共查询到17条相似文献，搜索用时 93 毫秒
1.
对港珠澳大桥岛隧工程施工海域2013年的潮汐观测资料进行调和分析,发现该海域潮汐特征为不正规半日潮,以M2分潮为主,其次为K1、O1、S2和P1等分潮;利用调和常数做预报时,分潮个数的选择会在一定程度上影响预报精度。结果表明:分潮由5个增加至25个可以明显改进预报效果,再增加几乎没有改进。选用25个分潮建立调和预报模型预报2014—2016年的潮位,同时对2012年的潮位做了回报,并与实测潮位进行对比。检验结果表明预报潮位与实测潮位趋势一致,大小基本吻合,3 a平均的均方根误差为0.16 m,可以作为施工潮位窗口的选择依据。对调和预报误差的进一步分析表明,误差主要来源于径流和风的影响,台风带来的风暴增水可以达到1.33 m。 相似文献
2.
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。 相似文献
3.
《海洋技术学报》2023,(2)
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。 相似文献
4.
基于FVCOM模型,将珠江河网、河口和口外海区作为整体,建立完全三维数值模式,对珠江河口及其邻近海域的潮汐进行数值模拟.采用23个潮位站的潮汐表水位资料对模式进行验证,结果表明模式能比较准确地重现珠江河口的潮汐变化过程.通过对计算结果进行潮汐调和分析,给出了珠江河口区域及近岸海域8个主要分潮的同潮图,讨论了潮波的传播特征.珠江河口潮汐属于混合潮类型,潮型系数介于0.8—1.5.浅水分潮成分很小,最大振幅不超过5cm.对珠江河口的潮差进行统计,给出了珠江河口大潮和小潮期间的潮差大小及分布,大潮时潮差介于2.2—3.1m,小潮时减小到0.6—1.1m. 相似文献
5.
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。 相似文献
6.
7.
《海洋湖沼通报》2020,(2)
针对短、中期高、低潮数据情况下的潮汐调和分析问题,采用埃尔米特三次插值方法对高、低潮数据进行插值得到近似的逐时潮位,再使用最小二乘法求解调和常数,进而利用得到的调和常数进行潮汐预报;同时在此基础上利用MATLAB设计并开发了一个潮汐预报系统。本文分别对位于近海、河口、内河感潮河段等3种区域的验潮站的预报结果与潮位数据进行了对比分析,结果表明文中方法能够很好地对近海和内河感潮河段区域的潮汐进行预报,而对于水动力环境复杂的河口区域预报结果相对较差;对于进行调和常数计算的实测数据所对应较近时间段的预报结果优于较远时间段的预报结果;对比验证结果表明本文方法提取的调和常数和利用T_tide计算得到的结果基本一致。开发的潮汐预报系统可以方便地利用高、低潮潮位或更小时间间隔的潮位数据进行潮汐调和分析和预报。 相似文献
8.
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。 相似文献
9.
《热带海洋学报》2017,(5)
受径流影响和调制,径优型河口潮汐的非线性作用强,潮汐调和分析和预报误差大。文章在调和分析方法的基础上,结合河口三角洲内径潮相互作用机理,假定河道地形变化微弱,采用实测潮水位和上游径流量,建立径流和潮汐调和分析(river-tidal harmonic analysis,简称RTHA)模型,用于分析和研究珠江三角洲的径流和潮汐的相互作用过程。结果表明,对于珠江河口年尺度的潮水位数据,RTHA模型分析和预报的标准误差0.12~0.17 m,方差贡献(相关指数)为91%~98%,特别是在径流作用强的河口三角洲中上段,RTHA模型结果远高于传统的调和分析和预报结果,可以以较高精度分离径流和潮汐信号。利用该回归模型对珠江径流影响下非线性潮汐的变化进行研究,结果发现,珠江径流量的洪枯季变化引起河口全日分潮、半日分潮、三分之一分潮的振幅洪季小、枯季大,口门段四分之一分潮的振幅洪季大、枯季小;洪季全日分潮、半日分潮传播速度变小(位相增大),分潮振幅沿程衰减幅度显著增大,自枯季的10%~30%迅速增加到洪季的70%~80%。 相似文献
10.
11.
基于调和分析法与ANFIS系统的综合潮汐预报模型 总被引：1，自引：1，他引：0
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。 相似文献
12.
13.
Accurate prediction of tidal level including strong meteorologic effects is very important for human activities in oceanic and coastal areas. The contribution of non-astronomical components to tidal level may be as significant as that of astronomical components under the weather, such as typhoon and storm surge. The traditional harmonic analysis method and other models based on the analysis of astronomical components do not work well in these situations. This paper describes the Back-Propagation Neural Network (BPNN) approach, and proposes a method of iterative multi-step prediction and the concept of periodical analysis. The prediction among stations shows that the BPNN model can predict the tidal level with great precision regardless of different tide types in different regions. Based on the non-stationary characteristic of hourly tidal record including strong meteorologic effects, three Back-Propagation Neural Network models were developed in order to improve the accuracy of prediction and supplement of tidal records: (1) Difference Neural Network model (DNN) for the supplementing of tidal record; (2) Minus-Mean-Value Neural Network model (MMVNN) for the corresponding prediction between tidal gauge stations; (3) Weather-Data-based Neural Networks model (WDNN) for set up and set down.The results show that the above models perform well in the prediction of tidal level or supplement of tidal record including strong meteorologic effects. 相似文献
14.
海浪直接影响海上活动和航行安全,同时也蕴藏着巨大的可再生能源,对海浪核心参数之一波高预测至关重要。基于2015年7月～2022年6月山东小麦岛(36°N,120.6°E)站点实测的波高数据,利用反向传播神经网络(back-propagation neural network,BPNN)、长短记忆网络(long short-term memory, LSTM)和支持向量机回归(support vector regression, SVR)三种机器学习模型对波高进行预测,并分析了瑞利参数的引入对预测结果的影响。结果显示,模型输入项引入瑞利参数后,对1 h和6 h波高预测提升效果有限,预测值与测试集的相关性提升不超过0.02,均方根误差的降低不超过0.01 m;在12h和24h的预测中,BPNN和LSTM模型预测结果相关性提升0.03～0.07,均方根误差降低0.02～0.03m,而SVR模型预测结果变化不显著。说明瑞利参数有助改善BPNN和LSTM模型中长期海浪预报。此外,特征扰动方法(机器学习中特征重要性的计算方法之一)验证了瑞利参数在波高预测中的重要性,瑞利参数的引入为波高的机器学习预... 相似文献
15.
Back-propagation neural network for long-term tidal predictions 总被引：5，自引：0，他引：5
During the recent years, the availability of accurate ocean tide models has become increasingly important, as tides are the main contributor to disposal and movement of sediments, tracers and pollutants, and to a whole range of offshore applications in engineering, environmental observations, exploration and oceanography. Tides can be conventionally predicted by harmonic analysis, which is the superposition of many sinusoidal constituents with amplitudes and frequencies determined by a local analysis of the measured tide. However, accurate predictions of tide levels could not be obtained without a large number of tide measurements by the harmonic method. An application of the back-propagation neural network using short-term measuring data is presented in this paper. On site tidal level data at Taichung Harbor in Taiwan will be used to test the performance of the present model. Comparisons with conventional harmonic methods indicate that the back-propagation neural network mode also efficiently predicts the long-term tidal levels. 相似文献
16.
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。 相似文献
17.
Akihiko Morimoto 《Journal of Oceanography》2009,65(4):477-485
The magnitude and geographical distribution of the error in the Archiving, Validation and Interpretation of Satellite Oceanographic
data (AVISO) altimetry data associated with tidal correction around Asian marginal seas has been revealed. The errors were
evaluated by harmonic analysis of the AVISO corrected sea surface heights data (CorSSH). Errors of more than 15 cm of tidal
correction were recognized in the western and northern parts of the Yellow Sea, Celebes Sea, Kuril Islands, and the northwestern
part of the Okhotsk Sea. It was found that the CorSSH and sea level anomaly (SLA) data downloaded from the AVISO are not available
for direct use in those marginal seas. To reduce the tidal correction error, the harmonic constants calculated from the latest
tide model and regional tide model were applied as the tidal correction of the Altimetry data. The tidal errors in the Yellow
Sea and the northwestern part of the Okhotsk Sea were reduced by approximately 20 cm and 10 cm, respectively. Root mean square
differences between the harmonic constants derived from tide models and those derived from altimetry data were calculated.
The root mean square differences were large in the Yellow and the Okhotsk Seas. Root sum squares for four principal tidal
constituents in the Yellow and East China Seas and Okhotsk Sea were 7.72 cm and 8.36 cm, respectively. 相似文献