2方法精度验证将 CMM与邻域网格聚类（neighborhood gridcluster,NGC)进行对比验证。NGC主要侧重于局部密度和邻域关系，不需要手动输人聚类簇数，可以自主寻找聚类中心，更适合对网格进行划分。对海冰网格的聚类,是以海冰特征作为局部密度的,从冰情最为严重的网格开始将网格逐层划分到对应的簇中,在逐层迭代扩展中考虑周围网格的影响,将周围http:/hyxb 一东北航道0-50-100J-1500010203040送代次数(b)聚类簇数为320r-20%/-60-100-140-180306090选代次数低风险网格中风险网格高风险网格(b)节点3具有相同特征的网格划分为一类,直至遍历完所有网格。由图11 可以看到,NGC 将特征向量Q1、Q 2 划分为了2 类，密度阈值为0.14，邻域半径为0.3。JNGC无法以可分性指标roL作为精度的判断指标，但类别1的海冰密集度为54.2 6%，类别2 的海冰密集度为6 3.2 5%，类内可分性比GMM的差，不利于特征向量Q2的划分。实验结果证明GMM的海冰冰情示警稳定性更好。1.00.8010203040送代次数(d)聚类簇数为5东北航道0.60.40.204结 论本文考虑船舶与海冰的位置关系,将多源大尺度海冰遥感数据进行融合，划分海冰特征网格,获得相应的海冰网格特征矩阵。选取北极东北航道3个关键节点进行实验，结果表明用高斯混合模型(GMM)可有效地划分出危险程度高的海冰网格。相比于邻域网格聚类（NGC)方法，GMM对冰情示警的稳定性更好。类别1类别20.20.4图11NGC聚类结果0.6Q=0.81.01.2第2 期王翼飞，等：基于多源数据的北极东北航道冰情示警方法37参考文献：1】汪楚涯，杨元德，张建，等。基于遥感数据的北极西北航道海冰变化以及通航情况研究J极地研究，2 0 2 0，32（2）：2 36-2 49.D0I：10.13679/j.jdyj.20190043.【2 石蒙蒙VTS中的智能化船舶航行危险预测技术的研究D大连：大连海事大学，2 0 19.【3赵羲，霍瑞，陈亦卓，等.ICESat-2高程信息辅助下的北极冰区航线规划J/0L武汉大学学报（信息科学版）：1-17 2 0 2 2-0 4-15.D0I:10.13203/j.whugis20210012.4 KALESCHKE L,LUPKES C,VIHMA T,et al.SSM/I sea ice remote sensing for mesoscale ocean-atmosphere interaction analysisJ.CanadianJournal of Remote Sensing,2001,27(5):526-537.D0I:10.1080/07038992.2001.10854892.5J LIU J P,CHEN Z Q,HU Y Y,et al.Towards reliable Arctic sea ice prediction using multivariate data assimilationJ.Science Bulletin,2019,64:63-72.D01:10.1016/j.scib.2018.11.018.6 KERN S,OZSOY-CICEK B,WORBY A P,et al.Antarctic sea-ice thickness retrieval from ICESat:inter-comparison of different approachesJ.Remote Sensing,2016,8(7):538.D0l:10.3390/rs8070538.7 SHEN Y,ZHAO P,PAN Y,et al.A high spatiotemporal gauge-satellite merged precipitation analysis over ChinaJ.Journal of GeophysicalResearch:Atmospheres,2014,119(6):3063-3075.D0I:10.1002/2013JD020686.8】张雷，徐宾，廖志宏，等全球多源海冰密集度融合资料研制试验J气象学报，2 0 2 1，7 9（4）：7 0 3-7 15.D0I：10.116 7 6/qxxb2021.040.【9】王蔓蔓，柯长青，邵珠德：基于CryoSat-2卫星测高数据的北极海冰体积估算方法J海洋学报，2 0 17，39（3）：135-144.DOI：10.3969/j.issn.0253-4193.2017.03.013.10】彭鹏飞海事风险研究中定量分析与定性分析的比较J大连海事大学学报，2 0 0 8，34（增刊2）：4145.D0I：10.16 411/j.c n k i.issn1006-7736.2008.s2.02011】曹惠玲，胡彦杰，赵洁适航指令案例安全风险灰色评估与预测模型J/OL.航空动力学报：1-10 2 0 2 2-0 4-15 D0I：10.132 2 4/ki.jasp.20210448.12乔卫亮，刘阳，周群，等.基于模糊人工神经网络的安全风险评估模型J安全与环境学报，2 0 2 1，2 1（4）：140 5-1411.D0I：10.13637/j.issn.1009-6094.2020.0341.13】许琦，秦庭荣，马国梁，等.液货船综合安全评估专家系统模型J上海海事大学学报，2 0 2 1，42（2）：6 4-6 9.D0I：10.13340/j.j s mu.2021.02.011.14】孔宪卫，张庆河，李晓松，等基于船舶操纵模拟的桥区水域通航风险评价研究J哈尔滨工程大学学报，2 0 2 2，43（5）：6 6 7-6 7 2.D0I:10.11990/jheu.202008049.15 XIE H J,TEKELI A E,ACKLEY S F,et al.Sea ice thickness estimations from ICESat Altimetry over the Bellingshausen and Amundsen Seas,2003-2009J.Journal of Geophysical Research:Oceans,2013,118(5):2438-2453.D0I:10.1002/jgrc.20179.16兰志刚，靳卫卫，朱明亮，等基于高斯混合模型的海冰图像非监督聚类分割研究J海洋科学，2 0 11，35(11)：97-10 0.17 SNYDER JP.Map projections used by the U.S.geological surveyJ.Survey Review,1984,27:336.DOI:10.1179/sre.1984.27.213.336.18 SUN H J,WANG S R.Measuring the component overlapping in the Gaussian mixture modelJ.Data Mining and Knowledge Discovery,2011,23:479-502.D0I:10.1007/s10618-011-0212-3.(编辑贾裙平）http:/hyxb