ArcGIS笔记13_利用ArcGIS制作岸线与水深地形数据?建立水动力模型之前的数据收集与处理?

news2024/9/22 4:35:29

本文目录

  • 前言
  • Step 1 岸线数据
  • Step 2 水深地形数据
  • Step 3 其他数据及资料

前言

利用MIKE建立水动力模型详见【MIKE水动力笔记】系列)之前,需要收集、处理和制作诸多数据和资料,主要有岸线数据、水深地形数据、开边界潮位驱动数据、风场数据、潮位和海流观测资料和站点潮汐调和常数资料等。本篇主要介绍这些资料的获取与处理。
其中岸线数据和水深地形数据用于制作海洋数值模型网格;有了网格,结合开边界潮位驱动数据和风场数据的输入,根据实际海岸海洋环境条件进行控制方程的选择和模型的概化处理,进而搭建起初步的数值模型;然后通过对比潮位和海流观测资料、站点潮汐调和常数资料等,进行模型的率定和验证,验证结果良好后,方可进入下一步的正式模拟阶段。

Step 1 岸线数据

通常来讲,岸线数据有多种获取方法,大致可分为两类方法。第一类是通过一些岸线数据公开资源库来下载获取,例如美国国家海洋和大气管理局有一个叫做Geodas的数据库,可以方便的提取全球尺度的岸线,但这种方法获取的岸线精度偏低,更适合大尺度范围的海洋研究。第二类是通过遥感影像自己来提取或绘制岸线进而制作模型岸线数据,这种方法获取的岸线数据精度很高,适合本项目研究的精度需求。

具体操作是,首先下载该区域的遥感影像,遥感影像主要采用美国陆地卫星Landsat系列,如下图。在保证影像质量的前提下,选择大潮高潮时期且云量较小的影像数据。影像时相选用两个,一个用来提取岸线,一个用来精度验证。所有影像数据均在ENVI中进行预处理,校正配准的误差在半个像元内,采用标准假彩色显示,以便更易识别影像数据。

在这里插入图片描述

然后进行影像的解译与岸线识别,如果该研究区域较小,可以采用人工目视解译,在ArcGIS中绘制出海岸线,等间距转点得到岸线散点坐标,如下图。然后对岸线数据进行验证,据前人研究结果表明(侯西勇等, 2014),基于30 m分辨率的遥感影像岸线提取最大允许误差为28.28 m,抽取适当标志点进行验证,平均误差小于理论最大允许误差表明满足研究精度需要。

在这里插入图片描述

Step 2 水深地形数据

水深地形数据的获取,同样的,水深地形数据的获取来源也有多种,第一种是也是跟岸线数据一样通过公开资源库获取,精确度上同样偏低,不适合本项目研究;第二种是通过航保部出版的海图资料获取;第三种就是通过一定数目的已知水深点进行插值处理获取,这种方法取决于已知水深点的数目和质量,大范围整体趋势较好,但局部小区域也易出现插值结果不理想的情况,需要在后面模型验证的时候优化这个问题。

水深地形数据获取的具体操作是,首先如果手头已有一部分实测断面数据,可以采用这些数据,然后这里还可以借助了另外的两份数据,一个是刚刚介绍自己绘制得到的岸线数据,因为岸线就相当于水深值为0的点,也相当于已知水深点了;另一个就是前人文献资料中绘制的水深图,参考前人学者论文中的资料,提取其中部分等深线上的点作为一部分已知点。上述的这些已知水深点都需要进行坐标系和基准面的统一。如下图

在这里插入图片描述

接下来就在ArcGIS中进行克里金插值获取水深DEM(digital elevation model)模型,如下图

在这里插入图片描述

对DEM的数据进行5%抽样验证,计算NSE和RMSE看验证结果是否良好。这里的NSE是指纳什模型效率系数,大于0.5表明模型拟合较好,大于0.65表明模型拟合极好,RMSE是指均方根误差,后面在验证潮位和海流时也是用这两个评价指标。

Step 3 其他数据及资料

然后是开边界潮位驱动数据,数据来源于TPXO 9全球潮汐预报模型,基于此制作dfs1时间序列数据,用于后面水动力模型构建过程中的潮位驱动加载。确定数据时长,同时进行了格林威治8小时时间差调整。

风场数据是通过ECMWF公开数据库获取,数据包含了风场u分量、v分量和大气压力值的逐日数据,确定数据精度和数据时长。如下图

在这里插入图片描述

接下来是潮位观测数据和海流观测数据。潮位及海流观测数据主要用于模型的率定及验证。

潮位观测数据主要通过国家海洋信息中心全球潮汐预报服务平台(http://global-tide.nmdis.org.cn)获取,收集研究区内的潮位站点数据,平台最多可显示3天的预报,也就是每个站点数据时长最大能达72 h。如下图。

在这里插入图片描述

在这里插入图片描述

至于海流观测数据,尽量通过ADCP实测获取的,如果没有的话,也可以找找国家海洋信息中心全球潮汐预报服务平台,如果没有海流站点,那也可以采用前人文献中的历史海流观测数据,数字化这份数据即可。

调和常数观测数据的获取也是采用此方法,如果没有实测资料的话,也可以采用前人文献中的数据。也可以画出同潮图与前人所绘制的进行对比。

希望能帮助到大家!


以上就是全部内容啦~

希望可以得到你的赞,非常感谢!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1144274.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

File文件查找

用的是递归调用, (递归死循环的结果是导致栈内存溢出错误) 一.代码 package org.example;import java.io.File;public class day03 {public static void main(String[] args) {//文件查找,在d:temp下查找改名.mp4sea…

前端的简单介绍

前端核心的分析 CSS语法不够强大,比如无法嵌套书写,倒是模块化开发中需要书写很多重复的选择器 没有变量和合理的样式复用机制,使逻辑上相关的属性值必须字面量的心事重复的输出,导致难以维护 CSS预处理器,减少代码的笨重&#…

IDEA中application.properties文件中文乱码

现象: 原因: 项目编码格式与IDEA编码格式不一致导致的 解决办法: 在File->Settings->Editor->File Encodings选项中,将Global Encoding,Project Encoding,Default encoding for properties files这三个选项置为一致&a…

设计一个递归算法,删除不带头结点的单链表L中所有值为x的结点(C语言实现)

设计一个递归算法,删除不带头结点的单链表L中所有值为x的结点(C语言实现) 这个代码网上基本都是直接照搬的王道,但是由于某些院校是明确要求用C语言实现,你那个C的引用符号&根本用不了,所以笔者这里用…

归结原理、归结演绎推理

主要内容 归结演绎推理范式子句与子句集将谓词公式转化为子句集命题逻辑鲁宾逊归结原理 归结演绎推理 定理证明的实质是对前提P和结论Q证明P →Q的永真性应用反证法,欲证明P →Q,只要证明 P∧~Q 等价于 F鲁宾逊归结原理对机械化推理有重大突破鲁宾逊归…

李宏毅老师浅谈机器学习

李宏毅老师浅谈机器学习 引例 - 宝可梦/数码宝贝 分类器如何定义损失函数?- 经验这里定义一个直观的loss函数根据全体数据,得到最好的模型参数(理想)如何衡量现实损失和理想损失接近程度?如何得到跟含所有样本数据集很像的取样数据…

【java学习—十】捕获异常(2)

文章目录 1. 什么是异常2. 异常处理机制3. 捕获异常总结3.1. try 和 catch3.2. 捕获异常的有关信息:3.3. finally 1. 什么是异常 如果程序运行时,某一行出现异常,将会使程序中断,不在继续执行,举个例子如下&#xff1…

Kubernetes简介篇

文章目录 前言应用部署Kubernetes能做什么总结 前言 Kubernetes(简称k8s)是一个开源的容器编排和管理工具,由Google开发并捐赠给Cloud Native Computing Foundation(CNCF)管理。它能够自动化部署、扩展和管理容器化应…

Unity主程如何做好游戏项目管理

前言 很多小伙伴最近在面试或者考虑跳槽,可能工作了3~5年了想涨薪或想做技术总监或主程, 可自己还是个雏,没有做过项目技术管理,怎么办?今天我给大家梳理一下作为一个技术总监或主程你应该如何带好一个游戏项目,做好技术管理。接…

基于混合蛙跳算法的无人机航迹规划-附代码

基于混合蛙跳算法的无人机航迹规划 文章目录 基于混合蛙跳算法的无人机航迹规划1.混合蛙跳搜索算法2.无人机飞行环境建模3.无人机航迹规划建模4.实验结果4.1地图创建4.2 航迹规划 5.参考文献6.Matlab代码 摘要:本文主要介绍利用混合蛙跳算法来优化无人机航迹规划。 …

小米14系列, OPPO Find N3安装谷歌服务框架,安装Play商店,Google

10月26号小米发布了新款手机小米14,那么很多大家需求问是否支持谷歌服务框架,是否支持Google Play商店gms。因为毕竟小米公司现在安装的系统是HyperOS澎湃OS。但是我拿到手机之后会发现还是开机初始界面会显示power by android,证明这一点他还是支持安装谷歌,包括最近一段时间发…

ASEMI高压二极管CL08-RG210参数,CL08-RG210封装

编辑-Z CL08-RG210参数描述: 型号:CL08-RG210 反向重复峰值电压VRRM:8000V 反向工作峰值电压VRWM:8000V 正向平均电流IF:0.5A 正向(不重复)浪涌电流IFSM:20A 反向恢复时间trr:80ns 正向…

spring-基于注解管理bean

基于注解管理bean 一、标记与扫描1、引入依赖2、创建spring配置文件3、创建组件4、扫描组件4.1、基本扫描&#xff1a;4.2、指定要排除的组件4.3、仅扫描指定组件 二、基于注解的自动装配 一、标记与扫描 1、引入依赖 <dependencies> <!-- 基于Maven依赖传递性&…

图像特征Vol.1:计算机视觉特征度量|第一弹:【纹理区域特征】

目录 一、前言二、纹理区域度量2.1&#xff1a;边缘特征度量2.2&#xff1a;互相关和自相关特征2.3&#xff1a;频谱方法—傅里叶谱2.4&#xff1a;灰度共生矩阵(GLCM)2.5&#xff1a;Laws纹理特征2.6&#xff1a;局部二值模式&#xff08;LBP&#xff09; 一、前言 &#x1f…

RocketMq源码分析(八)--消息消费流程

文章目录 一、消息消费实现二、消息消费过程1、消息拉取2、消息消费1&#xff09;提交消费请求2&#xff09;消费消息 一、消息消费实现 消息消费有2种实现&#xff0c;分别为&#xff1a;并发消费实现&#xff08;ConsumeMessageConcurrentlyService&#xff09;和顺序消费实现…

vue3-vite-ts-pinia

Vue3 vite Ts pinia 实战 源码 electron 仓库地址&#xff1a;https://gitee.com/szxio/vue3-vite-ts-pinia 视频地址&#xff1a;小满Vue3&#xff08;课程导读&#xff09;_哔哩哔哩_bilibili 课件地址&#xff1a;Vue3_小满zs的博客-CSDN博客 初始化Vue3项目 方式一 …

分布式数据库Apache Doris简易体验

&#x1f4e2;&#x1f4e2;&#x1f4e2;&#x1f4e3;&#x1f4e3;&#x1f4e3; 哈喽&#xff01;大家好&#xff0c;我是【IT邦德】&#xff0c;江湖人称jeames007&#xff0c;10余年DBA及大数据工作经验 一位上进心十足的【大数据领域博主】&#xff01;&#x1f61c;&am…

公司电脑禁用U盘的方法

公司电脑禁用U盘的方法 安企神U盘管理系统下载使用 在这个复杂的数据时代&#xff0c;保护公司数据的安全性至关重要。其中&#xff0c;防止未经授权的数据泄露是其中的一个关键环节。U盘作为一种常用的数据传输工具&#xff0c;也成为了潜在的安全风险。因此&#xff0c;公司…

DOM节点学习

喜欢的东西太贵了&#xff0c;我一咬牙&#xff0c;狠下心决定不喜欢了&#xff01; 【文档节点--DOM有哪些节点】 仔细看下面文档的html标签的不同 1.li标签没换行 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"&…

【代码随想录】算法训练计划04

1、24. 两两交换链表中的节点 题目&#xff1a; 给你一个链表&#xff0c;两两交换其中相邻的节点&#xff0c;并返回交换后链表的头节点。你必须在不修改节点内部的值的情况下完成本题&#xff08;即&#xff0c;只能进行节点交换&#xff09;。 思路&#xff1a; 链表这种题…