基于大数据的江河入海口深水航道回淤量预测方法.pdf

《基于大数据的江河入海口深水航道回淤量预测方法.pdf》由会员分享，可在线阅读，更多相关《基于大数据的江河入海口深水航道回淤量预测方法.pdf（28页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010162638.0 (22)申请日 2020.03.10 (71)申请人 上海河口海岸科学研究中心 地址 201914 上海市崇明区横沙乡富民支 路58号2818室 (72)发明人 顾峰峰戚定满万远扬韩露 赵德招王巍沈淇孔令双 吴华林 (74)专利代理机构 上海三和万国知识产权代理 事务所(普通合伙) 31230 代理人 刘立平 (51)Int.Cl. G06Q 10/04(2012.01) (54)发明名称 一种基于大数据的江河入海口深水航道回 淤量预测方法 (57)。

2、摘要 本发明提出一种基于大数据(实测数据)建 立江河入海口深水航道回淤量的预测方法/模 型， 用可快速和高精度的预测用于江河入海口深 水航道疏浚的航道(月度)回淤量， 为制定疏浚施 工能力安排计划提供重要的参考指标。 本发明江 河入海口深水航道回淤量的预测大数据包括流 量、 水温、 潮位、 潮差、 波能和航道单元水深。 本发 明的深水航道回淤量的预测方法/模型可以随着 大数据的积累， 不断进行深度学习， 具有自我完 善的特点， 以进一步提高预测精度。 本发明对减 少施工能力的浪费和保证航道通航保证率等都 具有重要的指导意义。 权利要求书3页 说明书20页 附图4页 CN 111428915 A。

3、 2020.07.17 CN 111428915 A 1.一种基于大数据的江河入海口深水航道回淤量预测方法， 用于江河入海口深水航道 回淤疏浚， 以制定月度回淤疏浚施工能力安排计划， 其特征在于， 所述方法包括如下步骤： 步骤1)， 确定用于入海口深水航道主航道月度回淤量预测的航道单元， 单元编号为i， i 1， 2， I， I为航道疏浚单元总个数：这里l为航道疏浚单元的长度， L为航道总长 度， 深水航道沿程回淤量确定以月度为单位， 以航道疏浚单元为统计范围； 步骤2)， 确定用于江河入海口深水航道主航道代表站点的月度回淤量预测的主要影响 因子的第m组的实测值： 江河入海口主航道上游代表站点。

4、的流量(Qm， m3)； 江河入海口主航道纵向中部位置代表站点处的水温(Tm， )； 江河入海口主航道纵向中部位置处代表站点处的潮位(Hm， m)； 江河入海口主航道纵向中部位置处代表站点处的潮差(Hm， m)； 江河入海口主航道纵向中部位置处的单元水深(Di， m， m)， 及 江河入海口主航道下段代表站点处的波能(Em， 千瓦时/米)； 这里， i为航道单元编号； m1， 2， M， M为统计数据的总组数； 步骤3)， 基于M组统计数据， 每一组的航道疏浚单元i的回淤量yi， m如下： yi， m 0， i+Qm1， i+Tm2， i+Hm3， i+Hm4， i+Em5， i+Di， m6。

5、， i+ i， m (1) 这里 0， i 6， i为基于M组数据得到的回归系数，i， m为计算预测误差。 2.如权利要求1所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 式(1)中 0， i 6， i为经过回归分析得到的系数， 取值如下： 0， i： -12.237.5， 1， i： 0.00002780.0000891， 2， i： -0.2750.0337， 3， i： -3.445.42， 4， i： -5.823.42， 5， i： -0.008620.00195， 6， i： -3.30.827。 3.如权利要求1所述一种基于大数据的江河入海口深水航道回淤量。

6、预测方法， 其特征 在于， 各m组的总M组的航道疏浚单元i的回淤量； yi(yi， 1， yi， 2， ， yi， m) (yi， 1， yi， 2， ， yi， m) 表示矩阵(yi， 1， yi， 2， ， yi， m)的转置计算； 把M组数据的计算式(1)写成向量形式， 回淤量可以用如下多元线性方程/模型描述自 变量， 即多个影响因子和因变量， 即航道回淤量存在多元线性关系： yiXii+ i (2) 这里， 因变量yi(yi， 1， yi， 2， ， yi， m) ， 为i单元的M组数据的回淤量统计值； m1， 2， M， M为统计数据的总组数， 且为了统计多年数据进行数据分析， M可。

7、12， 式(2)中， Xi表示如下： 权利要求书 1/3 页 2 CN 111428915 A 2 它是一个M7的矩阵， 第一列对应方程/模型的常数项， 因而所有元素皆为1， 其余 Xm(1-6)i列为自变量， 对应航道单元i的6个回淤影响因子， 即Qm、 Tm、 Hm、 Hm和Em、 Di， m， 式(2)中， i表示 i( 0， i， 1， i， ， 6， i) ， 它表示是第i个疏浚单元回淤量多元线性计 算模型的回归系数； ( 0， i， 1， i， ， 6， i) 表示矩阵( 0， i， 1， i， ， 6， i)的转置计算； 式(2)中，i表示 i( 1， i，2， i， ，m， i。

8、) ， 它代表M组数据中每一组数据m的回淤量预测 随机误差， 这里( 1， i，2， i， ，m， i) 表示矩阵( i， i，2， i， ，m， i)的转置计算。 4.如权利要求3所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 当共计M组、 6个主要影响因子的实测数据及其回淤量已知时， 采用最小二乘法获得式 (2)中回归系数 i的估计值， 计算式如下： i(Xi Xi)-1Xi yi (3) 这里， (Xi Xi)-1表示矩阵Xi Xi的逆矩阵计算。 通过式(3)的最小二乘法计算得到 i， 使得式(1)中误差 i， m影响最小， 由此， 最终可得航 道单元i的回淤量计。

9、算和预测的多元线性模型/方程式描述如下： yi， m 0， i+Qm1， i+Tm2， i+Hm3， i+Hm4， i+Em5， i+Di， m6， i (4)。 5.如权利要求3所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 根据式(4)， yi， m 0， i+Qm1， i+Tm2， i+Hm3， i+Hm4， i+Em5， i+Di， m6， i (4) 进行航道回淤量预测； 这里Qm、 Tm、 Hm、 Hm、 Em、 Di， m， 为预测月对应的自变量取值， 这里， j1,2J， J为预测月对应的自变量数据的统计个数(单位： 年)， Di,m取值为预测月初各航道。

10、单元的平均水深， 在现场进行航道单元水深测量获取。 6.如权利要求5所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 随着M值的逐步增大， J值逐步增大， 积累的航道回淤量数据量逐步增加， J每增加1年， 即可进行一次回归系数估计值i的重新计算， 从而不断提高回淤量的预测模型的预测精 度。 权利要求书 2/3 页 3 CN 111428915 A 3 7.如权利要求1所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 该方法的建立引入世界范围内较为通用的商业软件IBM公司开发的软件SPSS V19， 利用其分析-回归-线性的功能， 进行6个主要影响因子。

11、和航道回淤量的多元线性回归 分析， 获取模型计算系数 0,i 6,i。 8.如权利要求1或3所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特 征在于， 波能E计算公式如下： 式中： H为波高(m)， k为波数(个)， h为水深(m)； 2 /T为波浪圆频率(s-1)， T为波周期(s)， g为重力加速度(m2/s)。 9.如权利要求1所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 所述入海口深水航道指入海口的一段水域， 长约150-250公里， 其入海口平面上呈喇 叭形， 窄口端江面宽度为宽口江面宽度的10分之一到20分之一。 10.如权利要求1所述一种基于。

12、大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 所述入海口为三级分叉、 多沙高浊度三角洲入海口。 11.如权利要求1所述一种入海口深水航道沿程月度最小疏浚量确定方法， 其特征在 于， 航道单元尺寸根据疏浚管理的需求， 选取1.52.5km长度。 12.如权利要求1所述一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征 在于， 除主航道外、 还设置江河入海口深水航道的辅航道及支航道回淤量预测方法， 其方法 类似于主航道。 权利要求书 3/3 页 4 CN 111428915 A 4 一种基于大数据的江河入海口深水航道回淤量预测方法 技术领域 0001 本发明涉及江河入海口深水。

13、航道的疏浚、 维护方法， 具体地， 本发明涉及一种用于 江河入海口深水航道的疏浚、 维护的深水航道沿程回淤量确定方法， 更具体地， 本发明涉及 用于长江入海口深水航道的疏浚、 维护、 长江口深水航道沿程月度回淤量确定方法。 技术背景 0002 通常， 江河入海口深水航道是水道的咽喉、 海上的交通枢纽。 例如， 长江是我国水 运体系中的主通道、 主骨架， 长江口航道是长江黄金水道的咽喉， 是唯一连通长江经济带与 我国沿海经济带、 海上丝绸之路的交通枢纽， 因而， 确保长江口航道畅通， 尤其是深水航道 的畅通关系着国民经济的全局发展， 关系着交通强国战略的推动。 0003 另外， 在国内外的江河入。

14、海口深水航道， 特别是入海口深水强回淤航道， 如密西西 比河航道、 泰晤士河出海航道、 亚马逊航道、 法国 Gironde河口航道、 荷兰鹿特丹港水道等， 对航道疏浚管理的问题主要集中在疏浚效率优化的问题上， 其有关航道疏浚的研究一般是 从船机设备改良、 疏浚作业自动化、 施工管理措施改进、 环保疏浚、 疏浚土扩散等若干出发 点来研究。 0004 从而， 国外的疏浚技术主要体现在船舶配备上更加先进， 可实现全部用电脑监控， 所有疏浚施工， 特别是挖泥后,可以实现软件自动显示挖泥效果图,且用不同颜色显示不同 水深及扫浅阶段,每次将测图的电子版数据输入电脑中,则以不同色块显示不同水深区域, “哪浅。

15、挖哪” ,针对性强， 提高疏浚效率。 0005 然而， 上述方法通过船机设备改良虽然可达到船舶在疏浚过程中的疏浚作业自动 化及其效率优化， 尚未涉及基于入海口深水航道沿程回淤量的动态预测的动态变化的施工 管理方法、 环保疏浚、 疏浚土扩散及施工组织管理安排、 船舶调配和施工计划的制定等。 0006 另一方面， 某些深水航道， 特别是， 例如， 长江口的深水航道， 在长江口深水航道维 护疏浚过程中， 每一个月的疏浚船舶的配置随实际水深和航道疏浚单元的泥沙淤积量变化 而变化， 水深较好和泥沙淤积较小的时候一般只需要2艘疏浚船舶即可， 局部水深较浅和泥 沙淤积较大的时候需要10艘以上的疏浚船舶； 因。

16、此， 船舶配置的过多和不够， 会导致施工能 力的大量浪费或者航道维护水深达标困难。 由此， 导致难以避免施工能力的浪费和航道通 航保证率。 0007 例如， 长江口航道规划格局为 “一主两辅一支” ， 即， 长江口深水航道包括： 0008 12.5m水深的长江口深水航道的主航道； 0009 目标水深分布为8.0m及6.0m、 2018年底开始实施航道治理一期工程北、 南槽航道 的 “辅航道” ； 0010 支航道为北支航道。 0011 航道维护疏浚施工的安排是决定航道安全稳定运行的重要因素之一。 针对具体深 水航道的具体时间段的回淤区段及沿程回淤量分布， 结合具体疏浚施工能力， 科以最合理 的。

17、疏浚船舶配置来保证航道满足水深维护标准， 以减少施工能力的浪费和提高航道通航保 说明书 1/20 页 5 CN 111428915 A 5 证率。 0012 其中， 长江口深水航道的主航道段的航道回淤量大、 回淤区段集中， 需常年实施维 护疏浚， 而北槽深水航道每年产生约50007000万方疏浚土， 因此， 长江口深水航道的主航 道及北槽航道需要需常年实施维护疏浚。 0013 为此， 本申请人的申请号为 “CN201710915252.0” 、 发明名称 “一种入海口深水航道 沿程月度最小疏浚量确定方法” 的在先申请专利提出了一种入海口深水航道沿程月度最小 疏浚量确定方法， 所述方法主要针对于。

18、航道整体所有疏浚船舶的一个施工组织管理安排、 船舶调配和施工计划的制定， 以达到一个优化疏浚管理的目的。 所述方法给出航道月度疏 浚施工总能力安排的参考依据。 0014 然而， 该方法主要考虑： 最小疏浚量的参考水深值， 月初航道床面水深， 航道疏浚 单元的淤积强度和月底预测航道床面等， 进行月度最小疏浚量预测。 未采用流量、 水温、 潮 位、 潮差、 波能和航道单元水深及数据的内在联系等大数据。 难以随着大数据的积累， 不断 完善方法/模型的重新建立和自我完善， 以进一步提高预测精度。 0015 另外， 本发明提出之前， 在长江口深水航道的月度回淤量主要依靠大型数学模型 来预测， 其建模和计。

19、算耗时较长， 一般需要2天以上， 再有,预测风浪条件下的航道回淤量是 学术界难题， 其精度受制于天气模型、 波浪模型和水沙动力输运模型等多个模型的耦合计 算精度， 使得最小疏浚量的计算精度在受风浪影响时难以进一步提高。 发明内容 0016 为克服上述问题， 不断完善江河入海口深水航道的疏浚、 维护方法， 本发明目的在 于： 0017 提供一种基于实测数据(大数据)建立江河入海口深水航道回淤量的预测方法， 用 于深水航道的疏浚、 维护， 更具体地， 本发明涉及用于长江口深水航道的疏浚、 维护、 长江口 深水航道沿程月度回淤量确定方法预测长江口深水航道月回淤量沿航道疏浚单元的分布 及总量， 为航道。

20、维护疏浚施工安排提供科学依据， 提高深水航道的疏浚、 维护效率。 0018 本发明系一种基于实测数据(大数据)建立江河入海口深水航道回淤量的预测方 法/模型， 用可快速和高精度的预测航道月度回淤量， 用于江河入海口深水航道疏浚， 为制 定月度疏浚施工能力安排计划提供重要的参考指标。 0019 本发明提出的方法采用流量、 水温、 潮位、 潮差、 波能和航道单元水深及数据的内 在联系等大数据， 计算效率和精度都较高， 只要5 分钟即可得到想要的预测结果。 另外， 本 发明的方法可以直接通过波能的大数据统计， 直接给出风浪条件下的航道回淤， 随着大数 据的积累， 不断完善方法/模型的重新建立和自我完。

21、善， 以进一步提高预测精度， 对减少施 工能力的浪费和保证航道通航保证率等都具有重要的指导意义。 0020 本发明的技术方案如下： 0021 一种基于大数据的江河入海口深水航道回淤量预测方法， 用于江河入海口深水航 道回淤疏浚， 以制定月度回淤疏浚施工能力安排计划， 其特征在于， 所述方法包括如下步 骤： 0022 步骤1)， 确定用于入海口深水航道主航道月度回淤量预测的航道单元， 单元编号 说明书 2/20 页 6 CN 111428915 A 6 为i， i1,2,I， I为航道疏浚单元总个数：这里l为航道疏浚单元的长度， L为航 道总长度， 深水航道沿程回淤量确定以月度为单位， 以航道疏。

22、浚单元为统计范围； 0023 步骤2)， 确定用于江河入海口深水航道主航道代表站点的月度回淤量预测的主要 影响因子的第m组的实测值： 0024 江河入海口主航道上游代表站点的流量(Qm， m3)； 0025 江河入海口主航道纵向中部位置代表站点处的水温(Tm， )； 0026 江河入海口主航道纵向中部位置处代表站点处的潮位(Hm， m)； 0027 江河入海口主航道纵向中部位置处代表站点处的潮差 (Hm， m)； 0028 江河入海口主航道纵向中部位置处的单元水深(Di,m， m),及 0029 江河入海口主航道下段代表站点处的波能(Em， 千瓦时/米)； 0030 这里， i为航道单元编号；。

23、 0031 m1,2,M， M为统计数据的总组数； 0032 步骤3)， 基于M组统计数据， 每一组的航道疏浚单元i的回淤量yi,m如下： 0033 yi,m 0,i+Qm1,i+Tm2,i+Hm3,i+Hm4,i+Em5,i+Di,m6,i+ i,m (1) 0034 这里 0,i 6,i为基于M组数据得到的回归系数，i,m为计算预测误差。 0035 根据本发明， 优选的是， i为30-100。 0036 这里定义的航道疏浚单元是为了便于疏浚管理而对一个长航道沿纵向进行分段， 每一小段即为一个航道疏浚单元。 0037 这里航道疏浚单元的大小尺寸并不影响本方法的使用， 可以根据航道的实际疏浚 。

24、情况进行划分。 当航道单元划分的越小， 则其对航道回淤量的沿程分布描述越精确， 对于本 方法计算的结果精度提高有帮助， 但会明显增加测量和数据统计的难度和工作量。 航道疏 浚单元的划分大小， 并不影响本方法的使用步骤和过程。 0038 根据本发明，“代表站点” 确定依据如下(以长江口深水航道的主航道为例)： 0039 江河入海口主航道流量的 “代表站点” 为江河入海口主航道上游水文站(如大通 站)， 其站点数据对主航道回淤影响较大， 且基本不受到外海潮汐影响； 0040 江河入海口主航道的水温、 潮位、 潮差的 “代表站点” 选取主航道纵向中部位置(即 沿主航道中线)处的水文站(如北槽中站)，。

25、 其数据基本代表主航道沿程的一般规律； 0041 主航道下段代表站点处的波能， 波浪的传递特点为由入海口外向近岸传播， 因此 选取主航道下段(北槽口门段水文站牛皮礁站)， 其数据代表外海传入、 直接影响主航 道回淤的波浪特征。 0042 江河入海口主航道的水温、 潮位、 潮差的 “代表站点” 等数据具有选择性， 在其各站 点数据差异小于10-30的情况下， 可就各Qm、 Tm、 Hm、 Hm和Em值全航道取统一值。 0043 上述的站点分布参见图2， 图3， 实际上现场数据的获取需要投入大量的资金和进 行多个站点建设， 比较困难， 因此可以尽可能根据以上原则选择和利用已有站点的数据。 0044。

26、 这里 0,i 6， i为回归系数， 基于已知数据及多元线性方程/模型， 通过最小二乘法 估计获取， 无取值范围。 0045 例如， 长江口 “主航道” 段深水航道总长约92km长度上， 根据施工和管理的需要， 在 长度上进行了划分， 划分示意图见图4， 位置分布及主要单元编号参见图5， 图6， 其中单元长 说明书 3/20 页 7 CN 111428915 A 7 度约2km。 0046 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 其特征在于， 各m组的总M组的航道疏浚单元i 的回淤量； 0047 yi(yi， 1， yi， 2， ， yi， m) 004。

27、8 (yi,1， yi， 2， ， yi， m) 表示矩阵(yi， 1， yi， 2， ， yi， m)的转置计算； 0049 把M组数据的计算式(1)写成向量形式， 回淤量可以用如下多元线性方程/模型描 述自变量， 即多个影响因子和因变量， 即航道回淤量存在多元线性关系： 0050 yiXii+ i (2) 0051 这里， 因变量yi(yi,1， yi,2,， yi， m) ， 为i单元的M组数据的回淤量统计值； m1, 2,M， M为统计数据的总组数， 且为了统计多年数据进行数据分析， M可12， 0052 式(2)中， Xi表示如下： 0053 0054 它是一个M7的矩阵， 第一列对。

28、应方程/模型的常数项， 因而所有元素皆为1， 其余 Xm(1-6)i列为自变量， 对应航道单元i的6个回淤影响因子， 即Qm、 Tm、 Hm、 Hm和Em、 Di,m， 0055 式(2)中， i表示 i( 0,i, 1,i, 6,i) ， 它表示是第i个疏浚单元回淤量多元线 性计算模型的回归系数； ( 0,i, 1,i, 6,i) 表示矩阵( 0,i， 1， i， ， 6， i)的转置计算； 0056 式(2)中，i表示 i( 1， i，2， i， ，m,i) ， 它代表M组数据中每一组数据m的回淤量 预测随机误差， 这里( 1， i, 2,i, m,i) 表示矩阵( 1,i, 2,i, m。

29、,i)的转置计算。 0057 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 深水航道沿程回淤量确定以航道单元为统计单元。 0058 例如， 长江口 “主航道” 段深水航道总长约92km长度上， 根据施工和管理的需要， 取 航道单元个数值取共计46个。 0059 航道单元尺寸根据疏浚管理的需求， 选取约2km左右长度， 其既考虑了一般疏浚船 舶的一次疏浚作业距离， 也同时考虑了航道疏浚及回淤数据统计的便捷性。 0060 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 式中 0,i 6,i为经过回归分析得到的系数， 取值规律如下： 。

30、0061 表1回归系数取值 0062 0063 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 其特征在于， 当共计M组、 6个主要影响因子的实测数据及其回淤量已知时， 采用最小二 说明书 4/20 页 8 CN 111428915 A 8 乘法获得式(2)中回归系数 i的估计值， 计算式如下： 0064 i(Xi Xi)-1Xi yi (3) 0065 这里， (Xi Xi)-1表示矩阵Xi Xi的逆矩阵计算。 0066 通过式(3)的最小二乘法计算得到 i， 使得式(1)中误差 i,m影响最小， 由此， 最终 可得航道单元i的回淤量计算和预测的多元线性模型/。

31、方程式描述如下： 0067 yi,m 0,i+Qm1,i+Tm2,i+Hm3,i+Hm4,i+Em5,i+Di,m6,i (4)。 0068 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 根据式(4)， 0069 yi,m 0,i+Qm1,i+Tm2,i+Hm3,i+Hm4,i+Em5,i+Di,m6,i (4) 0070 进行航道回淤量预测； 0071 这里Qm、 Tm、 Hm、 Hm、 Em、 Di,m， 为预测月对应的自变量取值， 0072 0073 0074 0075 0076 0077 这里， j1,2J， J为预测月对应的自变量数据的统计个数(单位。

32、： 年)， 0078 Di,m取值为预测月初各航道单元的平均水深， 在现场进行航道单元水深测量获取。 0079 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 随着M值的逐步增大， J值逐步增大， 积累的航道回淤量数据量逐步增加， J每增加1年， 即 可进行一次回归系数估计值 i的重新计算， 从而不断提高回淤量的预测模型的预测精度。 0080 这里随着M值的逐步增大， J值逐步增大， 积累的航道回淤量数据量逐步增加， J每 增加1年， 即可进行一次回归系数估计值的重新计算， 从而不断提高回淤量的预测模型的 预测精度。 0081 根据本发明的一种基于大数据的江河入。

33、海口深水航道回淤量预测方法， 其特征在 于， 0082 该方法的建立引入世界范围内较为通用的商业软件IBM公司开发的软件SPSS V19， 利用其分析-回归-线性的功能， 进行6个主要影响因子和航道回淤量的多元线性回归 分析， 获取模型计算系数 0,i 6,i。 0083 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 波能E计算公式如下： 0084 0085 式中： 说明书 5/20 页 9 CN 111428915 A 9 0086 H为波高(m)， 0087 k为波数(个)， 0088 h为水深(m)； 0089 2 /T为波浪圆频率(s-1)， 0090。

34、 T为波周期(s)， 0091 g为重力加速度(m2/s)。 0092 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 所述入海口深水航道指入海口的一段水域， 长约150-250公里， 其入海口平面上呈喇叭 形， 窄口端江面宽度为宽口江面宽度的10分之一到20分之一。 0093 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 所述入海口为三级分叉、 多沙高浊度三角洲入海口。 0094 根据本发明的一种入海口深水航道沿程月度最小疏浚量确定方法， 其特征在于， 航道单元尺寸根据疏浚管理的需求， 选取1.52.5km 长度。 0095 。

35、根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特征在 于， 除主航道外、 还设置江河入海口深水航道的辅航道及支航道回淤量预测方法， 其方法类 似于主航道。 根据本发明的一种基于大数据的江河入海口深水航道回淤量预测方法， 其特 征在于， 0096 所述入海口深水航道指入海口的一段水域， 长约150-250公里， 其入海口平面上呈 喇叭形， 窄口端江面宽度为宽口江面宽度的10分之一到20分之一。 0097 本发明优点 0098 采用流量、 水温、 潮位、 潮差、 波能和航道单元水深及数据的内在联系等大数据。 可 随着大数据的积累， 不断完善方法/模型的重新建立和自我完善， 以进。

36、一步提高预测精度。 计算速度快， 可以在1个小时内就得出所有的需要预测的数据 0099 另外， 本发明提出之前， 在长江口深水航道的月度回淤量主要依靠大型数学模型 来预测， 其建模和计算耗时较长， 一般需要2天以上， 本发明提出的方法只要5分钟即可得到 想要的预测结果。 另外预测风浪条件下的航道回淤量是学术界难题， 其精度受制于天气模 型、 波浪模型和水沙动力输运模型等多个模型的耦合计算精度， 使得最小疏浚量的计算精 度在受风浪影响时难以进一步提高， 本发明的方法可以通过波能的大数据统计， 直接给出 风浪条件下的航道回淤， 计算效率和精度都较高。 附图说明 0100 图1为长江口深水航道内各疏。

37、浚单元的回淤量分布(2012年)。 0101 图2为长江口深水航道水文站点示意图。 0102 图3为图2的框块表示放大示意图。 0103 图4为长江口深水航道疏浚单元示意图。 0104 图5为长江口深水航道疏浚单元位置及主要单元的编号布置示意图。 0105 图6为SPSS V19的多元数据线性回归的操作菜单示意图。 0106 图7为SPSS V19的多元数据线性回归的操作菜单示意图。 0107 图8为长江口深水航道2019年7月预测回淤量和实测值比较示意图。 说明书 6/20 页 10 CN 111428915 A 10 具体实施方式 0108 实施例1长江口深水航道的主航道。 0109 (1。

38、)月度回淤量预测所使用到的主要影响因子(大数据)的选取 0110 根据航道月度回淤量形成的一般机制， 其主要受到不同月份的水文、 地形等外部 条件的影响； 在收集和整理已有的研究成果的基础上， 本发明选用了如下6个主要影响因子 建立大数据分析库。 0111 包括： 上游代表站位的流量、 长江口代表站点处的水温、 长江口代表站点处的潮 位、 长江口代表站点处的潮差、 长江口深水航道的沿程水深和长江口代表站点处的波能。 0112 (2)上游代表站位的流量的取值方法 0113 江河入海口主航道上游代表站点的流量(Qm， m3)； 0114 上游代表站位选取长江水文站大通水文站， 根据该站的实测流量数。

39、据(该站 实测数据为公开发布)， 按月取平均值， 作为回淤量预测的输入数据； 以20162018年为例， 月度的平均流量资料如下表： 0115 表2流量资料， 单位： m3 0116 0117 0118 (3)长江口代表站点处的水温的取值方法 0119 江河入海口主航道纵向中部位置代表站点处的水温(Tm， )； 0120 取长江口水文观测站点北槽中水文站(可从相关管理部门获取相关数据)， 根 据该站的实测水文数据， 按月取平均值， 作为回淤量预测的输入数据。 以20162018年为 例， 月度的水温资料如下表： 0121 表3水温资料， 单位， 度 说明书 7/20 页 11 CN 11142。

40、8915 A 11 0122 0123 (4)长江口代表站点处的潮位的取值方法 0124 江河入海口主航道纵向中部位置处代表站点处的潮位(Hm， m)； 0125 取长江口水文观测站点北槽中(可从相关管理部门获取相关数据)， 根据该站 的实测水文数据， 按月取平均值， 作为回淤量预测的输入数据。 以20162018年为例， 月度 的潮位资料如下表： 0126 表4潮位资料， 单位： m 0127 0128 0129 (5)长江口代表站点处的潮差的取值方法 0130 江河入海口主航道纵向中部位置处代表站点处的潮差 (Hm， m)； 说明书 8/20 页 12 CN 111428915 A 12 。

41、0131 取长江口水文观测站点北槽中(可从相关管理部门获取相关数据)， 根据该站 的实测水文数据， 按月取平均值， 作为回淤量预测的输入数据。 以20162018年为例， 月度 的潮差资料如下表： 0132 表5潮差历年资料， 单位： m 0133 0134 0135 (6)长江口深水航道的沿程水深的取值方法 0136 江河入海口主航道纵向中部位置处的单元水深(Di,m， m) 0137 根据预测月月初的航道实际测量地形(可从相关管理部门获取相关数据)， 作为回 淤量预测的输入数据。 以2016年为例， 当月初每一个航道疏浚单元的水深值如下表： 0138 表6沿程水深资料， 单位： m 说明书。

42、 9/20 页 13 CN 111428915 A 13 0139 说明书 10/20 页 14 CN 111428915 A 14 0140 0141 (7)长江口代表站点处的波能的取值方法 0142 江河入海口主航道下段代表站点处的波能(Em， 千瓦时/米)； 0143 取长江口水文观测站点牛皮礁水文站(可从相关管理部门获取相关数据)， 根 据该站的实测水文数据， 主要为波高和周期。 0144 考虑一般波浪无法对长江口航道回淤产生明显影响， 这里根据牛皮礁水文站的平 均有效波高(基于多年实测资料统计， 约0.7m)作为波浪影响的临界判断指标， 即选取了有 效波高大于0.7m的波浪计算得到波。

43、能， 并统计获取月度总量， 作为回淤量预测的输入数据。 0145 波能E是一个一般统计量， 其通用计算公式如下： 0146 0147 式中： H为波高， k为波数， h为水深； 2 /T为波浪圆频率， T为波周期， g为重力加 速度。 说明书 11/20 页 15 CN 111428915 A 15 0148 以20162018年为例， 月度的波能资料如下表： 0149 表7波能历年资料， 千瓦时/米 0150 0151 0152 (8)航道月度回淤量预测模型的建立 0153 本发明的回淤量预测模型的建立采用了一种数据分析的通用方法多元线性 回归分析法。 该方法的建立引入世界范围内较为通用的商。

44、业软件IBM公司开发的软件 SPSS V19， 利用其分析-回归- 线性的功能(图5)， 进行6个主要影响因子和航道回淤量的多 元线性回归分析， 获取模型计算系数。 0154 本发明提出以每一个航道疏浚单元的月度回淤量作为数据拟合的预测目标； 以航 道疏浚单元K单元为例， 即回淤量为因变量， 其余 6个为自变量。 0155 不同月份的主要影响因子和实测回淤量统计如下： 0156 表8航道疏浚单元K单元的不同月份的6个主要影响因子和实测回淤量统计 说明书 12/20 页 16 CN 111428915 A 16 0157 0158 说明书 13/20 页 17 CN 111428915 A 17。

45、 0159 以上述K单元为例， 基于式(3)： i(Xi Xi)-1Xi yi； 可得到全部单元的回淤量预测 模型的系数矩阵如下： 0160 表9航道疏浚单元回淤量预测的系数矩阵 0161 0162 说明书 14/20 页 18 CN 111428915 A 18 0163 说明书 15/20 页 19 CN 111428915 A 19 0164 说明书 16/20 页 20 CN 111428915 A 20 0165 0166 根据上表， 可得航道单元的月度回淤量计算模型的方程式(4)的计算系数： 0,i 6,i。 0167 (9)航道月度回淤量预测步骤和过程 0168 根据建立的预测模。

46、型式(4)和表9， 可以进行航道回淤量的预测。 0169 以2019年7月的航道回淤量为例： 假定其值未知， 则按近三年 (20162018年)来 的6个主要影响因子作为式(4)中的变量， 即流量、 水温、 潮位、 潮差、 波能的平均值和实测的 航道单元的月初水深取值， 取值如下： 0170 表10航道疏浚单元回淤量预测输入数据2019年7月 说明书 17/20 页 21 CN 111428915 A 21 0171 说明书 18/20 页 22 CN 111428915 A 22 0172 0173 计算式分别如下： 0174 0175 0176 0177 0178 0179 这里， j1,。

47、2,3， J3(20162018年),m7(2019年第7个月)， Di,m为 2019年7月 初各航道单元的平均水深， 航道单元i为III-AIII-I。 0180 根据建立的预测模型式(4)： 0181 yi,m 0,i+Qm1,i+Tm2,i+Hm3,i+Hm4,i+Em5,i+Di,m6,i (4) 0182 输入表9和10中数据， 则可计算得到预测值， 2019年7月的航道回淤量计算预测值 与实测值比较参见图7； 从计算结果来看， 两者沿航道吻合高， 全航道的总量误差约9。 说明书 19/20 页 23 CN 111428915 A 23 0183 按照规范， 根据 海岸与河口潮流泥。

48、沙模拟技术规程 JTS/T231-2-2010 的精度要 求， 模型预测计算与实测平均冲淤厚度允许偏差应为30， 比较可知本发明描述预测方法 的合理性和准确性。 0184 根据本发明， 提出了基于大数据(流量、 水温、 潮位、 潮差、 波能和航道单元水深)的 预测航道月度回淤量的新方法。 0185 本发明可以随着大数据的积累， 不断进行模型的重新建立， 具有自我完善的特点， 可以进一提高预测精度。 0186 本发明自2019年1月实施以来， 长江口深水航道的维护方量呈减少趋势， 从2016 2018年的约5800万方下降至2019年的5400万方， 2019年航道回淤总量的预测误差不超过 5，。

49、 深水航道达标通航保证率基本满足100的要求， 对于减少疏浚施工能力的浪费和航 道维护水深的达标等方面都起到了积极的作用， 带来明显的经济效益和管理效益。 0187 目前， 基于本发明的管理方法已经完全融入到长江口深水航道疏浚维护管理当 中， 持续发挥着显著的作用。 说明书 20/20 页 24 CN 111428915 A 24 图1 图2 说明书附图 1/4 页 25 CN 111428915 A 25 图3 图4 图5 说明书附图 2/4 页 26 CN 111428915 A 26 图6 图7 说明书附图 3/4 页 27 CN 111428915 A 27 图8 说明书附图 4/4 页 28 CN 111428915 A 28 。