广州白云机场鸟情调查及鸟撞风险分析

1、广州白云机场鸟情调查及鸟撞风险分析乔亮;施泽荣【摘 要】鸟击航空器事件在全国各大机场频发,对飞行安全造成严重威胁.各种鸟类因其自身特征不同,对于航空器的风险大小也各有不同.通过对白云机场鸟情调查,建立了鸟撞风险评价指标体系.在鸟撞风险评价中首次引入与 Xie-Beni 有效性指标相结合的 FCM 算法构建评价模型,并进行实例分析.结果表明,白云机场 38 种常见鸟类按照不同的风险等级可以分为 5 类,其中白腰雨燕、家燕、金腰燕 3 种鸟类风险最大,需要重点防治;而斑鸠、文鸟、鹭类、戴胜、鹎类、红隼等 17 种鸟类也需要加强防范;而白鹤钨、喜鹊、鹊鸲、棕扇尾莺等小型或数量较少的鸟类则风险很小.

2、分析结果为机场进行鸟撞防范工作提供了依据.【期刊名称】科学技术与工程【年(卷),期】2014(014)003【总页数】5 页(P7-11)【关键词】鸟撞风险;聚类分析;FCM 算法【作 者】乔亮;施泽荣【作者单位】广州民航职业技术学院,广州 510403;广州民航职业技术学院,广州510403【正文语种】中 文【中图分类】Q958.5鸟撞是飞机与鸟相撞的航空事故，具有多发性和突发性1，给民航运输企业带来巨大的财产损失及昂贵的维修费用，并会影响公众对航空运输的信任等问题，已经引起了世界范围的关注。20 世纪 90 年代以后，该领域的研究在我国逐步展开，但是国内外在这方面的研究主要还集中在鸟类生态

3、以、如何避免鸟撞以及如何减少鸟撞损害等问题上 2， 而以各个风险评价指标为基础，运用多元统计方法对鸟类风险进行定量分析的研究 还非常少。为了弄清白云机场现有的鸟情状况，查清鸟类资源，于 2012 年 4 月 1 日5 月 30 日，对该机场及周边地区(8 km)范围内的鸟情进行同步调查;为确保同步调查数据的准确率，于 5 月 11 日5 月 30 日又在该机场周边地区，设立 6 个固定观察点，进行不间断的观察。经过近两个月的分段调查，初步摸清该机场周边地区的春季生态环境，鸟类种类、数量以及分布状况及环境与鸟类之间的关系等。1 白云机场概况广州白云机场位于广州市东北部的花都区人和镇，距离市中心

4、28 km，东经11317156，北纬 232333。地处亚热带，属亚热带季风气候，气温高、降水多、霜日少、日照多、风速小，年平均气温 21.9，年平均降雨量 1 696.5 mm 左右且主要集中在 49 月份，冬季相对干燥，炎热时间较长。由于其特定的地理位置，繁杂的生态环境，尤其是该机场地处城乡结合部，在这类自然、人工生境交替中，使得鸟类种群构成十分繁杂，物种生态具有明显的多样性。鸟情调查调查步骤与区域在鸟类资源调查过程中，野外工作首先以查清种类和拍摄照片为重点3;其次， 进行各种鸟类的数量、分布及活动情况进行调查与观察，如常见鸟类的栖息环境、分布区域、鸣叫特征、日活动强度等方面的研究。此次

5、机场外围的调查范围为该机场周边地区的十字坎庄、矮岗、仁合庄、罗庄、老虎头、山屈、东湖、东联庄、姓王庄、山下岭、煤山庄、凤朝庄、六边庄、太源庄、卧龙庄、征用的闲置荒地(村民已搬出)等重点区域，在同步调查的基础上，又进行补充调查和定点观察(观察点分为固定点和临时点两种)，同时，还将内场鸟类的活动分布与围界外鸟类的活动特点进行对比分析。机场围界外分别选择7 种生态类型，如机场生活区、农田区、居民区、湿地、荒地、人工林(含果园及自然林、灌丛)机场草坪与围界区等具有代 表性的地区。调查时详细记录鸟类的种类、数量、飞行速度、高度等。在观察中， 尽量拍摄鸟类生态图片等，从统计数量中，找出优势种，常见种和偶见

6、种。调查方法根据白云国际机场春短春早的季节特点，依据中国陆地野生动物资源调查规程， 采用样线法，对机场周边地区的鸟情进行了调查。针对该机场及周边地区的地形、 生境，共选取了 36 条样线(每一个生态类型为不少于 4 个样线)，样线全程在 68 km，抽样强度约占调查总面积的 21.3%。调查过程中，采用踏查方法，行走速度约 2 km/h(林区速度约在 1.5 km/h)。通过望远镜、测距仪、夜视仪、照相机、摄像机、鸟鸣监听仪等设备，观察、监听样线两侧约 200 m 以内的鸟类(林、灌区两侧 100 m 左右)，参考常用鸟类图鉴进行识别，记录鸟类的栖息环境、种群数量活动状况等信息，同时，尽可能地

7、对鸟类及其生境进行拍照和录像。调查结果经过同步调查，复查和定点观察，初步记录到白云机场周边地区鸟类 166 种，其中，繁殖鸟 93 种，占 56%，非繁殖鸟 51 种，占 30.4%，旅鸟 22 种，占 13.6; 常见鸟类有 26 种，如戴胜(Upupa epops)、珠颈斑鸠(Streptopelia chinensis)、山斑鸠(Streptopelia orientalis) ，优势鸟类 12 种如白头鵯(Pycnonotussinensis)， 稀有鸟类 126 种，如栗鸢、蛇鵰(Spilornis cheela)等。按照中国鸟类分类与分布名录出版的鸟类系统，确定鸟种的学名、分布型、

8、季节型及数量，并形成鸟类名录(略)。从动物地理区系成分上划分，该区在我国动物地理区划的东洋界，中印亚界，华南区，东洋种，广布种和古北种分别为 121 种、33 种和 12 种，比例分别为 73%、20%和 7%，东洋种与古界种的比例极高，这说明了东洋界鸟类在该机场周边地区占有突出的地位。从系统分类角度看，该机场周边地区，雀形目鸟类所占的种类最多，共计 22 科， 84 种，分别占调查科、种总数的 52.38%和 53.50%。其次，为鹭科、杜鹃科和鸱鸮科。分别为 13 种、11 种和 10 种。占总数的 8%、6.7%、6.1%。从季节型构成划分，该机场周边地区的留鸟为 121 种，夏候鸟 3

9、3 种，旅鸟 12 种， 分别占 73%、20%和 7%。其中，画眉亚科的鸟类大都为留鸟和夏候鸟。虽然本次机场及周边地区鸟类调查统计数据，与过去同季调查结果基本相吻合。然 而，在这次调查中，有几种鸟类的居留情况，还有待秋、冬季的进一步调查后确定， 如于 2012 年 5 月 11 日在内场区观察到的白腰草鷸(Tringa ochropus)、环颈鸻(Charadrius alexandrinus)、田鹨(Anthus richardi)及 4 月 6 日在本地看到的绿翅鸭(Anas crecca)。鸟类风险评价模型的建立由于鸟撞风险影响因子既包含定量指标，又包含定性指标，某些指标信息不十分明确

10、，需要采用模糊聚类分析。在模糊聚类方法中，编网虽然直观，但必须画图，不适合编程应用;传递闭包法需要计算相似矩阵的传递闭包，由于待分类对象数目过多而计算量太大，为此，引入 FCM 算法。鸟类风险因子的选择为了客观反映每种鸟类对飞机安全的威胁程度，需要定量并尽可能全面地选择鸟撞风险评价因子进行全面分析，以便确定鸟防的优先顺序。为此，组织广州民航职业技术学院、山东师范大学等学校专家以及白云机场的技术骨干，在参考 Carter 及 Rescue 提出的 10 个风险因子、杨道德提出的 11 个风险因子的基础上，结合白云机场鸟情的特点，确定遇见率、集群规模、体重、活动高度、移动频率、躲避能力、防治难度

11、7 个风险因子。定性指标评分标准的确定在上述 7 个风险因子中，移动频率、躲避能力、防治难度为定性指标，需要定量化。对 3 个定性指标进行评分，分值越大，表示风险越大，为了突出差异性，按照 10、5、1 三个等级评分，评分标准如表 1 所示。表 1 鸟撞风险因子评分标准注:防治难度要根据机场长期记录数据，取一周时间内的平均驱鸟水平。风险因子 评分标准 10 分 5 分 1 分移动频率 长时间持续飞行 间歇或短途飞行 极少或极短距离飞行躲避能力 飞行笨拙 飞行轨迹多呈直线 飞行轨迹多变防治难度 难以驱赶 驱赶后又出现 驱赶后很少再发现FCM 聚类算法FCM 算法步骤设 X=x1，x2，xn Rs

12、 为样本集，其中每个样本均有 s 个属性指标，即xi=xi1，xi2，xis，要将样本划分为 c 类(2cn)。Bezdek 将聚类问题归结为下列带约束的非线性规划问题4:式(1)中，m1 是模型系数，U=uij 是一个 cn 的模糊划分矩阵，uij 是第 j 个样本 xj 属于第 i 类的隶属度值，V= v1，v2，vc是聚类中心向量。FCM 算法原理是使得被划分到同一类的对象之间相似度最大化，不同类别相似度最小化，其步骤如下:(1)设定聚类数 c(1cn)和模糊指数 m(1m +);初始化各聚类中心 V(0);设置精度 0;令迭代次数 k=0。(2)计算 U(k+1):计算 V(k+1)，

13、令迭代次数 k=k+1:重复步骤(2)和(3)，直到满足终止条件:有效性指标FCM 算法需要预先指定聚类数目 c，而实际中聚类数目通常都是未知的，因此， 给定不同的聚类数目得到不同的聚类结果。为了确定最佳的聚类数目，要采用有效性指标进行搜索，确定最佳聚类数，得到最优的聚类结果。FCM 聚类有效性指标较多，但有些有效性指标仅与模糊隶属度有关，而与数据的几何结构没有联系，具有一定局限性。为此，本文采用 Xie-Beni 有效性指标搜索最佳聚类数，同时考虑数据的模糊隶属度和数据结构，提高聚类精度5。其计算公式如下:当聚类数 c 为最优聚类数 c*时，XBV 值最小，模糊聚类效果最好。为了确定 c*，

14、 需要对区间2，之间的整数进行搜索，计算每一个整数对应的 XBV 值，XBV 最小时的 c 值即最优聚类数 c*。白云机场鸟类风险聚类分析在白云机场本次调查中，选取常见种与优势种共计 38 种鸟类数据作为样本矩阵(表 2)，进行聚类分析。将前述 7 个风险因子作为模糊聚类的特征向量，每种鸟类的 7 个风险因子便形成一个样本点，于是，可以得到 38 个聚类样本点。数据归一化处理由于各鸟撞风险因子量纲不同，通过归一化处理，消除量纲。利用极差法，采用如下变换公式:在 MATLAB 中执行如下程序完成归一化:表 2 原始样本数据鸟撞风险因子种名 遇见率/(只h1)集群规模/只体重/g 活动高度/m 移

15、动频率/分躲避能力/分防治难度/分 0.9 13 270 35 5 5 10 牛背鹭(Bubulcus ibis) 1.2 14 320 6 5 5 5 白鹭(Little egret)x3 1.0 18 430 42 5 5 5 夜鹭(Nycticorax nycticorax) 2.0 8 490 29 5 5 5 红隼(Falco tinnunculusLinnaeus) 0.3 4 290 55 5 1 1 白胸苦恶鸟(amaurornis phoenicurus)池鹭(Ardeola)1.5 8 205 0 1 10 5 黑水鸡(Gallinula chloropus chlorop

16、us) 0.2 2 3020.5 1 10 1 山斑鸠(Streptopelia orientalis) 0.6 10 230 6 5 5 10 珠颈斑鸠(Streptopelia chinensis) 1.9 9 175 5 5 5 10 火 斑 鸠 (Oenoptopelia tranquebarica) 0.4 7 186 12 5 5 10 噪鹃(Eudynamys scolopacea) 0.3 1 3504.8 5 5 10 草鸮(Tyto longimembris) 0.1 2 450 23 5 1 1 灰林鸮(Strix aluco) 0.2 1 525 28 5 1 1 白腰

17、雨燕(Apus pacificus) 2.1 33 44 75 10 1 10 冠鱼狗(Ceryle rudis) 0.1 5 136 12 1 5 5 戴胜(Upupa epops) 0.7 2 69 10 1 5 10 家燕(Hirundo rustica) 4.1 62 15 16.5 10 1 10 金腰燕(Hirundo daurica) 3.3 51 20 29 10 1 10 白 鹡 鸰 (Motacilla alba) 0.8 5 21 6.2 5 1 5 红 耳 鹎 (Pycnonotus jocosus) 1.3 21 31 5.4 5 5 5 白 头 鹎 (Pycnono

18、tus sinensis) 1.7 17 34 4.8 5 5 10 棕背伯劳(Lanius schach) 1.8 1 80 4.5 5 1 10 黑领椋鸟(Sturnus nigricollis)0.4 6 160 3 5 1 5 八哥(Acridotheres cristatellus) 0.6 12 125 8 5 5 10 喜鹊(Pica pica) 0.2 4 230 6.8 10 5 5 鹊 鸲 (Copsychus saularis) 1.9 2 42 4.3 5 1 5 乌鸫(Eurasian Thrush) 0.5 7 97 1.8 1 5 1 画眉(Garrulax ca

19、norus) 0.6 12 60 3.2 5 5 1 白颊噪鹛(G.sannio) 0.3 2 70 1.8 5 10 5 红嘴相思鸟(Leiothrix lutea) 0.5 8 20 4.5 5 5 10 长尾缝叶莺(Common Tailorbird) 0.9 6 14 5 10 1 5 棕扇尾莺(Cisticola juncidis) 0.6 4 12 6.4 10 1 1 暗绿绣眼鸟(Zosterops japonica) 0.8 1610 2.3 10 1 1 大山雀(Parus major) 0.1 2 22 2.8 5 5 10 树麻雀(Passermontanus) 3.2

20、13 21 4.2 5 10 5 白腰文鸟(Lonchura striata) 2.5 7 15 2.6 5 510 斑文鸟(Lonchura punctulata) 2.8 45 14 5 5 1 5 黄胸鹀(Emberizaaureola)0.7 10 24 11 5 5 1确定最优聚类数给定聚类数 c，计算 c 的 Xie-Beni 有效性指标 XBV 的值，选取最小的 XBV 值对应的 c 值为最佳聚类数 c*。对 38 种鸟类鸟撞风险进行模糊聚类分析时，聚类数c 的取值范围在 26，在 MATLAB 中执行如下程序在 26 的每个整数c 中快速搜索出最佳聚类数 c*:VXB(1)=3

21、000;for n=2:sqrt(size(R，1)V，U，ob=fcm(R，n); VXB(n)=min(ob)/(size(R，1)*min(pdist(V).2); endw，c=min(VXB)VXB(1)=不同值对应 Xie-Beni 有效性指标如表 3 所示。表 3 聚类数与 Xie-Beni 指数对应表 2 3 4 5 6 Xie-Beni 指数聚类数 c 1.089 81.448 3 0.680 0 0.340 9 0.718 1从表 2 中看到，采用不同的聚类数，XieBeni 有效性指标的值有所不同，当聚类数 c=5 时，XBV 的值最小，而此时最佳聚类数 c*=5。可见，

22、将 38 个样本分成 5 类效果最优。聚类结果分析根据最佳聚类数 c*，确定最优分类方式，对 38 个样本进行最后聚类，得到隶属度矩阵 U，然后采用最大隶属度评定准则对样本进行归类，把每个样本分配到具体的某个类，得到最优聚类结果。在 MATLAB 中执行如下程序把样本集中的每个样本分到具体某个类:V，U=fcm(R，c);W，n=max(U); n最终分类结果详见表 4。表 4 白云机场鸟类风险程度聚类结果类别 类中包含的鸟种 1 白腰雨燕、家燕、金腰燕 2 池鹭、山斑鸠、珠颈斑鸠、火斑鸠、戴胜、白头鹎、棕背伯劳、八哥、大山雀、白腰文鸟、斑文鸟 3 白鹭、夜鹭、红隼、草鸮、灰林鸮、红嘴相思鸟

23、4 牛背鹭、白胸苦恶鸟、黑水鸡、冠鱼狗、红耳鹎、乌鸫、画眉、白颊噪鹛、树麻雀、黄胸鹀 5 白鹡鸰、黑领椋鸟、喜鹊、鹊鸲、长尾缝叶莺、棕扇尾莺、暗绿绣眼鸟、噪鹃从结果中可以看出，第一类代表鸟类风险极高，第二类代表鸟类风险较高，第三类代表鸟类风险一般，第四类代表鸟类风险较低，第五类代表鸟类风险极低。通过上述分析结果并结合实际情况来看，白腰雨燕、家燕、金腰燕由于集群规模加大且善于在空中长时间飞行捕食昆虫，经常穿越跑道，对起降飞机的威胁最大，是最需要重点防范的鸟种;鹭类虽然活动地点集中、不经常在机场上空飞翔，但由于其体型较大且数量相对较多，一旦发生鸟击危害较大，也要注意防范;斑鸠类、戴胜、八哥等鸟类体

24、型中等、数量不少，喜欢在机场飞行区内包括跑道两侧的开阔地带觅食且难以驱赶，飞机在起降时强大的吸力容易将其吸入发动机造成事故;红隼、鸮类等猛禽虽然数量较少，但由于飞行区内视野开阔，它们经常在空中盘旋寻找食物，同时其飞行高度也比较高，往往驱赶效果不佳，也要对其提高警惕;树麻雀等虽然数量较多，但是其飞行灵活且多在村庄、小树林、灌木丛等地区活动，对机场危害不大。治理建议作为机场来讲，要把鸟击防范的重点放在生态环境治理上来。通过灭杀排水沟内的鱼虾与贝类、加强场内道面排水、给周边农民鱼塘加防护网、填埋池塘等措施，减少鹭类、白胸苦恶鸟、黑水鸡、冠鱼狗等涉禽在场内及机场周边栖息与觅食;通过灭杀鼠、兔等小型啮齿类动物，有效减少红隼、草鸮、灰林鸮等猛禽来场频率;通过大范围灭虫、蚯蚓、蚊子等控制雨燕、家燕、金腰燕、戴胜、鹎类、伯劳、画眉、大山雀等动物食性或杂食性鸟类在机场内的种群数量;通过更换无籽草种、清除灌木等措施，断绝文鸟、斑鸠、麻雀、黄胸鹀等植食性鸟类的食物源;而对于棕扇尾莺等一些小型鸟类，由于其喜