波罗的海海上事故的空间风险制图：一种基于AIS和热成像数据的贝叶斯分层方法

《Journal of Computational Science》：Spatial risk mapping of maritime accidents in the Baltic Sea: A Bayesian hierarchical approach using AIS and thermal data

　　- 贝叶斯零膨胀负二项（ZINB）框架能够有效利用AIS数据对罕见的海上事故进行建模。- 交通密度作为暴露度偏移项对于无偏的风险估计至关重要。- 在控制交通因素后，海表温度并非显著预测因子。- 空间映射揭示了丹麦海峡中残余的高风险热点区域。- 在考虑早期报告不足偏差后，基线事故风险保持稳定。## 引言海上运输构成了全球供应链的关键要素，承载了超过80%的全球贸易量[1]。随着海上人类活动强度的增加，海上事故风险也随之上升，带来严重的经济和社会后果，并可能对海洋生态系统造成灾难性影响。这一问题在机动性受限且交通强度高的水域尤为明显，例如波罗的海[2]。由于其特殊的流体力学条件、严酷的冬季气候以及作为世界上最繁忙水道之一的地位，该海域对高级风险分析和计算建模构成了重大挑战。传统的海上安全分析方法通常依赖于简单的描述性统计或经典线性回归模型[3]、[4]。然而，这些方法面临两个根本性的方法论障碍。首先，海上事故是罕见事件。时空数据以零观测值（特定网格单元和月份内无事故）为主，加之偶尔出现的高计数值，导致过度分散[5]、[6]和零膨胀[7]。经典分布，如基础泊松分布，往往难以适应如此复杂的数据结构，因此需要针对计数数据预测的高级计算框架[8]。其次，也是最重要的一点，环境条件与交通强度之间存在相互干扰的风险[9]。尽管文献表明海表温度（SST）与航行风险之间存在关联——主要通过其对雾象和渔业活动的影 [10]、[11]——但直接解释这种依赖关系是存在风险的。在精确考虑交通密度（作为暴露度度量）之前，分析SST等因素对事故发生的影响会导致错误的结论（即混杂偏差）。正如Goerlandt和Kujala[12]所指出的，在针对波罗的海等区域的风险模型中省略暴露变量，将无法区分天气条件的影响与交通强度自然变异的贡献。此外，经典广义线性模型（GLM）方法忽略了空间数据的层级结构和未观测到的异质性[13]问题。单个网格单元的风险可能取决于模型中未纳入的局部因素（例如水深、区域特有的导航特征）。在模型中忽视这种变异性会导致标准误被低估，并得出关于环境变量显著性的错误结论。采用混合效应模型方法并纳入随机效应，可以有效地包含这种空间和时间特异性[7]。对复杂运输网络进行准确的空间脆弱性评估，需要能够捕捉这些依赖关系的稳健计算工具。近年来，贝叶斯推断在处理高维时空碰撞数据方面已证明非常有效[14]，凸显了其在宏观海上应用中的潜力。近年来，可靠性工程和海上安全领域的文献在利用高级数据驱动框架解决这些复杂的空间和运营依赖关系方面取得了显著进展[15]、[16]。例如，贝叶斯方法和概率模型在评估船舶系统可靠性和运营风险方面已证明非常有效[17]、[18]。此外，Dugan和Utne[19]已经证明了在风险回归中将AIS衍生的活动指标作为显式偏移变量纳入的重要性。然而，尽管取得了这些进展，现有的宏观方法仍然难以同时将严格的AIS暴露度偏移处理与海上事故数据固有的严重零膨胀和空间过度分散的稳健处理结合起来。因此，本文旨在通过开发一个基于贝叶斯时空层级零膨胀负二项（ZINB）模型的稳健计算框架来解决上述问题。本研究的主要贡献包括：- **异构大数据整合**：结合事件数据（EMSA）[20]、环境卫星数据（NOAA）和船舶交通数据（AIS）。这种方法符合当前海上数据工程和计算分析的趋势[21]、[22]。- **相对风险建模（偏移）**：将船舶交通密度作为统计模型中的偏移变量应用[6]。这使得从对事故原始数量的建模转向对每单位交通量事故率的建模，从而有效地隔离环境因素的影响。- **SST影响评估作为概念验证**：在控制交通暴露度的同时，对海表温度对事故风险影响假设进行实证验证。通过将SST作为初始热协变量，本研究为未来测试直接气象驱动因素（例如低能见度、浪高）[23]提供了可重复的管道。最终，本研究展示了高级数据工程方法和贝叶斯计算建模如何支持海上安全管理中的空间决策支持系统。## 章节片段### 数据来源本研究依赖于整合三个独立的、异构的时空数据集，涵盖波罗的海区域。为减轻早期年份中识别到的历史报告不足偏差，并确保在EMSA的EMCIP系统全面部署后数据的一致性，最终分析的时间范围严格限定在2014年至2022年。**海上事故数据**：海上事件和事故的信息从欧洲海事安全局获取。### 模型诊断与收敛所应用的NUTS算法对所有估计参数均展现出优异的收敛性。所有固定系数和随机系数的Gelman-Rubin统计量（R?）均等于1.00或1.01，表明链混合稳定[44]。主要固定效应的有效样本量（ESS）在分布主体（Bulk_ESS）和尾部（Tail_ESS）均超过1000个样本。虽然宏观区域随机效应的方差参数（σ_lat）的ESS略低（主体ESS ≈...### 风险映射基于拟合的ZINB模型，生成了波罗的海区域的预测风险地图（图5）。该地图可视化了每个0.5°×0.5°网格单元的预期年事故频率，并根据观测到的交通强度（AIS偏移）进行了调整。空间分析能够识别出残余风险升高（即所谓"热点"）的区域，在这些区域中，事件发生概率相对于通过船舶数量不成比例地高。最高的风险值（由深...### 结论本文提出了一种新颖的**数据驱动**方法来评估复杂海上运输网络的脆弱性。通过在贝叶斯层级模型中整合事故记录（EMSA）、环境条件（SST）和交通强度（AIS），本研究提供了一种用于空间风险映射的稳健工具。研究得出的主要结论可概括为以下几点：1. **考虑交通的方法论必要性**：本研究证明了将船舶...### CRediT作者贡献声明**Agnieszka Kamedulska**：写作—审阅与编辑，写作—原始草稿，可视化，验证，软件，方法学，调查研究，形式化分析，数据整理，概念化。## 利益冲突声明作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本论文中报告的工作。## 致谢作者感谢Freepik（Flaticon）提供图标资产，感谢MarineTraffic提供图形摘要中用于交通密度可视化的数据。