基于QAR飞行大数据的空中颠簸风险时空分布模式探索与分析

张林意; 孙华波; 王纯; 余长慧; 卢宾宾

doi:10.13203/j.whugis20210616

基于QAR飞行大数据的空中颠簸风险时空分布模式探索与分析

1.
武汉大学遥感信息工程学院,湖北武汉,430079
2.
中国民航科学技术研究院航空安全研究所,北京,100028

基金项目:

国家自然科学基金 U2033216

国家自然科学基金 42071368

中央高校自主科研项目 2042022dx0001

详细信息

作者简介:
张林意,硕士,主要从事时空大数据统计分析方法研究。2015302590065@whu.edu.cn

通讯作者:
卢宾宾,博士,副教授。binbinlu@whu.edu.cn

中图分类号: P208
计量
- 文章访问数: 227
- HTML全文浏览量: 45
- PDF下载量: 56
出版历程
- 收稿日期: 2022-03-19
- 网络出版日期: 2024-02-05
- 刊出日期: 2024-03-04

Spatiotemporal Pattern of Air Turbulence Risks with QAR Flight Big Data

1.
School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
2.
Institute of Aviation Safety, China Academy of Civil Aviation Science and Technology, Beijing 100028, China

摘要

摘要:
空中颠簸是民航飞行过程中的重大安全风险之一,其空间分布模式的探索与分析对有效规避颠簸区域、提升飞行安全水平有重要意义。利用中国民航行业快速存取记录器（quick access recorder, QAR）大数据提取了2017—2019年中国范围内发生的空中颠簸事件,通过核密度估计和时空可视化对其时空分布特征进行了初步的探索性分析,采用空间自相关分析、热点分析、地理加权主成分分析等时空统计分析技术从不同层次和视角对民航空中颠簸风险进行空间分布模式与规律探索。结果表明,中国民航飞机2017—2019年空中颠簸事件较多出现于西藏地区、中部地区和东南部地区,其中第一阶梯和第二阶梯地区空中颠簸事件发生密度明显高于第三阶梯,且多位于第一阶梯和第二阶梯分界线附近。空中颠簸程度具有较为显著的空间自相关性,表现为高-高值聚集特征。在精细尺度视角下,地理加权主成分分析结果表明,空中颠簸风险与相关属性参数间关系存在典型的空间异质性特征。该研究为切实提升民航行业风险管理与安全水平,从时空视角提供了理论算法与实践应用支撑。
- 民航安全 /
- 时空分布模式 /
- 空间自相关 /
- 地理加权主成分分析 /
- 空间异质性
Abstract:
Objectives
Air turbulence is one of the major safety risks during civil aviation flight. Explore the spatial distribution pattern of great significance for avoiding risky areas and enhancing flight safety.
Methods
We use quick access recorder (QAR) big data of China's civil aviation industry from 2017 to 2019 to detect the nationwide air turbulence events, and conduct exploratory analysis in the spatiotemporal distributions and patterns via kernel density estimation and spatiotemporal visualization techniques. In addition, we use spatial statistical techniques, including spatial autocorrelation, hot spot analysis, and geographically weighted principal component analysis (GWPCA), to explore the spatial patterns of air turbulence events.
Results
The results show that these events occur frequently in Tibet, central and southeastern regions of China. In particular, the event densities are highly correlated with local terrains, e.g. step I and step II regions, where the air turbulence events occur frequently. In the fine-grained scale, we adapt GWPCA to qualitatively analyze the spatial heterogeneities in the relationships between air turbulence and relative parameters. The surface elevation differences show significant impacts in the southeast coastal area, while the inertial vertical velocity tends to be the principle factor in Guangxi and Yunnan provinces.
Conclusions
This study provides theoretical and practical supports in improving the risk management and safety insurance of the civil aviation industry.
- civil aviation safety /
- spatiotemporal pattern /
- spatial autocorrelation /
- geographically weighted principal component analysis (GWPCA) /
- spatial heterogenity
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20210616

HTML全文

目前，北斗导航卫星系统(BDS)已实现局域覆盖，随着系统建设的不断完善和应用的不断拓展，与之相关的各类数据处理软件的开发成为重要的研究内容。因此，自主开发北斗高精度数据处理软件，成为发展高精度位置服务的迫切任务^[1-8]。因北斗导航卫星系统与GPS在星座构造、坐标框架、时间系统、信号频率等方面具有明显差异^[9-15]，现有的高精度GPS数据处理软件无法直接处理北斗数据。本文针对北斗高精度数据处理的系统设计、数据流、功能模块及高精度算法实现等进行了研究，研制开发了一套高精度北斗基线解算软件BGO(BeiDou Navigation Satellite System/Global Positioning System Office)，并将其用于高速铁路高精度控制测量建网。通过与商业软件TGO(Trimble Geomatics Office)和TBC(Trimble Business Center)，及高精度科研软件Bernese进行对比测试、性能分析，验证了该软件的正确性和有效性。

1 系统的设计与模块算法的实现

1.1 系统设计与数据流分析

北斗和GPS基线解算软件主要包含北斗基线处理、GPS基线处理及联合基线处理3大模块。各模块间相互独立，但使用相同的数据结构，且数据流基本一致。数据处理流程如图 1所示。

图 1 BGO软件数据流

Figure 1. Data Stream of BGO Software

下载: 全尺寸图片幻灯片

基线解算之前，需选择有效双频观测数据，具体包含低高度角卫星剔除、观测值粗差剔除、星历未获取观测数据剔除等。剔除质量较差的观测数据可通过可视化的方式实现。通过双频数据组合有效消除电离层延迟影响，伪距消电离组合能算出测站精确至10 m内的概略位置，从而形成网络拓扑图，便于用户查看站点的平面分布。基线解算时，北斗与GPS独立系统数据处理算法相同；联合处理需选择统一的坐标和时间框架，随着多余观测数的增加，还需设置合理的模糊度固定限值。基线解算后，进行网平差，应剔除不合格基线，直至平差结果满足要求。

1.2 高精度基线解算算法实现

高精度基线解算利用双差观测量建立误差方程，北斗双差观测量构造如式(1)：

$$ \mathit{\Delta} \nabla L^{{C_m}{C_n}}_{{S_i}{S_j}} = \left( {L^{{C_n}}_{{S_j}} - L^{{C_n}}_{{S_i}}} \right) - \left( {L^{{C_m}}_{{S_j}} - L^{{C_m}}_{{S_i}}} \right) $$

(1)

式中，Δ▽L表示双差观测量；S_i和S_j表示任意站点；C_m和C_n表示任意北斗卫星。

依据式(1)构建的双差观测量，建立误差方程，如式(2)：

$$ \left[ \begin{array}{l} \mathit{\Delta} \nabla \boldsymbol{\varPhi} \\ \mathit{\Delta} \nabla \boldsymbol{P} \end{array} \right] = \boldsymbol{BX} + \boldsymbol{A}\mathit{\Delta} \nabla \boldsymbol{N} + \boldsymbol{V} $$

(2)

式中，Δ▽Φ和Δ▽P分别表示卫星载波相位和伪距双差观测量；X表示基线向量；Δ▽N表示双差整周模糊度；B和A为系数阵；V为残差向量。

利用式(2)构建的误差方程，解算基线向量和双差整周模糊度浮点解。利用LAMBAD方法^{[16, 17]}固定双差整周模糊度后去除。再利用载波相位观测值获取高精度基线向量结果。基线解算过程中，主要利用抗差估计的切比雪夫多项式拟合法^[18]及MW-GF组合法^[19]探测与修复周跳。

对北斗和GPS双系统基线解算，只需将各系统的双差观测量误差方程叠加后平差计算，即可实现双系统联合基线解算。但需注意，星间差分需选择同一系统卫星，否则会引入系统间信号硬件延迟^[20]，影响双差整周模糊度的固定。另外，北斗和GPS在时间框架、坐标框架等存在一定差异，双系统联合解算需保证框架的统一。

北斗和GPS时间转换公式如式(3)：

$$ {t_C} = {t_G}-14\;{\rm{s}} $$

(3)

式中，t_C和t_G分别表示北斗时和GPS时，两者均为原子时，起算原点不同^[13]。

北斗和GPS坐标转换公式如式(4)：

$$ \begin{array}{c} \left[ {\begin{array}{*{20}{c}} {{X_C}}\\ {{Y_C}}\\ {{Z_C}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{X_G}}\\ {{Y_G}}\\ {{Z_G}} \end{array}} \right] + \left[ {\begin{array}{*{20}{c}} {{T_X}}\\ {{T_Y}}\\ {{T_Z}} \end{array}} \right] + \\ \left[ {\begin{array}{*{20}{c}} D&{ - {R_Z}}&{{R_Y}}\\ {{R_Z}}&D&{ - {R_X}}\\ { - {R_Y}}&{{R_X}}&D \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{X_G}}\\ {{Y_G}}\\ {{Z_G}} \end{array}} \right] \end{array} $$

(4)

式中，北斗坐标(X_C，Y_C，Z_C)与GPS坐标(X_G，Y_G，Z_G)可通过七参数T_X、T_Y、T_Z、D、R_X、R_Y、R_Z进行转换。北斗CGCS2000坐标系采用ITRF97框架2000历元的坐标和速度场，当前GPS WGS84坐标和ITRF08基本一致。因此，可利用ITRF97框架2000历元与ITRF08间转换的七参数(ITRF网站公布)实现北斗与GPS坐标框架的统一^{[11, 12]}。

2 BGO数据处理实例与性能测试

2.1 高速铁路CPI控制网基线解算

处理高速铁路CPI控制网时，通过读取观测文件和星历文件，单点定位生成控制网的基线网络拓扑图，如图 2所示。基线解算前，设置相关参数包括卫星截止高度角、误差限差参数、框架、对流层模型、电离层模型、模糊度Ratio值、同步最小观测历元数等。设置完成后，可选择北斗、GPS、联合3种模式进行基线解算。基线解算完成后，软件界面中将显示解算的基线分量及其精度，并可显示残差向量检核基线解算效果。

图 2 BGO软件主界面

Figure 2. Software View of BGO

下载: 全尺寸图片幻灯片

2.2 BGO、TGO、Bernese软件处理GPS基线结果比较

为了测试BGO解算GPS基线的正确性，将其与TGO和Bernese软件处理结果进行了比较，得到57条GPS基线(基线最长6 667 m，最短446 m)的比较结果，如图 3所示。

图 3 BGO、TGO、Bernese软件处理GPS基线分量比较

Figure 3. Comparing GPS Baseline Components from BGO, TGO and Bernese Software

下载: 全尺寸图片幻灯片

图 3(a)、3(b)分别表示BGO软件与TGO、Bernese软件处理GPS基线分量的差值ΔX、ΔY、ΔZ。图 3(a)中，BGO和TGO有52条基线在X、Y、Z方向的分量差值均在2 cm内，有48条基线各分量差值在mm级。TGO解算少量基线验后方差分量超限，与BGO基线分量差值较大。图 3(b)中，BGO和Bernese有55条基线在X、Y、Z方向的分量差值均在2 cm内，有49条基线各分量差值在mm级。

图 4(a)~4(c)分别表示BGO、TGO、Bernese软件处理GPS基线的内符合精度σ_X、σ_Y、σ_Z(BGO、TGO、Bernese软件基线解算精度分别精确至0.1 mm、1 mm和0.1 mm)。整体上，约90%的基线3个软件的解算精度相当。

图 4 BGO、TGO、Bernese的GPS基线内符合精度比较

Figure 4. Comparing GPS Baseline Precision from BGO, TGO and Bernese Software

下载: 全尺寸图片幻灯片

2.3 BGO、TBC软件处理北斗与GPS联合基线结果

为了测试BGO解算北斗与GPS联合基线的性能，本文选用美国Trimble的商业软件TBC与之进行比较。同上57条基线，每条基线观测数据均包含北斗与GPS观测数据。图 5展示了BGO和TBC处理北斗与GPS联合基线分量的差值ΔX、ΔY、ΔZ。图 5可见，98%的基线分量差值分布在mm级，表明BGO软件处理联合基线能达到与TBC软件相当的水平。另外，两者内符合精度绝大部分均在mm级，故图 5中未加以比较。

图 5 BGO与TBC软件处理北斗与GPS联合基线分量比较

Figure 5. Comparing BDS and GPS Combined Baseline Components from BGO and TBC Software

下载: 全尺寸图片幻灯片

由此可知，BGO软件处理GPS基线、北斗与GPS联合基线的内外符合精度能达到TGO、Bernese、TBC相当的水平。因此，以BGO软件处理GPS、北斗与GPS联合基线结果为参考值，分析该软件处理北斗基线结果的正确性和可靠性，如图 6和图 7所示。图 6比较了北斗与GPS、联合基线分量的差值，图 7比较了北斗、GPS、联合基线解算的内符合精度。

图 6 BGO软件处理北斗与GPS、联合基线分量比较

Figure 6. Comparing BDS, GPS and BDS/GPS Combined Baseline Components from BGO Software

下载: 全尺寸图片幻灯片

图 7 北斗、GPS、联合基线解的内符合精度统计

Figure 7. The Statistics of Precision of BDS, GPS and BDS/GPS Combined Baseline Solutions

下载: 全尺寸图片幻灯片

图 6(a)表示BGO软件处理北斗与GPS基线分量的差值ΔX、ΔY、ΔZ，其中有43条基线在X、Y、Z方向上的分量差值Δx、Δy、Δz在2 cm内，有31条基线在X、Y、Z方向上的分量差值在mm级。图 6(b)表示BGO软件处理北斗与联合基线分量的差值，其中有54条基线在X、Y、Z方向上的分量差值在2 cm内，有38条基线在X、Y、Z方向上的分量差值在mm级(图 6中第6条基线北斗为浮点解，各分量差值结果较大，图中置为0)。

图 7中，93%的联合基线在X、Y、Z方向上的分量精度分别优于0.5 mm、1 mm、0.5 mm；约90%的北斗基线和95%的GPS基线在X、Y、Z方向上的分量精度分别优于1 mm、2 mm、1 mm。由北斗、GPS、联合基线3者精度比较可知，在北斗试运行阶段，GPS基线内符合精度略优于北斗，北斗与GPS联合系统基线内符合精度明显高于独立系统。

2.4 BGO基线网平差及其精度分析

BGO具备网平差功能，根据网平差后的基线分量改正数、相对中误差、点位精度等判断基线解算结果的可靠性。对上述解算的北斗、GPS、联合基线分别进行无约束网平差。

北斗、GPS、联合基线无约束网平差的平差改正数δX、δY、δZ绝大部分在±1 cm内，如图 8(a)~8(c)所示。最弱边相对中误差优于5.5 ppm(规范限值)，具体见表 1。据图 8、表 1及《高速铁路工程测量规范》^[21]可知，BGO能合理稳定地解算北斗、GPS及联合基线，解算结果中的基线向量改正数、最弱边相对中误差、最弱点点位精度均满足CPI控制测量要求，各系统解算均能精确获得24个CPI控制点坐标。

图 8 GPS、北斗、联合无约束网平差基线向量改正数

Figure 8. Baseline Vector Corrections from GPS, BDS and BDS/GPS Combined Unconstrained Adjustment

下载: 全尺寸图片幻灯片

表 1 GPS、北斗、联合无约束平差结果统计

Table 1. The Statistics of GPS, BDS and BDS/GPS Combined Unconstrained Adjustment Results

解算模式	独立基线	多余观测数	控制点个数	最弱边相对中误差/ppm	最弱点点位精度/mm
GPS	55	66	24	3.6	23.6
北斗	51	57	24	3.1	26.9
联合	57	72	24	3.7	17.9

下载: 导出CSV

| 显示表格

3 结语

本文系统地研究了北斗与GPS联合基线解算的算法，自主开发了北斗高精度基线解算软件BGO。通过实测高铁CPI控制网的数据处理测试表明：软件能进行高精度地处理北斗与GPS数据, 以及北斗与GPS联合数据处理；GPS基线解算性能与天宝TGO软件相当，能达到与Bernese软件一致的精度；北斗与GPS基线处理能达到与TBC相当的水平。BGO最大的优势在于能对北斗和GPS进行联合解算，从而提高北斗或GPS单系统的基线解算合格率和精度。经高速铁路CPI控制网实例测试，证明该软件处理基线结果可用于高精度北斗和GPS测量控制网的数据处理。

http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20210616

图 1 空中颠簸风险空间密度分布特征

Figure 1. Spatial Density Distribution of Air Turbulence Risk

下载: 全尺寸图片幻灯片

图 2 空中颠簸风险各季节的空间分布

Figure 2. Spatial Distribution of Air Turbulence Risk in Each Season

下载: 全尺寸图片幻灯片

图 3 空中颠簸事件与航班数量时态分布特征

Figure 3. Temporal Distribution of Air Turbulence Events and Number of Flight

下载: 全尺寸图片幻灯片

图 4 空中颠簸事件热点分析

Figure 4. Hot Spot Analysis of Air Turbulence Events

下载: 全尺寸图片幻灯片

图 5 前5主成分CPTV空间分布

Figure 5. Spatial Distribution of CPTV of Top Five Principal Components

下载: 全尺寸图片幻灯片

图 6 第一主成分贡献前3位的飞行参数空间分布

Figure 6. Spatial Distribution of Flight Parameters with Top 3 Loadings to the 1st Principal Component

下载: 全尺寸图片幻灯片

图 7 空中颠簸风险地理加权主成分分析局部载荷分布

Figure 7. Spatial Distribution of Local Loadings from the Geographically Weighted Principal Component Analysis

下载: 全尺寸图片幻灯片

表 1 空中颠簸QAR数据属性列

Table 1 Attributes of Air Turbulence in QAR Data

字段名	字段含义	单位
VRTG	垂直加速度	g
RALT	无线电高度	英尺
PITCH	俯仰角	°
PITCH_RATE	俯仰率	°/s
IVV	惯性垂直速度	英尺/min
ROLL	滚转角	°
AOAL	左侧攻角	°
AOAR	右侧攻角	°
HEIGHT	飞行高度	英尺
MACH	马赫数	—
LATP	纬度	°
LONP	经度	°
WIN_SPD	风速	节
WIN_DIR	风向	°
LATG	横向加速度	g
LONG	纵向加速度	g
GW	毛重	磅
IAS	空速	m/s
TAT	空温	℃
N11	左推力	转/min
N12	右推力	转/min

下载: 导出CSV

表 2 民航飞机空中颠簸强度等级划分表

Table 2 Air Turbulence Classification Criterion of Civil Aviation

颠簸强度	$∆ n$ 范围
无颠簸	$\|∆ n\| \leq 0.2$ g
轻微颠簸	$0.2 g < \|∆ n\| \leq 0.5 g$
中度颠簸	$0.5 g < \|∆ n\| \leq 0.8 g$
剧烈颠簸	$\|∆ n\| > 0.8 g$

下载: 导出CSV

表 3 各省份地理加权第一主成分贡献最大飞行参数

Table 3 Flight Parameters with the Largest Loading to the 1st Principal Component of Geographically Weighted for Each Province

地区	贡献最大飞行参数
西藏、新疆	PITCH
北京、天津、河北、山东、山西	AOAR
陕西、重庆、甘肃、四川东北部、湖北	WIN_SPD
海南、广东、福建	HEIGHT
江苏、上海、安徽、浙江	N11
湖北、安徽、河南	AOAL
云南、四川	MACH
广西、四川南部、贵州	IVV

下载: 导出CSV

参考文献(30)

[1]	Gu Yunyan. Airplane Turbulence Distribution Analysis of Western Trunk Air Routes in China[D]. Guanghan： Civil Aviation Flight University of China,2009.
[2]	李子良,黄仪方. 地形影响的飞机颠簸及其数值仿真实验[J]. 气象,2006,32（11）： 32-35. Li Ziliang,Huang Yifang. Simulations of Aircraft Bump Caused by Topography[J]. Meteorological,2006,32（11）： 32-35.
[3]	邹波. 地面加热对飞机颠簸影响的动力学初步分析[J]. 南京气象学院学报,2004,27（4）： 527-531. Zou Bo. A Preliminary Dynamical Study on the Effects of Surface Heating on Air Turbulence[J]. Journal of Nanjing Institute of Meteorology,2004,27（4）： 527-531.
[4]	Clark T L,Hall W D,Kerr R M,et al. Origins of Aircraft-Damaging Clear-Air Turbulence During the 9 December 1992 Colorado Downslope Windstorm： Numerical Simulations and Comparison with Observations[J]. Journal of the Atmospheric Sciences,2000,57（8）： 1105-1131.
[5]	Koch S E,Jamison B D,Lu C G,et al. Turbulence and Gravity Waves Within an Upper-Level Front[J]. Journal of the Atmospheric Sciences,2005,62（11）： 3885-3908.
[6]	Sharman R D,Doyle J D,Shapiro M A. An Investigation of a Commercial Aircraft Encounter with Severe Clear-Air Turbulence over Western Greenland[J]. Journal of Applied Meteorology and Climatology,2012,51（1）： 42-53.
[7]	Atlas D,Metcalf J I,Richter J H,et al. The Birth of “CAT” and Microscale Turbulence[J]. Journal of the Atmospheric Sciences,1970,27（6）： 903-913.
[8]	Ellrod G P,Knapp D I. An Objective Clear-Air Turbulence Forecasting Technique： Verification and Operational Use[J]. Weather and Forecasting,1992,7（1）： 150-165.
[9]	周林,黄超凡,钟中,等. 一次南海高空晴空颠簸事件的形成机制研究[J]. 热带气象学报,2016,32（4）： 570-576. Zhou Lin,Huang Chaofan,Zhong Zhong,et al. Research on Formation Mechanism of a Clear-Air Turbulence Above South China Sea[J]. Journal of Tropical Meteorology,2016,32（4）： 570-576.
[10]	Sharman R,Tebaldi C,Wiener G,et al. An Integrated Approach to Mid- and Upper-Level Turbulence Forecasting[J]. Weather and Forecasting,2006,21（3）： 268-287.
[11]	申燕玲,王东海,巩远发. 中国冬季飞机颠簸的统计分析[J]. 成都信息工程大学学报,2017,32（4）： 426-432. Shen Yanling,Wang Donghai,Gong Yuanfa. A Statistical Analysis of the Aircrafts Turbulence Properties in Winter over China[J]. Journal of Chengdu University of Information Technology,2017,32（4）： 426-432.
[12]	阿利曼,王君,冯锦明,等. 中国东部高空颠簸时空分布特征及其与热带中东太平洋海温的关系[J]. 大气科学,2016,40（5）： 1073-1088. Liman A,Wang Jun,Feng Jinming,et al. Spatiotemporal Characteristics of High Altitude Turbulence over Eastern China and Their Relationship with the Equatorial Central and Eastern Pacific Sea Surface Temperature[J]. Chinese Journal of Atmospheric Sciences,2016,40（5）： 1073-1088.
[13]	苏腾,王永忠. 利用NCEP/NCAR数据探寻高空颠簸高发区的方法研究[J]. 云南大学学报（自然科学版）,2016,38（4）： 557-562. Su Teng,Wang Yongzhong. A Research of Measures on Exploring the High-Incidence Areas of Turbulence Based on NCEP / NCAR Data[J]. Journal of Yunnan University （Natural Sciences Edition）,2016,38（4）： 557-562.
[14]	吴炎成,周林,刘科峰,等. 基于AMDAR资料应用于中国周边海域飞机颠簸的统计分析[J]. 气象科学,2014,34（1）： 17-24. Wu Yancheng,Zhou Lin,Liu Kefeng,et al. AMDAR Based Statistical Analysis on the Features of Cross-Ocean Airplane Turbulence over China's Surrounding Sea Areas[J]. Journal of the Meteorological Sciences,2014,34（1）： 17-24.
[15]	黄仪方,廖晓春,辜运燕. 中国西部干线飞机颠簸分布规律分析[J]. 高原山地气象研究,2012,32（2）： 57-60. Huang Yifang,Liao Xiaochun,Gu Yunyan. Airplane Turbulence Distribution Analysis of Western Trunk Airlines in China[J]. Plateau and Mountain Meteorology Research,2012,32（2）： 57-60.
[16]	黄仪方,孙智博,肖焕权. 我国高原重要航线飞机颠簸分布规律分析[J]. 中国民航飞行学院学报,2011,22（1）： 5-9. Huang Yifang,Sun Zhibo,Xiao Huanquan. Analysis on the Rules of Distribution of Airplane Turbulence of Important Routes on Plateau of China[J]. Journal of Civil Aviation Flight University of China,2011,22（1）： 5-9.
[17]	毛全新. 对我国民航QAR技术应用的思考[J]. 中国民用航空,2010（12）： 67-68. Mao Quanxin. Thoughts on the Application of QAR Technology in China's Civil Aviation[J]. China Civil Aviation,2010（12）： 67-68. [17]
[18]	汪磊,孙瑞山,吴昌旭,等. 基于飞行QAR数据的重着陆风险定量评价模型[J]. 中国安全科学学报,2014,24（2）： 88-92. Wang Lei,Sun Ruishan,Wu Changxu,et al. A Flight QAR Data Based Model for Hard Landing Risk Quantitative Evaluation[J]. China Safety Science Journal,2014,24（2）： 88-92.
[19]	谢嘉仪,孙华波,王纯,等. 精细尺度下的不稳定进近影响因素分析[J]. 武汉大学学报（信息科学版）,2021,46（8）： 1201-1208. Xie Jiayi,Sun Huabo,Wang Chun,et al. Analysis of Influence Factors for Unstable Approach in Fine-Grained Scale[J]. Geomatics and Information Science of Wuhan University,2021,46（8）： 1201-1208.
[20]	李存华,孙志挥,陈耿,等. 核密度估计及其在聚类算法构造中的应用[J]. 计算机研究与发展,2004,41（10）： 1712-1719. Li Cunhua,Sun Zhihui,Chen Geng,et al. Kernel Density Estimation and Its Application to Clustering Algorithm Construction[J]. Journal of Computer Research and Development,2004,41（10）： 1712-1719.
[21]	Smouse P E,Peakall R. Spatial Autocorrelation Analysis of Individual Multiallele and Multilocus Genetic Structure[J]. Heredity,1999,82（5）： 561-573.
[22]	Legendre P. Spatial Autocorrelation： Trouble or New Paradigm?[J]. Ecology,1993,74（6）： 1659-1673.
[23]	Cliff O J. Spatial Autocorrelation[J]. Trends in Ecology & Evolution,1973,14： 196.
[24]	Moran P A P. The Interpretation of Statistical Maps[J]. Journal of the Royal Statistical Society： Series B （Methodological）,1948,10（2）： 243-251.
[25]	Ord J K,Getis A. Local Spatial Autocorrelation Statistics： Distributional Issues and an Application[J]. Geographical Analysis,1995,27（4）： 286-306.
[26]	Getis A,Ord J K. Spatial Modelling of Disease Dispersion Using a Local Statistic： The Case of AIDS[M]//Econometric Advances in Spatial Modelling and Methodology. Boston： Springer,1998： 143-158.
[27]	Getis A,Ord K. Local Spatial Statistics： An Overview[J]. Spat Anal Model GIS Environ,1996,374： 269-285.
[28]	Harris P,Brunsdon C,Charlton M. Geographically Weighted Principal Components Analysis[J]. International Journal of Geographical Information Science,2011,25（10）： 1717-1736.
[29]	Lu B B,Harris P,Charlton M,et al. The GWModel R Package： Further Topics for Exploring Spatial Heterogeneity Using Geographically Weighted Models[J]. Geo-spatial Information Science,2014,17（2）： 85-101.
[30]	卢宾宾,葛咏,秦昆,等. 地理加权回归分析技术综述[J]. 武汉大学学报（信息科学版）,2020,45（9）： 1356-1366. Lu Binbin,Ge Yong,Qin Kun,et al. A Review on Geographically Weighted Regression[J]. Geomatics and Information Science of Wuhan University,2020,45（9）： 1356-1366.

施引文献(18)

期刊类型引用(8)

1.	张莹，任战利，兰华平，祁凯，邢光远，夏岩. 关中盆地新近系蓝田-灞河组热储层物性及渗流特征研究. 地质通报. 2024(05): 712-725 . 百度学术
2.	吴陈冰洁，罗璐，高楠安，汪新伟，崔梓贤. 关中盆地西安凹陷新近系砂岩热储特征研究. 现代地质. 2024(06): 1571-1584 . 百度学术
3.	张欢，陈应涛，陶威，陈涛，余文鑫，艾卉卉. 不同拉伸方式和速度下的伸展构造砂箱物理模拟实验研究. 西北地质. 2023(02): 327-336 . 百度学术
4.	颜复康，田镇，杨志强，杨兵，梁沛. 厄瓜多尔俯冲区震间闭锁与粘弹性变形研究. 大地测量与地球动力学. 2023(10): 1080-1085 . 百度学术
5.	张莹，任战利，邢光远，祁凯，夏岩. 渭河盆地新近系热储层特征. 地质通报. 2023(11): 1993-2005 . 百度学术
6.	徐斌，张艳. 地下水化学类型分区的GIS空间分析模型. 武汉大学学报(信息科学版). 2019(06): 866-874 . 百度学术
7.	闫俊义，吕睿，赵涛，王莹，白若冰，古云鹤. 关中盆地地壳应力场特征分析. 山西地震. 2019(03): 39-41 . 百度学术
8.	白相东，关成尧，张艳，袁四化，刘晓燕. 渭河盆地断层系统运动学体制分解与探讨. 防灾科技学院学报. 2018(03): 8-16 . 百度学术