CN113158556B - 一种区域水位短时高精度预报方法 - Google Patents
一种区域水位短时高精度预报方法 Download PDFInfo
- Publication number
- CN113158556B CN113158556B CN202110347305.XA CN202110347305A CN113158556B CN 113158556 B CN113158556 B CN 113158556B CN 202110347305 A CN202110347305 A CN 202110347305A CN 113158556 B CN113158556 B CN 113158556B
- Authority
- CN
- China
- Prior art keywords
- water level
- observation station
- moisture
- model
- representing
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003305 oil spill Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种区域水位短时高精度预报方法,属于海洋测绘技术领域,首先,采用简化设置的水动力模式构建区域主要天文潮位,然后将模型残差细分为稳态成分(剩余天文分潮、模拟分潮偏差)和非稳态成分(剩余水位),分别采用调和分析和长短期记忆网络进行预测。最后,根据不同的空间背景信息,分别采用反距离加权算法及其改进算法将各成分的预报值从相邻观测站校正至非测点。本发明通过这种方法,实现了区域短时水位的高精度、强鲁棒性预报,有效解决了使用潮汐表或同化模型进行水位预报时,余水位的预报精度不高以及使用三点反距离插值时可能存在的空间权重异常问题。
Description
技术领域
本发明属于海洋测绘技术领域,具体涉及一种区域水位短时高精度预报方法。
背景技术
目前,常用的水位预报方法主要分为两种,一种是基于调和分析的潮汐表,该方法在我国沿海港口广泛使用,它可以比较准确地预报天文潮位。第二类是区域水动力数值模拟技术,该方法综合考虑了环境因素对水位变化的影响,国内外比较著名的水动力模式有ROMs、FVCOM和MIKE 21等。借助该方法,许多发达国家,如美国,通过建设物理海洋实时系统(PORTS),在港口、河口、大湖和沿海水域等多个区域构建了48h潮汐预报系统,如Gulf ofMaine Operational Forecast System(GOMOFS)。该系统以ROMs为核心,并同化了气象、水文等预报产品。根据NOAA发布的报告显示,即使已充分考虑了环境因素,但同化模型的水位预报精度并未有很大的提升。上述两种方法的预报误差主要源于剩余水位,即由风、大气压以及径流等因素引起的水位非线性变化,因此对剩余水位的预报是水位预报业务的关键。
此外,对模型残差的空间校正也是区域水位预报的重要步骤。显而易见,空间校正的核心在于对背景误差特征分布的真实估计。现实中,获取不同水位成分的空间场信息是很难实现的,特别是在不同,在水文和气象领域,反距离加权插值、克里金法以及样条插值是常用的插值方法,考虑到潮汐观测站的数量和计算代价,利用反距离加权插值进行经典三站插值更为合适,但在某些情况下,插值结果被高(低)估。
河口和海岸的水位预报是水文预报的一个重要组成部分。在具体应用中,我国海域验潮站数量并不多,且常用的预报方法主要以天文潮位预报为主。针对上述的问题,提高剩余水位预报和空间校正的精度,既可以提高验潮站数据的利用率,也可以满足相关海洋从业者对于水位预报的需求,对我国预防海洋灾害、船舶调度、海上作业、溢油跟踪、航行导航等方面都具有重要的实际意义和良好的应用前景。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种区域水位短时高精度预报方法,设计合理,解决了现有技术对于剩余水位预报不精确,且不能综合全面地实现不同水位成分的预报及空间校正。该预报方法能够在3个小时的提前期下有效实现区域水位预报,特别是对于稀少验潮站河口、海湾具有较好的适用性及鲁棒性。
为了实现上述目的,本发明采用如下技术方案:
一种区域水位短时高精度预报方法,包括以下步骤:
步骤1:利用简化设置的水动力模式构建区域主要分潮模型;
步骤2:观测站的水位移去模型水位后得到模型残差,将模型残差细分为稳态成分和非稳态成分;
稳态成分包括剩余天文分潮和模拟分潮偏差;非稳态成分包括剩余水位;
稳态成分利用调和分析预报得到,非稳态成分通过长短时记忆网络进行预报;
步骤3:对不同水位成分预报值的空间校正;
在观测站,对于已知空间背景信息的模拟分潮偏差分量利用基于信号能量的空间反距离加权法将其内插至待求点,其余分量使用反距离加权法进行内插。
优选地,在步骤2中,剩余天文分潮、模拟分潮偏差以及剩余水位的提取步骤如下:
步骤2.1:在观测站移去模型水位,获得模型残差ξ;
假设观测站处的实测水位为H(t),由简化设置的水动力模式获得的水位为Hsimu,则观测站处的模型残差ξ如公式(1)所示:
ξ=H(t)-Hsimu (1);
步骤2.2:利用调和分析,将模型残差ξ分解为剩余天文分潮Hrt、模拟分潮偏差ξmodel以及剩余水位R(t);
经典调和分析如公式(2)所示:
H(t)=S0+Hast(t)+R(t) (2);
其中,S0表示平均海面,R(t)表示t时刻剩余水位,Hast为t时刻天文潮位,如果把S0看成角速度为0的特殊天文潮,则Hast表示为:
式中,σj、hj、gj、f、u、V0分别表示第j个分潮的角速度、振幅、迟角、交点因子、交点订正角以及天文初相角;其中,hj、gj也称为分潮的调和常数;将式(3)进一步改写为:
根据式(3)和(4),gj=(V0+u)j+arctan(bj/aj);
根据雷利准则,利用最小二乘回归求得变量aj、bj后看得到分潮调和常数;
按式(3)获得Hast后,进而按式(2)获得R(t);
模拟分潮偏差ξmodel表示如公式(5)所示:
ξmodel=Hmain-Hsimu (5);
其中,Hmain表示水动力模式模拟的模拟分潮真值;
剩余天文分潮Hrt是天文潮位Hast中移去模拟分潮真值Hmain后剩下的天文分潮,具体表示如公式(6)所示:
Hrt=Hast-Hmain (6);
步骤2.3:稳态水位预报;
使用调和分析获得的稳态成分的调和常数,进而利用式(3)即能够完成对ξmodel以及Hrt的预报;
步骤2.4:非稳态水位预报;
长短期记忆网络通过遗忘门、输入门以及输出门选择性地向单元状态添加或移除信息,如式(7~12):
ft=σ(Wfxt+Ufht-1+bf) (7);
it=σ(Wixt+Uiht-1+bi) (8);
ot=σ(Woxt+Uoht-1+bo) (11);
其中,ft、it、ot分别表示t时刻的遗忘门、输入门以及输出门;Wf、Wi、Wo和Wc分别为隐藏层输入映射到遗忘门、输入门以及输出门的权重矩阵;而Uf、Ui、Uo和Uc分别表示将隐藏层的输出映射到遗忘门、输入门以及输出门的权重矩阵;bf、bi、bo和bc为偏置向量;Ct表示t时刻的单元状态输出和ht表示t时刻的隐藏层输出;表示逐点求积运算;σ(·)与tanh(·)均表示为激活函数;
以长度为m的历史时间步长来预报n个提前期的剩余水位,然后单步滑动生成样本数据集;这样,剩余水位时序数据将被重新组织,转变为监督学习预测问题。
优选地,在步骤3中,对不同水位成分预报值的空间校正步骤如下:
步骤3.1:利用反距离加权方法对剩余天文分潮Hrt和剩余水位R(t)进行空间校正;
反距离加权方法的计算公式为:
其中,表示非观测站c的预报值;zi(t)表示第i个观测站的预报值;q表示观测站数;di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
步骤3.2:利用基于信号能量的空间反距离加权法对模拟分潮偏差ξmodel进行空间校正;
通过信号能量比去校正由三点反距离加权法导致的一方权重弱势或强势;
首先计算各观测站处模拟分潮偏差的信号能量,然后找到信号能量最小或最大的观测站b,计算其余观测站相对b站的信号能量倍数;其中,在观测站b处,ki=1;
ki=Ei/Eb (16);
其中,ξmodel,i(t)、Ei分别表示第i个观测站处模拟分潮偏差的值和信号能量;Eb表示能量最小或最大观测站的信号能量;ki表示其余观测站相对b站的信号能量倍数则空间权重;则此时的权重wi的值可表示为:
其中,di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
最后,为了防止由于Ei接近0而导致ki过大,采用如下判断标准来选择插值方式:
其中,ki表示其余观测站相对b站的信号能量倍数。
本发明所带来的有益技术效果:
本发明提出了区域水位短时高精度预报方法,与现有技术相比,本发明简化设置的水动力模式构建区域主要天文潮位,然后将模型残差细分为稳态成分(剩余天文分潮、模拟分潮偏差)和非稳态成分(剩余水位),分别采用调和分析和长短期记忆网络进行预测;最后,根据不同的空间背景信息,分别采用反距离加权算法以及基于信号能量的空间反距离加权法将各成分的预报值从相邻观测站校正至非测点;有效提高了剩余水位的预报精度,减少了空间校正的误差。本发明可在稀少验潮站海域进行短时水位预报,水位整体预报精度可达厘米级,为避免船舶搁浅、协助船舶航行和应对溢油等问题具有重要意义。
附图说明
图1为本发明区域水位短时高精度预报方法的流程图。
图2为本发明中区域主要分潮模型构建示意图。
图3为本发明中LSTM网络构建示意图。
图4为本发明中基于信号能量的空间反距离加权方法示意图。
图5为本发明区域水位短时高精度预报方法的详细流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提供了一种区域水位短时高精度预报方法,其流程如图1所示,包括以下步骤:
步骤1:利用简化设置的水动力模式构建区域主要分潮模型;
搜集区域水深数据,构建区域水深格网;以Mike21 flow model水动力模式作为数值模拟程序;设置开边界并输入主要天文分潮水位;调试初始参数完成区域主要天文分潮模型,如图2所示。
步骤2:对不同水位成分进行单独预报。
观测站的水位移去模型水位后得到模型残差,将模型残差细分为稳态成分(剩余天文分潮、模拟分潮偏差)和非稳态成分(剩余水位)。由于稳态水位主要是由谐波组成,因此可利用调和分析预报得到;非稳态水位成因多样,表现形式复杂,通过多年历史水位数据构建数据集,并通过长短时记忆网络(LSTM)进行短时预报,其中LSTM网络结构如图3所示。
进一步的实施例中,步骤2具体包括如下步骤:
步骤2.1:在观测站移去模型水位,获得模型残差ξ;
假设观测站处的实测水位为H(t),由简化设置的水动力模式获得的水位为Hsimu,则观测站处的模型残差ξ如公式(1)所示:
ξ=H(t)-Hsimu (1);
步骤2.2:利用调和分析,将模型残差ξ分解为剩余天文分潮Hrt、模拟分潮偏差ξmodel以及剩余水位R(t);
经典调和分析如公式(2)所示:
H(t)=S0+Hast(t)+R(t) (2);
其中,S0表示平均海面,R(t)表示t时刻剩余水位,Hast为t时刻天文潮位,如果把S0看成角速度为0的特殊天文潮,则Hast表示为:
式中,σj、hj、gj、f、u、V0分别表示第j个分潮的角速度、振幅、迟角、交点因子、交点订正角以及天文初相角;其中,hj、gj也称为分潮的调和常数;将式(3)进一步改写为:
根据式(3)和(4),gj=(V0+u)j+arctan(bj/aj);
根据雷利准则,利用最小二乘回归求得变量aj、bj后看得到分潮调和常数;
按式(3)获得Hast后,进而按式(2)获得R(t);
模拟分潮偏差ξmodel表示如公式(5)所示:
ξmodel=Hmain-Hsimu (5);
其中,Hmain表示水动力模式模拟的模拟分潮真值;
剩余天文分潮Hrt是天文潮位Hast中移去模拟分潮真值Hmain后剩下的天文分潮,具体表示如公式(6)所示:
Hrt=Hast-Hmain (6);
步骤2.3:稳态水位预报;
使用调和分析获得的稳态成分的调和常数,进而利用式(3)即能够完成对ξmodel以及Hrt的预报;
步骤2.4:非稳态水位预报;
长短期记忆网络通过遗忘门、输入门以及输出门选择性地向单元状态添加或移除信息,如式(7~12):
ft=σ(Wfxt+Ufht-1+bf) (7);
it=σ(Wixt+Uiht-1+bi) (8);
ot=σ(Woxt+Uoht-1+bo) (11);
其中,ft、it、ot分别表示t时刻的遗忘门、输入门以及输出门;Wf、Wi、Wo和Wc分别为隐藏层输入映射到遗忘门、输入门以及输出门的权重矩阵;而Uf、Ui、Uo和Uc分别表示将隐藏层的输出映射到遗忘门、输入门以及输出门的权重矩阵;bf、bi、bo和bc为偏置向量;Ct表示t时刻的单元状态输出和ht表示t时刻的隐藏层输出;表示逐点求积运算;σ(·)与tanh(·)均表示为激活函数;
以长度为m的历史时间步长来预报n个提前期的剩余水位,然后单步滑动生成样本数据集;这样,剩余水位时序数据将被重新组织,转变为监督学习预测问题。
网络的设计理念遵循“由简到精”的原则,即面向验证集对超参数进行调整,从而使简单结构的基本模型进行更新,使之达到理想的预报效果。
步骤3:对不同水位成分预报值的空间校正。
通常海域潮汐观测站的分布并不密集,因此,使用基于反距离加权法的三点插值是一种快速且经济的方法。该方法通过邻近三个观测站来估计非观测站的值。对于半封闭的水动力模型而言,模拟分潮偏差总是由开边界向湾内递增。因此,使用三点插值时,插值点的值存在被放大(缩小)估的可能。故设计了一种基于信号能量的空间反距离加权的方法,该方法适用于空间变化的谐波信号,核心思想是通过信号能量比去校正由三点插值导致的一方权重弱势或强势;因此,对于已知空间背景信息的模拟分潮偏差分量可利用基于信号能量的空间反距离加权法将其内插至待求点,而其余分量则使用反距离加权法进行内插。基于信号能量的空间反距离加权法的示意见图4,区域水位短时高精度预报方法的详细流程见图5。
进一步的实施例中,步骤3具体包括如下步骤:
步骤3.1:利用反距离加权方法对剩余天文分潮Hrt和剩余水位R(t)进行空间校正;
反距离加权方法的计算公式为:
其中,表示非观测站c的预报值;zi(t)表示第i个观测站的预报值;q表示观测站数;di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
步骤3.2:利用基于信号能量的空间反距离加权法对模拟分潮偏差ξmodel进行空间校正;
通过信号能量比去校正由三点反距离加权法导致的一方权重弱势或强势;
首先计算各观测站处模拟分潮偏差的信号能量,然后找到信号能量最小或最大的观测站b,计算其余观测站相对b站的信号能量倍数ki;其中,在观测站b处,ki=1;
ki=Ei/Eb (16);
其中,ξmodel,i(t)、Ei分别表示第i个观测站处模拟分潮偏差的值和信号能量;Eb表示能量最小或最大观测站的信号能量;空间权重wi的值表示为:
其中,di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
最后,为了防止由于Ei接近0而导致ki过大,采用如下判断标准来选择插值方式:
其中,ki表示其余观测站相对b站的信号能量倍数。
具体实施时,构建的区域主要天文分潮是水位预报的主体,通对剩余水位的高精度预报和空间校正手段显著地提高了区域水位预报的精度;该方法对于稀少验潮站河口和海域的短时水位预报具有较好的适用性及鲁棒性。
综上所述,本发明提供了一种区域水位短时高精度预报方法,属于测绘技术领域,首先,采用简化设置的水动力模式构建区域主要天文潮位,然后将模型残差细分为稳态成分(剩余天文分潮、模拟分潮偏差)和非稳态成分(剩余水位),分别采用HA和LSTM进行预测。最后,根据不同的空间背景信息,分别采用反距离加权法及基于信号能量的空间反距离加权法将各成分的预报值从相邻观测站校正至非测点。本发明通过这种方法,实现了区域短时水位的高精度、强鲁棒性预报,有效解决了使用潮汐表或同化模型进行水位预报时,剩余水位的预报精度不高以及使用三点反距离插值时可能存在的空间权重异常问题。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.一种区域水位短时高精度预报方法,其特征在于:包括以下步骤:
步骤1:利用简化设置的水动力模式构建区域主要分潮模型;
步骤2:观测站的水位移去模型水位后得到模型残差,将模型残差细分为稳态成分和非稳态成分;
稳态成分包括剩余天文分潮和模拟分潮偏差;非稳态成分包括剩余水位;
稳态成分利用调和分析预报得到,非稳态成分通过长短时记忆网络进行预报;
步骤3:对不同水位成分预报值的空间校正;
在观测站,对于已知空间背景信息的模拟分潮偏差分量利用基于信号能量的空间反距离加权法将其内插至待求点,其余分量使用反距离加权法进行内插。
2.根据权利要求1所述的区域水位短时高精度预报方法,其特征在于:在步骤2中,剩余天文分潮、模拟分潮偏差以及剩余水位的提取步骤如下:
步骤2.1:在观测站移去模型水位,获得模型残差ξ;
假设观测站处的实测水位为H(t),由简化设置的水动力模式获得的水位为Hsimu,则观测站处的模型残差ξ如公式(1)所示:
ξ=H(t)-Hsimu (1);
步骤2.2:利用调和分析,将模型残差ξ分解为剩余天文分潮Hrt、模拟分潮偏差ξmodel以及剩余水位R(t);
经典调和分析如公式(2)所示:
H(t)=S0+Hast(t)+R(t) (2);
其中,S0表示平均海面,R(t)表示t时刻剩余水位,Hast为t时刻天文潮位,如果把S0看成角速度为0的特殊天文潮,则Hast表示为:
式中,σj、hj、gj、f、u、V0分别表示第j个分潮的角速度、振幅、迟角、交点因子、交点订正角以及天文初相角;其中,hj、gj也称为分潮的调和常数;将式(3)进一步改写为:
根据式(3)和(4),gj=(V0+u)j+arctan(bj/aj);
根据雷利准则,利用最小二乘回归求得变量aj、bj后看得到分潮调和常数;
按式(3)获得Hast后,进而按式(2)获得R(t);
模拟分潮偏差ξmodel表示如公式(5)所示:
ξmodel=Hmain-Hsimu (5);
其中,Hmain表示水动力模式模拟的模拟分潮真值;
剩余天文分潮Hrt是天文潮位Hast中移去模拟分潮真值Hmain后剩下的天文分潮,具体表示如公式(6)所示:
Hrt=Hast-Hmain (6);
步骤2.3:稳态水位预报;
使用调和分析获得的稳态成分的调和常数,进而利用式(3)即能够完成对ξmodel以及Hrt的预报;
步骤2.4:非稳态水位预报;
长短期记忆网络通过遗忘门、输入门以及输出门选择性地向单元状态添加或移除信息,如式(7~12):
ft=σ(Wfxt+Ufht-1+bf) (7);
it=σ(Wixt+Uiht-1+bi) (8);
ot=σ(Woxt+Uoht-1+bo) (11);
其中,ft、it、ot分别表示t时刻的遗忘门、输入门以及输出门;Wf、Wi、Wo和Wc分别为隐藏层输入映射到遗忘门、输入门以及输出门的权重矩阵;而Uf、Ui、Uo和Uc分别表示将隐藏层的输出映射到遗忘门、输入门以及输出门的权重矩阵;bf、bi、bo和bc为偏置向量;Ct表示t时刻的单元状态输出和ht表示t时刻的隐藏层输出;表示逐点求积运算;σ(·)与tanh(·)均表示为激活函数;
以长度为m的历史时间步长来预报n个提前期的剩余水位,然后单步滑动生成样本数据集;这样,剩余水位时序数据将被重新组织,转变为监督学习预测问题。
3.根据权利要求1所述的区域水位短时高精度预报方法,其特征在于:在步骤3中,对不同水位成分预报值的空间校正步骤如下:
步骤3.1:利用反距离加权方法对剩余天文分潮Hrt和剩余水位R(t)进行空间校正;
反距离加权方法的计算公式为:
其中,表示非观测站c的预报值;zi(t)表示第i个观测站的预报值;q表示观测站数;di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
步骤3.2:利用基于信号能量的空间反距离加权法对模拟分潮偏差ξmodel进行空间校正;
通过信号能量比去校正由三点反距离加权法导致的一方权重弱势或强势;
首先计算各观测站处模拟分潮偏差的信号能量,然后找到信号能量最小或最大的观测站b,计算其余观测站相对b站的信号能量倍数;其中,在观测站b处,ki=1;
ki=Ei/Eb (16);
其中,ξmodel,i(t)、Ei分别表示第i个观测站处模拟分潮偏差的值和信号能量;Eb表示能量最小或最大观测站的信号能量;ki表示其余观测站相对b站的信号能量倍数则空间权重;则此时的权重wi的值可表示为:
其中,di表示非观测站与第i个观测站间的欧式距离;wi表示非观测站与第i个观测站间的权重;p代表幂指数;
最后,为了防止由于Ei接近0而导致ki过大,采用如下判断标准来选择插值方式:
其中,ki表示其余观测站相对b站的信号能量倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110347305.XA CN113158556B (zh) | 2021-03-31 | 2021-03-31 | 一种区域水位短时高精度预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110347305.XA CN113158556B (zh) | 2021-03-31 | 2021-03-31 | 一种区域水位短时高精度预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158556A CN113158556A (zh) | 2021-07-23 |
CN113158556B true CN113158556B (zh) | 2023-08-08 |
Family
ID=76885888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110347305.XA Active CN113158556B (zh) | 2021-03-31 | 2021-03-31 | 一种区域水位短时高精度预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158556B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341769A (zh) * | 2023-05-30 | 2023-06-27 | 山东科技大学 | 一种基于贝叶斯超参数优化的神经网络的余水位预报方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
CN104376230A (zh) * | 2014-12-03 | 2015-02-25 | 大连海事大学 | 潮汐预报方法 |
CN105894090A (zh) * | 2016-04-22 | 2016-08-24 | 大连海事大学 | 一种基于自适应变异粒子群优化的潮汐智能实时预报方法 |
CN106168991A (zh) * | 2016-06-24 | 2016-11-30 | 珠江水利委员会珠江水利科学研究院 | 一种基于水动力数值模拟的感潮河网潮位预报方法 |
KR101939985B1 (ko) * | 2017-12-22 | 2019-04-10 | 한국수자원공사 | 표층 해수 유동 단기 예보시스템 및 방법 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN112862178A (zh) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
CN114219137A (zh) * | 2021-12-06 | 2022-03-22 | 昆明电力交易中心有限责任公司 | 一种基于概率性长短期记忆模型的风速区间预测方法 |
CN115238862A (zh) * | 2022-07-14 | 2022-10-25 | 大连理工大学 | 一种基于深度学习的潮位时间序列预测方法 |
KR20220159056A (ko) * | 2021-05-25 | 2022-12-02 | (주)지오시스템리서치 | 양방향 lstm 신경망을 이용한 조위 예측 시스템 및 방법 |
CN116341769A (zh) * | 2023-05-30 | 2023-06-27 | 山东科技大学 | 一种基于贝叶斯超参数优化的神经网络的余水位预报方法 |
-
2021
- 2021-03-31 CN CN202110347305.XA patent/CN113158556B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
CN104376230A (zh) * | 2014-12-03 | 2015-02-25 | 大连海事大学 | 潮汐预报方法 |
CN105894090A (zh) * | 2016-04-22 | 2016-08-24 | 大连海事大学 | 一种基于自适应变异粒子群优化的潮汐智能实时预报方法 |
CN106168991A (zh) * | 2016-06-24 | 2016-11-30 | 珠江水利委员会珠江水利科学研究院 | 一种基于水动力数值模拟的感潮河网潮位预报方法 |
KR101939985B1 (ko) * | 2017-12-22 | 2019-04-10 | 한국수자원공사 | 표층 해수 유동 단기 예보시스템 및 방법 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111723523A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于级联神经网络的河口余水位预测方法 |
CN112862178A (zh) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
KR20220159056A (ko) * | 2021-05-25 | 2022-12-02 | (주)지오시스템리서치 | 양방향 lstm 신경망을 이용한 조위 예측 시스템 및 방법 |
CN114219137A (zh) * | 2021-12-06 | 2022-03-22 | 昆明电力交易中心有限责任公司 | 一种基于概率性长短期记忆模型的风速区间预测方法 |
CN115238862A (zh) * | 2022-07-14 | 2022-10-25 | 大连理工大学 | 一种基于深度学习的潮位时间序列预测方法 |
CN116341769A (zh) * | 2023-05-30 | 2023-06-27 | 山东科技大学 | 一种基于贝叶斯超参数优化的神经网络的余水位预报方法 |
Non-Patent Citations (1)
Title |
---|
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;徐晓武;海洋通报;第41卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158556A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Simulating storm surge and compound flooding events with a creek-to-ocean model: Importance of baroclinic effects | |
CN106168991B (zh) | 一种基于水动力数值模拟的感潮河网潮位预报方法 | |
Karimi et al. | Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia | |
Blanton et al. | An Integrated Scenario Ensemble‐Based Framework for Hurricane Evacuation Modeling: Part 2—Hazard Modeling | |
Günaydın | The estimation of monthly mean significant wave heights by using artificial neural network and regression methods | |
CN113569438B (zh) | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 | |
Wang et al. | Sea-water-level prediction via combined wavelet decomposition, neuro-fuzzy and neural networks using SLA and wind information | |
Suursaar et al. | A model study of the sea level variations in the Gulf of Riga and the Väinameri Sea | |
Chang et al. | Simulated wave-driven ANN model for typhoon waves | |
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 | |
CN113158556B (zh) | 一种区域水位短时高精度预报方法 | |
CN115859116A (zh) | 一种基于径向基函数回归插值法的海洋环境场重建方法 | |
Wu et al. | A modular tide level prediction method based on a NARX neural network | |
CN116151152A (zh) | 一种基于无网格计算的水文数值模拟计算方法 | |
CN115840975A (zh) | 一种风暴潮增水漫堤预警方法、系统、装置和存储介质 | |
Baldock et al. | Methodology for estimating return intervals for storm demand and dune recession by clustered and non-clustered morphological events | |
Wang et al. | A tidal level prediction approach based on BP neural network and cubic b-spline curve with knot insertion algorithm | |
Mason et al. | Morphodynamic modelling of intertidal sediment transport in Morecambe Bay | |
Moeini et al. | Wave parameter hindcasting in a lake using the SWAN model | |
Chang et al. | Neural network with multi-trend simulating transfer function for forecasting typhoon wave | |
Zhang et al. | Simulation and analysis of Back siltation in a navigation channel using MIKE 21 | |
CN115127556A (zh) | 一种基于lstm神经网络的舰位预测方法 | |
CN115293037A (zh) | 基于机器学习的河湖复合系统水动力建模方法 | |
Khanarmuei et al. | Calibration and assimilation in hydrodynamic model of a micro-tidal estuary and comparison with Lagrangian drifter data | |
Jasińska | Motion of salt water and associated fronts in tideless estuaries |
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 |