機場鳥情預報的影響因子選定

吳永濤 康旭 刁伍星 劉桂松

1.空軍后勤部；2.93114部隊；3.95979部隊

熟悉機場鳥情是開展鳥擊防范工作的前提，因此，各機場都非常重視鳥情的觀察預報，而影響鳥情的因素較多，如果能找到關鍵因子，將極大提高鳥情預報的準確性。本文以華北某機場為試點，在成因分析的基礎上，先選出足夠數量的影響因子作為待選因子，再采用逐步回歸分析法和人工神經網絡對待選因子進行篩選，最終選定較為理想的機場鳥情預報影響因子，為機場進行鳥情預測預報，更有效開展鳥擊防范工作提供參考。

國際航空界普遍認為，鳥擊問題雖然是一個世界性難題，不可能徹底消除，但通過科學管控，可以有效減低鳥擊風險。如美國利用268部專用探鳥雷達和150部氣象雷達，組建鳥情預警系統，為飛行訓練實時提供鳥擊風險評估信息。歐洲航天局將歐洲各國鳥情預報系統進行整合，為各國同為類各時段鳥擊風險預警，并將鳥情數據鏈接到各國作戰計劃系統中，為制定飛行計劃提供避鳥依據。歐美國家借助先進技術手段構建了相對完善的鳥擊風險預警預報體系，使得鳥情預報能像天氣預報一樣高效準確。我國因為鳥擊防范研究起步比較晚，相應配套設施尚未普及，短期內還難以構建全國范圍或全軍范圍內的鳥情預警預報體系。如何立足現有條件，進行機場鳥情預測預報，本文將圍繞這一問題展開。

我們都知道，天氣瞬息萬變，人類正是因為找到了天氣和溫度、云層、氣流、風等之間的關系才實現了對天氣的預報。同樣，鳥類的活動看似雜亂無章，但是如果能夠找到影響其活動的主要因子，那么預報鳥情也就成為可能。為此，作者以華北某機場為試點，結合該機場2019—2021年的鳥情、氣候、溫度、蟲情、草情等記錄，研究鳥情與氣候、環境等諸因素之間的關系，最終找到對機場鳥情影響較大的主要因子。

1 機場鳥情預報影響因子的選定流程和初選

1.1 選定流程

機場鳥情預報影響因子的選定流程是：首先在成因分析的基礎上，初步選出足夠數量的影響因子作為待選因子；再采用逐步回歸法和神經網絡兩種方法，得到線性最佳因子組合方案和非線性最佳因子組合方案，對其進行預測，得到最終影響因子，設計流程如圖1所示。

圖1 機場鳥情預測預報系統框架圖Fig.1 The frame diagram of the airport bird situation forecast and forecast system

1.2 影響因子初選

鳥類受氣候、環境、食源等多個因素影響，常常會隨著這些因素的變化而改變活動區域或活動形式。其中，影響機場鳥情的有以下因素：（1）草情，果實和種子吸引雜食性和植食性鳥類；（2）蟲情，寄生或伴生的昆蟲，以及軟體動物、節肢動物等會吸引食蟲性鳥類；（3）獸情，鼠類、兔類等小型哺乳動物，吸引肉食性鳥類；（4）機場周邊環境，農作物、果園、養殖場、食品加工廠以及垃圾場等吸引相關鳥類，濕地、湖泊、溝渠等吸引游禽、涉禽；（5）氣溫，每種鳥類都有一定適宜溫度，溫度變化影響鳥類活動；（6）降水，空氣濕度大、氣壓低，影響鳥類飛行高度；（7）風力，風力較大時會改變鳥類的日常活動時間及路徑向，大風也會導致鳥類被迫停歇或聚集。

2 機場鳥情預報影響因子回歸分析法選定

2.1 天氣對鳥情影響分析

將每天鳥類活動總數作為因變量，風向（度）、風速（m/s）、能見度（km）、氣溫（℃）、濕度（%）、氣壓（hPa）、日降水量（mm）、日降時數（時分）、日最高氣溫（℃）、日最低氣溫（℃）等作為自變量，將2019—2021年的氣象記錄數據進行回歸計算，得到結果如表1所示。

表1 天數據下的鳥情影響因子分析1Tab.1 Analysis of factors affecting bird situation under the daily data 1

從結果來看，鳥數和氣壓、氣溫有著顯著關系，當氣壓上升1個單位時，鳥數會減少8.379個單位；當氣溫上升1個單位時，鳥數會減少23.26個單位。由于多數變量沒有顯著關系，因此進行逐步回歸分析，去除共線性變量，得到結果如表2所示。

表2 天數據下的鳥情影響因子分析2Tab.2 Analysis of factors affecting bird situation under the daily data 2

上表結果對于氣溫、氣壓對鳥數的影響程度進行了修正，氣溫和氣壓對于鳥情起到抑制作用，當氣壓和氣溫上升時，鳥數會明顯減少，其中，氣溫的影響更為顯著。

2.2 每日不同時刻天氣情況對鳥情影響分析

再每月隨機記錄幾天的不同時間點的鳥數和天氣，對其進行回歸分析，得到結果如表3所示。

從表3可以看出，對于某個時刻而言的鳥數，其影響因素主要是風速，當風速增加1個單位，鳥數減少2.632個單位，由于多數變量沒有顯著關系，因此進行逐步回歸分析，去除共線性變量，得到結果如表4所示。

表3 時刻數據下的鳥情影響因子分析1Tab.3 Analysis of factors affecting bird situation under time data 1

從表4結果可以看出，對于鳥情的主要因素有氣壓、濕度和風速，其中風速、氣壓、濕度對于鳥情起到抑制作用，其中，對于時刻數據而言，濕度影響最為顯著。

表4 時刻數據下的鳥情影響因子分析2 Tab.4 Analysis of factors affecting bird situation under time data 2

2.3 生態系統對于鳥情影響分析

我們對機場的昆蟲和獸類也做了細致的調查記錄，如表5所示顯示的就是2019年6月該機場的獸類調查情況。

表5 機場獸類覆蓋率表Tab.5 The coverage of beasts at the airport

將生態系統中的月度昆蟲覆蓋率和獸類覆蓋率作為自變量，每天鳥數作為因變量，二者進行回歸分析，可以得到結果如表6所示。

從表6可以看出，昆蟲覆蓋率對于鳥情影響非常顯著，而獸類覆蓋率對鳥情影響并不明顯。

表6 生態系統對于鳥情影響分析結果Tab.6 Analysis results of ecosystem impact on bird situation

綜合上述逐步回歸分析方法，得到最佳預報的線性因子為蟲情、氣壓、濕度、風速和氣溫，在此基礎上，將2019和2020的數據作為訓練集，2021年的數據作為測試集，得到2019、2020的模型形式為：-2980.88-83211226596×昆蟲覆蓋率+222295.36×獸類覆蓋率-0.053×風速- 0.399×氣溫+0.282×濕度+3.027×氣壓，得到其準確率為52.6%，其線性最佳因子組合準確率偏低。

3 機場鳥情預報影響因子神經網絡選定

利用人工神經網絡，考慮模型是非線性情況，對鳥情最佳組合因子做進一步修正，本研究中選取了2019和2020的75個數據作為原始數據進行訓練，經過神經網絡訓練后得到原始數據仿真結果和實際結果對比圖如圖2所示。

圖2 鳥情最佳組合因子仿真與實際結果對比圖Fig.2 The comparison between the simulation and actual results of the best combination factor of bird love

如圖3所示可以看出神經網絡訓練得到的仿真結果和實際結果基本完全重合，進一步繪制訓練結果擬合圖形。

圖3 鳥情最佳組合因子仿真與實際結果擬合圖Fig.3 The best combination factor simulation and actual results fitting diagram

從擬合結果得出，訓練精度達到99.4%，說明選擇的因子精確度非常高，在此訓練結果基礎上，將2021年的數據作為測試集，放入神經網絡中進行檢驗，得到其預測結果和實際結果圖如圖4所示。

圖4 鳥情最佳組合因子預測與實際結果測試集圖Fig.4 Prediction of the best combination of factors for bird love and the test set of actual results

得到其測試集的精度為80.5%，比線性回歸精度高。

4 結語

文章以華北某機場為試點，通過對機場鳥情、草情、氣候等調查記錄進行分析，初步選定了草情、蟲情、獸情、機場周邊環境、氣溫、降水、風力等影響因子，隨后采用逐步回歸法和神經網絡兩種方法進行分析研究，最終選定機場鳥情預報的影響因子為昆蟲覆蓋率、氣溫、氣壓、濕度和風速。其中回歸分析法，得到的準確率為52.6%，神經網絡測試的精度為80.5%，基本符合預期效果。下一步，在機場生態調查中，要加強對這幾個影響因子的記錄，用更多的基本數據來支撐，或可實現機場鳥情的準確預報。