王金浩， 李小娟， 孫永華， 李文彬

(城市環(huán)境過(guò)程與數(shù)字模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048)

?

BP神經(jīng)網(wǎng)絡(luò)在漁船航行安全預(yù)警中的應(yīng)用

王金浩， 李小娟， 孫永華， 李文彬

(城市環(huán)境過(guò)程與數(shù)字模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048)

漁船在海上航行時(shí)由于船體自身結(jié)構(gòu)或者海面風(fēng)浪等不利因素的影響，時(shí)常處于潛在的威脅當(dāng)中。為了研究漁船在海洋環(huán)境中可能會(huì)遭受的風(fēng)險(xiǎn)，采用基于BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)漁船噸位、發(fā)動(dòng)機(jī)功率、漁船材質(zhì)、漁船船齡以及漁船所處海面風(fēng)等級(jí)、海面浪等級(jí)等6個(gè)預(yù)警指標(biāo)要素構(gòu)成的漁船預(yù)警模型進(jìn)行評(píng)估，最終確定漁船在海上航行時(shí)的風(fēng)險(xiǎn)等級(jí)。在構(gòu)建風(fēng)險(xiǎn)預(yù)警模型中使用了400個(gè)漁船事故案例，將訓(xùn)練樣本按照數(shù)量劃分為多個(gè)級(jí)別進(jìn)行驗(yàn)證。預(yù)警模型結(jié)果與實(shí)際值比較顯示，模型的正確率為79.76%～83.62%，其中在訓(xùn)練樣本數(shù)為測(cè)試樣本數(shù)的0.75倍時(shí)，模型精度最高。研究表明，基于BP神經(jīng)網(wǎng)絡(luò)的漁船風(fēng)險(xiǎn)預(yù)警模型的評(píng)估結(jié)果與漁船實(shí)際事故狀態(tài)基本相符。該模型的建立為漁船海上航行提供了安全保障。

漁船航行；安全預(yù)警；預(yù)警指標(biāo)； BP神經(jīng)網(wǎng)絡(luò)

全國(guó)海洋漁船總數(shù)達(dá)31.61萬(wàn)艘，1 000余個(gè)漁港，超過(guò)1 500千公頃的海水養(yǎng)殖面積，從業(yè)漁民多達(dá)800萬(wàn)人[1]。海洋漁業(yè)的生產(chǎn)安全情況，直接關(guān)系到了漁民的切身利益[2]。據(jù)中國(guó)漁業(yè)互保協(xié)會(huì)測(cè)算，中國(guó)漁船有高達(dá)17.55%的出險(xiǎn)率，漁船船員年均死亡率高達(dá)140/10萬(wàn)[3]。由此可見(jiàn)，建立海洋漁船航行安全預(yù)警模型、防范海洋災(zāi)害、減少經(jīng)濟(jì)損失顯得十分重要。目前針對(duì)船舶安全風(fēng)險(xiǎn)預(yù)警模型的研究較多，主要有：(1)綜合安全評(píng)估法(FSA)，其具有結(jié)構(gòu)化、系統(tǒng)化、兼容性高等優(yōu)點(diǎn)[4-6]，多用于分析航行船舶的風(fēng)險(xiǎn)體系[7-9]；(2)基于誤差反向傳播理論的BP神經(jīng)網(wǎng)絡(luò)[10]，其具有自學(xué)習(xí)、自組織、自適應(yīng)及容差性等特點(diǎn)，用于構(gòu)建實(shí)用性強(qiáng)的船舶風(fēng)險(xiǎn)評(píng)估模型[11-15]。

由于FSA中各項(xiàng)評(píng)價(jià)指標(biāo)是由專家打分決定，人為影響因素較大。人工神經(jīng)網(wǎng)絡(luò)算法一般用在大型船舶研究方面，小型漁船應(yīng)用減少，并且其算法收斂速度慢，無(wú)法滿足大批量漁船風(fēng)險(xiǎn)評(píng)估的需求。所以，提出一種新型、適合小型漁船的風(fēng)險(xiǎn)預(yù)警模型尤為必要。本文以福建海域漁船作為研究對(duì)象，對(duì)漁船結(jié)構(gòu)特點(diǎn)以及海洋環(huán)境等要素進(jìn)行分析，基于BP神經(jīng)網(wǎng)絡(luò)模型評(píng)估漁船預(yù)警等級(jí)，為海洋漁船安全作業(yè)提供保障。

1 漁船預(yù)警模型指標(biāo)體系構(gòu)建

1.1 海洋環(huán)境對(duì)漁船安全作業(yè)的影響

海洋環(huán)境主要是指海面風(fēng)和海浪。漁船在海上作業(yè)時(shí)會(huì)受到海面風(fēng)的作用而搖擺運(yùn)動(dòng)，其搖擺幅度由漁船與海面風(fēng)之間的相對(duì)風(fēng)向和相對(duì)風(fēng)速以及漁船的受風(fēng)面積共同決定。漁船在航行作業(yè)時(shí)也會(huì)受到海浪影響發(fā)生搖擺運(yùn)動(dòng)，與海面風(fēng)有所區(qū)別的是，在海浪中漁船搖擺強(qiáng)度主要由漁船的耐波性、波浪方向和漁船尺寸等因素決定。

1.2 漁船自身結(jié)構(gòu)對(duì)漁船安全作業(yè)的影響

1.2.1 漁船船齡的影響

隨著漁船船齡的延長(zhǎng)，船體疲勞度、腐蝕耗損度增加，導(dǎo)致自身結(jié)構(gòu)強(qiáng)度下降。根據(jù)《中國(guó)漁船安全分析報(bào)告》[3]，漁船全損事故的出險(xiǎn)率基本隨著漁船船齡分檔的增加而升高，從圖1的統(tǒng)計(jì)可以看出，船齡21年以上的漁船出險(xiǎn)率大幅上升。

圖1 漁船全損出險(xiǎn)率按出險(xiǎn)漁船的船齡分檔分析Fig.1 Total claim rate of fishing vessel according to age grading analysis

1.2.2 漁船噸位的影響

漁船的噸位也是影響漁船安全航行作業(yè)的因素之一。從操作性來(lái)看，噸位越大，靈活性越低，其受到航行海域水深、地形等因素的制約也就越大。同時(shí)，漁船噸位越大，往往體型也越大，船上的各個(gè)子系統(tǒng)也越加復(fù)雜，受漁船系統(tǒng)故障率的影響，發(fā)生海事的可能性也就越大。但是從抗風(fēng)浪的角度看，漁船噸位越大，其自身穩(wěn)性越高，抗風(fēng)浪能力越強(qiáng)，漁船在大風(fēng)浪天氣中發(fā)生海事的概率越低[18]。

1.2.3 漁船材質(zhì)的影響

在1999—2008年期間，木質(zhì)漁船發(fā)生的風(fēng)災(zāi)事故最多，總共有1 496艘次，占全部風(fēng)災(zāi)事故的54.22%。而全損事故中，木質(zhì)漁船數(shù)倍于鋼質(zhì)漁船。因此，風(fēng)災(zāi)事故對(duì)于木質(zhì)漁船的影響最大，而且多為毀滅性影響。

1.2.4 發(fā)動(dòng)機(jī)功率的影響

在風(fēng)災(zāi)事故中，功率45～146 kW的漁船發(fā)生事故的次數(shù)最多，而441 kW及以上的漁船發(fā)生事故次數(shù)最小[3]。在碰撞與觸礁事故中，漁船的出險(xiǎn)率是隨發(fā)動(dòng)機(jī)功率增加而提高的。由于功率較大的漁船體型也較大，回轉(zhuǎn)性不如小船靈活，在遭遇碰撞、觸礁及擱淺等風(fēng)險(xiǎn)時(shí)，往往來(lái)不及躲避，所以出險(xiǎn)率更高。

2 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型構(gòu)建

根據(jù)現(xiàn)有資料及案例庫(kù)中的數(shù)據(jù)，將漁船海事等級(jí)劃分為4個(gè)等級(jí)(安全、比較安全、危險(xiǎn)、非常危險(xiǎn))。(1)安全無(wú)預(yù)警：漁船不會(huì)發(fā)生海事事故；(2)三級(jí)預(yù)警：漁船發(fā)生海事事故，但僅僅令漁船產(chǎn)生部分損失，漁船并未沉沒(méi)，也為發(fā)生人員死亡事故；(3)二級(jí)預(yù)警：漁船發(fā)生海事事故，造成漁船全損，但并未發(fā)生人員死亡或失蹤等事故；(4)一級(jí)預(yù)警：漁船發(fā)生海事事故，造成漁船全損，發(fā)生人員死亡或失蹤事故。

2.1 模型輸入、輸出及隱含層的確定

本文以漁船風(fēng)險(xiǎn)預(yù)警指標(biāo)作為模型輸入層向量，漁船海事等級(jí)作為模型輸出層向量。預(yù)警模型輸入層節(jié)點(diǎn)共有6個(gè)，輸出層節(jié)點(diǎn)共有4個(gè)。隱含層連接著輸入層和輸出層，其神經(jīng)元的數(shù)目直接關(guān)系到模型計(jì)算結(jié)果。目前，一般使用試湊法來(lái)確定隱含層神經(jīng)元數(shù)目，根據(jù)經(jīng)驗(yàn)公式計(jì)算出隱含層神經(jīng)元數(shù)目的可能選擇，并進(jìn)行一定程度的微調(diào)，逐一進(jìn)行實(shí)驗(yàn)、對(duì)比，從而確定最優(yōu)隱含層神經(jīng)元數(shù)目。經(jīng)驗(yàn)公式如下所示：

(1)

b=2n+1

(2)

式中：b—隱含層神經(jīng)元數(shù)目；m—輸出層向量節(jié)點(diǎn)數(shù)；n—輸入層向量節(jié)點(diǎn)數(shù)；a—1至10的常數(shù)。根據(jù)以上公式可知，海洋漁船預(yù)警模型的隱含層數(shù)在13個(gè)左右。在此基礎(chǔ)上微調(diào)隱含層神經(jīng)元數(shù)目進(jìn)行網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練結(jié)果如圖2所示。

從圖2可以看出，當(dāng)隱含層數(shù)為20時(shí)，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練106次后達(dá)到預(yù)期精度，訓(xùn)練次數(shù)屬最少，故確定隱含層節(jié)點(diǎn)為20。因此，本文所用BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為6，隱含層神經(jīng)元數(shù)目20，輸出層節(jié)點(diǎn)數(shù)為4。

2.2 神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)及訓(xùn)練函數(shù)確定

人工神經(jīng)網(wǎng)絡(luò)中的傳遞函數(shù)影響著網(wǎng)絡(luò)的性能及輸出結(jié)果。根據(jù)海洋漁船預(yù)警模型中輸入層神經(jīng)元和輸出層神經(jīng)元的數(shù)據(jù)類型，以及從減少網(wǎng)絡(luò)收斂時(shí)間考慮，本文選用logsig函數(shù)作為隱含層及輸出層的傳遞函數(shù)。同時(shí)，考慮到樣本數(shù)量有限以及BP人工神經(jīng)網(wǎng)絡(luò)的局限性，采用經(jīng)過(guò)改進(jìn)的訓(xùn)練函數(shù)traingdx來(lái)訓(xùn)練網(wǎng)絡(luò)。與其他訓(xùn)練函數(shù)相比，traingdx函數(shù)加入了自適應(yīng)學(xué)習(xí)率及附加動(dòng)量項(xiàng)[16]，使其可以很好地訓(xùn)練有限樣本的神經(jīng)網(wǎng)絡(luò)，從而令網(wǎng)絡(luò)不會(huì)陷入局部最小值陷阱，并提高訓(xùn)練精度。

圖2 隱含層神經(jīng)元數(shù)的確定Fig.2 Determination of the number of neurons in the hidden layer

2.3 預(yù)警指標(biāo)權(quán)重計(jì)算

根據(jù)確定好的神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)及隱含層節(jié)點(diǎn)數(shù)，即可獲得權(quán)重閾值矩陣。根據(jù)以下公式，即可計(jì)算出各預(yù)警指標(biāo)權(quán)重[17]。

1)計(jì)算輸入神經(jīng)元和輸出神經(jīng)元之間的相關(guān)系數(shù)

(3)

2)根據(jù)相關(guān)系數(shù)計(jì)算相關(guān)指數(shù)

Rij=|(1-e-rjk)/(1+erjk)|

(4)

3)計(jì)算第i個(gè)預(yù)警指標(biāo)權(quán)重

(5)

式中：rjk—輸入層第j個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元之間的相關(guān)系數(shù)；ωij—輸入層第i個(gè)神經(jīng)元和隱含層第j個(gè)神經(jīng)元之間的權(quán)系數(shù)；vik—隱含層第j個(gè)神經(jīng)元和輸出層第k個(gè)神經(jīng)元之間的權(quán)系數(shù)；Si—第i個(gè)預(yù)警指標(biāo)的權(quán)重。利用人工神經(jīng)網(wǎng)絡(luò)算法能對(duì)預(yù)警模型指標(biāo)權(quán)重進(jìn)行動(dòng)態(tài)的調(diào)整。根據(jù)漁船海事案例的收集積累，各指標(biāo)對(duì)于漁船航行安全的影響會(huì)發(fā)生變化，令海洋漁船預(yù)警模型可以進(jìn)行動(dòng)態(tài)調(diào)整。隨著收集案例的增多，各指標(biāo)權(quán)重越接近于真實(shí)狀態(tài)，預(yù)警模型計(jì)算結(jié)果也越準(zhǔn)確。

3 仿真實(shí)例

3.1 數(shù)據(jù)準(zhǔn)備

研究數(shù)據(jù)來(lái)自某海事部門隨機(jī)選取的漁船事故案例，按照海洋漁船預(yù)警等級(jí)劃分標(biāo)準(zhǔn)對(duì)漁船事故案例進(jìn)行劃分。為了避免后期模型出現(xiàn)過(guò)擬合現(xiàn)象以及由于訓(xùn)練樣本數(shù)目過(guò)少，造成算法收斂較快、模型性能較差的后果，訓(xùn)練樣本個(gè)數(shù)選取原則保持在測(cè)試樣本個(gè)數(shù)的0.5～1.5倍之間。本文根據(jù)漁船風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)測(cè)試樣本的結(jié)果，以絕對(duì)百分比誤差(APE)指標(biāo)來(lái)定量評(píng)判模型的性能。計(jì)算公式為：

式中：vc—模型預(yù)測(cè)結(jié)果正確樣本個(gè)數(shù)；vd—實(shí)際測(cè)試樣本個(gè)數(shù)。

由于篇幅有限，表2只隨機(jī)列出30個(gè)漁船海事案例，包括海事發(fā)生時(shí)漁船的結(jié)構(gòu)數(shù)據(jù)及海風(fēng)海浪數(shù)據(jù)。

3.2 結(jié)果

通過(guò)多次實(shí)驗(yàn)得出：訓(xùn)練樣本和測(cè)試樣本分別為50和50時(shí)，BP漁船風(fēng)險(xiǎn)模型APE為30.42%；分別為60和80時(shí)，APE為27.60%；分別為70和130時(shí)，APE為28.58%；分別為80和150時(shí)，APE為29.37%；分別為90和70時(shí)，APE為28.96%(圖3)。

圖3 漁船風(fēng)險(xiǎn)模型平均誤差Fig.3 Average error of fishing vessel risk model

由圖4得出，訓(xùn)練樣本為測(cè)試樣本的0.75倍時(shí)，模型精度相對(duì)達(dá)到最高，但是其APE在27.60%左右，誤差水平整體偏高。

圖4 BP神經(jīng)網(wǎng)絡(luò)絕對(duì)百分比誤差(APE)Fig.4 Absolute percentage error of BP neural network

3.3 分析

由實(shí)驗(yàn)得出，基于BP神經(jīng)網(wǎng)絡(luò)的漁船預(yù)警模型的最小APE為27.60%，并且模型訓(xùn)練次數(shù)較多、訓(xùn)練較慢。模型存在的缺陷是由于BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值選取不當(dāng)，為了避免相鄰預(yù)警樣本之間由于親近度造成模型的誤差，本文使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值，以提高預(yù)測(cè)精度。

基于遺傳BP神經(jīng)網(wǎng)絡(luò)最大百分比誤差為20.24%，而基于BP神經(jīng)網(wǎng)絡(luò)最大百分比誤差為30.42%，由于使用不同數(shù)量測(cè)試樣本，模型最大百分比誤差甚至超過(guò)了50%。這說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)的漁船風(fēng)險(xiǎn)預(yù)警模型泛化能力較遺傳BP神經(jīng)網(wǎng)絡(luò)要差，并且遺傳BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)明顯少于BP神經(jīng)網(wǎng)絡(luò)，說(shuō)明經(jīng)過(guò)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，其初始權(quán)重和閾值選取比較合理，預(yù)測(cè)模型精度更高(圖5、圖6)。

圖5 基于遺傳BP神經(jīng)網(wǎng)絡(luò)漁船風(fēng)險(xiǎn)模型平均誤差Fig.5 Average error of fishing vessel risk model based on genetic BP neural network

圖6 基于遺傳BP神經(jīng)網(wǎng)絡(luò)絕對(duì)百分比誤差Fig.6 Absolute percentage error of neural network based on genetic BP neural network

4 結(jié)論

利用漁船遇險(xiǎn)6種指標(biāo)構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的漁船風(fēng)險(xiǎn)預(yù)警模型，其預(yù)測(cè)值與實(shí)際值基本吻合。為了避免模型過(guò)擬合現(xiàn)象的出現(xiàn)，根據(jù)訓(xùn)練樣本和測(cè)試樣本比例的不同進(jìn)行了多次實(shí)驗(yàn)，最終確定在訓(xùn)練樣本數(shù)為測(cè)試樣本數(shù)的0.75倍時(shí)，模型精度達(dá)到最高。由于預(yù)警模型數(shù)據(jù)為漁船自身結(jié)構(gòu)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)，與研究區(qū)海域影響不大，因此該模型具有一定的通用性。漁船遭受風(fēng)險(xiǎn)具有多種類型，本文僅考慮了漁船在大

風(fēng)浪等惡劣天氣條件下由于自然因素造成的災(zāi)害，因此，模型在預(yù)測(cè)漁船遭受災(zāi)害類型上有一定的局限性。

□

[1] 王宏,李強(qiáng).中國(guó)海洋統(tǒng)計(jì)年鑒[M]. 北京：海洋出版社,2014：47.

[2] 林法玲.漁港有效避風(fēng)面積計(jì)算探討—以霞關(guān)漁港為例[J].海洋預(yù)報(bào), 2013, 29(6)：92-97.

[3] 孫穎士,李冬霄.中國(guó)漁船安全分析報(bào)告(1999—2008)[M].北京：中國(guó)農(nóng)業(yè)出版社,2009：13,17,45-51.

[4] 秦庭榮,陳偉炯,郝育國(guó),等. 綜合安全評(píng)價(jià)(FSA)方法[J].中國(guó)安全科學(xué)報(bào),2005,15(4)：88-92.

[5] WANG J,KIERAN O.Offshore Safety Assessment and safety-based decision-making—the current status and future aspects[J]. Journal of Offshore Mechanics and Arctic Engineering,2000,122(2)：93-99.

[6] WANG J. A subjective modelling tool applied to formal ship safety assessment[J].Ocean Engineering,2000,27(10)：1019-1035.

[7] 劉大剛,鄭中義,吳兆麟.大風(fēng)浪中航行船舶風(fēng)險(xiǎn)體系分析[J].交通運(yùn)輸工程學(xué)報(bào),2004,4(2)：100-102.

[8] 任玉清,鄭吉輝.綜合安全評(píng)估(FSA)在漁船風(fēng)險(xiǎn)控制中的應(yīng)用[J].漁業(yè)現(xiàn)代化,2011,38 (3)：58-61.

[9] 羅福才,林焰,王運(yùn)龍.基于綜合安全評(píng)估的漁船安全風(fēng)險(xiǎn)分析[J].大連海事大學(xué)報(bào),2011,37(2)：51-53,57.

[10]RUMELHART, DAVID E,WIDROW,etal. Basic ideas in neural networks[J]. Communications of the ACM, 1994, 37(3)：87-92.

[11]路其軍.基于BP網(wǎng)絡(luò)的客滾船大風(fēng)浪航行安全評(píng)估[D].大連：大連海事大學(xué),2010.

[12]楊鹍鵬,王鵬,潘新祥.基于人工神經(jīng)網(wǎng)絡(luò)理論的船舶動(dòng)力裝置安全綜合評(píng)價(jià)模型[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù),2006,2(6)：90-93.

[13]鄭中義,吳兆麟.以BP神經(jīng)網(wǎng)絡(luò)計(jì)算船舶碰撞危險(xiǎn)度[J].世界海運(yùn),2000,23(2)：4-6.

[14]王勇.客滾船營(yíng)運(yùn)風(fēng)險(xiǎn)的BP神經(jīng)網(wǎng)絡(luò)評(píng)估[J].青島遠(yuǎn)洋船員學(xué)院學(xué)報(bào),2010,31(2)：67-70.

[15]鮑君忠,劉正江，黃通涵.船舶風(fēng)險(xiǎn)評(píng)價(jià)模型[J].大連海事大學(xué)學(xué)報(bào),2010,36(4)：11-13.

[16]SSUBRI S H, SALLEHUDDIN R, HARON H,etal. Neural network in corner detection of chain code series[J].International Journal of Artificial Intelligence & Machine Learning, 2006, 6(1)：37-43.

[17]吳銘峰.基于人工免疫的城市生態(tài)系統(tǒng)預(yù)警模型研究[D].南京：河海大學(xué),2006.Application of BP neural network in the early warning of fishing vessel navigation safety

WANG Jinhao, LI Xiaojuan, SUN Yonghua, LI Wenbin

(State Key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulation, Beijing Key Laboratory of Resource Environment and Geographic Information System, College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China)

During the voyage, the fishing vessel is in a potential threat because of its own structure or the influence of sea surface wind and waves. In order to study the risk of fishing vessels in the marine environment, based on the BP neural network algorithm, the fishing boats early warning model which is composed of 6 early warning indicators ：fishing vessel tonnage, engine power, material, fishing vessels age, sea breeze level, wave level, were evaluated and then the sea operations risk level for fishing vessels were finally determined. 400 fishing vessel accident cases were selected to develop the risk early warning model and the model was verified through classification of multiple levels for the training samples. The results of early warning and the actual results of statistical calculation showed, the correct rate remained at 79.76%-83.62%, in which when the training sample number was 0.75 times as the number of test samples, the accuracy of the model is highest. In conclusion, the assessment results of fishing vessel risk early warning model based on BP neural network was basically consistent with the actual condition of accident, which could provide guarantee for safe navigation .

fishing vessel navigation; safty warning; warning indicator; BP neural network

2015-11-13

2016-01-11

國(guó)家海洋公益性項(xiàng)目“海洋漁業(yè)安全環(huán)境保障服務(wù)系統(tǒng)關(guān)鍵技術(shù)研究及示范應(yīng)用(201205006)”和“海洋預(yù)報(bào)業(yè)務(wù)化系統(tǒng)模塊化構(gòu)建與應(yīng)用示范(201205017)”

王金浩(1990—)，男，碩士研究生，研究方向：海洋地理信息系統(tǒng)。E-mail：wjhao1990@126.com

孫永華(1982—)，男，講師，博士，研究方向：高光譜遙感、城市遙感、GIS軟件工程。E-mail：syhua1982@163.com

10.3969/j.issn.1007-9580.2016.01.009

S972.7

A

1007-9580(2016)01-047-06