[发明专利]基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法

权利要求书

1.一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，包括以下步骤：

S1，对区域内收集水文地形资料，建立Delft3D水动力模型并验证；

S2，建立主要历史台风数据库，罗列风暴潮驱动要素集；

S3，基于蒙特卡罗方法重组风暴潮驱动要素；

S4，选取合适的台风场模型并验证；

S5，基于典型历史台风的风暴潮模拟并预测极端高水位。

2.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

所述步骤S1对区域内收集水文地形资料，建立正交化曲线网格，划定区域边界，对研究区域进行局部加密；其中外海开边界的位置应远离研究区域，采用通过ADCIRC模型的调和分析模块得到水位时间序列。

3.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

所述步骤S1建立Delft3D水动力模型并验证，是利用潮位观测资料进行模拟潮位验证。

4.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

所述步骤S2建立主要历史台风数据库，是采用模拟圆法，具体是：提取在一定时期内途径以要模拟的地点为模拟中心，以设定的距离为半径的圆的所有气旋，以这些气旋的记录作为研究对象；

所述罗列风暴潮驱动要素集，是罗列典型气旋参数，包括：中心气压、最大风速半径、移动速度、流入角及登陆或近岸特征。

5.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

所述步骤S3利用蒙特卡罗方法重组风暴潮驱动要素，具体是：采用数据库中的典型气旋数据，将气压和路径分别作为独立的元素随机组合，模拟生成N年内可能出现的气旋，对重组气旋要素带入已验证的Delft3D水动力模型进行计算。

6.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

所述步骤S4选取合适的台风场模型并验证，具体是：

首先，选取对工程点附近影响极大的两个气旋作为典型气旋研究对象，由气压分布模型和风场模型组合成气旋风场的模拟方案，简称Jele模型；

其次，利用观测站点的实测增水值进行气旋验证，通过Delft3D水动力模型加载该气旋作用下的风场与气压场边界条件，对风暴潮的增水情况进行验证，与实测增水值进行比较。

7.根据权利要求1所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

步骤S5所述基于典型历史台风的风暴潮模拟并预测极端高水位，具体为：

(1)典型历史台风的风暴潮模拟，采用蒙特卡罗随机模型随机模拟生成气旋，代入Delft3D水动力模型中，对研究区域可能出现的气旋风暴潮进行数值模拟研究，得到水位过程线，通过将各水位过程线中的最大值与最小值分别进行排序，得出对应重现期的极端高水位与极端低水位的预测值；

(2)在所得到的不同重现期极端水位预测值的基础上，选择合适的气旋强度作为研究区域气候变化的影响量度和海平面上升预测值，得到考虑气候变化以及海平面上升影响下的极端水位值。

8.根据权利要求6所述的一种基于随机统计模型与水动力模型耦合的风暴潮极端水位预测方法，其特征在于，

步骤S4中选取的两个气旋为1992 Sandoway Cyclone和1994 Sittwe Cyclone，增水资料来源于Unisys Weather Information Systems；

所述气压分布模型采用Jelesnianski经验风场，风场模型采用Jelesnianski移行风场。