ارائه یک مدل برای پایش استانداردهای آلودگی شناورها با استفاده از سیستم‌های پایش هوشمند

چکیده افزایش حجم تجارت دریایی جهانی، تاثیرات زیست‌محیطی ناشی از آلودگی شناورها را تشدید کرده و نیاز به مکانیزم‌های پایش قدرتمند و کارآمد را ضروری ساخته است. بازرسی‌های سنتی کنترل توسط دولت در بندرگاه (psc) دارای محدودیت در پوشش، غالباً واکنشی و پرهزینه هستند. این مطالعه یک مدل نوین و یکپارچه برای پایش پیش‌گیرانه و مستمر استانداردهای آلودگی شناورها با بهره‌گیری از سیستم‌های پایش هوشمند (ims) ارائه می‌دهد. این مدل، داده‌های بلادرنگ را از یک چارچوب چندسنجنده‌ای - شامل سیستم‌های پایش مستمر انتشار (cems)، سنسورهای نمونه‌برداری از سوخت، دستگاه‌های سنجش محتوای روغن و سیستم شناسایی خودکار (ais) - با داده‌های تاریخی شناور تلفیق می‌کند. هسته اصلی مدل، یک شبکه بیزی است که به طور پویا احتمال عدم انطباق یک شناور با مقررات سازمان بین‌المللی دریانوردی (imo)، مانند پیوست ششم marpol (آلودگی هوا) و پیوست اول (آلودگی نفتی) را ارزیابی می‌کند. یک مطالعه موردی با استفاده از داده‌های ais از تنگه سنگاپور و داده‌های سنسوری شبیه‌سازی شده برای 150 شناور در یک دوره شش ماهه انجام شد. اعتبارسنجی تجربی شامل مقایسه اخطارهای مدل با نتایج واقعی بازرسی‌های psc از پایگاه داده تفاهم‌نامه توکیو بود. نتایج نشان داد که مدل مبتنی بر ims به نرخ دقت 92 درصدی در شناسایی شناورهای پرریسک دست یافت که به طور قابل توجهی از روش‌های سنتی هدف‌گیری ریسک با میانگین دقت 68 درصد بهتر عمل کرد. دقت و بازیابی مدل در پیش‌بینی عدم انطباق sox به ترتیب 0.94 و 0.89 بود. تحلیل آماری، از جمله آزمون کای-دو (χ² = 45.2, p < 0.001)، قدرت پیش‌بینی مدل را از نظر آماری معنی‌دار تایید کرد. این پژوهش نتیجه می‌گیرد که ادغام سیستم‌های هوشمند در راهبردهای اجرایی دریایی می‌تواند به طور چشمگیری تشخیص عدم انطباق را بهبود بخشد، منابع بازرسی را بهینه کند و سهم عمده‌ای در کاهش آلودگی دریایی داشته باشد. مطالعه پیشنهاد می‌کند که نهادهای نظارتی باید پذیرش فناوری‌های سنجش برون‌برد را تشویق کرده و پروتکل‌های اشتراک‌گذاری داده را استاندارد کنند تا پتانسیل کامل پایش هوشمند محقق شود.

providing a model for monitoring vessel pollution standards using intelligent monitoring systems

abstractthe increasing volume of global maritime trade has intensified the environmental impacts caused by vessel pollution, making robust and efficient monitoring mechanisms essential. traditional port state control (psc) inspections suffer from coverage limitations, are often reactive, and costly. this study proposes a novel, integrated model for the proactive and continuous monitoring of vessel pollution standards utilizing intelligent monitoring systems (ims). the model fuses real-time data from a multi-sensor framework—comprising continuous emission monitoring systems (cems), fuel oil sampling sensors, oil content meters, and the automatic identification system (ais)—with historical vessel data. the core of the model is a bayesian belief network (bbn) that dynamically assesses the probability of a vessel s non-compliance with international maritime organization (imo) regulations, such as marpol annex vi (air pollution) and annex i (oil pollution). a case study was conducted using ais data from the singapore strait and simulated sensor data for 150 vessels over a six-month period. empirical validation involved comparing the model s alerts with actual psc inspection results from the tokyo mou database. the results demonstrated that the ims-based model achieved a 92% accuracy rate in identifying high-risk vessels, performing significantly better than traditional risk-targeting methods, which had an average accuracy of 68%. the model s precision and recall in predicting sox non-compliance were 0.94 and 0.89, respectively. statistical analysis, including a chi-square test (χ² = 45.2, p < 0.001), confirmed the model s predictive power as statistically significant. this research concludes that integrating intelligent systems into maritime enforcement strategies can significantly enhance the detection of non-compliance, optimize inspection resources, and make a substantial contribution to reducing marine pollution. the study suggests that regulatory bodies should encourage the adoption of remote sensing technologies and standardize data-sharing protocols to realize the full potential of intelligent monitoring.