CN117113854B - 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 - Google Patents
一种基于ConvLSTM和三维数值模拟的咸潮预报方法 Download PDFInfo
- Publication number
- CN117113854B CN117113854B CN202311345170.9A CN202311345170A CN117113854B CN 117113854 B CN117113854 B CN 117113854B CN 202311345170 A CN202311345170 A CN 202311345170A CN 117113854 B CN117113854 B CN 117113854B
- Authority
- CN
- China
- Prior art keywords
- tide
- data
- salty
- salt
- 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.)
- Active
Links
- 150000003839 salts Chemical class 0.000 title claims abstract description 221
- 238000004088 simulation Methods 0.000 title claims abstract description 60
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 230000008521 reorganization Effects 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 144
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 70
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000012876 topography Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000001932 seasonal effect Effects 0.000 description 17
- 230000000737 periodic effect Effects 0.000 description 12
- 230000007774 longterm Effects 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000011780 sodium chloride Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及咸潮预报技术领域,尤其涉及一种基于ConvLSTM和三维数值模拟的咸潮预报方法。所述方法包括以下步骤:获取咸潮风场数据进行历史整编分析,以得到咸潮整编历史风场集;构建三维咸潮数值模型并进行模型调整验证处理,以得到三维咸潮数值优化模型;获取三维咸潮数值优化模型参数数据并进行河床糙率提取计算和逐时面插值处理,得到咸潮河床糙率场数据集;通过ConvLSTM进行深度学习预测分析,并根据预测结果和目标预报时段的潮汐预报外海潮位成果数据利用三维咸潮数值优化模型进行三维咸潮数值模拟,得到三维咸潮预测场数据集;根据三维咸潮预测场数据集以执行相应的咸潮预报工作。本发明能够实现高精度、实时的咸潮预报。
Description
技术领域
本发明涉及咸潮预报技术领域,尤其涉及一种基于ConvLSTM和三维数值模拟的咸潮预报方法。
背景技术
咸潮是海洋和河流交汇处发生的潮汐现象,对沿海地区的生态环境和经济活动有重要影响。传统的咸潮预报方法主要基于经验公式和统计模型,准确度和时效性有限且对复杂环境变化的适应性差,往往无法捕捉复杂的非线性关系和时空依赖性,导致预报结果不准确。
发明内容
基于此,本发明有必要提供一种基于ConvLSTM和三维数值模拟的咸潮预报方法,以解决至少一个上述技术问题。
为实现上述目的,一种基于ConvLSTM和三维数值模拟的咸潮预报方法,包括以下步骤:
步骤S1:获取咸潮风场数据,对咸潮风场数据进行历史整编分析,以得到咸潮整编历史风场集;
步骤S2:获取咸潮水文数据和咸潮地形数据,利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型;
步骤S3:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率提取计算,得到各咸潮水文组合河床糙率场;对各咸潮水文组合河床糙率场进行逐时面插值处理,以得到咸潮河床糙率场数据集;
步骤S4:通过ConvLSTM对咸潮整编历史风场集和咸潮河床糙率场数据集进行深度学习预测分析,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集;
步骤S5:获取目标预报时段的潮汐预报外海潮位成果数据,利用三维咸潮数值优化模型对咸潮目标时段风场数据集、咸潮目标时段糙率场数据集以及目标预报时段的潮汐预报外海潮位成果数据进行三维咸潮数值模拟,以得到三维咸潮预测场数据集;根据三维咸潮预测场数据集以执行相应的咸潮预报工作。
本发明首先通过可靠的数据源获取咸潮风场数据,这些数据包括咸潮地区的风向和风速信息,通过获得准确的咸潮风场数据能够为后续分析和预测提供数据基础。同时,通过对咸潮风场数据进行历史回溯整编分析,可以研究和了解咸潮地区的风向和风速变化情况,这包括分析风向和风速的季节性变化、年际变化、长期趋势和异常波动等,能够了解咸潮地区的典型风场范围、风场分布特征、气候变化对风场的影响等,获得的整编历史风场集能够提供咸潮发生过程中不同时间段的风场数据,是进行咸潮预测和数值模拟的基础。其次,通过获取咸潮地区的水文数据和地形数据,这些包括河流流量、潮汐信息、水位观测数据以及地形地貌数据等。通过获取这些数据,可以建立与咸潮相关的基础数据集,为后续的咸潮模拟和数值建模提供准确和完整的输入数据。并通过使用获取得到的咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型。通过模拟计算,可以预测咸潮的水位、流速、盐度等参数在时空上的变化,这样有助于深入理解咸潮的动力学过程,并提供了对咸潮现象的量化描述和预测。通过对构建的三维咸潮数值模型进行调整和验证,以优化模型的参数和参数化方案,这样可以使模型更准确地模拟咸潮过程,从而提高预测的精度和可靠性。然后,通过获取咸潮水文组合参数数据,这些参数数据可能包括与水文特征、潮汐条件、河道特性等相关的数据,通过计算和分析,提取计算各咸潮水文组合的河床糙率,河床糙率的计算是基于底床特性、流速以及流体物理性质等因素,通过计算可以获得河道中水流的阻力特性,进而影响咸潮水文过程的模拟结果。此外,还通过对各咸潮水文组合河床糙率场进行逐时面插值处理,将离散的测量点数据转化为连续的河床糙率场数据,这样可以得到咸潮河床糙率场数据集,用于后续的咸潮预测和数值模拟。接下来,通过使用ConvLSTM深度学习模型,对咸潮整编历史风场集和咸潮河床糙率场数据集进行预测分析。ConvLSTM模型能够捕捉时序数据中的时空依赖关系和非线性关系,因此可以利用历史风场和河床糙率信息预测目标时段的咸潮风场和糙率场。预测结果包括咸潮目标时段的风场数据集和糙率场数据集,从而为咸潮预测和数值模拟提供输入和参考。最后,通过使用三维咸潮数值优化模型对目标预报时段的潮汐预报外海潮位成果数据以及咸潮目标时段的风场数据集和糙率场数据集进行数值模拟,能够将风场和糙率场与外海潮位数据相结合,模拟目标预报时段的咸潮过程,得到三维咸潮预测场数据集。根据三维咸潮预测场数据集,执行相应的咸潮预报工作,包括潮位预报、咸潮水位预警等,这些预测结果能够提供咸潮过程的空间分布和时序变化,为相关部门和决策者提供咸潮预测信息和应对措施,从而提高咸潮预报的准确性和及时性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于ConvLSTM和三维数值模拟的咸潮预报方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图2中步骤S13的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种基于ConvLSTM和三维数值模拟的咸潮预报方法,所述方法包括以下步骤:
步骤S1:获取咸潮风场数据,对咸潮风场数据进行历史整编分析,以得到咸潮整编历史风场集;
步骤S2:获取咸潮水文数据和咸潮地形数据,利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型;
步骤S3:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率提取计算,得到各咸潮水文组合河床糙率场;对各咸潮水文组合河床糙率场进行逐时面插值处理,以得到咸潮河床糙率场数据集;
步骤S4:通过ConvLSTM对咸潮整编历史风场集和咸潮河床糙率场数据集进行深度学习预测分析,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集;
步骤S5:获取目标预报时段的潮汐预报外海潮位成果数据,利用三维咸潮数值优化模型对咸潮目标时段风场数据集、咸潮目标时段糙率场数据集以及目标预报时段的潮汐预报外海潮位成果数据进行三维咸潮数值模拟,以得到三维咸潮预测场数据集;根据三维咸潮预测场数据集以执行相应的咸潮预报工作。
本发明实施例中,请参考图1所示,为本发明基于ConvLSTM和三维数值模拟的咸潮预报方法的步骤流程示意图,在本实例中,所述基于ConvLSTM和三维数值模拟的咸潮预报方法的步骤包括:
步骤S1:获取咸潮风场数据,对咸潮风场数据进行历史整编分析,以得到咸潮整编历史风场集;
本发明实施例首先通过气象观测站、卫星遥感、气象模型等途径获取咸潮风场数据。然后,通过对咸潮风场数据进行风向和风速历史回溯处理,以分析咸潮地区风向和风速的历史演变、周期性变化、季节性特征等数据,并按照时间步长对咸潮历史风向和风速数据进行整编处理,最终得到咸潮整编历史风场集。
步骤S2:获取咸潮水文数据和咸潮地形数据,利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型;
本发明实施例通过水文观测站、潮位观测站以及卫星遥感获取咸潮区域在不同时间和空间上的水文和地形特征,以得到咸潮水文数据和咸潮地形数据。然后,通过使用咸潮风场数据、咸潮水文数据和咸潮地形数据综合考虑风场、水文和地形等情况进行咸潮模拟,以模拟咸潮的水位、流速、盐度等参数在时空上的变化构建三维咸潮数值模型。最后,通过对已构建的三维咸潮数值模型进行调整和验证,以比对模拟结果与实测观测数据的拟合程度,并对模型进行优化处理,最终得到三维咸潮数值优化模型。
步骤S3:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率提取计算,得到各咸潮水文组合河床糙率场;对各咸潮水文组合河床糙率场进行逐时面插值处理,以得到咸潮河床糙率场数据集;
本发明实施例通过从水文观测站点、遥感数据等渠道获取包括水位、流速、底摩擦力等与水文条件相关的参数,以得到咸潮水文组合参数数据。然后,通过分析咸潮水文组合参数数据,提取出与河床糙率相关的数据并与其在地理空间上对应的空间坐标进行关联匹配处理,以地理空间的形式表示河床糙率分布情况,得到各咸潮水文组合河床糙率场。最后,通过在不同时间步长和不同空间位置上对各咸潮水文组合河床糙率场进行逐时面平滑插值,以获取连续的咸潮河床糙率场,最终得到咸潮河床糙率场数据集。
步骤S4:通过ConvLSTM对咸潮整编历史风场集和咸潮河床糙率场数据集进行深度学习预测分析,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集;
本发明实施例首先通过ConvLSTM构建模型,并将咸潮整编历史风场集和咸潮河床糙率场数据集作为输入数据输入至构建ConvLSTM模型中进行深度学习预测分析,通过训练和优化模型的网络权重参数,以预测目标时段的咸潮风场和糙率场数据,最终得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集。
步骤S5:获取目标预报时段的潮汐预报外海潮位成果数据,利用三维咸潮数值优化模型对咸潮目标时段风场数据集、咸潮目标时段糙率场数据集以及目标预报时段的潮汐预报外海潮位成果数据进行三维咸潮数值模拟,以得到三维咸潮预测场数据集;根据三维咸潮预测场数据集以执行相应的咸潮预报工作。
本发明实施例通过获取目标预报时段的潮汐预报外海潮位成果数据作为模型的边界条件,并通过使用三维咸潮数值优化模型对咸潮目标时段风场数据集、咸潮目标时段糙率场数据集以及目标预报时段的潮汐预报外海潮位成果数据进行三维咸潮数值模拟,将风场和糙率场与外海潮位数据相结合,以模拟目标预报时段的咸潮过程,从而得到三维咸潮预测场数据集。然后,根据模拟得到的三维咸潮预测场数据集执行相应的潮位预报、咸潮水位预警等咸潮预报工作。
本发明首先通过可靠的数据源获取咸潮风场数据,这些数据包括咸潮地区的风向和风速信息,通过获得准确的咸潮风场数据能够为后续分析和预测提供数据基础。同时,通过对咸潮风场数据进行历史回溯整编分析,可以研究和了解咸潮地区的风向和风速变化情况,这包括分析风向和风速的季节性变化、年际变化、长期趋势和异常波动等,能够了解咸潮地区的典型风场范围、风场分布特征、气候变化对风场的影响等,获得的整编历史风场集能够提供咸潮发生过程中不同时间段的风场数据,是进行咸潮预测和数值模拟的基础。其次,通过获取咸潮地区的水文数据和地形数据,这些包括河流流量、潮汐信息、水位观测数据以及地形地貌数据等。通过获取这些数据,可以建立与咸潮相关的基础数据集,为后续的咸潮模拟和数值建模提供准确和完整的输入数据。并通过使用获取得到的咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型。通过模拟计算,可以预测咸潮的水位、流速、盐度等参数在时空上的变化,这样有助于深入理解咸潮的动力学过程,并提供了对咸潮现象的量化描述和预测。通过对构建的三维咸潮数值模型进行调整和验证,以优化模型的参数和参数化方案,这样可以使模型更准确地模拟咸潮过程,从而提高预测的精度和可靠性。然后,通过获取咸潮水文组合参数数据,这些参数数据可能包括与水文特征、潮汐条件、河道特性等相关的数据,通过计算和分析,提取计算各咸潮水文组合的河床糙率,河床糙率的计算是基于底床特性、流速以及流体物理性质等因素,通过计算可以获得河道中水流的阻力特性,进而影响咸潮水文过程的模拟结果。此外,还通过对各咸潮水文组合河床糙率场进行逐时面插值处理,将离散的测量点数据转化为连续的河床糙率场数据,这样可以得到咸潮河床糙率场数据集,用于后续的咸潮预测和数值模拟。接下来,通过使用ConvLSTM深度学习模型,对咸潮整编历史风场集和咸潮河床糙率场数据集进行预测分析。ConvLSTM模型能够捕捉时序数据中的时空依赖关系和非线性关系,因此可以利用历史风场和河床糙率信息预测目标时段的咸潮风场和糙率场。预测结果包括咸潮目标时段的风场数据集和糙率场数据集,从而为咸潮预测和数值模拟提供输入和参考。最后,通过使用三维咸潮数值优化模型对目标预报时段的潮汐预报外海潮位成果数据以及咸潮目标时段的风场数据集和糙率场数据集进行数值模拟,能够将风场和糙率场与外海潮位数据相结合,模拟目标预报时段的咸潮过程,得到三维咸潮预测场数据集。根据三维咸潮预测场数据集,执行相应的咸潮预报工作,包括潮位预报、咸潮水位预警等,这些预测结果能够提供咸潮过程的空间分布和时序变化,为相关部门和决策者提供咸潮预测信息和应对措施,从而提高咸潮预报的准确性和及时性。
优选地,步骤S1包括以下步骤:
步骤S11:获取咸潮风场数据;
步骤S12:对咸潮风场数据进行风向数据提取以及风速数据提取,以得到咸潮风向数据以及咸潮风速数据;
步骤S13:对咸潮风向数据进行风向历史回溯分析,得到咸潮历史风向数据;
步骤S14:对咸潮风速数据进行风速历史回溯分析,得到咸潮历史风速数据;
步骤S15:对咸潮历史风向数据和咸潮历史风速数据进行时间对齐以及插值整编处理,以得到咸潮整编历史风场集。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本实施例中步骤S1包括以下步骤:
步骤S11:获取咸潮风场数据;
本发明实施例通过气象观测站、卫星遥感、气象模型等途径获取咸潮风场数据。
步骤S12:对咸潮风场数据进行风向数据提取以及风速数据提取,以得到咸潮风向数据以及咸潮风速数据;
本发明实施例通过对咸潮风场数据进行风向数据提取,以提取出与咸潮地区风向相关的信息数据,以得到咸潮风向数据,同时进行风速数据提取,以提取出与咸潮地区风速相关的信息数据,以得到咸潮风速数据。
步骤S13:对咸潮风向数据进行风向历史回溯分析,得到咸潮历史风向数据;
本发明实施例通过使用相应的统计技术对咸潮风向数据进行风向历史回溯处理,以分析风向的分布、趋势、异常波动修正等因素,以获取准确的历史风向数据,最终得到咸潮历史风向数据。
步骤S14:对咸潮风速数据进行风速历史回溯分析,得到咸潮历史风速数据;
本发明实施例首先通过对咸潮风速数据进行气候变化影响分析并修复处理,以消除咸潮风速数据中可能存在的不稳定、波动或季节性变化引起的异常影响,然后,通过对修复后的咸潮风速数据进行风速变化模式识别分析和空间径向分析,可以识别风速的在不同时间尺度和空间尺度上的变化模式、周期性特征和可能存在的趋势变化,最后,对其进行历史趋势回溯分析,以深入了解咸潮地区风速的历史演变、周期性变化、季节性特征等数据,最终得到咸潮历史风速数据。
步骤S15:对咸潮历史风向数据和咸潮历史风速数据进行时间对齐以及插值整编处理,以得到咸潮整编历史风场集。
本发明实施例通过对咸潮历史风向数据和咸潮历史风速数据进行时间对齐处理,以确保两者具有相同的时间步长或时间间隔,并对存在缺失数据或不完整的数据使用插值填补缺失值,以获取连续的咸潮历史风向和风速数据,然后按照时间步长对连续的咸潮历史风向和风速数据进行整编处理,最终得到咸潮整编历史风场集。
本发明通过可靠的数据源,如气象观测站、卫星遥感、气象模型等,获取咸潮风场数据,这些数据包括咸潮地区的风向和风速信息,通过获得准确的咸潮风场数据能够为后续分析和预测提供数据基础。同时,通过对咸潮风场数据进行风向数据提取以及风速数据提取,能够从咸潮风场数据中提取风向和风速信息,这样可以准确判定咸潮地区风的方向和强度,并将其用于后续的历史回溯分析和咸潮模拟构建等方面,风向和风速数据的提取是了解咸潮地区风场特征和气象变化的重要基础。其次,通过对咸潮风向数据进行历史回溯分析,可以研究和了解咸潮地区的风向变化情况,这包括分析风向的季节性变化、年际变化、长期趋势和异常波动等,咸潮历史风向数据的获取有助于对风场的特征和风向的影响因素进行研究,为咸潮地区的相关应用提供依据。然后,通过对咸潮风速数据进行历史回溯分析,可以探究和了解咸潮地区的风速变化情况,这包括分析风速的季节性变化、年际变化、长期趋势和气候变化影响等,通过获取咸潮历史风速数据,可以了解咸潮地区的典型风速范围、风速分布特征、气候变化对风速的影响等,为相关应用和风险评估提供基础数据。最后,将咸潮历史风向数据和咸潮历史风速数据进行时间对齐,即确保两者在时间上的一致性,并对其进行插值整编处理,以填补可能存在的缺失数据或不完整的数据,这样处理后的数据集可以提供时间连续、一致性良好的咸潮风场数据,为咸潮地区的气象研究、风能评估、咸潮预报等方面提供可靠的数据基础。
优选地,步骤S13包括以下步骤:
步骤S131:利用风向频率计算公式对咸潮风向数据进行频率计算,得到咸潮风向频率值;
步骤S132:根据咸潮风向频率值对咸潮风向数据进行时间变化趋势探索,以生成咸潮风向变化模式曲线图;
步骤S133:对咸潮风向变化模式曲线图进行异常波动检测,以生成咸潮风向变化异常波动点;
步骤S134:对咸潮风向变化异常波动点进行异常修正处理,得到咸潮风向变化模式曲线修正图;
步骤S135:对咸潮风向变化模式曲线修正图进行历史统计回溯分析,得到咸潮历史风向数据。
作为本发明的一个实施例,参考图3所示,为图2中步骤S13的详细步骤流程示意图,在本实施例中步骤S13包括以下步骤:
步骤S131:利用风向频率计算公式对咸潮风向数据进行频率计算,得到咸潮风向频率值;
本发明实施例通过结合咸潮风向的角度、咸潮风向数据在频率空间中的横向和纵向空间坐标、横向波矢和纵向波矢、频率空间相位虚数单位、风向频率分量的波动影响振幅和波动影响角频率以及相关参数构建一个合适的风向频率计算公式对咸潮风向数据进行频率计算,以统计不同风向在咸潮地区的相对分布出现情况,最终得到咸潮风向频率值。
步骤S132:根据咸潮风向频率值对咸潮风向数据进行时间变化趋势探索,以生成咸潮风向变化模式曲线图;
本发明实施例根据计算得到的咸潮风向频率值对咸潮风向数据进行识别分析,以识别出咸潮风向变化的主要模式或趋势,探索揭示不同时间段内不同风向的频率变化趋势情况,最终按照时间顺序绘制生成咸潮风向变化模式曲线图。
步骤S133:对咸潮风向变化模式曲线图进行异常波动检测,以生成咸潮风向变化异常波动点;
本发明实施例通过使用统计方法或时间序列分析方法对咸潮风向变化模式曲线图进行异常波动检测,以检测出与正常风向变化模式有明显偏离的数据点,最终生成咸潮风向变化异常波动点。
步骤S134:对咸潮风向变化异常波动点进行异常修正处理,得到咸潮风向变化模式曲线修正图;
本发明实施例通过使用平滑算法或滤波算法对咸潮风向变化模式曲线图中的咸潮风向变化异常波动点进行修正处理,以消除或修正咸潮风向变化异常波动点对咸潮风向变化模式曲线图整体趋势的影响,最终得到咸潮风向变化模式曲线修正图。
步骤S135:对咸潮风向变化模式曲线修正图进行历史统计回溯分析,得到咸潮历史风向数据。
本发明实施例通过使用统计方法和历史趋势分析方法对咸潮风向变化模式曲线修正图进行历史趋势统计分析,以分析咸潮历史风向的分布、变化趋势、周期性趋势等因素,最终得到咸潮历史风向数据。
本发明首先通过使用合适的风向频率计算公式对咸潮风向数据进行频率计算,可以确定不同风向在咸潮地区出现的频率,这涉及统计每个风向在观测数据中的出现次数,通过风向频率计算,能够了解不同风向的相对分布情况,从而识别咸潮地区的主要风向模式,并为后续的风向变化分析提供基础数据。其次,通过使用计算得到的咸潮风向频率值,可以对咸潮地区的风向数据进行时间变化趋势探索,通过观察不同时间段内不同风向的频率变化情况,可以揭示咸潮地区风向的季节性变化、年际变化以及长期趋势。而生成的咸潮风向变化模式曲线图能够直观地展示风向随时间的变化规律,为进一步分析提供可视化的工具和参考。然后,通过对咸潮风向变化模式曲线图进行异常波动检测,异常波动检测是为了识别咸潮风向变化模式中的异常情况。通过对咸潮风向变化模式曲线图进行分析,可以检测出可能存在的异常波动点,即与正常风向变化模式有明显偏离的数据点,这些异常波动点的检测有助于发现突发事件、异常气象情况等,并为后续的异常修正提供线索。接下来,通过对检测出的咸潮风向变化异常波动点进行异常修正处理,可以消除或修正这些异常点对整体趋势的影响。修正后得到的咸潮风向变化模式曲线修正图更准确地反映了风向的变化趋势,并能够提供更可靠的历史风向数据。通过异常修正,可以排除因观测误差、设备故障或其他异常因素引起的数据偏差,从而提高数据的可信度和质量。最后,通过对咸潮风向变化模式曲线修正图进行历史统计回溯分析,可以获取咸潮地区的历史风向数据。分析包括对修正后的曲线图的整体分布、频率统计、风向偏好等进行研究。通过历史统计回溯分析,能够深入了解咸潮地区风向的历史演变、周期性变化、季节性特征等,为后续的插值整编处理提供基础数据。
优选地,步骤S131中的风向频率计算公式具体为:
;
式中,为咸潮风向频率值,/>为咸潮风向的角度,/>为咸潮风向数据在频率空间中的横向空间坐标,/>为咸潮风向数据在频率空间中的纵向空间坐标,/>为咸潮风向数据在频率空间中的横向波矢,/>为咸潮风向数据在频率空间中的纵向波矢,/>为频率空间相位虚数单位,/>为咸潮风向数据中风向频率分量的数量,/>为咸潮风向数据中第/>个风向频率分量的波动影响振幅,/>为咸潮风向数据中第/>个风向频率分量的波动影响角频率,/>为咸潮风向频率值的修正值。
本发明构建了一个风向频率计算公式,用于对咸潮风向数据进行频率计算,该风向频率计算公式通过对咸潮风向数据在频率空间中的积分运算,能够反映咸潮风向数据在不同角度上的分布情况,从而帮助理解风向的趋势和特征。该公式中的空间坐标和/>表示咸潮风向数据在频率空间中的位置,而横向波矢/>和纵向波矢/>则表示相应的频率成分。通过考虑空间坐标和波矢,公式能够对不同频率的风向成分进行分析和权衡。同时,该公式中的/>和/>分别表示咸潮风向数据中每个频率分量的波动影响振幅和角频率,这些参数反映了不同频率成分对风向数据的波动程度和周期性,有助于理解风向变化的特征和规律。另外,还通过引入修正值来调整咸潮风向频率值的修正值。通过对咸潮风向频率值的修正,可以进一步提高频率计算的准确性,使得结果更贴近实际情况。该公式充分考虑了咸潮风向频率值/>,咸潮风向的角度/>,咸潮风向数据在频率空间中的横向空间坐标/>,咸潮风向数据在频率空间中的纵向空间坐标/>,咸潮风向数据在频率空间中的横向波矢/>,咸潮风向数据在频率空间中的纵向波矢/>,频率空间相位虚数单位/>,咸潮风向数据中风向频率分量的数量/>,咸潮风向数据中第/>个风向频率分量的波动影响振幅/>,咸潮风向数据中第/>个风向频率分量的波动影响角频率/>,咸潮风向频率值的修正值/>,其中通过频率空间相位虚数单位/>,咸潮风向数据中风向频率分量的数量/>,咸潮风向数据中第/>个风向频率分量的波动影响振幅/>,咸潮风向数据中第/>个风向频率分量的波动影响角频率/>以及咸潮风向的角度/>构成了一种风向频率分量波动影响项函数关系/>,根据咸潮风向频率值/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该公式能够实现对咸潮风向数据的频率计算过程,同时,通过咸潮风向频率值的修正值的引入可以根据实际情况进行调整,从而提高风向频率计算公式的准确性和适用性。
优选地,步骤S14包括以下步骤:
步骤S141:对咸潮风速数据进行气候变化影响分析,得到咸潮风速气候变化影响因素数据;
本发明实施例通过气候变化指标对咸潮风速数据进行统计分析,探索气候变化与咸潮风速数据之间的影响关联,以识别和量化不同气候变化指标因素对咸潮风速数据的影响程度,最终得到咸潮风速气候变化影响因素数据。
步骤S142:根据咸潮风速气候变化影响因素数据对咸潮风速数据进行影响波动修复处理,得到咸潮风速异常影响修复数据;
本发明实施例首先根据咸潮风速气候变化影响因素数据分析咸潮风速数据中的异常波动数据,然后通过使用平滑算法或滤波算法将咸潮风速数据中的异常波动数据进行修复,以消除咸潮风速数据中存在的不稳定、波动或季节性变化引起的异常影响波动,最终得到咸潮风速异常影响修复数据。
步骤S143:对咸潮风速异常影响修复数据进行风速变化模式识别分析,得到咸潮风速变化模式数据;
本发明实施例通过使用时间序列分析技术对咸潮风速异常影响修复数据进行风速变化模式识别,以识别出咸潮风速的主要变化模式,包括对长期趋势、季节性周期、周期性振荡等进行识别和分析,最终得到咸潮风速变化模式数据。
步骤S144:对咸潮风速异常影响修复数据进行空间径向分析,得到咸潮风速空间尺度变化模式数据;
本发明实施例通过使用空间分析方法对咸潮风速异常影响修复数据进行径向分布分析和变差函数分析,探索咸潮风速的空间尺度变化模式,并分析咸潮风速在不同空间位置上的变化规律,最终得到咸潮风速空间尺度变化模式数据。
步骤S145:对咸潮风速变化模式数据以及咸潮风速空间尺度变化模式数据进行历史趋势回溯分析,得到咸潮历史风速数据。
本发明实施例通过对咸潮风速变化模式数据以及咸潮风速空间尺度变化模式数据进行历史趋势的回溯分析,以分析咸潮风速的长期趋势、季节性变化、周期性变化等历史演变趋势,最终得到咸潮历史风速数据。
本发明通过对咸潮风速数据进行气候变化影响分析,可以确定影响咸潮风速的气候变化因素,这涉及对长期的风速观测数据进行统计和分析,以确定可能对风速产生影响的气候变化因素,如季节性变化、年际变化等。通过分析咸潮风速的气候变化影响因素数据,可以揭示气候变化对咸潮地区风速的长期趋势和变化模式。其次,根据咸潮风速的气候变化影响因素数据,对咸潮风速数据进行影响波动修复处理,旨在消除咸潮风速数据中可能存在的不稳定、波动或季节性变化引起的异常影响,以提高数据质量和准确性,修复后得到的咸潮风速异常影响修复数据更能反映风速的真实变化情况。然后,通过对咸潮风速异常影响修复数据进行风速变化模式识别分析,可以识别风速的变化模式,这包括对长期趋势、季节性周期、周期性振荡等进行识别和分析,而生成的咸潮风速变化模式数据能够提供风速变化的详细信息,包括在不同时间尺度上的变化模式、周期性特征和可能存在的趋势变化。接下来,通过对修复后的咸潮风速异常影响修复数据进行空间径向分析,可以揭示风速的空间尺度变化模式,这包括对咸潮地区风速在不同空间位置上的分布、差异和变化趋势进行分析。生成的咸潮风速空间尺度变化模式数据能够提供风速随空间位置变化的信息,对风速在不同地理位置的分布特征和空间相关性进行研究。最后,通过对咸潮风速变化模式数据以及咸潮风速空间尺度变化模式数据进行历史趋势回溯分析,其中包括对风速的长期趋势、周期性变化、季节性特征等进行研究,可以获得更加准确的咸潮历史风速数据。通过历史趋势回溯分析,可以深入了解咸潮地区风速的历史演变、周期性变化、季节性特征等,为后续的插值整编处理提供重要参考和基础数据。
优选地,步骤S2包括以下步骤:
步骤S21:获取咸潮水文数据和咸潮地形数据;
本发明实施例通过从水文观测站、潮位观测站或咸潮研究机构获取包括潮汐观测数据、水位数据、流速数据等数据,以描述咸潮区域在不同时间和空间上的水文特征,以得到咸潮水文数据,同时,通过使用卫星遥感数据、测量资料或数字海图等来源获取包括海底地形、岸线形态、潮汐河道等地形特征数据,以得到咸潮地形数据。
步骤S22:利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;
本发明实施例通过使用咸潮风场数据、咸潮水文数据和咸潮地形数据综合考虑风场、水文和地形等情况进行咸潮模拟,并模拟咸潮的水位、流速、盐度等参数在时空上的变化,以构建三维咸潮数值模型。
步骤S23:对咸潮风场数据、咸潮水文数据和咸潮地形数据进行典型时序整合分析,得到典型三维咸潮组合参数数据;
本发明实施例通过对咸潮风场数据、咸潮水文数据和咸潮地形数据进行时序分析,选择具有代表性的典型时间段进行数据整合处理,并提取咸潮的典型特征参数,包括水位、流速、盐度等参数数据,最终得到典型三维咸潮组合参数数据。
步骤S24:对典型三维咸潮组合参数数据进行特征模式分析,得到典型三维咸潮组合数据特征;
本发明实施例通过使用统计分析分法和聚类分析分法对典型三维咸潮组合参数数据进行特征模式分析,以识别和描述典型咸潮组合的数据特征和规律,最终得到典型三维咸潮组合数据特征。
步骤S25:根据典型三维咸潮组合数据特征对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型。
本发明实施例通过根据分析得到的典型三维咸潮组合数据特征对已构建的三维咸潮数值模型进行调整和验证,首先,通过调整三维咸潮数值模型的参数,包括咸潮风场、水文、地形参数等,以使模型的模拟结果更符合实际观测和典型特征。然后,通过对三维咸潮数值模型进行数值模拟验证,比对模拟结果与实测观测数据或典型特征数据的拟合程度,并对模型进行优化处理,最终得到三维咸潮数值优化模型。
本发明首先通过获取咸潮地区的水文数据和地形数据,其中水文数据包括潮汐观测数据、水位数据、流速数据等,用于描述咸潮区域在不同时间和空间上的水文特征。地形数据主要包括海底地形、岸线形态、潮汐河道等地形特征的数据。通过获取这些数据,可以建立与咸潮相关的基础数据集,为后续的咸潮模拟和数值建模提供准确和完整的输入数据。其次,通过使用获取的咸潮风场数据、咸潮水文数据和咸潮地形数据,进行咸潮模拟以构建三维咸潮数值模型。该三维咸潮数值模型是基于物理原理和数学方程建立的仿真模型,考虑了风场、水文和地形等多个因素的综合影响。通过模拟计算,可以预测咸潮的水位、流速、盐度等参数在时空上的变化,这样有助于深入理解咸潮的动力学过程,并提供了对咸潮现象的量化描述和预测。然后,通过对咸潮风场数据、咸潮水文数据和咸潮地形数据进行典型时序整合分析,通过整合不同时期的数据,可以获得具有代表性的典型咸潮组合参数数据,包括水位、流速、盐度等,这样的数据整合有助于把握咸潮的时间变化规律和空间分布特征,为后续的模型分析和调整提供基础。接下来,通过对典型三维咸潮组合参数数据进行特征模式分析,通过统计分析和模式提取的方法,可以识别和描述典型咸潮组合的特征和规律,这包括对咸潮的振幅、相位、周期等参数进行分析,找出具有代表性的特征模式,通过这一分析有助于深入理解咸潮的复杂性和多变性,为进一步的模型调整和优化提供参考依据。最后,根据典型三维咸潮组合数据特征对构建的三维咸潮数值模型进行调整和验证,以获得优化的模型。通过比较模型模拟结果与典型咸潮组合数据特征,可以评估模型的准确性和适用性。如果模型结果与实际数据符合较好,可以认为该模型具有较高的可靠性和预测能力。如果存在差异,可以对模型的参数、边界条件等进行调整和修正,以提高模型的精确性和可靠性。最终得到的优化模型可以更准确地模拟和预测咸潮的动态特征,为咸潮研究和应用提供更可靠的工具和依据。
优选地,步骤S22包括以下步骤:
步骤S221:对咸潮风场数据、咸潮水文数据和咸潮地形数据进行异常滤波处理,得到咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据;
本发明实施咯通过使用滑动平均、高通滤波等方法对咸潮风场数据、咸潮水文数据和咸潮地形数据进行异常滤波处理,以去除咸潮风场数据、咸潮水文数据和咸潮地形数据的短期波动和噪声,最终得到相对平稳的咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据。
步骤S222:对咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据进行时空插值,得到咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据;
本发明实施例通过使用克里金插值、反距离加权插值等方法对咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据在时间和空间上进行平滑插值处理,以填补数据之间的空缺、平滑数据的空间分布,最终得到咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据。
步骤S223:将咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据进行耦合,以构建初始条件和边界条件,得到数值模型的初始条件和边界条件;
本发明实施例通过将咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据进行耦合,以确保数据在空间和时间上保持一致,并分析构建所需的模型初始条件和边界条件,最终得到数值模型的初始条件和边界条件。
步骤S224:基于有限差分法对数值模型的初始条件和边界条件进行咸潮模拟以构建三维咸潮数值模型。
本发明实施例通过使用有限差分法将数值模型的初始条件和边界条件进行差分计算,并根据数值模型的离散差分方程和模拟参数进行数值计算,以模拟咸潮的传播、变化等动态演化过程,最终构建三维咸潮数值模型。
本发明通过对咸潮风场数据、咸潮水文数据和咸潮地形数据进行异常滤波处理,异常滤波的目的是去除原始数据中的噪音和异常值,使数据更加平滑和可靠。通过滤波处理,可以提取出咸潮数据中的主要变化趋势和周期性特征,减少数据的随机波动和异常偏差,为后续的数据处理和分析提供更可靠的数据基础。其次,通过对经过异常处理的咸潮风场数据、咸潮水文数据和咸潮地形数据进行时空插值,时空插值是一种基于有限数据点或网格,通过插值算法推算缺失位置或时间的值的方法。通过插值处理,可以填补数据之间的空缺、平滑数据的空间分布,并获得连续的咸潮风场、水文和地形数据,这样的插值数据可以更好地反映咸潮现象的时空变化规律,为后续的模型构建和分析提供更完整和精确的数据基础。然后,通过将经过插值处理得到的咸潮风场数据、咸潮水文数据和咸潮地形数据进行耦合,该耦合过程是指将不同类型的数据整合在一起,以构建数值模型所需的初始条件和边界条件。通过耦合处理,可以将空间上各点的数据相互联系起来,并确保数据的一致性和适应模型的要求,这样的初始条件和边界条件为后续的数值模拟提供了准确和一致的输入,使模型能够更真实地反映咸潮过程的特征和动态变化。最后,基于有限差分法对经过耦合得到的数值模型的初始条件和边界条件进行咸潮模拟,该有限差分法能够将计算区域离散为网格,并基于泰勒级数展开和差分逼近,将偏微分方程转化为差分方程,通过迭代求解差分方程,最终得到数值解。通过对初始条件和边界条件进行差分计算,可以模拟咸潮的动态演化过程,得到咸潮的三维空间分布和时变特性,这样模拟构建的数值模型能够提供对咸潮现象的定量描述和预测,从而为咸潮研究和应用提供重要的工具和参考。
优选地,步骤S3包括以下步骤:
步骤S31:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率参数提取,得到各咸潮水文组合河床糙率相关参数数据;
本发明实施例通过从水文观测站点、遥感数据等渠道获取包括水位、流速、底摩擦力等与水文条件相关的参数,以得到咸潮水文组合参数数据,然后,通过分析咸潮水文组合参数数据,以提取出与河床糙率相关的参数数据,最终得到各咸潮水文组合河床糙率相关参数数据。
步骤S32:利用河床糙率计算公式对各咸潮水文组合河床糙率相关参数数据进行河床糙率计算,得到各咸潮水文组合河床糙率值;
本发明实施例通过结合河床河道总深度、河床糙率的河床粗糙系数、水流阻力影响系数、指数影响调整参数、河床水流速度、重力加速度、河床河道水深度、河床欧拉法线高度、时间变化参数以及相关参数构建一个合适的河床糙率计算公式进行河床糙率计算,最终得到各咸潮水文组合河床糙率值。
步骤S33:通过地理信息***将各咸潮水文组合河床糙率值与对应的空间坐标进行场源关联处理,得到各咸潮水文组合河床糙率场;
本发明实施例通过使用地理信息***将各咸潮水文组合河床糙率值与其在地理空间上对应的空间坐标进行关联匹配处理,根据地理信息***的数据处理功能将各咸潮水文组合河床糙率值以地理空间的形式表示河床糙率分布情况,最终得到各咸潮水文组合河床糙率场。
步骤S34:利用逐时插值算法对各咸潮水文组合河床糙率场进行逐时面插值处理,得到咸潮河床糙率场插值结果数据;
本发明实施例通过使用克里金插值、反距离加权插值等逐时插值算法在不同时间步长和不同空间位置上对各咸潮水文组合河床糙率场进行逐时面平滑插值,以获取连续的咸潮河床糙率场,根据需要的时间间隔和空间分辨率,最终得到咸潮河床糙率场插值结果数据。
步骤S35:对咸潮河床糙率场插值结果数据进行分块采样,以得到咸潮河床糙率场数据集。
本发明实施例首先根据实际需求将咸潮河床糙率场插值结果数据进行分块处理,将咸潮河床糙率场插值结果数据按照一定的空间范围进行划分,并对每个分块区域进行随机采样,以获取离散的咸潮河床糙率场数据点集,然后对采样得到的咸潮河床糙率场数据点集进行整理,最终得到咸潮河床糙率场数据集。
本发明首先通过获取咸潮水文组合的参数数据,这些参数可以包括与水文特征、潮汐条件、河道特性等相关的数据。通过收集和整理这些参数数据,可以建立咸潮水文组合的参数库。同时,通过对咸潮水文组合参数数据进行分析和处理,以提取出与河床糙率相关的参数信息,其中与河床糙率相关的参数包括河床河道总深度、河床粗糙系数、水流阻力影响系数等参数,这些参数可以用于描述咸潮水文组合中河床的特性和影响因素,从而为后续的河床糙率计算和插值提供基础。其次,通过使用合适的河床糙率计算公式对各咸潮水文组合河床糙率相关参数数据进行河床糙率计算,根据所采用的计算公式和方法,结合参数数据进行计算,得到各个咸潮水文组合的河床糙率值。河床糙率的计算是基于底床特性、流速以及流体物理性质等因素,通过计算可以获得河道中水流的阻力特性,进而影响咸潮水文过程的模拟结果。然后,通过使用地理信息***(GIS)将各咸潮水文组合的河床糙率值与对应的空间坐标进行场源关联处理,得到各咸潮水文组合的河床糙率场。通过将河床糙率值与空间坐标相对应,可以生成河道中不同位置的河床糙率分布图,即河床糙率场,以展示糙率在空间上的变化情况,这样的河床糙率场可以提供给后续的模型模拟和分析,用于揭示咸潮水文对河床糙率分布的响应和影响。接下来,通过使用逐时插值算法对各咸潮水文组合河床糙率场进行逐时面插值处理,该逐时插值算法是一种基于时间和空间的插值方法,用于根据有限的观测点数据生成连续的时间和空间格点数据。通过逐时插值处理,可以获得咸潮河床糙率在不同时间步长和不同空间位置上的插值结果,这样的插值结果数据能够提供咸潮水文过程中河床糙率的时空变化信息,有助于分析咸潮水位、流速、洪水演进等方面的动态变化规律。最后,通过对咸潮河床糙率场插值结果数据进行分块采样,能够将连续的河床糙率场数据划分为多个块状区域,每个区域包含特定的河道段或空间范围。通过分块采样,还可以提取出具体区域的咸潮河床糙率数据集,方便进一步的分析和应用。
优选地,步骤S33中的河床糙率计算公式具体为:
;
式中,为各咸潮水文组合河床糙率值,/>为河床河道总深度,/>为河床糙率的河床粗糙系数,/>为河床糙率的水流阻力影响系数,/>为河床糙率的指数影响调整参数,/>为河床水流速度,/>为重力加速度,/>为河床河道水深度,/>为河床欧拉法线高度,/>为河床欧拉法线高度的时间变化参数,/>为各咸潮水文组合河床糙率值的修正值。
本发明构建了一个河床糙率计算公式,用于对各咸潮水文组合河床糙率相关参数数据进行河床糙率计算,该河床糙率计算公式综合考虑了河床表面粗糙度、水流速度、水深和河床高程等因素,通过将这些因素纳入计算公式中,可以更全面地描述河床的糙度特征,使得糙率值更准确地反映实际情况。同时,河床糙率是描述水流通过河道时受到的阻力的重要参数,通过计算河床糙率值,可以定量评估河道内水流的阻力大小,从而了解水流的流体动力特性,包括速度分布、能量损失等,这对于水力学分析、河道设计和水文模拟等应用具有重要意义。该河床糙率计算公式是基于物理过程和流体力学原理建立,将河床表面粗糙度与水流阻力紧密联系起来,这样可以更准确地模拟水流在河道中的传输、泥沙输移和悬浮物扩散等过程,从而提高河床糙率计算的可靠性和逼真度。另外,还通过引入修正值,可以进一步提高河床糙率计算计算的准确性,使得结果更贴近实际情况。该公式充分考虑了各咸潮水文组合河床糙率值,河床河道总深度/>,河床糙率的河床粗糙系数/>,河床糙率的水流阻力影响系数/>,河床糙率的指数影响调整参数/>,河床水流速度/>,重力加速度/>,河床河道水深度/>,河床欧拉法线高度/>,河床欧拉法线高度的时间变化参数/>,各咸潮水文组合河床糙率值的修正值/>,根据各咸潮水文组合河床糙率值/>与以上各参数之间的相互关联关系构成了一种函数关系:
;
该河床糙率计算公式能够实现对各咸潮水文组合河床糙率相关参数数据的河床糙率计算过程,同时,通过各咸潮水文组合河床糙率值的修正值的引入可以根据实际情况进行调整,从而提高河床糙率计算公式的准确性和适用性。
优选地,步骤S4包括以下步骤:
步骤S41:通过ConvLSTM构建ConvLSTM咸潮预测模型,根据咸潮整编历史风场集和咸潮河床糙率场数据集并通过引入时空注意力机制对ConvLSTM咸潮预测模型进行自适应关注调节处理,得到ConvLSTM咸潮强关注预测模型;
本发明实施例通过使用ConvLSTM算法框架结合卷积神经网络和长短期记忆网络的时空建模方法构建ConvLSTM咸潮预测模型,将咸潮整编历史风场集和咸潮河床糙率场数据集作为模型的输入数据并通过引入时空注意力机制对ConvLSTM咸潮预测模型进行自适应关注调节,以提高ConvLSTM咸潮预测模型对重要时空特征的捕捉能力,最终得到ConvLSTM咸潮强关注预测模型。
步骤S42:通过对ConvLSTM咸潮强关注预测模型的隐藏层进行跨层特征融合连接,并通过对ConvLSTM咸潮强关注预测模型进行迁移学习与域适应,以优化ConvLSTM咸潮强关注预测模型的网络权重参数,得到ConvLSTM咸潮预测优化模型;
本发明实施例通过对ConvLSTM咸潮强关注预测模型的不同隐藏层的特征进行跨层融合,增强ConvLSTM咸潮强关注预测模型对不同时间尺度和空间特征的有效捕捉能力,以提取更加丰富的时空特征,进一步优化模型的性能,同时,通过将ConvLSTM咸潮强关注预测模型参数迁移到不同的数据集或环境下进行学习改善性能,并在该不同的数据集或环境下进行域适应,通过对源域与目标域之间的差异进行建模和调整优化网络权重参数,以实现在目标域上更好的泛化性能,最终得到ConvLSTM咸潮预测优化模型。
步骤S43:对咸潮整编历史风场集和咸潮河床糙率场数据集进行时间步堆叠处理,得到咸潮整编历史风场时程特征图和咸潮河床糙率场时程特征图;
本发明实施例通过将连续的咸潮整编历史风场集和咸潮河床糙率场数据集按照时间顺序进行时间步堆叠,其中每个时间步表示一个时间点的咸潮整编历史风场集和咸潮河床糙率场数据集,最终得到咸潮整编历史风场时程特征图和咸潮河床糙率场时程特征图。
步骤S44:通过ConvLSTM咸潮预测优化模型对咸潮整编历史风场时程特征图进行时间步模块预测处理,得到各层时间步的咸潮整编历史风场预测结果和风场图像通道数;
本发明实施例通过将咸潮整编历史风场时程特征图作为ConvLSTM咸潮预测优化模型的输入,并利用ConvLSTM咸潮预测优化模型的模块化函数对各隐藏层进行时间步模块划分处理,根据咸潮整编历史风场时程特征图的时序信息进行预测,最终得到各层时间步的咸潮整编历史风场预测结果和风场图像通道数。
步骤S45:通过ConvLSTM咸潮预测优化模型对咸潮河床糙率场时程特征图进行时间步模块预测处理,得到各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数;
本发明实施例通过将咸潮河床糙率场时程特征图作为ConvLSTM咸潮预测优化模型的输入,并利用ConvLSTM咸潮预测优化模型的模块化函数对各隐藏层进行时间步模块划分处理,根据咸潮河床糙率场时程特征图的时序信息进行预测,最终得到各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数。
步骤S46:对各层时间步的咸潮整编历史风场预测结果和风场图像通道数以及各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数进行模型目标时段集成预测,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集。
本发明实施例通过将各层时间步的咸潮整编历史风场预测结果和风场图像通道数作为下一层的输入进行迭代集成融合,并对其进行目标时段预测,以得到咸潮目标时段风场数据集,然后,通过将各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数作为下一层的输入进行迭代集成融合,并对其进行目标时段预测,以得到咸潮目标时段糙率场数据集。
本发明通过使用ConvLSTM构建ConvLSTM咸潮预测模型,ConvLSTM是一种结合了卷积神经网络(Convolutional Neural Network)和长短期记忆网络(Long Short-TermMemory)的模型架构。通过构建ConvLSTM咸潮预测模型,可以实现对咸潮现象的预测。在训练过程中,利用咸潮整编历史风场集和咸潮河床糙率场数据集作为输入,通过ConvLSTM网络学习时空信息的模式和规律。同时,为了更好地关注咸潮预测中的重要时空特征,引入时空注意力机制来自适应地调节ConvLSTM咸潮预测模型的关注程度,这样可以提高模型对重要时空特征的捕捉能力,从而增强预测的准确性和可靠性。其次,通过对ConvLSTM咸潮强关注预测模型进行进一步优化。首先,通过跨层特征融合连接方式,将隐藏层中的特征进行整合,以增强模型对不同时间尺度和空间特征的有效捕捉和表达能力。然后,应用迁移学习和域适应的方法对ConvLSTM咸潮强关注预测模型进行优化。迁移学习利用已训练好的模型参数作为初始值,加快模型训练过程,并提高模型的泛化能力。域适应则用于处理模型在不同数据集或环境下的适应性问题,从而提高模型在实际应用中的效果和稳定性。此外,通过对咸潮整编历史风场集和咸潮河床糙率场数据集进行时间步堆叠处理,将连续多个时间步的相关数据作为输入,使模型能够学习和利用时间序列数据中的时序信息。通过时间步堆叠处理,可以生成咸潮整编历史风场时程特征图和咸潮河床糙率场时程特征图,其中每个时刻的特征图代表了该时刻的风场或河床糙率场的空间分布情况,这样的时程特征图对于模型的输入具有时间连续性,能够更好地捕捉咸潮的时空变化规律。接下来,通过利用已优化的ConvLSTM咸潮预测模型对咸潮整编历史风场时程特征图进行时间步模块预测处理,能够根据已有的时间序列特征预测出下一个时间步的风场情况,以准确得到各个时间步的咸潮整编历史风场预测结果,这包括了不同时间步的风场图像通道数,这些预测结果能够反映出咸潮整编历史风场在具体时段内的时空变化特征,为咸潮预测提供重要依据。并且,通过利用已优化的ConvLSTM咸潮预测模型对咸潮河床糙率场时程特征图进行时间步模块预测处理,能够根据已有的时间序列特征预测出下一个时间步的河床糙率场情况。经过时间步模块预测,得到各个时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数,这些预测结果能够反映出咸潮河床糙率场在具体时段内的时空变化特征,从而为咸潮预测提供重要依据。最后,通过对各时间步的预测结果进行集成预测,可以综合考虑模型在目标时段上的预测结果,以得到更准确和稳定的预测值。咸潮目标时段的风场数据集和糙率场数据集可以提供详细的时空信息,包含了预测时段内咸潮的风场分布和河床糙率特征,这些数据对于咸潮的预测、分析与决策制定具有重要意义。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,包括以下步骤:
步骤S1:获取咸潮风场数据,对咸潮风场数据进行历史整编分析,以得到咸潮整编历史风场集;
步骤S2:获取咸潮水文数据和咸潮地形数据,利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型;
步骤S3:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率提取计算,得到各咸潮水文组合河床糙率场;对各咸潮水文组合河床糙率场进行逐时面插值处理,以得到咸潮河床糙率场数据集;
步骤S4:通过ConvLSTM对咸潮整编历史风场集和咸潮河床糙率场数据集进行深度学习预测分析,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集;
步骤S5:获取目标预报时段的潮汐预报外海潮位成果数据,利用三维咸潮数值优化模型对咸潮目标时段风场数据集、咸潮目标时段糙率场数据集以及目标预报时段的潮汐预报外海潮位成果数据进行三维咸潮数值模拟,以得到三维咸潮预测场数据集;根据三维咸潮预测场数据集以执行相应的咸潮预报工作。
2.根据权利要求1所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取咸潮风场数据;
步骤S12:对咸潮风场数据进行风向数据提取以及风速数据提取,以得到咸潮风向数据以及咸潮风速数据;
步骤S13:对咸潮风向数据进行风向历史回溯分析,得到咸潮历史风向数据;
步骤S14:对咸潮风速数据进行风速历史回溯分析,得到咸潮历史风速数据;
步骤S15:对咸潮历史风向数据和咸潮历史风速数据进行时间对齐以及插值整编处理,以得到咸潮整编历史风场集。
3.根据权利要求2所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S13包括以下步骤:
步骤S131:利用风向频率计算公式对咸潮风向数据进行频率计算,得到咸潮风向频率值;
步骤S132:根据咸潮风向频率值对咸潮风向数据进行时间变化趋势探索,以生成咸潮风向变化模式曲线图;
步骤S133:对咸潮风向变化模式曲线图进行异常波动检测,以生成咸潮风向变化异常波动点;
步骤S134:对咸潮风向变化异常波动点进行异常修正处理,得到咸潮风向变化模式曲线修正图;
步骤S135:对咸潮风向变化模式曲线修正图进行历史统计回溯分析,得到咸潮历史风向数据。
4.根据权利要求3所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S131中的风向频率计算公式具体为:
;
式中,为咸潮风向频率值,/>为咸潮风向的角度,/>为咸潮风向数据在频率空间中的横向空间坐标,/>为咸潮风向数据在频率空间中的纵向空间坐标,/>为咸潮风向数据在频率空间中的横向波矢,/>为咸潮风向数据在频率空间中的纵向波矢,/>为频率空间相位虚数单位,/>为咸潮风向数据中风向频率分量的数量,/>为咸潮风向数据中第/>个风向频率分量的波动影响振幅,/>为咸潮风向数据中第/>个风向频率分量的波动影响角频率,/>为咸潮风向频率值的修正值。
5.根据权利要求2所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S14包括以下步骤:
步骤S141:对咸潮风速数据进行气候变化影响分析,得到咸潮风速气候变化影响因素数据;
步骤S142:根据咸潮风速气候变化影响因素数据对咸潮风速数据进行影响波动修复处理,得到咸潮风速异常影响修复数据;
步骤S143:对咸潮风速异常影响修复数据进行风速变化模式识别分析,得到咸潮风速变化模式数据;
步骤S144:对咸潮风速异常影响修复数据进行空间径向分析,得到咸潮风速空间尺度变化模式数据;
步骤S145:对咸潮风速变化模式数据以及咸潮风速空间尺度变化模式数据进行历史趋势回溯分析,得到咸潮历史风速数据。
6.根据权利要求1所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取咸潮水文数据和咸潮地形数据;
步骤S22:利用咸潮风场数据、咸潮水文数据和咸潮地形数据进行咸潮模拟以构建三维咸潮数值模型;
步骤S23:对咸潮风场数据、咸潮水文数据和咸潮地形数据进行典型时序整合分析,得到典型三维咸潮组合参数数据;
步骤S24:对典型三维咸潮组合参数数据进行特征模式分析,得到典型三维咸潮组合数据特征;
步骤S25:根据典型三维咸潮组合数据特征对三维咸潮数值模型进行调整验证,以得到三维咸潮数值优化模型。
7.根据权利要求6所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S22包括以下步骤:
步骤S221:对咸潮风场数据、咸潮水文数据和咸潮地形数据进行异常滤波处理,得到咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据;
步骤S222:对咸潮风场异常处理数据、咸潮水文异常处理数据以及咸潮地形异常处理数据进行时空插值,得到咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据;
步骤S223:将咸潮风场插值数据、咸潮水文插值数据以及咸潮地形插值数据进行耦合,以构建初始条件和边界条件,得到数值模型的初始条件和边界条件;
步骤S224:基于有限差分法对数值模型的初始条件和边界条件进行咸潮模拟以构建三维咸潮数值模型。
8.根据权利要求1所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取咸潮水文组合参数数据,并对咸潮水文组合参数数据进行河床糙率参数提取,得到各咸潮水文组合河床糙率相关参数数据;
步骤S32:利用河床糙率计算公式对各咸潮水文组合河床糙率相关参数数据进行河床糙率计算,得到各咸潮水文组合河床糙率值;
步骤S33:通过地理信息***将各咸潮水文组合河床糙率值与对应的空间坐标进行场源关联处理,得到各咸潮水文组合河床糙率场;
步骤S34:利用逐时插值算法对各咸潮水文组合河床糙率场进行逐时面插值处理,得到咸潮河床糙率场插值结果数据;
步骤S35:对咸潮河床糙率场插值结果数据进行分块采样,以得到咸潮河床糙率场数据集。
9.根据权利要求8所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S32中的河床糙率计算公式具体为:
;
式中,为各咸潮水文组合河床糙率值,/>为河床河道总深度,/>为河床糙率的河床粗糙系数,/>为河床糙率的水流阻力影响系数,/>为河床糙率的指数影响调整参数,/>为河床水流速度,/>为重力加速度,/>为河床河道水深度,/>为河床欧拉法线高度,/>为河床欧拉法线高度的时间变化参数,/>为各咸潮水文组合河床糙率值的修正值。
10.根据权利要求1所述的基于ConvLSTM和三维数值模拟的咸潮预报方法,其特征在于,步骤S4包括以下步骤:
步骤S41:通过ConvLSTM构建ConvLSTM咸潮预测模型,根据咸潮整编历史风场集和咸潮河床糙率场数据集并通过引入时空注意力机制对ConvLSTM咸潮预测模型进行自适应关注调节处理,得到ConvLSTM咸潮强关注预测模型;
步骤S42:通过对ConvLSTM咸潮强关注预测模型的隐藏层进行跨层特征融合连接,并通过对ConvLSTM咸潮强关注预测模型进行迁移学习与域适应,以优化ConvLSTM咸潮强关注预测模型的网络权重参数,得到ConvLSTM咸潮预测优化模型;
步骤S43:对咸潮整编历史风场集和咸潮河床糙率场数据集进行时间步堆叠处理,得到咸潮整编历史风场时程特征图和咸潮河床糙率场时程特征图;
步骤S44:通过ConvLSTM咸潮预测优化模型对咸潮整编历史风场时程特征图进行时间步模块预测处理,得到各层时间步的咸潮整编历史风场预测结果和风场图像通道数;
步骤S45:通过ConvLSTM咸潮预测优化模型对咸潮河床糙率场时程特征图进行时间步模块预测处理,得到各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数;
步骤S46:对各层时间步的咸潮整编历史风场预测结果和风场图像通道数以及各层时间步的咸潮河床糙率场预测结果和河床糙率场图像通道数进行模型目标时段集成预测,得到咸潮目标时段风场数据集和咸潮目标时段糙率场数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345170.9A CN117113854B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345170.9A CN117113854B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113854A CN117113854A (zh) | 2023-11-24 |
CN117113854B true CN117113854B (zh) | 2024-02-02 |
Family
ID=88809350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345170.9A Active CN117113854B (zh) | 2023-10-18 | 2023-10-18 | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113854B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709242B (zh) * | 2024-02-05 | 2024-04-09 | 珠江水利委员会珠江水利科学研究院 | 一种河口咸潮上溯强度评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992960A (zh) * | 2017-11-03 | 2018-05-04 | 中山大学 | 河口区咸潮上溯含氯度模拟预报方法 |
CN109086933A (zh) * | 2018-08-03 | 2018-12-25 | 中山大学 | 一种咸潮中长期预报方法 |
WO2019200743A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
AU2020102630A4 (en) * | 2019-11-01 | 2021-01-21 | North China Electric Power University | Method for acquiring roughness of river channels under gradually-varied flow conditions |
CN113887819A (zh) * | 2021-10-20 | 2022-01-04 | 珠江水资源保护科学研究所 | 一种河口枯水期的咸潮预报方法及预报设备 |
CN114862015A (zh) * | 2022-04-29 | 2022-08-05 | 中国科学院南海海洋研究所 | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 |
CN116776539A (zh) * | 2023-05-09 | 2023-09-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和*** |
-
2023
- 2023-10-18 CN CN202311345170.9A patent/CN117113854B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992960A (zh) * | 2017-11-03 | 2018-05-04 | 中山大学 | 河口区咸潮上溯含氯度模拟预报方法 |
WO2019200743A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技(深圳)有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
CN109086933A (zh) * | 2018-08-03 | 2018-12-25 | 中山大学 | 一种咸潮中长期预报方法 |
AU2020102630A4 (en) * | 2019-11-01 | 2021-01-21 | North China Electric Power University | Method for acquiring roughness of river channels under gradually-varied flow conditions |
CN113887819A (zh) * | 2021-10-20 | 2022-01-04 | 珠江水资源保护科学研究所 | 一种河口枯水期的咸潮预报方法及预报设备 |
CN114862015A (zh) * | 2022-04-29 | 2022-08-05 | 中国科学院南海海洋研究所 | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 |
CN116776539A (zh) * | 2023-05-09 | 2023-09-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和*** |
Non-Patent Citations (1)
Title |
---|
长江口咸潮入侵预报***的设计与应用;陶英佳等;华东师范大学学报(自然科学版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113854A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580328B (zh) | 一种地下水位监测值缺失的修复方法 | |
CN112099110B (zh) | 基于机器学习和遥感数据的海洋内波预报方法 | |
Stojanovic et al. | A self-tuning system for dam behavior modeling based on evolving artificial neural networks | |
Shi et al. | Probabilistic real-time deep-water natural gas hydrate dispersion modeling by using a novel hybrid deep learning approach | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
CN103198215A (zh) | 一种基于差异进化支持向量机的坑外土体沉降预测方法 | |
Feng et al. | Physics‐Informed Neural Networks of the Saint‐Venant Equations for Downscaling a Large‐Scale River Model | |
CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
Wang et al. | Integration of data-driven and physics-based modeling of wind waves in a shallow estuary | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能*** | |
Ehlers et al. | Using a simple post-processor to predict residual uncertainty for multiple hydrological model outputs | |
CN117077554B (zh) | 一种基于ConvGRU的三维咸潮预报方法 | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及*** | |
Khairudin et al. | In-Depth review on machine learning models for long-term flood forecasting | |
Rajabi-Kiasari et al. | Forecasting of absolute dynamic topography using deep learning algorithm with application to the Baltic Sea | |
CN105893329A (zh) | 一种基于月尺度的潮位资料一致性修正方法 | |
Al Mehedi et al. | Unraveling The Complexities of Urban Flood Hydraulics Through AI | |
Nawab et al. | Comparison of ANN global horizontal irradiation predictions with satellite global horizontal irradiation using statistical evaluation | |
Galanis et al. | A new Kalman filter based on Information Geometry techniques for optimizing numerical environmental simulations | |
HADJI | A coupled models Hydrodynamics-Multi headed Deep convolutional neural network for rapid forecasting large-scale flood inundation | |
CN116204836B (zh) | 一种河口滩涂红树林宜林区筛选方法 | |
Du et al. | Neural network models for seabed stability: a deep learning approach to wave-induced pore pressure prediction | |
CN117634325B (zh) | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和*** |
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 |