基于2019-2020年期间大通流量数据、站点潮位数据、河口六滧风速、气压数据，分别非稳态调和分析模型（NS_TIDE）、非稳态调和分析与自回归误差修正(NS_TIDE+AR)组合方法、Transformer深度学习模型、水动力学模型、水动力模型结合集合卡尔曼滤波同化方法分别建立长江下游潮位预报模型，开展2019年风暴潮期间、2020年大洪水期间长江下游潮汐河段站点预报试验，分析并对比了各种方法的预报精度和在大洪水、风暴潮条件下的适用性，从而确定了适用于沿海沿江区域的多因素作用条件下数据驱动模型和物理机制模型相结合的潮位动态预报技术路线。
本数据集基础实测数据来自长江下游沿海沿江数据集中的2019-2020年期间大通流量数据、站点潮位数据、河口六滧风速、气压数据。预报数据来自沿海沿江区域分别非稳态调和分析模型、非稳态调和分析与自回归误差修正(NS_TIDE+AR)组合模型、Transformer深度学习模型、水动力学模型、水动力模型+集合卡尔曼滤波同化校正模型运行结果。有一定可靠性。
基于长江下游沿线站点长系列潮位资料、流量资料、河口潮差资料、风速气压资料等，分析并对比了不同潮位预报方法的预报精度和在大洪水、风暴潮条件下的适用性。
（1）NS_TIDE模型选择受径流影响较大的大通作为上游参考站，输入大通流量序列；选择长江口附近六滧作为下游参考站，输入所需潮差序列。利用2019年8月、2020年7月期间数据进行参数回归，开展潮位预报测试。
（2）自回归模型（Auto-Regressive，AR）可较好修正NS_TIDE模型的预报误差。根据AIC准则、前人研究经验和数值试验结果，确定长江沿线自回归模型阶数p为40，采用NS_TIDE模型历史2个月的预报误差序列进行回归，对NS_TIDE模型2019-2020年期间长江下游南京、江阴潮位预报结果进行误差修正。
（3）南京站以大通径流、河口六滧潮差、自身潮位为输入变量。江阴以大通径流、长江口六滧潮差、风速、气压数据及自身潮位为输入变量，使用连接层（Concatenate）将下游站点潮位与上游站点潮位联系起来，进行2019年8月、2020年7月期间预报测试。
（4）建立了覆盖长江下游潮汐河段研究区域的风暴潮水动力学模型，在台风期间采用背景风压场与Holland台风梯度模型相结合的办法构建驱动风压场。上游流量边界根据大通流量序列确定，外海开边界天文潮由TPXO9模型计算。采用水动力学模型进行2019-2020年期间潮位下游潮位预报测试。
（5）集合卡尔曼滤波方法通过实测数据与模拟结果的不断对比迭代，提高水动力学模型预报精度。本文同化的观测数据为长江下游沿线各站潮位，在2019年8月、2020年7月开展预报测试。
（1）相同条件下Transformer模型的总体精度最高且最稳定，NS_TIDE+AR方法与水动力学模型+集合卡尔曼滤波同化方法精度较为接近，NS_TIDE模型和水动力学模型预报方法误差相对较大。
（2）NS_TIDE+AR、Transformer、水动力学模型+同化方法可较好预报洪水期潮位变化过程，最高潮位误差不超过0.05m，表明模型计算结果较为可靠。
（3）典型风暴潮期间水动力学模型+同化方法预报效果最好，Transformer模型在引入河口风速气压数据后模型RMSE减小了31.3%~37.0%，精度显著提高。
| # | 编号 | 名称 | 类型 |
| 1 | 2021YFC3000100 | 长江下游洪涝灾害集成调控与应急除险技术装备 | 国家重点研发计划 |
本作品采用
知识共享署名 4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NHRI.DB6787.2025
10.12072/ncdc.nhri.db6787.2025
