CN113128758B - 基于近海浮标海浪观测数据构建的最大浪高预报系统 - Google Patents
基于近海浮标海浪观测数据构建的最大浪高预报系统 Download PDFInfo
- Publication number
- CN113128758B CN113128758B CN202110408746.6A CN202110408746A CN113128758B CN 113128758 B CN113128758 B CN 113128758B CN 202110408746 A CN202110408746 A CN 202110408746A CN 113128758 B CN113128758 B CN 113128758B
- Authority
- CN
- China
- Prior art keywords
- wave height
- buoy
- data
- month
- parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003908 quality control method Methods 0.000 claims description 28
- 238000012417 linear regression Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 230000032683 aging Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 235000010044 Hernandia moerenhoutiana Nutrition 0.000 description 1
- 244000084296 Hernandia moerenhoutiana Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
基于近海浮标海浪观测数据构建的最大浪高预报系统，涉及海洋与海上工程的交叉领域，本发明为解决现有的一些海浪数值预报数据中缺少最大浪高预报要素的问题，通过我国近海海域的多个浮标站观测数据进行建模，这种源于实况观测的模型相比全球海浪数值模型能更好的体现中国近海海域的海浪特征，从而提高预报准确度，该系统包括浮标历史数据收集模块、数据质量控制模块、数据预处理模块、站点线性拟合建模模块、参数模型网格化模块以及网格化最大浪高预报模块；本发明基于实况观测数据而构建的模型，模型本身不会随着预报时效的增长而变化。本发明在实时海洋预报业务应用过程中展现出很好的效果。
Description
技术领域
本发明涉及海洋与海上工程的交叉领域，具体涉及一种基于近海浮标海浪观测数据构建的最大浪高预报系统，本发明在我国近海海域的航运导航安全、海上风电场的建设和运维等需要大浪预测预警的领域有着广泛的应用。
背景技术
海浪是一种异常复杂的随机现象，至今仍没有一种在理论上十分严谨完善的海浪预报方法。近些年来，为解决工程应用的迫切需求，海洋专家研究提出了许多计算方法，这些方法可分为三类：
一是半经验半理论的方法，包括有效波预报方法、波谱预报方法、能量平衡导出谱的预报方法。这类方法虽然在理论上不够严密，但业务中使用方便，至今仍被广泛应用。
二是基于观测资料建立经验统计方法预报海浪。并且随着观测资料时序越来越长，观测技术的进步，观测精确度的提高，用这些资料得出的计算方法比早期的方法要可靠得多。比如Wilson、Bretschneides、井岛、宇野木、Ржелплинский等经验预报方法。此外，我国国家海洋环境预报中心，利用20多年东亚地面天气图和海浪实况图资料，提出了一些适合我国近海和邻近大洋海浪经验统计预报方法。比如，利用变温和变压预报南海大浪区内最大浪高经验统计预报方法。但这类方法有时过于依赖于经验统计，在研究海域适用性表现较好，在其他海域的普适性则较差。
三是海浪的数值预报方法。随着计算机性能的提升，使海洋数值预报的应用成为了可能。海浪数值预报模式建立在明确的物理过程之上，通过积分能量平衡方程，可清晰的描述海浪的产生、消亡的过程及非线性相互作用。海洋数值模式预报从20世纪60年代发展至今，已经成为海浪预报的重要发展方向，以WAM、SWAN和WAVEWATCHⅢ等为代表的第三代海浪模式已被广泛的用于海浪模拟和预报业务中。
目前，美国海洋大气管理局(NOAA)采用WaveWatchⅢ模式已建立了全球、阿拉斯加和西北大西洋以及美国近岸区域的海浪预报系统，每天对外发布120h海浪预报；美国海军数值气象和海洋学研究中心(FNMOC)建立了全球、北大西洋和欧洲预报模式，发布72h海浪预报。美国海军研究实验室(NRL)开展了近岸海浪数值预报研究，进行了太平洋涌浪预报，发布20天的海浪预报。欧洲中心建立了全球和区域海浪预报模式，发布240h海浪预报。日本采用MRI模式建立了近岸和近海海浪预报系统。韩国气象厅(KMA)建立了全球海浪预报模式，发布10天海浪预报。
多数全球和区域海浪预报模式中均提供有效浪高(Hs)的预报数据，但部分数值预报产品中不提供最大浪高(Hmax)预报。最大浪高是海工结构物、海上运输及作业工具运转时需要考虑的重要安全因素。最大浪高的预报有助于海上工程施工作业人员规避海上的极端波浪对生产活动的灾害性影响。所以最大浪高产品的制作以及准确率的提高具有重要的科研和社会经济意义。
发明内容
本发明为解决现有的一些海浪数值预报数据中缺少最大浪高预报要素的问题，通过我国近海海域的多个浮标站观测数据进行建模，这种源于实况观测的模型相比全球海浪数值模型能更好的体现中国近海海域的海浪特征，从而提高预报准确度，提供了一种基于近海浮标海浪观测数据构建的最大浪高预报系统。
基于近海浮标海浪观测数据构建的最大浪高预报系统，该系统包括浮标历史数据收集模块、数据质量控制模块、数据预处理模块、站点线性拟合建模模块、参数模型网格化模块以及网格化最大浪高预报模块；
所述浮标历史数据收集模块用于收集浮标站点的逐小时观测数据，并传送至数据质量控制模块；所述观测数据包括有效浪高、最大浪高、有效浪高质控码和最大浪高质控码；
所述数据质量控制模块通过有效浪高、最大浪高的阈值范围对观测数据进行初步筛选，通过观测仪器的数据质控码判断浮标的运行状态，剔除浮标仪器异常或维修时段的数据，通过同一时刻最大浪高和有效浪高比值剔除观测数据异常的样本数据，所述最大浪高和有效浪高比值在1～5之间时为正常观测数据；通过质量控制后，获得有效站点；
所述数据预处理模块用于将所述浮标历史数据收集模块收集的历史浮标观测数据先按照时间顺序，再按照空间顺序进行预处理，对每个质量控制后的样本数据标志其质控代码及所述样本的可靠性；
所述站点线性拟合建模模块用于对所述数据预处理模块处理的样本数据采用一元线性回归分析预测法，将有效浪高作为自变量，最大浪高作为因变量进行拟合建模，获得预测模型；所述预测模型如下：
式中，和/>分别为一元线性回归方程参数的估计值，X为有效浪高，/>为最大浪高的估计值；
根据所述预测模型，获得各浮标站点逐月份的一元线性回归方程参数表；
所述参数模型网格化模块基于所述各个浮标站点逐月份的一元线性回归方程参数表，分别对参数的估计值和/>采用反距离加权插值方法逐月份将各个浮标站点的回归方程参数插值至各个网格格点，最终形成关于参数的估计值/>和参数的估计值/>的逐月份网格化静态参数文件；
所述网格化最大浪高预报模块基于有效浪高数值预报数据和网格化静态参数文件，通过并行计算的方式获得网格化最大浪高的预报。
本发明的有益效果：
基于我国近海多年浮标观测数据，通过初步的质量控制筛选留存符合基本质量要求的观测数据，通过对各个浮标站点数据的优选适于建模的数据时段。选择有效浪高为自变量，最大浪高为因变量，通过线性回归的方法对各浮标站点建立对最大浪高的预测模型，得出各站点逐月回归模型参数表。通过反距离权重插值法将各站点的回归参数插值到各个网格点，最终得到近海海域网格化的参数表，以便于应用于各个网格最大浪高的预测。
本发明所述的基于近海浮标海浪观测数据构建的最大浪高预报系统，基于实况观测数据而构建的模型，模型本身不会随着预报时效的增长而变化。随着观测资料的积累，模型会更加完善。该技术在实时海洋预报业务应用过程中也展现出了不错的效果，为最大浪高的预报提供了一种较为简单快捷的方法。
附图说明
图1为本发明所述的基于近海浮标海浪观测数据构建的最大浪高预报系统的原理框图；
图2为本实施方式中2019年10月1日至2日舟山浮标和温州浮标最大浪高实况和预报数据时序曲线对比图；
图3为本实施方式中2020年2月15日至16日渤海新区浮标、黄海1号浮标、海峡2号浮标最大浪高实况和预报数据时序曲线对比图。
具体实施方式
结合图1和图3说明本实施方式，基于近海浮标海浪观测数据构建的最大浪高预报系统，该系统以有效浪高为输入源数据，得出最大浪高数据。包括浮标历史数据收集模块、数据质量控制模块、数据预处理模块、站点线性拟合建模模块、参数模型网格化模块和网格化最大浪高预报模块；
所述浮标历史数据收集模块：通过脚本下载收集了2015年9月至2019年9月我国近海海域51个浮标站点逐小时观测数据，观测数据要素包括有效浪高、最大浪高、有效浪高质控码、最大浪高质控码。
所述数据质量控制模块：通过控制有效浪高、最大浪高的阈值范围(0≤Hs≤20m、0≤Hmax≤30m)对观测数据进行初步的筛选，再通过观测仪器的数据质控码判断浮标的运行状态，剔除浮标仪器异常或维修时段的数据，通过同一时刻最大浪高和有效浪高比值剔除观测数据异常的样本数据，一般最大浪高和有效浪高比值在1～5视为正常。通过质控后，获得有效站点34个。
所述数据预处理模块用于将历史浮标观测数据先按照时间顺序(年份日期)，后空间顺序(按照浮标站点纬度由北向南)进行预处理，对每个质量控制后的样本数据标志其质控代码，标记其可靠性。
所述站点线性拟合建模模块：分别对12个月份的每个浮标站点，分别采用一元线性回归分析预测法，将有效浪高作为自变量，最大浪高作为因变量进行拟合建模，获得预测模型；所述预测模型如下：
式中，和/>代表一元线性回归方程参数的估计值，X为有效浪高，/>为最大浪高的估计值。其中，/>和/>可利用历史样本数据通过最小二乘法进行估计获得。为计算简便，引入记号Sxx、Syy、Sxy：
式中，Xi为浮标站观测的有效浪高的第i个样本数值，Yi为最大浪高的第i个样本数值，为n个有效浪高样本的平均值，/>为n个最大浪高样本的平均值。
可由上式求得一元线性回归方程参数的估计值：
按照上述方法，针对每个浮标站点分别对1月份、2月份、3月份、4月份、5月份、6月份、7月份、8月份、9月份、10月份、11月份、12月份进行建模，获得一套各浮标站点逐月份的一元线性回归方程参数表(表1为浮标站逐月拟合参数a列表，表2为浮标站逐月拟合参数b列表)。
表1
表2
所述参数模型网格化模块基于各个浮标站点逐月份的一元线性回归方程参数表。分别针对参数和/>采用反距离加权插值方法逐月份将各个浮标站点的回归方程参数插值至各个网格格点，最终形成关于参数/>的逐月份网格化静态参数文件12个，关于参数/>的逐月份网格化静态参数文件12个。该网格覆盖我国近海海域(15°N～42.7°N、101°E～128°E)，网格等经纬间隔1/36°；
反距离加权插值方法在计算一个格网格点时，配给的权重是一个分数，所有权重的总和等于1.0。当一个观测站点与一个格网格点结点重合时，该观测站点被给予一个实际为1.0的权重，所有其它观测站点被给予一个几乎为0.0的权重。反距离加权插值方法假定了每个输入站点都有着局部影响，这种影响随着距离的增加而减弱。以下是利用反距离加权插值方法获得参数的网格化静态参数文件为例，介绍具体实现步骤如下：
针对一个网格格点进行反距离加权插值，首先需要计算该网格格点到所有浮标站点的距离，即需要计算网格格点(U0，V0)到浮标站点(Uj，Vj)的距离dj：
然后计算每个浮标站的权重，权重是距离的倒数函数；比如，浮标站点(Uj，Vj)对网格格点(U0，V0)的权重系数为λj。
Za(Uj,Vj)表示浮标站点(Uj，Vj)某个月份中参数的数值，权重系数λj和该浮标站点参数Za(Uj,Vj)的乘积表示浮标站点(Uj，Vj)对网格格点(U0，V0)的贡献数值，最后将m个浮标站点进行总的加权计算，获得网格格点(U0，V0)的插值数值：
针对每个网格格点重复上述操作，便可以获得一个关于参数的某月份网格化静态参数文件。
所述网格化最大浪高预报模块基于有效浪高数值预报数据和网格化静态参数文件，通过并行计算的方式可以快速获得网格化最大浪高的预报。
将本实施方式所述的基于近海浮标海浪观测数据构建的最大浪高预报系统应用在2019年10月至2020年3月的海洋预报系统中。系统运行期间经历了2次典型的天气过程，一次是台风天气过程，2019年10月1日至2日台风“米娜”自台湾岛北部海域北向移动期间给福建北部沿海、浙江沿海和长江三角洲附近海域带来大风大浪，舟山浮标、温州浮标、宁德气象浮标、宁德海洋浮标均检测到大浪。另一次是寒潮天气过程，2020年2月14日至16日受寒潮天气给我国中东部大部及近海海域自北向南先后经历大风降温过程，多数浮标站都监测到浪高明显增高。
采用本实施方式所述的基于近海浮标海浪观测数据构建的最大浪高预报系统对2019年10月至2020年3月期间我国近海浮标站逐小时观测数据进行质量控制后，筛选出29站有效数据，期间2019年11月海浪较大，最大浪高平均有2.63m，2020年3月海浪相对较小，最大浪高平均有1.71m。结果显示(见表3，表3为浮标站点平均有效浪高、平均误差、平方根误差逐月列表)浮标站平均误差在-0.0038m～0.0016m；平方根误差在0.18m～0.25m；随着平均最大浪高的增大平方根误差呈现增大的趋势；平均相对偏差在9.26％～10.49％。
表3
从各个浮标站点的误差效果来看(见表4和表5，表4为各个浮标站平均误差和平方根误差逐月列表，表5为2019年10月至2020年3月各个浮标站平均最大浪高、平方根误差、相对偏差列表)，2019年11月份长门岩浮标平均误差负偏差较大(-0.078m)，海峡1号浮标平均误差正偏差最大(0.111m)。多数浮标平方根误差在0.1m～0.25m，其中，厦门气象浮标平方根误差最大，为0.38m，洋山浮标平方根误差最小，为0.049m。多数浮标站相对偏差在4％～8％，相对偏差最小的浮标站点为洋山浮标站(1.75％)，相对偏差最大的浮标站点为大连气象1号浮标站(16.46％)。
表4
表5
通过对2019年10月1日至2日期间台风“米娜”的强天气过程中的效果分析可以看到(见表6，表6为2019年10月1日至2日台风“米娜”的强天气过程中相关浮标站效果分析列表)：舟山浮标、温州浮标、宁德气象浮标、宁德海洋浮标站点的平均误差在-0.15m～0.06m，平方根误差0.2m～0.58m，相对偏差8.45％～15.21％。
表6
表7
| 浮标站名称 | 平均误差(m) | 平方根误差(m) | 平均最大浪高(m) | 相对偏差(％) |
| 曹妃甸浮标监测站 | -0.02 | 0.22 | 2.22 | 9.69 |
| 渤海新区浮标 | -0.03 | 0.21 | 2.65 | 8.08 |
| 烟台港浮标 | 0.03 | 0.22 | 2.75 | 7.90 |
| 荣成鸡鸣岛浮标 | 0.06 | 0.30 | 3.71 | 7.99 |
| 董家口浮标 | -0.02 | 0.19 | 1.83 | 10.43 |
| 黄海1号 | -0.01 | 0.28 | 2.82 | 9.78 |
| 东海浮标 | 0.03 | 0.23 | 3.25 | 7.10 |
| 洋山浮标 | -0.01 | 0.06 | 0.36 | 16.52 |
| 舟山浮标 | -0.03 | 0.22 | 2.47 | 8.88 |
| 温州浮标 | 0.03 | 0.17 | 1.84 | 9.16 |
| 宁德气象 | -0.03 | 0.17 | 2.01 | 8.68 |
| 宁德海洋 | 0.08 | 0.22 | 2.28 | 9.54 |
| 福州气象 | 0.07 | 0.28 | 2.21 | 12.51 |
| 泉州海洋 | 0.04 | 0.22 | 2.28 | 9.52 |
| 厦门气象 | 0.08 | 0.20 | 2.20 | 9.27 |
| 海峡2号 | 0.05 | 0.21 | 2.03 | 10.17 |
| 汕头浮标 | -0.01 | 0.20 | 2.09 | 9.34 |
| 东莞浮标 | -0.02 | 0.23 | 1.86 | 12.49 |
| 茂名浮标 | -0.07 | 0.22 | 2.47 | 8.89 |
| 茂名浮标站2 | -0.05 | 0.19 | 2.47 | 7.82 |
| 文昌龙楼近海气象浮标 | -0.01 | 0.17 | 2.29 | 7.47 |
| 南海2号浮标 | -0.01 | 0.21 | 2.54 | 8.09 |
| 南海4号浮标 | -0.03 | 0.21 | 2.39 | 8.65 |
| 南海3号浮标 | 0.00 | 0.16 | 2.24 | 7.09 |
| 南海5号浮标 | -0.03 | 0.20 | 2.36 | 8.26 |
通过对2020年2月14日至16日寒潮天气过程中的效果分析可以看到(见上表7，表7为2020年2月14日至16日寒潮天气过程中相关浮标站效果分析列表)：给我国中东部大部及近海海域自北向南先后经历大风降温过程，多数浮标站都监测到海浪明显增高。各个浮标站点的平均误差在-0.07m～0.08m，平方根误差0.06m～0.3m，相对偏差7.09％～16.52％。
从2019年10月至2020年3月期间，该最大浪高的预报技术在海洋预报中应用效果来看，各个浮标站点的平均误差、平方根误差、相对偏差等指标在逐月效果分析和强天气过程效果分析中均能达到目前业务预报中的技术需求指标。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.基于近海浮标海浪观测数据构建的最大浪高预报系统，其特征是：该系统包括浮标历史数据收集模块、数据质量控制模块、数据预处理模块、站点线性拟合建模模块、参数模型网格化模块以及网格化最大浪高预报模块；
所述浮标历史数据收集模块用于收集浮标站点的逐小时观测数据，并传送至数据质量控制模块；所述观测数据包括有效浪高、最大浪高、有效浪高质控码和最大浪高质控码；
所述数据质量控制模块通过有效浪高、最大浪高的阈值范围对观测数据进行初步筛选，通过观测仪器的数据质控码判断浮标的运行状态，剔除浮标仪器异常或维修时段的数据，通过同一时刻最大浪高和有效浪高比值剔除观测数据异常的样本数据，所述最大浪高和有效浪高比值在1～5之间时为正常观测数据；通过质量控制后，获得有效站点；
所述数据预处理模块用于将所述浮标历史数据收集模块收集的历史浮标观测数据先按照时间顺序，再按照空间顺序进行预处理，对每个质量控制后的样本数据标志其质控代码及所述样本的可靠性；
所述站点线性拟合建模模块用于对所述数据预处理模块处理的样本数据采用一元线性回归分析预测法，将有效浪高作为自变量，最大浪高作为因变量进行拟合建模，获得预测模型；所述预测模型如下：
式中，和/>分别为一元线性回归方程参数的估计值，X为有效浪高，/>为最大浪高的估计值；
根据所述预测模型，获得各浮标站点逐月份的一元线性回归方程参数表；
参数估计值和/>利用历史样本数据通过最小二乘法进行估计获得；具体计算过程为：引入记号Sxx、Syy、Sxy：
式中，Xi为浮标站观测的有效浪高的第i个样本数值，Yi为最大浪高的第i个样本数值，为n个有效浪高样本的平均值，/>为n个最大浪高样本的平均值；
由上式求得一元线性回归方程的参数的估计值：
对每个浮标站点的观测数据分别对1至12月份进行建模，获得各浮标站点逐月份的一元线性回归方程参数表；
所述参数模型网格化模块基于所述各个浮标站点逐月份的一元线性回归方程参数表，分别对参数的估计值和/>采用反距离加权插值方法逐月份将各个浮标站点的回归方程参数插值至各个网格格点，最终形成关于参数的估计值/>和参数的估计值/>的逐月份网格化静态参数文件；
利用反距离加权插值方法获得参数估计值的网格化静态参数文件的具体过程为：
针对一个网格格点进行反距离加权插值，首先需要计算该网格格点到所有浮标站点的距离，即需要计算网格格点(U0，V0)到浮标站点(Uj，Vj)的距离dj：
然后计算每个浮标站的权重，权重是距离的倒数函数；所述浮标站点(Uj，Vj)对网格格点(U0，V0)的权重系数为λj；
设定Za(Uj,Vj)为浮标站点(Uj，Vj)某个月份中参数估计值的数值，权重系数λj和该浮标站点参数Za(Uj,Vj)的乘积则为浮标站点(Uj，Vj)对网格格点(U0，V0)的贡献数值，最后将m个浮标站点进行总的加权计算，获得网格格点(U0，V0)的插值数值；即：
对每个网格格点重复上述操作，获得关于参数估计值的某月份网格化静态参数文件；
所述网格化最大浪高预报模块基于有效浪高数值预报数据和网格化静态参数文件，通过并行计算的方式获得网格化最大浪高的预报。
2.根据权利要求1所述的基于近海浮标海浪观测数据构建的最大浪高预报系统，其特征在于：所述有效浪高X的阈值范围为0≤X≤20m，最大浪高Hmax的阈值范围为0≤Hmax≤30m。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408746.6A CN113128758B (zh) | 2021-04-16 | 2021-04-16 | 基于近海浮标海浪观测数据构建的最大浪高预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408746.6A CN113128758B (zh) | 2021-04-16 | 2021-04-16 | 基于近海浮标海浪观测数据构建的最大浪高预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128758A CN113128758A (zh) | 2021-07-16 |
| CN113128758B true CN113128758B (zh) | 2023-10-24 |
Family
ID=76777333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110408746.6A Active CN113128758B (zh) | 2021-04-16 | 2021-04-16 | 基于近海浮标海浪观测数据构建的最大浪高预报系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128758B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523125B (zh) * | 2023-04-13 | 2023-10-20 | 宁波市气象台 | 一种基于海面风速预报的浪高预报方法 |
| CN116805030B (zh) * | 2023-05-15 | 2024-02-13 | 宁波市气象台 | 一种海浪浪高数值预报订正方法 |
| CN117875194B (zh) * | 2024-03-13 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166801A (zh) * | 2014-08-18 | 2014-11-26 | 中国人民解放军理工大学 | 一种有效波高和波周期参数化方法 |
| CN108319772A (zh) * | 2018-01-26 | 2018-07-24 | 中国科学院海洋研究所 | 一种波浪长期数据的再分析方法 |
| CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
| CN109902877A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学（武汉） | 一种海上遇险目标漂移预测模型参数的逐步率定方法 |
| CN110610277A (zh) * | 2019-09-24 | 2019-12-24 | 青岛军融科技有限公司 | 一种船舶作业条件预报预警系统 |
| CN111292214A (zh) * | 2019-12-18 | 2020-06-16 | 中电投电力工程有限公司 | 一种计算高精度中国近海海浪特征分布的方法 |
-
2021
- 2021-04-16 CN CN202110408746.6A patent/CN113128758B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166801A (zh) * | 2014-08-18 | 2014-11-26 | 中国人民解放军理工大学 | 一种有效波高和波周期参数化方法 |
| CN108319772A (zh) * | 2018-01-26 | 2018-07-24 | 中国科学院海洋研究所 | 一种波浪长期数据的再分析方法 |
| CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
| CN109902877A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学（武汉） | 一种海上遇险目标漂移预测模型参数的逐步率定方法 |
| CN110610277A (zh) * | 2019-09-24 | 2019-12-24 | 青岛军融科技有限公司 | 一种船舶作业条件预报预警系统 |
| CN111292214A (zh) * | 2019-12-18 | 2020-06-16 | 中电投电力工程有限公司 | 一种计算高精度中国近海海浪特征分布的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工神经网络的台风浪高快速计算方法;周水华;洪晓;梁昌霞;江丽芳;;热带海洋学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128758A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| Wang et al. | A review of wind power forecasting models | |
| Martin et al. | Variability of interconnected wind plants: correlation length and its dependence on variability time scale | |
| CN109583653B (zh) | 基于统计模型的西北太平洋台风的延伸期预报方法 | |
| Kirchner-Bossi et al. | A long-term perspective of wind power output variability | |
| CN112906955B (zh) | 一种基于多源数据驱动的潮汐数据拟合方法 | |
| CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
| 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 | |
| CN112016839A (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
| CN104036356A (zh) | 一种利用分形算法对电网未来运行状态进行预测的方法 | |
| CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
| CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
| CN114707687A (zh) | 基于热带大气次季节振荡信号的旬降水预测方法和系统 | |
| CN112883577A (zh) | 一种海上风电场出力典型场景生成方法及存储介质 | |
| Alsumaiei | Short-term forecasting of monthly water consumption in hyper-arid climate using recurrent neural networks | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
| CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
| Lu et al. | Spatiotemporal heterogeneity in precipitation over China and its connections with large-scale climate oscillations—A moisture budget perspective | |
| CN113298304A (zh) | 基于多维气象预报因子图卷积的光伏发电功率预测方法 | |
| CN111950813A (zh) | 一种气象干旱监测与预测方法 | |
| CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
| CN112417638B (zh) | 近海区域架空输电线路强风精细化分析方法 | |
| CN110287624B (zh) | 一种用于台风影响期间养殖海湾盐度预报模型建立的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |