激流怪潮發(fā)生機理研究與預警統計模式研究.pdf

1、蘇北淺灘南通海域附近在最近幾年經常會發(fā)生海難事故,事故過程類似。海水經常莫名其妙地洶涌而至,而且漲潮速度很快。這給生活在該區(qū)域的漁民的生命和財產安全帶來了極大的隱患。而這種看似詭異的漲潮也被民間百姓稱為“怪潮”。為了解決“怪潮”給當地漁民所帶來的恐懼問題,國家海洋局組織了大量的人力、物力以及財力,重點突擊解決這一高難度問題。本課題組作為該國家海洋公益性項目的子課題承擔單位之一,提出了采用數理統計的數學方法針對該區(qū)域發(fā)生的事故原因進行深入

2、分析。主要的研究成果如下所示。根據該淺灘區(qū)域的高分辨率和低分辨率的遙感影像圖,可以清晰地看出該近海區(qū)域地形地貌的變化。主要是由于河流的搬運作用,將陸源沉積物不斷向海岸搬遷。根據高分辨率的遙感影像圖,可以發(fā)現,人為的近岸灘涂圍墾也向海域延伸,這也就加劇了該區(qū)域地形的變動。
　　本文針對地形對“怪潮”發(fā)生的影響,建立了溝槽流速通量分析模型。通過ArcGIS軟件對地形數據進行了插值分析,可以發(fā)現,蘇北淺灘的地形特殊,成多條沙脊狀,到近海

3、地帶,地形會變淺變窄。根據流量與流速的量化關系,采用MATLAB、EXCEL等數據編程軟件,量化得出了近海岸流速會增加的結論。在使用統計學方法對海洋要素數據進行分析,主要分成以下三種模型:多變量自回歸模型;人工神經網絡模型;非線性混沌動力學模型。多變量自回歸模型(AR模型),是將各個按時間尺度排列的海洋要素,按照時間序列的處理方法,尋找到最適的模型階數。這也就得出能夠影響當前的海洋要素數值的時間尺度。根據最適模型階數,采用極大似然法計算

4、出模型的自相關系數,建立起AR模型。模型的自相關系數矩陣,就充分反映出各個海洋要素在不同時間維度上的相互之間的線性定量關系。通過統計的方法尋找到流速突變的原因。在本文重點的研究時間段內,風速會對潮位產生一定的影響,會造成潮位增加或者減小,而潮位的變化會對海洋的流速產生影響。人工神經網絡模型的目的是,通過建立時間延遲網絡,尋找出各個海洋要素在不同時間維度上相互之間的非線性關系。神經網絡的特點是,在每個神經元內所發(fā)生的計算都很簡單,但是每個

5、簡單的神經元一層接一層地連接起來,就形成了龐大復雜的神經網絡,猶如腦神經一般。在進行數據擬合的過程中,多變量的輸入向量使用神經網絡進行擬合,效果并不好,不如單變量的輸入向量擬合效果好。而采用神經網絡模型進行預測,效果也并不理想,這主要是因為網絡中權重個數太多,使得預測出的結果會發(fā)生很大的偏差。非線性混沌動力學模型,也是尋找出各個海洋要素之間的非線性關系。還有一個重要作用就是計算出分析數據的Lyapunov指數和kolmogrov熵。根據