CN117390894B - 一种预测极端风暴潮位的方法 - Google Patents
一种预测极端风暴潮位的方法 Download PDFInfo
- Publication number
- CN117390894B CN117390894B CN202311674295.6A CN202311674295A CN117390894B CN 117390894 B CN117390894 B CN 117390894B CN 202311674295 A CN202311674295 A CN 202311674295A CN 117390894 B CN117390894 B CN 117390894B
- Authority
- CN
- China
- Prior art keywords
- storm
- tide
- astronomical
- extreme
- water level
- 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 title claims abstract description 79
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 109
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241000108463 Hygrophila <snail> Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测极端风暴潮位的方法,涉及海洋科学与海洋工程技术领域。包括如下步骤:确定目标区域,建立历史台风数据库,对风场进行验证;建立目标区域的水动力模型并验证;构建数值实验,分离天文潮‑风暴潮非线性水位;建立每个网格点上两变量间的固定回归模型;模拟一个完整天文潮周期的的天文潮;将风暴增水与天文潮线性叠加;估计非线性水位;计算指定重现期的极端风暴潮位。该方法可以显著提高极端风暴潮的预报精度和计算效率,对制定我国沿海地区的设防标准具有重要的科学价值和指导意义。
Description
技术领域
本发明涉及海洋科学与海洋工程技术领域,具体涉及一种预测极端风暴潮位的方法。
背景技术
风暴潮灾害在我国海洋灾害中居首位,每年给我国造成的财产损失高达数十亿至数百亿元。准确掌握长重现期极端风暴潮位这一基本工程设计标准参数能够加强对风暴潮的认识,帮助更合理的规划海防工程项目,从而减少经济损失和人员伤亡。
目前,关于极端风暴潮的估计方法主要基于实测资料和数值模拟。由于观测站分布稀疏,观测时间记录有限,观测资料无法用于准确预测极端风暴潮的重现期。此外,国内关于台风事件的历史记录始于建国以后,记录年限相对较短,使得基于数值模拟方法推算较长重现期的风暴潮成为一个挑战。因此,许多研究学者采用统计确定性台风模型生成大量随机台风,将其与风暴潮数值模拟技术结合来模拟计算相应重现期的风暴潮。然而,由于天文潮汐周期性变化的特点,需要对每一场随机台风事件在不同时间点进行多次模拟,从而获得全面涵盖风暴潮和天文潮汐的多种组合。这种方法会使得数值实验总数大幅增加一到两个数量级,导致计算时间和成本显著增加,从而降低了可取性。一些学者采用将随机台风模拟的风暴增水与随机天文潮线性叠加的方式提取峰值水位,以预测风暴潮重现期。这种方法虽然节省了计算资源,但会忽略了由天文潮-风暴潮相互作用产生的非线性水位,显著低估或高估极端海平面的推算结果。有研究学者表明忽略天文潮-风暴潮之间的相互作用会对极端海平面的高估达到30%。
发明内容
本发明为了解决随机台风风暴潮与天文潮线性叠加推算极端风暴潮位时,由于忽略天文潮-风暴潮相互作用而导致计算精度低的问题,提出了一种预测极端风暴潮位的方法,本发明将这种量化天文潮-风暴潮非线性水位的方法与随机台风模拟技术结合,形成一种统计量化天文潮-风暴潮非线性水位并预测极端风暴潮位的方法。
本发明目的是由以下技术方案实现的
一种预测极端风暴潮位的方法,包括如下步骤:
S1、统计量化天文潮-风暴潮非线性水位
S11、确定目标区域,收集目标区域的水文地形资料,划分网格;
S12、建立历史台风数据库,选择风场模型模拟台风风场,并对风场进行验证;
S13、基于海洋模型或水动力模型建立目标区域的水动力模型并验证;
网格边界选取:从全球潮汐模型FES2014中提取8个分潮S2、M2、K1、K2、O1、N2、P1、Q1,根据各分潮的幅值和相位计算开放边界处的潮汐水位,将潮汐水位、混合风场施加在边界上模拟天文潮和风暴潮,并分别进行验证;天文潮和风暴潮的实测资料从气象网站、相关文献和纸质书籍中获取;
S14、构建数值实验,分离天文潮-风暴潮非线性水位;
S15、针对每一个风暴潮事件计算其最大风暴潮时刻对应的天文潮-风暴潮非线性水位占比和纯风暴增水占比,建立每个网格点上两变量间的固定回归模型;
S2、预测风暴潮极端水位
S21、模拟一个完整天文潮周期的天文潮;
S22、将风暴增水与天文潮线性叠加,将每一场风暴潮事件对应的纯风暴增水(EXP-PS)与500段随机天文潮线性叠加;
S23、计算每段线性叠加水位的最大值以及最大值时刻对应的风暴增水占比,依据每点固定的统计关系估计非线性水位;
S24、运用经验分布法或广义帕累托分布(Generalized Pareto Distribution,GPD)计算指定重现期的极端风暴潮位。
优选的,所述步骤S11包括:
目标区域的地形资料由最新日期的海图数字化得到,并将数据统一到当地平均海平面,计算网格要求完整的覆盖目标区域,采用软件SMS划分,网格分辨率要平衡计算精度和计算效率,既要保证风暴潮模拟精度的高分辨率,又要减少网格数量,提高计算效。
优选的,所述步骤S12包括:
从气象网站上下载历史台风路径数据集,选取目标区域网格200km范围以内的历史台风,风场模型采用Holland风场和ERA5再分析风场的混合风场模型,混合方法公式为:
Ⅰ,
式中,为混合风场,/>为Holland参数化风场,/>为ERA5再分析风场,/>为最大风速半径,/>为距离台风中心的距离,/>为权重因子,风场的实测数据从气象网站、文献和纸质书籍中获取,采用均方根误差、平均绝对误差和相关系数作为模型验证的误差评价指标。
优选的,所述步骤S14包括:
基于海洋模型或水动力模型构建EXP-PS、EXP-PT和EXP-ST三个数值实验,其中EXP-PS是指在数值模拟中仅施加风和大气压力场,输出的结果为纯风暴增水,EXP-PT是指在模型边界处仅施加连续时间序列的天文潮位,输出的结果为天文潮/>,EXP-ST是指风暴潮和天文潮的全耦合模拟,输出的结果为风暴总潮位/>,对三个数值实验执行减法分离天文潮-风暴潮非线性水位/>为:
Ⅱ,
优选的,所述步骤S15包括:
最大风暴潮时天文潮-风暴潮非线性水位占比和纯风暴增水占比/>如下:
Ⅲ,
Ⅳ,
式中,为纯风暴增水与天文潮线性叠加的最大值,变量/>随变量的增加呈现出先增加后减小的趋势关系,使用多元回归方程对近岸地区所有网格点拟合这两个变量的散点,用于拟合变量/>、变量/>的多元回归方程如下所示:
Ⅴ,
式中,a、b、c、d为使用最小二乘法拟合某网格点多元回归方程的系数。
用于拟合某网格点回归方程的散点数据为最大风暴潮时刻对应的天文潮—风暴潮非线性水位和风暴增水占比,涵盖的极值风暴潮是由距离该网格点200km以内的历史台风产生的。仅对近岸地区水深小于200m的网格点建立回归模型。
优选的,所述步骤S22包括:
随机天文潮的时间根据历史台风发生的时间采用蒙特卡洛方法抽取,每一个风暴潮事件中的天文潮数据长度与风暴增水数据长度一致,每一个风暴潮事件与天文潮叠加500次是为了尽可能多的考虑有限的历史记录中没有发生过的风暴潮组合。
优选的,所述步骤S23包括:
根据风暴增水与天文潮叠加的每段水位计算和/>,并将其带入到各点固定的多元回归方程(公式Ⅴ)中,计算出/>,再根据下面的公式估算极值处的非线性水位/>:
Ⅵ。
优选的,所述步骤S24包括:
极端风暴潮样本按照经验分布法求重现期,经验分步法是将最终的极端风暴潮样本按照降序排列,将其绘制到概率纸上,因为样本足够多,可以不使用分布拟合的方式,直接读取相应的重现期:
Ⅶ,
Ⅷ,
式中,代表给定极值潮位/>在秩/>下的超越概率,/>为样本数量,/>为样本长度(年),重现期/>为超越概率/>的倒数,当样本不足时,需要使用GPD分布拟合样本以延长曲线;GPD分布计算公式如下:
Ⅸ,
式中,为位置参数,/>为形状参数,/>为尺度参数,/>为超过阈值/>的平均每年样本数量,符合泊松过程,对于重现期为m年对应的风暴潮/>,采用下面公式计算:
Ⅹ。
本发明的有益效果是:
本发明提供了一种直接的统计方法来估计天文潮-风暴潮的非线性水位,并与随机台风风暴潮模拟技术结合,形成一套完整的极端风暴潮重现期推算方法。该方法可以显著提高极端风暴潮的预报精度和计算效率,对制定我国沿海地区的设防标准具有重要的科学价值和指导意义。
本发明形成的一种基于统计估计的天文潮-风暴潮非线性水位稳健计算极端风暴潮重现期的方法,有效解决了目前海岸地区随机台风结合数值模拟技术推算极端风暴潮重现期时由于忽略天文潮-风暴潮相互作用导致计算精度低的问题。
本发明统计量化了极值时刻的天文潮-风暴潮非线性水位,并将其纳入极端风暴潮推算中,发展出了一套新的预测极端风暴潮重现期的方法,在提高了计算精度的同时,减少了数值模拟的计算量。
本发明提供的方法能够用来预测某地区高精度的极端风暴潮位重现期,进一步可用于近岸防护工程的设计及建设;本发明可以为风暴潮风险评估、灾害预警和政府部门决策提供方法支持,为沿海地区设计水位的准确估计提供有效的帮助,对制定我国沿海地区的设防标准具有重要的科学价值和指导意义。
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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为模型区域范围与地形图,其中横坐标为经度,纵坐标为纬度,N是北纬,E是东经;
图2为P1点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图3为P2点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图4为P3点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图5为P4点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图6为P5点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图7为P6点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图8为P7点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图9为P8点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图10为P9点天文潮-风暴潮非线性水位占比和风暴增水占比/>散点依赖关系图,其中:拟合曲线为/>;
图11为历史台风发生时间分布的概率密度函数;
图12为P1点风暴潮超越概率曲线;
图13为P4点风暴潮超越概率曲线;
图14为P5点风暴潮超越概率曲线;
图15为P6点风暴潮超越概率曲线;
图16为P7点风暴潮超越概率曲线;
图17为P9点风暴潮超越概率曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施案例1
为了更清晰的展示一种预测极端风暴潮位的方法,本实施例统计量化天文潮-风暴潮非线性水位与推算极端风暴潮重现期的具体方法,以南海北部地区为目标区域详细阐述。
S1、统计量化天文潮-风暴潮非线性水位
S11、首先收集目标区域的地形资料,依据地形资料绘制计算网格;目标区域的地形资料由最新日期的海图数字化得到,并将数据统一到当地平均海平面,计算网格要求完整的覆盖目标区域,网格分辨率要平衡计算精度和计算效率,既要保证风暴潮模拟精度的高分辨率,又要减少网格数量,提高计算效率。本实施案例中的网格采用软件SMS划分,近岸网格分辨率为500m,水深为20m~50m的范围内,分辨率降低到5km~15km,水深为50m~4km范围内,分辨率降低到15km~30km,水深大于4km范围,网格分辨率降低为30km~50km。实际应用中还可以采用其他能达到要求的软件进行网格划分。
S12、建立历史台风数据库,选择风场模型模拟台风风场,并对风场进行验证;从气象网站上下载历史台风路径数据集,选取目标区域网格200km范围以内的历史台风,风场模型采用Holland风场和ERA5再分析风场的混合风场模型,混合方法公式为:
Ⅰ,
式中,为混合风场,/>为Holland参数化风场,/>为ERA5再分析风场,/>为最大风速半径,/>为距离台风中心的距离,/>为权重因子,风场的实测数据从气象网站、相关文献和纸质书籍中获取,采用均方根误差、平均绝对误差和相关系数作为模型验证的误差评价指标。
S13、建立基于海洋模型或水动力模型如FVCOM的水动力模型并验证;
网格边界选取:从全球潮汐模型FES2014中提取8个分潮S2、M2、K1、K2、O1、N2、P1、Q1,根据各分潮的幅值和相位计算开放边界处的潮汐水位,将潮汐水位、混合风场施加在边界上模拟天文潮和风暴潮,并分别进行验证;天文潮和风暴潮的实测资料从气象网站、文献和纸质书籍中获取;
本实施例选取1979-2020年间的历史台风,构建混合台风风场,在风险评估中,极值比过程值更重要,因为极值代表最大风险的可能性,因此,对混合风场、气压、风暴增水和风暴潮的验证主要集中在极值上,极值验证的误差参数展示在表1中,从表中可以发现,整体误差较小,相关系数较高。验证结果表明,在可接受的误差范围内,混合风场与水动力模型分别显示出模型准确模拟风速、气压、天文潮和风暴潮的能力。
S14、构建数值实验,分离天文潮-风暴潮非线性水位;
构建1979-2020年416场历史台风风场,驱动水动力模型模拟南海北部沿岸的风暴潮。基于海洋模型或水动力模型构建EXP-PS、EXP-PT、EXP-ST三个数值实验,分离出各网格点、各事件对应的天文潮-风暴潮非线性水位,其中,执行EXP-PS得到的结果为纯风暴增水,执行EXP-PT得到的结果为天文潮/>,执行EXP-ST得到的结果为风暴总潮位/>,天文潮-风暴潮非线性水位/>为:
Ⅱ,
随后计算各风暴潮事件中EXP-ST结果的最大值,然后将EXP-PS和EXP-PT的结果相加,计算出最大值/>,由此,计算出非线性水位为。
S15、针对每一个风暴潮事件计算其最大风暴潮时刻对应的天文潮-风暴潮非线性水位占比和纯风暴增水占比,建立每个网格点上两变量间的固定回归模型;
最大风暴潮时天文潮-风暴潮非线性水位占比和纯风暴增水占比/>如下:
Ⅲ,
Ⅳ,
式中,为纯风暴增水与天文潮线性叠加的最大值,变量/>随变量的增加呈现出先增加后减小的趋势关系,使用多元回归方程对近岸地区所有网格点拟合这两个变量的散点。
用于拟合变量、变量/>的多元回归方程如下所示:
Ⅴ,
式中,a、b、c、d为使用最小二乘法拟合某网格点多元回归方程的系数。
计算极值水位时的非线性水位占比,风暴增水占比。最后将影响各网格点的风暴潮事件期间的/>和/>散点使用多元回归方程拟合,建立各网格点的多元回归模型。以图1中展示的P1~P9为例,绘制了/>和散点图和方程拟合效果(图2-图10)。
S2、预测风暴潮极端水位
S21、模拟一个完整天文潮周期的天文潮;
本实施例是连续模拟18.6年的天文潮,18.6年是一个完整天文潮的周期,模拟时间为2001.4.1-2020.12.31。
S22、为了计算风暴潮极端水位重现期,将影响每个网格点的每一场风暴潮事件对应的纯风暴增水(EXP-PS)与500段随机天文潮线性叠加。随机天文潮的时间根据历史台风发生时间的概率密度函数(图11)采用蒙特卡洛方法抽取。每一个风暴潮事件中的天文潮数据长度与风暴增水数据长度一致。每一个风暴潮事件与天文潮叠加500次是为了尽可能多的考虑有限的历史记录中没有发生过的风暴潮组合。
S23、计算每段线性叠加水位的最大值以及最大值时刻对应的风暴增水占比,依据每点固定的统计关系估计非线性水位。
根据风暴增水与天文潮叠加的每段水位计算和/>,并将其带入到各点固定的多元回归方程中,计算出/>,再根据下面的公式估算极值处的非线性水位,
Ⅵ,
根据风暴增水与天文潮叠加的每段水位计算和/>,并将其带入到各点固定的多元回归方程(公式Ⅴ)中,计算出/>,再根据公式Ⅵ估算极值处的非线性水位;将估计的非线性水位/>与/>叠加,得到各点极端潮位的样本。
S24、运用经验分布法或广义帕累托分布计算指定重现期的极端风暴潮位。
极端风暴潮样本按照经验分布法求重现期,因为样本足够多,可以不使用分布拟合的方式,直接读取相应的重现期:
Ⅶ,
Ⅷ,
式中,代表给定极值潮位/>在秩/>下的超越概率,/>为样本数量,/>为样本长度(年),重现期/>为超越概率/>的倒数,当样本不足时,需要使用GPD分布拟合样本以延长曲线;GPD分布计算公式如下:
Ⅸ,
式中,为位置参数,/>为形状参数,/>为尺度参数,/>为超过阈值/>的平均每年样本数量,符合泊松过程,对于重现期为m年对应的风暴潮/>,采用下面公式计算:
Ⅹ,
将极端风暴潮样本降序排列,按照公式(Ⅵ-Ⅸ)计算各点的极端风暴潮超越概率和重现期。
以P1、P4、P5、P6、P7、P9六个点为例,将超越概率曲线绘制在图12-图17中。图中灰色的点代表纯风暴增水和天文潮线性叠加的极值样本,黑色的点代表纯增水、天文潮和估计非线性水位线性叠加的极值样本,灰色的线和黑色的线分别代表使用GPD分布拟合两种极值样本得到的超越概率曲线。原则上,台风数量充足的话,极端风暴潮的重现期可以计算到千年、万年乃至更长,然而本案例中只模拟了42年历史台风风暴增水,因此只分析较小重现期(小于50年)对应的极端风暴潮。P1、P4、P5、P6、P7、P9的50年一遇风暴潮分别为3.60m、2.91m、4.04m、2.27m、1.75和3.01m,相应的天文潮-风暴潮非线性水位的贡献分别为-0.24m、0.1m、0.08m、-0.13m、-0.1m和-0.08m,分别占总水位的-6.8%、3.1%、1.8%、-5.3%、-5.7%和-2.1%。从图中可以看出,忽略天文潮-风暴潮相互作用会明显高估(P1、P6、P7、P9)或低估(P4、P5)极端风暴潮,随着重现期的增加,高估或低估的幅度变得更加明显。由于样本充足,重现期小于50年的极端风暴潮无需使用极值分布进行拟合,可以直接在图中读出,得到更加稳健的计算结果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
表1 极值验证的误差参数展示
验证项目 | 均方根误差 | 平均绝对误差 | 相关系数 |
分潮振幅(m) | 0.07 | 0.06 | 0.98 |
分潮相位(°) | 18.56 | 14.32 | 0.98 |
最大风速(m/s) | 4.22 | 3.54 | 0.85 |
最小气压(hPa) | 3.05 | 2.38 | 0.92 |
最大增水(m) | 0.22 | 0.19 | 0.98 |
最大风暴潮(m) | 0.25 | 0.21 | 0.93 |
Claims (7)
1.一种预测极端风暴潮位的方法,其特征在于,包括如下步骤:
S1、统计量化天文潮-风暴潮非线性水位
S11、确定目标区域,收集目标区域的水文地形资料,划分网格;
S12、建立历史台风数据库,选择风场模型模拟台风风场,并对风场进行验证;
S13、基于海洋模型或水动力模型建立目标区域的水动力模型并验证;
网格边界选取:从全球潮汐模型FES2014中提取8个分潮S2、M2、K1、K2、O1、N2、P1、Q1,根据各分潮的幅值和相位计算开放边界处的潮汐水位,将潮汐水位、混合风场施加在边界上模拟天文潮和风暴潮,并分别进行验证;天文潮和风暴潮的实测资料从气象网站、文献和纸质书籍中获取;
S14、构建数值实验,分离天文潮-风暴潮非线性水位;
S15、针对每一个风暴潮事件计算其最大风暴潮时刻对应的天文潮-风暴潮非线性水位占比和纯风暴增水占比,建立每个网格点上两变量间的固定回归模型;
最大风暴潮时天文潮-风暴潮非线性水位占比和纯风暴增水占比/>如下:
Ⅲ,
Ⅳ,
式中,为纯风暴增水与天文潮线性叠加的最大值,变量/>随变量/>的增加呈现出先增加后减小的趋势关系,使用多元回归方程对近岸地区所有网格点拟合这两个变量的散点;
所述用于拟合变量、变量/>的多元回归方程如下所示:
Ⅴ,
式中,a、b、c、d为使用最小二乘法拟合某网格点多元回归方程的系数;
S2、预测风暴潮极端水位
S21、模拟一个完整天文潮周期的天文潮;
S22、将风暴增水与天文潮线性叠加,将每一场风暴潮事件对应的纯风暴增水与500段随机天文潮线性叠加;
S23、计算每段线性叠加水位的最大值以及最大值时刻对应的风暴增水占比,依据每点固定的统计关系估计非线性水位;
S24、运用经验分布法或广义帕累托分布计算指定重现期的极端风暴潮位。
2.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S11包括:
目标区域的地形资料由最新日期的海图数字化得到,并将数据统一到当地平均海平面,计算网格要求完整的覆盖目标区域,采用软件SMS划分。
3.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S12包括:
从气象网站上下载历史台风路径数据集,选取目标区域网格200km范围以内的历史台风,风场模型采用Holland风场和ERA5再分析风场的混合风场模型,混合方法公式为:
Ⅰ,
式中,为混合风场,/>为Holland参数化风场,/>为ERA5再分析风场,/>为最大风速半径,/>为距离台风中心的距离,/>为权重因子,风场的实测数据从气象网站、文献和纸质书籍中获取,采用均方根误差、平均绝对误差和相关系数作为模型验证的误差评价指标。
4.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S14包括:
基于海洋模型或水动力模型构建EXP-PS、EXP-PT和EXP-ST三个数值实验,其中EXP-PS是指在数值模拟中仅施加风和大气压力场,输出的结果为纯风暴增水,EXP-PT是指在模型边界处仅施加连续时间序列的天文潮位,输出的结果为天文潮/>,EXP-ST是指风暴潮和天文潮的全耦合模拟,输出的结果为风暴总潮位/>,对三个数值实验执行减法分离天文潮-风暴潮非线性水位/>为:
Ⅱ。
5.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S22包括:
随机天文潮的时间根据历史台风发生的时间采用蒙特卡洛方法抽取,每一个风暴潮事件中的天文潮数据长度与风暴增水数据长度一致。
6.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S23包括:
根据风暴增水与天文潮叠加的每段水位计算和/>,并将其带入到各点固定的多元回归方程中,计算出/>,再根据下面的公式估算极值处的非线性水位/>:
Ⅵ。
7.根据权利要求1所述的预测极端风暴潮位的方法,其特征在于,所述步骤S24包括:
极端风暴潮样本按照经验分布法求重现期:
Ⅶ,
Ⅷ,
式中,代表给定极值潮位/>在秩/>下的超越概率,/>为样本数量,/>为样本长度,重现期/>为超越概率/>的倒数,当样本不足时,需要使用GPD分布拟合样本以延长曲线;GPD分布计算公式如下:
Ⅸ,
式中,为位置参数,/>为形状参数,/>为尺度参数,/>为超过阈值/>的平均每年样本数量,符合泊松过程,对于重现期为m年对应的风暴潮/>,采用下面公式计算:
Ⅹ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674295.6A CN117390894B (zh) | 2023-12-08 | 2023-12-08 | 一种预测极端风暴潮位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674295.6A CN117390894B (zh) | 2023-12-08 | 2023-12-08 | 一种预测极端风暴潮位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390894A CN117390894A (zh) | 2024-01-12 |
CN117390894B true CN117390894B (zh) | 2024-02-20 |
Family
ID=89472386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674295.6A Active CN117390894B (zh) | 2023-12-08 | 2023-12-08 | 一种预测极端风暴潮位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390894B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688853B (zh) * | 2024-02-04 | 2024-04-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于短期潮位和长期气象资料的区域风暴潮破坏性评估方法及系统 |
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 |
CN117973269B (zh) * | 2024-03-29 | 2024-06-07 | 中国海洋大学 | 一种长时序历史海况自动化数值模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110044411A (ko) * | 2009-10-23 | 2011-04-29 | 한국해양연구원 | 연안정밀 폭풍해일 예측 시스템과 연안정밀 폭풍 해일 예측 방법 |
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 |
RU2652642C1 (ru) * | 2016-12-19 | 2018-04-28 | Василий Николаевич Храмушин | Способ построения гидродинамической модели источника штормовых нагонов и экстремальных течений под воздействием подвижного атмосферного тайфуна |
CN112036691A (zh) * | 2020-07-24 | 2020-12-04 | 东南大学 | 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 |
CN112085270A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 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 |
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10204193B2 (en) * | 2015-08-07 | 2019-02-12 | Qrisq Analytics, LLC | Large scale analysis of catastrophic weather damage |
-
2023
- 2023-12-08 CN CN202311674295.6A patent/CN117390894B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110044411A (ko) * | 2009-10-23 | 2011-04-29 | 한국해양연구원 | 연안정밀 폭풍해일 예측 시스템과 연안정밀 폭풍 해일 예측 방법 |
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 |
RU2652642C1 (ru) * | 2016-12-19 | 2018-04-28 | Василий Николаевич Храмушин | Способ построения гидродинамической модели источника штормовых нагонов и экстремальных течений под воздействием подвижного атмосферного тайфуна |
CN112036691A (zh) * | 2020-07-24 | 2020-12-04 | 东南大学 | 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 |
CN112085270A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 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 |
CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
南海区高分辨率非线性耦合作用台风风暴潮数值预报试验与研究;李希茜;林丽茹;赵雪;宋萍萍;冯伟忠;;海洋预报;20081115(04);全文 * |
王燕妮 ; 吕晓凤 ; 郝嘉凌 ; 吴亚男 ; 邱婷 ; 陈钰祥 ; 左军成 ; .珠江口沿岸极值增水的空间分布.海洋预报.2017,(05),全文. * |
端义宏,朱建荣,秦曾灏,龚茂.一个高分辨率的长江口台风风暴潮数值预报模式及其应用.海洋学报(中文版).2005,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117390894A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117390894B (zh) | 一种预测极端风暴潮位的方法 | |
Slivinski et al. | Towards a more reliable historical reanalysis: Improvements for version 3 of the Twentieth Century Reanalysis system | |
Zheng et al. | Rezoning global offshore wind energy resources | |
Costoya et al. | Projections of wind energy resources in the Caribbean for the 21st century | |
Fadare | The application of artificial neural networks to mapping of wind speed profile for energy application in Nigeria | |
Bukovsky et al. | A brief evaluation of precipitation from the North American Regional Reanalysis | |
Bekele et al. | Wind energy potential assessment at four typical locations in Ethiopia | |
CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
Costoya et al. | Using bias-correction to improve future projections of offshore wind energy resource: A case study on the Iberian Peninsula | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Bett et al. | Using the Twentieth Century Reanalysis to assess climate variability for the European wind industry | |
Davy et al. | Interannual variability of solar energy generation in Australia | |
Sasaki | Predictability of global offshore wind and wave power | |
Bae et al. | Utilization of the Bayesian method to improve hydrological drought prediction accuracy | |
Şahin | A new formulation for solar irradiation and sunshine duration estimation | |
WO2024031449A1 (zh) | 一种基于网格聚类的峡谷风电短期功率预测方法 | |
Wimmer et al. | Distributed modelling of climate change impacts on snow sublimation in Northern Mongolia | |
Yin et al. | East Asia reanalysis system (EARS) | |
Zhang et al. | Reconstruction of cropland spatial patterns and its spatiotemporal changes over the 20th century on the Songnen Plain, Northeast China | |
Alanazi et al. | Wind energy assessment using Weibull distribution with different numerical estimation methods: a case study | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
Shukur et al. | Climatic temperature data forecasting in Nineveh governorate using the recurrent neutral network method | |
Ali et al. | Statistical study and evaluation of six numerical methodes to predict wind speed parameters of the Weibull function in Al-Aziziyah, Libya | |
Nemes | Statistical analysis of wind speed profile: a case study from Iasi Region, Romania |
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 |