基于集合经验模态分解与BP组合模型的短期余水位预测

水位在忽略观测误差的前提下,可分解为潮位和余水位,后者具有较强的空间相关性以及非平稳特征,是影响水位预报精度的主要因素。港口工程、航运计划编制等方面对实时高精度水位预报具有重要需求,这对余水位预报模型构建提出了更高要求。另外,利用高精度余水位预报模型可减少验潮站布设数量。针对余水位短期预测模型精度不高的现状,本文对余水位进行集合经验模态(EEMD)分解,获得余水位在时间序列上的本征模函数(IMF);使用快速傅立叶变换(FFT)分析各本征模函数的频谱特征;再利用BP神经网络对各个本征模函数进行训练,预测了未来6 h、12 h、24 h的余水位值。对哥伦比亚河下游河口处的3组典型验潮站的余水位数据的预测结果表明,在未来6 h、12 h内的余水位的预测精度达到厘米级,在24 h内接近厘米级,证明了该组合模型在余水位短期预测方面的可行性。     

Delft3D在天文潮与风暴潮耦合数值模拟中的应用

本文应用Delft-3D水动力学计算软件,以长江口地区为例建立的台风风暴潮、天文潮耦合数值预报模型,对台风风暴潮、天文潮两潮耦合预报模式进行探研和分析。该模式不同于以往的单纯台风增水模型与天文潮叠加的风暴潮模式,而是在计算中直接对天文潮和台风风暴潮进行两潮耦合,有效地消除了近岸地区潮波与增水之间叠加的非线性影响。通过模拟台风8114和7708过境对长江口的影响,并与实测数据比较,预报结果和实测水位过程的对比说明,台风风暴潮耦合数值预报模式对增水和高潮的过程预报是准确的,两者在高水位时同步且相差甚微。     

黄海、东海潮汐余差谱的初步分析

目前世界各国出版的潮汐表和潮流表几乎全是采用调和方法推算的,对于用这种方法进行的潮汐预报的误差已有许多人做过研究;我国也曾有人从调和常数准确度和分潮选取方面进行了研究,并研究了浅水港口的潮汐预报方法。我所与国家海洋局情报研究所潮流组的同志在这方面做了一些工作:在一定程度上提高了潮汐预报的准确度;满足了实践的需要。然而,潮汐预报余差(即实测水位与预报潮高之差)减小的量值与余差本身相比仍是微小。例如在浅水港口吴淞,用1963年实测水位资料的分析结果预报1970年的潮位,采用 Doodson的方法预报,低潮时间的误差在半小时以上者占49%,而采用浅水准调和分潮方法预报,则仅占9%。前者余差的标准差是20.6厘米,后者约为19.7厘米,两者只相差0.9厘米,对余差总体来说,所减少的量值还是很小的。 验潮站测得的每小时一次的水位值,实际上可以认为是周期性和非周期性水位之和。其中,周期部分是潮汐诸分潮振动的迭加结果;在实测水位中扣除预报的潮高后得到的余差基本上可看作是非周期性的。从谱结构来看,实测水位不仅是一系列以线谱为特征的分潮的迭加,而且还有本底噪声以及介于两者之间的非线性相互作用所导致的一些随机起伏。所以,用调和方法预报潮汐,其准确度必有某些限制。为了进一步研究潮汐预报误差,国外曾有人对特定地点的潮汐预报余差进行谱分析,从而得到了一些有意义的结果。本文即拟通过潮汐预报余差功率谱研究潮汐预报的准确度和误差的性质。     

黄海风暴潮和天文潮非线性耦合作用的数值研究

本文以4个主要分潮之和为开边界输入条件,对黄海天文潮及8114、7708、7303号台风潮与天文潮耦合作用进行数值模拟,计算结果与实测值基本相符,又通过模拟的流场和水位的变化,分析了不同风暴条件下,天文潮与风暴潮及其流场耦合作用的时空变化规律,从水位场流场整体上研究其相互关系及其动力机制。讨论了几种主要动力因素在非线性耦合作用中的作用,取得了一些有益的结果。     

基于非稳态调和分析和长短时记忆神经网络的河口潮位短期预报混合模型

河口潮汐过程受上游径流、外海潮波等综合因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS_TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12~48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列;以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12~48 h潮位预报误差,据此对NS_TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS_TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS_TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。     

太阳辐射潮对月平均海面变化的影响

本文对中国大陆沿岸20个站同步1年的逐时潮位首先进行低通滤波,然后对零族潮位进行响应分析,将太阳辐射潮、天文潮和非线性潮分离开,再对它们和零族潮位分别进行调和分析,从而探讨了长周期潮的内部机制结构及长周期潮在中国沿岸的分布变化规律.     

支持向量机在湄池站洪峰水位预报中的应用

支持向量机(SVM,Support Vector Machines)是在统计学习理论中发展起来的一种处理非线性分类和非线性回归的有效方法.感潮河段洪水位是复杂的洪、潮非线性组合问题,本文尝试将SVM方法应用于感潮河段湄池站洪峰水位预报,通过选取湄池站历史洪水中分别反映上游来水和下游顶托作用的预报因子,建立湄池站洪峰水位...     

基于调和分析法与ANFIS系统的综合潮汐预报模型

港口沿岸地区以及河流入海口等地区的精确潮汐预报对于各种海洋工程作业有着非常重要的意义。潮汐水位的变化受到众多复杂因素的影响,而且这些复杂的因素往往有着较强的实变性和非线性。为了进一步提高沿岸港口码头等水域的潮汐水位的预测精度,本文提出了一种基于调和分析模型与自适应神经模糊推理系统相结合的模块化潮汐水位预测模型;并采用相关分析确定整个预测模型的输入维数;模块化将潮汐分解为两部分：由天体引潮力形成的天文潮部分和由各种天气以及环境因素引起非天文潮部分。其中调和分析法用于天文潮部分的预测,ANFIS用于预测具有较强非线性的非文潮部分。模块化综合了两种方法的优势,即调和分析法能够实现长期、稳定的天文潮预报,ANFIS能够以较高的精度实现潮汐非线性拟合与预测。模型使用ANFIS模型和调和分析模型分别对潮汐的非天文潮和天文潮部分进行仿真预测,然后将两部分的预测结果综合形成最终的潮汐预测值。此外,本文选用三种不同的模糊规则生成方法（grid partition （GP）,fuzzy c-means （FCM） and sub-clustering （SC））生成完整的ANFIS系统,并使用实测数据进行验证用以选取最优的ANFIS预测模型。最后将最优的ANFIS模型与调和分析模型相结合进行潮汐水位的最终预报。仿真实验选用Fort Pulaski潮汐观测站的实测潮汐值数据进行预报的仿真实验,仿真结果验证了该模型的可行性与有效性并取得了良好的效果,具有较高的预报精度。     

基于EOF方法的南黄海西岸水位特征

对江苏沿岸2006年1月4日-2007年1月31日28个站位的水位数据使用潮位统计和经验正交函数(EOF)方法进行分析和比较.统计分析得到了各站位的平均潮差、最大潮差、平均潮周期、平均高潮相位差数据.经验正交函数分析结果显示,第1模态与平均潮差吻合较好,包含了水位数据73.7％的信息.前2个模态均为主要半日分潮的信息,为潮汐按相位正交分离的结果;第3模态显示了径流输入变化引起的海面变化信息;之后的数个模态还包含了水位扰动的信息.研究表明,经验正交函数应用于潮汐分析的效果良好,可作为潮汐分析的有效工具,且在扰动检测方面有一定潜力.     

东海风暴潮与天文潮的非线性相互作用

中国东海的风暴潮具有明显的周期性波动。凤暴潮除了决定于风应力和长波效应外,还受到天文潮与风暴潮相互作用的影响。本文利用一个二维数值模式对天文潮与风暴潮相互作用的水位进行了模拟。我们选取了8114号台风加以计算。计算结果与实测资料基本相符,由此说明水位曲线中的潮周期波动主要是由于天文潮与风暴潮之间的非线性相互作用所致。数值实验还表明,如果考虑到天文潮与风暴潮的相互作用可以显著改善水位的预报精度。