Recognizing ship behavior is important for maritime situation awareness and intelligent transportation management. Some scholars extracted ship behaviors from massive trajectory data by statistical analysis. However, the meaning of the behaviors, i.e., semantic meanings of behaviors and their relationships, are not explicit. Ship behaviors are affected by navigational area and traffic rules, so their meanings can be obtained only in specific maritime situations. The work establishes the semantic model of ship behavior (SMSB) to represent and reason the meaning of the behaviors. Firstly, a semantic network is built based on maritime traffic rules and good seamanship. The corresponding detection methods are then proposed to identify basic ship behaviors in various maritime scenes, including dock, anchorage, traffic lane, and general scenes. After that, dynamic Bayesian network (DBN) is used to reason potential ship behaviors. Finally, trajectory annotation and semantic query of the model are validated in the different scenes of harbor. The basic behaviors and potential behaviors in all typical scenes of any harbor can be obtained accurately and expressed conveniently using the proposed model. The model facilitates the ships behavior research, contributing to the semantic trajectory analysis.

Simulation technology has been extensively utilized in the study of ship entry and exit from ports, as well as navigation through waterways. It effectively mirrors the stochastic dynamic changes and interrelationships among various elements within the port system. This paper provides a comparative analysis of the advantages and disadvantages of various modeling methods used in ship navigation simulations. It proposes a simulation modeling approach for ship–port systems based on multi-agent information interaction, which simulates the entire process of ships entering and exiting ports and navigating through complex waterways, achieving a precise and detailed simulation of the entire port entry and exit process in complex waters. Using the Qiongzhou Strait as a case study, the validity and accuracy of the model are verified. The model is employed to quantitatively identify port navigation elements, assess waterway capacity, and evaluate port operational capability. Furthermore, the model enables the analysis of coordination among port channels, berths, and anchorages. Based on simulation results and port development plans, recommendations are provided to enhance port service levels and promote scientific, rational development and efficient operation of ports.

Aiming at the problems of insufficient navigation area recognition accuracy, fuzzy boundary of obstacle segmentation, and high consumption of computational resources in the autonomous navigation of water navigation sensors, such as USVs, this paper proposes a DMTN-Net network architecture based on DeeplabV3+ to improve the accuracy and efficiency of environment sensing. Firstly, DMTN-Net adopts the lightweight MobileNetV2 as the backbone, which reduces the amount of computation. Secondly, the innovative N-Decoder structure integrates cSE and Triplet Attention, which enhances the feature representation and improves the segmentation performance. Finally, various experiments were conducted on the MassMind dataset, Pascal VOC2007 dataset, and related sea areas. The experimental results show that DMTN-Net performs well on MassMind and Pascal VOC2007 datasets, and compared with other mainstream networks, the indexes of mIoU, mPA, and mPrecision are significantly improved, and the computational cost is greatly reduced. In addition, the offshore navigation experiments further validate its performance advantages and provide solid support for the practicalization of USV waterborne sensors.

Inland water transportation is regarded as a crucial component of global trade, yet its reliability has been increasingly challenged by uncertainties such as extreme weather, port congestion, and geopolitical tensions. Although substantial research has focused on the structural characteristics of inland water transportation networks, the dynamic responses of these networks to disruptions remain insufficiently explored. This gap in understanding is critical for enhancing the resilience of global transportation systems as trade volumes grow and risks intensify. In this study, percolation theory was applied to evaluate the reliability of the Yangtze River transportation network. Ship voyage data from 2019 were used to construct a complex network model, and simulations of node removal were performed to identify key vulnerabilities within the network. The results showed that the failure of specific nodes significantly impacts the network’s connectivity, suggesting which nodes should be prioritized for protection. This research offers a dynamic framework for the assessment of inland water transportation network reliability and provides new insights that could guide policy decisions to improve the resilience of critical waterway systems. By identifying potential points of failure, this study contributes to the development of a more robust global trade infrastructure.