本文選題：非線性自回歸神經網絡　切入點：WRF大氣模式　出處：《清華大學》2015年碩士論文　論文類型：學位論文

【摘要】：深圳大鵬灣位于南海北部,西鄰珠江口,東接大鵬半島,沿岸建有港口、海水泳場、淺海養(yǎng)殖區(qū)、以及深水航道,人工作業(yè)繁忙。因此灣內波浪的準確預報對于大鵬灣內作業(yè)安全、以及海洋災害預警具有十分重要的意義。同時深圳市為社會經濟發(fā)展以及公眾安全,在深圳周邊海域建立了全面的海洋環(huán)境浮標監(jiān)測網絡。本文在該監(jiān)測網絡的基礎上開展了波浪在線預報模型的研究,該模型包括兩部分:基于數(shù)據(jù)驅動模式的浮標在線預報模型,以及基于海-氣耦合數(shù)值模式的波浪場區(qū)域預報模型。首先基于大鵬灣波浪浮標在線監(jiān)測數(shù)據(jù),采用了數(shù)據(jù)驅動模式實現(xiàn)大鵬灣單點波浪的在線實時預報。采用兩種非線性自回歸人工神經網絡NAR、NARX對大鵬灣內灣口、大梅沙與東涌浮標站分別進行了3h、6h以及12h的有效波高預報。結果顯示大梅沙與灣口站點3h與6h預報的平均誤差在0.1m以內;東涌3h、6h與12h預報誤差均在0.1m以內,預報相關系數(shù)在0.904以上。基于大氣中尺度模式WRF與淺水波浪數(shù)值模式SWAN的耦合模型WRF_SWAN建立了大鵬灣波浪場區(qū)域預報模式。并研究了WRF模式中不同參數(shù)如垂直層數(shù)、頂部氣壓、微物理過程對模擬結果的影響,以及采用地理信息管理GIS空間分析模型研究了土地覆被的變化對大鵬灣風場的影響;此外,研究了SWAN模式中白冠破碎速率對波浪場的影響。模型參數(shù)率定后大鵬灣內浮標站點的有效波高計算結果平均誤差在0.29m以內。為驗證WRF_SWAN耦合模式的適應性,將其應用于2014年第15號臺風“海鷗”襲擊大鵬灣期間的波浪場進行后報驗證;驗證結果表明在臺風“海鷗”期間大鵬灣的有效波高后報平均誤差在0.32m以內。最后采用NOAA的全球預報系統(tǒng)GFS提供的氣象預報數(shù)據(jù)作為SWAN_WRF模式的預報初始與邊界條件對大鵬灣波浪進行72h預報。灣口波浪預報絕對誤差為0.23m,精度滿足日常預報要求。計算結果說明本文所建的WRF_SWAN耦合模式適用于深圳大鵬灣的波浪預報。
[Abstract]:Dapeng Bay in Shenzhen is located in the northern part of the South China Sea, adjacent to the Pearl River Estuary to the west, and to the Dapeng Peninsula to the east. There are ports along the coast, sea water swimming fields, shallow water culture zones, and deep water channels. Therefore, accurate prediction of waves in the Bay is of great significance to operational safety in Mirs Bay and early warning of marine disasters. At the same time, Shenzhen City is responsible for social and economic development and public safety. A comprehensive marine environment buoy monitoring network has been established in the surrounding sea area of Shenzhen. Based on the monitoring network, the on-line wave prediction model has been studied in this paper. The model consists of two parts: the on-line prediction model of buoy based on data-driven model, and the prediction model of wave field based on coupled ocean-atmosphere numerical model. Firstly, the on-line monitoring data of wave buoy in Dapeng Bay are used. In this paper, a data-driven model is used to realize on-line real-time prediction of single point waves in Dapeng Bay. Two kinds of nonlinear autoregressive artificial neural networks (NARN NARX) are used to predict the mouth of Dapeng Bay. The effective wave height was predicted for 3 h and 12 h at Dameisha and Tung Chung buoy stations, respectively. The results show that the average error of 3 h and 6 h prediction for Dameisha and Bay mouth stations is less than 0.1 m, and the prediction errors for 3 h and 12 h in Tung Chung are within 0.1 m, respectively. The prediction correlation coefficient is more than 0.904. Based on the coupling model WRF_SWAN of mesoscale model WRF and shallow water wave numerical model SWAN, the regional prediction model of Mirs Bay wave field is established. The different parameters of WRF model, such as vertical layer number, top pressure, are studied. The effects of microphysical processes on simulation results and the effects of land cover changes on wind fields in Dapeng Bay are studied by using the GIS spatial analysis model of geographic information management. The effect of the breakup rate of the white crown on the wave field in the SWAN model is studied. The average error of the effective wave height calculated at the buoy station in Dapeng Bay is less than 0.29 m after the model parameter rate is fixed. In order to verify the adaptability of the WRF_SWAN coupling model, It was applied to the wave field during typhoon no. 15, 2014, when seagull attacked Mirs Bay. The results show that the average error of effective wave height in Dapeng Bay during typhoon "seagull" is less than 0.32 m. Finally, the meteorological forecast data provided by the global forecasting system (GFS) of NOAA are used as the initial prediction and boundary strip of SWAN_WRF model. The absolute error of wave prediction at the mouth of Dapeng Bay is 0.23m, which satisfies the requirement of daily forecast. The results show that the coupled WRF_SWAN model is suitable for the wave prediction of Dapeng Bay in Shenzhen.
【學位授予單位】：清華大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：P731.22

【相似文獻】

相關期刊論文 前10條

1 栗蘇文;;大鵬灣水質區(qū)域控制策略研究[J];環(huán)境科學導刊;2008年06期

2 周毅頻;李緒錄;夏華永;;大鵬灣海水中氮和磷的分布變化[J];廣東海洋大學學報;2011年03期

3 詹小涌;大鵬灣潮流場的數(shù)值模擬[J];海洋與湖沼;1989年02期

4 李坤平,王以嬌,黃易暢;大鵬灣的假潮現(xiàn)象[J];黃渤海海洋;1990年03期

5 葉錦昭;盧如秀;;大鵬灣的環(huán)境水流特征[J];中山大學學報論叢;1990年04期

6 陳瑋;大鵬灣丹麥細柱藻(Leptocylindrus danicus)的生態(tài)與赤潮[J];海洋通報;1993年02期

7 齊雨藻,洪英,呂頌輝,楚建華,張家平,朱從舉,李雅琴,梁松,李錦榮;南海大鵬灣海洋褐胞藻赤潮及其成因[J];海洋與湖沼;1994年02期

8 關祖杰，，楊健明，余君岳;大鵬灣沉積物重金屬污染的初步研究[J];中山大學學報(自然科學版);1996年02期

9 夏華永;李緒錄;韓康;;大鵬灣環(huán)境容量研究Ⅰ:自凈能力模擬分析[J];中國環(huán)境科學;2011年12期

10 盧演儔,張景昭,謝軍;廣東省深圳大鵬灣沿岸沙堤粗顆粒石英熱釋光測年[J];海洋學報(中文版);1991年04期

相關會議論文 前4條

1 黃小平;黃良民;;大鵬灣水動力特征及其生態(tài)環(huán)境效應[A];中國海洋與湖沼學會甲殼動物學分會、中國動物學會、中國海洋與湖沼學會生態(tài)學分會2000年學術研討會論文摘要集[C];2000年

2 黃添元;;如何使深圳河盡快變清[A];中國水利學會2003學術年會論文集[C];2003年

3 夏真;林進清;黃向青;石要紅;李學杰;;大鵬灣海洋地質環(huán)境綜合研究[A];海洋地質環(huán)境與資源學術研討會論文摘要匯編[C];2003年

4 尹伊偉;江天久;王朝暉;駱育敏;傅曉琴;范放;李小燕;王春卉;;華南沿海赤潮生物毒素的研究[A];中國毒理學會第三屆全國學術會議論文（摘要）集[C];2001年

相關重要報紙文章 前7條

1 梁杰;大鵬灣輪加強維護保養(yǎng)促進節(jié)能減排[N];中國遠洋報;2008年

2 記者 曾潔;大鵬灣低氧預警解除 海水水質數(shù)據(jù)恢復正常[N];深圳特區(qū)報;2012年

3 本報記者 楊明銘;電廠污水竟然直排入海[N];深圳特區(qū)報;2007年

4 ;第一船LNG25日駛進深圳大鵬灣[N];第一財經日報;2006年

5 記者 范宏喜;我國開展海岸帶地質調查[N];中國國土資源報;2002年

6 深圳商報記者　崔霞;深圳建設海洋科學實驗基地[N];深圳商報;2007年

7 龍宇翔 通訊員 鄭國雄;深港邊界雷達哨30年打私上億元[N];邊防警察報;2013年

相關碩士學位論文 前1條

1 方瑩;深圳大鵬灣波浪數(shù)值預報研究[D];清華大學;2015年

本文編號：1607805