Although many studies have focused on the occurrence likelihood of marine accidents, few have focused on the analysis of the severity of the consequences, and even fewer on the prediction of the severity. To this end, a new research framework is proposed in this study to accurately predict the severity of marine accidents. First, a novel two-stage feature selection (FS) method was developed to select and rank Risk Influential Factors (RIFs) to improve the accuracy of the Machine Learning (ML) model and interpretability of the FS. Second, a comprehensive evaluation method is proposed to measure the performance of the FS methods based on stability, predictive performance improvement, and statistical tests. Third, six well-established ML models were used and compared to measure the performance of different predictors. The Light Gradient Boosting Machine (LightGBM) was found to have the best predictive performance for the severity prediction of marine accidents and was treated as the benchmark model. Finally, LightGBM was used to predict accident severity based on the RIFs selected by the proposed FS method, and the effect of risk control measures was counterfactually analysed from a quantitative perspective. This innovative study on the use of improved ML approaches can effectively analyse and predict the severity of marine accidents, providing a novel methodology for and triggering a new direction for using Artificial Intelligence (AI) technologies in safety assessment and accident prevention studies. The source code is publicly available at: https://github.com/FengYinLeo/PGI-SDMI.

In view of the frequent occurrence of marine accidents and the complex interaction of various risk-influencing factors (RIFs), a data-driven method to risk analysis that combines association rule mining (ARM) and complex network (CN) analysis is proposed in this study. The efficient FP-Growth algorithm is applied to facilitate ARM to examine risk patterns that frequently occur in marine accidents. Subsequently, CN theory is employed to scrutinise the multifaceted role of various RIFs and their interactions in the complex marine accident system, which involves the basic characteristics of the network, the identification of key RIFs through the application of the weighted LeaderRank (WLR) algorithm, and a robustness analysis. The results of the study indicate that compared with random networks, marine accident networks exhibit a higher level of complexity, which brings challenges to safety prevention and control. Inadequate regulation, violations, and deficiencies in safety management systems are identified as key RIFs, stressing the urgency of improving supervision, strengthening law enforcement and strengthening the safety management system. This study may facilitate maritime safety management of maritime traffic and the development of risk analysis methods.

Accurate prediction of ship emissions aids to ensure maritime sustainability but encounters challenges, such as the absence of high-precision and high-resolution databases, complex nonlinear relationships, and vulnerability to emergency events. This study addresses these issues by developing novel solutions: a novel Spatiotemporal Trajectory Search Algorithm (STSA) based on Automatic Identification System (AIS) data; a rolling structure-based Seasonal-Trend decomposition based on the Loess technique (STL); a modular deep learning model based on Structured Components, stacked-Long short-term memory, Convolutional neural networks and Comprehensive forecasting module (SCLCC). Based on these solutions, a case study using pre and post-COVID-19 AIS data demonstrates model reliability and the pandemic's impact on ship emissions. Numerical experiments reveal that the STSA algorithm significantly outperforms the conventional identification standard in terms of accuracy of ship navigation state identification; the SCLCC model exhibits greater resistance against emergency events and excels in comprehensively capturing global information, thus yielding higher accurate prediction results. This study sheds light on the changing dynamics of maritime transport and its impacts on carbon emissions.

It is crucial to understand the movement characteristics and behaviour of individuals during ship emergencies for successful human evacuation on board ships. This study aimed to analyse the effect of heeling angles on human movement characteristics and comprehensive evacuation efficiency on passenger ships through the development of a new experimental dataset of human evacuation. To achieve this, a series of tests were conducted using an experimental simulator closely resembling the evacuation scenarios recommended by the International Maritime Organization (IMO). It is revealed that a heeling angle significantly reduces both walking and running speeds of participants. Notably, when the heeling angle is 16°, males demonstrated better adaptability as their speed was less affected compared to females. Additionally, height is found to be positively correlated with movement speed across different scenarios. In counter flow tests, a comprehensive evacuation experiment was systematically quantified. The results showed that evacuation time increased with higher heeling angles. Furthermore, participants tended to maintain a larger personal space in a heeling ship, resulting in lower density when the heeling angle reached 16° compared to other scenarios. The outcomes of this study offer valuable insights for validating evacuation models and developing guidelines for human evacuation from passenger ships.

As the receiving terminal of liquefied natural gas (LNG), the efficient emergency response of the floating storage and regasification unit (FSRU) is crucial to ensure the safety of LNG transportation at sea. However, few existing literature study the risk issues of FSRUs during emergency operations. In order to improve the emergency response capability of FSRU, this study proposes an innovative assessment method to identify hazards, quantify and rank the risks associated with emergency response and disposal operations of FSRU accidents. Firstly, a comprehensive index hierarchy system applicable to human, equipment, environment, and management aspects of emergency response and disposal operations of FSRU accident is established through an extensive literature review, analysis of accident reports, and expert judgments. Secondly, based on the concept of Intuitionistic Fuzzy Numbers, the Intuitionistic Fuzzy Hybrid Weighted Euclidean Distance (IFHWED) operator is used to enhance the conventional FMEA approach. This method considers the varying levels of expert confidence and integrates subjective and objective weights of risk influential factors (RIFs), and the efficacy is validated through sensitivity analysis. Finally, a comprehensive evaluation model employing the Analytic Hierarchy Process (AHP) and fuzzy comprehensive evaluation algorithms is used to aggregate the risk values of RIFs. The findings of this study offer decision-makers insights into risks during emergency operation, provide valuable guiding strategies for FSRU accident management, and improve the capability for emergencies at sea.

Traditional sparse coding has proven to be an effective method for image feature representation in recent years, yielding promising results in image classification. However, it faces several challenges, such as sensitivity to feature variations, code instability, and inadequate distance measures. Additionally, image representation and classification often operate independently, potentially resulting in the loss of semantic relationships. To address these issues, a new method is proposed, called Histogram intersection and Semantic information-based Non-negativity Local Laplacian Sparse Coding (HS-NLLSC) for image classification. This method integrates Non-negativity and Locality into Laplacian Sparse Coding (NLLSC) optimisation, enhancing coding stability and ensuring that similar features are encoded into similar codewords. In addition, histogram intersection is introduced to redefine the distance between feature vectors and codebooks, effectively preserving their similarity. By comprehensively considering both the processes of image representation and classification, more semantic information is retained, thereby leading to a more effective image representation. Finally, a multi-class linear Support Vector Machine (SVM) is employed for image classification. Experimental results on four standard and three maritime image datasets demonstrate superior performance compared to the previous six algorithms. Specifically, the classification accuracy of our approach improved by 5% to 19% compared to the previous six methods. This research provides valuable insights for various stakeholders in selecting the most suitable method for specific circumstances.

The autonomous decision regarding anchoring speed is one of the key technologies in the design and implementation of an intelligent anchoring system. The speed at which a vessel drops its anchor is termed anchoring speed. In order to find the suitable speed for anchoring, a mathematical model linking anchor chain tension and anchoring speed is established on the basis of the ship kinetic energy model. After fully considering the kinetic energy consumed during the transition from the anchor touching the seabed to its retrieval, and the strength requirements of the anchoring equipment, four different sizes of real ships are selected to calculate the limit value of anchoring speed when the anchor chain tension does not exceed the brake force of the windlass and the holding power of the anchor respectively. By comparing the calculated value of anchoring speed with the empirical value, the reliability of the calculated anchoring speed is verified. Furthermore, the limitations of the calculated value are analyzed and suggestions for anchoring speed are put forward. The research results demonstrate that the established model effectively predicts optimal anchoring speeds, bridging the gap left by traditional experience-based methods. Moreover, the model not only supports the development of intelligent anchoring systems but also allows for customisation based on the specific characteristics of different vessel types.

To address human errors in collision avoidance tasks of remotely controlled ships, this study aims to develop a comprehensive framework for human error analysis within the context of autonomous ships. Firstly, the Hierarchical Task Analysis method is utilized to identify crew collision avoidance tasks associated with the traditional ship, and these tasks are then dissected into different operational stages using the Information Decision Action in a Crew cognitive model. Secondly, a combination of the fault hypothesis method and expert opinions are used to identify potential human error that may occur during collision avoidance operations of remotely controlled ships. Thirdly, an integrated approach is proposed to build a quantitative risk assessment model, which combines Failure Mode and Effects Analysis, Evidential Reasoning, and Belief rules-based Bayesian Network. Then, axiomatic analysis is used to verify the robustness and applicability of the risk assessment model. Finally, based on the results of quantitative risk assessment, specific measures are proposed for enhancing the safety of collision avoidance process of remotely controlled ships. The findings show that uncoordinated interactions of human-computer systems during the decision-making stage are a pivotal factor in the collision avoidance process. Therefore, future design efforts for remote-control centre should prioritize improving the clarity of human-computer interaction interfaces.