基于长期验潮数据的海平面预测方法与案例应用

北京大学学报（自然科学版）

基于长期验潮数据的海平面预测方法与案例应用

段晓峰^1,2,许学工¹,陈满春²,李响²

1. 北京大学城市与环境学院, 地表过程分析与模拟教育部重点实验室, 北京 100871; 2. 国家海洋信息中心, 天津 300171;

收稿日期:2013-05-28 出版日期:2014-11-20 发布日期:2014-11-20

Methodology and Case Study of Sea Level Prediction Based on Secular Tide Gauge Data

DUAN Xiaofeng^1,2, XU Xuegong¹, CHEN Manchun², LI Xiang²

1. College of Urban and Environmental Sciences, Laboratory for Earth Surface Process of Ministry of Education, Peking University, Beijing 100871; 2. National Marine Data and Information Service, Tianjin 300171;

Received:2013-05-28 Online:2014-11-20 Published:2014-11-20

摘要/Abstract

摘要： 在充分考虑长时间序列潮位具有周期性、趋势性和随机性特征的基础上, 建立一套基于随机动态预测模型的海平面变化分析方法。模型中的周期项模拟首次采用小波分析与谱分析相结合的方法; 趋势项采用逐步回归法拟合; 残差序列采用自回归移动平均混合模型进行拟合; 三项叠加建立随机动态预测模型, 参数的确定采用非线性最小二乘迭代法。应用塘沽验潮站57年的月平均海平面高度数据进行案例分析, 通过实测数据验证和预测精度统计学检验, 表明此方法对海平面变化的模拟与预测具有较高精度, 可为海平面上升预测研究提供有效可行的借鉴与范例。

关键词: 海平面, 预测, 验潮数据, 随机动态模型, 方法与案例

Abstract: Based on the periodic, trending, and stochasticcharacteristics of secular tide gauge data, a predictive methodology using stochastic-dynamic model was present to the sea level change research. The periodic term was resolved by wavelet and spectrum analysis. Stepwise regression was applied to the trending term analysis. The residual sequence was fitted by autoregression moving average model. Least-squares iteration method was applied for parameter estimation ofthe superposition model, which was composed of significant period model, trending term model and the residual sequenceautoregression moving average model. The stochasticdynamic model is applied to 57 years’monthly mean sea level data from Tanggu tide gauge for case study. The results show that the predictive methodology based on stochastic-dynamic model is feasible and efficient in sea level change prediction. Considering the high accuracy of modeling and predicting, this methodology can be used as a reference for future studies in sea level change.

Key words: sea level, prediction, tide gauge data, stochasticdynamic model, methodology and case study

中图分类号:

P732

段晓峰,许学工,陈满春,李响. 基于长期验潮数据的海平面预测方法与案例应用[J]. 北京大学学报（自然科学版）.

DUAN Xiaofeng,XU Xuegong,CHEN Manchun,LI Xiang. Methodology and Case Study of Sea Level Prediction Based on Secular Tide Gauge Data[J]. Acta Scientiarum Naturalium Universitatis Pekinensis.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://xbna.pku.edu.cn/CN/

https://xbna.pku.edu.cn/CN/Y2014/V50/I6/1065

[1]	田原, 常啸寅, 赵文祎, 程楚云, Bronte Scheuer, 邓杨兰朵, 马睿平, 张建学. 滑坡位移预测模型补充评价方法[J]. 北京大学学报自然科学版, 2024, 60(3): 513-520.
[2]	刘亚, 杨海军. 夏季热带印度洋季节内振荡的北向传播特征[J]. 北京大学学报自然科学版, 2023, 59(4): 569-580.
[3]	唐菱珮, 陈效逑, 钱思蔚, 莫志鸿. 北京植物园主要观赏植物春花期和秋叶期的过程模拟[J]. 北京大学学报自然科学版, 2023, 59(4): 649-658.
[4]	田原, 庞骁, 赵文祎, 常啸寅, 程楚云, 邹佩, 曹晓澄. 基于Transformer的滑坡短期位移预测模型[J]. 北京大学学报自然科学版, 2023, 59(2): 197-210.
[5]	黄冉, 王馨陆, 王聪, 杜云松, 晏波, 张雯娴, 罗彬, 张巍, 胡泳涛. 基于污染物浓度设计值和相对响应因子的空气质量达标控制情景预测方法——以四川省“十四五”规划为例[J]. 北京大学学报自然科学版, 2022, 58(3): 553-564.
[6]	张阳, 冼慧婷, 赵志杰. 基于空间相关性和神经网络模型的实时河流水质预测模型[J]. 北京大学学报自然科学版, 2022, 58(2): 337-344.
[7]	胡烨婷, 李天宏. 基于SD-CA模型的快速城市化地区土地利用空间格局变化预测[J]. 北京大学学报自然科学版, 2022, 58(2): 372-382.
[8]	廖懿鸣, 欧阳纯萍, 刘永彬, 胡富裕. 基于异质信息网络元路径的药物‒靶标相互作用预测模型[J]. 北京大学学报自然科学版, 2022, 58(1): 37-44.
[9]	李燚航, 翟卫欣, 颜寒祺, 朱道也, 童晓冲, 程承旗. 基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型[J]. 北京大学学报自然科学版, 2020, 56(5): 796-804.
[10]	郭春安, 关平, 师永民, 杜书恒. 基于测井曲线无量纲交会法的致密砂岩储层“甜点”识别及预测[J]. 北京大学学报自然科学版, 2020, 56(2): 262-270.
[11]	王新安, 雍珊珊, 黄继攀, 吕亚轩, 张兴, 梁意文. 基于AETA监测数据的地震预测研究[J]. 北京大学学报自然科学版, 2019, 55(2): 209-214.
[12]	杨亮, 周逢清, 林原, 林鸿飞, 许侃. 面向排名预测的电影媒体网站研究[J]. 北京大学学报自然科学版, 2019, 55(1): 65-74.
[13]	李欣. Spark框架下交通流数据高效处理方法及其应用[J]. 北京大学学报自然科学版, 2018, 54(6): 1227-1234.
[14]	王新安, 雍珊珊, 徐伯星, 梁意文, 白志强, 安辉耀, 张兴, 黄继攀, 谢峥, 林科, 何春舅, 李秋平. 多分量地震监测系统AETA的研究与实现[J]. 北京大学学报（自然科学版）, 2018, 54(3): 487-494.
[15]	刘照, 何涛, 杨志强, 邹长春, 任科英. 流体饱和储层砂岩超声波纵波速度频散的定量预测[J]. 北京大学学报自然科学版, 2017, 53(6): 1031-1041.