面向海运船舶大气污染物排放清单的广域船舶轨迹研究

Recent development of shore-based and air-based ship Automatic Identification Systems (AIS) makes it possible to identify the temporal–spatial trajectories of most ships. Massive amounts of ship trajectories can considerably help improving the quality of shipping emissions inventory. Emissions inventory is not only the input of regional air quality models, but also the primary basis for setting priorities for emission reduction. However, studies of wide-area ship trajectories, including reconstructing trajectories and identifying the ship operating condition on each trajectory segment, are still unable to satisfy the demand of producing emissions inventory with high spatiotemporal resolution. This study explores the method to construct complete ship trajectories and identify the shipping condition of each trajectory segment. This method uses ports as nodes to break a ship trajectory into several sub-trajectories. Sub-trajectories from similar ships are then used as reference trajectories to infer uncertain trajectory through collaborative learning and collaborative filtering techniques .As a result, this study is able to identify ship trajectories and ship operating conditions in specified region and reduce the uncertainties associated with missing trajectories. This study is a key work for developing a more accurate and higher spatiotemporal resolution emissions inventory. It will provide essential data support for making emission reduction decisions. It will also serve as a reference for using trajectories to estimate the emissions from other mobile sources such as vehicles.

近年来岸基和空基船舶自动识别系统（AIS）的发展使对绝大多数海运船舶的时空轨迹进行辨识成为可行。利用海量船舶轨迹数据可显著提高海运船舶大气污染物排放清单质量，而排放清单提供区域空气质量模型的输入数据，也是确立海运减排路径的首要依据。但是，当前广域船舶轨迹的研究，包括轨迹的时空重构与船舶在每段轨迹上航行工况的识别，尚不能满足自下而上编制高时空分辨率排放清单的需求。本研究探索构建完备船舶活动轨迹与识别各航段航行工况的方法。该方法以港口为节点将船舶轨迹分割为多个港区内和港间子轨迹，并以相似船舶的子轨迹为参考轨迹，利用协同学习与协同过滤技术进行缺失轨迹推测，实现广域船舶轨迹和船舶工况的辨识，降低轨迹缺失造成的不确定性。本研究是编制船舶排放清单的关键性工作，将为海运减排政策制订提供重要数据支持，并在方法上为利用机动车等移动源轨迹来计算道路移动源的排放提供借鉴。

准确估测船舶大气污染物排放是制定和评估各种海运减排政策的重要基础。然而，现有方法存在显著不确定性，难以为相关决策提供可靠数据支撑。本研究实现了一种基于船舶AIS大数据的船舶排放估测新方法和一套基于船舶历史轨迹的缺失轨迹重构方法，并以长三角排放控制区（ECA）集装箱船舶排放为案例验证了其可行性和优越性。本研究首先提出并实船验证了一个基于船舶轨迹的船舶排放模型。该模型可考虑每个船舶网格航段的航速、航行模式、发动机载荷、持续时间、排放因子等因素，可灵活提供各种时空尺度和船舶规模的排放估测；针对轨迹缺失问题，本研究通过船舶AIS数据、卫星图像和交通特征，开发基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的机器学习方法识别并提取了全球集装箱码头位置及其边界。然后，通过空间匹配将每条船舶轨迹分割为多个码头间的航次轨迹，并以码头为节点，以码头间的连接为边和码头间航次总运力为权重，构建了一个具有方向和权重的全球集装箱海运网络（GCSN）。基于该网络，本研究提取了长三角ECA所有码头间的轨迹，通过动态时间规整（DTW）和HDBSCAN（Hierarchical DBSCAN）自动识别和构建了长三角ECA约500条主航线。通过计算这些主航线与缺失航段的相似性，并选择最相似主航线重构缺失航段，实现了对长三角ECA几万个缺失航段的重构，显著降低了排放计算的不确定性。最后，本研究提出的排放模型和轨迹分析方法集中应用于ECA，得到ECA排放清单，并与现有主流方法的计算结果进行比较。结果显示，现有排放估测方法可能显著高估了缺失轨迹部分的排放量，以长三角ECA为例，主机CO2排放量被高估了约40%。在空间分布方面，现有方法显著高估了近岸排放量而低估了远离岸边区域的排放。这些发现对于评估和制定海运节能和减排政策至关重要。此外，本研究基于AIS大数据提取全球集装箱海运码头和网络的方法同样适用于其他船型，本研究得到的全球集装箱码头位置和边界形状数据，以及GCSN对于研究全球物流和贸易具有重要的参考价值。