留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

精细尺度下的不稳定进近影响因素分析

谢嘉仪 孙华波 王纯 卢宾宾

谢嘉仪, 孙华波, 王纯, 卢宾宾. 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. doi: 10.13203/j.whugis20190120
引用本文: 谢嘉仪, 孙华波, 王纯, 卢宾宾. 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. doi: 10.13203/j.whugis20190120
XIE Jiayi, SUN Huabo, WANG Chun, LU Binbin. Analysis of Influence Factors for Unstable Approach in Fine⁃Grained Scale[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1201-1208. doi: 10.13203/j.whugis20190120
Citation: XIE Jiayi, SUN Huabo, WANG Chun, LU Binbin. Analysis of Influence Factors for Unstable Approach in Fine⁃Grained Scale[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1201-1208. doi: 10.13203/j.whugis20190120

精细尺度下的不稳定进近影响因素分析

doi: 10.13203/j.whugis20190120
基金项目: 

国家自然科学基金 U1833201

详细信息
    作者简介:

    谢嘉仪,硕士,主要从事空间统计方法研究。JiayiXie@whu.edu.cn

    通讯作者: 卢宾宾,博士,副教授. E-mail: binbinlu@whu.edu.cn
  • 中图分类号: P208

Analysis of Influence Factors for Unstable Approach in Fine⁃Grained Scale

Funds: 

The National Natural Science Foundation of China U1833201

More Information
    Author Bio:

    XIE Jiayi, master, specializes in spatial statistics and geographically weighted models.JiayiXie@whu.edu.cn

    Corresponding author: LU Binbin, PhD, associate professor. E-mail: binbinlu@whu.edu.cn
图(9) / 表(3)
计量
  • 文章访问数:  719
  • HTML全文浏览量:  295
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-11-20
  • 刊出日期:  2021-08-05

精细尺度下的不稳定进近影响因素分析

doi: 10.13203/j.whugis20190120
    基金项目:

    国家自然科学基金 U1833201

    作者简介:

    谢嘉仪,硕士,主要从事空间统计方法研究。JiayiXie@whu.edu.cn

    通讯作者: 卢宾宾,博士,副教授. E-mail: binbinlu@whu.edu.cn
  • 中图分类号: P208

摘要: 不稳定进近是在飞机下降阶段威胁飞行安全的重要风险之一,受气象、地形要素等空间异质性较强的因素的影响。利用中国民航业快速存取记录器(quick access recorder,QAR)大数据提取空中客车系列飞机和波音系列飞机在2018年1月发生的不稳定进近事件,利用不同探索性数据分析方法对机场发生不稳定进近事件触发频率的时空分布特征进行初步分析并探索其潜在诱因要素。此外,利用皮尔逊相关系数从全局尺度进行相关性探索,利用地理加权汇总统计,从精细尺度探索不稳定进近事件的发生与潜在诱因要素之间的相关关系。实验结果表明,不同机型发生不稳定进近事件的时空分布特征以及时间发生频率与不同诱因要素的相关性强度上有较大差异,同一机型的飞机在不同尺度范围内与诱因要素之间相关性的强度存在较大差异,并在精细尺度内的相关性描述要明显优于全局尺度。对不稳定进近事件进行初步探索性空间数据分析,从空间异质性角度出发,为未来该事件精细化定量成因分析提供了重要的研究基础和方向指引,对有效地规避此类风险也有典型的实践意义。

English Abstract

谢嘉仪, 孙华波, 王纯, 卢宾宾. 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. doi: 10.13203/j.whugis20190120
引用本文: 谢嘉仪, 孙华波, 王纯, 卢宾宾. 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. doi: 10.13203/j.whugis20190120
XIE Jiayi, SUN Huabo, WANG Chun, LU Binbin. Analysis of Influence Factors for Unstable Approach in Fine⁃Grained Scale[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1201-1208. doi: 10.13203/j.whugis20190120
Citation: XIE Jiayi, SUN Huabo, WANG Chun, LU Binbin. Analysis of Influence Factors for Unstable Approach in Fine⁃Grained Scale[J]. Geomatics and Information Science of Wuhan University, 2021, 46(8): 1201-1208. doi: 10.13203/j.whugis20190120
  • 飞机在进近过程中的稳定性是影响飞行安全的重要因素之一,日趋受到民航行业的关注。进近着陆阶段虽时间上仅占整个飞行过程的约4%,但发生飞行事故风险的概率占整个飞行事故风险的49.1%[1]。飞机降落阶段发生红色事件或者警告事件大多伴随着不稳定进近警告,因此,探索分析不稳定进近事件时空分布规律和其潜在诱因要素具有重要的实践意义,有助于推动对进近风险的有效规避,提高飞行安全水平。

    目前,在诱因分析方面,国内外关于不稳定进近方面的研究多围绕飞行员的人为因素[2]、气象因素及机械因素[3]等展开,如分析突发低空风切变对飞机进近着陆[4]的影响;在安全风险评估方面,采用灰色聚类方法[5]、进近角度和进近轨迹分析对进近阶段安全等级进行评价;在风险预测建模方面,利用BP(back propagation)神经网络和Elman神经网络[6]、递归神经网络[7]、Logistic回归模型[8]进行风险预测,以及采用4D航迹预测方法[9]建立航迹预测分析模型。在以往的分析与预测中,主要是针对飞行员操作与飞机自身因素进行分析[2-9],很少对气象以及地形等空间因素在精细尺度下与飞机事故之间进行关联分析。因此,本文对不稳定进近事件的时空规律进行分析,开展了不稳定进近事件与气象及高程等诱因要素在精细尺度下的关联分析。

    本文利用中国民航行业快速存取记录器(quick access recorder,QAR)的飞行大数据,分别对2018年1月空中客车系列飞机和波音系列飞机共约35万次航班中发生的不稳定进近事件进行提取,其中,提取空客飞机不稳定进近事件数量共10 814次,波音飞机共22 196次,覆盖了全国206个机场,并采用探索性空间数据分析(exploratory spatial data analysis,ESDA)方法对其时空分布模式进行分析,探索不稳定进近发生在不同机场的潜在时空规律。在此基础上,利用皮尔逊相关系数与地理加权汇总统计量进行对比,初步探索不稳定进近事件的诱因要素关系,并从全局尺度和精细尺度探索其与诱因要素关系之间的相关关系,为量化分析不稳定进近事件成因及建立精准预测模型打下坚实的理论与实践基础。

    • 为保障飞行安全和进行飞行品质监控,中国民航飞机强制安装了QAR设备[10]。QAR主要记录飞行姿态、发动机状态、气象信息等飞行参数,相对完整地记录了飞机的飞行过程,可用于状态监控、故障诊断、飞行品质评估[11]、飞行过程可视化仿真重现、机务维修、油耗控制等方面[12],在民航工程和飞行过程研究中有重要意义。

      本文所用飞行数据为中国民航2018年1月份全行业QAR数据集,频率为1/8 s,即每1/8 s记录1次数据。本文利用地理空间数据云网站(http://www.gscloud.cn)提供的空间分辨率为30 m的数字高程模型(digital elevation model,DEM)数据,以获取对应机场的高程和高差信息,以及利用中国天气网(http://www.weather.com.cn/forecast/)获取的2018年1月全国共206个对应机场的气象信息。

    • 本文根据民航行业不稳定进近事件的经验模型对2018年1月份所采集的QAR数据进行了事件提取。由于不稳定进近事件均发生在飞机下降过程,因此,本文将不稳定进近事件与对应航班降落机场坐标进行关联,即以机场为空间分析单元。同时,本文用每个机场不稳定进近事件的触发频次与该机场航班吞量的比值作为不稳定进近事件的触发频率。通过时序热力图、空间分布图和时空立方体等方式对不稳定进近事件的时空分布模式进行探索,并分别采用全局尺度与精细尺度相关性分析方法对不稳定进近事件与对应机场的地形、气象条件等潜在诱因要素进行初步的相关性分析。技术路线如图 1所示。

      图  1  不稳定进近探索性空间数据分析流程

      Figure 1.  Flowchart of Exploratory Spatial Data Analysis on Flight Unstable Approaches

    • 时序热力图面向分析一段时间内的不稳定进近事件热点聚集情况,而空间分布图则展示了事件触发频率的空间分布特征。本文采用这两种技术分别从空间和时间角度对不稳定进近事件的时空分布模式进行探索。时空立方体为由时间、空间条柱组成的三维立方体结构,综合反映对象特征在一段时间和空间位置上的变化特征与演变趋势。本文利用该技术对不稳定进近事件的时空分布特征进行综合分析与展示。

    • 相关性分析是多元要素变量间关联程度的直观反映。本文分别采用传统的相关性分析(皮尔逊相关系数)和空间局部相关性分析方法(地理加权相关性系数),从不同层次、尺度特征角度对不稳定进近事件发生成因进行分析与解读。

      1) 皮尔逊相关系数是一种常用的线性相关系数,从全局的角度求解两个变量之间的相关性。其计算公式如下:

      $$ r=\frac{\sum \limits_{i=1}^{n}({X}_{i}-\stackrel{-}{X})({Y}_{i}-\stackrel{-}{Y})}{\sqrt[]{\sum \limits_{i=1}^{n}({X}_{i}{-\stackrel{-}{X})}^{2}}\sqrt[]{\sum \limits_{i=1}^{n}({Y}_{i}{-\stackrel{-}{Y})}^{2}}} $$ (1)

      式中,$ ({X}_{i}, {Y}_{i}) $为样本点i处对应的变量值;$ (\stackrel{-}{X}, \stackrel{-}{Y}) $为所有样本点变量值的平均值。

      2) 地理加权汇总统计。不同于传统的汇总统计量计算,地理加权汇总统计技术[13]采用地理加权建模的思想,即地理学第一定律[14]所反映的空间关联关系随着距离增加而衰减的现象,通过位置的汇总统计量计算来量化表征空间变量汇总统计中存在的空间异质性特征。

      在地里加权汇总统计量中,地理加权相关系数是用来探究变量间相关性关系空间异质性的指标[13]。地理加权相关性系数根据下式计算:

      $$ \left\{\begin{array}{l}{\rho }_{\left(x, y\right)}\left({u}_{i}, {v}_{i}\right)=\frac{\mathrm{c}\mathrm{o}{\mathrm{v}}_{\left(x, y\right)}\left({u}_{i}, {v}_{i}\right)}{{D}_{x}\left({u}_{i}, {v}_{i}\right){D}_{y}\left({u}_{i}, {v}_{i}\right)}\\ \mathrm{c}\mathrm{o}\mathrm{v}\left({x}_{i}, {y}_{i}\right)=\frac{\sum \limits_{j=1}^{n}{x}_{ij}\left\{[{x}_{j}-\mu \left({x}_{i}\right)][{y}_{j}-\mu \left({y}_{i}\right)]\right\}}{\sum \limits_{j=1}^{n}{w}_{ij}}\end{array}\right. $$ (2)

      式中,$ \left({u}_{i}, {v}_{i}\right) $代表点i处的空间坐标;$ {D}_{x}\left({u}_{i}, {v}_{i}\right) $和$ \mathrm{c}\mathrm{o}{\mathrm{v}}_{\left(x, y\right)}\left({u}_{i}, {v}_{i}\right) $分别代表点i处计算得到的地理加权标准差和协方差;$ {w}_{ij} $为观测点j在解算点i处的权重,可通过核函数计算获得。

      文献[15]中列出了4种常用核函数。其中,带宽分为固定型(固定的距离阈值)和可变型(预先设定的第N个最邻近样本点对应的距离值作为每个求解点处的带宽值)两种。本文采用了Gaussian核函数和可变型带宽对地理加权相关系数进行求解。带宽的大小决定了求解系数呈现出的空间变化的尺度特征,可以用交叉验证(cross validation,CV)[16]方法进行带宽的优选。

      皮尔逊相关系数从传统的全局角度对变量间相关性进行量化,而地理加权相关系数采用地理加权建模[15-16]的思想重点考量了空间变量相关性关系中的空间异质性特征。两种方法分别从不同角度和层次对影响不稳定进近事件的潜在要素相关关系进行了全方位分析,尤其后者从精细尺度观测了不同要素与不稳定进近风险在空间上的相关性特征。

    • 本文对2018年1月份中国民航飞机所触发的不稳定进近事件进行了统计分析。针对事件发生的时间分布特征,本文采用时序热力图对其进行展示,如图 2所示。

      图  2  不稳定进近事件时序热力图

      Figure 2.  Time Series Thermodynamic Diagrams of Unstable Approach Events

      图 2显示,在1月8日—10日及1月下旬,波音和空客机型均呈现出较高频率的不稳定进近,主要分布在11:00~17:00。不稳定进近事件的触发频率的可视化结果如图 3所示。

      图  3  不稳定进近事件空间分布图

      Figure 3.  Spatial Distribution Maps of Unstable Approach Events

      图 3可知,空客飞机和波音飞机的不稳定进近事件触发频率的空间分布呈现出显著的差异。空客飞机发生的不稳定进近主要是集中在中国云南、西藏、青海等海拔较高的地区,而波音飞机发生的不稳定进近主要集中发生在中国东部沿海地区与内蒙古自治区等地区。两者的差异反映了两种机型发生的不稳定进近与海拔高程之间的关系。

    • 本文统计各机场每天不稳定进近事件的触发频率,并通过时空立方体的形式进行展现,如图 4所示。

      图  4  不稳定进近事件时空立方体

      Figure 4.  Space-Time Cube of Unstable Approach Events

      图 4中可以发现,空客和波音飞机具有不同的不稳定进近事件时空分布模式。空客飞机在西藏、云南等高海拔地区呈现出全天候的不稳定进近事件高发情况,说明不稳定进近的发生可能是由高海拔的地形和地势造成的。在新疆地区以及东部的大多数地区,不稳定进近事件在不同时段内体现了不同的密度特征,这一现象的出现可能与1月份当地的气象情况有关。波音飞机不稳定进近事件的发生多集中在中部和东部地区,且多在某一时段内集中发生,这可能与1月份的气象状况有关。此外,波音飞机不稳定进近事件触发频率的密集程度明显低于空客飞机,这可能与不同机型在不同地区的航班班次安排相关,需要进一步探究与求证。

    • 本文从全局角度,将1月份每个机场各风力等级对应天数与对应时段内机场发生不稳定进近事件的触发频率进行相关性分析,计算皮尔逊相关系数,如表 1所示。

      表 1  不稳定进近与风力等级相关系数

      Table 1.  Correlation Coefficients of Unstable Approach and Wind Level

      风力等级 空客飞机 波音飞机
      微风 0.26 0.35
      1~2级 0.55 0.50
      3~4级 0.57 0.48
      4~5级 0.37 0.69
      5~6级 0.43 0.38

      通过全局相关系数,可发现空客飞机和波音飞机不稳定进近事件的触发频率与各风力等级天数均呈现出较为一致的正相关特征,尤其是在1~4级风时更明显,波音飞机则体现出与4~5级风显著正相关特征。

      本文将1月份各机场恶劣天气(雨天、阴天和雪天)的天数与对应不稳定进近事件的触发频率进行相关性分析,结果如表 2所示。

      表 2  不稳定进近与恶劣天气相关系数

      Table 2.  Correlation Coefficients of Unstable Approach and Bad Weather

      机型
      空客飞机 0.38 0.28 0.32
      波音飞机 0.29 0.27 0.24

      表 2可发现,两种机型不稳定进近事件的触发频率与恶劣天气之间体现了正相关特征,而空客飞机则体现了相对更强的正向相关性影响。本文采用DEM数据分析了不稳定进近事件的触发频率与高程之间的关系,结果如图 5所示。

      图  5  不稳定进近发生与高程相关性散点图

      Figure 5.  Scatter Plots of Unstable Approach with Elevation Correlation

      图 5中的斜线为不稳定进近发生频率与海拔高度的线性拟合结果。空客飞机不稳定进近事件的触发频率与海拔高度呈现出相对较强的正相关特征,皮尔逊相关系数值为0.56;波音飞机体现出不显著的反常负相关关系,皮尔逊相关系数值为-0.003 4。由于波音飞机性能及其供氧情况限制,导致该机型在高原机场航线使用非常少,因此,表现出了不具有统计意义的反常结果。

      全局相关性关系的分析结果从宏观角度给出了不稳定进近事件的触发频率与气象和地形要素之间的关联关系,但相对较为单一和绝对,解释意义也不甚理想,缺乏对不稳定进近事件精细化分析的指导意义。

    • 通过地理加权汇总统计中的地理加权相关系数分析不稳定进近事件与气象和地形要素之间的局部相关关系,尤其针对风力等级和天气要素,体现出典型的地域差异性特征。本研究以机场为空间单元,空间分布具有典型的不均匀特征,因此,选用可变型带宽对地理加权相关系数进行计算。

      通过计算不稳定进近事件的触发频率与风力等级之间的地理加权相关系数,将其均值与皮尔逊相关系数进行比较。可以发现,地理加权相关系数的均值随着风力等级的增大而增大。这符合不稳定进近事件发生的诱因关系,说明考虑空间异质性特征的局部相关系数更加贴切和客观地反映了这种相关关系。

      全局和局部相关系数对比如图 6所示。

      图  6  全局和局部相关系数对比图

      Figure 6.  Comparison Chart of Global and Local Correlation Coefficients

      空客飞机和波音飞机不稳定进近事件的触发频率与5~6级大风之间的地理加权相关系数分布如图 7所示。

      图  7  不稳定进近与5~6级大风地理加权相关系数空间分布

      Figure 7.  Spatial Distribution of Geographically Weighted Correlation Coefficients Between Unstable Approach and 5-6 Gale

      图 7可以发现,波音飞机发生不稳定进近的触发频率在渤海沿岸地区体现了与5~6级风强相关现象,而空客飞机则在东南沿海和中部地区体现了较强相关性。空客飞机不稳定进近事件的触发频率与大风(4级以上)的相关性在相同风力等级下要略强于波音飞机,这是由于空客飞机高于波音飞机的自动化程度。但在大风情况下,飞行员需要及时脱开自动驾驶转换成手动驾驶,而波音飞机飞行员在手动驾驶方面的丰富经验使其可以有效地避免发生不稳定进近事件。

      恶劣天气(雨天、雪天、阴天)与不稳定进近的地理加权相关性大小如表 3所示。

      表 3  不稳定进近事件与恶劣天气地理加权相关系数

      Table 3.  Geographically Weighted Correlation Coefficients of Unstable Approach and Bad Weather

      机型 天气 最小值 1/4值 中位数 3/4值 最大值
      空客 -0.402 70 0.182 80 0.302 40 0.427 30 0.850 50
      -0.331 60 0.185 30 0.328 00 0.428 90 0.646 10
      -0.019 76 0.285 50 0.450 46 0.560 97 0.771 43
      波音 -0.443 60 0.081 90 0.248 00 0.405 00 0.834 80
      -0.343 00 0.153 70 0.349 00 0.519 20 0.596 30
      -0.152 70 0.119 70 0.320 60 0.453 30 0.752 10

      表 3发现,恶劣天气的地理加权相关系数的最大值都较大,但是均值较小,尤其是在雪天。出现这一现象的原因可能是与中国南北跨度较大、降雪范围多集中在北方地区有关。阴天天气对应着较低的能见度,波音飞机和空客飞机体现出相关性的空间异质性更加明显。

      不稳定进近与阴天地理加权相关系数的空间分布如图 8所示。由图 8可知,空客飞机在北京周边和波音飞机在中西部地区(如郑州的新郑机场和新疆地区),不稳定进近与阴天地理加权体现出明显的相关性。

      图  8  不稳定进近与阴天地理加权相关系数空间分布

      Figure 8.  Spatial Distribution of Geographically Weighted Correlation Coefficients Between Unstable Approach and Cloudy Day

      不稳定进近事件的触发频率与高程之间地理加权相关性系数的分布如图 9所示。由图 9可知,空客飞机发生不稳定进近事件的触发频率与海拔高程的相关性更强。海拔越高的机场,不稳定进近事件的触发频率也相对越高,特别是中国西部地区的机场,这一现象基本符合之前的推断。由于波音飞机飞往高原机场的航班数量远低于空客飞机,其不稳定进近事件的触发频率与机场海拔高程之间的相关性仍然不明显,甚至出现了反常的弱负相关现象。

      图  9  不稳定进近与高程地理加权相关系数空间分布

      Figure 9.  Spatial Distribution of Geographically Weighted Correlation Coefficients Between Unstable Approach and Elevation

    • 本文以QAR数据为数据源,采用时序热力图、空间分布图及时空立方体等探索性空间数据分析方法,从时空角度出发对2018年1月中国机场不稳定进近事件的时空分布情况进行了探索,在此基础上,通过计算皮尔逊相关系数和地理加权相关系数,从不同尺度初步研究了不稳定进近事件的触发频率与气象、地形要素之间的相关关系。结果显示,中国民航运营的波音飞机和空客飞机体现了不同的不稳定进近事件触发频率时空分布特征,针对风力等级、恶劣天气和高程要素,也体现了不同的相关性特征。同时,相比于传统的皮尔逊相关系数,地理加权相关性系数更加贴切和客观地反映了诱因要素的相关关系,从更加精细的尺度初步分析了不稳定进近的客观诱因要素关系。

      本文针对民航行业中的不稳定进近风险,采用时空分布模式分析、地理加权汇总统计技术等空间统计分析方法对可能的影响要素从地理空间的角度进行了探索性分析。本研究是将空间统计分析技术应用于民航领域飞行风险分析的一个起点,值得深入研究,如采用地理加权回归分析技术[17]及其对应的扩展、地理加权泊松回归分析[18]和地理加权逻辑回归分析[19]等技术,进一步开展全面的成因量化分析及精准预测模型方面的研究。

参考文献 (19)

目录

    /

    返回文章
    返回