连云港海域“达维”台风风暴潮数值模拟*

“达维”台风是建国以来登陆长江以北地区最强的台风。应用Jelesnianski台风参数模型、MIKE-SW波浪模型和MIKE-FM潮流模型,研究该台风在江苏海域登陆过程中台风浪、风暴潮的分布特征。计算结果表明,台风参数模型和台风浪模型验证较好,能够为风暴潮模拟提供准确的动力条件。台风过境期间,连云港海域最大风速超过40 ms,产生明显的海面强烈上升现象,台风中心附近水域最大风暴增水为1.7～1.8 m,高潮时刻风暴增水为0.6～0.7 m。该模拟系统能够准确模拟台风过境期间连云港海域风暴潮变化过程,对防灾减灾的数值预报具有重要价值。     

长江口徐六泾水文站极值水位研究

在气候变化背景下,极端天气和水位事件频发。为了分析长江口极端潮位的长周期特征,研究基于极值理论相关方法,采用近33 a实测资料对长江口极值潮位趋势性和重现期进行分析,结果表明：长江口徐六泾站年极值水位呈轻微下降趋势,直接原因是大通流量减少导致当地年均海面的下降;区分组模型结果显示,台风“温妮”期间长江口造成的风暴潮位为100 a一遇,而POT模型计算结果仅为60 a一遇,100 a一遇重现期潮位约7.0 m;潮位重现期的计算本质是一种用频率代替概率、从样本推求整体的过程,具有一定不确定性。其意义在于以可获取的数据为基础,计算事件发生的风险率,旨在为工程设计或风险管理提供依据。     

基于潮波数值模拟技术的潮位推算及其精度验证

基于潮波数值模拟技术的潮位推算算法可以推算测区内任一区域的潮位,减少临时验潮站,尤其是海上定点验潮站的布设,避免潮位改正模型的误差。文章利用实测潮位资料对基于数值模拟技术的推算潮位进行了验证,取得了较好的结果。     

船舶运动极短期预报研究

本文通过对两艘有航速情况下的船舶运动实测数据的分析，试图寻求一种准确程度较高的极短期预报模型。该文共分两部分，第一部分利用ＡＲ模型导出多级ＡＲ模型，预报精度明显提高。在对运动瞬时值预报中，利用包络对结果进行修正，精度有所改进；第二部分利用人工神经网络导出了包络的预报模式，预报精度明显高于ＡＲ模型。     

江苏沿海近岸台风浪数值模拟*

以台风“梅花”为例,采用QSCAT/NCEP再分析风场资料和捷氏台风经验模型构造混合型台风风场,以此作为驱动条件,利用MIKE21波浪谱模型对江苏沿海近岸台风浪进行数值模拟,并针对潮位变化对模拟结果的影响进行对比分析.结果表明,该模拟方法可以较好地复演台风浪发展的整个过程,而考虑潮位变化的影响有助于台风浪模拟精度的提高.     

黄骅港传统预报与实测潮位差异分析及潮位实时推算方法

基于黄骅港港池站和航道40+0站的一年期潮位实测资料及该海域的一年期气象资料,对两站传统预报与实测潮位的差异进行了统计分析,对两站的余水位特性及变化规律进行了研究。研究成果表明:(1)黄骅港传统预报潮位与实测潮位存在一定差别,对于黄骅港乘潮时间较长的航道,传统的潮位预报值还不能作为乘潮进出港的依据,因此进行实时潮位遥测遥报是必要的;(2)港池、航道40+0两站之间的余水位变化具有很强的相关性,可以用余水位修正的方法建立这一水域内相关站点之间的潮位推算模型,实现利用岸基遥测遥报潮位实时推算整个航道潮位。     

大数据环境下的船舶中间产品装配工时预测模型

基于大数据环境提出考虑误差修正的两阶段船舶中间产品装配工时预测模型。从船舶设计软件中提取中间产品装配工艺信息，建立反向传播神经网络(Back Propagation Neural Network, BPNN)模型，实现装配工时的初步预测。采集对装配工时预测可能造成影响的外界因素大数据，建立基于极端梯度提升(Extreme Gradient Boosting, XGBoost)算法的装配工时预测误差修正模型。两阶段预测结果相加得到装配工时预测值。实例验证该预测模型的有效性，可为船舶企业完善装配工时管理提供切实可行的解决思路。     

船舶横向运动短期姿态预报数学建模可行性研究

传统的船舶横向运动短期姿态预报数学模型存在着预报性能低的缺陷,为此提出船舶横向运动短期姿态预报数学建模可行性研究。采用平均滤除法对船舶横向运动数据中的不良数据进行去除,完成船舶横向运动数据准备,将得到的船舶横向运动数据进行归一化处理,适应预报函数的需求,将得到的归一化的船舶横向运动数据输入到BP神经网络算法中完成船舶横向运动短期姿态的预报,实现了船舶横向运动短期姿态预报数学模型的建立。通过实验得到,构建的船舶横向运动短期姿态预报数学模型预报误差比传统模型低了21.41%,预报时间比传统模型高出3.25 s,充分说明构建的船舶横向运动短期姿态预报数学模型具备良好的可行性与预报性能。     

基于电子海图的船舶绕避台风系统设计与实现

发挥电子海图显示平台优势,引入基于台风预报误差遭遇概率算法,设计了基于电子海图的船舶绕避台风系统,将台风基本数据信息和船舶航行基本信息,如船舶位置、航线以及台风的位置、行进路线等直观地显示在电子海图上,并运用台风预报误差遭遇概率算法,可快速、准确地制定出船舶绕避台风方案。利用此系统可有效、直观显示船舶和台风的相对动态关系,从而制定船舶绕避台风的航速和航线规划,保证船舶在恶劣的台风天气中的航行安全。     

基于AutoML的长江下游周旬尺度枯水位及潮位预报

基于微软在2018年发布的自动化机器学习建模平台Azure AutoML,探索长江下游水位及潮位预报模型构建与应用。以大通枯水期周旬尺度最低水位、南京未来14与20次低潮中最低潮位的预报为例，开展研究并从模型构建与评估、预报精度、输入因子重要性等角度进行分析。研究结论表明：微软Azure AutoML平台可便捷地进行自动化机器学习模型的构建；两站点的预报模型在2014—2020年模型构建过程、2021年模型精度分析过程中均取得较高的精度指标，但在最低水位(潮位)波动变幅较大的阶段，预报模型的性能有待进一步提高；大通站不同预见期预报模型的重要输入因子较为一致，排名前三的重要变量依次为八里江、大通、安庆水位；南京潮位预报规律较为复杂，应尽量纳入更长时段的前期潮位信息。     

亚航QZ8501搜救航路GPS高程数据研究

文章针对"南海救101"轮前往爪哇海QZ8501失事区域一段330 km航路上记录的GPS数据,进行粗差剔除和小波去噪,得到平滑的GPS高程数据。根据DTU10全球海洋潮汐模型的主要分潮,预报了航路上4个站位的潮位数据,按照时间最近、距离最小的原则得到了船舶航路上的潮位。按照航路的地理坐标,提取出了DTU10全球平均海平面模型的数据。将平滑的GPS高程数据与DTU10模型数据进行比较分析,得到了推算潮位,并将推算潮位与预报潮位进行了比较分析,两者的平均差值为-0.11 m,可以满足远海水深小于200 m的区域的潮位改正需求。     

船用台风路径和强度预报方法

改进了船用台风短期预报方法并提出了一种中期预报的新方法。前者通过增大样本和扩大海区范围,分别对东海、南海和西北太平洋海区建立６ｈ～７２ｈ的ＣＬＩＰＥＲ路径预报方程。后者通过联合应用逐步回归、相似离度、数据库和最小二乘法来预报台风６ｈ～１４４ｈ的路径和强度。结果表明,改进方法效果明显,可成为船用台风短期路径预报的基本方法;新方法能有效预报台风中期趋势、衰亡时间,还对异常台风有一定预报能力;预报精度较高,且操作简便易行,适合装有微机的船舶使用     

基于SPSS技术的船舶操纵性指数K、T预报

为了提高船舶操纵性指数K、T的预报精度以便更好地评价船舶性能,采用多元非线性回归模型,利用SPSS软件对43艘商船的K、T指数实船试验结果进行了回归分析。研究了对K、T有显著影响的非线性因素,给出了两个最优回归多项式。以某杂货船为例进行了操纵性指数的预报,预报效果令人满意,K、T误差分别为4.4%和1.1%。与原有的线性模型相比,预报误差分别减小了16.4%和70.3%。该文提出的非线性模型在回归方程的显著性以及对K′、T′值的预报准确性上均较线性模型有了很大提高,对操船者在航海实践中评估船舶的操纵性能有一定的参考价值。     

台风“鲇鱼”作用下南海波浪场的数值模拟研究

运用第三代海浪模式WAVEWATCHⅢ,以台风模型风场与美国NCEP风场的合成风场为驱动风场,模拟西北太平洋在台风"鲇鱼"期间的波浪变化情况。在运用卫星高度计波高资料对预报模型进行验证的基础上经进一步分析认为,台风"鲇鱼"产生的波浪在北部湾以风浪为主,涌浪较少,而在北部湾以外的南海产生的波浪以涌浪为主,涌浪波高可达3~6 m,周期为12~16 s。在台风"鲇鱼"由东向变为向北行进过程中,在南海产生的涌浪也由东向逐渐变为东北向。     

基于LSTM神经网络的潮位预报及分析

因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆（Long Short Term Memory,LSTM）神经网络的潮位预报方法,并分别对TPXO 9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站（日照、鲅鱼圈、三亚、北海）的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90、0.001、200。对4个验潮站进行潮位预报,结果表明：当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3～5 cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

感潮河段单站等时距水位非线性优化预报模型

目前感潮河段水位预报模型基于当前站水位、上游径流水位和下游海洋潮位数据进行预报,导致预见期受上游来流时间制约、上下游站数据缺失情况下无法进行预报、数据采集成本高等问题。文章假设感潮河段水位由径流因素和潮汐因素共同线性作用,基于单站等时距水位数据,建立了包含一个径流动力修正系数和若干个潮汐调和分潮系数的非线性优化预报模型,并结合曲线拟合最小二乘法、潮汐调和分析法、梯度下降法,给出一个寻优的迭代算法,对模型参数进行优化辨识。模型应用于长江感潮河段部分观测站,水位预报精度较好,具有可行性和实用价值。     

基于LightGBM的拖曳系统动力响应预报方法

针对传统数值仿真计算方法耗时长、占用计算机资源多等缺点,提出基于LightGBM算法的拖曳系统动力响应进行评估的回归预测模型,以已有的OrcaFlex数值模拟得到的数据为样本,以拖曳系统上的海洋环境条件、拖船航速和下放缆长为特征,以动力响应为目标,引入LightGBM算法,对拖曳缆顶端张力最大值等动力响应进行预测分析。与传统数值模拟方法相比,LightGBM算法在保证结果准确性的同时大幅度提高了计算效率。通过与随机森林（RF）、极限梯度提升（XGBoost）算法相比,其准确度和计算效率的表现更好。最后提出了贝叶斯参数优化的LightGBM算法,准确度进一步提高,为提前采取措施保障拖曳系统的作业安全提供了一条高效的技术途径,同时为建立拖曳系统数字孪生体提供了有力的技术支撑。     

基于预报误差的船舶遭遇台风概率预报

在航船做避台决策时,首先要判断该系统预报的恶劣天气对本船未来航线是否有影响。考虑到台风运动的不确定性及台风预报存在误差,根据概率预报的思想,提出了船舶遭遇台风概率的概念,将大范围、不确定的航区天气预报具体到本船航线上。首先针对航行条件下接收的航区的气象预报信息的特点,提出了计算台风预报误差的概率密度的方法;然后提出了以船舶遭遇台风安全距离为依据的预报航线上船舶遭遇台风概率的方法。该方法综合考虑了台风运动与预报的不确定性并将这种不确定性定量化,船长可以此概率预报为基础,结合具体情况确定概率评价值,从而为作出避台决策提供了依据。     

上海将建台风预警中心

上海“十二五”期间将建设台风预警中心,以适应上海海洋经济和国际航运中心建设的需要。中国气象局上海台风研究所专家介绍,“十二五”期间．上海将建立起台风监测预警预报业务化体系．做好责任海区台风监测预警预报及灾情评估,以适应上海海洋经济和国际航运中心建设的需要。