用于复合海洋环境风险评估的气象水文融合指数（MHFI）：方法与在木浦沿海水域的应用

《Journal of Marine Science and Engineering》：A Meteo-Hydrological Fusion Index for Composite Marine Environmental Risk Assessment: Methodology and Application to Mokpo Coastal Waters

　　

随着对自主水面船舶（MASS）兴趣的增长，研究人员提出了许多用于航行路线规划和危险规避的风险评估模型。然而，现有模型通常存在两个局限性。首先，许多模型根据船舶交通等信息评估风险，因此未能充分反映海洋天气和海况本身。其次，它们通常只考虑一个或两个因素，如波高或风，即使将多个因素合并为一个单一值，也难以追溯结果为何危险。为克服这些局限性，本研究提出了一种气象水文融合指数（Meteo-Hydrological Fusion Index, MHFI），该指数将五个环境因素——波高、涌浪周期、海流、风和能见度——合并为一个单一风险值。每个因素首先被映射到0-4的风险评分，然后将给定位置的最高的三个得分通过加权求和进行组合。这在一个单一值中总结了复合风险，同时保留了产生该风险的因素排序，因此结果保持可追溯性。将该指数应用于木浦沿海水域，研究人员证实了给定风险等级背后的主导因素随时间和地点而变化，并且短时间内快速、区域性的风险上升可以通过单一指标捕获。研究人员进一步展示了风险如何沿主航道变化，以及如何将指数叠加在显示面板上。这些结果表明，MHFI可以在基于S-100的数字导航环境中作为决策支持层。

**论文解读：气象水文融合指数（MHFI）在木浦沿海水域复合海洋环境风险评估中的应用**

**1. 研究背景与问题**

随着自主水面船舶（Maritime Autonomous Surface Ships, MASS）的快速发展，航行中的路线规划和危险规避对风险评估模型提出了更高要求。现有风险评估模型普遍存在两个局限性：第一，多数模型基于船舶交通信息（如AIS数据）评估风险，未能充分反映海洋天气和海况本身的风险；第二，即使考虑环境因素，也往往只涉及波高或风速等少数因子，即便将多个因子合并为一个单一数值，也难以追溯该数值背后的具体危险成因。此外，不同环境因子（如波高、涌浪、海流、风速、能见度）具有不同的量纲和风险方向（例如，波高增大则风险升高，而能见度降低则风险升高），且在同一海域内随时间和空间独立变化，导致航海人员需要同时接收多项预警并手动综合判断，工作负担沉重。现有方法包括基于AHP（层次分析法）、模糊综合评估、WSM（加权和模型）和深度学习等的集成方法，虽然能输出单一风险值，但往往无法解释该值由哪些因子主导，且部分模型仅针对特定场景（如风电场航线优化或搜救资源部署），缺乏通用的、独立的环境风险地图。为填补这一空白，本研究旨在开发一种可追踪、可解释的复合环境风险指数，用于MASS的自主决策支持。

**2. 研究内容与结论**

研究人员提出了气象水文融合指数（Meteo-Hydrological Fusion Index, MHFI），该指数将五个环境因子——波高、涌浪周期、海流速度、风速和能见度——首先通过分段线性函数映射到0-4的风险评分（0=安全，4=极端），然后取每个网格单元中风险最高的三个评分，通过加权求和（最高分权重1，第二高分权重0.2，第三高分权重0.1）形成单一MHFI值。该指数保留了各因子在组合中的排序，使得风险结果可追溯至具体的主导因子。研究人员将MHFI应用于韩国木浦沿海水域，利用2025年1月1日至12月19日约12个月的数据，构建了540×420网格（约90米分辨率），通过反距离加权（IDW）插值将点状观测数据（包括韩国气象厅的沿海子区域预报、韩国水文与海洋局的实时海雾观测和潮汐流预测）扩展到网格上。研究结果证实：MHFI能够用一个单一值概括复合风险，同时揭示即使相同的风险等级，其背后的主导因子（如海流、风速或能见度）会随时间和地点变化；MHFI能捕获约90分钟内风险从“谨慎”级快速升至“危险-极端”级的区域变化；并展示了沿主航道的风险分布以及如何在S-100数字导航环境中的显示面板上叠加该指数。该论文发表在《Journal of Marine Science and Engineering》。

**3. 关键技术方法**

研究人员采用了以下主要关键技术方法（忽略试剂和具体培养、质粒构建操作）：（1）将每个环境因子（波高、涌浪周期、海流速度、风速、能见度）通过分段线性函数转换为0-4风险评分，其中波高、涌浪周期、风速采用正向风险映射（公式1），海流速度采用带船舶速度比较的修正映射（公式2），能见度采用反向风险映射（公式3）；边界值基于WMO海况等级、Beaufort风级、COLREG能见度范围、韩国气象厅预警标准及日本海峡安全航速标准等设定。（2）使用加权求和融合前三个最高评分（MHFI = A_max + 0.2·A_2nd + 0.1·A_3rd，公式4），其中权重系数经敏感性分析验证（k2<0.25, k3
**4. 研究结果**

**4.1 研究区域与数据**：研究区域为木浦港及其周围沿海水域，具有狭窄水道、众多岛屿和强潮流的特点。数据覆盖2025年1月1日至12月19日，共50,736个时间帧，每帧包含147,582个海洋网格单元。通过IDW插值，将82个海流预测点和8个沿海预报区的点状数据扩展到网格上。

**4.2 研究期间统计**：在整个研究期间，MHFI平均值为1.76（标准差0.85），中位数1.67，90百分位2.92，99百分位4.23。各风险等级占比：Safe 20.2%, Caution 44.9%, Warning 26.2%, Danger 7.0%, Extreme 1.7%，Danger及以上等级占8.8%。主导因子分析显示：风占48.6%，海流占37.8%，能见度占13.4%，波高和涌浪几乎不占主导（0.2%和≈0%），这与木浦海域波高较低、受涌浪影响小的特征一致。面积平均MHFI达到Danger等级（≥3）的时间帧占6.5%，分布于483个独立事件，中位持续时间约0.3小时，最长24小时。

**4.3 MHFI可视化结果**：通过图5展示了三个不同时间点（2025年4月28日23:40、11月27日02:30、11月30日08:40），分别由海流、风、能见度主导，MHFI地图与各因子风险地图对比显示：即使相同风险等级，主导因子随时间变化。例如，海流主导时，MHFI红色区域与海流分布一致，局部达到极端级（约4.2）；风或能见度主导时，面积平均MHFI约4.3，达到极端级。通过图6展示了2025年3月1日约90分钟内，隔壁海雾侵入导致主导因子从海流转为能见度，MHFI连续跟踪风险从“谨慎”升至“危险-极端”，而单一因子预警无法体现这种复合变化。

**4.4 应用：主航道与UI示例**：通过图7展示了2025年12月6日11:50沿木浦主航道的MHFI分布。风险并非均匀分布，而是在中心强海流航道段（约9.6-27.5 km）急剧上升至极端级（MHFI>4.0），最大点位于约22 km处（MHFI=4.42），而南侧近海段和接近港口段为Danger级（约3.0-3.1）。图7(c)显示该时间点海流指数在该段达到4.0（极端），而其他因子较低，表明风险主要由强海流驱动。图8展示了UI概念：将MHFI叠加在电子海图上，提供风险分布面板，并可通过点击单元查看该单元的MHFI计算过程（各因子风险评分及排序），说明该指数可同时支持人类情境感知和机器可读的自主系统决策。

**5. 讨论与结论**

**讨论部分**：本研究设计的MHFI在两个核心方面做出贡献。第一，风险的主导因子结构在聚合后仍得以保留。通过显式保持A_max、A_2nd和A_3rd的排序，MHFI使得给定MHFI等级的主要贡献因子可追溯，提供了超越单一聚合值的可解释性。第二，它定量捕获了低于单个预警阈值的复合风险。当波高、风速和能见度各自未达到预警发布标准，但其中两个或三个因子同时进入中等或更高风险等级时，MHFI通过加权求和捕捉到风险上升，填补了逐因子预警系统在结构上无法捕获的复合风险空白。此外，MHFI设计兼容S-100数字导航环境，能够以机器可读形式向MASS提供环境风险信息。与现有AHP、模糊、WSM/TOPSIS和深度学习方法相比，MHFI独特地结合了三个特征：整合了所有五个相关环境因子（包括涌浪、海流和能见度，其中多项被比较方法忽略）；输出中保留贡献因子排序；作为独立的环境风险地图提供，而非嵌入路线或资源优化中的组件。

**研究结论部分**：本研究开展的工作如下：研究人员设计了一种气象水文融合指数（MHFI），该指数将五个量纲和风险方向不同的气象与海洋因子（波高、涌浪周期、海流速度、风速和能见度）归一化到0-4的公共尺度，并对最高的三个风险进行加权求和。研究人员将其应用于木浦沿海水域（540×420网格，90米分辨率），使用了2025年约12个月的数据，并展示了涵盖空间风险分布、时间变化和主航道应用的视觉结果。应用结果如下：首先，MHFI在一个单一值中总结了复合风险，同时保留了求和中使用的因子排序，从而揭示了即使相同等级，其背后的主导因子会随时间和地点变化。其次，它用一个单一指标捕获了约90分钟内区域等级从“谨慎”激增至“危险-极端”的案例。第三，通过展示风险沿主航道的分布及直接演示UI，表明了在实际操作中应用的潜力。