南麂站定常波风浪波高与风速的经验关系

本文以南麂海洋站１９８３～１９９０年风、浪的实测资料为依据，建立了南麂海城春、夏、秋、冬季定常波风浪波高与风速的经验关系式。检验结果表明，曲线回归显著，计算值与实测值吻合良好。文中还对偏ＮＮＥ向和偏ＳＳＷ向计算波高随风速增大的快慢，同一方向在同一风速作用下计算波高的季节变化及其机理作了初浅的讨论。     

南黄海潮流和潮余流的数值计算

一、引言南黄海是一个平均深度不超过45米的陆架浅海。其独有的地理条件,使该海域潮运动独具特征。早从本世纪三十年代开始,日本学者就已对黄海的潮汐进行了研究。近年来,我国、苏联、日本和南朝鲜等国学者又运用数值计算等方法进一步探讨了该海域的潮汐、潮流运动。然而,这些研究多偏重于揭示海域潮波运动的规律。对潮流的计算基本上未经实测资料校核。尤其是,对于由潮流的非线性效应所产生的潮汐余流研究甚少。为了更     

β螺旋方法在黑潮流速计算中的应用 Ⅰ.台湾以东海域

基于1965年9月和1966年3月在台湾以东黑潮海区两个航次的CSK水文调查资料,采用β螺线方法对调查海区进行流速计算.首先,对方法进行研讨.其次,对台湾以东黑潮流域进行流速计算,其结果表明:(1)在台湾以东,黑潮存在着季节变化;(2)深层流有一些重要特征,例如,对两个航次的计算都揭示了台湾东岸附近位于苏澳-与那国岛海脊以南的逆流;1965年9月在深层1200-1500m存在一个气旋式涡,并且,该涡与深层的冷水团有很好的对应.     

南沙群岛海区冬夏季中、深层海流的计算

根据１９８８年夏季和１９８９年冬季南沙群岛海区两个航次的温、盐度调查资料，运用β螺旋方法对调查海区的海流进行了计算。计算结果表明，该海区表、中层环流相对比较一致，深层流动状态与表、中层的差异较大，其中的局地环流的季节变化不明显。此外，在北康暗沙与南薇滩之间，夏季中、深层和冬季深层都明显反映出存在着一个迄今未见报道的局地反气旋式环流。文章对上述结果与该海区已有的一些海流分析结果作了比较。     

一种计算台风风场的方法

揭示Ｒａｎｋｉｎｅ涡风场模式和Ｊｅｌｅｓｎｉａｎｓｋｉ风场模式之间的联系，并设计了一种台风风场分布模式，它的风速分布曲线落在Ｊｅｌｅｓｎｉａｎｓｋｉ和Ｒａｎｋｉｎｅ涡两个风场模式的风速分布曲线之间，具有一个既优于Ｊｅｌｅｓｎｉａｎｓｋｉ又优于Ｒａｎｋｉｎｅ涡的风速衰减速率，因此它同时克服了Ｒａｎｋｉｎｅ涡模式计算风速偏小和Ｊｅｌｅｓｎｉａｎｓｋｉ模式计算风速偏大的缺点，以一种比较合理的变化趋势向远方衰减，成为一个比较切合实际的台风风场分布模式。同时，文中提出的移行台风风场计算方法对宫崎正卫、上野武夫和Ｊｅｌｅｓｎｉａｎｓｋｉ模式都有一定的改进。     

海底波动轨迹速度计算

本文提出一种根据表面波高、周期和水深来直接计算海底波动轨迹速度的方法。本文也提出了用单频波代替全频波的方法     

气候平均值的计算及意义

本文提出了气候平均值函数的概念及其计算方法。认为计算气候平均值应采用气候平均值函数,并应围绕要素的周期变化去进行。根据每个周期的最大值与最小值之间都有全周期的平均值存在。因此,可以采用半周期的要素值计算出全周期的气候平均值。从而使有限年代的资料计算出的气候平均值可以代表更长年代的平均情况。也使我们清楚地知道所计算的气候要素的振动状态及演变趋势,以及所计算的气候平均值大体代表的有效年代及准确程度。     

基于Stokes-Helmert边值理论的大地水准面计算模型改化及分析检验

针对源自Stokes-Helmert边值理论的大地水准面计算模型适用性问题,首先详细解析了Stokes-Helmert方法的基本原理和计算模型,研究探讨了该方法与其他现有方法的关联性和差异性,分析比较了Stokes-Helmert计算模型和相同类型模型的技术特点,提出了Stokes-Helmert计算模型的实用改化方法,同时设计了4种分步改化模型的实验验证方案,使用超高阶位模型EGM2008作为数值模拟标准场,对分步改化模型的计算效果进行了数值精度检核,并开展了数据观测噪声影响评估检验,得出了一些有参考和实际应用价值的研究结论。在一定条件下,使用改化Stokes-Helmert方法计算(似)大地水准面可获得优于2cm的内符合度。     

基于GPU加速的Boussinesq类波浪传播变形数值模型

Boussinesq波浪模型是一类相位解析模型,在时域内求解需要较高的空间和时间分辨率以保证计算精度。为提高计算效率,有必要针对该类模型开展并行算法的研究。与传统的中央处理器(CPU)相比,图形处理器(GPU)有大量的运算器,可显著提高计算效率。基于统一计算设备架构CUDA C语言和图形处理器,实现了Boussinesq模型的并行运算。将本模型的计算结果同CPU数值模拟结果和解析解相比较,发现得到的结果基本一致。同时也比较了CPU端与GPU端的计算效率,结果表明,GPU数值模型的计算效率有明显提升,并且伴随数值网格的增多,提升效果更为明显。