CN115470965B - 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法 - Google Patents

基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法 Download PDF

Info

Publication number
CN115470965B
CN115470965B CN202210942815.6A CN202210942815A CN115470965B CN 115470965 B CN115470965 B CN 115470965B CN 202210942815 A CN202210942815 A CN 202210942815A CN 115470965 B CN115470965 B CN 115470965B
Authority
CN
China
Prior art keywords
tide
split
branch
tidal
river
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
Application number
CN202210942815.6A
Other languages
English (en)
Other versions
CN115470965A (zh
Inventor
朱博渊
秦剑豪
程永舟
胡旭跃
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202210942815.6A priority Critical patent/CN115470965B/zh
Publication of CN115470965A publication Critical patent/CN115470965A/zh
Application granted granted Critical
Publication of CN115470965B publication Critical patent/CN115470965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法，先对多级分汊河口的落潮分流比进行标记：然后采集多级分汊河口若干单测次的汊道落潮分流比数据、径流流量和潮差数据，进行多元线性回归，建立定量关系模型并进行合理性检验，检验通过后选取特定时间段内的径流流量和潮差数据，得出多级分汊河口的落潮分流比；在此基础上通过获取潮汐分汊河口所在河流的水文模型和流域水库调度模型，然后预测潮汐分汊河口的径流年际总量和径流年内过程数据，获取潮差数据，最后基于确定的汊道落潮分流比即可预测变化趋势。本发明不仅能够方便、准确、快捷地预测落潮分流比的值，而且有利于潮汐分汊河口航道规划与整治。

Description

基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法
技术领域
本发明涉及水利水运工程技术领域，具体涉及一种潮汐分汊河口汊道落潮分流比的快速确定方法及预测方法。
背景技术
潮汐分汊河口汊道冲淤取决于落潮流量大小。对于多数潮汐分汊河口而言，年涨潮总量和年径流总量均变化不大，年落潮总量相应稳定，因此，各汊造床动力实际取决于年落潮总量在其中的分配变化，即该汊落潮分流比变化。通常，野外观测只能获取各汊单测次的落潮流量值，据此计算各汊单测次的落潮分流比值，而无法得到汊道落潮分流比随时间的变化过程或准确预测其变化趋势。采用数学模型或物理模型技术计算或测量潮汐分汊河口汊道落潮分流比时，需要给定计算范围上游边界潮流流量和下游边界潮位(或潮汐调和常数)，而上、下游边界条件可能未知。
在径流分汊河道，可以通过建立分流比与来流流量的定量关系，根据实际来流流量求得各汊分流比值，并可将各汊分别定义为洪水倾向汊河和枯水倾向汊河，从而根据来流流量的变化趋势预判各汊的兴衰趋势。在潮汐分汊河口，落潮分流比受径流流量和潮差的共同影响，两种对抗因素作用下，使得潮汐分汊河口汊道落潮分流比的确定和预测变得困难，从而难以研判主、支汊兴衰交替过程和趋势，给航道规划与整治带来不便。
发明内容
本发明所要解决的技术问题是，克服以上背景技术中提到的不足和缺陷，提供一种基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法，同时相应提供一种基于径潮对抗模式预测潮汐分汊河口汊道落潮分流比的方法。
为解决上述技术问题，本发明提出的技术方案为一种基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法，包括以下步骤：
1)对多级分汊河口的落潮分流比按以下定义进行标记：
Figure BDA0003786414910000011
其中：i为分汊级次，i取大于0的正整数；j为汊道编号，j取大于1的正整数；
ηij为i级分汊内j汊道的落潮分流比；
Eij为i级分汊内j汊道的落潮流量；
2)采集所述多级分汊河口若干单测次的汊道落潮分流比数据、相对应的径流流量数据和潮差数据，进行多元线性回归，建立基于径潮对抗模式的定量关系模型如下：
ηij＝A·Q+B·T+C
其中：Q为多级分汊河口上游最近水文站的径流流量数据；
T为多级分汊河口口门附近潮位站的潮差数据；
A、B、C为线性方程的回归系数；
3)对所述定量关系模型进行合理性检验，通过合理性检验的定量关系模型进入以下步骤；
4)根据定量关系模型，选取特定时间段，采集该特定时间段内的径流流量数据和潮差数据，得出特定时间段内多级分汊河口的落潮分流比。
根据我们长期的观察、监测、分析和研究，潮汐分汊河口涨、落潮流往复交替的水流运动特征实质为径、潮两股主要水动力对抗强度的逐时变化，因此，汊道落潮分流比变化也主要由该两股水动力驱动。径流动力以径流流量表征、潮汐动力以潮差表征，其中潮差定义为一个潮周期内最高潮位与最低潮位的差值。径流流量系列数据可从河口上游最近水文站获取采集，而潮差系列数据可从河口口门附近潮位站获取，若能建立潮汐分汊河口汊道落潮分流比与径流流量和潮差的定量关系，则可根据径流流量和潮差各时间尺度(时、天、月、季、年、多年)的变化过程确定和预测落潮分流比的相应变化。本发明提出的上述基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法，通过研究、建立汊道落潮分流比与上游最近水文站径流流量和口门附近潮位站潮差的定量关系模型，进而确定汊道落潮分流比的变化过程，并可根据上游来流的水文过程预测汊道落潮分流比的变化趋势。
上述的潮汐分汊河口汊道落潮分流比快速确定方法，为了确保建立的基于径潮对抗模式的定量关系模型能够简便快捷、准确可用，所述合理性检验可以包括相关性检验、回归系数正负号检验和径流流量-潮差贡献权重检验中的至少一种，但优选同时包括前述三种校验方式。通过三种检验的方式依次校对，使得在工程实践中依据有限的水文资料建立的定量关系模型是更加准确和可靠的，而对于不满足校验条件的定量关系模型则可排除在使用范围之外，直至相关定量关系模型满足校验条件要求。
上述的潮汐分汊河口汊道落潮分流比快速确定方法，优选的，所述相关性检验包括：判断所述定量关系模型的相关系数R2和显著性水平P，若R2取值在0.6以上，且P取值在0.05以下，则判定通过相关性检验，否则判定不通过。
上述的潮汐分汊河口汊道落潮分流比快速确定方法中，给予我们长期的观察和分析研究，潮汐分汊河口受科氏力作用，涨、落潮流路相异。对于同一级分汊，涨潮流经过的汊道易淤积、河床高程较高，落潮流经过的汊道易冲刷、河床高程较低。落潮流量小时，落潮主流易进入较低的汊道，利于低汊落潮分流比增大；落潮流量大时，落潮主流流路趋直，利于高汊落潮分流比增大。因此，我们的研究表明，径、潮水动力方向分别与落潮水流方向相同和相反，高汊落潮分流比与径流流量和潮差拟合方程中的A、B值应分别为正值和负值，而低汊的情况则相反。基于此，优选的，所述回归系数正负号检验包括：
将所述多级分汊河口的各级汊道划分为高汊和低汊，判断所述定量关系模型中回归系数A、B值的正、负值，若检验高汊的定量关系模型中A、B值分别为正值和负值，且检验低汊的定量关系模型中A、B值分别为负值和正值，则判定通过回归系数正负号检验，否则判定不通过。
此外，潮汐分汊河口还可能存在挑流节点或导流建筑物，对不同落潮流量的水流作用强度不同，也会影响高、低汊落潮分流比与径流流量和潮差的相关关系；对于存在此类特殊情形的潮汐分汊河口，可通过另外的方式去校正落潮分流比与径流流量和潮差的相关关系。
上述的潮汐分汊河口汊道落潮分流比快速确定方法中，同样是基于我们的观察和反复研究，我们发现从首级分汊向末级分汊方向，潮汐动力越来越强，潮差对落潮分流比的贡献权重应越来越大，而径流流量变化不大，则径流流量对落潮分流比的贡献权重应越来越小。基于此，优选的，所述径流流量-潮差贡献权重检验包括：
判断潮差对各级分汊河口落潮分流比的贡献权重CWT和径流流量对各级分汊河口落潮分流比的贡献权重CWQ，若自潮汐分汊河口的口内向口外(即从首级分汊向末级分汊方向)CWT逐渐增大且CWQ逐渐减小，则判定通过径流流量-潮差贡献权重检验，否则判定不通过；
其中，CWQ＝|A|/(|A|+|B|)；CWT＝|B|/(|A|+|B|)。
以上定量关系模型的合理性校验并不是唯一的，而是优选的，由于径流分汊河道各汊的分流比通常与来流流量之间为同步、一一对应的关系，与径流分汊河道不同，本发明针对的潮汐分汊河口各汊的落潮分流比与径流流量和潮差之间易出现相位差，数据资料在时间上容易出现不匹配，基于此，若通过合理性检验，则定量关系模型能够更准确反映汊道落潮分流比与径流流量和潮差的定量关系，可据其计算和预测各时间尺度的落潮分流比值；若未通过合理性检验，则可进一步调整用于拟合的原始数据，调整数据的时间对应性并按照上述步骤重新拟合线性方程直到通过合理性检验。
上述的潮汐分汊河口汊道落潮分流比快速确定方法，优选的，所述步骤4)中特定时间段内多级分汊河口的落潮分流比是指该特定时间段内落潮分流比多年平均值，所述步骤4)的具体方法包括：
4.1)将径流流量按等间隔ΔQ分为n级，则各级流量范围分别为(Q1，Q1+ΔQ)，(Q1+ΔQ，Q1+2ΔQ)，…，(Q1+(n-1)ΔQ，Q1+nΔQ)；
4.2)采集特定时间段内各级流量范围的持续时间(例如多年平均持续天数)，测定各级流量范围在该特定时间段内的出现频率(例如多年平均持续天数除以365或366天)；
4.3)通过以下模型得出特定时间段内落潮分流比多年平均值：
Figure BDA0003786414910000041
其中：其中，k为某级流量范围编号，k∈n；n——流量分级总数；
Qk为k级流量范围的中值流量；
fk为k级流量范围在特定时间段内的出现频率，满足
Figure BDA0003786414910000042
T′为多级分汊河口口门附近潮差在特定时间段内的多年平均值；由于口门附近潮差多年变化不大，可将T′视作常数；
ηij′为i级分汊j汊道在特定时间段内的落潮分流比多年平均值。
以上特定时间段内落潮分流比多年平均值的计算可以优选用于针对与汊道冲淤和通航条件变化趋势最密切相关的多年平均落潮分流比的预测，计算其他时间尺度(时、天、月、季、年)落潮分流比的方法与上述方法类似。
上述的潮汐分汊河口汊道落潮分流比快速确定方法，优选的，所述潮差在特定时间段内的多年平均值经过在年际尺度的稳定性校验。
上述的潮汐分汊河口汊道落潮分流比快速确定方法，更优选的，所述稳定性校验的方法包括：采集所述多级分汊河口口门附近的多个潮位站的潮差数据信息，并利用Mann-Kendall方法对各潮位站多年的潮差数据信息进行趋势性校验，若校验统计值小于设定阈值(例如0.05的显著性水平下，该阈值取1.64)，则通过稳定性校验，并取特定潮位站的潮差数据信息的多年平均值作为潮差在特定时间段内的值。
作为一个总的技术构思，本发明还可基于径潮对抗模式预测潮汐分汊河口汊道落潮分流比，包括以下步骤：
1)获取特定潮汐分汊河口所在流域的水文模型；
2)获取特定潮汐分汊河口所在流域的水库调度模型；
3)根据所述的水文模型和流域水库调度模型预测特定时间段内、进入特定潮汐分汊河口的径流总量和时间段内径流分配的变化趋势的径流数据；
4)获取特定潮汐分汊河口口门附近潮差数据，并基于上述获得径流数据和上述本发明方法确定的潮汐分汊河口汊道落潮分流比，预测特定潮汐分汊河口的汊道落潮分流比的变化趋势。
上述的方法，优选的：步骤4)中，所述获取特定潮汐分汊河口口门附近潮差数据是指用CJK全球潮位预报分析系统预测特定潮汐分汊河口口门附近潮差，为落潮分流比的预测提供下边界条件，并以所述水文模型和水库调度模型提供上边界条件。
与现有技术相比，本发明的有益效果为：
本发明根据潮汐分汊河口径、潮水动力对抗特征和各自对高、低汊落潮分流比的影响，建立了落潮分流比与两者的定量关系模型，进而可由上游最近水文站径流流量和口门附近潮位站潮差实时、快速确定落潮分流比的值，并计算落潮分流比各时间尺度(时、天、月、季、年、多年)的平均值和预测其变化趋势，为汊道冲淤研判、航道规划及整治等提供依据。相比于径流分汊河道的已有发明成果，本发明面向的对象水动力条件更为复杂，需通过严格的合理性检验，且能计算和预测落潮分流比的多种时间尺度值。
通过使汊道落潮分流比与径、潮水动力条件及河口水文过程相联系，不仅有利于潮汐分汊河口航道规划与整治，而且能够方便、准确、快捷地预测落潮分流比的值，为后期各类工程实践提供关键性的基础参数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中长江口分汊型态概化图；
图2为本发明实施例中潮汐分汊河口汊道落潮分流比确定方法的工作流程图；
图3为本发明实施例中长江口南岸沿线节点挑流作用示意图；
图4为本发明实施例中长江口外吕四站潮差多年变化图。
具体实施方式
为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明做更全面、细致地描述，但本发明的保护范围并不限于以下具体实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
除非另有特别说明，本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
实施例：
本发明的一项实施例选取的长江口，概化如图1所示，其呈多级分汊的平面型态，第1级分汊为北支和南支，第2级分汊发生在南支进口，为白茆沙北水道和白茆沙南水道，第3级分汊为北港和南港，第4级分汊为北槽和南槽。
长江口上游最近水文站为大通水文站，具有逐日流量的长期观测系列；口门附近有若干潮位站，本实施例选择北支口门的三条港站和长江口北侧的吕四站，两站均具有逐时潮位的长期观测系列。长江口各级分汊河道内具有多个单测次的落潮分流比值。
如图2所示，本实施例所提供的一种基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法，具体包括以下步骤：
步骤1，将图1中多级分汊河口的落潮分流比按以下定义进行标记，各级分汊的北部河槽编号为1、南部河槽编号为2：
Figure BDA0003786414910000061
其中：i为分汊级次，本实施例中i取1、2、3、4；j为汊道编号，j取1、2。
步骤2，采集多级分汊河口若干单测次的汊道落潮分流比数据、相对应的径流流量数据和潮差数据，进行多元线性回归，建立基于径潮对抗模式的定量关系模型，具体操作如下。
步骤2.1：采集、整理数据信息：
采集、整理图1所示长江口各汊道落潮分流比资料，南北支共有8个测次、白茆沙南北水道共有5个测次、南北港共有7个测次、南北槽共有9个测次。以上汊道各测次的落潮分流比η和对应的大通水文站径流流量Q、三条港站潮差T详列如下：
南北支8组数据如下：
η11＝5％，η12＝95％，Q＝7200m3/s，T＝3.21m；
η11＝9％，η12＝91％，Q＝22400m3/s，T＝4.17m；
η11＝10％，η12＝90％，Q＝28600m3/s，T＝3.81m；
η11＝10％，η12＝90％，Q＝40200m3/s，T＝5.27m；
η11＝11.50％，η12＝88.50％，Q＝42800m3/s，T＝2.33m；
η11＝12.20％，η12＝87.80％，Q＝39800m3/s，T＝4.15m；
η11＝13.00％，η12＝87.00％，Q＝30500m3/s，T＝4.08m；
η11＝13.90％，η12＝86.10％，Q＝29500m3/s，T＝1.84m。
白茆沙南北水道5组数据如下：
η21＝33.53％，η22＝66.47％，Q＝32300m3/s，T＝2.81m；
η21＝33.91％，η22＝66.09％，Q＝11600m3/s，T＝0.85m；
η21＝34.40％，η22＝65.60％，Q＝42500m3/s，T＝3.60m；
η21＝35.63％，η22＝64.37％，Q＝40000m3/s，T＝3.21m；
η21＝39.41％，η22＝60.59％，Q＝44300m3/s，T＝3.25m。
南北港7组数据如下：
η31＝47.50％，η32＝52.50％，Q＝42300m3/s，T＝5.27m；
η31＝48.50％，η32＝51.50％，Q＝31700m3/s，T＝4.65m；
η31＝51.30％，η32＝48.70％，Q＝26200m3/s，T＝3.00m；
η31＝53.50％，η32＝46.50％，Q＝28600m3/s，T＝3.19m；
η31＝53.80％，η32＝46.20％，Q＝28600m3/s，T＝3.40m；
η31＝59.50％，η32＝40.50％，Q＝29500m3/s，T＝1.84m；
η31＝60.10％，η32＝39.90％，Q＝42800m3/s，T＝3.08m。
南北槽9组数据如下：
η41＝32.20％，η42＝67.80％，Q＝40100m3/s，T＝4.68m；
η41＝32.40％，η42＝67.60％，Q＝22600m3/s，T＝4.37m；
η41＝37.60％，η42＝62.40％，Q＝17700m3/s，T＝3.93m；
η41＝39.10％，η42＝60.90％，Q＝31800m3/s，T＝4.38m；
η41＝40.60％，η42＝59.40％，Q＝48700m3/s，T＝4.81m；
η41＝43.40％，η42＝56.60％，Q＝28600m3/s，T＝4.20m；
η41＝50.20％，η42＝49.80％，Q＝25700m3/s，T＝3.93m；
η41＝52.80％，η42＝47.20％，Q＝40200m3/s，T＝4.51m；
η41＝67.10％，η42＝32.90％，Q＝25500m3/s，T＝3.46m。
步骤2.2：根据以上数据信息建立各汊道落潮分流比与径流流量和潮差的定量关系模型如下：
ηij＝A·Q+B·T+C
其中：Q为多级分汊河口上游最近水文站的径流流量数据；
T为多级分汊河口口门附近潮位站的潮差数据；
A、B、C为线性方程的回归系数。
具体操作时，先进行多元线性回归，得到各汊道方程如下：
北支：η11＝1.81Q-0.80T+8.02；R2＝0.603，P＝0.046；
南支：η12＝-1.81Q+0.80T+91.98；R2＝0.603，P＝0.046；
白茆沙北水道：η21＝8.42Q-9.29T+32.12；R2＝0.990，P＝0.006；
白茆沙南水道：η22＝-8.42Q+9.29T+67.88；R2＝0.990，P＝0.006；
北港：η31＝3.97Q-4.74T+56.99；R2＝0.935，P＝0.019；
南港：η32＝-3.97Q+4.74T+43.01；R2＝0.935，P＝0.019；
北槽：η41＝11.59Q-38.27T+170.51；R2＝0.875，P＝0.004；
南槽：η42＝-11.59Q+38.27T-70.51；R2＝0.875，P＝0.004；
以上线性方程中η以百分数表示，Q以104m3/s为单位，T以m为单位。
步骤3，对上述各定量关系模型进行合理性检验。本实施例中的合理性检验包括相关性检验、回归系数正负号检验和径流流量-潮差贡献权重检验。三项检验全部通过则进入后续步骤4，如果有任何一项未通过合理性检验，则进一步调整上述步骤2中用于拟合的原始数据，调整数据的时间对应性或匹配性等，并按照上述步骤重新拟合线性方程直到通过合理性检验。
步骤3.1，相关性检验包括：判断上述定量关系模型的相关系数R2和显著性水平P，若R2取值在0.6以上，且P取值在0.05以下，则判定通过相关性检验，否则判定不通过。由于上述各汊道线性拟合方程的相关系数R2均大于0.6(多数大于0.8、部分甚至接近1)，且显著性水平P均小于0.05(部分甚至小于0.01)，说明各汊道拟合方程较好地反映了落潮分流比与径流流量和潮差之间紧密的相关关系。
步骤3.2，回归系数正负号检验包括：将上述多级分汊河口划分为高汊和低汊，判断上述定量关系模型中回归系数A、B值的正、负值，若检验高汊的定量关系模型中A、B值分别为正值和负值，且检验低汊的定量关系模型中A、B值分别为负值和正值，则判定通过回归系数正负号检验，否则判定不通过。通过我们的实测观察，长江口涨潮流路偏北、落潮流路偏南，使得各级分汊北部河槽淤积速率普遍高于南部河槽，相应地北部河槽河床均高于南部河槽；同时，长江口南岸沿线有若干挑流节点，落潮流量越大越利于将落潮主流挑向北部河槽(参见图3)。因此，北部河槽落潮分流比应与径流流量成正相关关系、与潮差成负相关关系，南部河槽落潮分流比应与径流流量成负相关关系、与潮差成正相关关系。即北部河槽拟合得到的线性方程中系数A应为正值、系数B应为负值，南部河槽的情况相反。以上各级分汊南北部河槽拟合得到的线性方程中A、B系数均符合这一检验条件，判定通过回归系数正负号检验。
步骤3.3，径流流量和潮差贡献权重检验包括：判断潮差对各级分汊河口落潮分流比的贡献权重CWT和径流流量对各级分汊河口落潮分流比的贡献权重CWQ，若自潮汐分汊河口的口内向口外(即从首级分汊向末级分汊方向)CWT逐渐增大且CWQ逐渐减小，则判定通过径流流量-潮差贡献权重检验，否则判定不通过；
其中，CWQ＝|A|/(|A|+|B|)；CWT＝|B|/(|A|+|B|)。
根据各级分汊拟合方程得到径流流量和潮差在落潮分流比中的贡献权重如下：
南北支：CWQ＝69.27％，CWT＝30.73％；
白茆沙南北水道：CWQ＝47.55％，CWT＝52.45％；
南北港：CWQ＝45.55％，CWT＝54.45％；
南北槽：CWQ＝23.24％，CWT＝76.76％。
可以看出，自第一级分汊南北支向最后一级分汊南北槽，径流流量的贡献权重越来越小，潮差的贡献权重越来越大，因此，权重检验通过。
综上，以上线性拟合方程能准确反映长江口各汊道落潮分流比与上游径流流量和口门潮差的定量关系。
步骤4：根据定量关系模型，选取特定时间段，采集该特定时间段内的径流流量数据和潮差数据，得出特定时间段内多级分汊河口的落潮分流比多年平均值，具体步骤如下。
步骤4.1，流量分级：根据大通水文站历史流量范围，按10,000m3/s为间隔划分10级流量范围，分别为0～10,000m3/s、10,000～20,000m3/s、20,000～30,000m3/s、30,000～40,000m3/s、40,000～50,000m3/s、50,000～60,000m3/s、60,000～70,000m3/s、70,000～80,000m3/s、80,000～90,000m3/s、90,000～100,000m3/s。
步骤4.2，统计各级流量范围在所关注时期内的出现频率，具体步骤如下：
步骤4.2.1，根据长江流域干、支流水库建设、运行时间节点，划分5个时期：
1950～1967年，长江流域建设若干小型水库；
1968～1980年，支流建设大型水库，包括丹江口水库运行；
1981～2002年，干流葛洲坝水库运行，主流支流上建设其他大型水库；
2003～2011年，干流三峡水库运行；
2012～2020年，干流向家坝、溪洛渡、乌东德梯级水库运行。
步骤4.2.2，统计各级流量范围在以上5个时期内的多年平均持续天数和出现频率，结果如下：
1950～1967年：0～10,000m3/s多年平均持续天数为42天/年、出现频率为11.48％；10,000～20,000m3/s多年平均持续天数为88天/年、出现频率为24.04％；20,000～30,000m3/s多年平均持续天数为68天/年、出现频率为18.58％；30,000～40,000m3/s多年平均持续天数为71天/年、出现频率为19.40％；40,000～50,000m3/s多年平均持续天数为66天/年、出现频率为18.03％；50,000～60,000m3/s多年平均持续天数为23天/年、出现频率为6.28％；60,000～70,000m3/s多年平均持续天数为4天/年、出现频率为1.09％；70,000～80,000m3/s多年平均持续天数为2天/年、出现频率为0.55％；80,000～90,000m3/s多年平均持续天数为2天/年、出现频率为0.55％；90,000～100,000m3/s多年平均持续天数为0天/年、出现频率为0％；
1968～1980年：0～10,000m3/s多年平均持续天数为45天/年、出现频率为12.30％；10,000～20,000m3/s多年平均持续天数为99天/年、出现频率为27.05％；20,000～30,000m3/s多年平均持续天数为70天/年、出现频率为19.12％；30,000～40,000m3/s多年平均持续天数为63天/年、出现频率为17.21％；40,000～50,000m3/s多年平均持续天数为56天/年、出现频率为15.30％；50,000～60,000m3/s多年平均持续天数为24天/年、出现频率为6.56％；60,000～70,000m3/s多年平均持续天数为9天/年、出现频率为2.46％；70,000～80,000m3/s多年平均持续天数为0天/年、出现频率为0％；80,000～90,000m3/s多年平均持续天数为0天/年、出现频率为0％；90,000～100,000m3/s多年平均持续天数为0天/年、出现频率为0％；
1981～2002年：0～10,000m3/s多年平均持续天数为26天/年、出现频率为7.10％；10,000～20,000m3/s多年平均持续天数为95天/年、出现频率为25.96％；20,000～30,000m3/s多年平均持续天数为85天/年、出现频率为23.22％；30,000～40,000m3/s多年平均持续天数为73天/年、出现频率为19.95％；40,000～50,000m3/s多年平均持续天数为50天/年、出现频率为13.66％；50,000～60,000m3/s多年平均持续天数为21天/年、出现频率为5.74％；60,000～70,000m3/s多年平均持续天数为9天/年、出现频率为2.46％；70,000～80,000m3/s多年平均持续天数为6天/年、出现频率为1.64％；80,000～90,000m3/s多年平均持续天数为1天/年、出现频率为0.27％；90,000～100,000m3/s多年平均持续天数为0天/年、出现频率为0％；
2003～2011年：0～10,000m3/s多年平均持续天数为5天/年、出现频率为1.37％；10,000～20,000m3/s多年平均持续天数为156天/年、出现频率为42.74％；20,000～30,000m3/s多年平均持续天数为68天/年、出现频率为18.63％；30,000～40,000m3/s多年平均持续天数为73天/年、出现频率为20.00％；40,000～50,000m3/s多年平均持续天数为51天/年、出现频率为13.97％；50,000～60,000m3/s多年平均持续天数为8天/年、出现频率为2.19％；60,000～70,000m3/s多年平均持续天数为4天/年、出现频率为1.10％；70,000～80,000m3/s多年平均持续天数为0天/年、出现频率为0％；80,000～90,000m3/s多年平均持续天数为0天/年、出现频率为0％；90,000～100,000m3/s多年平均持续天数为0天/年、出现频率为0％；
2012～2020年：0～10,000m3/s多年平均持续天数为0天/年、出现频率为0％；10,000～20,000m3/s多年平均持续天数为117天/年、出现频率为32.05％；20,000～30,000m3/s多年平均持续天数为97天/年、出现频率为26.58％；30,000～40,000m3/s多年平均持续天数为63天/年、出现频率为17.26％；40,000～50,000m3/s多年平均持续天数为53天/年、出现频率为14.52％；50,000～60,000m3/s多年平均持续天数为24天/年、出现频率为6.58％；60,000～70,000m3/s多年平均持续天数为8天/年、出现频率为2.19％；70,000～80,000m3/s多年平均持续天数为3天/年、出现频率为0.82％；80,000～90,000m3/s多年平均持续天数为0天/年、出现频率为0％；90,000～100,000m3/s多年平均持续天数为0天/年、出现频率为0％。
以上结果表明，随着流域水库相继运行，特别是三峡水库运行后，大通水文站10,000m3/s以下枯水流量和50,000m3/s以上洪水流量多年平均持续天数和出现频率明显减少，10,000～20,000m3/s中枯水流量多年平均持续天数和出现频率明显增加，其他中洪水流量多年平均持续天数和出现频率变化不大。上述变化说明大通水文站流量过程发生显著坦化。在以上整体变化过程中，1981～2002年和2012～2020年两个时期内由于长江流域分别发生了1998年、1999年和2016年、2020年大洪水，洪水流量多年平均持续天数和出现频率有所回升。
步骤4.3，计算落潮分流比多年平均值，具体步骤如下：
步骤4.3.1，口门附近潮汐动力在年际尺度的稳定性校验：由于搜集到的三条港站潮差数据有限，以吕四站潮差的多年变化反映口门附近区域的潮汐动力变化，由图4可见，吕四站潮差多年变化不大(Mann-Kendall方法的校验统计值为0.15)，说明潮汐动力多年变化不大，故在计算各汊道落潮分流比多年平均值时可将三条港站的潮差取为常数，通过查阅文献和求步骤1中各组次三条港潮差的平均值，将其值取为3.50m。
步骤4.3.2，计算落潮分流比多年平均值：
各汊道相应的计算式为：
北支：
Figure BDA0003786414910000111
南支：η12′＝1-η11′
白茆沙北水道：
Figure BDA0003786414910000112
白茆沙南水道：η22′＝1-η21′
北港：
Figure BDA0003786414910000113
南港：η32′＝1-η31′
北槽：
Figure BDA0003786414910000114
南槽：η42′＝1-η41′
以上各式中，取Q1＝0.5、Q2＝1.5、Q3＝2.5、Q4＝3.5、Q5＝4.5、Q6＝5.5、Q7＝6.5、Q8＝7.5、Q9＝8.5、Q10＝9.5，单位为104m3/s，fk则分别取各时期内各级流量范围的出现频率，从而求得各时期各汊道落潮分流比的多年平均值如下：
1950～1967年：
南北支：η11′＝10.43％，η12′＝89.57％；
白茆沙南北水道：η21′＝23.83％，η22′＝76.17％；
南北港：η31′＝51.82％，η32′＝48.18％；
南北槽：η41′＝69.91％，η42′＝30.09％；
1968～1980年：
南北支：η11′＝10.21％，η12′＝89.79％；
白茆沙南北水道：η21′＝22.82％，η22′＝77.18％；
南北港：η31′＝51.34％，η32′＝48.66％；
南北槽：η41′＝68.52％，η42′＝31.48％；
1981～2002年：
南北支：η11′＝10.54％，η12′＝89.46％；
白茆沙南北水道：η21′＝24.36％，η22′＝75.64％；
南北港：η31′＝52.07％，η32′＝47.93％；
南北槽：η41′＝70.64％，η42′＝29.36％；
2003～2011年：
南北支：η11′＝9.99％，η12′＝90.01％；
白茆沙南北水道：η21′＝21.79％，η22′＝78.21％；
南北港：η31′＝50.86％，η32′＝49.14％；
南北槽：η41′＝67.10％，η42′＝32.90％；
2012～2020年：
南北支：η11′＝10.59％，η12′＝89.41％；
白茆沙南北水道：η21′＝24.60％，η22′＝75.40％；
南北港：η31′＝52.18％，η32′＝47.82％；
南北槽：η41′＝70.97％，η42′＝29.03％。
以上结果表明，随着流域水库运行，大通站流量过程逐渐坦化，使得各级分汊北部河槽落潮分流比多年平均值整体减小、南部河槽落潮分流比多年平均值整体增大，特别是三峡水库运行后，该种变化的幅度最大。1981～2002年和2012～2020年两个时期，受长江流域大洪水事件影响，洪水流量多年平均持续天数和出现频率增加，使得各级分汊北部河槽落潮分流比多年平均值回升、南部河槽落潮分流比多年平均值下降。
一种本发明的基于径潮对抗模式预测潮汐分汊河口汊道落潮分流比的方法，以上述实施例为基础，预测长江口落潮分流比的变化趋势，包括以下步骤：
1)获取上述本实施例的潮汐分汊河口所在河流(即长江)的水文模型(水文模型可从武汉大学水利水电学院获取)。
2)获取上述本实施例的潮汐分汊河口所在流域(即长江流域)的流域水库调度模型(流域水库调度模型可从武汉大学水利水电学院获取)；根据长江上游梯级水库联合调度模型计算成果，向家坝、溪洛渡水库运行协防三峡水库，使得大通站流量过程进一步坦化，但作用程度十分有限。以长江流域特大洪水年1954年和特枯年1978年为例，向家坝-溪洛渡-三峡水库联合调度下三峡水库各月份平均出库流量相对于三峡单库调节结果仅变化-6.58％～3.81％，说明三峡水库对出库流量起到主要调控作用。
3)根据所述的水文模型和流域水库调度模型预测特定时间段内、进入特定潮汐分汊河口的径流总量和时间段内径流分配的变化趋势的径流数据；具体需通过水文模型对降雨趋势进行预测和梯级水库联调模型进行调节计算，为本发明提供预测长江口各汊道落潮分流比变化趋势的径流边界条件。故预测未来在降雨不发生显著改变的条件下，受三峡水库影响，各级流量出现频率变化不大。
4)获取特定潮汐分汊河口口门附近潮差数据，获取特定潮汐分汊河口口门附近潮差数据是指用CJK全球潮位预报分析系统预测特定潮汐分汊河口口门附近潮差，为落潮分流比的预测提供下边界条件，并以上述水文模型和水库调度模型提供上边界条件；基于上述获得径流数据和确定的潮汐分汊河口汊道落潮分流比，预测特定潮汐分汊河口的汊道落潮分流比的变化趋势。考虑河口口门附近潮差数据相对稳定，受三峡水库影响，各级汊道流量出现频率变化亦不大，因此预测长江口各汊道落潮分流比将在2012～2020年均值附近波动。
根据以上预测结果，长江口各汊道北部河槽淤积萎缩、南部河槽冲刷发展的态势将继续维持，需在航道规划与整治过程中引起重视。

Claims (10)

1.一种基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，包括以下步骤：
1)对多级分汊河口的落潮分流比按以下定义进行标记：
Figure FDA0003786414900000011
其中：i为分汊级次，i取大于0的正整数；j为汊道编号，j取大于1的正整数；
ηij为i级分汊内j汊道的落潮分流比；
Eij为i级分汊内j汊道的落潮流量；
2)采集所述多级分汊河口若干单测次的汊道落潮分流比数据、相对应的径流流量数据和潮差数据，进行多元线性回归，建立基于径潮对抗模式的定量关系模型如下：
ηij＝A·Q+B·T+C
其中：Q为多级分汊河口上游最近水文站的径流流量数据；
T为多级分汊河口口门附近潮位站的潮差数据；
A、B、C为线性方程的回归系数；
3)对所述定量关系模型进行合理性检验，通过合理性检验的定量关系模型进入以下步骤；
4)根据定量关系模型，选取特定时间段，采集该特定时间段内的径流流量数据和潮差数据，得出特定时间段内多级分汊河口的落潮分流比。
2.根据权利要求1所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述合理性检验包括相关性检验、回归系数正负号检验和径流流量-潮差贡献权重检验。
3.根据权利要求2所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述相关性检验包括：判断所述定量关系模型的相关系数R2和显著性水平P，若R2取值在0.6以上，且P取值在0.05以下，则判定通过相关性检验，否则判定不通过。
4.根据权利要求2所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述回归系数正负号检验包括：
将所述多级分汊河口的各级汊道划分为高汊和低汊，判断所述定量关系模型中回归系数A、B值的正、负值，若高汊的定量关系模型中A、B值分别为正值和负值，且低汊的定量关系模型中A、B值分别为负值和正值，则判定通过回归系数正负号检验，否则判定不通过。
5.根据权利要求2所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述径流流量-潮差贡献权重检验包括：
判断潮差对各级分汊河口落潮分流比的贡献权重CWT和径流流量对各级分汊河口落潮分流比的贡献权重CWQ，若自潮汐分汊河口的口内向口外CWT逐渐增大且CWQ逐渐减小，则判定通过径流流量-潮差贡献权重检验，否则判定不通过；
其中，CWQ＝|A|/(|A|+|B|)；CWT＝|B|/(|A|+|B|)。
6.根据权利要求1～5中任一项所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述步骤4)中特定时间段内多级分汊河口的落潮分流比是指该特定时间段内落潮分流比多年平均值，所述步骤4的具体方法包括：
4.1)将径流流量按等间隔ΔQ分为n级，则各级流量范围分别为(Q1，Q1+ΔQ)，(Q1+ΔQ，Q1+2ΔQ)，…，(Q1+(n-1)ΔQ，Q1+nΔQ)；
4.2)采集特定时间段内各级流量范围的持续时间，测定各级流量范围在该特定时间段内的出现频率；
4.3)通过以下模型得出特定时间段内落潮分流比多年平均值：
Figure FDA0003786414900000021
其中：其中，k为某级流量范围编号，k∈n；n——流量分级总数；
Qk为k级流量范围的中值流量；
fk为k级流量范围在特定时间段内的出现频率，满足
Figure FDA0003786414900000022
T′为多级分汊河口口门附近潮差在特定时间段内的多年平均值；
ηij′为i级分汊j汊道在特定时间段内的落潮分流比多年平均值。
7.根据权利要求6所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述潮差在特定时间段内的多年平均值经过在年际尺度的稳定性校验。
8.根据权利要求7所述的潮汐分汊河口汊道落潮分流比快速确定方法，其特征在于，所述稳定性校验的方法包括：采集所述多级分汊河口口门附近的多个潮位站的潮差数据信息，并利用Mann-Kendall方法对各潮位站多年潮差数据进行趋势性校验，若校验统计值小于设定阈值，则通过稳定性校验，并取特定潮位站的潮差数据信息的多年平均值作为潮差在特定时间段内的值。
9.一种基于径潮对抗模式预测潮汐分汊河口汊道落潮分流比的方法，其特征在于，包括以下步骤：
1)获取特定潮汐分汊河口所在河流的水文模型；
2)获取特定潮汐分汊河口所在流域的流域水库调度模型；
3)根据所述的水文模型和流域水库调度模型预测特定时间段内、进入特定潮汐分汊河口的径流总量和时间段内径流分配的变化趋势的径流数据；
4)获取特定潮汐分汊河口口门附近潮差数据，并基于上述获得径流数据和权利要求1～8中任一项所述确定方法确定的潮汐分汊河口汊道落潮分流比，预测特定潮汐分汊河口的汊道落潮分流比的变化趋势。
10.根据权利要求9所述的方法，其特征在于：步骤4)中，所述获取特定潮汐分汊河口口门附近潮差数据是指用CJK全球潮位预报分析系统预测特定潮汐分汊河口口门附近潮差，为落潮分流比的预测提供下边界条件，并以所述水文模型和水库调度模型提供上边界条件。
CN202210942815.6A 2022-08-08 2022-08-08 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法 Active CN115470965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210942815.6A CN115470965B (zh) 2022-08-08 2022-08-08 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210942815.6A CN115470965B (zh) 2022-08-08 2022-08-08 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法

Publications (2)

Publication Number Publication Date
CN115470965A CN115470965A (zh) 2022-12-13
CN115470965B true CN115470965B (zh) 2023-04-25

Family

ID=84366838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210942815.6A Active CN115470965B (zh) 2022-08-08 2022-08-08 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法

Country Status (1)

Country Link
CN (1) CN115470965B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150985B (zh) * 2023-02-08 2023-11-03 湖南省水运建设投资集团有限公司 一种河道口门区水流特性模型分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018497A (ko) * 2012-08-01 2014-02-13 한국전력공사 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법
CN106372375A (zh) * 2016-10-26 2017-02-01 武汉大学 水库下游两级分汊河道汊河分流比变化的预测方法
CN107436977A (zh) * 2017-07-24 2017-12-05 珠江水利委员会珠江水利科学研究院 复杂河网分流的数值模拟方法
CN110570031A (zh) * 2019-08-23 2019-12-13 河海大学 一种预测平原河网两级分汊河道分流比的方法
CN114049013A (zh) * 2021-11-16 2022-02-15 河海大学 一种分汊河道分流比与分污比及其演变规律的研究方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018497A (ko) * 2012-08-01 2014-02-13 한국전력공사 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법
CN106372375A (zh) * 2016-10-26 2017-02-01 武汉大学 水库下游两级分汊河道汊河分流比变化的预测方法
CN107436977A (zh) * 2017-07-24 2017-12-05 珠江水利委员会珠江水利科学研究院 复杂河网分流的数值模拟方法
CN110570031A (zh) * 2019-08-23 2019-12-13 河海大学 一种预测平原河网两级分汊河道分流比的方法
CN114049013A (zh) * 2021-11-16 2022-02-15 河海大学 一种分汊河道分流比与分污比及其演变规律的研究方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜宁林 ; 张长宽 ; 陈永平 ; .上游径流变化对长江澄通河段汊道分流比的影响.人民长江.2012,(第23期),33-36. *
张蔚 ; 傅雨洁 ; 过津侃 ; 冯浩川 ; .潮波运动对长江口分流的影响.水科学进展.2018,(第04期),551-556. *

Also Published As

Publication number Publication date
CN115470965A (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
Thapa et al. Current research in hydraulic turbines for handling sediments
CN106202618B (zh) 工程调度与感潮河网污染物输移过程耦合的数值模拟方法
CN106168991B (zh) 一种基于水动力数值模拟的感潮河网潮位预报方法
Azamathulla et al. An ANFIS-based approach for predicting the bed load for moderately sized rivers
CN102032935B (zh) 城市排水汇流管网污水泵站流量的软测量方法
CN109948235B (zh) 水资源调度与精准化配置方法
CN109033605B (zh) 一种基于多阶段划分和多单位线选择的流域汇流模拟方法
CN104268645B (zh) 水资源配置中考虑供水优先序的行业供水量确定方法
CN107451682B (zh) 一种基于神经网络的城市感潮河段生态需水量预测方法
CN113723024A (zh) 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法
CN115470965B (zh) 基于径潮对抗模式的潮汐分汊河口汊道落潮分流比快速确定方法及预测方法
CN111046574B (zh) 一种平原湖区湖河闸泵系统防洪排涝演算方法
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
CN106599562B (zh) 基于概率加权fdc法的河流生态需水量计算方法
CN114819322B (zh) 湖泊入湖流量的预报方法
Purnaningrum et al. Auto floodgate control using enkf-nmpc method
Egawa et al. A water flow forecasting for dam using neural networks and regression models
Vu et al. Impact of the Hoa Binh Dam (Vietnam) on water and sediment budgets in the Red River basin and delta.
CN111090711B (zh) 河流水文地貌变化关键因素贡献度分析方法及系统
CN113312690A (zh) 河口叶脉状河网潮界确定方法
Sakki Disentangling flow-energy transformations for small hydropower plants: from reverse engineering to uncertainty assessment and calibration
Drakaki Optimizing the management of small hydroelectric plants: from the synergetic operation of the turbine system to day-ahead energy forecasting
CN115510382B (zh) 一种基于离散时变关系函数集的综合出力系数计算方法
Liu et al. Inland River Simulation of Coastal Cities Based on Real-time Control (RTC) Rules
Adib et al. Evaluation of fluvial flow effects on tidal characteristics of tidal rivers by artificial neural networks and genetic algorithm

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221213

Assignee: Changsha Taixiang Engineering Consulting Co.,Ltd.

Assignor: CHANGSHA University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023980038820

Denomination of invention: Rapid determination and prediction method for the ebb tide diversion ratio in tidal branching estuaries based on the runoff tidal confrontation model

Granted publication date: 20230425

License type: Common License

Record date: 20230731

EE01 Entry into force of recordation of patent licensing contract