九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf

九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf

ID:51413032

大小:590.32 KB

页数:5页

时间:2020-03-23

九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf_第1页
九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf_第2页
九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf_第3页
九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf_第4页
九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf_第5页
资源描述:

《九段沙尾浅滩冲淤演变对长江入海沙量变化的响应.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、泥沙研究2014年8月JournalofSedimentResearch第4期九段沙尾浅滩冲淤演变对长江人海沙量变化的响应茅志昌,张田雷,郭建强(1.华东师范大学河13海岸学国家重点实验室,上海200062;2.交通运输部天津水运工程科学研究所,天津300456;3.上海市九段沙湿地自然保护区管理署,上海200136)摘要:根据1958—2007年的长江河口地形图和大通站输沙量资料,应用GIS、DEM和ANN方法,探讨了九段沙冲淤趋势对长江人海沙量变化的响应。结果表明,引起研究区域冲淤转化的大通年均输

2、沙量临界值约为3.0×10t,2000年为由淤转冲的转折年,大通年均输沙量与九段沙沙尾以东典型断面冲淤率呈非线性关系,当大通年均输沙量低于1.6×10t时,冲刷率反而减小。关键词:长江河口;九段沙;冲淤演变中图分类号:TV148文献标识码:A文章编号:0468.155X(2014)04-0055-05目前,世界上许多大河的河口三角洲,由于流域来水来沙的改变导致不同程度的冲淤变化。例如埃及尼罗河,因修建了一系列大坝(特别是阿斯旺大坝)后,引起河口三角洲强烈蚀退。我国的黄河近年来由于入海泥沙锐减,而使快速

3、淤涨的黄河三角洲前沿出现严重侵蚀引。河口水下三角洲是河口潮滩发育扩展的基础,因此研究河口水下三角洲的冲淤变化,将有助于了解流域来沙量变化对其的响应程度,也有助于掌握河口潮滩的淤涨扩展或冲蚀缩小趋势。图1长江河口Fig.1ChangjiangRiverEstuary九段沙为长江河口第三代沙洲,具有典型的河口沙洲地质地貌特性和丰富的河口湿地生态资源(图1),引起了国内外专家学者的重视和社会各界的关注。近20年来,对九段沙的成因、发育演变和湿地资源的保护利用等方面陆续开展了调查研究,取得了一系列丰硕成果-1

4、0]。但专门针对九段沙沙尾浅滩冲淤演变对长江人海沙量变化的响应研究,尚未见之报道。收稿日期:2013-09-22基金项目:上海市科学技术委员会资助项目(10dz1200802)作者简介:茅志昌(1949一),男,上海市人,教授,主要从事河口海岸动力地貌、潮滩资源保护利用等方面研究。E-mail:zcmao@sklec.ecnu.edu.cn551资料与研究方法所用海图分别由中国人民解放军海军司令部航海保证部(1958,1:15万)、上海航道局(1976,1:1万)、交通部上海海上安全监督局(1989,

5、1:12万)、中华人民共和国交通部安全监督局(1994,1998,1:12万)、中华人民共和国海事局(2000、2001、2004、2007,1:7.5万,2011,1:8万)测绘,水深基准面为理论最低潮面。研究方法采用了地理信息系统、数字高程模型以及人工神经网络,运用动力地貌学、泥沙运动力学理论对研究成果进行分析。地理信息系统(GeographicalInformationSystem)是以地理空间数据库为基础,在计算机软硬件的支持下,对空间相关数据进行采集、管理、分析、模拟和显示,并采用地理模型分

6、析方法,适时提供多种空间和动态的地理信息,为地理研究和地理决策服务而建立起来的计算机技术系统。数字高程模型(DigitalElevationMode1)是数字地形模型(DigitalTerrainMode1)中的一种。DTM是空间数据库中存储、管理的空间地形数据集合的统称,是带有空间位置特征和地形属性的数字描述。一般GIS中的数据结构只具有二维的意义,高程是地理空间的第三维坐标。我们采用GIS与DEM相结合,建立水深数字地形库,绘制地形冲淤图,在此基础上进行冲淤分析。人工神经网络(Artificial

7、NeuralNetworks)既是一个非线性动力学系统,又是自适应组织系统,可用来逼近及模拟复杂的自然系统。神经网络系统具有集体运算的能力和自适应的学习能力,还具有很强的容错性和稳健性,善于联想、综合和推广。BP神经网络是一种多层前馈神经网络,即误差反传训练算法,其中第一层称输入层,最后一层为输出层,中间层为隐含层。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态,如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神

8、经网络预测输出不断逼近期望输出。,神经元是神经网络最基本的组成部分,其模型可以表述为Y=∑+6)=l121。OOE122。0OE式中;(i=1,2,⋯,R)为神经元输入;W;(i=1,2,⋯,R)为神经元之间的连接权值;b为阈值;f为传递函数(或激励。。4。N函数);y为神经元输出。传递函数,,常用的有线性传递函数purelin和正切型传递函数tansig,表达式为,’tansig函数Y=一1,1一epurelin函数Y=。。00N2研究区域自1958年

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。