2026, Vol. 56
2. 南海海洋气象联合实验室，广东 湛江 524088;
3. 近海海洋变化与灾害预警实验室，广东 湛江 524088;
4. 广东省高等学校陆架及深远海气候、资源与环境重点实验室，广东 湛江 524088
随着中国海洋经济的快速发展，海上活动日益频繁，海难事故呈现持续上升趋势。统计数据显示[1]，2019—2023年我国共发生海上遇险事故8 330起，遇险船舶6 159艘、遇险人员56 518人，特别是在南海海域，由于极端海洋气象灾害频发，导致海上事故频发[2]，海难风险等级较大。在海上遇险目标搜救行动中，遇险目标漂移轨迹预测是实施搜救作业的前提，可为搜寻区域的确定提供重要参考依据，其准确性和及时性是搜救工作成功与否的关键[3]。而海上遇险目标漂移预测的核心在于分析遇险目标在海洋气象背景场(主要为海面风、海流和波浪)驱动下所呈现的漂移特性，构建遇险目标漂移预测模型。目前，进行海上遇险目标漂移预测的模型主要有两类：漂移动力学半解析模型[4]和AP98风压漂移模型(AP98模型)[5]。前者是建立在动力学机制上的半解析模型，后者则是建立在统计学基础上的经验模型，其中，AP98模型是海上遇险目标漂移研究中应用最广泛的模型。
AP98模型起源于Hodgins等[6]对风致漂移(LEEWAY) 的定义，即漂移物体水上部分受风力驱动所产生的相对于海流的运动。基于大量海上漂移实验，Allen和Plourde[5]构建了漂移模型，即第一代AP98模型。模型假设流致漂移速度与表面流速度相等，且认为波浪的作用包含在了风致漂移中，以风致漂移角度、速度、风致漂移速度矢量分量(顺风向和侧风向速度分量)以及风压比率为模型参数，描述了漂移物体的漂移特性，但该模型在风速较小时具有一定的局限性。Allen等[7-9]发现10 m风速与风致漂移速度分量呈明显的线性关系，由此提出了第二代AP98模型。模型以风致漂移速度的顺风向和侧风向速度分量为主要参数，建立了更具鲁棒性的风致漂移方程。风致漂移(LEEWAY)也被进一步定义为物体由10 m高的海面风与0.3~1 m深的表面流共同引起的漂移运动[10]，揭示了遇险目标在海上的漂移运动是由海面风和表面流共同作用的结果。Haiwen等[11-12]对AP98模型和漂移动力学半解析模型进行了改进，进一步优化了模型的风致漂移参数。Kui等[13]以渔船为研究对象开展了风致漂移特性研究，采用最小二乘法拟合模型的风漂系数，表明AP98模型具有较优的拟合性能。
影响AP98模型漂移预测准确度的关键因素为风致漂移参数，风致漂移参数主要因遇险目标漂移特性的差异而产生不同的结果。翁怡婵等[14]使用1 h时间分辨率数据，拟合得到浮标的风致漂移参数为0.01，平均误差为6.259 km。李金铎等[15]基于30 s时间分辨率的位置数据、2 h时间分辨率的风速和海流数据为基础，计算渔船数据的风致漂移参数为0.1。周水华等[16]采用10 min时间分辨率的位置、风速数据和2 s时间分辨率的流速数据，得到渔船的风致漂移参数为0.038。张娟等[17]使用1 h时间分辨率的风、流数据，以及10 min时间分辨率的人体模型位置数据和2 h时间分辨率的救生筏位置数据，得到人体模型和救生筏的风致漂移参数分别为0.01和0.07，最大误差小于5 km。基于AP98模型，王海龙等[18]和Kui等 < sup>[13]采用10 min时间分辨率数据率定渔船的顺风向斜率、截距、回归标准差等风漂参数，与陈海涛等[19]使用10 s时间分辨率的位置和风速实测数据、20 s时间分辨率的流速数据率定的风致漂移参数存在明显差异。前人对风致漂移参数的率定采用了不同的时间分辨率数据，但数据时间分辨率对遇险目标漂移轨迹精度的影响尚不清晰，且风场和流场等预报动力场的时间分辨率与率定的风致漂移参数数据的时间分辨率也不相匹配，进一步影响了遇险目标漂移轨迹的预测精度。
AP98模型在搜救作业中具有重要的应用价值，其模拟精度受多重因素制约，特别是模型中的风致漂移参数。风致漂移参数的率定主要依靠海上遇险目标漂移实验，它不仅因漂移目标物类型而存在差异，还受观测数据质量及其时间分辨率的影响。风场的波动性较强，高时间分辨率观测可能会引入更多噪声，同时也会增加观测成本，而低时间分辨率又可能难以刻画风场波动的连续性变化。另外，在真实案例中，开展遇险目标漂移轨迹的预测时，AP98模型使用的风场和流场等动力场主要由数值模式的预报场提供，虽然随着计算机性能的提升，数值模式的时间分辨率得到了较大的提高，但受计算速度和计算代价的限制，目前的主流预报模式依然为小时级分辨率的预报，与漂移参数率定过程中采用的较高时间分辨率数据不一致。因此，探究数据时间分辨率差异对海上遇险目标漂移预测精度的影响规律，不仅能够为海上遇险目标漂移预测模型的优化提供参考，还能为遇险目标的海上实验和数值预报海洋气象环境场的时间分辨率设置提供科学依据。
1 数据与方法 1.1 数据(1) 2023年4月16—25日，在南海珠江口万山群岛附近海域开展了遇险目标漂移实验，获取了中国典型无动力渔船(主尺度为30 m×6 m、总吨位80 t)漂移轨迹数据，以及同步的海流、风速、风向等海洋环境数据，数据时间分辨率为10 min。实验共获取946个有效轨迹点。表 1为中国典型渔船8次漂移的位置、时间、风速和流速等信息。
|
表 1 中国典型渔船漂移实验概况 Table 1 Drift experiments for typical Chinese fishing vessel |
(2) 欧洲中期天气预报中心提供的ERA5再分析数据，空间分辨率为0.25°×0.25°，时间分辨率为1 h，变量包括海平面气压、风场和降水等，使用该数据分析2023年4月16—25日天气背景。
1.2 方法 1.2.1 AP98模型AP98模型是建立在统计学基础上的经验模型，广泛应用于渔船漂移轨迹的预测中[20-23]。风致漂移速度L和海上10 m风速呈线性关系[7]，风致漂移速度L又可以分解为顺风向漂移速度(Downwind leeway component，DWL)和侧风向漂移速度(Crosswind leeway component，CWL)，根据CWL漂移是在顺风方向的右或左，CWL被进一步分为+CWL(右正)和-CWL(左负)。基于渔船漂移实验获取的大量风场和定位数据，分别对L、DWL、+CWL和-CWL使用最小二乘法进行线性拟合，率定风致漂移参数，建立渔船漂移轨迹和风速的关系。线性拟合方程如下：
| $ \left\{\begin{array}{l} L_{\mathrm{d}}=a_{\mathrm{d}} V_{\mathrm{w}}+b_{\mathrm{d}}+\varepsilon_{\mathrm{d}}(D W L) \\ L_{\mathrm{c}+}=a_{\mathrm{c}+} V_{\mathrm{w}}+b_{\mathrm{c}+}+\varepsilon_{\mathrm{c}+}(+C W L) \\ L_{\mathrm{c}-}=a_{\mathrm{c}}-V_{\mathrm{w}}+b_{\mathrm{c}-}+\varepsilon_{\mathrm{c}-}(-C W L) \end{array}\right.。$ | (1) |
式中：L为风致漂移速度；a，b为拟合系数；ε为标准差；下角标d，c+，c-分别对应顺风、右偏和左偏风向；Vw为海面10 m风速。
1.2.2 拉格朗日粒子追踪法拉格朗日粒子追踪法是用于研究流体或颗粒运动的数值模拟方法，其核心在于追踪单个粒子或示踪质点在流场中的运动轨迹[24-26]。在已知物体初始位置、风场、流场的条件下对式(2)进行求解则得到物体的漂移轨迹。
风、流共同作用下海面物体的漂移轨迹由下式计算：
| $ x(t)-x_0=\int_0^t\left[\boldsymbol{L}(t)+\boldsymbol{V}_{\mathrm{c}}(t)\right] \mathrm{d} t。$ | (2) |
式中：x t为t时刻物体的位置；x0为初始时刻物体的位置；L为风致漂移速度；Vc为水体流速；一般取水面下0.3~1 m左右。
1.3 数据时间分辨率对渔船漂移轨迹精度影响的敏感性试验设置为探讨不同时间分辨率数据对渔船漂移轨迹预测精度的影响，并为海上观测实验和数值预报风场的时间分辨率设置提供科学依据，本研究基于渔船漂移实验获取的946个有效轨迹点的10 min分辨率数据，考虑目前主流数值预报模式的时间分辨率，构建了30、60和90 min时间分辨率的数据集，对应样本量分别为316、158和106个。使用约束性线性回归和非约束性线性回归，对不同时间分辨率数据下，AP98模型的风致漂移参数进行率定，约束性线性回归将截距约束为零，即假设无风时漂移速度为零，漂移完全由风驱动，非约束性线性回归通过数据自身确定截距，考虑非风因素对漂移的贡献。
使用不同时间分辨率数据率定的风漂参数，开展渔船漂移轨迹预测试验。对比各时间分辨率数据的预测轨迹与实测轨迹，采用平均欧氏距离误差，评估预测轨迹与实测轨迹的偏差，以揭示不同时间分辨率数据对渔船漂移轨迹预测精度的影响。平均欧氏距离误差(Mean euclidean distance，MED)计算公式如下：
| $ M E D=\frac{1}{T} \sum\limits_{t=1}^T E D_t=\frac{1}{T} \sum\limits_{t=1}^T \sqrt{\left(x_t-\hat{x_t}\right)^2+\left(y_t-\hat{y_t}\right)^2} 。$ | (3) |
式中: xt、yt为预测轨迹在第t时刻的位置;
4月中下旬，广东沿海地区处于冬季向春季转换期，常为冬季风和夏季风交替控制，台风季尚未开始，除冷暖空气交汇产生降水外，天气形势相对较为稳定，海况良好，为海上遇险目标漂移观测实验的开展提供了窗口期。分析2023年4月16—25日渔船漂移实验期间的海平面气压场、风场和降水特征(见图 1)发现，2023年4月16日12时(见图 1(a))，万山群岛海域受弱气压场控制，其东北部存在弱冷高压，主要为东北偏东风，至4月19日12时(见图 1(d))，弱冷高压逐渐移至万山群岛东南部海域，同时万山群岛西北偏西部低压发展，万山群岛海域逐渐转为偏南风。自4月20日12时(见图 1(e))至23日12时(见图 1(h))，万山群岛位于弱冷高压的西南部，风向以东北偏东风为主。4月24日12时(见图 1(i))，新的冷空气从北部逐渐影响到万山群岛海域，风向逐渐转为偏北风。除4月20日12时(见图 1(e))至22日12时(见图 1(g))受降水过程影响外，其他实验期间天气形势较为稳定。
|
( 黑色圆点“•”表示万山群岛位置。2023年4月(a)16日12时，(b)17日12时，(c)18日12时，(d)19日12时，(e)20日12时，(f)21日12时，(g)22日12时，(h)23日12时，(i)24日12时，(j)25日12时。The black dot "•" indicates the position of Wanshan Islands. (a) 12 BJT 16, (b) 12 BJT 17, (c) 12 BJT 18, (d) 12 BJT 19, (e) 12 BJT 20, (f) 12 BJT 21, (g) 12 BJT 22, (h) 12 BJT 23, (i) 12 BJT 24, (j) 12 BJT 25 on April, 2023. ) 图 1 2023年4月16—25日渔船漂移实验期间的海平面气压场(等值线，单位：hPa)、10 m风场(箭头，单位：m/s)和降水(填色，单位：mm/h) Fig. 1 The sea level pressure (solid line, unit: hPa), 10 m wind (arrow, unit: m/s) and precipitation (shaded, unit: mm/h) during typical Chinese fishing vessel drift experiments from 16 to 25 April, 2023 |
风场和海流是影响遇险目标漂移的重要因素。图 2为渔船漂移实验期间观测风场和海流的变化特征。分析观测风场变化特征(见图 2(a)、2(b))可知，风速平均值为4.5 m/s，其范围为1.4~11.1 m/s，其中4月16日08时风速最小，4月22日19时风速最大，除4月22日19时—23日01时外，其他风速均低于8.0 m/s；风向观测设定180°为北风，270°为东风，与流向观测保持一致，观测风向在4月16、22、23和25日，主要为偏东风或东北风，其他实验期间主要以东南风为主。分析观测海流变化特征(见图 2(c)、2(d))可知，海流流速平均值为0.04 m/s，其范围为0.02~0.1 m/s，其中4月16日12时海流流速最小，4月23日07时海流流速最大；观测海流流向主要为东北向(200°~250°)。在不同的实验期间，风速、风向、流速和流向存在明显的差异，也为AP98模型参数率定提供了多样化的样本。
|
( (a)10 min平均风速，(b)10 min平均风向(180°为北风，270°为东风)，(c)10 min平均流速，(d)10 min平均流向(180°为南向流，270°为西向流)。(a) 10 min average wind speed, (b) 10 min average wind direction (180° indicates northerly wind, 270° indicates easterly wind), (c) 10 min average current speed, (d) 10 min average current direction (180° indicates southward flow, 270° indicates westward flow). ) 图 2 中国典型渔船漂移实验同步的风和流观测数据 Fig. 2 Observation data of wind and current during typical Chinese fishing vessel drift experiments |
采用约束性线性回归和非约束性线性回归两种方法，使用不同时间分辨率的数据，率定了AP98模型的风致漂移参数(L、DWL、+CWL、-CWL)，率定结果如图 3—6所示，其风致漂移参数值详见表 2。分析发现，不同时间分辨率数据的风致漂移参数存在明显差异。对于10 min时间分辨率数据(见图 3和表 2)，10 m风速与L、DWL、+CWL、-CWL的约束线性回归拟合的拟合残差Syx分别为0.058 8、0.068 4、0.069 5和0.062 2，决定系数R2分别为0.781、0.670、0.440和0.140；非约束性线性回归拟合的拟合残差Syx为0.058 0、0.068 0、0.069 6和0.061 7，决定系数R2分别为0.790、0.670、0.450和0.160。其中，决定系数R2可表征各风致漂移参数与10 m风速之间的线性拟合效果，其值越接近1，模型的线性拟合效果越好。对比发现两类拟合方法的10 m风速与L、DWL的决定系数R2较大，拟合效果较好，而10 m风速与+CWL的拟合效果稍差，与-CWL拟合效果较差，在两种方法中-CWL的决定系数R2值均小于0.200，表明-CWL与10 m风速之间的线性关系不明显。且非约束性线性回归的决定系数R2均大于约束性线性回归，表明非约束性线性回归拟合效果较优。
|
( 红线表示非约束性线性回归拟合线，绿线表示约束性线性回归拟合线，虚线为95%置信区间。(a)为风致漂移速度(L)，(b)为顺风向漂移速度(DWL)，(c)为右侧风向漂移速度(+CWL)，(d)为左侧风向漂移速度(-CWL)。Unconstrained linear regression (solid) and 95% of the confidence levels (dash) are plotted in red, while constrained linear regression is plotted in green. (a) Wind-induced leeway speed (L), (b) Downwind leeway speed (DWL), (c) Rightward crosswind leeway speed (+CWL), (d) Leftward crosswind leeway speed (-CWL). ) 图 3 10 min时间分辨率数据10 m风速与风致漂移参数的线性拟合 Fig. 3 Linear regression between 10 m wind speed versus wind-induced drift parameters at 10 min temporal resolution |
|
( 红线表示非约束性线性回归拟合线，绿线表示约束性线性回归拟合线，虚线为95%置信区间。(a)为风致漂移速度(L)，(b)为顺风向漂移速度(DWL)，(c)为右侧风向漂移速度(+CWL)，(d)为左侧风向漂移速度(-CWL)。Unconstrained linear regression (solid) and 95% of the confidence levels (dash) are plotted in red, while constrained linear regression is plotted in green. (a) Wind-induced leeway speed (L), (b) Downwind leeway speed (DWL), (c) Rightward crosswind leeway speed (+CWL), (d) Leftward crosswind leeway speed (-CWL). ) 图 4 30 min时间分辨率数据10 m风速与风致漂移参数的线性拟合 Fig. 4 Linear regression between 10 m wind speed versus wind-induced drift parameters at 30 min temporal resolution |
|
( 红线表示非约束性线性回归拟合线，绿线表示约束性线性回归拟合线，虚线为95%置信区间。(a)为风致漂移速度(L)，(b)为顺风向漂移速度(DWL)，(c)为右侧风向漂移速度(+CWL)，(d)为左侧风向漂移速度(-CWL)。Unconstrained linear regression (solid) and 95% of the confidence levels (dash) are plotted in red, while constrained linear regression is plotted in green. (a) Wind-induced leeway speed (L), (b) Downwind leeway speed (DWL), (c) Rightward crosswind leeway speed (+CWL), (d) Leftward crosswind leeway speed (-CWL). ) 图 5 60 min时间分辨率数据10 m风速与风致漂移参数的线性拟合 Fig. 5 Linear regression between 10 m wind speed versus wind-induced drift parameters at 60 min temporal resolution |
|
( 红线表示非约束性线性回归拟合线，绿线表示约束性线性回归拟合线，虚线为95%置信区间。(a)为风致漂移速度(L)，(b)为顺风向漂移速度(DWL)，(c)为右侧风向漂移速度(+CWL)，(d)为左侧风向漂移速度(-CWL)。Unconstrained linear regression (solid) and 95% of the confidence levels (dash) are plotted in red, while constrained linear regression is plotted in green. (a) Wind-induced leeway speed (L), (b) Downwind leeway speed (DWL), (c) Rightward crosswind leeway speed (+CWL), (d) Leftward crosswind leeway speed (-CWL). ) 图 6 90 min时间分辨率数据10 m风速与风致漂移参数的线性拟合 Fig. 6 Linear regression between 10 m wind speed versus wind-induced drift parameters at 90 min temporal resolution |
|
|
表 2 不同时间分辨率数据率定的AP98模型风致漂移参数 Table 2 Wind-induced drift parameters of the AP98 model calibrated by different temporal resolutions |
对于30 min时间分辨率数据(见图 4和表 2)，10 m风速与L、DWL、+CWL、-CWL的约束线性回归拟合的拟合残差Syx分别为0.055 2、0.064 0、0.071 1和0.056 3，决定系数R2分别为0.800、0.700、0.420和0.150；非约束性线性回归拟合的拟合残差Syx为0.053 9、0.063 6、0.071 3和0.055 9，决定系数R2分别为0.810、0.700、0.420和0.170。两类拟合方法的10 m风速与L和DWL的拟合效果较好，而与+CWL的拟合效果一般，与-CWL拟合效果较差。总体上30 min时间分辨率数据下的拟合结果与10 min时间分辨率数据的拟合结果相近，但30 min时间分辨率数据的拟合残差Syx较小，且决定系数R2较大，表明其拟合效果优于10 min时间分辨率数据。
对于60 min时间分辨率数据(见图 5和表 2)，10 m风速与L、DWL、+CWL、-CWL的约束线性回归拟合的拟合残差Syx分别为0.057 9、0.066 5、0.075 0和0.060 9，决定系数R2分别为0.780、0.680、0.380和-0.007；非约束性线性回归拟合的拟合残差Syx为0.056 8、0.066 3、0.075 4和0.059 0，决定系数R2分别为0.790、0.680、0.380和0.070。两类拟合方法的10 m风速与L和DWL的决定系数R2较大，与+CWL的拟合效果一般，与-CWL拟合效果较差。相较于10 min时间分辨率数据的拟合效果，60 min时间分辨率数据的拟合残差Syx稍小，且决定系数R2稍大，表明其拟合效果稍优于10 min时间分辨率数据的拟合效果。
对于90 min时间分辨率数据(见图 6和表 2)，10 m风速与L、DWL、+CWL、-CWL的约束线性回归拟合的拟合残差Syx分别为0.056 8、0.063 5、0.070 1和0.058 7，决定系数R2分别为0.800、0.720、0.360和0.200；非约束性线性回归拟合的拟合残差Syx为0.055 8、0.063 3、0.070 2和0.059 3，决定系数R2分别为0.810、0.720、0.370和0.210。对比其他时间分辨率数据的拟合效果发现，90 min时间分辨率数据的拟合残差Syx和决定系数R2与60 min时间分辨率数据的较为接近。
综上所述，对比约束性线性回归和非约束性线性回归率定的风致漂移参数可发现，各时间分辨率数据中L、DWL、+CWL和-CWL的决定系数R2依次减小，且L和DWL的决定系数R2均远大于+CWL和-CWL的决定系数R2，表明10 m风速与L和DWL拟合效果较好，与+CWL和-CWL拟合结果较差，即10 m风速与L、DWL之间的线性关系明显，而与+CWL和-CWL的线性关系不明显。对比约束性线性回归和非约束性线性回归拟合效果可发现，相对于约束性线性回归，整体上非约束性线性回归的拟合残差Syx较小、决定系数R2较大，表明非约束性线性回归的拟合效果较优。DWL和CWL是影响风致漂移轨迹预测精度的关键参数，对比不同时间分辨率数据下非约束性回归率定的风致漂移参数可发现，相对于其它时间分辨率数据，30 min时间分辨率数据的DWL和-CWL的拟合残差Syx较小，决定系数R2较大，表明30 min时间分辨率数据率定的风致漂移参数能更准确地刻画风速与漂移速度之间的关系，即30 min时间分辨率数据率定的DWL和-CWL较优。
2.3 不同时间分辨率率定的风致漂移参数对漂移预测轨迹精度的检验使用不同时间分辨率数据率定风致漂移参数，开展基于AP98模型的渔船漂移轨迹的预测试验和误差检验(见图 7、图 8和表 3)，依据预测轨迹与实测轨迹的差异大小，可将预测轨迹结果分为与实际轨迹相差较小和相差较大两类。分别计算各实验中预测轨迹与实测轨迹的欧氏距离，开展误差检验。对于预测轨迹与实测轨迹相差较小的实验(实验1—4，见图 7)，不同时间分辨率数据率定的风致漂移参数，其预测轨迹均表现出较高的准确性。实验1(见图 7(a))漂移时长为3.6 h，10~90 min时间分辨率数据率定的风致漂移参数预测轨迹的平均误差分别为0.252、0.363、0.597和0.872 km。实验2(见图 7(b))漂移时长为3.2 h，10~90 min时间分辨率数据预测轨迹的平均误差分别为0.382、0.461、0.609和0.774 km。实验3(见图 7(c))漂移时长为7 h，10~90 min时间分辨率数据预测轨迹的平均误差分别为0.878、1.072、1.311和1.321 km。实验4(见图 7(d))漂移时长为16.1 h，10~90 min时间分辨率数据率定预测轨迹的平均误差分别为0.646、0.833、1.349和1.417 km。总体来看，不同时间分辨率数据对预测轨迹有一定影响，且4个实验都呈现出随数据时间分辨率降低，误差逐渐增大的趋势。但实验1—4的预测轨迹与实测轨迹相差较小，除实验1和实验2的90 min时间分辨率数据预测轨迹的平均误差有明显增大外，其他实验预测轨迹效果均较为理想。因此，当预测轨迹与实测轨迹较为接近时，高时间分辨率数据能获得更准确的结果，但不同时间分辨率数据间的差异并不显著。
|
( 红线表示实测轨迹，黑、蓝、绿、黄线分别表示10、30、60和90 min时间分辨率数据的预测轨迹。The red line represents the observation trajectory, and the black, blue, green, yellow lines represent the prediction trajectories at 10, 30, 60 and 90 min temporal resolutions, respectively. ) 图 7 4组实验不同时间分辨率数据的预测轨迹(预测轨迹与实测轨迹相差较小实验) Fig. 7 Prediction trajectories of four experiments at different temporal resolutions (Experiments with small difference between the prediction and observation trajectories) |
|
( 红线表示实测轨迹，黑、蓝、绿、黄线分别表示10、30、60和90 min时间分辨率数据的预测轨迹。The red line represents the observation trajectory, and the black, blue, green, yellow lines represent the prediction trajectories at 10, 30, 60 and 90 min temporal resolutions, respectively. ) 图 8 4组实验不同时间分辨率数据的预测轨迹(预测轨迹与实测轨迹相差较大实验) Fig. 8 Prediction trajectories of four experiments at different temporal resolutions (Experiments with big difference between the predicted andobserveation trajectories) |
|
|
表 3 8组实验的小时平均预测轨迹与实测轨迹误差 Table 3 Hourly prediction error of eight experiments |
对于预测轨迹与实测轨迹相差较大的实验(实验5—8，见图 8)，实验5(见图 8(a))漂移时长为2.6 h，误差检验表明，30 min时间分辨率数据预测轨迹最优(平均误差为0.180 km)，而60 min时间分辨率数据预测轨迹平均误差最大(平均误差为0.221 km)，10和90 min时间分辨率数据预测轨迹平均误差分别为0.182和0.188 km；实验6(见图 8(b))漂移时长为5.8 h，30 min时间分辨率数据预测轨迹误差最小(为0.169 km)，其次为60、10和90 min时间分辨率，预测轨迹平均误差分别为0.181、0.188和0.437 km，30 min时间分辨率数据相对其它时间分辨率数据预测轨迹精度显著提高；实验7(见图 8(c))漂移时长为7.6 h，60 min时间分辨率数据下的预测轨迹平均误差最小(为0.473 km)，其次为10、30和90 min时间分辨率，预测轨迹平均误差为0.489、0.566和0.757 km。在前4 h，10 min时间分辨率数据预测轨迹较优，而后3 h，60 min时间分辨率数据预测轨迹较优；实验8(见图 8(d))漂移时长为4.5 h，90 min时间分辨率数据预测轨迹平均误差最小(为0.488 km)，其次为60、30和10 min时间分辨率，平均误差分别为0.510、0.667和0.763 km，30 min时间分辨率的平均误差低于10 min时间分辨率，整体呈现出随时间分辨率降低，误差逐渐减小的趋势。总体来看，在预测轨迹与实测轨迹相差较大的实验中，不同时间分辨率数据对预测轨迹精度的影响较大。
综上分析发现，不同时间分辨率数据(10、30、60、90 min)率定的风致漂移参数，对渔船漂移轨迹预测精度有明显影响，且在预测轨迹与实测轨迹相差较小与相差较大的实验中表现出较大差异。在预测轨迹与实测轨迹相差较小的实验(实验1—4)中，均呈现出数据时间分辨率越高，预测轨迹准确性越高的趋势，但总体上不同时间分辨率数据的预测轨迹精度差异较小，对预测轨迹精度影响较小。而在预测轨迹与实测轨迹相差较大的实验(实验5—8)中，实验5和实验6的30 min时间分辨率数据预测轨迹最佳，其相对于其它时间分辨率数据，预测轨迹精度有明显提升。实验7和实验8分别是60和90 min时间分辨率数据预测轨迹精度最高，表明对于预测轨迹与实测轨迹相差较大的实验，数据时间分辨率的降低提升了预测轨迹的精度，且相对于10 min时间分辨率数据，预测轨迹精度提升明显。分析小时累计误差发现，在多数实验中，随着渔船漂移时长增加，预测轨迹误差总体呈现增大的趋势，但在实验4的1~3 h，30 min时间分辨率数据轨迹预测误差最小，在实验8的前4 h，30 min时间分辨率数据轨迹预测误差也最小。进一步分析各时间分辨率数据的总体平均误差发现，从10~90 min时间分辨率数据，其平均误差依次为1.602、1.595、1.701和1.777 km，表明30 min时间分辨率数据下的预测轨迹整体平均误差最小。
总体而言，对于预测轨迹与实测轨迹相差较小的实验，不同时间分辨率数据对预测轨迹精度影响较小，而对于相差较大的实验，时间分辨率数据对预测轨迹精度影响明显，当数据时间分辨率为30 min时，预测精度有明显提升，且所有实验中30 min时间分辨率数据的整体平均误差最小。由此可见，数据时间分辨率与预测精度之间并非简单的线性关系，其原因可能是预测轨迹受风场的随机性扰动影响较大，高时间分辨率数据(10 min)包含较多的随机扰动[27]，而较低时间分辨率数据(60和90 min)又难以刻画风场连续变化的特征，导致预测轨迹误差较大。30 min时间分辨率数据表现出较好的平衡效果，既避免了过高时间分辨率数据的噪声影响，又刻画了风场变化的连续性特征，为漂移轨迹的预测提供了关键信息。
3 结论与讨论本文基于南海珠江口万山群岛海域渔船漂移实验数据，构建10、30、60和90 min时间分辨率的数据集，分别对不同时间分辨率数据下，AP98预测模型的风致漂移参数进行率定，开展渔船漂移轨迹预测精度与数据时间分辨率设置的敏感性试验，揭示了数据时间分辨率对渔船漂移轨迹的影响规律。
使用不同时间分辨率数据，基于约束性线性回归和非约束性线性回归，率定风致漂移参数发现，10 m风速与L和DWL拟合效果较好，与+CWL和-CWL拟合结果较差，表明L和DWL与10 m风速之间的线性关系明显。相对于约束性线性回归，非约束性线性回归整体的拟合残差Syx较小、决定系数R2较大，表明非约束性线性回归的拟合效果较优。DWL和CWL是影响风致漂移轨迹预测精度的关键参数，使用非约束性回归，对比不同时间分辨率数据下率定的风致漂移参数可发现，相对于其它时间分辨率数据，30 min时间分辨率数据的DWL和CWL拟合残差Syx较小，且决定系数R2较大，表明30 min时间分辨率数据率定的DWL和CWL线性拟合效果较优。
基于非约束性回归率定的风致漂移参数，使用AP98模型开展渔船轨迹预测试验，根据轨迹预测效果，分为预测轨迹与实测轨迹相差较小和相差较大两类。通过检验分析发现，对于预测轨迹与实测轨迹相差较小的实验，虽然随着时间分辨率的降低，误差有增大的趋势，但误差增长较小，即数据时间分辨率的差异对预测轨迹精度的总体影响不明显，而对于相差较大的实验，数据时间分辨率对预测轨迹精度影响较大。当数据时间分辨率为30 min时，其预测精度明显高于其他时间分辨率数据的预测精度，且在所有实验中30 min时间分辨率数据的整体平均误差最小。AP98模型中的风致漂移参数对风场较为敏感，由于风场的观测误差和较强的随机扰动，高时间分辨率数据(例如10 min)可能包含更多的噪声，而低时间分辨数据(例如60和90 min)难以体现风场的高频变化特征。使用30 min时间分辨率数据，渔船漂移轨迹预测精度较高，既避免了过高时间分辨率带来的噪声，也保留了风场的高频变化特征。
在AP98模型中，风致漂移参数的率定依赖于观测数据，观测数据的时间分辨率越高，对观测设备性能、人员技能等要求会越高，观测成本代价越大。在使用AP98模型开展漂移轨迹的实际预测中，其动力场通常是由数值模式提供的预报场，数值模式预报的时间分辨率越高，计算代价越大，且目前数值预报数据的时间分辨率通常为1 h，针对具体遇险目标搜救时，可进行加密模拟达到30 min，但难以达到10 min时间分辨率。因此，本文通过探究数据时间分辨率对渔船漂移轨迹预测精度的影响，不仅可为渔船漂移轨迹预测模型优化提供理论基础, 还可为海上观测及数值预报模式中时间分辨率参数的设置提供科学依据。
| [1] |
中国海上搜救中心. 2019-2023全国海上搜救情况数据统计[EB/OL]. http://zizhan.mot.gov.cn/sj2019/soujiuzx/shujutj_sjzx/. China Maritime Search and Rescue Center. 2019-2023 National maritime search and rescue statistics[EB/OL]. http://zizhan.mot.gov.cn/sj2019/soujiuzx/shujutj_sjzx/. (  0) |
| [2] |
Zhu K, Mu L, Yu R, et al. Probabilistic modelling of surface drift prediction in marine disasters based on the NN-GA and ARMA model[J]. Ocean Engineering, 2023, 281: 114804. DOI:10.1016/j.oceaneng.2023.114804 ( 0) |
| [3] |
朱岿, 牟林, 王道胜, 等. 海上搜救辅助决策技术研究进展[J]. 应用海洋学学报, 2019, 38(3): 440-449. Zhu K, Mu L, Wang D S, et al. Advance in maritime search and rescue decision support techniques[J]. Journal of Applied Oceanography, 2019, 38(3): 440-449. ( 0) |
| [4] |
Anderson E, Odulo A, Spaulding M. Modeling of leeway drift[J]. Ocean Currents, 1998, CG-D-06-99. ( 0) |
| [5] |
Allen A, Plourde J. Review of Leeway: Field Experiments and Implementation[M]. Groton: U. S. Coast Guard Research and Development Center, 1999.
( 0) |
| [6] |
Hodgins D O, Hodgins S L M. Phase Ⅱ Leeway Dynamicsprogram: Development and Verification of Mathematical Drift for Liferafts and Small Boats[R]. Canadian: Canadian Coast Guard, 1998.
( 0) |
| [7] |
Allen A A. Leeway Divergence[R]. Groton: U. S. Coast Guard Research and Development Center, 2005: 1-128.
( 0) |
| [8] |
Richardson P L. Drifting in the wind: Leeway errors in ship drift data[J]. Deep Sea Research Part I., 1997, 44(11): 1877-1903. DOI:10.1016/S0967-0637(97)00059-9 ( 0) |
| [9] |
Guedes Soares C, Rusu L, Bernardino M, et al. An operational wave forecasting system for the portuguese continental coastal area[J]. Journal of Operational Oceanography, 2011, 4(2): 17-27. DOI:10.1080/1755876X.2011.11020124 ( 0) |
| [10] |
Breivik Oyvind, Allen A A, Maisondieu C, et al. Wind-induced drift of objects at sea: The leeway field method[J]. Applied Ocean Research, 2011, 33(2): 100-109. DOI:10.1016/j.apor.2011.01.005 ( 0) |
| [11] |
Tu H, Wang X, Mu L, et al. Predicting drift characteristics of persons-in-the-water in the South China Sea[J]. Ocean Engineering, 2021, 242: 110134. DOI:10.1016/j.oceaneng.2021.110134 ( 0) |
| [12] |
Tu H, Xia K, Mu L, et al. Predicting drift characteristics of life rafts: Case study of field experiments in the South China Sea[J]. Ocean Engineering, 2022, 262: 112158. DOI:10.1016/j.oceaneng.2022.112158 ( 0) |
| [13] |
Zhu K, Mu L, Tu H. Exploration of the wind-induced drift characteristics of typical Chinese offshore fishing vessels[J]. Applied Ocean Research, 2019, 92: 101916. DOI:10.1016/j.apor.2019.101916 ( 0) |
| [14] |
翁怡婵, 杨金湘, 江毓武. 台湾海峡漂移物运动轨迹的数值模拟[J]. 厦门大学学报: 自然科学版, 2009(3): 446-449. Weng Y C, Yang J X, Jiang Y W. Numerical simulation of drift trajectories in the Taiwan Strait[J]. Jounal of Xiamen University: Nature Science, 2009(3): 446-449. ( 0) |
| [15] |
李金铎, 龙绍桥, 郑锡建. 东海海域渔船无动力漂移试验研究[J]. 渔业现代化, 2011, 38(1): 60-63. Li J D, Long S Q, Zheng X J. Experimental study of fishing boat off-power float in the east China sea[J]. Fishery Modernization, 2011, 38(1): 60-63. ( 0) |
| [16] |
周水华, 杨阳, 冯伟忠. 广东海域模拟人和无动力渔船海上漂移实验研究[J]. 热带海洋学报, 2013, 32(1): 87-94. Zhou S H, Yang Y, Feng W Z. Drift trials of dummy and fishing boats in Guangdong coast waters[J]. Journal of Tropical Ocean-graphy, 2013, 32(1): 87-94. ( 0) |
| [17] |
张娟, 杨阳, 周水华, 等. 莺歌海海域漂移物漂移特征分析[J]. 海洋预报, 2013(3): 75-79. Zhang J, Yang H, Zhou S H, et al. Characteristics of the drift trajectory in the yingge sea area[J]. Marine Forecasts, 2013(3): 75-79. ( 0) |
| [18] |
王海龙, 仉天宇, 张树钦, 等. 南海万山群岛渔船漂移轨迹风漂系数的分段模拟[J]. 广东海洋大学学报, 2025, 45(1): 134-141. Wang H L, Zhang T Y, Zhang S Q, et al. Segmented leeway coefficient simulation of fishing vessel drift trajectories in Wanshan Archipelago, South China Sea[J]. Journal of Guangdong Ocean University, 2025, 45(1): 134-141. ( 0) |
| [19] |
陈海涛, 许炜铭, 孙利元, 等. AP98风压漂移模型应用实例——东方红2号漂移试验[J]. 海洋湖沼通报, 2017(6): 46-51. Chen H T, Xu W M, Sun L Y, et al. An example of AP98 Leeway drift model application: Drift experiment of Dongfanghong 2[J]. Transactions of Oceanology and Limnology, 2017(6): 46-51. ( 0) |
| [20] |
Zhang J, Zhu Y Z. Maritime search and rescue probability of containment model design and simulation[J]. Journal of Physics: Conference Series, 2022, 2258: 012040. DOI:10.1088/1742-6596/2258/1/012040 ( 0) |
| [21] |
Mu L, Tu H, Geng X, et al. Research on the drift prediction of marine floating debris: A case study of the South China Sea maritime drift experiment[J]. Journal of Marine Science and Engineering, 2024, 12(2): 357. DOI:10.3390/jmse12020357 ( 0) |
| [22] |
Sun Z, Yu Y, Mei Y, et al. Multi-target emergency rescue path planning in marine wind and wave environments[J]. Journal of Physics: Conference Series, 2023, 2437(1): 012098. DOI:10.1088/1742-6596/2437/1/012098 ( 0) |
| [23] |
Zhu K, Mu L, Tu H, et al. Probabilistic modelling of target drift in marine disasters using ocean currents from high-frequency radars[J]. Ocean Engineering, 2022, 281: 114804. ( 0) |
| [24] |
Drouin K L, Mariano A J, Ryan E H, et al. Lagrangian simulation of oil trajectories in the Florida Straits[J]. Marine Pollution Bulletin, 2019, 140: 204-218. DOI:10.1016/j.marpolbul.2019.01.031 ( 0) |
| [25] |
Li Y, Yu H, Wang Z Y, et al. The forecasting and analysis of oil spill drift trajectory during the Sanchi collision accident, East China Sea[J]. Ocean Engineering, 2019, 187: 1-11. ( 0) |
| [26] |
Abascal A J, Castanedo S, Mendez F J, et al. Calibration of a Lagrangian transport model using drifting buoys deployed during the Prestige Oil Spill[J]. Journal of Coastal Research, 2009, 25(1): 80-90. ( 0) |
| [27] |
蔡星艳, 卫强, 张慧, 等. 基于离散航迹点的舰船航行轨迹仿真估计[J]. 计算机系统应用, 2014, 23(6): 141-7. Cai X Y, Wei Q, Zhang H, et al. Shipping route simulation and estimation based on discrete track dot series[J]. Computer Systems Applications, 2014, 23(6): 141-147. ( 0) |
2. South China Sea Marine and Meteorological Joint Laboratory, Zhanjiang 524088, China;
3. Laboratory for Coastal Ocean Variation and Disaster Prediction, Zhanjiang 524088, China;
4. Key Laboratory of Climate, Resources and Environment in Continental Shelf Sea and Deep Sea of Department of Education of Guangdong Province, Zhanjiang 524088, China