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GPOS-BP神经网络模型的潮汐预报

为了提高预报潮汐的精度,提出了一种遗传算法(GA)与粒子群算法(PSO)结合的神经网络仿真模型进行潮汐预测,及引入遗传算法变异操作提升粒子群算法的寻优的性能,改善BP神经网络阈值和权值选取敏感、易陷入局部极小值的缺点。然后利用本文算法与调和分析法对潮汐进行非天文潮预报和天文潮预报。最后对Alexandria港口的实测潮汐数据仿真预测,实验结果验证了该方法的可行性与可靠性,且具有较高的预报精度。     

基于潮汐表数据同化的天文潮数值预报模型及其模拟预报效果

潮汐表是利用长期潮汐观测结果经调和分析实现的主要港湾潮汐预报结果,具有较高的预报精度,而通常的天文潮数值预报目前还难以达到潮汐表的预报精度.本研究在建立常规天文潮数值预报模型的基础上,建立了基于潮汐表数据同化的天文潮数值预报模型,并分别采用这2种模型预报福建沿岸海域的天文潮.其结果表明同化模型的预报结果无论是在潮时还是在潮高均明显优于常规模型;同化模型能显著地改善所研究的沿岸海域90个水位点中至少45个水位点的潮汐预报结果,而其他水位点的预报结果也有不同程度地改善.     

上海黄浦江及沿海高分辨率非结构网格风暴潮数值模型

为提高复杂区域内风暴潮的预测能力,以上海黄浦江、长江口和沿岸近海为研究对象,构建了基于浅水方程的风暴潮模型。模型运用HLLC格式计算通量,具有高空间分辨率,能够模拟风暴潮、天文潮、洪水等多重因素作用下潮水位过程变化。它采用了非结构的四边形和三角形混合网格,适合应用于跨尺度河渠和河口等区域潮汐交互作用的分析模拟。为了验证模型,开展了0012号派比安台风和0509号麦莎台风影响下的潮汐变化过程计算。结果表明,该模型能够分析天文潮和台风组合作用下的潮水位变化,能够满足风暴潮预报要求。     

北黄海天文潮与风暴潮耦合水位的数值预报方法

本文在北黄海潮汐、天文潮与风暴潮耦合作用数值研究的基础上,建立了该区天文潮与风暴潮耦合作用下水位的数值预报方法,并取得了计算值与实测值较吻合的结果。     

使用MATLAB拟合工具箱进行潮汐调和分析

应用一个月潮汐资料分析的理论方法,将一个月潮汐资料调和分析和预测结果与实测情况进行比对,并进行决定系数和方差计算等分析,验证了MATLAB的曲线拟合工具箱可以非常简单地实现调和常数计算.建立的短期预报模式,预报结果与实测资料匹配较好,但也发现了因为意外天气系统干扰而造成实测潮位相对于天文潮位的较大偏离,是预报模型无法避开的缺陷.初步认为,该方法可以作为一种实用方法应用于短期潮汐资料的分析和预报,对于中远期的预报应用具有一定的参考价值.     

渤海潮汐余差谱的初步分析

应用验潮记录研究由气象因素所引起的海洋水位变化时,必须考虑天文潮的预报精度。目前,为了获得较为准确的潮汐预报,多采用电子计算机来实现,其中大都采用一百多个分潮进行预报。正如Munk和Cartwright(1966))所指出的,在调和分析方法中,     

短期潮汐预报探索

以天文潮调和分析原理为基础,通过对余水位的分布特征统计分析,提出一种基于少量观测潮位数据实现短期潮汐预报的方法,并研究开发相关的预报软件。应用案例试验结果表明所提出的统计预报方法具有两项重要的应用价值:(1)在缺测数据修订方面具有较高的精度,平均绝对值误差优于5 cm;(2)在为期3天的短期潮汐预报中具有较好表现,平均绝对值误差小于13 cm。     

超强台风“桑美”及“韦帕”风暴潮预报分析

基干河口海岸水动力模型MIKE2l,以及全球潮汐预报模型,建立浙江省沿海天文潮与风暴潮耦合预报模式.针对登陆浙江省的两次超强台风"桑美"和"韦帕",以预报的天文潮潮波和台风参数为依据,进行浙江沿海风暴潮位预报,在路径基本准确的情况下,风暴高潮位预报值与实测值相差17cm,后报精度为12cm,为沿海防汛提供了可靠的依据.     

风暴潮与天文潮非线性相互作用结果及有关问题的分析

分析了风暴潮与天文潮非线性相互作用的结果，给出了增、减水的解析表达式，指出了潮汐预报精度在增、减水分离中的重要性，提出了提高潮汐分析预报精度的方法。     

潮汐调和分析与应用研究

基于长江口外鸡骨礁、绿华山潮位站多年实测潮汐资料,开展潮汐调和分析与应用研究。采用最小二乘法计算调和常数,研究不同分潮组合及不同资料长度对调和分析结果的影响。采用规范法及直接预报法计算深度基准面,并分析计算结果。采用余水位订正方法推算潮位,并进行精度验证。结果表明:调和分析精度随分潮个数的增加而提高;采用年实测潮汐资料调和分析的精度总体高于采用多年实测潮汐资料调和分析的精度;采用预报年份相邻的年实测潮汐资料进行潮汐预报精度较高;理论最低潮面计算值,规范法较直接预报法偏小。基于绿华山站与鸡骨礁站实测资料进行余水位推算验证,精度基本满足实用要求。     

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,并以此作为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。     

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。     

海道测量中几种水位改正方法的比较与分析

针对多波束测深易出现的因水位改正不完善导致的相邻测深条带间的拼接断层,分别采用天文潮预报、基于余水位配置的海洋潮汐推算以及基于日平均海面订正的海洋潮汐推算等方法进行水深测量水位改正。结果表明,后两种方法均适用于多波束水深测量水位改正。     

海道测量中几种水位改正方法的比较与分析

针对多波束测深易出现的因水位改正不完善导致的相邻测深条带间的拼接断层,分别采用天文潮预报、基于余水位配置的海洋潮汐推算以及基于日平均海面订正的海洋潮汐推算等方法进行水深测量水位改正。结果表明,后两种方法均适用于多波束水深测量水位改正。     

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。     

基于神经网络的潮汐预报方法初探

运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报.将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高.     

基于余水位精化潮高模型的水位生成研究

研究了基于余水位精化潮高模型的水位生成方法。所提方法首先构建网格潮汐场模型,其次采用余水位提高内插模型精度。通过网格搜索策略实现了水深点所属网格的快速定位及水位生成,探索了该模型在水位改正及预报中的应用。实验表明：所提方法既可应用于水位改正又可用于水位预报,且较现有方法在精度上有所提高。     

基于神经网络的潮汐预报方法初探

文章运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报。将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高。     

BP模型用于潮汐预报研究

针对调和分析法预报潮汐精度不高的缺陷,论述了神经网络的BP(反向传播)模型用于潮汐预报的可行性和先进性,设计了潮汐预报的BP神经网络模型,论述了模型的算法改进和预报方法过程,用验潮站20多年的潮汐记录,验证了BP模型用于潮汐预报的可行性和精度.