خلاصه

نظارت بر جریان نفت دریایی برای امنیت و ثبات حمل و نقل انرژی مهم است، به ویژه از زمانی که مفهوم “راه ابریشم دریایی قرن بیست و یکم” (MSR) پیشنهاد شد. اداره اطلاعات انرژی ایالات متحده (EIA) داده‌های عمومی سالانه جریان نفت از نقاط خفه‌کننده نفت دریایی را ارائه می‌کند، که تغییرات ظریف را منعکس نمی‌کند. بنابراین، ما از داده‌های سیستم شناسایی خودکار (AIS) از سال 2014 تا 2016 استفاده کردیم و چارچوب فنی پیشنهادی را در چهار نقطه چوک (تنگه‌های مالاکا، هرمز، باب المندب، و دماغه امید خوب) در منطقه MSR اعمال کردیم. انحرافات و مقادیر آماری جریان نفت سالانه از نتایج برآورد شده توسط داده های AIS و داده های EIA، و همچنین جهت کلی جریان نفت، قابلیت اطمینان چارچوب پیشنهادی را نشان می دهد. به علاوه، چرخه های ماهانه و فصلی جریان نفت از طریق چهار نقطه چوک به طور قابل توجهی از نظر ارزش و روند متفاوت است اما به طور کلی روند صعودی را نشان می دهد. علاوه بر این، اولین گذر از جریان نفت از طریق تنگه هرمز و مالاکا با فعالیت های نظامی ایالات متحده در سال 2014 مطابقت دارد، در حالی که دومین فرود به دلیل شیوع سندرم تنفسی خاورمیانه در سال 2015 است.

کلید واژه ها:

داده های سیستم شناسایی خودکار ؛ منطقه جاده ابریشم دریایی قرن بیست و یکم تجزیه و تحلیل جریان روغن ؛ چوکپوینت نفت دریایی ; سندرم تنفسی خاورمیانه

1. معرفی

«ابتکار کمربند و جاده» که شامل «کمربند اقتصادی جاده ابریشم» و «جاده ابریشم دریایی قرن بیست و یکم» (MSR) است، توسط چین برای ترویج تجارت اقتصادی و تعمیق ارتباط بین چین و کشورهای مرتبط آن پیشنهاد شد [ 1 ، 2 ]. ، 3 ، 4 ]. منطقه MSR نه تنها خط حیاتی حمل و نقل انرژی چین است [ 5 ]، بلکه یک منطقه کلیدی از نظر حمل و نقل نفت دریایی است [ 6 ]. نقطه خفه نفتی دریایی (MOC) به عنوان کانال های باریک در امتداد مسیرهای دریایی جهانی که به طور گسترده مورد استفاده قرار می گیرد توسط اداره اطلاعات انرژی ایالات متحده (EIA) تعریف می شود [ 7 ، 8 ]]. در داخل MSR و مناطق اطراف آن، تنگه‌های مالاکا، هرمز، باب المندب و دماغه امید نیک چهار MOC هستند. این چهار MOC واردات نفت بزرگترین واردکننده نفت، چین [ 6 ، 9 ]، و صادرات نفت خلیج فارس، و همچنین سایر واردکنندگان و صادرکنندگان عمده نفت را کنترل می کنند. بنابراین، جریان نفت از طریق این چهار نقطه خفه می‌تواند انتقال انرژی واقعی را در MSR و مناطق اطراف آن به طور مستقیم نشان دهد. علاوه بر این، سیستم های حمل و نقل اغلب در معرض خطراتی از بلایای طبیعی تا حوادث خطرناک ناشی از انسان هستند [ 4 ، 10 ، 11 ]]. بنابراین، نظارت بر جریان نفت از طریق آن MOC ها می تواند ناهنجاری ها را نشان دهد و به کشورها کمک کند تا به سرعت واکنش نشان دهند. در حال حاضر، داده‌های مربوط به میانگین جریان روزانه نفت موجود از طریق MOCها از سال 2011 تا 2016 که توسط EIA منتشر شده است، از جریان نفت سالانه محاسبه می‌شود [ 7 ، 8 ]. با این حال، اطلاعات مربوط به داده های EIA برای برآورده کردن الزامات تجزیه و تحلیل در مقیاس زمانی کوچکتر بسیار محدود است. بنابراین، به دست آوردن و تجزیه و تحلیل جریان نفت در این چهار MOC در مقیاس های زمانی متعدد برای اطمینان از امنیت حمل و نقل نفت دریایی چین و ذخایر استراتژیک انرژی مهم است.

برای تعیین و تجزیه و تحلیل جریان نفت، لازم است ابتدا تعداد تانکرهای نفتی که در یک زمان معین از MOC ها عبور می کنند، ارزیابی شده و بر اساس آن آمار تولید شود. در تحقیقات موجود، روش‌های آماری برای حجم ترافیک کشتی به دو دسته تقسیم می‌شوند: آمار مبتنی بر سیستم‌های تصویربرداری و آمار مبتنی بر حسگرهای لیزری. آمارهای مبتنی بر سیستم‌های تصویربرداری از تصاویر پوشش MOC از رادار، تلویزیون مدار بسته (CCTV)، مادون قرمز و سایر سیستم‌های تصویربرداری استفاده می‌کنند. اگرچه سیستم تصویربرداری راداری [ 12 ، 13] مزایای یک محدوده رصدی بزرگ را ارائه می دهد و تحت تأثیر آب و هوا قرار نمی گیرد، همه مناطق توسط سیستم قابل مشاهده نیستند. علاوه بر این، تصویر رادار تنها می تواند اطلاعات مکانی در مورد کشتی ارائه دهد. به عنوان مکمل های سیستم تصویربرداری رادار، سیستم تصویربرداری دوربین مداربسته [ 14 ، 15 ] و سیستم تصویربرداری مادون قرمز [ 16 ، 17 ] می توانند تصاویر بصری به دست آورند، اما در مورد نظارت بر دامنه های وسیع، آنها بسیار محدود هستند. برای آمار مبتنی بر حسگرهای لیزری [ 18 ، 19]، یک پرتو لیزر توسط یک حسگر برد لیزر به هدف گسیل می شود و پس از انعکاس توسط هدف توسط عنصر فوتوالکتریک دریافت می شود. بنابراین، موقعیت هدف بر اساس زمان سپری شده از انتشار تا دریافت پرتو لیزر و سرعت انتشار لیزر محاسبه می شود که برای شناسایی کشتی ها از طریق MOC ها کلیدی است. این روش مزایای عملکرد شبانه روزی، هزینه کم و دقت بالا را ارائه می دهد. با این حال، فقط اطلاعات مکانی کشتی و نه اطلاعات بار را به دست می آورد. اگرچه روش‌های فوق می‌توانند آماری در مورد حجم ترافیک کشتی ارائه دهند، اما حسگرهای تصویربرداری و لیزری فقط در نزدیکی بندر مستقر هستند و فقط می‌توانند اطلاعات آماری را در نزدیکی بندر به دست آورند. علاوه بر این،

در سال 2000، سازمان بین‌المللی دریانوردی (IMO) مقرراتی را تصویب کرد که بر اساس آن کشتی‌های باری بین‌المللی با 300 تن ناخالص یا بیشتر، کشتی‌های باری غیربین‌المللی با ظرفیت ناخالص 500 تن یا بیشتر سفر می‌کنند، و همه کشتی‌های مسافربری بدون در نظر گرفتن اندازه باید مجهز به سیستم شناسایی خودکار (AIS) [ 20 ، 21 ، 22 ]. به عنوان یک نوع جدید از داده های مکانی-زمانی، داده های AIS پتانسیل تجزیه و تحلیل جریان نفت MOC ها را در چهار مقیاس زمانی (روزانه، ماهانه، فصلی و سالانه) فراهم می کند. داده های AIS را می توان از طریق امکانات مبتنی بر ساحل یا ماهواره-AIS دریافت کرد [ 20 ، 23]، که نظارت جهانی بر فعالیت های کشتی را امکان پذیر می کند. این داده ها، که شامل اطلاعاتی مانند تناژ وزن مرده، شماره IMO (شماره کشتی صادر شده توسط IMO) و شماره شناسه خدمات سیار دریایی (MMSI) (شماره کشتی صادر شده توسط MMSI)، می توانند برای به دست آوردن شناسایی منحصر به فرد کشتی و نفت مورد استفاده قرار گیرند. آمار جریان مطالعات قبلی عمدتاً بر استخراج ویژگی‌های فضایی کشتی [ 6 ، 24 ، 25 ]، تشخیص ناهنجاری کشتی [ 26 ، 27 ، 28 ]، برخورد کشتی [ 29 ، 30 ، 31 ]، استخراج مسیر اصلی کشتی [ 5 ، 32 ، 33 ] متمرکز بود .]، تجزیه و تحلیل الگوی جغرافیایی [ 35 ، 36 ]، ارزیابی گیر [ 37 ]، و ارزیابی آلودگی محیطی [ 38 ، 39 ، 40 ، 41 ]. با این حال، مطالعات در مورد آمار جریان نفت MOCs نادر است.

با توجه به مشکل فوق الذکر، یک چارچوب فنی تحلیل جریان نفت دریایی در اینجا پیشنهاد شده است. این چارچوب آمار جریان نفت را به مقیاس یک کشتی ارتقا می‌دهد و وضوح زمانی و تفکیک مکانی در مقایسه با داده‌های آماری بهبود می‌یابد. علاوه بر این، چارچوب پیشنهادی در این مطالعه می‌تواند حجم حمل و نقل نفت را محاسبه کند، که به ضرری که روش‌های قبلی تنها قادر به محاسبه وزن مرده نفتکش‌ها هستند، می‌پردازد. ما چارچوب را برای تنگه‌های مالاکا، هرمز، باب المندب و دماغه امید خوب با استفاده از داده‌های AIS از سال 2014 تا 2016 اعمال می‌کنیم. بنابراین، جریان نفت را از طریق MOCs محاسبه و تحلیل کردیم. بنابراین داده های آماری برای اطمینان از امنیت و ثبات حمل و نقل نفت در داخل MSR و منطقه اطراف آن در دسترس قرار می گیرد. علاوه بر این، با پشتیبانی از داده‌های بی‌درنگ، جریان نفت از طریق این نقاط خفه‌کننده را می‌توان برای کشورهای درون MSR و مناطق اطراف آن برای تسلط و پاسخگویی به موقعیت‌های خاص بررسی کرد.

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

منطقه مورد مطالعه MSR و منطقه اطراف آن، از جمله تنگه های مالاکا، هرمز، باب المندب، و دماغه امید خوب را پوشش می دهد ( شکل 1 را ببینید ). این چهار MOC به دلیل موقعیت استراتژیک مهمی که دارند، اهداف مطالعاتی ما هستند.

تنگه مالاکا که اقیانوس هند و دریای چین جنوبی را به هم متصل می کند، کانال مهمی برای غرب آسیا برای انتقال نفت به شرق آسیا است. چین، ژاپن و کره جنوبی و برخی از کشورهای دیگر آن را به عنوان “راه نجات” حمل و نقل انرژی می دانند. جریان از طریق تنگه مالاکا در سال 2016 به 16 میلیون بشکه در روز افزایش یافت، به این ترتیب تنگه مالاکا موقعیت خود را به عنوان دومین شلوغ ترین MOC حفظ کرد [ 8 ]. تنگه هرمز که خلیج فارس و دریای عرب را به هم متصل می کند، صادرات نفت از خلیج فارس را کنترل می کند. این شلوغ ترین MOC در سراسر جهان است که روزانه میلیون ها بشکه نفت در سراسر جهان از طریق آن سفر می کند [ 8 ]]. تنگه باب المندب که دریای سرخ و دریای عرب را به هم متصل می کند، یک آبراه مهم برای حمل و نقل دریایی و تجارت بین اروپا، آسیا و آفریقا است. سالانه بیش از 20000 کشتی از آن عبور می کنند که آن را به یکی از مهم ترین و شلوغ ترین تنگه ها تبدیل می کند. نفتکش‌های سوئز که از خلیج فارس به اروپا سفر می‌کنند، عموماً از این تنگه عبور می‌کنند. دماغه امید خوب که اقیانوس اطلس و اقیانوس هند را به هم متصل می کند، بهترین انتخاب برای کشتی ها برای سفر بین آسیا و اروپا قبل از عبور از کانال سوئز بود. هنوز هم برای سوپرتانکرهایی کار می کند که امروز نمی توانند از کانال سوئز عبور کنند.

2.2. داده های مطالعه

محدود به داده‌های تحقیقاتی موجود ما، این مطالعه از داده‌های AIS از 1 ژانویه 2014 تا 31 دسامبر 2016 استفاده کرد. این مطالعه 1096 فایل پایگاه داده را به مدت یک روز ذخیره کرد. تعداد داده های اولیه AIS بیش از 7.1 میلیارد است که 1594G را شامل می شود. داده ها حاوی اطلاعاتی برای 30 ویژگی (ارائه شده در جدول 1 ) هستند که می توان آنها را به سه دسته تقسیم کرد: اطلاعات استاتیک، اطلاعات پویا، و اطلاعات مربوط به سفر [ 23 ].]. اطلاعات استاتیک به مشخصات فیزیکی ثابت خود کشتی مربوط می شود. این اطلاعات به صورت دستی ثبت می شود. بنابراین، مستعد از دست دادن داده ها و خطاها است. اطلاعات پویا اطلاعاتی است که در طول زمان در یک سفر تغییر می کند. اطلاعات وضعیت ناوبری در اطلاعات دینامیک به صورت دستی وارد می شود که دارای مقادیر “در حال استفاده از موتور”، “در لنگر”، “لنگر”، “دریانوردی در جریان” و غیره است. بقیه به طور خودکار از طریق سنسور متصل به تولید می شود. AIS بنابراین، از قابلیت اطمینان بالایی برخوردار است. اطلاعات طول و عرض جغرافیایی با دقت کامل (1/10000 درجه) [ 42]. اطلاعات مربوط به سفر به اطلاعاتی اشاره دارد که باید قبل از هر سفر به صورت دستی وارد شوند. این شامل جزئیات «زمان رسیدن تخمینی»، «مقصد» و «پیش‌نویس» می‌شود. چنین اطلاعاتی عموماً از طریق تبادل داده‌های کشتی-ساحل به کشورهایی که در مسیر هستند گزارش می‌شوند.

اطلاعات بار از https://www.myshiptracking.com/ ، https://www.vesselfinder.com/ ، https://www.marinetraffic.com/ ، https://ship.chinaports.com/ ، به دست آمده است. و https://marinelike.com/en/vessels/ . داده‌های به‌دست‌آمده در یک جدول جداگانه، شامل سه ویژگی: MMSI، Vessel_Type و DeadWeight ذخیره شدند.

3. روش مطالعه

در این مطالعه، یک چارچوب فنی تجزیه و تحلیل جریان نفت دریایی، که شامل پیش پردازش داده ها، استخراج جفت نقطه کشتی، و تمایز شرایط بار نفتکش است، پیشنهاد شده است ( شکل 2 را ببینید ). برای توسعه این چارچوب، این مطالعه از داده های عظیم مکانی-زمانی AIS استفاده کرد. این چارچوب برای تنگه‌های مالاکا، هرمز، باب المندب و دماغه امید خوب اعمال می‌شود.

3.1. پیش پردازش داده ها

داده های اصلی AIS به دلیل ورودی دستی داده ها ناگزیر حاوی خطاها و اطلاعات گم شده هستند. بنابراین، پاکسازی داده ها برای اطمینان از کیفیت داده های AIS ضروری است. داده هایی که باید پاک شوند در مجموع «داده های کثیف» نامیده می شوند. داده های کثیف از سه نوع داده تشکیل شده است: داده های ناقص، داده های اشتباه و داده های تکراری [ 43 ، 44 ، 45 ]. استانداردهای پاکسازی داده ها در جدول 2 ارائه شده است.

داده‌های AIS حاوی داده‌های غیر نفتکش و داده‌های خارج از MOC هستند که برای این مطالعه مورد نیاز نیستند. بنابراین، پس از پاکسازی داده ها، فیلتر کردن داده ها برای حذف هرگونه اطلاعات اضافی مورد نیاز است. در این مطالعه، معیار فیلتر کردن داده‌ها این است که مقدار «نوع_کشتی» «تانکر نفت خام» یا «تانکر فرآورده‌های نفتی» باشد و داده‌های AIS در چهار MOC باشد. نتیجه فیلتر کردن ویژگی در بخش 3.3 استفاده شده است. از آنجایی که آمار جریان نفت به اطلاعات بار نیاز دارد، نتیجه ویژگی و فیلتر مکانی به اطلاعات بار از طریق کلید عمومی شماره MMSI، که سپس در بخش 3.2 استفاده می‌شود، متصل می‌شود . فرآیند پیش پردازش داده ها در شکل 3 نشان داده شده است .

3.2. استخراج جفت نقطه کشتی بر اساس مسیر کشتی

برای تعیین اینکه آیا کشتی از یک MOC عبور می کند یا خیر، لازم است مسیر کشتی ایجاد شود. مسیر کشتی با اتصال مجموعه ای از نقاط کشتی با همان عدد عددی به ترتیب زمانی شکل می گیرد ( شکل 4 a را ببینید). بیان ریاضی آن است

S_{M M S I} = {V_{1}, V_{2}, \dots, V_{k}, \dots, V_{m - 1}, V_{m}}

، که در آن MMSI در

S_{M M S I}

می تواند مسیر کشتی را به طور منحصر به فرد شناسایی کند و

V_{k}

نقطه حمل و نقل در زمان گزارش شده است

t_{k}

مسیر کشتی تولید شده سفرها را متمایز نمی کند و هنوز اطلاعات اضافی دارد. بنابراین، لازم است جفت نقطه کشتی در اطراف MOC از مسیر خارج شود. اگر نقاط مسیر مجاور

V_{k}

V_{k + 1}

در دو طرف نقطه چوک قرار دارند، سپس آنها به عنوان جفت نقطه کشتی استخراج می شوند

{V_{k}, V_{k + 1}}

; در غیر این صورت، آنها حذف می شوند (به شکل 4 ب مراجعه کنید). از آنجایی که هر جفت نقطه کشتی مربوط به کشتی عبوری از MOC در یک سفر است، استخراج جفت نقطه کشتی می تواند سفر را شناسایی کند. این می تواند به طور همزمان اطلاعات اضافی را حذف کند.

نقاط مجاور در برخی از جفت های کشتی دارای اختلاف زمانی قابل توجهی هستند که نمی توان آنها را یک سفر در نظر گرفت. بنابراین، آستانه را 24 ساعت برای حذف این ناهنجاری ها قرار می دهیم [ 5 ]. اگر اختلاف زمانی بین نقاط مجاور بیش از 24 ساعت باشد، جفت نقطه کشتی حذف خواهد شد. در غیر این صورت، حفظ خواهد شد ( شکل 4 ج را ببینید). جفت های نقطه کشتی حفظ شده برای آمارهای جریان نفت بعدی استفاده خواهند شد ( شکل 4 د را ببینید).

3.3. تمایز شرایط بار نفتکش با روش خوشه بندی K-Means

وضعیت بار تانکر نفت هنگام عبور از MOC باید تعیین شود تا آمار جریان نفت تهیه شود. پارک و همکاران اشاره کرد که برای تانکرها و کشتی های فله بر، دو حالت معمول عملیاتی، شرایط بار کامل و بالاست است [ 46 ]. بنابراین در محاسبات صرف نظر از سایر شرایط، بار کامل و بار بالاست نفتکش را در نظر گرفتیم.

برای هر تانکر نفت، ما رکورد را در زیر پیش نویس های مختلف شمارش کردیم و نتایج آماری را به دست آوردیم. هیستوگرام فرکانس با در نظر گرفتن پیش نویس به عنوان ابسیسا و عدد رکورد به عنوان ارتین ترسیم می شود ( شکل 5 ب را ببینید). نقشه توزیع فرکانس پیش نویس نفتکش یک ساختار توزیع دووجهی را ارائه می دهد و دو قله به ترتیب با بار بالاست و بار کامل مطابقت دارند.

این واقعیت ما را قادر می سازد تا وضعیت بار هر نفتکش را با استفاده از روش خوشه بندی k-means [ 47 ، 48 ] متمایز کنیم. روش خوشه بندی k-means با در نظر گرفتن پیش نویس به عنوان فاصله خوشه بندی و عدد رکورد به عنوان وزن انجام می شود. مقوله ای با مقدار کمی از نتایج خوشه بندی به عنوان شرایط بار “بار بالاست” در نظر گرفته می شود، در حالی که دسته دیگر به عنوان “بار کامل” در نظر گرفته می شود ( شکل 5 ج را ببینید). تفاوت زیادی بین پیش نویس تحت بار کامل و در زیر بار بالاست وجود دارد. با استفاده از این روش، پیش نویس با یک انحراف کوچک منجر به قضاوت نادرست از وضعیت بار نمی شود، که تضمین می کند که نتیجه تحت تأثیر کشش غیر قابل اطمینان قرار نمی گیرد.

4. نتایج و بحث

همراه با نتیجه متمایز وضعیت بار تانکر نفت، جفت نقطه تانکر نفتی که از MOC عبور می کند را می توان به عنوان بار بالاست یا بار کامل شناسایی کرد. برای وضعیت بار کامل، از وزن مرده برای نشان دادن ظرفیت تانکرها در یک سفر استفاده کردیم. در مقابل، برای شرایط بار خالی، به جای آن از صفر استفاده شد. بنابراین، جریان روغن از طریق نقطه خفه را می توان در چهار مقیاس زمانی به دست آورد و آنالیز کرد: روز، ماه، فصل و سال.

4.1. تغییرات سالانه در جریان نفت

ما جریان نفت سالانه از طریق چهار MOC برآورد شده از داده های AIS را با جریان نفت سالانه منتشر شده توسط EIA مقایسه کردیم ( شکل 6 و جدول 3 را ببینید). مقایسه نشان می دهد که دو مجموعه داده بسیار سازگار هستند. این نشان می دهد که چارچوب پیشنهادی در این مطالعه قابل اعتماد است.

مقادیر تخمینی جریان نفت سالانه از طریق تنگه مالاکا، هرمز و باب المندب تفاوت چندانی با داده های EIA ندارد. به جز مقدار تنگه هرمز در سال 2014 که تقریباً 80 درصد داده های EIA است، بقیه تقریباً بین 90 تا 110 درصد داده های EIA هستند ( جدول 3 را ببینید).). در دماغه امید خوب، به دلیل اینکه یک منطقه آماری متفاوت است، مقدار جریان نفت سالانه تخمین زده شده حداقل 116 درصد از داده های EIA است که به طور قابل توجهی بالاتر از داده های EIA است. ما در این مطالعه تمام تانکرهای نفتی را که بین دماغه امید خوب و قطب جنوب عبور می کردند، تجزیه و تحلیل کردیم، در حالی که داده های EIA فقط تانکرهای نفت را در محدوده مشخصی در اطراف دماغه امید خوب در نظر گرفت. بنابراین، جریان نفت سالانه در دماغه امید خوب برآورد شده در این مطالعه از ارزش بالاتری برخوردار است.

داده‌های جریان نفت سالانه برآورد شده در این مطالعه و داده‌های EIA یک روند صعودی را از سال 2014 تا 2016 نشان می‌دهند. در تنگه مالاکا، تنگه هرمز و دماغه امید خوب، داده‌های جریان نفت سالانه برآورد شده و داده‌های EIA هر دو سال به سال روند صعودی را نشان می دهد. در تنگه باب المندب، داده های تخمینی جریان نفت سالانه افزایش کلی را از سال 2014 تا 2016 با روند رشد مشابه با داده های EIA نشان می دهد. هر دوی آنها از سال 2014 تا 2015 به طور قابل توجهی افزایش یافتند و از سال 2015 تا 2016 با افزایش یا کاهش جزئی تثبیت شدند.

نمودار پراکندگی در شکل 7 با در نظر گرفتن داده های EIA به عنوان ابسیسا و جریان روغن تخمین زده شده از داده های AIS به عنوان ارتین نشان داده شده است. همانطور که در شکل 7 نشان داده شده است ، شیب خط مناسب نزدیک به 1 است. میانگین جریان نفت تخمین زده شده 560 میلیون تن است، در حالی که داده های EIA 536 میلیون تن است، که اختلاف کمی را 4٪ نشان می دهد. R ²دارای مقدار زیادی 0.9517 و ریشه میانگین مربعات خطا (RMSE) 68.6889 میلیون تن است که نسبت به جریان نفت سالانه بسیار ناچیز است. علاوه بر این، ما ضریب همبستگی بین جریان تخمینی سالانه نفت و داده های EIA را محاسبه کردیم که 0.9756 است. همه نتایج آماری نشان می‌دهند که جریان نفت برآورد شده از داده‌های AIS و داده‌های EIA مشابه هستند و همبستگی قوی دارند.

4.2. دو طرفه میانگین سالانه جریان نفت

با هدف بررسی جهت عبور از MOC و همبستگی با بار، میانگین جریان روغن سالانه دو طرفه چهار MOC از سال 2014 تا 2016 محاسبه می‌شود ( شکل 8 را ببینید ). این مطالعه نشان داد که جریان روغن برای جهات مختلف متفاوت است و جهت کلی جریان روغن محاسبه شده در این مطالعه با جهت واقعی جریان روغن مطابقت دارد. این نشان می دهد که چارچوب پیشنهادی در این مطالعه قابل اعتماد است.

همانطور که در شکل 8 نشان داده شده است ، در تنگه هرمز، میانگین سالانه نفت صادراتی از خلیج فارس 798 میلیون تن است، در حالی که میانگین سالانه نفت صادراتی به خلیج فارس تنها 34 میلیون تن است. این منطقی است، زیرا تنگه هرمز صادرات نفت خلیج فارس را که بزرگترین صادرکننده نفت جهان است، کنترل می کند. سه مسیر اصلی برای انتقال نفت از خلیج فارس وجود دارد (به مسیر A، مسیر B و مسیر C در شکل 8 مراجعه کنید). در تنگه باب المندب و مالاکا جهت اصلی جریان نفت محاسبه شده در این مطالعه با مسیرها همخوانی دارد. در ضمن در دماغه امید خوب این با مسیرها همخوانی ندارد.

دلایل ناهماهنگی دماغه امید خوب به شرح زیر است: ① مسیر C کمترین شلوغی را در بین سه مسیر اصلی دارد. از این رو، تنها 77 میلیون تن نفت از اقیانوس هند به اقیانوس آرام در دماغه امید خوب منتقل می شود. ② در غرب آفریقا صادرکنندگان بزرگ نفت مانند آنگولا و نیجریه که رتبه های نهم و دهم جهان را دارند، وجود دارد. این کشورها از طریق دماغه امید به کشورهای دیگر مانند چین نفت صادر خواهند کرد. بنابراین 254 میلیون تن نفت از اقیانوس آرام به اقیانوس هند در دماغه امید خوب منتقل می شود. در نتیجه جهت کلی جریان نفت از اقیانوس آرام به اقیانوس هند در دماغه امید خوب معقول است.

4.3. تغییرات روزانه، ماهانه و فصلی در جریان نفت

جریان روزانه نفت از طریق چهار MOC برآورد شده از داده های AIS با استفاده از STL (تجزیه فصلی و روند با استفاده از Loess) به چرخه، روند و جریان های باقیمانده بر اساس چرخه های ماهانه و فصلی تجزیه می شود ( شکل 9 را ببینید ). STL یک روش تجزیه مبتنی بر رگرسیون وزنی محلی است. با تنظیم پارامترهای مختلف، STL می تواند برای تجزیه داده ها با توجه به چرخه های مختلف استفاده شود [ 49 ]. همانطور که در شکل 9 نشان داده شده استنمودار سری زمانی قرمز نشان دهنده جریان روزانه نفت، نمودار تجزیه سری زمانی سبز نشان دهنده جریان ماهیانه روغن و نمودار تجزیه سری زمانی آبی نشان دهنده جریان فصلی روغن است. آنها مقیاس زمانی کمتری نسبت به داده های EIA دارند. بنابراین، آنها می توانند اطلاعات بیشتری برای تجزیه و تحلیل ارائه دهند.

چرخه های این چهار نقطه خفه از نظر مقدار و روند تغییرات به طور قابل توجهی متفاوت هستند (چرخه در شکل 9 را ببینید). حداکثر مقادیر برای چرخه های چهار نقطه چوک در چرخه فصلی از 12 تا 76، مقادیر حداقل از 34- تا 18- و دامنه تغییرات از 36 تا 94 است. همه این مقادیر آماری تفاوت های عددی زیادی را نشان می دهند. بین چرخه های چهار نقطه خفه. چرخه فصلی جریان نفت از طریق تنگه مالاکا یک روند کلی صعودی را نشان می‌دهد، با نوسانات شدید در یک چرخه. تنگه هرمز ابتدا کاهش می یابد و سپس تثبیت می شود و بعداً در یک چرخه به کاهش ادامه می دهد. تنگه باب المندب ابتدا نوسان می کند و سپس در یک چرخه به طور ناگهانی کاهش می یابد. در نهایت دماغه امید خوب در ابتدا افزایش می یابد و سپس تثبیت می شود و بعداً در یک چرخه به افزایش خود ادامه می دهد. روند تغییرات چرخه های فصلی چهار نقطه خفه اشکال متفاوتی دارد. چرخه های ماهانه الگوی مشابهی با چرخه های فصلی نشان می دهند. یعنی تفاوت های قابل توجهی بین چرخه های چهار نقطه خفه وجود دارد.

اگرچه چرخه های چهار MOC متفاوت است، اما روند آنها با یکدیگر سازگار است. دو فرورفتگی آشکار در تنگه مالاکا و تنگه هرمز وجود دارد که در بخش 4.3 توضیح داده خواهد شد.. با نادیده گرفتن فرورفتگی ها، روغن از چهار نقطه چوک جریان می یابد و در ابتدا نوسانات افزایش می یابد. سپس در اواسط اواخر سال 2015 بدون افزایش بیشتر یا با کاهش جزئی به اوج خود می رسند. در سال 2014، جریان نفت از طریق تنگه مالاکا ابتدا کاهش یافته و سپس افزایش می یابد. در سال 2016، جریان از طریق تنگه مالاکا و باب المندب روند نزولی جزئی را نشان می دهد. در سال 2016، نفت از تنگه هرمز و دماغه امید خوب عبور می کند، اما این جریان ها روند صعودی یا نزولی را نشان نمی دهد. در مقابل، جریان از طریق تنگه هرمز پایدارتر است، در حالی که جریان از طریق دماغه امید خوب نوسانات بیشتری دارد.

4.4. رویدادهای مربوط به فرورفتگی در جریان نفت

همانطور که در شکل 9 نشان داده شده است، دو فرورفتگی آشکار در تنگه مالاکا و تنگه هرمز وجود دارد و ما توانستیم رویدادهایی را پیدا کنیم که با این فرورفتگی ها مطابقت دارند. ما معتقدیم که اولین فرورفتگی در تنگه هرمز در سه ماهه چهارم سال 2014 با فعالیت های نظامی ایالات متحده ارتباط دارد در این دوره، ایالات متحده به طور متوالی دو ناو هواپیمابر در 18 اکتبر 2014 و کشتی های جنگی توپخانه لیزری در 10 دسامبر ارسال کرد. 2014، به خلیج فارس. آنها برای مبارزه با نیروهای مسلح افراطی در طول جنگ های داخلی در عراق و سوریه فرستاده شدند ( شکل 10 را ببینید.الف، ب). این سلسله فعالیت های نظامی ارتباط زیادی با اولین فرورفتگی در تنگه هرمز در فضا و زمان دارد. دومین فرورفتگی در تنگه هرمز در سه ماهه دوم سال 2015 با شیوع سندرم تنفسی خاورمیانه (MERS) در سال 2015 [ 50 ] همراه است ( شکل 10 ج را ببینید). مرس در خاورمیانه منشأ گرفت، در 18 مه 2015 شیوع یافت و تقریباً در 14 ژوئیه 2015 به پایان رسید. به این ترتیب، این امر باعث تشکیل فرورفتگی در طول شیوع شد. فرورفتگی‌های تنگه مالاکا مربوط به فرورفتگی‌های تنگه هرمز است که می‌توان به شرح زیر توضیح داد.

نفتی که از طریق تنگه مالاکا و هرمز می گذرد، دارای دو فرورفتگی آشکار است، در حالی که آنهایی که در تنگه باب المندب و دماغه امید خیر هستند، هیچ فرورفتگی ندارند. علاوه بر این، فرورفتگی‌ها در تنگه‌های مالاکا و هرمز از نظر مدت زمان و وسعت بسیار سازگار هستند. این نشان می‌دهد که رویدادهای مربوط به فرورفتگی‌ها تأثیر قابل‌توجهی بر مسیر A داشتند، اما تأثیر کمی بر مسیرهای B و C داشتند ( شکل 10 را ببینید.ج). ما فرضیه‌های زیر را از نظر اینکه چرا این دو فرورفتگی عمدتاً بر مسیر A تأثیر می‌گذارند، ایجاد کرده‌ایم. (1) نفتی که از تنگه هرمز می‌گذرد، بیشتر از طریق مسیر A به بازارهای آسیایی منتقل می‌شود تا از طریق مسیرهای B و C به بریتانیا و ایالات متحده. طبق برآورد EIA، 76 درصد از نفت خام و میعانات گازی که از طریق تنگه هرمز جابجا شد، در سال 2018 به بازارهای آسیایی رفت .]. (2) ناوهای هواپیمابر و ناوهای جنگی که توسط آمریکا به خلیج فارس فرستاده شده بود، تا حدی بر نفتکش های سایر کشورها تأثیر گذاشت. بنابراین، مسیر A به شدت تحت تاثیر قرار گرفت، در حالی که دو مسیر باقی مانده، یعنی مسیرهای B و C، به بریتانیا و ایالات متحده، کمتر تحت تاثیر قرار گرفتند. (3) در طول اپیدمی مرس در سال 2015، به غیر از خاورمیانه، تنها کشورهای آسیای جنوب شرقی – از جمله جمهوری کره و چین – موارد مرس را پیدا کردند. اطلاعات بیشتر در جدول 4 آمده است. همه این کشورها کم و بیش واردات نفت خود را کاهش خواهند داد. بنابراین، حجم حمل و نقل نفت به کشورهای جنوب شرقی آسیا از طریق مسیر A کاهش می یابد، در حالی که مسیرهای B و C تحت تأثیر همه گیری مرس قرار نمی گیرند. بنابراین، مسیر A نسبت به تغییرات جریان نفت از طریق تنگه هرمز بسیار حساس است. در نتیجه، دو فرورفتگی نفت در تنگه مالاکا از نظر زمان و مدت بسیار با جریان نفت در تنگه هرمز سازگار است.

5. نتیجه گیری ها

ارزیابی جریان نفت از طریق MOC ها می تواند به افزایش امنیت و ثبات حمل و نقل انرژی و همچنین امکان کشف ناهنجاری ها کمک کند. برای تولید آمار در مورد جریان نفت از طریق MOCs، یک چارچوب فنی تحلیل جریان نفت دریایی پیشنهاد شده است. با استفاده از داده های AIS از 1 ژانویه 2014 تا 31 دسامبر 2016، این چارچوب برای چهار MOC در MSR و مناطق اطراف آن اعمال شد. جریان نفت از طریق چهار نقطه خفه در چهار مقیاس زمانی (روزانه، ماهانه، فصلی و سالانه) تعیین و تجزیه و تحلیل شد. نتایج زیر از این مطالعه به دست آمد:

جریان نفت سالانه برآورد شده از داده های AIS از نظر ارزش و روند تغییرات مشابه داده های EIA است، به جز دماغه امید خوب. آمارها مانند R ² و RMSE نشان می دهد که دو مجموعه داده مشابه هستند و همبستگی قوی دارند. جهت های کلی جریان روغن در چهار MOC با جهت های واقعی مطابقت دارد. بنابراین، چارچوب پیشنهادی در این مطالعه قابل اعتماد است.
در مقایسه با داده های EIA، جریان روزانه، ماهانه و فصلی نفت برآورد شده در این مطالعه دارای مقیاس های زمانی کوچک تری است که می تواند اطلاعات بیشتری را ارائه دهد. چرخه های چهار MOC بسیار متفاوت بود، اما روند آنها با یکدیگر سازگار است. علاوه بر این، دو فرورفتگی آشکار در جریان نفت از طریق تنگه مالاکا و هرمز وجود داشت.
دو تغار در تنگه مالاکا و هرمز از نظر مدت و وسعت با هم سازگار بودند. ما معتقدیم اولین فرورفتگی در تنگه هرمز مربوط به فعالیت‌های نظامی آمریکا در خلیج فارس است. فرورفتگی دوم مربوط به شیوع جهانی مرس است که در سال 2015 رخ داد. فرورفتگی‌های تنگه مالاکا مربوط به فرورفتگی‌های تنگه هرمز است.

با تجزیه و تحلیل داده های فوق، الگوهای خاصی و همچنین ناهنجاری ها را کشف کردیم. این اکتشافات می توانند از تدوین استراتژی ملی حمل و نقل انرژی و پیشگیری و کنترل ناهنجاری ها پشتیبانی کنند. با این حال، پتانسیل بسیار زیادی وجود دارد که هنوز هم می توان برای ارائه ارزش قابل توجهی استخراج کرد. علاوه بر این، با پشتیبانی از داده های بلادرنگ، می توان جریان نفت در زمان واقعی را از طریق MOC ها تعیین کرد. این امر با توجه به تشخیص به موقع ناهنجاری‌ها برای کمک به واکنش‌های اضطراری ملی، در میان سایر کاربردها، ارزشمند خواهد بود. این چارچوب برای کشتی هایی که تنها یک نوع محموله را در همه MOC های جهان حمل می کنند مناسب است. با این حال، همچنان دارای کاستی هایی مانند عدم استفاده از فناوری جدید است. در تحقیقات آینده خود، یک روش سری زمانی جدید را برای استخراج اطلاعات عمیق تر معرفی خواهیم کرد.

منابع

جیا، اچ. همکاری های علمی در کمربند و جاده می درخشد. Natl. علمی Rev. 2017 , 4 , 652-657. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Huang, Y. درک ابتکار کمربند و جاده چین: انگیزه، چارچوب و ارزیابی. اقتصاد چین Rev. 2016 , 40 , 314-321. [ Google Scholar ]
لای، ال. Guo، K. عملکرد نرخ ارز یک کمربند و یک جاده: بر اساس بهبود تجزیه و تحلیل طیف منفرد. فیزیک یک آمار مکانیک. Appl. 2017 ، 483 ، 299-308. [ Google Scholar ] [ CrossRef ]
وان، سی. یانگ، ز. ژانگ، دی. یان، ایکس. فن، اس. انعطاف پذیری در سیستم های حمل و نقل: یک بررسی سیستماتیک و جهت گیری های آینده. ترانسپ Rev. 2018 , 38 , 479-498. [ Google Scholar ] [ CrossRef ]
چنگ، ال. یان، ZJ; Xiao، YJ; چن، YM; ژانگ، فلوریدا؛ لی، ام سی استفاده از داده های بزرگ برای ردیابی حمل و نقل نفت دریایی در امتداد جاده ابریشم دریایی قرن بیست و یکم. علمی فناوری چین علمی 2019 ، 62 ، 677-686. [ Google Scholar ] [ CrossRef ]
یان، ز. شیائو، ی. چنگ، ال. چن، اس. ژو، ایکس. روان، ایکس. لی، ام. او، ر. Ran, B. تجزیه و تحلیل تجارت جهانی نفت دریایی بر اساس داده های سیستم شناسایی خودکار (AIS). J. Transp. Geogr. 2020 , 83 , 102637. [ Google Scholar ] [ CrossRef ]
EIA. تنگه هرمز مهم ترین نقطه خفه کننده ترانزیت نفت در جهان است. در دسترس آنلاین: https://www.eia.gov/todayinenergy/detail.php?id=39932 (در 24 نوامبر 2019 قابل دسترسی است).
EIA. نقاط خفه کننده حمل و نقل جهانی نفت. در دسترس آنلاین: https://www.eia.gov/beta/international/regions-topics.php?RegionTopicID=WOTC (در 24 نوامبر 2019 قابل دسترسی است).
ژانگ، امنیت انرژی ZX چین، معضل مالاکا و پاسخ‌ها. سیاست انرژی 2011 ، 39 ، 7612-7615. [ Google Scholar ] [ CrossRef ]
فاتورچی، ر. میلر هوکس، E. اندازه گیری عملکرد سیستم های زیرساخت حمل و نقل در بلایا: یک بررسی جامع. J. زیرساخت. سیستم 2015 ، 21 ، 04014025. [ Google Scholar ] [ CrossRef ]
عمر، م. مستشاری، ع. نیلچیانی، ر. منصوری، م. چارچوبی برای ارزیابی تاب آوری سیستم های حمل و نقل دریایی. ماریت. مدیر سیاست 2012 ، 39 ، 685-703. [ Google Scholar ] [ CrossRef ]
لنگ، ایکس. جی، ک. یانگ، ک. Zou، H. الگوریتم CFAR دوطرفه برای تشخیص کشتی در تصاویر SAR. IEEE Geosci. سنسور از راه دور Lett. 2015 ، 12 ، 1536-1540. [ Google Scholar ] [ CrossRef ]
وانگ، ی. لیو، اچ. یک طرح تشخیص کشتی سلسله مراتبی برای تصاویر SAR با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 4173–4184. [ Google Scholar ] [ CrossRef ]
شیائو، ال. خو، ام. Hu, Z. ردیابی کشتی در زمان واقعی دوربین مدار بسته داخلی. ریاضی. مشکل مهندس 2018 ، 2018 ، 1205210. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لی، جی.ام. لی، KH; نام، بی. Wu, Y. مطالعه بر روی تشخیص کشتی مبتنی بر تصویر برای ناوبری AR. در مجموعه مقالات ششمین کنفرانس بین المللی 2016 در مورد همگرایی و امنیت فناوری اطلاعات (ICITCS)، پراگ، جمهوری چک، 26 سپتامبر 2016؛ IEEE: Piscataway, NJ, USA, 2016; صص 1-4. [ Google Scholar ]
وانگ، اچ. زو، ز. شی، ز. Li، B. تشخیص اهداف کشتی در تصویر فروسرخ فضابرد بر اساس مدل‌سازی ناهنجاری‌های تشعشع. فیزیک مادون قرمز تکنولوژی 2017 ، 85 ، 141-146. [ Google Scholar ] [ CrossRef ]
جیانگ، بی. ما، ایکس. لو، ی. لی، ی. فنگ، ال. Shi، Z. تشخیص کشتی در تصاویر فروسرخ فضابردی بر اساس شبکه‌های عصبی کانولوشن و اهداف مصنوعی. فیزیک مادون قرمز تکنولوژی 2019 ، 97 ، 229-234. [ Google Scholar ] [ CrossRef ]
میسوویچ، دی.اس. میلیچ، اس دی؛ دوروویچ، ژ.ام. الگوریتم تشخیص کشتی مورد استفاده در سیستم مانیتورینگ لیزری ناحیه دروازه قفل. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 17 ، 430-440. [ Google Scholar ] [ CrossRef ]
کیم، Y.-K. کیم، ی. یونگ، YS; جانگ، IG; کیم، ک.-اس. کیم، اس. Kwak، BM توسعه تشخیص حرکت 6-DOF دقیق از راه دور با حسگرهای لیزری یک بعدی: سیستم تشخیص سه پرتو. IEEE Trans. الکترون صنعتی 2012 ، 60 ، 3386-3395. [ Google Scholar ]
Kroodsma، DA; مایورگا، جی. هوچبرگ، تی. میلر، NA; بوئردر، ک. فرتی، اف. ویلسون، ا. برگمن، بی. سفید، TD; بلوک، BA; و همکاران ردیابی ردپای جهانی شیلات Science 2018 ، 359 ، 904-908. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گورلند، اف. Montewka، J. ژانگ، دبلیو. Kujala، P. تحلیلی از عملیات اسکورت کشتی و کاروان در شرایط یخ. Saf. علمی 2017 ، 95 ، 198-209. [ Google Scholar ] [ CrossRef ]
بوئردر، ک. میلر، NA; کرم، ب. نقاط داغ جهانی حمل و نقل صید ماهی در دریا. علمی Adv. 2018 , 4 , eaat7159. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Cervera، MA; جینسی، ع. Eckstein، K. سیستم شناسایی خودکار کشتی مبتنی بر ماهواره: تحلیل امکان سنجی و عملکرد. بین المللی جی. ماهواره. اشتراک. شبکه 2011 ، 29 ، 117-142. [ Google Scholar ] [ CrossRef ]
اتین، ال. دووگل، تی. بوچین، م. مک آردل، جی. طرح جعبه مسیر: الگویی جدید برای خلاصه کردن حرکات. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 835-853. [ Google Scholar ] [ CrossRef ]
ون، ی. ژانگ، ی. هوانگ، ال. ژو، سی. شیائو، سی. ژانگ، اف. پنگ، ایکس. ژان، دبلیو. Sui, Z. مدل‌سازی معنایی رفتار کشتی در بندر بر اساس هستی‌شناسی و شبکه بیزی پویا. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 107. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پالوتا، جی. وسپه، م. برایان، ک. کشف دانش الگوی کشتی از داده‌های AIS: چارچوبی برای تشخیص ناهنجاری و پیش‌بینی مسیر. آنتروپی 2013 ، 15 ، 2218-2245. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ماسکارو، اس. نیکلسون، ا. Korb، K. تشخیص ناهنجاری در مسیرهای کشتی با استفاده از شبکه های بیزی. بین المللی J. تقریبا. دلیل. 2014 ، 55 ، 84-98. [ Google Scholar ] [ CrossRef ]
رونگ، اچ. Teixeira، AP; Guedes Soares, C. رویکرد داده کاوی برای تعیین خصوصیات مسیر حمل و نقل و تشخیص ناهنجاری بر اساس داده های AIS. مهندس اقیانوس 2020 ، 198 ، 106936. [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. گورلند، اف. Montewka، J. Kujala, P. روشی برای تشخیص برخوردهای احتمالی کشتی از طریق داده های AIS. مهندس اقیانوس 2015 ، 107 ، 60-69. [ Google Scholar ] [ CrossRef ]
سیلویرا، PAM؛ Teixeira، AP; Soares, CG استفاده از داده های AIS برای توصیف الگوهای ترافیک دریایی و خطر برخورد کشتی در سواحل پرتغال. جی. ناویگ. 2013 ، 66 ، 879-898. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژانگ، دبلیو. گورلند، اف. کوجالا، پ. Wang, Y. روشی پیشرفته برای تشخیص برخوردهای احتمالی کشتی از طریق داده های AIS. مهندس اقیانوس 2016 ، 124 ، 141-156. [ Google Scholar ] [ CrossRef ]
وتور، آر. Soares، CG تشخیص و تجزیه و تحلیل مسیرهای اصلی کشتی های مشاهده داوطلبانه در اقیانوس اطلس شمالی. جی. ناویگ. 2015 ، 68 ، 397-410. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژن، آر. جین، ی. هو، کیو. شائو، ز. Nikitakos، N. تشخیص ناهنجاری دریایی در آب‌های ساحلی بر اساس خوشه‌بندی مسیر کشتی و طبقه‌بندی کننده ساده بیز. جی. ناویگ. 2017 ، 70 ، 648-670. [ Google Scholar ] [ CrossRef ]
چن، آر. چن، ام. لی، دبلیو. وانگ، جی. Yao، X. Mobility آگاهی از مسیرهای مبتنی بر خوشه‌بندی و شبکه عصبی کانولوشنال را تنظیم می‌کند. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 208. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژانگ، ایکس. چن، ی. لی، ام. تحقیق در مورد ارتباط جغرافیایی تراکم شهری در اطراف دریای چین جنوبی بر اساس جریان ترافیک دریایی. Sustainability 2018 , 10 , 3346. [ Google Scholar ] [ CrossRef ][ Green Version ]
گورملون، اف. لو گویادر، دی. Fontenelle، G. یک GIS پویا به عنوان یک ابزار کارآمد برای مدیریت یکپارچه مناطق ساحلی. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 391-407. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ناتال، اف. گیبین، م. الساندرینی، آ. وسپه، م. پالرود، الف. نقشه برداری تلاش ماهیگیری از طریق داده های AIS. PLoS ONE 2015 ، 10 ، e0130746. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کوئلو، جی. ویلیامز، آی. هادسون، دی. Kemp, S. یک رویکرد مبتنی بر AIS برای محاسبه انتشارات اتمسفر از ناوگان ماهیگیری بریتانیا. اتمس. محیط زیست 2015 ، 114 ، 1-7. [ Google Scholar ] [ CrossRef ]
مریکو، ای. دینوی، ا. Contini، D. توسعه یک سیستم یکپارچه مدلسازی-اندازه گیری برای برآوردهای زمان واقعی تأثیر فعالیت بندر بر آلودگی جوی در شهرهای ساحلی. ترانسپ Res. قسمت D Transp. محیط زیست 2019 ، 73 ، 108-119. [ Google Scholar ] [ CrossRef ]
جیا، اچ. آدلند، آر. پراکاش، وی. اسمیت، تی. بهره وری انرژی با استفاده از سیاست ورود مجازی. ترانسپ Res. قسمت D Transp. محیط زیست 2017 ، 54 ، 50-60. [ Google Scholar ] [ CrossRef ]
وانگ، سی. هائو، ال. ما، دی. دینگ، ی. Lv، L. ژانگ، ام. وانگ، اچ. تان، جی. وانگ، ایکس. جنرال الکتریک، Y. تجزیه و تحلیل ویژگی های انتشار کشتی تحت شرایط دنیای واقعی در چین. مهندس اقیانوس 2019 ، 194 ، 106615. [ Google Scholar ] [ CrossRef ]
تو، ای. ژانگ، جی. راچماواتی، ال. رجبعلی، ای. Huang, G. Bin بهره‌برداری از داده‌های AIS برای ناوبری هوشمند دریایی: بررسی جامع از داده‌ها تا روش‌شناسی. IEEE Trans. هوشمند ترانسپ سیستم 2018 ، 19 ، 1559-1582. [ Google Scholar ] [ CrossRef ]
وو، ایکس. زو، ایکس. وو، جی.-کیو. دینگ، دبلیو. داده کاوی با داده های بزرگ. IEEE Trans. بدانید. مهندسی داده 2013 ، 26 ، 97-107. [ Google Scholar ]
یین، ی. گونگ، جی. Han, L. نظریه و تکنیک های داده کاوی در مدل سازی رفتار CGF. علمی چین Inf. علمی 2011 ، 54 ، 717-731. [ Google Scholar ] [ CrossRef ]
ژو، جی. چن، جی. هو، دبلیو. ژانگ، بی. یادگیری بزرگ با روش های بیزی. Natl. علمی Rev. 2017 , 4 , 627-651. [ Google Scholar ] [ CrossRef ]
پارک، دی.ام. کیم، ی. Seo, MG; Lee, J. مطالعه بر روی مقاومت افزوده شده یک تانکر در امواج سر در کشش های مختلف. مهندس اقیانوس 2016 ، 111 ، 569-581. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مک کوئین، جی. چند روش برای طبقه بندی و تحلیل مشاهدات چند متغیره. در مجموعه مقالات پنجمین سمپوزیوم برکلی در مورد آمار و احتمال ریاضی، برکلی، کالیفرنیا، ایالات متحده آمریکا، 21 ژوئن تا 18 ژوئیه 1965 و 27 دسامبر 1965 تا 7 ژانویه 1966. انتشارات دانشگاه کالیفرنیا: برکلی، کالیفرنیا، ایالات متحده آمریکا، 1967; جلد 1، ص 281-297. [ Google Scholar ]
هارتیگان، جی. وانگ، الگوریتم MA AS 136: یک الگوریتم خوشه‌بندی k-means. JR Stat. Soc. سر. C Appl. آمار 1979 ، 28 ، 100-108. [ Google Scholar ] [ CrossRef ]
کلیولند، RB; کلیولند، WS; مکری، جی. ترپنینگ، I. STL: تجزیه با روند فصلی. J. خاموش. آمار 1990 ، 6 ، 3-73. [ Google Scholar ]
دانلی، کالیفرنیا؛ مالک، ام.آر. الخولی، ع. کوچمز، اس. Van Kerkhove، MD کاهش در سراسر جهان در موارد و مرگ و میر MERS از سال 2016. Emerg. آلوده کردن دیس 2019 ، 25 ، 1758. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مورد مطالعه.

شکل 2. چارچوب فنی اصلی.

شکل 3. پیش پردازش داده ها.

شکل 4. استخراج جفت نقطه کشتی. ( الف ) مسیرهای اصلی کشتی؛ ( ب ) فرآیند استخراج جفت نقطه کشتی. ج ) فرآیند حذف جفت‌های غیرعادی نقطه کشتی. ( د ) نتیجه استخراج جفت نقطه کشتی.

شکل 5. تبعیض وضعیت بار تانکر نفت. ( الف ) تغییرات پیش نویس نفتکش در طول زمان. ( ب ) نقشه توزیع فرکانس پیش نویس نفتکش. ( ج ) نتیجه خوشه بندی پیش نویس نفتکش.

شکل 6. جریان سالانه نفت از طریق نقاط خفه کننده نفت دریایی (MOCs) در مقایسه با داده های اداره اطلاعات انرژی (EIA).

شکل 7. نمودار پراکندگی و برازش خطی جریان نفت برآورد شده و داده های EIA.

شکل 8. میانگین جریان نفت سالانه دو طرفه چهار MOC (واحد: 1 میلیون تن).

شکل 9. نمودار سری زمانی جریان روزانه روغن و نمودار تجزیه سری زمانی جریان نفت ماهانه و فصلی در چهار MOC.

شکل 10. رویدادهای مربوط به فرورفتگی های غیر طبیعی. ( الف ) فعالیت‌های نظامی در خلیج فارس در 18 اکتبر 2014 ( https://www.onr.navy.mil/en/Media-Center/Press-Releases/2014/LaWS-shipboard-laser-uss-ponce ). ب ) فعالیت های نظامی در خلیج فارس در 10 دسامبر 2014 ( https://www.navy.mil/view_image.asp?id=186243 )؛ ( ج ) وضعیت کشورهای درگیر در شیوع مرس در سال 2015 ( https://www.who.int/csr/don/archive/disease/coronavirus_infections/en/ ).

مقالات داخلی و بین المللی