CN117709131A - 近岸风暴潮高精度批量数值模拟方法及系统 - Google Patents
近岸风暴潮高精度批量数值模拟方法及系统 Download PDFInfo
- Publication number
- CN117709131A CN117709131A CN202410162958.4A CN202410162958A CN117709131A CN 117709131 A CN117709131 A CN 117709131A CN 202410162958 A CN202410162958 A CN 202410162958A CN 117709131 A CN117709131 A CN 117709131A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- data
- influence
- wind speed
- wind
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000012876 topography Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000010668 complexation reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种近岸风暴潮高精度批量数值模拟方法,获取待测区域的研究数据进行预处理;对待测区域的研究数据进行分析,生成预设中心点;以预设中心点为圆心,根据预设半径划定第一影响范围,基于历史台风数据,逐一查找与第一影响范围相交的历史台风,并计算其影响时长,基于每场台风的台风路径、影响范围和影响时长生成台风路径数据集;结合待测区域的水文数据生成模拟风暴潮备选集合;采集近岸气象站点的实测风速数据进行修正,构建风暴潮数值模拟模型,并进行训练,得到最终风暴潮数值结果。本发明通过精确的数据处理和模型修正,实现了对风暴潮的精细化模拟,对于预测和防范风暴潮灾害具有重要的实际意义和应用价值。
Description
技术领域
本发明涉及风暴潮预测技术领域,尤其涉及一种近岸风暴潮高精度批量数值模拟方法及系统。
背景技术
在气候变化背景下,极端天气和气候事件频发。20世纪70年代以来,全球海洋持续变暖,超强台风出现的比例明显变大,东亚和东南亚沿海地区登陆的强台风数量明显增加。对河口地区堤防等防洪基础设施,人民生命安全和城市发展构成重大威胁。
采用风暴潮数值模拟的方法可以通过计算机用较小的成本完成台风期间沿海水位变化进行复现,但也存在以下问题:在某处可能产生风暴潮的台风识别问题。西太平洋每年发生的台风较多,但只有部分台风会在某一具体地点产生风暴潮。在没有实测水位的前提下,要判定这些台风是相当困难的。台风风场的问题。风暴潮数值模拟精度很大程度上依赖台风驱动风场的精度。采用WRF等模型计算风场较为耗时,因此风暴潮计算采用的风场一般为背景风场和经验风场的组合。由于受下垫面的变化的影响,如陆地,森林,山体等,在近岸附近风速可能发生一定衰减或加强,风向可能发生一定偏转,不完全受经验风场公式的约束。数值模拟计算设置复杂耗时的问题。每次台风来临时风暴潮计算工况都要重新设置,较为繁琐。
为此,亟需一种可以减少区域风暴潮模拟组次、提高近岸驱动风场精度的高度自动化的风暴潮批量数值模拟方法。
发明内容
发明目的,解决现有技术在批量模拟风暴潮时,参数设置繁琐,无法实时动态模拟,自动化低下,识别方法复杂并且计算结果精度低的问题。
技术方案,根据本申请的一个方面,提供一种近岸风暴潮高精度批量数值模拟方法,包括如下步骤:
步骤S1、确定研究区域的范围,获取研究数据,构建水动力模型;所述研究数据包括海域水下地形数据、水文数据、风速数据、台风路径数据和背景风场数据;
步骤S2、基于研究区域,确定台风影响区域边界,筛选出与台风影响区域边界交叠的每场台风,获取台风路径数据;
步骤S3、针对与台风影响区域边界交叠的每场台风,逐一计算台风影响时间,获取台风进入台风影响区域边界和离开台风影响区域边界的时刻;
步骤S4、获取研究数据,提取各个站点的近岸实测风速并修正;获取研究数据,提取各个站点的实测气压,并计算最大风速半径;调取Holland模型和ERA5再分析数据集生成组合风场,结合近岸实测风速和最大风速半径,采用反距离平方法修正近岸区域风场;
步骤S5、根据水动力模型的开边界位置、台风编号和计算时间,提取调和常数并生成开边界水位驱动文件,结合风场进行批量风暴潮数值模拟。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、收集海域水下地形数据,下载全球水深数据,用于构建水动力模型的计算网格;
步骤S12、收集最佳台风路径数据,下载预定年份的台风路径数据;
步骤S13、收集ERA5背景风场数据,下载长期的用于生成组合风场的背景风场数据;
步骤S14、构建FVCOM三维模型,并设置模型参数,模型参数包括水深、外海开边界驱动水位过程线、垂向层数、底拖曳力系数和风应力系数;
其中,底拖曳力系数Cd=gn2/H1/3;式中,g为重力加速度;H为水深;n为Manning系数,设截断水深为1 m,即当水深小于1 m时,Manning系数不再随水深变化;
当丨U10丨≤11m/s;风应力系数C D S =0.0012;
当丨U10丨≥11 m/s;风应力系数C D S =10 -3 (0.49+0.065丨U10丨);
当丨U10丨≥25m/s;风应力系数C D S =10-3(0.49+0.065×25);
式中,U10为10 m的风速。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、以研究区域为基础,划定台风影响范围并栅格化,构建台风影响栅格矩阵;
步骤S22、基于下垫面情况,对栅格进行聚类并分配影响系数,形成与台风影响栅格矩阵同型的影响系数矩阵;
步骤S23、调取每类栅格预配置的影响系数阈值并构建栅格影响系数阈值矩阵;将影响系数矩阵与影响系数阈值矩阵作差并二值化,然后与台风影响栅格矩阵作哈达玛乘积运算,得到台风影响区域边界;
步骤S24、提取台风影响区域边界上边缘点的经纬坐标极值,形成台风筛选范围,并跟台风路径数据中的每场台风路径进行对比,判断是否位于台风筛选范围内,若是,将台风放入第一集合。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、获取与台风影响区域边界交叠的每场台风,计算出台风进入台风影响圆的时间和离开该圆形区域的时间,取两个时间的中间时刻t0;
步骤S32、以时刻t0为中心,前后分别延展M天和N天,即可得到模型初始计算时间区间;N、M为正整数;
步骤S33、根据台风的生成时间和消散时间,与初始计算时间区间取交集,可得到最终计算时间区间。
根据本申请的一个方面,所述步骤S4进一步为:
S41、采集近岸气象站点的实测风速数据;所述风速数据包括风速数据、风向数据和气压数据;通过近岸气象站点对海面的实测风速数据进行校正,(U10)海=KDC(U10)陆;KDC为海陆风速换算系数,DC为陆地测站到海面的距离;
S42、根据实测风速数据中的气压数据,采用Myers气压场模式计算出风速半径的实测值Rmax,计算公式如下:
Rmax=r1n(△p/(P-P0);
式中,P为距离台风中心r处的气压;P0为台风中心最低气压;△p为台风中心最低气压与外界大气压差的绝对值;
S43、通过计算待测区域预设半径的内外风速值,对风速半径值Rmax进行校正,计算公式如下:
Rcor=kRRcal;kR=(1/n)∑ n i=1 (Robs(i)/Rcal(i));
式中,Rcor为校正后的风速半径值,Rcal为待测区域预设半径外台风路径的风速半径值,kR为校正系数;Robs为待测区域预设半径内台风路径的风速半径值;
S44、通过Holland模型和ERA5分析数据集生成组合风场,基于沿海气象站点实测风速,采用反距离平方插值法对影响范围内风场进行修正,计算公式如下:
Wcor(x,y,t)=kW(x,y,t) W (x,y,t);
当x=xi,y=yi;kW(x,y,t)=Wobs(xi,yi,t))/W(xi,yi,t));
当x≠xi,y≠yi;kW(x,y,t)={∑n i=1(Wobs(xi,yi,t)/ (W(xi,yi,t)d2 i(x,y)))}/(∑n i=1(1/d2 i(x,y));
式中,Wcor(x,y,t)为风场中坐标为(x,y)点在t时刻修正后的风速;W为修正前的组合风场风速;kW为风速校正系数;Wobs(xi,yi,t)为n个气象站点中第i个站点在t时刻的风速观测值;di(x,y)为待修正点距离第i个气象站点的距离,di(x,y)=sqrt((x-xi)2+(y-yi)2)。
根据本申请的一个方面,所述步骤S5进一步为:
步骤S51、根据水动力数学模型的开边界位置,下载相应的调和常数文件,包括振幅和相位;
步骤S52、根据台风编号和计算时间,利用调和分析法,计算出开边界水位的时间序列;
步骤S53、将开边界水位的时间序列写入水动力模型的驱动文件中,与组合风场一起作为输入数据;运行水动力模型,求解风暴潮的控制方程,得到风暴潮的水位、流速和流向的时空分布,输出结果。
根据本申请的一个方面,所述步骤S2还包括:
步骤S25、从第一集合中依序提取每场台风,获取台风的数据,以风眼为圆心,根据预设半径划定第二影响区域并栅格化,形成与台风影响栅格矩阵同尺度的台风移动栅格矩阵,根据栅格中的风速构建台风移动栅格矩阵的台风系数矩阵;
步骤S26、获取台风生成时间和消散时间,然后划分为预定数量个时刻,针对每个时刻,计算台风移动栅格矩阵与台风影响栅格矩阵重叠的区域,提取重叠区域,并计算台风系数矩阵和影响系数矩阵的哈达玛积,得到综合影响指标;
步骤S27、累加每场台风的所有时刻的综合影响指标,输出为该场台风的最终影响指标。
根据本申请的另一个方面,提供一种近岸风暴潮高精度批量数值模拟系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的近岸风暴潮高精度批量数值模拟方法。
有益效果
1、本发明通过采用高精度数值模型、结合实测数据和统计分析,能够更准确地模拟和预测风暴潮的动态变化,可以快速、准确地模拟和预测风暴潮和近岸海洋环境,有助于更好地理解和预测自然灾害,为灾害预防和应对提供科学依据。
可自动选择计算的台风编号和时间,在没有当地实测水位的前提下,仅依靠台风路径与研究区域的距离对台风时候会在当地产生风暴潮进行了判定,减少了后期风暴潮计算组次,提高了计算效率,实现了高度自动化的风暴潮批量模拟。
2、本发明充分利用沿海气象站点的气压、风速和风向资料,不仅对经验模型中的参数进行了修正,还对最后的风场进行了校正,并结合待测区域的海域水下地形数据和待测区域的地理数据,使风场数据更精细化,减少了后期风暴潮计算组次,提高了计算效率,实现了高度自动化的风暴潮批量模拟。
附图说明
图1为本发明的流程图。
图2为本发明步骤S1的流程图。
图3为本发明步骤S2的流程图。
图4为本发明步骤S3的流程图。
图5为本发明步骤S4的流程图。
图6为本发明步骤S5的流程图。
具体实施方式
如图1至图6所示,描述实施例一和二。
实施例一
提供一种近岸风暴潮高精度批量数值模拟方法,包括如下步骤:
步骤S1、确定研究区域的范围,获取研究数据,构建水动力模型;所述研究数据包括海域水下地形数据、水文数据、风速数据、台风路径数据和背景风场数据;
步骤S11、收集海域水下地形数据,下载全球水深数据,用于构建水动力模型的计算网格;
步骤S12、收集最佳台风路径数据,下载预定年份的台风路径数据;
步骤S13、收集ERA5背景风场数据,下载长期的用于生成组合风场的背景风场数据;
步骤S14、构建FVCOM三维模型,并设置模型参数,模型参数包括水深、外海开边界驱动水位过程线、垂向层数、底拖曳力系数和风应力系数;
其中,底拖曳力系数Cd=gn2/H1/3;式中,g为重力加速度;H为水深;n为Manning系数,设截断水深为1 m,即当水深小于1 m时,Manning系数不再随水深变化;
当丨U10丨≤11m/s;风应力系数C D S =0.0012;
当丨U10丨≥11 m/s;风应力系数C D S =10 -3 (0.49+0.065丨U10丨);
当丨U10丨≥25m/s;风应力系数C D S =10-3(0.49+0.065×25);
式中,U10为10 m的风速。
步骤S2、基于研究区域,确定台风影响区域边界,筛选出与台风影响区域边界交叠的每场台风,获取台风路径数据;
步骤S21、以研究区域为基础,划定台风影响范围并栅格化,构建台风影响栅格矩阵;
步骤S22、基于下垫面情况,对栅格进行聚类并分配影响系数,形成与台风影响栅格矩阵同型的影响系数矩阵;
步骤S23、调取每类栅格预配置的影响系数阈值并构建栅格影响系数阈值矩阵;将影响系数矩阵与影响系数阈值矩阵作差并二值化,然后与台风影响栅格矩阵作哈达玛乘积运算,得到台风影响区域边界;
步骤S24、提取台风影响区域边界上边缘点的经纬坐标极值,形成台风筛选范围,并跟台风路径数据中的每场台风路径进行对比,判断是否位于台风筛选范围内,若是,将台风放入第一集合。
步骤S25、从第一集合中依序提取每场台风,获取台风的数据,以风眼为圆心,根据预设半径划定第二影响区域并栅格化,形成与台风影响栅格矩阵同尺度的台风移动栅格矩阵,根据栅格中的风速构建台风移动栅格矩阵的台风系数矩阵;
步骤S26、获取台风生成时间和消散时间,然后划分为预定数量个时刻,针对每个时刻,计算台风移动栅格矩阵与台风影响栅格矩阵重叠的区域,提取重叠区域,并计算台风系数矩阵和影响系数矩阵的哈达玛积,得到综合影响指标;
步骤S27、累加每场台风的所有时刻的综合影响指标,输出为该场台风的最终影响指标。
步骤S3、针对与台风影响区域边界交叠的每场台风,逐一计算台风影响时间,获取台风进入台风影响区域边界和离开台风影响区域边界的时刻;
步骤S31、获取与台风影响区域边界交叠的每场台风,计算出台风进入台风影响圆的时间和离开该圆形区域的时间,取两个时间的中间时刻t0;
步骤S32、以时刻t0为中心,前后分别延展M天和N天,即可得到模型初始计算时间区间;N、M为正整数;
步骤S33、根据台风的生成时间和消散时间,与初始计算时间区间取交集,可得到最终计算时间区间。
步骤S4、获取研究数据,提取各个站点的近岸实测风速并修正;获取研究数据,提取各个站点的实测气压,并计算最大风速半径;调取Holland模型和ERA5再分析数据集生成组合风场,结合近岸实测风速和最大风速半径,采用反距离平方法修正近岸区域风场;
S41、采集近岸气象站点的实测风速数据;所述风速数据包括风速数据、风向数据和气压数据;通过近岸气象站点对海面的实测风速数据进行校正,(U10)海=KDC(U10)陆;KDC为海陆风速换算系数,DC为陆地测站到海面的距离;
S42、根据实测风速数据中的气压数据,采用Myers气压场模式计算出风速半径的实测值Rmax,计算公式如下:
Rmax=r1n(△p/(P-P0);
式中,P为距离台风中心r处的气压;P0为台风中心最低气压;△p为台风中心最低气压与外界大气压差的绝对值;
S43、通过计算待测区域预设半径的内外风速值,对风速半径值Rmax进行校正,计算公式如下:
Rcor=kRRcal;kR=(1/n)∑ n i=1 (Robs(i)/Rcal(i));
式中,Rcor为校正后的风速半径值,Rcal为待测区域预设半径外台风路径的风速半径值,kR为校正系数;Robs为待测区域预设半径内台风路径的风速半径值;
S44、通过Holland模型和ERA5分析数据集生成组合风场,基于沿海气象站点实测风速,采用反距离平方插值法对影响范围内风场进行修正,计算公式如下:
Wcor(x,y,t)=kW(x,y,t) W (x,y,t);
当x=xi,y=yi;kW(x,y,t)=Wobs(xi,yi,t))/W(xi,yi,t));
当x≠xi,y≠yi;kW(x,y,t)={∑n i=1(Wobs(xi,yi,t)/ (W(xi,yi,t)d2 i(x,y)))}/(∑n i=1(1/d2 i(x,y));
式中,Wcor(x,y,t)为风场中坐标为(x,y)点在t时刻修正后的风速;W为修正前的组合风场风速;kW为风速校正系数;Wobs(xi,yi,t)为n个气象站点中第i个站点在t时刻的风速观测值;di(x,y)为待修正点距离第i个气象站点的距离,di(x,y)=sqrt((x-xi)2+(y-yi)2);
步骤S5、根据水动力模型的开边界位置、台风编号和计算时间,提取调和常数并生成开边界水位驱动文件,结合风场进行批量风暴潮数值模拟。
步骤S51、根据水动力数学模型的开边界位置,下载相应的调和常数文件,包括振幅和相位;
步骤S52、根据台风编号和计算时间,利用调和分析法,计算出开边界水位的时间序列;
步骤S53、将开边界水位的时间序列写入水动力模型的驱动文件中,与组合风场一起作为输入数据;运行水动力模型,求解风暴潮的控制方程,得到风暴潮的水位、流速和流向的时空分布,输出结果。
在本实施例中,能够实现近岸风暴潮的高精度批量数值模拟,能够同时考虑多场台风的影响,提高模拟的效率和准确性。采用FVCOM三维模型,能够适应复杂的海岸线和水下地形,保证了模拟的精度和稳定性。采用Holland模型和ERA5分析数据集生成组合风场,能够反映台风的结构和变化,提高了风场的真实性和可靠性。采用了反距离平方插值法对近岸区域风场进行修正,能够利用近岸气象站点的实测风速和最大风速半径,提高了风场的精度和适应性。采用调和分析法生成开边界水位驱动文件,能够利用调和常数文件,提高了水位的精度和稳定性。
实施例二
提供一种近岸风暴潮高精度批量数值模拟方法,该模拟方法包括以下步骤:
S1,获取待测区域的研究数据,进行预处理;所述研究数据包括待测区域的海域水下地形数据、待测区域的地理数据、待测区域的水文数据、历史台风数据和背景风场数据。
S2,对待测区域的研究数据进行分析,生成预设中心点;以预设中心点为圆心,根据预设半径划定第一影响范围,基于历史台风数据,逐一查找与第一影响范围相交的历史台风,并计算其影响时长,基于每场台风的台风路径、影响范围和影响时长生成台风路径数据集。
S3,根据台风路径数据集,映射出每场台风对应时间段内待测区域的水文数据,得到模拟风暴潮备选集合。
S4,采集近岸气象站点的实测风速数据,结合待测区域的海域水下地形数据和待测区域的地理数据对模拟风暴潮备选集合进行修正。
S5,构建风暴潮数值模拟模型,并将修正后的模拟风暴潮备选集合送入风暴潮数值模拟模型进行训练。
S6,利用训练好的风暴潮数值模拟模型进行分析,得到最终风暴潮数值结果。
本实施例,假设正在研究一个沿海地区的风暴潮影响。这个地区有许多重要的港口、城市和基础设施,因此准确预测风暴潮的影响非常重要。
首先获取待测区域的海域水下地形数据,如水深、海底地貌等。待测区域的地理数据,如地理位置、地形地貌等。待测区域的水文数据,如潮汐、流速、流向等。历史台风路径数据,记录台风的生成时间、移动路径、风速等信息。背景风场数据,了解该地区常年风向和风速。
对待测区域的研究数据进行分析,生成预设中心点;以预设中心点为圆心,设定一个预设半径,例如500公里。从历史台风路径数据中调取所有与该影响范围相交或相切的历史台风数据。对于每个台风,提取其关键信息,如生成时间、消散时间、移动路径等,并标记唯一编号,再按序计算相关台风对待测区域的影响时长,生成模拟台风路径数据集。
根据生成模拟台风路径数据集中的台风,结合其路径和时间信息,筛选每个台风对应时间段内的水文数据,生成模拟风暴潮备选集合。
根据近岸气象站点的实测风速数据,结合待测区域的海域水下地形数据和待测区域的地理数据对模拟风暴潮备选集合中数据进行修正
构建风暴潮数值模拟模型,将修正后的模拟风暴潮备选集合作为输入,训练该模型。
最后,使用训练好的模型对特定台风进行模拟和分析,根据模拟结果,预测风暴潮的影响程度和范围。
根据本申请的一个方面,所述步骤S2进一步为:
S21,对待测区域的研究数据进行分析,生成预设中心点;以预设中心点为圆心,根据预设半径划定第一影响范围,在所述第一影响范围内创建网格,得到多个第一影响范围内的网格子区域;结合待测区域的海域水下地形数据和待测区域的地理数据,对第一影响范围内的网格子区域进行修正。
S22,基于历史台风数据,以任意一场台风的风眼为圆心,根据预设半径划定第二影响范围,在所述第二影响范围内创建网格,得到多个第二影响范围内的网格子区域;结合背景风场数据对第二影响范围内的多个网格子区域进行修正。
S23,将修正后的第一影响范围的网格子区域与第二影响范围内的网格子区域进行分析,若存在重叠的区域,则将该重叠区域标记为目标网格子区域。
S24,根据预设时间周期,重复步骤S23,得到所有的目标网格子区域。
S25,基于目标网格子区域,计算该场台风对待测区域的影响时长,计算方式如下:
α=[tg, td]。
β=[(t1+t2)/2-168,(t1+t2)/2+72]。
y=α∩β。
式中,α为台风生命周期;β为风暴潮数值模拟模型初始计算时间区间;y为对研究区域的影响时长;tg为历史台风的生成时间;td为历史台风的消散时间;t1为历史台风进入影响范围内的时间;t2为历史台风离开影响范围内的时间t2。
S26,重复步骤S22-S25,直至遍历完所有的历史台风数据,基于每场台风的台风路径、影响范围和影响时长生成台风路径数据集。
本实施例,需要识别影响研究区域的台风路径,缩小数值模拟计算范围和组次。西太平洋洋面平均每年生成台风众多,但是具体影响某一研究区域的台风可能只有几场。因此以研究区域为圆心,500km为半径,约为10倍最大风速半径划定范围,认为只有进入该圆形区域的台风才会在研究区引起风暴潮,即线与圆相交或相切。这样可以减少80%~90%的计算组次。
具体的,以待测区域为圆心,根据历史数据中台风的平均影响范围,设定500km为半径,以此划定台风可能影响的范围。在这个范围内,创建了一个网格系统,将影响范围划分为多个小的子区域。此外,还结合了待测区域的海域水下地形数据和地理数据,对网格子区域进行了修正,以确保网格能够更准确地反映该区域的实际情况。
接下来,基于历史台风数据,对每场台风的风眼位置进行定位,并以此为圆心创建了一个网格系统。这样,得到了每场台风路径的网格子区域。为了确保数据的准确性,还结合了背景风场数据对台风路径的网格子区域进行了修正。
在得到每场台风路径实际的网格子区域后,将它们与实际影响范围内的网格子区域进行了对比分析。如果某个台风路径的网格子区域与实际影响范围内的网格子区域存在相交或相切的区域,那么我们将该台风标记为相关的台风。提取其历史数据并标记唯一编号,生成台风路径数据集。
台风与研究区域之间的距离是影响风暴增水大小的重要指标。在一定范围内,台风越接近研究区域引起强增水的可能性越大。但在没有潮位资料的前提下,仅根据台风路径等气象信息无法准确判定台风在研究区是否产生增水。因此,为从数量上缩小台风研究范围,本实施例提出台风影响圆半径为500km的假设。将长江口被台风可能影响的范围概化为一个以崇明岛东岸122°E, 31.5°N为圆心,10倍台风最大风速半径约500 km为半径的圆形区域。当台风路径与长江台风影响圆相交或相切时,则认为该台风可能在长江口引起风暴增水。
在某个实施例中,仿真结果显示,长江口增水发生时间和台风影响长江口的时间非常吻合,每个圆点都被覆盖,而少量没有被覆盖。
确定每场台风在数值模型中的计算时间。在批量计算中,风暴潮的计算时间往往是不易确定的。已知台风从生成tg到消散td的时间区间为[tg, td],记为α。可以计算出台风进入某研究区域台风影响圆的时间t1和离开该圆型区域的时间t2,取两个时间的中间时刻t0=(t1+t2)/2前后分别延展7天和3天,即可得到模型初始计算时间区间[(t1+t2)/2-168,(t1+t2)/2+72],记为β。由于一些台风的生命周期较短,可能在进入台风影响圆后很快消散,即不足3天,或生成地离岸较近,生成后很快就进入了台风影响圆即不足7天,即β不包含于α。因此,最终计算时间γ取两者的交集,即y=α∩β。
根据本申请的一个方面,所述步骤S24还包括以下步骤:
S24a,对于每个目标网格子区域,根据其所属的第一影响范围和第二影响范围,分别计算其受到的台风风速和风向的影响,得到两个风场矩阵;
S24b,将两个风场矩阵按照预设比例进行加权平均,得到一个综合风场矩阵;
S24c,根据综合风场矩阵,计算目标网格子区域的风暴潮增水量,得到一个增水矩阵;
S24d,将增水矩阵与待测区域的海域水下地形数据和地理数据进行叠加,得到一个超矩阵;
S24e,重复步骤S24a-S24d,得到所有目标网格子区域的超矩阵,将所有目标网格子区域的超矩阵拼接成一个完整的超矩阵。
本实施例,首先,计算网格子区域A在第一影响范围和第二影响范围内分别受到的风速和风向。例如,在第一影响范围内,风速为5米/秒,风向为东北;在第二影响范围内,风速为6米/秒,风向为东南。
如果第一影响范围占据了70%的权重,而第二影响范围占据了30%的权重,那么网格子区域A的综合风速和风向通过加权平均得到。
有了综合风场矩阵后,计算网格子区域A的风暴潮增水量。结合台风的风速、风向、气压差和地形等因素计算增水量。
将增水矩阵与待测区域的海域水下地形数据和地理数据进行叠加,得到一个超矩阵。这个超矩阵包含了网格子区域A的所有相关信息,如风速、风向、增水量和地形等。
重复上述步骤S24a-S24d,可以得到所有目标网格子区域的超矩阵。最后,将这些超矩阵拼接成一个完整的超矩阵。
根据本申请的一个方面,所述步骤S3进一步为:
S31,从研究数据中调取待测区域的水文数据;所述水文数据包括潮汐、海浪、流速和流向。
S32,根据模拟台风路径数据集,对每场台风生命周期内的水文数据进行筛选和匹配,提取匹配数据,生成模拟风暴潮备选集合。
本实施例,从研究数据中获取待测区域的水文数据,包括潮汐、海浪、流速和流向等。
根据模拟台风路径数据集中获取的与影响范围相关的台风数据,对其生命周期内的水文数据进行筛选,例如,对于一个从某年7月1日开始在影响范围内出现的台风,则筛选出影响范围内7月1日的水文数据,生成模拟风暴潮备选集合,这里水文数据包括7月1日当天不同时间点的潮汐高度、海浪大小、流速等数据。
根据本申请的一个方面,所述步骤S4进一步为:
S41,采集近岸气象站点的实测风速数据;所述风速数据包括风速数据、风向数据和气压数据。
S42,根据实测风速数据中的气压数据,采用Myers气压场模式计算出风速半径的实测值Rmax,计算公式如下:
Rmax=r1n(△p/(P-P0)。
式中,P为距离台风中心r处的气压;P0为台风中心最低气压;△p为台风中心最低气压与外界大气压差的绝对值。
S43,通过计算待测区域预设半径的内外风速值,对风速半径值Rmax进行校正,计算公式如下:
Rcor=kRRcal。
kR=(1/n)∑ n i=1 (Robs(i)/Rcal(i))。
式中,Rcor为校正后的风速半径值,Rcal为待测区域预设半径外台风路径的风速半径值,kR为校正系数;Robs为待测区域预设半径内台风路径的风速半径值。
S44,通过Holland模型和ERA5分析数据集生成组合风场,基于沿海气象站点实测风速,采用反距离平方插值法对影响范围内风场进行修正,计算公式如下:
Wcor(x,y,t)=kW(x,y,t)W (x,y,t)。
当x=xi,y=yi;kW(x,y,t)=Wobs(xi,yi,t))/W(xi,yi,t));
当x≠xi,y≠yi;kW(x,y,t)={∑n i=1(Wobs(xi,yi,t)/ (W(xi,yi,t)d2 i(x,y)))}/(∑n i=1(1/d2 i(x,y));
式中,Wcor(x,y,t)为风场中坐标为(x,y)点在t时刻修正后的风速;W为修正前的组合风场风速;kW为风速校正系数;Wobs(xi,yi,t)为n个气象站点中第i个站点在t时刻的风速观测值;di(x,y)为待修正点距离第i个气象站点的距离,di(x,y)=(x-xi)2+(y-yi)2。
S45,将修正后的风场与待测区域的海域水下地形数据和待测区域的地理数据进行结合,对模拟风暴潮备选集合进行修正。
本实施例,由于陆地底摩阻较大,因此由海到陆风速回发生衰减。通过对近海的陆地气象站点测得的风速进行加强,以应用海面风场的计算和修正。
在某个实施例中,长江口风暴潮驱动风场的修正共采用了13个实测气象站点的风压数据,对于近海气象站点只采用其气压值计算最大风速半径;对于沿海气象站点,同时采用气压和风速值对风暴潮模型驱动风场进行修正。海面上进行系统风速观测的测站很少,当站点位于岛屿或海岸线附近时,即认为其为海上站点,到海面的距离为0;当站点距离海岸稍远时,采用下式对近海的陆地站风速进行加强:
(U10)海=KDC·(U10)陆。
其中,KDC为海、陆风速换算系数,DC为陆地测站到海面的距离(km),
根据上述公式,虹桥和温州站KDC取值分别为1.19和1.14。气象站点实测数据的时间跨度一般为1959~2020年,其中1965~1972年数据缺测。气象数据的时间间隔一般为3 h,每天8次,但并不绝对。部分早期数据时间间隔为6 h,部分近年数据时间间隔1h。为保持一致,本发明将风速矢量分解为正东分量和正北分量后分别插值至1小时间隔。1968年以前大部分台站使用风压板测风,这种方法除目测误差外,还存在由风的阵发性导致的风压板惯性误差。鉴于1968年以前的测风资料存在精度低、连续性较差的缺陷,在计算风暴潮驱动风暴场时舍弃部分早期气象资料,从1973年后开始启用。
本实施例采用实测气象站点的气压数据来确定上述该参数。
最大风速半径Rmax决定了台风场的大小。由于不同台风的结构特性存在差异,目前尚无统一的、可描述所有海域台风的最大风速半径公式。因此最大风速半径公式的选择是台风场模拟精度的关键参数之一。采用实测数据可以验证模型结果,进而调整模型参数。当台风采样点附近有实测风压数据时,可基于实测气压值直接推算最大风速半径值,进而为整条台风路径选择较为合理的最大风速半径计算公式。其主要计算依据为Myers气压场模式:
P=P0+△p exp(-Rmax/r) 。
可以推导出:
Rmax=(r1n)((△p)/(P-P0))。
式中,P为距离台风中心r处的气压;P0为台风中心最低气压;△p为台风中心最低气压与外界大气压差的绝对值。最大风速半径Rmax的最终取值为多个站点计算结果的均值。采用实测气压计算第一影响范围半径500km内Rmax值,并选择误差最小的公式计算第一影响范围半径500km外台风路径点的Rmax值,依据第一影响范围半径500km内的平均误差进行修正:
Rcor=kRRcal。
式中,Rcor为校正后的风速半径值,Rcal为待测区域预设半径外台风路径的风速半径值,kR为校正系数;Robs为待测区域预设半径内台风路径的风速半径值。
基于多站点实测风速的组合风场风速校正。近岸处台风受下垫面变化影响,风速和风向都会发生变化,而经验公式中无法描述。本发明基于近岸实测风数据对台风驱动风场进行校正。
通过Holland模型和ERA5再分析数据集生成组合风场后,基于8个沿海气象站实测风速,采用反距离平方法对第一影响范围半径500km范围内风场进行修正,其主要方式为:
Wcor(x,y,t)=kW(x,y,t)W (x,y,t)。
式中,Wcor(x,y,t)为风场中坐标为(x,y)点在t时刻修正后的风速;W为修正前的组合风场风速;kW为风速校正系数;Wobs(xi,yi,t)为n个气象站点中第i个站点在t时刻的风速观测值;di(x,y)为待修正点距离第i个气象站点的距离,di(x,y)=(x-xi)2+(y-yi)2。
组合风场中位于气象站处的风速校正系数kW为站点实测风速和组合风场风速的比值,其他位置的风速校正系数由n个实测气象站点处校正系数的反距离平方插值法计算获得。
在台风风场模型中,最大风速半径Rmax是未知的重要参数,最大风速半径Rmax决定了台风尺度大小。本实施例首先校正了早期台风最大风速,其次通过气象站点实测气压校正并确定了台风最大风速半径 。最后通过沿海气象站点实测风速值校正了近岸区域模型风和背景风的融合风场,得到修正后的风场。
将修正后的风场与待测区域的海域水下地形数据和待测区域的地理数据进行结合,对模拟风暴潮备选集合进行修正。
根据本申请的一个方面,所述步骤S5进一步为:
S51,使用FVCOM构建一个非结构网格的三维数学模型。
S52,获取待测区域的研究数据,将研究数据引入三维数学模型,并根据待测区域的海域水下地形数据、待测区域的地理数据和待测区域的水文数据,设置三维数学模型的网格尺寸和水深尺寸,建立风暴潮数值模拟模型。
S53,利用潮位预测模型NAO.99b设置开放边界条件,并将风暴潮数值模拟模型在垂向上分为6层,采用Manning系数对风暴潮数值模拟模型进行修正,底拖曳力系数Cd计算方式如下:
Cd=gn2/H1/3。
式中,g为重力加速度; H为水深;n为Manning系数,设截断水深为1 m,即当水深小于1 m时Manning系数不再随水深变化。
S54,采用 Large and Pond公式计算风应力系数CS D,计算方式如下:
C D S =0.0012,当丨U10丨≤11m/s。
C D S =10 -3 (0.49+0.065丨U10丨),当丨U10丨≥11 m/s。
C D S =10-3(0.49+0.065×25),当丨U10丨≥25m/s。
式中,U10为10 m风速。
S55,将修正后的模拟风暴潮备选集合送入风暴潮数值模拟模型进行训练。
本实施例,先收集待测区域的海域水下地形数据、待测区域的地理数据、待测区域的水文数据、历史台风路径数据和背景风场数据。
采用FVCOM建立了一个非结构网格、高分辨的三维数学模型,范围覆盖长江下游河段和整个中国东海。模型网格尺度在河口附近的浅水区域约30 m,外海深水区开边界处约6km 。模型水深由多源数据构成,主要包括长江河道断面实测数据,近岸海的河口图数据和大范围全球水深数据GEBCO,即外海数据。外海开边界驱动水位过程线提取自潮位预测模型NAO.99b,使用了13个分潮M2, S2, N2, K2, K1, O1, Q1, P1, MF, MM, M4, MS4, MN4。为达到计算效率和精度的平衡,模型在垂向上分为6层。
FVCOM采用粗糙高度z0作为默认底拖曳力系数Cd计算方式,最小值设为0.0025。该计算方式适用于床面平整、无沙波形态消长、床面阻力以沙粒阻力为主的大洋区域。长江口附近滩槽交互,其底摩阻一般小于0.0025。因此,本文采用Manning系数对源代码进行修改:
Cd=gn2/H1/3。
其中,g为重力加速度;n为Manning系数;H为水深。根据前人的研究,长江口附近的n值一般在0.012~0.018之间,计算方式为:
n =0.01+0.01/H~0.02+0.01/H。
公式中水深H在分母上,为防止水深过小导致Manning系数异常偏大,设置截断水深为1 m。即当水深小于1 m时,n值不再与水深相关,此时取值范围为0.02~0.03。
风应力系数CS D采用 Large and Pond的公式:
C D S =0.0012,当丨U10丨≤11m/s。
C D S =10 -3 (0.49+0.065丨U10丨),当丨U10丨≥11 m/s。
C D S =10-3(0.49+0.065×25),当丨U10丨≥25m/s。
其中,U10为10 m风速。
根据本申请的一个方面,所述步骤S55还包括利用均值分析法、方差分析法、概率分布分析法对风暴潮数值模拟模型的预测结果进行评估。
本实施例,假设通过风暴潮数值模拟模型分析,已经得到预测结果,现在利用均值分析法、方差分析法和概率分布分析法对其进行评估。
利用均值分析法对预测结果进行评估。将实际观测数据与模拟模型的预测结果进行对比,计算它们的平均误差。如果平均误差较小,说明模拟模型的预测结果较为准确;如果误差较大,则需要进行进一步的修正和优化。
采用方差分析法对预测结果进行评估。通过分析预测结果的离散程度进行评估。如果模拟模型的预测结果波动较大,说明模型的可靠性较低;如果预测结果较为集中,则说明模型较为稳定可靠。
利用概率分布分析法对预测结果进行评估。将实际观测数据与模拟模型的预测结果绘制在同一张概率分布图上,观察它们的分布情况。如果两者的分布较为接近或一致,说明模拟模型的预测结果较为准确;如果分布差异较大,则需要进行进一步的修正和优化。
根据本申请的另一个方面,提供一种近岸风暴潮高精度批量数值模拟系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的近岸风暴潮高精度批量数值模拟方法。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (8)
1.一种近岸风暴潮高精度批量数值模拟方法,其特征在于,包括如下步骤:
步骤S1、确定研究区域的范围,获取研究数据,构建水动力模型;所述研究数据包括海域水下地形数据、水文数据、风速数据、台风路径数据和背景风场数据;
步骤S2、基于研究区域,确定台风影响区域边界,筛选出与台风影响区域边界交叠的每场台风,获取台风路径数据;
步骤S3、针对与台风影响区域边界交叠的每场台风,逐一计算台风影响时间,获取台风进入台风影响区域边界和离开台风影响区域边界的时刻;
步骤S4、获取研究数据,提取各个站点的近岸实测风速并修正;获取研究数据,提取各个站点的实测气压,并计算最大风速半径;调取Holland模型和ERA5再分析数据集生成组合风场,结合近岸实测风速和最大风速半径,采用反距离平方法修正近岸区域风场;
步骤S5、根据水动力模型的开边界位置、台风编号和计算时间,提取调和常数并生成开边界水位驱动文件,结合风场进行批量风暴潮数值模拟。
2.如权利要求1所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S1进一步为:
步骤S11、收集海域水下地形数据,下载全球水深数据,用于构建水动力模型的计算网格;
步骤S12、收集最佳台风路径数据,下载预定年份的台风路径数据;
步骤S13、收集ERA5背景风场数据,下载长期的用于生成组合风场的背景风场数据;
步骤S14、构建FVCOM三维模型,并设置模型参数,模型参数包括水深、外海开边界驱动水位过程线、垂向层数、底拖曳力系数和风应力系数;
其中,底拖曳力系数Cd=gn2/H1/3;式中,g为重力加速度;H为水深;n为Manning系数,设截断水深为1 m,即当水深小于1 m时,Manning系数不再随水深变化;
当丨U10丨≤11m/s;风应力系数C D S =0.0012;
当丨U10丨≥11 m/s;风应力系数C D S =10 -3 (0.49+0.065丨U10丨);
当丨U10丨≥25m/s;风应力系数C D S =10-3(0.49+0.065×25);
式中,U10为10 m的风速。
3.如权利要求2所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S2进一步为:
步骤S21、以研究区域为基础,划定台风影响范围并栅格化,构建台风影响栅格矩阵;
步骤S22、基于下垫面情况,对栅格进行聚类并分配影响系数,形成与台风影响栅格矩阵同型的影响系数矩阵;
步骤S23、调取每类栅格预配置的影响系数阈值并构建栅格影响系数阈值矩阵;将影响系数矩阵与影响系数阈值矩阵作差并二值化,然后与台风影响栅格矩阵作哈达玛乘积运算,得到台风影响区域边界;
步骤S24、提取台风影响区域边界上边缘点的经纬坐标极值,形成台风筛选范围,并跟台风路径数据中的每场台风路径进行对比,判断是否位于台风筛选范围内,若是,将台风放入第一集合。
4.如权利要求3所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S3进一步为:
步骤S31、获取与台风影响区域边界交叠的每场台风,计算出台风进入台风影响圆的时间和离开该圆形区域的时间,取两个时间的中间时刻t0;
步骤S32、以时刻t0为中心,前后分别延展M天和N天,即可得到模型初始计算时间区间;N、M为正整数;
步骤S33、根据台风的生成时间和消散时间,与初始计算时间区间取交集,可得到最终计算时间区间。
5.如权利要求4所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S4进一步为:
S41、采集近岸气象站点的实测风速数据;所述风速数据包括风速数据、风向数据和气压数据;通过近岸气象站点对海面的实测风速数据进行校正,(U10)海=KDC(U10)陆;KDC为海陆风速换算系数,DC为陆地测站到海面的距离;
S42、根据实测风速数据中的气压数据,采用Myers气压场模式计算出风速半径的实测值Rmax,计算公式如下:
Rmax=r1n(△p/(P-P0);
式中,P为距离台风中心r处的气压;P0为台风中心最低气压;△p为台风中心最低气压与外界大气压差的绝对值;
S43、通过计算待测区域预设半径的内外风速值,对风速半径值Rmax进行校正,计算公式如下:
Rcor=kRRcal;kR=(1/n)∑ n i=1 (Robs(i)/Rcal(i));
式中,Rcor为校正后的风速半径值,Rcal为待测区域预设半径外台风路径的风速半径值,kR为校正系数;Robs为待测区域预设半径内台风路径的风速半径值;
S44、通过Holland模型和ERA5分析数据集生成组合风场,基于沿海气象站点实测风速,采用反距离平方插值法对影响范围内风场进行修正,计算公式如下:
Wcor(x,y,t)=kW (x,y,t) W (x,y,t);
当x=xi,y=yi;kW (x,y,t)=Wobs(xi,yi,t))/W(xi,yi,t));
当x≠xi,y≠yi;kW (x,y,t)={∑n i=1(Wobs(xi,yi,t)/ (W(xi,yi,t)d2 i(x,y)))}/(∑n i=1(1/d2 i(x,y));
式中,Wcor(x,y,t)为风场中坐标为(x,y)点在t时刻修正后的风速;W为修正前的组合风场风速;kW为风速校正系数;Wobs(xi,yi,t)为n个气象站点中第i个站点在t时刻的风速观测值;di(x,y)为待修正点距离第i个气象站点的距离,di(x,y)=sqrt((x-xi)2+(y-yi)2)。
6.如权利要求1所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S5进一步为:
步骤S51、根据水动力数学模型的开边界位置,下载相应的调和常数文件,包括振幅和相位;
步骤S52、根据台风编号和计算时间,利用调和分析法,计算出开边界水位的时间序列;
步骤S53、将开边界水位的时间序列写入水动力模型的驱动文件中,与组合风场一起作为输入数据;运行水动力模型,求解风暴潮的控制方程,得到风暴潮的水位、流速和流向的时空分布,输出结果。
7.如权利要求4所述的近岸风暴潮高精度批量数值模拟方法,其特征在于,所述步骤S2还包括:
步骤S25、从第一集合中依序提取每场台风,获取台风的数据,以风眼为圆心,根据预设半径划定第二影响区域并栅格化,形成与台风影响栅格矩阵同尺度的台风移动栅格矩阵,根据栅格中的风速构建台风移动栅格矩阵的台风系数矩阵;
步骤S26、获取台风生成时间和消散时间,然后划分为预定数量个时刻,针对每个时刻,计算台风移动栅格矩阵与台风影响栅格矩阵重叠的区域,提取重叠区域,并计算台风系数矩阵和影响系数矩阵的哈达玛积,得到综合影响指标;
步骤S27、累加每场台风的所有时刻的综合影响指标,输出为该场台风的最终影响指标。
8.一种近岸风暴潮高精度批量数值模拟系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1至7任一项所述的近岸风暴潮高精度批量数值模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162958.4A CN117709131B (zh) | 2024-02-05 | 2024-02-05 | 近岸风暴潮高精度批量数值模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162958.4A CN117709131B (zh) | 2024-02-05 | 2024-02-05 | 近岸风暴潮高精度批量数值模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709131A true CN117709131A (zh) | 2024-03-15 |
CN117709131B CN117709131B (zh) | 2024-04-23 |
Family
ID=90162854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162958.4A Active CN117709131B (zh) | 2024-02-05 | 2024-02-05 | 近岸风暴潮高精度批量数值模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709131B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115034468A (zh) * | 2022-06-07 | 2022-09-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种淤泥质海岸丁坝或防波堤拆除后海床冲淤变化预测方法 |
CN115115138A (zh) * | 2022-07-27 | 2022-09-27 | 自然资源部第二海洋研究所 | 一种近海风暴潮增水预测方法 |
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 |
-
2024
- 2024-02-05 CN CN202410162958.4A patent/CN117709131B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115034468A (zh) * | 2022-06-07 | 2022-09-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种淤泥质海岸丁坝或防波堤拆除后海床冲淤变化预测方法 |
CN115115138A (zh) * | 2022-07-27 | 2022-09-27 | 自然资源部第二海洋研究所 | 一种近海风暴潮增水预测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
DONGDONG CHU 等: "Modeling Study on the Asymmetry of Positive and Negative Storm Surges along the Southeastern Coast of China", 《JOURNAL OF MARINE SCIENCE AND ENGINEERING》, vol. 9, 23 April 2021 (2021-04-23), pages 1 - 33 * |
王一心 等: "江苏海域台风浪波高时空分布特性研究", 《海洋预报》, vol. 40, no. 5, 31 October 2023 (2023-10-31), pages 23 - 34 * |
陈鹏 等: "珠江口伶仃洋风暴潮传播特性及影响因素数值模拟研究——以台风"山竹"为例", 《海洋通报》, vol. 42, no. 6, 15 December 2023 (2023-12-15), pages 645 - 657 * |
Also Published As
Publication number | Publication date |
---|---|
CN117709131B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4512635B2 (ja) | 自動位置依存確率的熱帯性サイクロン予測方法およびシステム | |
CN113468773B (zh) | 全球台风浪数值模拟方法及系统 | |
CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
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 | |
CN113505546A (zh) | 一种洪水风险预测系统 | |
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 | |
CN115115262A (zh) | 一种洪水风险灾害评估的方法 | |
CN111368406A (zh) | 连续深度基准面构建方法 | |
CN115115138A (zh) | 一种近海风暴潮增水预测方法 | |
CN117709131B (zh) | 近岸风暴潮高精度批量数值模拟方法及系统 | |
KR102365072B1 (ko) | 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법 | |
CN117150944A (zh) | 一种跨海桥梁高精度波浪后报与预报模拟方法 | |
Gastón et al. | Wind resources map of Spain at mesoscale. Methodology and validation | |
Schoenbaechler et al. | TxBLEND model calibration and validation for the Laguna Madre Estuary | |
Schoenbaechler et al. | TxBLEND model calibration and validation for the Nueces estuary | |
CN107341568A (zh) | 一种台风风暴增水预测方法及系统 | |
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 | |
Murray | A sensitivity analysis for a tidally-influenced riverine system | |
CN117556640B (zh) | 一种基于双台风相互作用的风暴潮数值模拟方法 | |
CN117150823B (zh) | 一种滨海城市洪水灾害的高分辨率快速模拟方法 | |
Johnson et al. | Challenges to mapping coastal risk in the southeastern United States for FEMA's Risk MAP program | |
CN118396031A (zh) | 一种风暴潮位实时校正方法 | |
Groetsch | Assessing the impact of subaerial vegetation to mitigate coastal erosion during extreme storms | |
Brackins | Evaluation of Nonlinear Interactions Between Tropical Cyclone Storm Surge and Rainfall Runoff to Improve Understanding of Joint Coastal Flood Risk | |
Tekeste | Temporal Projections of the Shoreline Displacement on Gotland |
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 |