机场鸟情预报的影响因子选定

吴永涛 康旭 刁伍星 刘桂松

1.空军后勤部；2.93114部队；3.95979部队

熟悉机场鸟情是开展鸟击防范工作的前提，因此，各机场都非常重视鸟情的观察预报，而影响鸟情的因素较多，如果能找到关键因子，将极大提高鸟情预报的准确性。本文以华北某机场为试点，在成因分析的基础上，先选出足够数量的影响因子作为待选因子，再采用逐步回归分析法和人工神经网络对待选因子进行筛选，最终选定较为理想的机场鸟情预报影响因子，为机场进行鸟情预测预报，更有效开展鸟击防范工作提供参考。

国际航空界普遍认为，鸟击问题虽然是一个世界性难题，不可能彻底消除，但通过科学管控，可以有效减低鸟击风险。如美国利用268部专用探鸟雷达和150部气象雷达，组建鸟情预警系统，为飞行训练实时提供鸟击风险评估信息。欧洲航天局将欧洲各国鸟情预报系统进行整合，为各国同为类各时段鸟击风险预警，并将鸟情数据链接到各国作战计划系统中，为制定飞行计划提供避鸟依据。欧美国家借助先进技术手段构建了相对完善的鸟击风险预警预报体系，使得鸟情预报能像天气预报一样高效准确。我国因为鸟击防范研究起步比较晚，相应配套设施尚未普及，短期内还难以构建全国范围或全军范围内的鸟情预警预报体系。如何立足现有条件，进行机场鸟情预测预报，本文将围绕这一问题展开。

我们都知道，天气瞬息万变，人类正是因为找到了天气和温度、云层、气流、风等之间的关系才实现了对天气的预报。同样，鸟类的活动看似杂乱无章，但是如果能够找到影响其活动的主要因子，那么预报鸟情也就成为可能。为此，作者以华北某机场为试点，结合该机场2019—2021年的鸟情、气候、温度、虫情、草情等记录，研究鸟情与气候、环境等诸因素之间的关系，最终找到对机场鸟情影响较大的主要因子。

1 机场鸟情预报影响因子的选定流程和初选

1.1 选定流程

机场鸟情预报影响因子的选定流程是：首先在成因分析的基础上，初步选出足够数量的影响因子作为待选因子；再采用逐步回归法和神经网络两种方法，得到线性最佳因子组合方案和非线性最佳因子组合方案，对其进行预测，得到最终影响因子，设计流程如图1所示。

图1 机场鸟情预测预报系统框架图Fig.1 The frame diagram of the airport bird situation forecast and forecast system

1.2 影响因子初选

鸟类受气候、环境、食源等多个因素影响，常常会随着这些因素的变化而改变活动区域或活动形式。其中，影响机场鸟情的有以下因素：（1）草情，果实和种子吸引杂食性和植食性鸟类；（2）虫情，寄生或伴生的昆虫，以及软体动物、节肢动物等会吸引食虫性鸟类；（3）兽情，鼠类、兔类等小型哺乳动物，吸引肉食性鸟类；（4）机场周边环境，农作物、果园、养殖场、食品加工厂以及垃圾场等吸引相关鸟类，湿地、湖泊、沟渠等吸引游禽、涉禽；（5）气温，每种鸟类都有一定适宜温度，温度变化影响鸟类活动；（6）降水，空气湿度大、气压低，影响鸟类飞行高度；（7）风力，风力较大时会改变鸟类的日常活动时间及路径向，大风也会导致鸟类被迫停歇或聚集。

2 机场鸟情预报影响因子回归分析法选定

2.1 天气对鸟情影响分析

将每天鸟类活动总数作为因变量，风向（度）、风速（m/s）、能见度（km）、气温（℃）、湿度（%）、气压（hPa）、日降水量（mm）、日降时数（时分）、日最高气温（℃）、日最低气温（℃）等作为自变量，将2019—2021年的气象记录数据进行回归计算，得到结果如表1所示。

表1 天数据下的鸟情影响因子分析1Tab.1 Analysis of factors affecting bird situation under the daily data 1

从结果来看，鸟数和气压、气温有着显著关系，当气压上升1个单位时，鸟数会减少8.379个单位；当气温上升1个单位时，鸟数会减少23.26个单位。由于多数变量没有显著关系，因此进行逐步回归分析，去除共线性变量，得到结果如表2所示。

表2 天数据下的鸟情影响因子分析2Tab.2 Analysis of factors affecting bird situation under the daily data 2

上表结果对于气温、气压对鸟数的影响程度进行了修正，气温和气压对于鸟情起到抑制作用，当气压和气温上升时，鸟数会明显减少，其中，气温的影响更为显著。

2.2 每日不同时刻天气情况对鸟情影响分析

再每月随机记录几天的不同时间点的鸟数和天气，对其进行回归分析，得到结果如表3所示。

从表3可以看出，对于某个时刻而言的鸟数，其影响因素主要是风速，当风速增加1个单位，鸟数减少2.632个单位，由于多数变量没有显著关系，因此进行逐步回归分析，去除共线性变量，得到结果如表4所示。

表3 时刻数据下的鸟情影响因子分析1Tab.3 Analysis of factors affecting bird situation under time data 1

从表4结果可以看出，对于鸟情的主要因素有气压、湿度和风速，其中风速、气压、湿度对于鸟情起到抑制作用，其中，对于时刻数据而言，湿度影响最为显著。

表4 时刻数据下的鸟情影响因子分析2 Tab.4 Analysis of factors affecting bird situation under time data 2

2.3 生态系统对于鸟情影响分析

我们对机场的昆虫和兽类也做了细致的调查记录，如表5所示显示的就是2019年6月该机场的兽类调查情况。

表5 机场兽类覆盖率表Tab.5 The coverage of beasts at the airport

将生态系统中的月度昆虫覆盖率和兽类覆盖率作为自变量，每天鸟数作为因变量，二者进行回归分析，可以得到结果如表6所示。

从表6可以看出，昆虫覆盖率对于鸟情影响非常显著，而兽类覆盖率对鸟情影响并不明显。

表6 生态系统对于鸟情影响分析结果Tab.6 Analysis results of ecosystem impact on bird situation

综合上述逐步回归分析方法，得到最佳预报的线性因子为虫情、气压、湿度、风速和气温，在此基础上，将2019和2020的数据作为训练集，2021年的数据作为测试集，得到2019、2020的模型形式为：-2980.88-83211226596×昆虫覆盖率+222295.36×兽类覆盖率-0.053×风速- 0.399×气温+0.282×湿度+3.027×气压，得到其准确率为52.6%，其线性最佳因子组合准确率偏低。

3 机场鸟情预报影响因子神经网络选定

利用人工神经网络，考虑模型是非线性情况，对鸟情最佳组合因子做进一步修正，本研究中选取了2019和2020的75个数据作为原始数据进行训练，经过神经网络训练后得到原始数据仿真结果和实际结果对比图如图2所示。

图2 鸟情最佳组合因子仿真与实际结果对比图Fig.2 The comparison between the simulation and actual results of the best combination factor of bird love

如图3所示可以看出神经网络训练得到的仿真结果和实际结果基本完全重合，进一步绘制训练结果拟合图形。

图3 鸟情最佳组合因子仿真与实际结果拟合图Fig.3 The best combination factor simulation and actual results fitting diagram

从拟合结果得出，训练精度达到99.4%，说明选择的因子精确度非常高，在此训练结果基础上，将2021年的数据作为测试集，放入神经网络中进行检验，得到其预测结果和实际结果图如图4所示。

图4 鸟情最佳组合因子预测与实际结果测试集图Fig.4 Prediction of the best combination of factors for bird love and the test set of actual results

得到其测试集的精度为80.5%，比线性回归精度高。

4 结语

文章以华北某机场为试点，通过对机场鸟情、草情、气候等调查记录进行分析，初步选定了草情、虫情、兽情、机场周边环境、气温、降水、风力等影响因子，随后采用逐步回归法和神经网络两种方法进行分析研究，最终选定机场鸟情预报的影响因子为昆虫覆盖率、气温、气压、湿度和风速。其中回归分析法，得到的准确率为52.6%，神经网络测试的精度为80.5%，基本符合预期效果。下一步，在机场生态调查中，要加强对这几个影响因子的记录，用更多的基本数据来支撑，或可实现机场鸟情的准确预报。