鸟击是指航空器起降或飞行过程中与鸟类、蝙蝠等动物相撞或影响到正常飞行活动的事件，严重威胁民航运行安全^[1-2]。随着航班量的持续增长和生态环境的改善，中国机场的鸟击防范工作压力逐年加大，其带来的损失远超其他原因所致之损失^[3]。根据中国民用航空局收集的鸟击信息数据，2015年1—12月共统计到鸟击3 816起，较上年增长13.07%，构成事故征候185起，占事故征候总数的49.47%，是第一大事故征候类型。报告发生于机场责任区鸟击508起，较上年增长7.86%^[4]。

针对鸟击防范的严峻形势，目前国内外机场开展了广泛深入的鸟情调研，采取了多种鸟击防范措施^[5-9]，配备了煤气炮、超声波、定向声波和钛雷炮等多种驱鸟设备。在安装初始阶段，这些设备对鸟类具有一定的驱赶效果，但运行一段时间后，鸟类对这些设备产生了耐受性，使其逐渐丧失了驱鸟能力^[10]。近年来，国内外雷达探鸟技术日益成熟，包括美国的梅林雷达^[11]、加拿大的苍鹰雷达^[12]、荷兰的罗宾雷达^[13]以及中国民航科学技术研究院研制的机场雷达探鸟系统^[14]，均在国内外部分机场开始运行；部分探鸟雷达实现了与驱鸟设备的联动，但未提出智能的驱鸟策略和方法。

因此，本文将“驱鸟”手段与“探鸟”技术相结合，基于机场雷达和红外等探鸟技术获取的鸟情信息有针对性地进行驱鸟，提出一种基于支持向量机(Support Vector Machine, SVM)的智能驱鸟决策方法，将多种驱鸟设备结合使用，采用最优的驱鸟设备组合方式、启动时机与工作机制，避免机场驱鸟设备长期单调重复动作，有效解决了鸟类对驱鸟设备的耐受性问题，极大改善了驱鸟效果。

1.   支持向量机

支持向量机是基于统计学习理论的VC维(Vapnik-Chervonenkis dimension)理论和结构风险最小化原理的一种识别分类技术，其核心内容是Vapnik^[15]提出的结构风险最小化原则。该最小化原则能够提高学习机的泛化能力，既由有限的训练样本得到最小的误差，又能实现对独立的测试集保持较小的误差。支持向量机技术在处理小样本、非线性和高维问题时有很大的优势，其作为一种有效的分类方法获得广泛应用^[16]。

支持向量机是从线性可分情况下的最优分类面发展而来的，所谓最优分类面就是在高维空间中，对于2类线性可分的情况，不但能将2类无错误的分开，而且要使2类的分类间隔最大。最优分类面两侧的训练样本点称为支持向量。

对于线性问题，可分样本集(x_i:y_i)要求对所有样本正确分类满足

满足式(1)且使║w║²最小的分类面即最优分类面，w和b为分类面方程的2个参数。对于分类问题，x_i为给定的数据集合或向量，y_i为分类标号。

利用Lagrange优化法可将上述求取最优分类面的问题可转化为在

条件下对式(2)函数求最大值：

式中：α_i为与约束条件式(1)对应的Lagrange乘子，若α_i^*为最优解，则

即最优分类面的权系数向量是训练样本向量的线性组合。可以求得最优分类函数为

非支持向量对应的α_i^*均为0，因此式(3)的求和实际上只对支持向量进行，而b^*是分类的阈值，可用任意一个支持向量由式(1)求得(因为支持向量满足其中的等式)，或通过任意2类中任意一对支持向量取中值求得。

对于非线性问题，可以通过非线性变换转化为某个高维空间中的线性问题，在变换空间求最优分类面。设有非线性映射ϕ将输入空间的样本映射到高维的特征空间中，当在特征空间中构造最优超平面时，训练算法仅使用空间中的点积，即ϕ(x_i)·ϕ(x_j)，而没有单独的ϕ(x_i)出现，因此，如果能够找到一个函数K使得K(x_i, x_j)=ϕ(x_i)ϕ(x_j)，在高维空间只需进行内积运算，且这种内积运算是可以用原空间中的函数实现的，而没有必要知道变换ϕ的形式。因此，采用适当的内积函数K(x_i, x_j)代替线性分类面中的点积，就相当于把原空间变换到了某一新的特征空间，即可实现新特征空间中的线性分类，而没有增加算法的复杂性。相应的分类函数式(3)变为

式中：K(x_i, x)为核函数，目前常用的核函数主要有多项式函数、径向基函数和多层感知器函数。

传统的支持向量机是为2类问题设计的，在处理多类问题时，一般有“一对一”和“一对多”2种思路。本文采用“一对一”的方法^{[15, 17]}，对于n类的问题，需要构造C_n²个分类器，然后采取投票的策略进行分类，每个分类器都有一票的权力，待测样本将被划入票数最多的一类。对于驱鸟决策问题，本文将多源鸟情信息排列为向量，并利用专家知识给出相应的驱鸟策略，每种策略对应特定的标号。

2.   机场智能驱鸟决策方法

本文提出的机场智能驱鸟决策方法基于大量的历史鸟情数据和专家知识，采用支持向量机生成驱鸟策略分类模型，进而针对实时鸟情数据自动给出驱鸟策略，并根据驱鸟效果对驱鸟策略分类模型进行循环优化，决策流程如图 1所示。

图  1  智能驱鸟决策流程图

Figure  1.  Flowchart of intelligent bird-repelling decision making

下载: 全尺寸图片 幻灯片

具体而言, 该方法包括以下几个步骤：

步骤1　训练数据预处理。

将基于机场探鸟设备获取的历史鸟情信息排列为向量，向量结构如式(5)所示：

式中：D为飞行方向；P为坐标位置；S为鸟种；N为数量；T为出现时段。

针对鸟情信息和驱鸟设备确定驱鸟策略，每种驱鸟策略由Y表示，基于专家知识，将驱鸟策略与鸟情信息向量关联对应得

式中：n个鸟情信息向量与m类驱鸟策略对应，且n值远大于m值；X_i^Train为训练数据中的鸟情信息；Y_j^Train为训练数据中的驱鸟策略; φ_knowledge为基于专家知识的函数。

步骤2　支持向量机训练。

基于步骤1中生成的包括历史鸟情信息与驱鸟策略的对应关系数据，采用支持向量机进行分类模型训练，生成驱鸟策略分类模型为

式中：γ_SVM为通过支持向量机训练生成的驱鸟策略分类模型；SVM代表支持向量机的训练过程，且n值远大于m值。

步骤3　测试数据预处理。

基于机场探鸟设备实时获取的鸟情信息，按照式(5)排列为鸟情信息向量X^Test，作为测试数据。

步骤4　测试数据分类。

基于步骤2生成的驱鸟策略分类模型，为测试数据X^Test选择对应的驱鸟策略：

式中：Y^Test为基于驱鸟策略分类模型自动选择的驱鸟策略。本文核函数采用多项式形式，阶数取2阶。

步骤5　分类模型修正与优化。

按照步骤4输出的驱鸟策略Y^Test进行驱鸟作业，如果将飞鸟目标驱离相关危险区域，则将该组数据加入训练数据，重新生成优化的分类模型为

式中：i=1, 2, …, n；j=1, 2, …, m；γ_SVM^*为基于原始训练数据以及新加入的测试数据，通过支持向量机重新生成的优化的分类模型。

反之，则进行人工干预，根据当前的鸟情信息进行决策，提出修正的驱鸟策略Y^Modified，并将修正后的数据加入训练数据，重新生成修正的分类模型为

式中：i=1, 2, …, n；j=1, 2, …, m。进入下一个循环过程，实现驱鸟策略分类模型的优化。

3.   实验数据处理与分析

基于中国民航科学技术研究院自行搭建的机场鸟类探测预警与驱赶联动系统在某机场采集的鸟情数据^{[14, 18]}，对本文提出的机场智能驱鸟决策方法进行验证。本节从数据获取、模型训练、数据测试与模型修正等方面对实验数据进行处理与分析。

3.1   数据获取

机场鸟类探测预警与驱赶联动系统包括探鸟设备、多源信息融合模块、鸟情数据处理模块、机场鸟情探测与驱赶联动软件、用户接口模块和驱鸟设备，系统结构如图 2所示。

图  2  机场鸟类探测预警与驱赶联动系统结构

Figure  2.  Architecture of airport-based linkage system for avian detection, warning and repelling

下载: 全尺寸图片 幻灯片

探鸟设备获取机场周边低空空域的雷达、红外和视频等多源回波信息，并将其输出至多源信息融合模块；多源信息融合模块对多源回波信息进行融合，获取以低空空域飞鸟目标信息为主的动目标原始数据，动目标原始数据输出至鸟情数据处理模块；鸟情数据处理模块根据动目标原始数据获取鸟情信息，将鸟情信息分别输出至机场鸟情信息管理软件与机场鸟情探测与驱赶联动软件；机场鸟情信息管理软件能够对鸟情信息进行统计分析，基于海量的鸟情信息数据给出鸟类活动规律，输出鸟情分析报告；机场鸟情探测与驱赶联动软件的核心为驱鸟决策模块，其采用本文提出智能驱鸟决策方法，将实时得出的驱鸟策略输出至用户接口模块的控制终端；用户接口模块包括控制终端，控制终端接收机场鸟情探测与驱赶联动软件输出的驱鸟策略，控制终端根据驱鸟策略发出驱鸟指令至煤气炮、语音、定向声波和钛雷炮等多种驱鸟设备，驱动相关驱鸟设备实施驱鸟作业，设置规定时间，如果超过预先规定的时间，鸟类目标仍未飞离危险区域，则通过用户接口模块进行人工干预，即人工发出驱鸟指令至驱鸟设备。

图 3为机场鸟类探测预警与驱赶联动系统在某机场的外场实验情况，包括鸟类联合探测平台、红外与视频传感器、煤气炮、语音、定向声波以及钛雷炮等多种驱鸟设备。

图  3  机场鸟类探测预警与驱赶联动系统外场实验

Figure  3.  Outfield experimental pictures for airport-based linkage system for avian detection, warning and repelling

下载: 全尺寸图片 幻灯片

该机场跑道南端为航空器主起降点，因此将大部分驱鸟设备安装在跑道南端。图 4给出了某机场鸟类探测预警与驱赶联动系统的设备分布图，其中，雷达红外联合探测平台(“”)、定向声波(“”)和钛雷炮(“”)置于灯光站附近，8部煤气炮(“”)和2部语音驱鸟器(“”)分别置于跑道南段两侧。

图  4  机场鸟类探测预警与驱赶联动系统在某机场的设备分布图

Figure  4.  Equipment layout of airport-based linkage system for avian detection, warning and repelling at an airport

下载: 全尺寸图片 幻灯片

3.2   模型训练

将基于某机场安装的雷达、红外与视频多源探鸟设备获取的5 000组历史鸟情信息按照式(9)的数据结构排列为向量，其中，该机场获取的飞鸟目标飞行方向D和坐标位置P为二维信息，坐标系采用图 4所示的直角坐标系，单位为米，飞行方向D以单位坐标向量表示；鸟种S根据机场周边鸟类生态调研的结果，将机场周边10个常见鸟种标定为鹡鸰1、白头鹎2、苍鹰3、八哥4、斑鸠5、伯劳6、大山雀7、小鸦鹃8、白鹭9和家燕10；数量N根据机场探鸟设备的分辨率进行标定；出现时段T根据机场周边鸟类的活动规律将一天24 h划分为以下几个时段：0:00—5:00，5:00—9:00，9:00—12:00，12:00—18:00，18:00—20:00，20:00—24:00；分别标定为1~6的自然数。例如，5只八哥组成的鸟群，在18:30沿东南方向穿越跑道，飞行方向与x轴成30°夹角，目标当前位置为(500, 500)m，组成鸟情向量结构为

其中：飞行方向由单位向量表示。

针对不同的鸟情信息，由鸟类学专家与机场专业驱鸟人员，基于机场现有的驱鸟设备设计8种驱鸟策略，结合机场实地驱鸟效果验证，将其与5 000组鸟情信息向量关联对应，数据关联结果见表 1。例如，出现以上鸟情后，采用策略1驱赶，效果良好，确定将二者关联，表示为

表  1  驱鸟策略分类与鸟情数据关联结果

Table  1.  Bird-repelling strategies associated with different groups of bird information data

分类	数据总数	具体策略
1	951	将定向声波调整至飞鸟目标方向并启动，采用驱鸟音1
2	816	将定向声波调整至飞鸟目标方向并启动，采用驱鸟音2
3	505	将2部钛雷炮调整至飞鸟目标方向并启动
4	467	将1部钛雷炮调整至飞鸟目标方向并启动，同时将定向声波调整至飞鸟目标方向并启动，采用驱鸟音1
5	560	将1部钛雷炮调整至飞鸟目标方向并启动，同时将定向声波调整至飞鸟目标方向并启动，采用驱鸟音2
6	420	启动2部语音驱鸟器，选择蜂鸣声
7	816	按照与飞鸟目标的距离远近，依次启动跑道西侧的4部煤气炮
8	465	按照与飞鸟目标的距离远近，依次启动跑道东侧的4部煤气炮

下载: 导出CSV 

| 显示表格

3.3   数据测试与模型修正

从8类5 000组鸟情数据中随机抽取50%~90%的鸟情分类数据用于分类模型训练，并将剩余的鸟情数据用于分类测试，自动决策的正确率见表 2。可见，训练数据越多，决策正确率越高，当训练数据比例达到90%时，决策的正确率接近100%。驱鸟策略分类模型的训练是一个循环往复、不断完善的过程。在系统应用过程中，对于新的鸟情向量信息，如果决策正确，则将关联数据直接补充进分类模型进行训练，一旦出现决策错误，可由相关专家进行基于现有策略重新决策；如果现有策略无法满足驱鸟要求，则根据实际情况提出新的驱鸟策略，将修正后的关联数据对分类模型进行重新训练，不断提高分类模型的决策正确率。3.4节将针对以上情况做出举例说明。

表  2  不同数据分配情况下的决策结果对比

Table  2.  Decision making result comparison under different data assignments

%
训练数据占比	测试数据占比	决策正确率
50	50	76.2
60	40	80.1
70	30	88.6
80	20	95.5
90	10	98.9

下载: 导出CSV 

| 显示表格

3.4   驱鸟智能决策实例

本节给出某机场4个驱鸟智能决策的具体实例，包含了不同类型的鸟情、不同的驱鸟策略以及决策正确与失误的不同处置情况。将系统智能决策结果与专家决策进行对比，验证智能决策的有效性。

3.4.1   实例1

某日上午10:00左右，在机场跑道南段西侧上空，系统探测到一只盘旋飞行的苍鹰，飞行轨迹如图 5所示。经智能决策，采用驱鸟策略3，将2部钛雷炮调整至飞鸟目标方向并启动，驱鸟效果良好，驱鸟策略类别和驱鸟效果见表 3，智能决策结果与专家决策基本相符。

图  5  苍鹰飞行轨迹示意图

Figure  5.  Flying trajectory map of a accipiter

下载: 全尺寸图片 幻灯片

表  3  实例1的驱鸟策略与驱赶效果

Table  3.  Bird-repelling strategy and effect for Case 1

驱鸟策略类别	驱赶效果与数据处理
3	苍鹰目标飞离机场区域，将本数据加入训练模型

下载: 导出CSV 

| 显示表格

3.4.2   实例2

某日傍晚17:00左右，系统探测到一群八哥穿越机场跑道北段，种群数量约6只，飞行轨迹如图 6所示。经智能决策，采用驱鸟策略1，将定向声波调整至飞鸟目标方向并启动，采用驱鸟音1，该驱鸟音为某种猛禽的叫声，适于驱逐小型鸟类。驱鸟效果良好，驱鸟策略类别和驱鸟效果见表 4，智能决策结果与专家决策基本相符。

图  6  八哥飞行轨迹示意图

Figure  6.  Flying trajectory map of some starlings

下载: 全尺寸图片 幻灯片

表  4  实例2的驱鸟策略与驱赶效果

Table  4.  Bird-repelling strategy and effect for Case 2

驱鸟策略类别	驱赶效果与数据处理
1	八哥目标飞离机场区域，将本数据加入训练模型

下载: 导出CSV 

| 显示表格

3.4.3   实例3

某日傍晚18:30左右，系统探测到多只家燕在跑道南段活动，飞行轨迹如图 7所示。经智能决策，采用驱鸟策略7，按照与飞鸟目标的距离远近，依次启动跑道西侧的4部煤气炮。驱鸟效果良好，驱鸟策略类别和驱鸟效果见表 5，智能决策结果与专家决策基本相符。

图  7  家燕飞行轨迹示意图

Figure  7.  Flying trajectory map of some swallows

下载: 全尺寸图片 幻灯片

表  5  实例3的驱鸟策略与驱赶效果

Table  5.  Bird-repelling strategy and effect for Case 3

驱鸟策略类别	驱赶效果与数据处理
7	家燕目标飞离机场区域，将本数据加入训练模型

下载: 导出CSV 

| 显示表格

3.4.4   实例4

某日晚21:00左右，系统探测到多只家燕在跑道南段活动，飞行轨迹为“之”字形，如图 8所示。经智能决策，依次采用驱鸟策略7和8，按照与飞鸟目标的距离远近，依次启动跑道西侧和东侧的4部煤气炮。但是，驱鸟效果不明显，驱鸟策略类别和驱鸟效果见表 6。后经专家分析，系统识别错误，此类目标为蝙蝠，尚未加入训练模型，需要增加新的驱赶策略，见表 7。

图  8  蝙蝠飞行轨迹示意图

Figure  8.  Flying trajectory map of some bats

下载: 全尺寸图片 幻灯片

表  6  实例4的驱鸟策略与驱赶效果

Table  6.  Bird-repelling strategy and effect for Case 4

驱鸟策略类别	驱赶效果与数据处理
7、8	驱鸟效果不明显，目标继续在飞行区活动，需重新设定驱鸟策略并修正训练模型

下载: 导出CSV 

| 显示表格

表  7  智能决策模型修正

Table  7.  Modification of intelligent decision making model

补充策略类别	具体策略
9	启动2部语音驱鸟器，设定为超声波选项

下载: 导出CSV 

| 显示表格

4.   结论

随着机场鸟类探测技术的日臻成熟，通过对雷达、红外和视频等多源探测数据的融合处理，能够获取飞鸟目标的数量、种类、飞行方向和三维坐标等多维信息。本文采用支持向量机的方法，利用专家知识将鸟情信息向量与特定的驱鸟策略相关联，建立驱鸟策略分类模型，实现智能驱鸟决策，得出以下几点结论：

1) 本文方法能够根据实时的鸟情信息，采用最优的驱鸟设备组合方式、启动时机与工作机制，有效避免驱鸟设备重复单调运行造成的鸟类耐受性问题。

2) 本文方法能够利用测试数据对驱鸟策略分类模型进行循环优化升级，不断改善和提升驱鸟效果。

3) 实际上，大多数的机场鸟类活动对航空器的威胁等级在可容忍的范围内。因此，在下一步工作中，有必要首先对机场鸟击风险态势进行评估，给出鸟击风险等级，进而根据风险等级启动相关驱鸟策略。

近期中国机场无人机扰航事件频发，其对航班起降安全的威胁高于鸟击。针对无人机目标，目前较为典型的反制技术包括电磁干扰和GPS诱骗，但其可能对机场空管导航设备造成干扰，安全性有待进一步评估。