《Ocean Engineering》：Towards robust and dynamic ship domains: A data-adaptive model based on Conditional Neural Network Regression
编辑推荐：
•构建一种用于内河航道动态和环境自适应船舶领域的新颖 CNNR 框架。•将多个环境因素与经验 AIS 数据相结合，以捕捉非线性效应。•在数据稀疏情况下的稳健泛化和稳定的船舶领域椭圆几何结构。•优于经典经验模型的几何稳定性和安全性能。引言根据联合国贸易和发展会议（UNCTAD）
- •
构建一种用于内河航道动态和环境自适应船舶领域的新颖 CNNR 框架。
- •
将多个环境因素与经验 AIS 数据相结合，以捕捉非线性效应。
- •
在数据稀疏情况下的稳健泛化和稳定的船舶领域椭圆几何结构。
- •
优于经典经验模型的几何稳定性和安全性能。
引言
根据联合国贸易和发展会议（UNCTAD）的数据，海运始终占全球贸易总量的 80% 以上，突显了其在国际贸易中不可或缺的作用（联合国贸易和发展会议（UNCTAD），2025 年）。反映这一系统性重要性，国际海事组织（IMO）将“驾驭未来：安全第一！”定为 2024 年世界海洋日的主题，强调海事安全仍然是行业可持续发展的基石。在这个以安全为中心的框架内，船舶领域已成为量化航行风险和促进智能避碰的基本指标。
船舶领域的概念基础由 Fujii 和 Tanaka (1971) 建立，他们将其定义为围绕本船的二维“专属区域”，其他航行者必须避免进入。在过去的五十年里，其几何形态和尺度参数通过严谨的经验研究得到了持续完善。因此，船舶领域已成为智能导航中的基本指标，既是避碰决策（Tam and Bucknall, 2013, Chen et al., 2026, Xu and Guedes Soares, 2026）也是航道容量评估（Xin et al., 2019）的定量基础。虽然《国际防止船舶碰撞规则》（COLREGs）（IMO, 1972）没有明确定义“领域”，但其对“安全距离”（第八条）和“碰撞风险”（第七条）的要求在功能上与船舶领域理论同构。通过将这些定性海事规则转化为可计算的几何约束，船舶领域模型为自主导航和交通流稳定性提供了必要的框架（Zheng et al., 2020）。
然而，当代海事研究主要集中在沿海或开阔海域环境；因此，现有模型在转移到受限的内河航道时遇到两个关键瓶颈。首先，在量化评估环境变量如何调节领域边界方面存在明显不足。虽然这些地区的船舶尺寸可能异构（Meyer et al., 2023, Yang et al., 2025），但内河航行中普遍存在的小型船舶对环境扰动 inherently 更为敏感（Shigunov, 2018）。其次，传统模型在数据稀疏情况下性能显著下降。标准数据分区——通常限于船舶尺寸——无法容纳环境维度；一旦整合这些因素，生成的子数据集往往过于碎片化，传统统计方法难以处理。为了弥补这些差距，本文提出了一种基于 CNNR 的船舶领域模型，专门用于量化环境影响并在采样有限的情况下确保稳健的边界估计。
本研究的主要贡献有两方面。首先，所提出的模型通过整合选定的环境和本船运动学因素扩展了建模维度，从静态几何表示过渡到能够捕捉复杂非线性相互作用的环境自适应动态框架。其次，通过利用 CNNR 的泛化能力，即使在采样不足的情况下，模型也能保持高保真的几何完整性。这有效解决了经验方法在数据稀缺时困扰的慢性不稳定和几何失真，确保在所有导航场景范围内可靠的边界估计。
本文其余部分安排如下：第 2 节提供船舶领域研究的全面文献综述；第 3 节详细说明所提出的船舶领域模型的构建；第 4 节展示利用长江口数据的案例研究；第 5 节总结全文并讨论未来研究方向。
章节摘要
文献综述
当前船舶领域建模方法主要可分为经验方法、分析方法和基于知识的方法（Szlapczynski and Szlapczynska, 2017, Li et al., 2025）。
方法论
本研究提出了一种将 AIS 数据与 CNNR 相结合的框架，以建模不同环境条件下的动态船舶领域。该方法的核心创新在于其能够从数据丰富情况的大量数据集中提炼影响因子与船舶领域之间的定量相互依赖关系。通过泛化这些学习到的关系，模型即使在数据稀疏情况下也能有效推断出精确的边界，从而确保准确且
案例研究
长江贯穿中国东部、中部和西部地带，将资源丰富的内陆与经济发达的沿海地区紧密联系起来，从而加速了生产要素的区域间流动和工业专业化的协调。自 2005 年以来，它已成为世界上最繁忙的内河航道。因此，长江口作为验证船舶领域模型的高度代表性且具有挑战性的环境。因此，本文，
结论
本研究开发了一种基于 CNNR 的动态船舶领域模型，融合了经验范式和基于知识范式的优势。通过融合多维环境因素与本船特定的运动学特征，所提出的方法提供了情境感知的领域预测。长江口案例研究产生了以下关键发现。
首先，实验结果表明 CNNR 模型表现出稳定的训练过程和良好的损失函数
作者贡献声明
Jiaju Huang: 写作 – 初稿，可视化，软件，概念化。 Desheng Cao: 验证，监督，资源，项目管理。 Chengpeng Wan: 写作 – 审阅与编辑，监督，经费获取，概念化。 Jonas W. Ringsberg: 写作 – 审阅与编辑，概念化。 Xinbo Wang: 资源，项目管理。 Di Zhang: 写作 – 审阅与编辑，经费获取。
竞争利益声明
作者声明没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了 国家重点研发计划（2024YFB4303600）、国家自然科学基金（52425210，52572386）以及 武汉理工大学青年人才计划（2026-QBII091）的支持。
Jiaju Huang|Desheng Cao|Chengpeng Wan|Jonas W. Ringsberg|Xinbo Wang|Di Zhang
