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.     

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。     

渤海风暴减水特征及其对深水航路影响的数值模拟

利用环渤海9个沿岸站近10a潮位资料分析渤海海域的风暴减水特征,结果表明:渤海年均出现50cm和100cm风暴减水分别超过30d和6d,每年的9月至翌年4月份风暴减水最为频繁;建立了一套精细化天文潮-风暴潮耦合模型用于渤海深水航路的潮位预报,各站天文潮模拟验证的平均均方根误差为18.5cm,由此计算得到航路代表点的潮汐特征值并作潮汐预报;后报模拟了近10a重大风暴减水过程,模拟与实测吻合较好,说明该耦合模型可为该航路的潮位预报提供有益参考。     

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。     

数据融合下的短期潮位预报测试及分析

针对短期验潮数据分析难度大、预报精度低的问题,设计了一种基于数据融合技术的短期潮位预报方法,利用扩展卡尔曼滤波(EKF),将通用的潮汐模型计算水位融合到调和预报模型之中,生成精度更高的融合预报值.数据测试表明,对于3天的验潮数据,EKF方法至少对向后5天的预报有效,融合值较两种源数据的平均优化度分别为33％和60％;对...     

潮汐非调和常数的计算方法——Ⅰ.原理

潮汐非调和常数是一组用来描述港口潮汐特征的数据,应当从长期观测的高、低潮时间及高度中统计得出。然而在只有短期记录的情况下,由于潮汐存在着长周期的变化,直接统计得出的结果会出现相当大的误差。因此,在只有短期验潮的港口,人们常常利用潮汐的调和常数间接计算非调和常数;而调和常数则可利用短期记录求得,不会带来严重的误差。各国使用的潮汐非调和常数计算方法不尽相同。在我国,郑交振同志编著的《实用潮汐学》一书中全面地介绍了     

基于数值模拟的强潮海湾潮汐预报模型精度分析：以三门湾为例

全球潮汐预报模型在深水大洋具有较高的精度, 但在近岸强潮海区由于地形岸线、模型分辨率等原因精度不一, 难以直接应用。三门湾海域多年平均潮差4 m, 最大潮差可达7 m,是典型的强潮海湾, 为了评估TPXO9.0、TPXO9.0-atlas TOPEX/POSEIDON TIDES）、NAO.99b（National Astronomical Observatory of Japan）与GTM（Global Tide Model） 4 种预报模型在三门湾海域的预报精度, 本文分别通过上述4 个潮汐预报模型提取水动力数学模型开边界进行对比,并利用提取的开边界潮位对二维水动力模型进行驱动。通过计算分析潮位站实测数据与数值模拟结果的误差, 研究4 种预报模型模拟的三门湾潮汐变化得出, NAO.99b 模型在三门湾海域整体预报精度最佳, 分潮振幅、迟角和实测数据误差最小, TPXO9.0-atlas 分潮振幅模拟较好, 但迟角误差较大。对湾内四大分潮进行潮汐调和分析发现, 三门湾海域以半日潮为主, M2、S2 和K1分潮振幅由湾顶向湾口递减, O1分潮相反。     

全球大洋潮汐模式在北印度洋潮汐预报准确性的评估

为评估DTU10、TPXO8、GOT00.2和NAO.99b 4个全球大洋潮汐模式对北印度洋潮汐的预报能力,采用英国海洋资料中心提供的海区中部和沿岸站潮汐调和常数资料,检验了这些模式4个主要分潮(M_2、S_2、K_1、O_1)的准确度。它们的各分潮调和常数资料准确度都比较高,振幅绝均差的最大值仅5.61 cm,迟角绝均差的最大值仅9.13°。这些模式的调和常数给出潮波传播特征差别不大。基于这些模式提供的调和常数,分别建立了北印度洋4、8和16分潮潮汐预报模型,将预报结果与中国海事服务网提供的沿岸24个站潮汐表资料进行对比。各模式的8分潮(M_2、S_2、N_2、K_2、K_1、O_1、P_1、Q_1)潮汐预报模型均优于4分潮(M_2、S_2、K_1、O_1)潮汐预报模型,NAO.99b模式可以提供16分潮(M_2、S_2、N_2、K_2、K_1、O_1、P_1、Q_1、MU_2、NU_2、T_2、L_2、2N_2、J_1、M1、OO_1)潮汐预报模型,但是对预报结果改善不明显;在各模式中,GOT00.2模式的8分潮潮汐预报模型对北印度洋沿岸的预报效果最好,平均绝均差为14.97 cm。     

潮汐预报研究迈出新步伐 上海研制成调和浅水分潮预报软件

上海市自然科学基金项目——提高潮汐预报精度方法与应用软件研究,是对潮汐学中实用预报技术的更高层次的探索,已由上海计算技术研究所全面完成,并于4月1日在沪通过技术鉴定.在浅海河口地区,由于曲折的岸线、海底摩擦作用,以及与浅海分潮有关的不同分潮之间相互作用的影响,使以往潮汐分析和预报模式在实际应用中存在一定误差,尤其是对于高低潮位和潮时预报,往往与实际测量数值偏差较大.此项研究工作较好地解决了这一问题,提高了潮汐预报的精度.其取得的重要成果有:     

潮汐分析和预报的误差分析

本文首先对潮汐研究和应用中常见的“误差”概念进行了分类和分析,从而消除了使用上的模糊性;其次较系统地分析了海洋扰动因素给潮汐调和常数的提取所造成的误差,并分析了振幅、振幅误差及迟角误差之间的关系;最后讨论了调和常数误差对潮汐预报的影响。     

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。     

卷积神经网络在近岸表层海温预报中的应用

针对数值预报和人工经验预报在近岸定点表层海温(sea surface temperature, SST)预报中预报准确度不高,将近岸台站定点SST预报转换为多元时间序列预测任务,应用卷积神经网络(convolutional neural networks, CNN)构建近岸台站定点SST时间序列变化模型,对近岸台站每日最高海温、最低海温、平均海温进行预报,并与人工经验方法和长短期记忆网络(long short-termmemory,LSTM)方法进行对比试验。结果显示,在测试数据中相比人工经验预报,CNN方法全年日最高海温预报平均绝对误差(mean absolute error, MAE)为0.36℃,平均下降0.14℃,均方根误差(root mean squared error, RMSE)为0.49℃,平均下降0.21℃,日最低海温预报MAE为0.36℃,平均下降0.17℃, RMSE为0.63℃,平均下降0.24℃,日平均海温预报MAE为0.30℃, RMSE为0.47℃,预报性能和LSTM模型预报性能相当。研究表明CNN应用于近岸SST预报具有可行性,能够有效地提高SST预报准...     

卫星钟差稀疏自回归预报模型的研究

精密卫星时钟产品是进行高精度定位应用的重要基础,不断提高卫星时钟误差的预测精度是十分必要的。使用具有周期项的多项式预报模型对卫星钟差中的系统确定性误差进行预测,已广泛应用于精密单点定位技术。此模型在进行卫星钟差预报时,无法对时钟的随机性误差进行预测。使用稀疏化理论对自回归模型参数进行稀疏,降低模型非必要参数的影响,修正模型预报误差。结果表明:该方法能够有效提高卫星钟差短期预报的精度。     

用混沌理论提高潮汐预报的准确度

为提高潮位预报的准确性,在具有较长潮汐观测数据的站点,基于混沌理论,对观测值与潮汐模型预测值之差所构成的余水位序列(即误差序列),采用局域线性模型的分析方法,给出可能误差预测,修正模型的预报结果,提高潮汐预报的准确性。所给例子,对预测跨度T=2 h,经局域法修正后,崇武站2007年12月份1个月预测水位统计的RMSE值减少74.7%,厦门站减少60.5%;对T=24 h,崇武、厦门两站RMSE值减小都在50%左右。     

基于压力式验潮仪的潮汐应急观测可行性研究

针对沿岸验潮站点布局密度不够的问题,使用压力式验潮仪对遮浪站附近海域进行潮汐应急观测,对实验数据进行了回归分析处理,并计算了实验数据的误差和相关系数。结果表明,台风灾害过程中,压力式验潮仪具有良好的稳定性,压力式验潮仪潮位与实际潮位的数据曲线基本吻合,两者的相关系数均在0.99以上;此外,压力式验潮仪潮位误差绝对值均小于5 cm,反应了压力式验潮仪潮位数据能较好地反应台风灾害过程中实际潮位的变化,表明使用压力式验潮仪开展潮汐观测工作具备良好的可行性。     

海道测量中跳变水位和缺失水位的补救方法

基于余水位的配置模型,通过潮汐调和分析,利用已知长期验潮站余水位结合临近短期验潮站天文潮位来恢复短期站的实际水位,并对其进行误差分析,证明基于余水位进行推算未知验潮站潮位的可行性与实用性。为了保证验潮仪采集数据的精确度,基于日(月)平均海面在较大的空间尺度内有较强的相关性这一原理,对短期验潮站验潮仪零点漂移进行检测,并对其进行误差分析。     

一种动态权重的台风集成预报方法

提出了1种动态权重的台风路径与强度集成预报方法,根据前4个时刻(24h,间隔6h)的预报误差来滑动确定接下来预报所用成员及其权重。设计了3种权重形式(最小误差、绝对偏差与相对偏差),并利用2013—2015年6家气象机构的台风预报数据,对台风路径与强度进行了时效为24,48和72h的预报应用检验。结果表明:1)动态权重集成方法在台风路径与强度预报上均有改进,平均预报误差小于单一成员的预报误差。2)路径预报以绝对偏差形式效果最佳,24,48和72h时效的预报误差减小2.4%～40.4%;强度预报以相对偏差形式效果最佳,3个时效的台风最大风速的预报误差减少11.2%～49.9%,而台风中心气压则为11.9%～52.6%。3)相对偏差动态集成预报能有效减小西北太平洋台风在东西方向上的偏差,24和48h均方根误差分别为92.5和146.7km。     

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.     

潮汐预报研究迈出新步伐——上海研制成调和浅水分潮预报软件

上海市自然科学基金项目──提高潮汐预报精度方法与应用软件研究,是对潮汐学中实用预报技术的更高层次的探索 已由上海计算技术研究所全面完成,并于1991年4月1日在泸通过技术鉴定。 在浅海河口地区,由于曲折的岸线、海底摩擦作用,以及与浅海分潮有关的不同分潮之间相助作用的影响,使以往潮汐分析和预告模式在实际应用中存在一定误差,尤其对于高低潮位和潮时预告,往往与实际测量数据偏差较大。此项研究工作较好地解决了这一问题,提高了潮汐预告的精度。其取得的重要成果有:     

单站潮汐的谱分析预报

本文给出一种单站潮汐预报的方法,利用该方法对厦门和东山的潮位资料进行谱分析求出调和常数,并利用分析结果回报两港的潮位.把谱分析得出的调和常数与基于最小二乘法的调和分析结果及实测结果进行比较并分析潮汐回报的效果,证明该方法原理简单,简便实用,对潮汐的预报具有一定的应用价值.