CN112085270A - 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法 - Google Patents

基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法 Download PDF

Info

Publication number
CN112085270A
CN112085270A CN202010922108.1A CN202010922108A CN112085270A CN 112085270 A CN112085270 A CN 112085270A CN 202010922108 A CN202010922108 A CN 202010922108A CN 112085270 A CN112085270 A CN 112085270A
Authority
CN
China
Prior art keywords
model
cyclone
water level
storm surge
extreme
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010922108.1A
Other languages
English (en)
Inventor
徐宿东
张妮妮
殷锴
冒刘燕
刘硕
李梦琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010922108.1A priority Critical patent/CN112085270A/zh
Publication of CN112085270A publication Critical patent/CN112085270A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，属于海洋科学及海洋工程技术领域。包括以下步骤：S1，对区域内收集水文地形资料，建立Delft3D水动力模型并验证；S2，建立主要历史台风数据库，罗列风暴潮驱动要素集；S3，基于Monte Carlo重组风暴潮驱动要素；S4，选取合适的台风场模型并验证；S5，基于典型历史台风的风暴潮模拟并预测极端高水位。本发明综合考虑了气候变化以及海平面上升对极端水位值的影响，可用于预测不同重现期的极端水位，以及风暴潮涌浪的数值预报，有利于防灾减灾以减轻沿海脆弱地区的灾难损失，有助于合理的规划与设计。

Description

基于随机统计模型与水动力模型耦合的风暴潮极端水位预测 方法
技术领域
本发明属于海洋科学及海洋工程技术领域，主要涉及到一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法。
背景技术
风暴潮灾害居海洋灾害之首位，世界上绝大多数因强风暴引起的特大海岸灾害都是由风暴潮造成的。风暴潮作用下的气旋风速大都在17米/秒以上，甚至在60米/秒以上，气旋大风及其引起的海浪会摧毁巨轮，飓风级的风力能损坏甚至摧毁陆地上的建筑、桥梁、车辆等。气旋暴雨造成的洪涝灾害，来势凶猛，破坏性极大，也是最具危险性的灾害。当气旋移向陆地时，由于气旋的强风和低气压的作用，使海水向海岸方向强力堆积，潮位猛涨，强气旋的风暴潮能使沿海水位上升5-6米。如果风暴潮与天文大潮高潮位相遇，能产生更高的水位，导致潮水漫溢，海堤溃决，冲毁房屋和各类建筑设施，淹没城镇和农田，造成大量人员伤亡和财产损失。
因此，准确、及时地进行涌浪的数值预报，是防灾减灾的关键任务。日益加剧的威胁已经促使研究者通过一种建模方法来开发准确及时的预测风暴潮极端水位，以减轻沿海脆弱地区的灾难。
发明内容
本发明所要解决的技术问题在于，针对及时准确预测风暴潮极端水位的需求，提供了一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，可用于对预测不同重现期的极端水位，可用于风暴潮涌浪的数值预报，有利于防灾减灾以减轻沿海脆弱地区的灾难损失。
为解决上述技术问题，本发明采用了如下技术手段：
本发明提出一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，包括以下步骤：
S1，对区域内收集水文地形资料，建立Delft3D水动力模型并验证；
S2，建立主要历史台风数据库，罗列风暴潮驱动要素集；
S3，基于蒙特卡罗方法重组风暴潮驱动要素；
S4，选取合适的台风场模型并验证；
S5，基于典型历史台风的风暴潮模拟并预测极端高水位。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，所述步骤S1对区域内收集水文地形资料，建立正交化曲线网格，划定区域边界，对研究区域进行局部加密；其中外海开边界的位置应远离研究区域，采用通过ADCIRC模型的调和分析模块得到水位时间序列。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，所述步骤S1建立Delft3D水动力模型并验证，是利用潮位观测资料进行模拟潮位验证。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，所述步骤S2建立主要历史台风数据库，是采用模拟圆法，具体是：提取在一定时期内途径以要模拟的地点为模拟中心，以设定的距离为半径的圆的所有气旋，以这些气旋的记录作为研究对象；
所述罗列风暴潮驱动要素集，是罗列典型气旋参数，包括：中心气压、最大风速半径、移动速度、流入角及登陆或近岸特征。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，所述步骤S3利用蒙特卡罗方法重组风暴潮驱动要素，具体是：采用数据库中的典型气旋数据，将气压和路径分别作为独立的元素随机组合，模拟生成N年内可能出现的气旋，对重组气旋要素带入已验证的Delft3D水动力模型进行计算。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，所述步骤S4选取合适的台风场模型并验证，具体是：首先，选取对工程点附近影响极大的两个气旋作为典型气旋研究对象，由气压分布模型和风场模型组合成气旋风场的模拟方案，简称Jele模型；
其次，利用观测站点的实测增水值进行气旋验证，通过Delft3D水动力模型加载该气旋作用下的风场与气压场边界条件，对风暴潮的增水情况进行验证，与实测增水值进行比较。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，步骤S5所述基于典型历史台风的风暴潮模拟并预测极端高水位，具体为：
(1)典型历史台风的风暴潮模拟，采用蒙特卡罗随机模型随机模拟生成气旋，代入Delft3D水动力模型中，对研究区域可能出现的气旋风暴潮进行数值模拟研究，得到水位过程线，通过将各水位过程线中的最大值与最小值分别进行排序，得出对应重现期的极端高水位与极端低水位的预测值；
(2)在所得到的不同重现期极端水位预测值的基础上，选择合适的气旋强度作为研究区域气候变化的影响量度和海平面上升预测值，得到考虑气候变化以及海平面上升影响下的极端水位值。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，步骤S4中选取的两个气旋为1992 Sandoway Cyclone和1994SittweCyclone，增水资料来源于Unisys Weather Information Systems；
所述气压分布模型采用Jelesnianski经验风场，风场模型采用Jelesnianski移行风场。
进一步的，本发明提出的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，Jele模型的具体气压和风场公式如下：
当0≤r＜R时：
Figure BDA0002667078940000031
Figure BDA0002667078940000032
Figure BDA0002667078940000033
当R≤r＜∞时：
Figure BDA0002667078940000034
Figure BDA0002667078940000035
Figure BDA0002667078940000036
式中，
r代表计算点距气旋中心的距离，单位是km；R代表最大风速半径，单位是km；
Pa代表距气旋中心距离为r处的气压，P∞代表气旋外围环境气压，取P∞＝1026.0，P0代表气旋中心气压，单位是hPa；
Vdx代表气旋中心的在x方向的移动速度，Vdy代表气旋中心的在y方向的移动速度，单位是m/s；
β代表衰减系数；WR代表最大风速圈风速；θ代表入射角；
Wx代表距气旋中心距离为r处的x方向的风速，Wy代表距气旋中心距离为r处的y方向的风速，单位是m/s。
本发明采用以上技术手段，与现有技术相比具有如下有益效果：
本发明公开了一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，利用具有准确历史数据的气象和天文潮以及其他可能驱动因素作为水动力数值模拟的驱动因素来进行数值模拟，从而推求出重现期为50年、100年、200年以及1000年的极端水位预测值。本发明有助于防灾减灾以减轻沿海脆弱地区的灾难损失，有助于合理的规划与设计。
附图说明
图1为本发明一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法的步骤流程图。
图2为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的研究区域构建网格图。
图3为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的水动力模型的潮位验证结果图。
图4为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的选择的典型气旋研究对象，包括1992 Sandoway Cyclone和1994 SittweCyclone的数据图。
图5为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的台风场模型的验证结果。
图6为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的Monte Carlo生成的N＝1000年时的354个模拟气旋图。
图7为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的不同重现期对应的极端高、低水位的结果图。
图8为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的重现期为50年、100年、200年以及1000年的极端水位预测值。
图9为本发明一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法的考虑气候变化以及海平面上升影响下的极端水位值。
具体实施方式
为了更清楚明确的理解本发明技术内容，下面结合说明书附图对本发明的技术方案作进一步说明：
如图1所示，本发明提出一种基于随机统计模型与水动力模型耦合的气旋风暴潮及极端水位预测方法，包括以下步骤：
S1，对区域内收集水文地形资料，建立正交化曲线网格，划定区域边界，对研究区域进行局部加密。外海开边界的位置应远离研究区域，采用通过ADCIRC模型的调和分析模块得到的水位时间序列。利用潮位观测资料进行模拟潮位验证，使得模拟与实测吻合良好，误差符合规范要求。
S2，建立主要历史台风数据库，依据美国FEMA使用的气旋历史记录数据处理方法——模拟圆法，提取在一定时期内途径以要模拟的地点为模拟中心，以设定的距离为半径的圆的所有气旋，以这些气旋的记录作为研究对象。罗列主要气旋参数，包括中心气压、最大风速半径、移动速度、流入角及登陆或近岸特征。
S3，基于Monte Carlo方法重组风暴潮驱动要素，采用数据库中的典型气旋数据，将气压和路径分别作为独立的元素随机组合，模拟生成N年内可能出现的气旋，例如取N＝1000，模拟生成1000年内可能出现的气旋，对重组气旋要素带入已验证的风暴潮水动力模型进行计算。
S4，台风场模型的选取及验证。选取近年来对工程点附近影响极大的两个气旋作为典型气旋研究对象，包括1992 Sandoway Cyclone和1994 Sittwe Cyclone。气压分布模型采用Jelesnianski经验风场，风场模型采用Jelesnianski移行风场。由气压分布模型和风场模型组合成气旋风场的模拟方案，简称Jele模型。由于缺乏地区气象资料，无法进行气旋的风场及气压场的时间序列值验证，为了检验气旋风场模型的可行性，利用观测站点的实测增水值进行气旋验证，增水资料来源于Unisys Weather Information Systems。通过Delft3D数值模型加载该气旋作用下的风场与气压场边界条件，对风暴潮的增水情况进行验证，与实测增水值进行比较。模拟结果与实测值拟合良好，说明风暴潮增水模型可用于研究海域的风暴潮增水模拟，并可用于进一步的模拟气旋的风暴潮增水计算。
S5，典型历史台风的风暴潮模拟，采用蒙特卡罗随机模型和Delft3D水动力模型相结合的方法对研究区域可能出现的气旋风暴潮进行数值模拟研究，得到水位过程线，通过将各水位过程线中的最大值与最小值分别进行排序，便可得出对应重现期的极端高水位与极端低水位的预测值。在所得到的不同重现期极端水位预测值的基础上，选择合适的气旋强度作为研究区域气候变化的影响量度和海平面上升预测值，得到考虑气候变化以及海平面上升影响下的极端水位值。
蒙特卡罗仿真方法(Monte Carlo simulation method)是基于概率与数理统计理论，按照一定的概率分布产生随机数，从而模拟可能出现的随机现象。它通过对系统属性进行抽样模拟，描述系统可能出现的一次情况，经过成百上千次模拟后，便可得到一些很有价值的结果。由于气旋参数都是相互独立的，借助蒙特卡罗随机模型产生的原理是认为每个参数的累积概率是从0到1，根据模型产生的0到1的随机值及由实测气旋数据所确定的该参数的概率分布形式即可推求该气旋参数的随机生成值。
气压分布模型采用Jelesnianski经验风场，风场模型采用Jelesnianski移行风场。由气压分布模型和风速模型组合成气旋风场的模拟方案，简称Jele模型。
具体气压和风场公式如下：
当0≤r＜R时：
Figure BDA0002667078940000061
Figure BDA0002667078940000062
Figure BDA0002667078940000063
当R≤r＜∞时：
Figure BDA0002667078940000064
Figure BDA0002667078940000065
Figure BDA0002667078940000066
式中，
r＝计算点距气旋中心的距离(km)；
R＝最大风速半径(km)；
Pa＝距气旋中心距离为r处的气压(hPa)；
P∞＝气旋外围环境气压(hPa)，取P∞＝1026.0(hPa)；
P0＝气旋中心气压(hPa)；
β＝衰减系数，本文取为0.5；
Vdx＝气旋中心的在x方向的移动速度(m/s)；
Vdy＝气旋中心的在y方向的移动速度(m/s)；
WR＝最大风速圈风速；
θ＝入射角，本发明取为20°；
Wx＝距气旋中心距离为r处的x方向的风速(m/s)；
Wy＝距气旋中心距离为r处的y方向的风速(m/s)；
计算气旋中心移动速度时还需要用到地球半径，取6371km。
Delft3D是广泛应用于模拟海洋、海岸、河口区域的水动力模型之一，是由荷兰Delft水利研究所开发的开源软件。在处理复杂区域的边界方面具有强大的功能，并在许多近岸海域的潮流、风暴潮的研究中得到广泛应用。Delft3D平面上使用正交曲线坐标系(ξ，η)，垂直方向上使用σ坐标，其设定为：
Figure BDA0002667078940000071
式中，
z＝物理空间上的垂直坐标(m)，在参考水平面上取值为0，往下倒河床处取d；
d＝参考水平面(z＝0)下的水深(m)；
Figure BDA0002667078940000072
＝参考水平面以上的水位(m)；
H＝总水深(m)。
以下为Delft3D模型在正交曲线坐标下的二维水流连续性方程和ξ、η方向的动量方程：
Figure BDA0002667078940000073
Figure BDA0002667078940000081
Figure BDA0002667078940000082
式中，
Q＝每个单元上的源项(m/s)；
t＝时间步长(s)；
U＝ξ方向的平均流速(m/s)；
V＝η方向的平均流速(m/s)；
Figure BDA0002667078940000083
方向的坐标转换系数(m)；
Figure BDA0002667078940000084
方向的坐标转换系数(m)；
φ＝地球纬度；
R＝地球半径(m)。
u＝ξ方向的流速(m/s)；
v＝η方向的流速(m/s)；
w＝σ方向的流速(m/s)；
f＝柯氏力参数(1/s)；
Ω＝地球自转角速度；
ρ0为水体密度(kg/m3)；
Pξ＝ξ方向的压力梯度(kg/m2·s2)；
Pη＝η方向的压力梯度(kg/m2·s2)；
Fξ＝ξ方向紊动动量通量(m/s2)；
Fη＝η方向紊动动量通量(m/s2)；
Mξ＝ξ方向上动量的源或者汇(m/s2)；
Mη＝η方向上动量的源或者汇(m/s2)；
νv为垂向涡粘系数(m2/s)。
一些项的具体表达式如下：
Figure BDA0002667078940000091
Figure BDA0002667078940000092
f＝2Ωsinφ。
实施例1
本实施例选择缅甸伊洛瓦底省LNG燃气电站工程的工程区及海口沿岸海域作为研究点。
建立Delft3D水动力模型，模型的北侧和东侧以大陆岸线为陆地边界，南面以北纬8.0°为外海边界，西面以东经85°为外海边界。
模型构建网格如图2所示。为了能更精确地模拟工程区域的实际情况，对模型网格进行了局部加密，共有362320个网格点，其中外海网格较为稀疏，网格尺寸约为3.6km，工程区域附近网格更为密集，网格尺寸达到1km。
如图3所示，采用临时验潮站的1个月潮位观测资料进行模拟潮位验证，从2017年3月5日0:00到2017年4月3日23:00的潮位验证可以看出模拟与实测吻合良好，潮位最大值误差0.05m，潮位最小值误差0.014m，误差符合规范要求，表明模型对研究区域的水动力问题具有较好的复演能力。
如图4所示，气压分布模型采用Jelesnianski经验风场，风场模型Jelesnianski移行风场。由气压分布模型和风速模型组合成气旋风场的模拟方案，简称Jele模型。为了检验气旋风场模型的可行性，采用曾在1992年和1994年引起较大风暴潮增水的1992 SandowayCyclone和1994 Sittwe Cyclone进行验证。图4展示了这两个典型台风的轨迹及风速及气压数据。
如图5所示，由于缺乏地区气象资料，无法进行气旋的风场及气压场的时间序列值验证，本文利用缅甸海域内观测站点当时的实测增水值来进行气旋验证，增水资料来源于Unisys Weather Information Systems。通过为Delft3D数值模型加载该气旋作用下的风场与气压场边界条件，对风暴潮下的增水情况进行计算。结果表明，模拟增水与UnisysWeather Information Systems提供的增水情况高度一致。模拟结果与实测值拟合良好，因此本研究所建立的风暴潮增水模型可用于研究海域的风暴潮增水模拟，并可用于以下进一步的模拟气旋的风暴潮增水计算。
如图6所示，筛选以工程点为中心，200km为半径的圆形研究区域内，且登陆点中心最低气压在0～980hPa范围内的气旋。这些所选的典型气旋都可以采用如下气旋参数进行描述：△p(中心气压)，R(最大风速半径)，VF(移动速度)，θ(流入角)和YF(登陆或近岸特征)。各参数利用蒙特卡罗随机模型产生的原理是认为每个参数的累积概率是从0到1，根据模型产生的0到1的随机值及由实测气旋数据所确定的该参数的概率分布形式即可推求该气旋参数的随机生成值。通过结合Monte Carlo随机模型和气旋参数的概率分布形式即可生成一系列的模拟气旋数据。
如图7所示，采用蒙特卡罗随机模型和Delft3D水动力模型相结合的方法对研究区域可能出现的气旋风暴潮进行数值模拟研究，得到水位过程线，并得出极值水位。通过将各水位过程线中的最大值与最小值分别进行排序，便可给出对应重现期的极端高水位(图7a)与极端低水位(图7b)的预测值。
如图8所示，在所得到的不同重现期极端水位预测值的基础上，可以得到50年，100年，200年和1000年一遇的极端高水位、极端低水位。
如图9所示，基于安全考虑，极端高水位预测值考虑气候变化及50年海平面上升的影响，而极端低水位预测值仅考虑气候变化的影响。取1.1倍气旋强度作为研究区域气候变化的影响量度，取50年间的海平面上升预测值为310mm。由此便可以得到考虑气候变化及海平面上升的极端高水位、极端低水位值。
上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，包括以下步骤：
S1，对区域内收集水文地形资料，建立Delft3D水动力模型并验证；
S2，建立主要历史台风数据库，罗列风暴潮驱动要素集；
S3，基于蒙特卡罗方法重组风暴潮驱动要素；
S4，选取合适的台风场模型并验证；
S5，基于典型历史台风的风暴潮模拟并预测极端高水位。
2.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
所述步骤S1对区域内收集水文地形资料，建立正交化曲线网格，划定区域边界，对研究区域进行局部加密；其中外海开边界的位置应远离研究区域，采用通过ADCIRC模型的调和分析模块得到水位时间序列。
3.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
所述步骤S1建立Delft3D水动力模型并验证，是利用潮位观测资料进行模拟潮位验证。
4.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
所述步骤S2建立主要历史台风数据库，是采用模拟圆法，具体是：提取在一定时期内途径以要模拟的地点为模拟中心，以设定的距离为半径的圆的所有气旋，以这些气旋的记录作为研究对象；
所述罗列风暴潮驱动要素集，是罗列典型气旋参数，包括：中心气压、最大风速半径、移动速度、流入角及登陆或近岸特征。
5.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
所述步骤S3利用蒙特卡罗方法重组风暴潮驱动要素，具体是：采用数据库中的典型气旋数据，将气压和路径分别作为独立的元素随机组合，模拟生成N年内可能出现的气旋，对重组气旋要素带入已验证的Delft3D水动力模型进行计算。
6.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
所述步骤S4选取合适的台风场模型并验证，具体是：
首先，选取对工程点附近影响极大的两个气旋作为典型气旋研究对象，由气压分布模型和风场模型组合成气旋风场的模拟方案，简称Jele模型；
其次，利用观测站点的实测增水值进行气旋验证，通过Delft3D水动力模型加载该气旋作用下的风场与气压场边界条件，对风暴潮的增水情况进行验证，与实测增水值进行比较。
7.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
步骤S5所述基于典型历史台风的风暴潮模拟并预测极端高水位，具体为：
(1)典型历史台风的风暴潮模拟，采用蒙特卡罗随机模型随机模拟生成气旋，代入Delft3D水动力模型中，对研究区域可能出现的气旋风暴潮进行数值模拟研究，得到水位过程线，通过将各水位过程线中的最大值与最小值分别进行排序，得出对应重现期的极端高水位与极端低水位的预测值；
(2)在所得到的不同重现期极端水位预测值的基础上，选择合适的气旋强度作为研究区域气候变化的影响量度和海平面上升预测值，得到考虑气候变化以及海平面上升影响下的极端水位值。
8.根据权利要求6所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，
步骤S4中选取的两个气旋为1992 Sandoway Cyclone和1994 Sittwe Cyclone，增水资料来源于Unisys Weather Information Systems；
所述气压分布模型采用Jelesnianski经验风场，风场模型采用Jelesnianski移行风场。
9.根据权利要求6所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，Jele模型的具体气压和风场公式如下：
当0≤r＜R时：
Figure FDA0002667078930000021
Figure FDA0002667078930000022
Figure FDA0002667078930000023
当R≤r＜∞时：
Figure FDA0002667078930000031
Figure FDA0002667078930000032
Figure FDA0002667078930000033
式中，
r代表计算点距气旋中心的距离，单位是km；R代表最大风速半径，单位是km；
Pa代表距气旋中心距离为r处的气压，P∞代表气旋外围环境气压，取P∞＝1026.0，P0代表气旋中心气压，单位是hPa；
Vdx代表气旋中心的在x方向的移动速度，Vdy代表气旋中心的在y方向的移动速度，单位是m/s；
β代表衰减系数；WR代表最大风速圈风速；θ代表入射角；
Wx代表距气旋中心距离为r处的x方向的风速，Wy代表距气旋中心距离为r处的y方向的风速，单位是m/s。
10.根据权利要求5所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，N＝1000，模拟生成1000年内可能出现的气旋，对重组气旋要素带入已验证的Delft3D水动力模型进行计算。
CN202010922108.1A 2020-09-04 2020-09-04 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法 Pending CN112085270A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010922108.1A CN112085270A (zh) 2020-09-04 2020-09-04 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010922108.1A CN112085270A (zh) 2020-09-04 2020-09-04 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法

Publications (1)

Publication Number Publication Date
CN112085270A true CN112085270A (zh) 2020-12-15

Family

ID=73732578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010922108.1A Pending CN112085270A (zh) 2020-09-04 2020-09-04 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法

Country Status (1)

Country Link
CN (1) CN112085270A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505521A (zh) * 2021-05-20 2021-10-15 天津大学 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN113688539A (zh) * 2021-10-19 2021-11-23 南京信息工程大学 一种复合型极端气候事件识别方法和系统
CN113806959A (zh) * 2021-09-26 2021-12-17 上海市水利工程设计研究院有限公司 一种未来情景下河口设计高潮位定量研究方法
CN116151085A (zh) * 2023-02-22 2023-05-23 中国水利水电科学研究院 风暴潮与天文潮共同作用下的电厂取水卷吸率计算方法
CN117390894A (zh) * 2023-12-08 2024-01-12 中国海洋大学 一种预测极端风暴潮位的方法
CN117709131A (zh) * 2024-02-05 2024-03-15 水利部交通运输部国家能源局南京水利科学研究院 近岸风暴潮高精度批量数值模拟方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221389A (zh) * 2011-04-11 2011-10-19 国家海洋信息中心 结合统计模型与动力模型的乘潮水位预报方法
CN104732104A (zh) * 2015-04-07 2015-06-24 东南大学 长期潮位数据不足条件下不同重现期的极端高水位计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221389A (zh) * 2011-04-11 2011-10-19 国家海洋信息中心 结合统计模型与动力模型的乘潮水位预报方法
CN104732104A (zh) * 2015-04-07 2015-06-24 东南大学 长期潮位数据不足条件下不同重现期的极端高水位计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林林茂: "基于ADCIRC模式的台风风暴潮数值模拟与危险性分析", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 2, pages 8 - 52 *
高峰 等: "海口湾典型风暴潮数值模拟及极端高水位推算", 《第十八届中国海洋（岸）工程学术讨论会论文集，》, pages 136 - 141 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505521A (zh) * 2021-05-20 2021-10-15 天津大学 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN113505521B (zh) * 2021-05-20 2022-04-22 天津大学 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN113806959A (zh) * 2021-09-26 2021-12-17 上海市水利工程设计研究院有限公司 一种未来情景下河口设计高潮位定量研究方法
CN113806959B (zh) * 2021-09-26 2024-03-15 上海市水利工程设计研究院有限公司 一种未来情景下河口设计高潮位定量研究方法
CN113688539A (zh) * 2021-10-19 2021-11-23 南京信息工程大学 一种复合型极端气候事件识别方法和系统
CN116151085A (zh) * 2023-02-22 2023-05-23 中国水利水电科学研究院 风暴潮与天文潮共同作用下的电厂取水卷吸率计算方法
CN116151085B (zh) * 2023-02-22 2023-08-11 中国水利水电科学研究院 风暴潮与天文潮共同作用下的电厂取水卷吸率计算方法
CN117390894A (zh) * 2023-12-08 2024-01-12 中国海洋大学 一种预测极端风暴潮位的方法
CN117390894B (zh) * 2023-12-08 2024-02-20 中国海洋大学 一种预测极端风暴潮位的方法
CN117709131A (zh) * 2024-02-05 2024-03-15 水利部交通运输部国家能源局南京水利科学研究院 近岸风暴潮高精度批量数值模拟方法及系统
CN117709131B (zh) * 2024-02-05 2024-04-23 水利部交通运输部国家能源局南京水利科学研究院 近岸风暴潮高精度批量数值模拟方法及系统

Similar Documents

Publication Publication Date Title
CN112085270A (zh) 基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法
CN110414041B (zh) 一种基于gis技术建立风暴潮漫滩和淹没分析的方法及系统
CN112036691A (zh) 一种基于jpm-os-q模型的河口地区极端风暴潮水位计算方法
Xu et al. Effects of tide-surge interactions on storm surges along the coast of the Bohai Sea, Yellow Sea, and East China Sea
Liu et al. Numerical study on factors influencing typhoon-induced storm surge distribution in Zhanjiang Harbor
KR20160073604A (ko) 연안국지 순환 분석 방법 및 시스템
Zhang et al. Analysis of 50-year wind data of the southern Baltic Sea for modelling coastal morphological evolution–a case study from the Darss-Zingst Peninsula
KR102365072B1 (ko) 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법
Suh et al. Forerunner storm surge under macro-tidal environmental conditions in shallow coastal zones of the Yellow Sea
CN117454720A (zh) 一种极端天气海上风电场冲刷风险仿真预测方法和设备
Yoon et al. Coupled storm surge and wave simulations for the Southern Coast of Korea
Liu et al. Hindcasting and predicting surge heights and waves on the Taiwan coast using a hybrid typhoon wind and tide-surge-wave coupled model
Ranasinghe et al. Does a more sophisticated storm erosion model improve probabilistic erosion estimates?
Smith et al. Hawaii hurricane wave and surge modeling and fast forecasting
CN112434423B (zh) 一种同心圆网格与新型台风场模式结合的风暴潮模拟方法
Lee et al. Effects of Large-Scale Coastal Construction on Storm Surge Height in Shallow Coastal Zones of the Yellow Sea, South Korea
Yuk et al. Modelling of storm-induced seawater flooding in the Suyeong River area, South Korea: A case study due to the storm surge and waves during Typhoon Sanba
Son et al. An Observational and numerical study of storm-induced morphologic changes at sanpo beach, Korea
Ratcliff et al. Sea level rise impacts to military installations in lower Chesapeake Bay
Street et al. Modeling the wave climate in the Baltic sea
Ding Sea-level rise and hazardous storms: impact assessment on coasts and estuaries
Zhang et al. Numerical Investigation on Coastal Inundation of Storm Surges in Estuarine Wetland Waters
Kim et al. Storm Surge Frequency Analysis of Major Coasts Along the Korean Peninsula Using Historical Typhoons
Snaiki Rapid Estimate of Hurricane Wind, Rain and Storm Surge under Changing Climate
Sheng et al. TOWARDS AN INTEGRATED STORM SURGE AND WAVE FORECASTING SYSTEM FOR TAIWAN COAST

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination