ธารน้ำแข็งละลายทำให้ระยะเวลาขนส่งลดลง แต่มาพร้อมกับต้นทุนที่ซ่อนอยู่

ตารางลิงค์

• ความเป็นมา ผลการวิจัย และข้อสรุป
• ฉัน. พื้นหลัง
• II. คำอธิบายข้อมูล
• III. การวิเคราะห์
• IV. การอภิปราย
• V. วิธีการ
• VI. การประกาศ
• VII. คำขอบคุณ

พื้นหลัง

การลดลงของแผ่นน้ำแข็งในทะเลอันเนื่องมาจากภาวะโลกร้อนในอาร์กติกทำให้การเดินเรือในเส้นทางต่างๆ สะดวกยิ่งขึ้น โดยใช้เวลาสั้นกว่าเส้นทางเดินเรือแบบเดิมอย่างเห็นได้ชัด ระบบระบุอัตโนมัติ (AIS) ได้รับการออกแบบมาโดยคำนึงถึงการหลีกเลี่ยงการชนกันของเรือ โดยจะส่งข้อมูลการนำทางบนเรือ (ปัจจุบันมีข้อความ 27 ประเภท) เช่น ชื่อ ตำแหน่ง หรือความเร็ว นับเป็นแหล่งข้อมูลที่มีประสิทธิภาพในการติดตามความคืบหน้าของการเดินเรือในอาร์กติกในขณะที่แผ่นน้ำแข็งละลาย

ผลลัพธ์

จากการวิเคราะห์แพลตฟอร์มออนไลน์ที่รวบรวมข้อมูล AIS ของการเดินเรือ เราได้วัดการกระจายเชิงพื้นที่ของการเดินเรือผ่านมหาสมุทรอาร์กติก ความเข้มข้น และวิวัฒนาการตามเวลา โดยสัมพันธ์กับพื้นที่ที่ปล่อยออกจากพื้นที่น้ำแข็งในทะเล การเดินเรือผ่านมหาสมุทรอาร์กติกกระจายตามพื้นที่โดยกระจายแบบหางหนัก ซึ่งบ่งชี้ถึงปริมาณการขนส่งหนาแน่นผ่านพื้นที่อาร์กติกที่จำกัด โดยมีค่าเลขชี้กำลังที่ขึ้นอยู่กับประเภทของเรือ

การประมงเป็นประเภทที่มีการแพร่กระจายทางพื้นที่มากที่สุด โดยความกว้างของเส้นทางเดินเรือสัมพันธ์กับพื้นที่น้ำแข็งทะเลใกล้เคียง วิวัฒนาการของเส้นทางเหล่านี้ตามช่วงเวลามีลักษณะเฉพาะคือมีกิจกรรมเดินเรือที่ยาวนานขึ้นตลอดทั้งปี

บทสรุป

ข้อมูล AIS นำเสนอข้อมูลอันมีค่าเกี่ยวกับกิจกรรมของกองเรือนานาชาติทั่วโลก ในบริบทของข้อตกลงระหว่างประเทศฉบับใหม่ ข้อมูลดังกล่าวถือเป็นแหล่งข้อมูลอันมีค่าสำหรับการติดตามการเดินเรือ การประมง และผลกระทบที่อาจเกิดขึ้นต่อสิ่งมีชีวิตในทะเล รวมถึงประเด็นอื่นๆ ที่นี่ เราเน้นที่การเดินเรือในอาร์กติกในช่วงไม่กี่ปีที่ผ่านมา ซึ่งเติบโตอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งบริเวณเส้นทางชายฝั่งช่องแคบตะวันออกเฉียงเหนือและตะวันตกเฉียงเหนือ ทำให้มีโอกาสในการออกแบบเส้นทางเดินเรือที่สั้นลงและลดการปล่อยก๊าซเรือนกระจกจากการขนส่งสินค้า แต่มีความเสี่ยงที่จะส่งผลกระทบต่อระบบนิเวศของอาร์กติก

ฉัน. พื้นหลัง

การขนส่งทางเรือถือเป็นรูปแบบการขนส่งหลักในการค้าโลก โดยส่งมอบสินค้ามากกว่า 80% ของปริมาณการค้าระหว่างประเทศ [1] ในความเป็นจริง การเติบโตทางเศรษฐกิจส่งผลให้ปริมาณการขนส่งทางทะเลเพิ่มขึ้น 60% ในช่วงระหว่างปี 1992 ถึง 2002 [2] ความสำคัญของการขนส่งทางทะเลต่อเศรษฐกิจโลกนั้นเห็นได้ชัดในปี 2020 เมื่อคลองสุเอซถูกปิดกั้นเมื่อเรือบรรทุกตู้คอนเทนเนอร์เอเวอร์กิฟเวนเกยตื้น โอกาสในการใช้ประโยชน์จากการเปิดเส้นทางใหม่ในอาร์กติกเพื่อขนส่งสินค้าจากเอเชียไปยังยุโรปและอเมริกาเหนือเนื่องจากน้ำแข็งปกคลุมลดลงจะทำให้ปริมาณการขนส่งเพิ่มขึ้นและนำภัยคุกคามใหม่ๆ มาสู่ระบบนิเวศที่เปราะบางนี้ [3] ซึ่งเพิ่มผลกระทบโดยตรงจากการเปลี่ยนแปลงสภาพภูมิอากาศอย่างรวดเร็วในอาร์กติก ในความเป็นจริง การประมาณเวลาการขนส่งเผยให้เห็นว่าเพิ่มขึ้น 7% ระหว่างปี 2013 ถึง 2022 [4]

เทคโนโลยีการติดตามมีบทบาทสำคัญในการวิเคราะห์การเคลื่อนที่ของเรือในมหาสมุทร ทำให้สามารถวัดพฤติกรรมของเรือหลายลำได้ ซึ่งจะส่งผลทางเศรษฐกิจ การเมือง และระบบนิเวศ ตัวอย่างเช่น การติดตามเรือประมงช่วยให้สามารถอนุมานจุดที่มีกิจกรรมการประมงชุกชุมได้ [5–7] นอกจากนี้ การทับซ้อนระหว่างเส้นทางของเรือประมงและการติดตามการเคลื่อนที่ของสัตว์ทะเลยังเผยให้เห็นถึงภูมิภาคที่มีความเสี่ยงสูงต่อการทับซ้อนและความเสี่ยงของการจับสัตว์น้ำโดยไม่ได้ตั้งใจระหว่างเรือประมงกับฉลาม [8] และความเสี่ยงของการชนกันของเรือขนาดใหญ่กับฉลามวาฬ [9]

ปัจจุบัน ผลิตภัณฑ์ที่ได้จากข้อมูลการติดตามเรือเปิดให้เข้าถึงได้โดยเปิดเผย ตัวอย่างเช่น ผลิตภัณฑ์หลักของ Global Fishing Watch อธิบายความพยายามในการจับปลาในความละเอียดเชิงพื้นที่และเวลาสูงทั่วโลก [5] อย่างไรก็ตาม ชุดข้อมูลที่กว้างขึ้น เช่น เส้นทางของเรือประเภทอื่นทั่วโลก เปิดให้ซื้อแบบส่วนตัวได้ เพื่อเอาชนะปัญหาความเป็นเจ้าของข้อมูลและการกำหนดมาตรฐาน จึงมีการพัฒนาความคิดริเริ่มใหม่ๆ เพื่อดำเนินการวิเคราะห์ออนไลน์โดยสามารถเข้าถึงชุดข้อมูลที่สะอาด ประมวลผลล่วงหน้า และตรวจสอบทางวิทยาศาสตร์แล้วจากหลายแหล่ง ในทิศทางนี้ HUB Ocean ได้พัฒนา Ocean Data Platform (oceandata.earth) ซึ่งนักวิทยาศาสตร์สามารถดำเนินการวิเคราะห์ออนไลน์ของชุดข้อมูลหลายชุดที่อธิบายปรากฏการณ์ในมหาสมุทรที่หลากหลาย เช่น การติดเชื้อปรสิตในฟาร์มปลา การปล่อยมลพิษจากเรือทั่วโลก หรือข้อมูลภูมิสารสนเทศที่อธิบายพื้นที่คุ้มครองทางทะเล (MPA)

ที่นี่ เราจะรายงานการวิเคราะห์ปริมาณการเดินเรือในมหาสมุทรอาร์กติกระหว่างเดือนมกราคม 2020 ถึงเมษายน 2022 ผ่านการวิเคราะห์ข้อมูลที่พัฒนาบนแพลตฟอร์ม Private Preview Week ของ Ocean Data

II. คำอธิบายข้อมูล

ปริมาณการเดินเรือ การใช้พื้นที่ของเรือที่แล่นผ่านมหาสมุทรอาร์กติกได้มาจากข้อมูลของระบบระบุอัตโนมัติ (AIS) AIS เป็นระบบที่นำมาใช้เพื่อความปลอดภัยทางทะเล โดยจะระบุความเร็ว ละติจูด และลองจิจูดของเรือที่ใช้ระบบนี้ ซึ่งได้แก่ ตัวแปรข้อมูลต่างๆ แพลตฟอร์ม Ocean Data Platform รวบรวมข้อมูลการติดตาม AIS ที่ความละเอียดรายเดือนด้วยความละเอียดเชิงพื้นที่สูง และรายงานจำนวนชั่วโมงที่เรือแต่ละเซลล์กริดแล่นผ่าน โดยเวลาแล่นผ่านรายเดือนมีให้ตั้งแต่เดือนมกราคม 2020 ถึงเดือนเมษายน 2022 และระบุประเภทของเรือ 5 ประเภท (สินค้า เรือประมง เรือโดยสาร เรือบรรทุกน้ำมัน และอื่นๆ) สำหรับการวิเคราะห์ของเรา เราแนะนำกริดทั่วโลกที่มีความละเอียด 0.1◦ × 0.1◦ โดยเลือกละติจูดที่สูงกว่าอาร์กติกเซอร์เคิล (66.6◦, รูปที่ 1)

วิวัฒนาการตามเวลาของพื้นที่ที่ครอบคลุมโดยเส้นทางเดินเรือได้รับการเสริมด้วยชุดข้อมูลที่ใช้ในการประเมินการจราจรทางเรือในอาร์กติกก่อนหน้านี้ [10] เพื่อเปรียบเทียบชุดข้อมูล Ocean Data Platform และแสดงวิวัฒนาการตามเวลาในระยะยาวของการจราจรทางเรือในมหาสมุทรอาร์กติก ชุดข้อมูลก่อนหน้านี้รายงานจำนวนเรือที่ไม่ซ้ำกันรายเดือนที่ระบบ AIS ตรวจพบในแต่ละเซลล์กริด 0.25◦×0.25◦ ระหว่างเดือนกรกฎาคม 2010 ถึงเดือนพฤษภาคม 2015

ข้อมูลปกคลุมน้ำแข็งในทะเล พื้นที่น้ำแข็งในทะเลได้มาจากดัชนีน้ำแข็งในทะเล ซึ่งจัดทำโดยศูนย์ข้อมูลหิมะและน้ำแข็งแห่งชาติ (สหรัฐอเมริกา) [11] ชุดข้อมูลนี้รายงานการเปลี่ยนแปลงรายเดือนของพื้นที่น้ำแข็งในทะเลในซีกโลกเหนือ รวมถึงภูมิภาคย่อยเฉพาะของอาร์กติก โดยเราพิจารณาพื้นที่หมู่เกาะแคนาดา อ่าวแบฟฟิน และทะเลโบฟอร์ตสำหรับเส้นทางผ่านช่องแคบทางตะวันตกเฉียงเหนือ ในขณะที่เราพิจารณาทะเลไซบีเรียตะวันออก ทะเลคารา และทะเลแบเรนตส์สำหรับเส้นทางผ่านช่องแคบทางตะวันออกเฉียงเหนือ

III. การวิเคราะห์

ความหนาแน่นของการขนส่งถูกคำนวณโดยใช้เวลาขนส่งในแต่ละเซลล์กริดหารด้วยพื้นที่เซลล์ รวมเวลาของเรือทั้งหมดที่ใช้ AIS ในภูมิภาคที่พิจารณา รูปแบบนี้เผยให้เห็นจุดสำคัญของกิจกรรมการขนส่ง ทั้งในแผนที่โดยรวมและในรูปแบบเฉพาะที่เกี่ยวข้องกับประเภทเรือต่างๆ (รูปที่ 1) เรือประมงถือเป็นส่วนสนับสนุนการขนส่งที่ใหญ่ที่สุดในมหาสมุทรอาร์กติก โดยเฉพาะอย่างยิ่งในทะเลแบเรนตส์ แต่ยังรวมถึงบริเวณใกล้เคียงกับไอซ์แลนด์ด้วย เรือบรรทุกสินค้าแสดงรูปแบบเช่นเดียวกับเรือบรรทุกน้ำมัน โดยเราสังเกตเห็นเส้นทางผ่านตะวันออกเฉียงเหนือและตะวันตกเฉียงเหนือ โดยเส้นทางหลังจะกว้างขึ้นในอ่าวบัฟฟิน ซึ่งเส้นทางของเรือบรรทุกน้ำมันครอบครองพื้นที่น้อยกว่าในภูมิภาคนี้ ปริมาณผู้โดยสารครอบคลุมพื้นที่น้อยกว่า เนื่องจากเส้นทางที่คนใช้บ่อยที่สุดนั้นสั้นกว่า ตัวอย่างเช่น บนชายฝั่งนอร์เวย์และไอซ์แลนด์

ความไม่เป็นเนื้อเดียวกันของความหนาแน่นในการขนส่งในพื้นที่ต่างๆ ได้รับการอธิบายโดยการแจกแจงแบบหางหนัก โดยเซลล์กริดส่วนใหญ่จะแสดงความหนาแน่นในการขนส่งที่ต่ำ โดยมีเซลล์เพียงไม่กี่เซลล์ที่รวมค่าขนาดใหญ่ไว้ด้วยกัน (รูปที่ 2) โดยเฉพาะอย่างยิ่ง การแจกแจงความหนาแน่นในการขนส่งสำหรับข้อมูลรวม (ในแต่ละหมวดหมู่) และสำหรับหมวดหมู่เฉพาะ ได้รับการอธิบายโดยการแจกแจงแบบกำลังกฎ เราได้ดำเนินการถดถอยแบบกำลังกฎกับข้อมูลแจกแจงเหล่านี้โดยใช้แพ็คเกจ Python แบบกำลังกฎ โดยได้เลขชี้กำลังที่พอดีคือ 1.79 (รวม) 1.49 (ผู้โดยสาร) 1.90 (เรือบรรทุกน้ำมัน) 1.74 (สินค้า) และ 1.96 (การตกปลา) สำหรับการตกปลา เราได้สังเกตระบอบการปกครองสองแบบ โดยที่การแจกแจงนั้นใกล้เคียงกับการแจกแจงแบบสม่ำเสมอสำหรับความหนาแน่นต่ำ (กล่าวคือ มีเลขชี้กำลังที่เล็กกว่า) ในขณะที่ความหนาแน่นขนาดใหญ่บ่งบอกถึงการลดลงที่เร็วขึ้น ซึ่งเป็นพฤติกรรมที่จับได้โดยการถดถอย

สรุปแล้ว แบบจำลองค่าว่างแบบสุ่มที่พิจารณาฟลักซ์จากจุดกำเนิดถึงจุดหมายปลายทาง โดยมีจุดกำเนิดที่แน่นอนและความน่าจะเป็นสม่ำเสมอในการไปถึงจุดหมายปลายทางใดๆ หรือในทางกลับกัน นำไปสู่การแจกแจงแบบสม่ำเสมอในมิติเดียว ในขณะที่การแจกแจงนั้นเป็นแบบหางหนักโดยมีเลขชี้กำลัง 3 ในสองมิติ

เพื่อตรวจจับเส้นทางเดินเรือ เราคำนวณความหนาแน่นของการขนส่งโดยเฉลี่ยต่อลองจิจูด โดยพิจารณาเฉพาะเซลล์กริดที่มีค่าไม่เป็นศูนย์ และแสดงความหนาแน่นของการขนส่งสัมพันธ์กันของเซลล์กริดแต่ละเซลล์ นั่นคือ ความหนาแน่นของการขนส่งหารด้วยความหนาแน่นของการขนส่งโดยเฉลี่ยของลองจิจูด (ดูวิธีการ) เราสังเกตว่าค่าสูงสุดอยู่ในบริเวณใกล้เคียงกับชายฝั่ง (รูปที่ 3) เทคนิคนี้เผยให้เห็นเส้นทางเดินเรือหลัก (ทางเดินสีแดงในรูปที่ 3) เช่นเดียวกับจุดตกปลายอดนิยมหลายจุดในทะเลหลวง เราตรวจพบเส้นทางเดินเรือหลักสองเส้นทางในอาร์กติก ได้แก่ เส้นทางช่องแคบตะวันออกเฉียงเหนือและตะวันตกเฉียงเหนือ ซึ่งเชื่อมมหาสมุทรแปซิฟิกตอนเหนือและมหาสมุทรแอตแลนติกตอนเหนือ โดยเส้นทางช่องแคบตะวันออกเฉียงเหนือแยกเป็นสองเส้นทางที่ทางตอนเหนือและตอนใต้ของหมู่เกาะลีอาคอฟสกี้ การจราจรส่วนใหญ่ของทั้งสองเส้นทางเกี่ยวข้องกับเรือบรรทุกน้ำมันและเรือบรรทุกสินค้า ดังที่เห็นได้จากการไม่มีความต่อเนื่องเชิงพื้นที่ตลอดเส้นทางในเรือโดยสารและเรือประมง ซึ่งคาดว่าจะมีระยะทางการเดินทางที่สั้นกว่า

หลังจากวิเคราะห์คุณสมบัติเชิงพื้นที่ของความหนาแน่นของการเดินเรือในชุดข้อมูลรวมและในหมวดหมู่เรือต่างๆ แล้ว เราเน้นที่วิวัฒนาการเชิงเวลาของการขนส่งทางเรือ โดยรวบรวมการสังเกตทั้งหมดทั่วอาร์กติกเซอร์เคิล การขนส่งทางเรือสูงสุดในช่วงเวลาทั้งหมดสอดคล้องกับเรือประมง รองลงมาคือเรือโดยสาร เรือขนส่งสินค้า และเรือบรรทุกน้ำมัน (รูปที่ 4) แม้ว่าวิวัฒนาการเชิงสัมพัทธ์ของเรือประมงและเรือโดยสารจะไม่แสดงความผันผวนเชิงสัมพัทธ์ที่มาก แต่การขนส่งทางเรือสำหรับเรือบรรทุกสินค้าและเรือบรรทุกน้ำมันกลับมีกิจกรรมสูงสุดในช่วงฤดูร้อนและต้นฤดูใบไม้ร่วงของปี 2020 และ 2021

ในที่สุด เราได้วัดปริมาณวิวัฒนาการในระยะยาวของเส้นทาง Northwest Passage และเส้นทาง Northeastern ด้วยชุดข้อมูลเสริมที่อธิบายจำนวนเรือเฉพาะที่สังเกตได้ในแต่ละเซลล์กริด 0.25◦× 0.25◦ ระหว่างเดือนกรกฎาคม 2010 ถึงเดือนพฤษภาคม 2015 เพื่อให้สอดคล้องกับชุดข้อมูลของเรา เราได้ความกว้างของเส้นทางเรือโดยปฏิบัติตามขั้นตอนเดียวกันกับที่อธิบายไว้ข้างต้น แต่พิจารณาขนาดเซลล์กริดเดียวกัน นั่นคือ เซลล์ที่มีด้าน 0.25◦ เราสังเกตเห็นรูปแบบที่คล้ายคลึงกันในแต่ละปีในกรณีของ Northwest Passage ในขณะที่เส้นทาง Northeastern แสดงให้เห็นการลดลงอย่างน่าทึ่งในค่าสูงสุดบนชุดข้อมูลล่าสุด ร่วมกับการเติบโตในช่วงเวลาที่เส้นทางแสดงกิจกรรมที่สังเกตได้ (รูปที่ 7)

IV. การอภิปราย

การเข้าถึงข้อมูลเกี่ยวกับสภาพแวดล้อมทางทะเล เช่น เส้นทางของสัตว์หรือภัยคุกคามต่อชีวิตทางทะเล [13] ในอดีตนั้นจำกัดอยู่เพียงเท่านี้เมื่อเทียบกับข้อมูลที่อธิบายกระบวนการที่เกิดขึ้นบนบก อย่างไรก็ตาม การเปลี่ยนแปลงแนวคิดจากชุมชนและหน่วยงานให้ทุนทางวิทยาศาสตร์เกี่ยวกับนโยบายการแบ่งปันข้อมูลนั้นส่งผลให้มีการเผยแพร่ข้อมูลทางทะเลบ่อยขึ้น ในบริบทนี้ การรวบรวม การทำความสะอาด และการทำให้ชุดข้อมูลหลายแหล่งเป็นมาตรฐานบนแพลตฟอร์มออนไลน์ถือเป็นประโยชน์สำคัญต่อการพัฒนาวิทยาศาสตร์ทางทะเล [14, 15] ยิ่งไปกว่านั้น การเข้าถึงเซิร์ฟเวอร์สำหรับการคำนวณออนไลน์ยังทำให้เกิดการเปลี่ยนแปลงไปสู่การประชาธิปไตยในการเข้าถึงข้อมูลและทรัพยากรการคำนวณเพื่อประมวลผลข้อมูลขนาดใหญ่ ในบริบทนี้ เราได้พัฒนาการวิเคราะห์การเดินเรือในอาร์กติกโดยไม่มีค่าใช้จ่ายโดยใช้ Ocean Data Connector ของ HUB Ocean ในสัปดาห์การแสดงตัวอย่างส่วนตัว

การวิเคราะห์ระยะยาวของปริมาณการเดินเรือในเส้นทางภาคตะวันออกเฉียงเหนือและภาคตะวันตกเฉียงเหนือได้รายงานรูปที่ 5 วิวัฒนาการของเวลาของปริมาณการเดินเรือต่อลองจิจูด แผงด้านบนแสดงความหนาแน่นของการขนส่งโดยเฉลี่ยในเซลล์ที่มีการขนส่งที่ไม่ใช่ค่าว่างในแต่ละลองจิจูด ในขณะที่แผงด้านล่างแสดงความยาวหน้าตัดของเซลล์เหล่านี้ รายการสีขาวแสดงถึงการไม่มีการขนส่ง เส้นสีดำในแผงด้านบนแสดงถึงลองจิจูดที่เราเลือกเป็นตัวแทนมากที่สุดในการวัดเส้นทางภาคตะวันออกเฉียงเหนือและภาคตะวันตกเฉียงเหนือ ซึ่งมีค่า 150º และ -90º ตามลำดับ ซึ่งเป็นรูปแบบตามฤดูกาลที่คาดไว้ในทั้งสองเส้นทาง โดยแสดงความแปรปรวนต่ำในเส้นทางภาคตะวันตกเฉียงเหนือ อย่างไรก็ตาม เส้นทางภาคตะวันออกเฉียงเหนือแสดงให้เห็นการลดลงของความกว้างสูงสุดของเส้นทางเมื่อไม่นานนี้ ร่วมกับพฤติกรรมตามฤดูกาลที่ยาวนานขึ้น กล่าวคือ เส้นทางแคบลง แต่ใช้ตลอดช่วงเวลาหนึ่งปีที่ยาวนานขึ้น ข้อจำกัดการเดินทางในระดับท้องถิ่น ภูมิภาค และระหว่างประเทศเพื่อลดการแพร่ระบาดของ COVID-19 ในช่วงที่เรียกว่า “ภาวะหมดประจำเดือน” [16, 17] ทับซ้อนกับช่วงเวลาที่เราวิเคราะห์ส่วนใหญ่ ซึ่งบ่งชี้ถึงการลดลงของอัตราการผลิตในโรงงาน และอาจอธิบายการลดลงของความกว้างของเส้นทางภาคตะวันออกเฉียงเหนือได้ เนื่องจากการลดลงของปริมาณการจราจรจะส่งผลให้เรือเดินทะเลเดินตามเส้นทางที่ใกล้เคียงกับระยะทางที่เหมาะสมที่สุด โดยพิจารณาจากข้อจำกัดทางภูมิศาสตร์และสิ่งแวดล้อม (น้ำแข็ง) ทั้งหมด ในความเป็นจริง การวิเคราะห์ทั่วโลกเผยให้เห็นว่าปริมาณการจราจรลดลง 1.4% ในช่วงเดือนแรกๆ ของการระบาด โดยเฉพาะในซีกโลกเหนือ [18]

การลดลงของปริมาณน้ำแข็งในทะเลในมหาสมุทรอาร์กติกซึ่งส่งผลให้อุณหภูมิในมหาสมุทรอาร์กติกสูงขึ้นอย่างรวดเร็วเป็นโอกาสในการปรับเส้นทางเดินเรือให้เหมาะสมที่สุด ลดระยะเวลาและต้นทุนการขนส่ง และลดการปล่อยก๊าซเรือนกระจก อย่างไรก็ตาม การเพิ่มขึ้นของปริมาณการขนส่งทางเรือในมหาสมุทรอาร์กติกอาจเป็นสัญญาณบ่งชี้ถึง "การเร่งตัวของสีน้ำเงิน" [19] ในมหาสมุทรอาร์กติก ซึ่งคุกคามสิ่งมีชีวิตในทะเลที่ไม่เคยเผชิญกับอันตรายจากการขนส่งมาก่อน [20] เช่น การชนเรือ [21] หรือเสียงใต้น้ำ [22] นอกจากนี้ยังมีปัจจัยกดดันอื่นๆ เช่น มลพิษจากพลาสติกที่ตรวจพบแล้ว [23, 24] ในทางกลับกัน เส้นทางเดินเรือใหม่ที่มีให้ใช้ได้อาจเป็นผลตอบรับเชิงลบจากมนุษย์เกี่ยวกับภาวะโลกร้อน ซึ่งช่วยลดการปล่อยมลพิษจากเรือเนื่องจากใช้เส้นทางที่สั้นกว่า [25] ข้อดีและข้อเสียที่อาจเกิดขึ้นเหล่านี้เน้นย้ำถึงความสำคัญของการวิเคราะห์ข้อมูลเพื่อติดตามและจัดการการขนส่งทางเรือในมหาสมุทรอาร์กติก ซึ่งจะช่วยลดผลกระทบต่อสิ่งแวดล้อม

V. วิธีการ

ความหนาแน่นของการขนส่ง ข้อมูลดิบแสดงเวลาการขนส่งบนเซลล์กริดความละเอียดสูงของเรือที่ติดตั้งอุปกรณ์ AIS ซึ่งรวมถึงเรือขนส่งทั้งหมดและการแบ่งข้อมูลออกเป็น 4 ประเภทของเรือ ได้แก่ เรือประมง เรือโดยสาร เรือขนส่งสินค้า และเรือบรรทุกน้ำมัน เราได้รวบรวมเซลล์กริดความละเอียดสูงเหล่านี้ลงในเซลล์กริดขนาด 0.1◦× 0.1◦ เราได้ความหนาแน่นของการขนส่งโดยหารเวลาการขนส่งด้วยพื้นที่เซลล์ A:

โดยที่ R = 6371 กม. คือ รัศมีของโลก ϕ คือ ละติจูดเป็นองศา และ ∆λ และ ∆ϕ คือ ด้านลองจิจูดและละติจูดของเซลล์เป็นองศา ตามลำดับ

ความหนาแน่นเฉลี่ยของการขนส่งต่อลองจิจูด เราคำนวณความหนาแน่นเฉลี่ยของการขนส่งต่อลองจิจูดเป็นผลรวมของเวลาการขนส่งทั้งหมดผ่านเซลล์ที่มีลองจิจูดเดียวกัน หารด้วยพื้นที่ของเซลล์ที่มีเวลาการขนส่งไม่เท่ากับศูนย์ โดยปฏิบัติตามสมการที่ 7 สำหรับการเปลี่ยนแปลงเวลาของค่านี้ (รูปที่ 5 ด้านบน) ในแต่ละขั้นตอนเวลา เราจะพิจารณาเฉพาะเซลล์ที่มีเวลาการขนส่งไม่เท่ากับศูนย์ในช่วงเวลาที่ระบุเท่านั้น

ความกว้างของเส้นทางต่อลองจิจูด เราพิจารณาเซลล์กริดทั้งหมดในภูมิภาคอาร์กติกที่มีลองจิจูด λ เฉพาะ และคำนวณวิวัฒนาการของเวลาของจำนวนเซลล์ N(λ, t) ที่แสดงเวลาการขนส่งที่ไม่เท่ากับศูนย์ เราคำนวณความกว้างของเส้นทาง W(λ, t) เป็นความยาวของหน้าตัดละติจูดของเซลล์เหล่านี้:

VI. คำประกาศ

ก. การจัดหาเงินทุน

JPR ได้รับการสนับสนุนจากโครงการ Juan de la Cierva Formacion (อ้างอิง FJC2019-040622-I) ซึ่งได้รับทุนจาก MCIN/AEI/ 10.13039/501100011033 JPR ได้รับการสนับสนุนจากหน่วยงานวิจัยสเปน MCIN/AEI/10.13039/501100011033 ผ่านโครงการ MISLAND (PID2020-114324GB-C22)

งานวิจัยนี้ได้รับการสนับสนุนจาก Mar´ıa de Maeztu Excellence Unit 2023-2027 Refs. CEX2021-001201- M และ CEX2021-001164-M โดยได้รับทุนจาก MCIN/AEI /10.13039/501100011033

ข. ผลงานของผู้แต่ง

JPR: การสร้างแนวคิด การดูแลข้อมูล การวิเคราะห์เชิงรูปธรรม ซอฟต์แวร์ การสร้างภาพ การเขียน: ร่างต้นฉบับ KK: การวิเคราะห์เชิงรูปธรรม การเขียน: การตรวจทานและแก้ไข CMD: การสร้างแนวคิด การเขียน: การตรวจทานและแก้ไข VME: การสร้างแนวคิด การวิเคราะห์เชิงรูปธรรม การเขียน: ร่างต้นฉบับ

VII. คำขอบคุณ

ผู้เขียนขอขอบคุณแพลตฟอร์ม HUB Ocean hubocean.earth สำหรับการเข้าถึงข้อมูลและสิ่งอำนวยความสะดวกการคำนวณเพื่อรันการวิเคราะห์ทั้งหมดจากระยะไกลผ่าน Ocean Data Connector

[1] UNCTAD, การทบทวนการขนส่งทางทะเล (สิ่งพิมพ์ของสหประชาชาติ, 2021)

[2] J. Tournadre, Geophysical Research Letters 41, 7924 (2014)

[3] N. Melia, K. Haines และ E. Hawkins, Geophysical Research Letters 43, 9720 (2016)

[4] M. M¨uller, M. Knol-Kauffman, J. Jeuring และ C. Palerme, npj Ocean Sustainability 2, 12 (2023)

(5) DA Kroodsma, J. Mayorga, T. Hochberg, NA Miller, K. Boerder, F. Ferretti, A. Wilson, B. Bergman, TD White, BA Block, และคณะ, วิทยาศาสตร์ 359, 904 (2018)

[6] JP Rodr´ıguez, J. Fern´andez-Gracia, CM Duarte, X. Irigoien และ VM Egu´ıluz, Science Advances 7, eabe3470 (2021)

[7] TH Frawley, B. Muhling, H. Welch, KL Seto, S.-K. Chang, F. Blaha, Q. Hanich, M. Jung, EL Hazen, MG Jacox และคณะ, One Earth 5, 1002 (2022)

[8] N. Queiroz, NE Humphries, A. Couto, M. Vedor, I. Da Costa, AM Sequeira, G. Mucientes, AM Santos, FJ Abascal, DL Abercrombie, และคณะ, ธรรมชาติ 572, 461 (2019)

(9) FC Womersley, NE Humphries, N. Queiroz, M. Vedor, I. da Costa, M. Furtado, JP Tyminski, K. Abrantes, G. Araujo, SS Bach, และคณะ, การดำเนินการของ National Academy of Sciences 119, e2117440119 (2022)

(10) VM Egu'ıluz, J. Fern'andez-Gracia, X. Irigoien และ CM Duarte รายงานทางวิทยาศาสตร์ 6, 30682 (2016)

[11] F. Fetterer, K. Knowles, WN Meier, MM Savoie และ AK Windnagel, “ดัชนีน้ำแข็งทะเล เวอร์ชัน 3” (2017) [12] J. Alstott, E. Bullmore และ D. Plenz, PLoS ONE 9, e85777 (2014)

[13] AMM Sequeira, GC Hays, DW Sims, VM Egu´ıluz, JP Rodr´ıguez, MR Heupel, R. Harcourt, H. Calich, N. Queiroz, DP Costa และคณะ Frontiers in Marine Science 6, 639 (2019)

(14) T. Tanhua, S. Pouliquen, J. Hausman, K. O'brien, P. Bricher, T. De Bruin, JJ Buck, EF Burger, T. Carval, KS Casey, และคณะ, Frontiers in Marine Science 6, 440 (2019)

[15] JJ Buck, SJ Bainbridge, EF Burger, AC Kraberg, M. Casari, KS Casey, L. Darroch, JD Rio, K. Metfies, E. Delory, และคณะ, Frontiers in Marine Science 6, 32 (2019)

[16] C. Rutz, M.-C. Loretto, AE Bates, SC Davidson, CM Duarte, W. Jetz, M. Johnson, A. Kato, R. Kays, T. Mueller และคณะ Nature Ecology & Evolution 4, 1156 (2020)

[17] AE Bates, RB Primack, BS Biggar, TJ Bird, ME Clinton, RJ Command, C. Richards, M. Shellard, NR Geraldi, V. Vergara และคณะ, Biological Conservation 263, 109175 (2021)

[18] D. March, K. Metcalfe, J. Tintor´e และ BJ Godley, Nature Communications 12, 2415 (2021)

[19] J.-B. Jouffray, R. Blasiak, AV Norstr¨om, H. Osterblom, ¨ และ M. Nystr¨om, One Earth 2, 43 (2020). [20] KA Burek, FM Gulland และ TM O'Hara, Ecological Applications 18, S126 (2008).

[21] R. Reeves, C. Rosa, JC George, G. Sheffield และ M. Moore, นโยบายทางทะเล 36, 454 (2012)

(22) OM Tervo, SB Blackwell, S. Ditlevsen, E. Garde, RG Hansen, AL Samson, AS Conrad และ MP Heide-Jørgensen, Science Advances 9, eade0440 (2023)

[23] A. C'ozar, E. Mart'ı, CM Duarte, J. Garc'ıa-de Lomas, E. Van Sebille, TJ Ballatore, VM Egu'ıluz, JI Gonz'alez-Gordillo, ML Pedrotti, F. Echevarr'ıa, และคณะ, ความก้าวหน้าทางวิทยาศาสตร์ 3, e1600582 (2017)

[24] I. Peeken, S. Primpke, B. Beyer, J. G¨utermann, C. Katlein, T. Krumpen, M. Bergmann, L. Hehemann และ G. Gerdts, Nature Communications 9, 1505 (2018)

[25] J. Browse, K. Carslaw, A. Schmidt และ J. Corbett, Geophysical research letters 40, 4459 (2013)