海洋科学  2023, Vol. 47 Issue (1): 1-12   PDF    
http://dx.doi.org/10.11759/hykx20220105004

文章信息

胡仕焜, 刘丙军, 邱江潮, 曾慧, 张明珠, 李丹. 2023.
HU Shi-kun, LIU Bing-jun, QIU Jiang-chao, ZENG Hui, ZHANG Ming-zhu, LI Dan. 2023.
珠江河口区风暴潮增水过程非线性叠加效应研究
Nonlinear effects of a storm surge in the Pearl River estuary
海洋科学, 47(1): 1-12
Marina Sciences, 47(1): 1-12.
http://dx.doi.org/10.11759/hykx20220105004

文章历史

收稿日期:2022-01-05
修回日期:2022-10-16
珠江河口区风暴潮增水过程非线性叠加效应研究
胡仕焜1,2, 刘丙军1,2, 邱江潮3, 曾慧4, 张明珠4, 李丹4     
1. 中山大学 土木工程学院, 广东 珠海 519082;
2. 华南地区水循环与水安全广东省普通高校重点实验室, 广东 广州 510275;
3. 中山大学 地理科学与规划学院, 广东 广州 510275;
4. 广州市水务科学研究所, 广东 广州 510220
摘要:珠江河口区水网密布, 水动力条件复杂, 风暴潮增水过程存在明显非线性叠加特征。本文运用ADCIRC(Advanced Circulation Hydrodynamic model)与SWAN(Simulating Waves Nearshore)模型, 以1713号台风“天鸽”为实例, 构建了珠江河口区风暴潮增水数值模拟模型, 研究了珠江河口区风暴潮增水非线性叠加特征, 得出如下结论(1)在台风强度不变的情况下, 在珠江口西岸登陆台风带来的增水最大, 在伶仃洋西岸超过2 m。(2)风暴潮在珠江口西岸、东岸、河口区登陆, 在高低潮和低低潮登陆带来的非线性效应水位较高, 最高超过1 m。在高高潮和高低潮期登陆带来的非线性效应水位较低, 最低非线性水位接近0 m。在珠江口西岸登陆的台风, 其风暴潮-天文潮的非线性效应最大。
关键词珠江口    风暴潮增水    非线性叠加    
Nonlinear effects of a storm surge in the Pearl River estuary
HU Shi-kun1,2, LIU Bing-jun1,2, QIU Jiang-chao3, ZENG Hui4, ZHANG Ming-zhu4, LI Dan4     
1. School of civil engineering, Sun Yat-sen University, Zhuhai 519082, China;
2. Key Laboratory of Water Cycle and Water Security in Southern China of Guangdong High Education Institute, Guangzhou 510275, China;
3. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China;
4. Guangzhou Water Research Institute, Guangzhou 510220, China
Abstract: The hydrodynamic conditions of tide and runoff are complex in the Pearl River estuary. The surge process has obvious nonlinear superposition characteristics in this area. Using the advanced circulation hydrodynamic model and simulating waves nearshore model and considering the "1713" typhoon Tiange as an example, this study developed a numerical simulation model for storm surge and determined the nonlinear characteristics of a storm surge in the Pearl River estuary. The conclusions are as follows: (1) For a given typhoon intensity, a typhoon landing on the western region of the Pearl River estuary brings the largest water increase, and the nonlinear effect between astronomical tide and storm surge is the largest, at more than 2 m on the west bank of Lingdingyang. (2) The nonlinear effects of a storm surge are extremely similar regardless of whether the typhoon lands in the western, eastern, or central part of the Pearl River estuary. During higher and lower high tides, the nonlinear effect caused by the storm surge–tide interaction is minimal, and the lowest nonlinear water level is almost 0 m. Moreover, the nonlinear effect of the storm surge–tide interaction is the largest for a typhoon landing on the west bank of the Pearl River estuary.
Key words: Pearl River estuary    storm surge    nonlinear effects    

风暴潮指由于剧烈的大气扰动, 如强风和气压骤变导致海水异常升降, 使受其影响的地区潮位远超出常规潮位的现象。近年来, 我国南海沿岸极端台风发生频率与强度逐年增大, 带来的风暴潮灾害问题日趋严重[1]。国家海洋局2012年发布的调查显示, 风暴潮约占全部海洋灾害的94%, 近20年来造成的经济损失高达2 500亿元。传统风暴潮增水预报中, 往往将气象要素驱动如特定台风场下的增水值与全球潮汐预报的潮位线性叠加, 没有考虑天文潮和风暴潮之间的非线性作用, 得到的预报水位往往会与实际的风暴潮水位结果出现误差[2]。以中国广西铁山湾风暴潮增水预报为例, 潮汐相互作用引起的非线性水位在高潮位退潮时最高可达到0.94 m[3]; Thomas等[4]在美国东海岸验证潮汐与风暴潮的非线性作用会显著影响风暴潮的峰值水位, 其差值超过1 m, 接近风暴潮增水水位; Dinápoli等[5]揭示阿根廷拉普拉塔河口非线性潮汐相互作用强烈, 非线性水位占总水位10%~20%。Zhang等[6]建立了台湾海峡的风暴潮数值模型, 计算得到潮汐-风暴潮非线性效应大于纯潮汐的影响。Idier等[7]计算了英吉利海峡风暴潮水位结果, 表明瞬时潮汐-风暴潮非线性效应可以达到74 cm, 超过最大水位的50%。故研究天文潮-风暴潮增水的非线性叠加效应, 可以有效地降风暴潮增水预报结果的误差[8]

天文潮-风暴潮增水的非线性叠加效应主要来源于底摩擦, 浅水效应与对流效应。Doodson[9]认为天文潮相位会影响风暴潮增水的最大水位, 并提出其非线性效应与摩擦项中的流速有关; Rego等[10]建立了飓风Rita沿路易斯安那州-德克萨斯州海岸引发的风暴潮的数值模型, 研究发现当台风在低潮登陆时, 风暴潮与潮汐耦合引起的非线性效应会增强增水峰值, 相反当在高潮时期登陆时, 非线性水位会削弱增水; 张西琳等[11]通过对中国东南沿海的模型开边界设置不同分潮驱动, 研究结果表明潮位越高时, 非线性增水的叠加作用越明显; Paul等[12]在孟加拉湾发现当峰值增水出现在高潮位时, 风暴潮增水最大, 非线性水位也最大, 即增水变化与非线性水位变化基本一致。可见, 天文潮-风暴潮增水的非线性效应十分明显, 其强弱与潮汐涨落潮密切相关。

风暴潮增水过程的数值模拟与非线性效应的计算通常通过FVCOM、SWAN、MIKE21、ROMS、Delft3D和ADCIRC等数值模型进行[3-13]。其中, ADCIRC基于非结构化网格, 对于潮汐水位和风场气压有较好的模拟效果, 被广泛应用于相关研究, 如Guillott [14]、Baco­poulos [15]、Dietrich [16, 17]、等研究人员使用ADCIRC模型在不同区域对风暴潮进行了模拟, 验证效果良好。而SWAN作为波浪模型, 可以与ADCIRC共享研究区域网格, 相互传递水位、气压、风速等数据实现紧密耦合[16], 来模拟波浪和风暴潮从深水到沿海地区的变化。并且, 对于SWAN模型波浪计算的过程对于任何时间步长都是稳定的, 并允许在研究区进行局部网格细化[18]。故对于珠江河口区的河网, 可以设置更高的分辨率, 实现更好的模拟效果。此外, 本研究采用Holland经典台风模型, 为ADCIRC+ SWAN模型输入台风风场。

珠江三角洲河网地区具有极其复杂的径潮交互作用, 尤其是天文潮和风暴潮之间存在着复杂的交互作用[13]。本研究利用ADCIRC+SWAN耦合模型, 建立了珠江口及其沿河城区段河网的高精度风暴潮数值模型, 以“天鸽”台风为研究对象, 重点研究并分析了不同路径下风暴潮期间珠江口河网内外天文潮、风暴潮之间相位差对增水过程的非线性影响, 以期对珠江口风暴潮预报与防洪防潮设计有所助力。

1 研究区域及数据来源

珠江河口区位于中国广东省中南部, 研究区域主要选取范围为北纬19°30′—23°30′、东经111°10′——117°10′, 主要包括珠江河口河网以及南海部分区域。珠江通过八大口门汇入南海, 水系支流众多, 水道纵横交错, 同时受上游来水、潮汐和台风共同作用, 径潮流水动力条件复杂, 风暴潮增水极端事件频繁, 珠江口西岸高高潮水位接近2 m。在“天鸽”台风登陆期间恰逢天文大潮, 珠江河口区伶仃洋西岸增水明显, 风暴潮影响下部分区域水位超过3 m, 增水超过1 m。

海岸线数据主要来自全球高分辨率地理信息数据库(GSHHG), 珠江河网水文气象与地形数据主要来自水文年鉴, 南海水深数据主要来自美国国家海洋和大气管理局(NOAA)的ETOP1数据集。台风数据来自联合台风警报中心(JTWC)最佳路径数据集。外海潮汐驱动的8个M1、M2、S2、N2、K1、O1、P1、Q1潮汐分量取自TPXO的2016 China Sea & Indonesia数据集[9]。本研究建立了珠江河口区风暴潮数值模型, 选用珠江河口内外大横琴站、黄金站、南沙站、黄埔站、中大站的实测逐时水位序列作为模型验证。站点分布及地理位置如图 1所示。

图 1 研究区与站点 Fig. 1 Stations in the study area
2 模型设置及验证 2.1 风暴潮增水数值模拟模型原理 2.1.1 ADCIRC模型

ADCIRC(Advanced Circulation Hydrodynamic Model)是一种广泛用于对风暴潮、潮汐、沿海水循环过程进行模拟的水动力循环模型。该模型最初由美国North Carolina大学的Luettich教授和Notre Dame大学的Westerink博士联合开发[19]。ADCIRC模型的求解方式包括有限单元法和有限差分法[20]。为了更好的对岸线及近岸地形进行描述来拟合复杂区域的边界, 在空间上采用有限单元法; 为了提高计算效率, 在时间上采用有限差分法, 其控制方程即广义波动连续性方程GWCE(Generalized Wave Continuity Equation)为:

$\frac{\partial^2 \xi}{\partial t^2}+\tau_0 \frac{\partial \xi}{\partial t}+\frac{\partial \tilde{J}_x}{\partial_x}+\frac{\partial \tilde{J}_y}{\partial_y}-U H \frac{\partial \tau_0}{\partial x}-V H \frac{\partial \tau_0}{\partial y}=0,$ (1)

其中

$\begin{aligned} \tilde{J}_X= & -Q_X \frac{\partial U}{\partial x}-Q_y \frac{\partial U}{\partial y}+f Q_y-\frac{g}{2} \frac{\partial \xi^2}{\partial x}- \\ & g H \frac{\partial}{\partial x}\left(\frac{P_S}{g \rho_0}-\alpha \eta\right)+\frac{\tau_{s x}-\tau_{b x}}{\rho_0}+M_x-D_x- \\ & B_X+U \frac{\partial \xi}{\partial t}+\tau_0 Q_x-g H \frac{\partial \xi}{\partial x},\end{aligned}$ (2)
$\begin{aligned} \tilde{J}_y= & -Q_x \frac{\partial U}{\partial x}-Q_y \frac{\partial U}{\partial y}+f Q_x-\frac{g}{2} \frac{\partial \xi^2}{\partial x}- \\ & g H \frac{\partial}{\partial x}\left(\frac{P_S}{g \rho_0}-\alpha \eta\right)+\frac{\tau_{s y}-\tau_{b y}}{\rho_0}+M_y-D_y- \\ & B_y+U \frac{\partial \xi}{\partial t}+\tau_0 Q_y-g H \frac{\partial \xi}{\partial y},\end{aligned}$ (3)

式中, $ H=\xi+h$是总水位(m), $\xi $是高于平均水面的水位(m), h是水深(m), UV分别是x, y方向上的与深度有关的流速(m/s), Qx, Qy分别为x, y方向上单位宽度的流量(m2/s), f为科氏力系数, Ps为海面大气压(hPa), $\rho_0 $为水的密度, $\eta $为牛顿引潮力势, g为重力加速度, $\tau_s$为表面应力(Pa), $\tau_b $为切应力(Pa), $\tau_0$为传播系数, M为横向应力梯度, D为扩散项, B为斜压梯度。

ADCIRC既可以作为二维(2DDI)模型运行, 也可以作为三维(3D)模型运行。无论哪种情况, 都可以从广义波连续性方程(GWCE)的解中获得水位。将公式(2)和(3)带入(1)中, 即可得到GWCE方程的最终形式, 由此可求解出水位ζ

2.1.2 SWAN数值模型

存在水流的情况下, 波谱的作用量守恒而能量密度不守恒, 在笛卡尔坐标系下, 控制方程可以表示为:

$\frac{\partial}{\partial t} N+\frac{\partial}{\partial x}\left(C_x N\right)+\frac{\partial}{\partial y}\left(C_y N\right)+\frac{\partial}{\partial \sigma}\left(C_\sigma N\right)+\frac{\partial}{\partial \theta}\left(C_\theta N\right)=\frac{S}{\sigma},$ (4)

式中, $N(\sigma, \theta)$为随机波浪场, 其中$\sigma $为相对频率, $\theta$为波向, Cx, Cy为波作用量在波相空间的速度, $C_\sigma $为波作用量在频率空间中的传播速度; $S(\sigma, \theta)$以波能谱密度表示, 由风能输入以及底摩擦、白浪、破碎、波浪相互作用等多个物理过程构成。

2.1.3 ADCIRC+SWAN模型

SWAN波浪模型和ADCIRC浅水环流模型可以集成为紧密耦合的SWAN+ADCIRC模型。两种模型应用于相同的非结构化网格, 共享并行计算, 并且按照设置的时间步长共同运行。在模型网格相同的节点上, 风速、水位、流速和辐射应力梯度在两个模型之间相互传递。ADCIRC输出的流速、水位以及气压风场数据输入SWAN, SWAN运行后, 输出的波浪辐射应力再输入ADCIRC运行, 重新计算得到风暴潮的水位流速。ADCIRC+SWAN模型耦合具有高度的可扩展性, 并允许局部增加网格的分辨率, 而无需嵌套子网格。相比于单独ADCIRC模型, 耦合模型能够更好的模拟飓风在深水产生波和环流, 在浅水传播, 在复杂河口地区波能耗散的过程, 对于风暴潮期间研究区水位的模拟效果更好[16]

2.1.4 Holland经典风场模型

本研究使用的风场模型为广泛使用的Holland模型[21], 它只需要几个基本参数值如风场气压、最大风速和最大风半径来确定预测热带气旋活动的其他基本要素, P为半径r处的压强, 其基本方程为:

$ P=P_c+\left(P_n-P_c\right) \exp \left(-\mathrm{A} / r^B\right). $ (5)

式中, PcPn分别为台风中心气压和背景大气压, A和B为描述台风类型和形状的参数, 一般取值为1.0~2.5。

当科里奥利力与压力梯度和离心力相比很小, 处于环流平衡的理想状态时, 半径r处的风速Vc为:

$ V_c=\left[A B\left(P_n-P_c\right) \exp \left(-A / r^B\right) / \rho r^B\right]^{1 / 2}. $ (6)

最大风场半径RW为:

$R_w=A^{1 / B}. $ (7)
2.2 风暴潮数值模型设置

当风暴潮由深海传递到河口河网浅水区域时, 地形与水深对风暴潮增水有显著影响。为了保证模型的精确度, 网格由外海边界单元尺度约10 km, 向河网内单元尺度不断减小, 至河口河网区时河网, 三角形网格边长为100~150 m, 以提升地形和水深对风暴潮影响的精度。基于上述选取的研究区域及网格分辨率, 生成研究区域的非结构三角形网格, 如图 2所示, 区域内计算网格包括303 983个节点和556 936个网格。

图 2 研究区模型网格示意图 Fig. 2 Mesh in the study area

ADCIRC模型设置时间步长为1 s, ADCIRC模型主要由天文潮、气压和风速驱动, 影响底摩擦的曼宁系数设置为随深度变化的函数, SWAN波浪计算设置为600 s, 模型计算时间均为2017年8月20日6时—2017年8月24日6时(UTC)。耦合模型中潮汐驱动来自海洋边界设置8个分潮, 数据来源于OTIS区域潮汐调和常数分析, 提取的M1、M2、S2、N2、K1、O1、P1、Q1分潮对风暴潮模型进行强迫输入。台风驱动的数据根据JTWC最佳路径数据集中台风在某时刻的中心位置、最大风速、最低气压和强度等级等信息, 输入Holland风场模型生成网格节点的气压和风速等作为耦合模型的风场驱动。

2.3 风暴潮数值模型验证

本次研究模型的评价指标采用相关系数R、纳什系数NSE、均方根误差RMSE三个指标来评估模型, 结果如表 1所示, 以1713号台风“天鸽”为案例, 利用ADCIRC模型和ADCIRC+SWAN模型输出的水位序列与实测站点数据进行验证, 三个指标的定义如下:

$R=\frac{\sum(x-\bar{x})(y-\bar{y})}{\sqrt{\sum(x-\bar{x})^2(y-\bar{y})^2}},$ (8)
$ N S E=1-\frac{\sum\limits_{i=1}^n\left(o_i-m_i\right)^2}{\sum\limits_{i=1}^n\left(o_i-\overline{o_i}\right)^2},$ (9)
$R M S E=\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(o_i-m_i\right)^2} .$ (10)
表 1 各典型站点水位结果验证指标 Tab. 1 Information verification at typical stations during typhoon Hato
站点 坐标 ADCIRC ADCIRC+SWAN
东经 北纬 R NSE RMSE R NSE RMSE
大横琴 113.466° 22.098° 0.97 0.93 0.17 0.97 0.92 0.18
黄金 113.287° 22.136° 0.96 0.84 0.22 0.96 0.85 0.21
南沙 113.564° 22.744° 0.94 0.83 0.36 0.94 0.83 0.34
黄埔 113.459° 23.091° 0.91 0.81 0.40 0.92 0.84 0.36
中大 113.294° 23.106° 0.91 0.72 0.43 0.91 0.79 0.37

以1713号台风“天鸽”为案例, 图中黑点代表实测的水位, 红色实线代表ADCIRC模拟的水位, 蓝色实线代表ADCIRC+SWAN耦合模型, 黑色实点与红色、蓝色实线基本重合, 模拟效果较好, 说明该模型质量好, 可信度高。根据表 1中的指标结果, ADIRC模型和ADCIRC+SWAN耦合模型输出的模拟水位相关性系数均大于0.9, 河网内南沙、黄埔、大横琴站、黄金站模拟与验证的纳什系数大于0.8, 而ADCIRC+SWAN耦合模型的均方根误差相比于ADCI­RC模型较小, 各典型站点的水位误差均小于0.4 m, 平均相位差小于1 h, 模拟数据与实测数据比较吻合, 模拟精度较好。黄埔站、中大站位于数值模型的边界且位于复杂河网中, 模拟与实测的风暴潮增水极值存在一定误差, 如图 3所示, 中大站模拟水位与峰值水位相位基本一致, 最高增水差值较大, 峰值差为0.41 m。尽管如此, 建立的ADCIRC+SWAN数值模型的结果基本上能够反映台风天鸽期间珠江河口区各站的水位上升和潮位变化。

图 3 天鸽台风各典型站点观测与模拟水位的时间序列对比 Fig. 3 Timeseries of the observation and simulation data at different stations
3 结果分析 3.1 台风路径对河网区风暴潮增水过程的影响

除受台风强度影响外, 台风路径也是影响河道增水的重要因素之一。影响珠三角的热带气旋多以西进型或西北型移动路径热带气旋为主, 该类热带气旋多生成于西北太平洋, 具有强度大、持续时间长的特点, 且大多在珠三角以西区域登陆[22], 根据统计, 在珠江口西岸登陆的台风占比超过50%, 在珠江河口区登陆的热带气旋约占21%, 在东岸登陆的热带气旋约占27%。这时考虑台风路径与河网角度问题, 以台风“天鸽”为例, 其台风路来源于JTWC最佳台风路径数据集, 如图 4所示, 台风“天鸽”路径记录的节点基本上处在一条直线上, 故以此直线为基础旋转或平移其台风路径, 研究不同的台风路径对于珠江口河网的增水变化。台风“天鸽”原始路径与纵向的珠江口夹角约为50°, 以原有的台风“天鸽”路径为基础路径A, 设计如下3条路径: 介于A与D之间在珠江口西岸登陆的台风路径B以及在珠江口东岸登陆的台风路径C和沿珠江口登陆的台风路径D。

图 4 实验台风路径设置图 Fig. 4 Typical scenarios for typhoon paths

不同台风路径下珠江口最高水位如图 5所示, 在珠江河区西岸、东岸登陆的台风对珠江河口区最高水位变化十分明显。如图 5 a所示, 台风“天鸽”登陆时恰逢天文大潮, 澳门水道、湾仔水道以及伶仃洋西岸增水明显, 此情况下珠江河口区河网内的增水最大, 部分区域水位接近3 m, 增水超过1 m。当台风的移动路径向近珠江口西岸和东岸移动时, 如图 5 b所示, 相比于原始的“天鸽”台风路径(图 5 a), 此时珠江口西岸和河网的极值水位更大, 台风风场携带更多海水进入伶仃洋西岸, 受到伶仃洋岸线的限制, 此时风暴潮流向为北向, 有利于南沙-黄埔珠江口纵深递增的增水, 平均极值水位提升0.2 m。而当台风在东岸登陆时, 珠江口西岸澳门水道, 珠海市情侣路沿海段, 以及东岸深圳湾增水明显, 而河网内增水不明显。当台风沿着珠江口由伶仃洋进入时, 如图 5 d所示, 河口区增水较少, 可能由于使用的Holland风场模型为经典风场有关, 珠江河口内如南沙站, 黄埔站增水不大, 伶仃洋聚水面积较小, 部分海水进入东江与西江流域, 由于海水与径流顶托效应, 产生较大的增水[23]

图 5 不同台风路径角度下珠江口极值水位对比 Fig. 5 Comparison of peak elevations in the Pearl River estuary under different paths
3.2 台风与天文潮遭遇相位差对河网区风暴潮增水过程非线性效应的影响

潮汐过程使珠江河口区水位呈现周期性变化的特征, 因此台风与热带气旋经过时, 产生的风暴潮增水水位是台风与天文潮叠加共同的结果。通过对珠江口典型站点潮位的调和分析, 大横琴站、南沙站、黄埔站、中大站的潮位特征均属于不正规半日潮[24], 在一个太阴日(约24 h 50 min)内, 一般可以有两次高潮和两次低潮, 故改变天鸽台风路径的时间, 风暴潮增水的峰值将出现在潮汐过程的不同相位上。模型的工况设置主要依据风暴潮的最大增水出现在大潮、小潮不同相位以及不同的潮位过程。参考珠江口典型站点潮位流速变化, 由于天鸽台风恰逢天文大潮即高高潮, 以此最高潮位时间作为初始时刻, 提前或者后台风路径的登陆时间, 使风暴潮发生在不同的潮汐周期。

天鸽台风出现最大增水的时间为2017年8月23日15时(中大站), 以此大潮的最高潮位时间作为初始时刻, 调整台风路径的时间, 由于天鸽台风期间, 如图 6所示, 共设置了9组实验, 每组实验中单独设置潮汐驱动和风场驱动的情景, 用于珠江河口区非线性水位分析。

图 6 相位差实验方案设置 Fig. 6 Typical scenarios for the storm surge of Typhoon Hato

在非线性水位分析中, 风暴潮全耦合水位即ADCIRC+SWAN模型最后输出的水位$\zeta $, 可以分解为(1)天文潮潮位$\zeta_T $, (2)纯台风潮位$\zeta_W $, (3)非线性水位$ \zeta_N$, [25]各项水位中的关系为:

$\zeta=\zeta_T+\zeta_W+\zeta_N,$ (11)

在数值模型中, 只在模型的海洋开边界上进行潮汐驱动, 得到天文潮潮位$\zeta_T $。之后再利用风场的气压与风速耦合波浪模型进行强迫驱动模型, 得到纯台风潮位$ \zeta_W$。然后用风暴潮全耦合水位$\zeta$减去$\zeta_T $$ \zeta_W$得到非线性水位$ \zeta_N$, 用于研究珠江河口区不同台风路径下风暴潮与天文潮的非线性效应。

根据不同相位差情景下得到的各站点峰值水位对应的非线性水位如图 7所示, 占总水位的比例如表 2所示。整体上看, 靠近河网内部的南沙站、黄埔站、中大站在不同相位差下非线性水位的变化规律基本一致。在不同相位差下, 峰值水位对应的非线性水位也波动变化。当处于A6相位差, 即风暴潮发生的潮汐周期处于高潮的落潮期时, 此时流速较大, 非线性效应对增水极值的贡献最大, 在大横琴站非线性水位占总水位的比例超过50%, 其中南沙站、中大站、黄埔站的非线性水位均接近1 m, 超过增水的1/2, 占总水位的比例均大于30%。相反当潮水位最高时, 即处于A5天鸽台风原始情景时, 非线性正效应较小, 对于河网内的南沙站、黄埔站、中大站分别为0.12 m、0.15 m、0.14 m, 均总水位的比例也小于5%。非线性水位占总水位的比例在落潮期贡献率大于涨潮期, 在高潮落潮期高于低潮落潮期。当处于A4相位差时, 潮汐周期处于高潮的涨潮期, 其非线性水位达到负值最大, 中大站、黄埔站非线性水位达到–0.5 m, 对增水极值有负贡献。当风暴潮发生在低高潮和高高潮的落潮期时, 即A2、A6情景, 其极值水位下的非线性效应大于发生在涨潮期, 对峰值水位有较大的正贡献。当处于低低潮、高低潮时, 非线性效应对极值水位的贡献为负, 进一步降低了风场与天文潮的叠加水位。

图 7 各站点不同相位差下峰值水位对应的非线性水位图 Fig. 7 Nonlinear peak elevations under different phases and stations

表 2 各站点不同相位差下非线性水位占总水位的比例(%) Tab. 2 Proportion of the nonlinear water level in total under different phases at each station (%)
A1 A2 A3 A4 A5 A6 A7 A8 A9
大横琴站 13.64 20.00 –2.35 4.93 16.80 50.46 13.15 5.52 16.80
南沙站 –11.65 23.43 –10.57 –14.44 4.63 37.48 24.37 –3.78 –2.48
黄埔站 –13.79 27.27 –7.78 –20.63 1.84 37.51 24.91 –8.85 –5.09
中大站 –1.61 28.89 –10.45 –16.39 4.49 33.77 24.24 –2.40 –9.80
3.3 不同路径下台风-天文潮相位差对河网区风暴潮增水的影响

由3.1和3.2所知, 在不同路径, 不同相位差下, 台风带来的风暴潮增水显著不同。为了探究台风在珠江口西岸、河口区、东岸登陆下, 天文潮-风暴潮相位差对非线性增水的影响。如表 3所示设置了4组不同路径的数值实验, 每组4个不同潮汐周期, 共16个数值实验, 结果如下:

表 3 相位差实验方案设置 Tab. 3 Typical scenarios for the storm surge of typhoon Hato
工况编号 工况编号 工况编号 工况编号 潮汐周期
A1 B1 C1 D1 高高潮
A2 B2 C2 D2 高低潮
A3 B3 C3 D3 低低潮
A4 B4 C4 D4 低高潮

(1) 如图 8所示, 显示了南沙站在不同台风路径, 不同台风-天文潮相位差下, 总水位、风暴潮增水、潮位和非线性水位在台风期间的变化。其中红色线条为水位变化, 黄色线条为增水变化, 蓝色为潮位变化, 绿色为非线性水位变化。路径D是当风暴潮沿内伶仃洋、南沙、黄埔一线登陆时, 受到两岸复杂岸线和水系的影响, 其增水与其余路径相比较小, 增水小于2 m, 但是非线性水位变化规律基本一致。整体来看, 当风暴潮增水发生在高高潮期间, 非线性水位较低, 对应四个路径下等峰值水位分别为0.02 m、–0.19 m、–0.02 m和0.03 m、变化较小, 对总水位的贡献较小。当风暴潮增水极值发生在低高潮时, 无论是在珠江河口区西岸或者东岸登陆的路径, 总水位较高接近3 m、增水都较大, 但是非线性水位较小, 甚至对峰值水位有负效应作用, 如路径BCD, 当风暴潮在低高潮登陆时, 其增水峰值总水位下, 非线性水位分别为–0.37 m、–0.33 m和–0.22 m。而与之相反, 风暴潮增水极值发生在低低潮或者高低潮时, 非线性水位对增水峰值有增强作用。

图 8 南沙站不同路径不同相位差下的水位变化 Fig. 8 Variation in elevation at the Nansha station under different phases and paths

当风暴潮增水极值发生在高高潮和低高潮时, 不同的台风路径下, 当风暴潮中心登陆珠江西岸或者东岸时, 非线性水位都呈下降趋势, 当增水达到峰值时, 非线性效应对增水贡献较小, 小于0.5 m。当潮汐处于落潮时, 除风暴潮中心沿南沙-黄埔一线登陆之外, 其余三个路径的非线性效应开始增强, 在潮位处于最低点时, 非线性效应最大。因为对于不正规半日潮, 当处于潮位处于高高潮时, 潮流流速较低, 而根据公式(1)控制方程中的摩擦项, 对流项均受到潮流和风暴潮流速的相互影响, 故造成非线性水位下降。

(2) 根据不同相位差情景下得到的南沙站峰值水位时刻下对应的非线性水位如图 9所示。整体上看, 不同风暴潮中心移动路径在不同相位差下非线性水位的变化规律基本一致, 当处于低高潮时, 非线性效应对增水极值的负贡献最大, 相反处于高高潮时情景时, 此时峰值水位最高, 但是非线性水位的正效应最小, 甚至出现负贡献。非线性水位的绝对值也最小, 分别为0.12 m、–0.29 m、–0.05 m、–0.03 m, 非线性效应较弱。可以发现非线性效应与潮流的变化基本对应, 随着潮流的流速增大而增大, 随着潮流的流速减小而减小, 当风暴潮的最大增水发生在低高潮、高低潮、低低潮时, 流速较大, 非线性效应较强。而在不同的台风路径下, 在珠江口西岸登陆的台风, 路径A与路径B带来的风暴潮增水最大, 其非线性效应也最强, 是因为风暴潮潮流为西北向, 带来的增水在珠江河道内产生一定程度的堆积, 此时珠江河网区处于台风风场的右半圆, 沿着珠江口的纵深引起增水。此外, 以珠江口典型站点南沙站为例, 与其他台风路径相比, 最高的总水位来自路径B, 其对应的峰值水位下的非线性效应也最大, 当风暴潮的总水位极值出现在高低潮时, 其非线性水位可以达到0.44 m, 对总水位有明显的正效应但是对比不同路径下增水变化相较于非线性效应的变化更大, 如图 5所示, 不同路径下增水变化超过1 m, 增水水位显著不同, 而如图 9所示同一相位差下不同路径下的非线性水位大小接近, 例如在低高潮相位差下, 路径ABCD非线性水位大小为–0.29 m、–0.37 m、–0.33 m、–0.22 m, 差值较小。而不同相位差下非线性水位变化明显, 故非线性效应主要受到天文潮-风暴潮相位差的影响, 但是在不同路径会放大或缩小非线性效应, 增水越大的台风路径, 非线性效应相对越大。

图 9 南沙站不同相位差下峰值水位对应的非线性水位图 Fig. 9 Nonlinear elevations corresponding to peaks under different phases at the Nansha station
4 结论

珠江河口区水网密布, 水动力条件复杂, 本次研究利用ADCIRC+SWAN模型, 以1713号台风“天鸽”为例, 建立了珠江河口区风暴潮模型, 水位验证合理, 相位偏差小, 可以较好地反映珠江河口区风暴潮过程。基于珠江河口区数值模型结果, 设置不同路径不同相位差下的台风路径, 得到以下结果:

(1) 在不改变台风强度变化的情况下, 改变台风路径在珠江口西岸、东岸和河口区登陆。结果显示在珠江口西岸登陆的台风带来的增水最大, 伶仃洋西岸部分区域水位接近3 m, 增水超过1 m。

(2) 台风在不同潮汐周期登陆时, 当天文潮处于高高潮的落潮期时, 非线性效应最大, 最高的站点如黄埔站可以得到超过1 m的非线性水位。在低低潮时, 非线性效应最小, 验证站点中非线性水位的绝对值小于0.1 m。

(3) 不同路径风暴潮在不规则半日潮的两个高潮位和两个低潮位登陆时, 风暴潮对于峰值水位在低潮位登陆带来的正非线性效应较大, 在高潮期登陆带来的非线性效应较小。当风暴潮增水极值发生在高高潮和低高潮时, 当风暴潮中心登陆珠江西岸或者东岸时, 非线性水位都随风暴潮增水水位的增长而呈下降趋势, 而风暴潮增水极值出现在高低潮与低低潮时, 非线性水位都随风暴潮增水水位的增长而呈上升趋势。

珠江河口区的水位变化还受到上游径流的影响, 对于河网内的部分区域, 风暴潮数值模型仍然存在一定误差, 需要进一步完善。

参考文献
[1]
SHI X, LIU S, YANG S, et al. Spatial–temporal distribution of storm surge damage in the coastal areas of China[J]. Natural Hazards, 2015, 79(1): 237-247. DOI:10.1007/s11069-015-1838-z
[2]
HEAPS N. Storm surges, 1967–1982[J]. Geophysical Journal International, 1983, 74(1): 331-376. DOI:10.1111/j.1365-246X.1983.tb01883.x
[3]
YANG W, YIN B, FENG X, et al. The effect of nonlinear factors on tide-surge interaction: A case study of Typhoon Rammasun in Tieshan Bay, China[J]. Estuarine, Coastal and Shelf Science, 2019, 219: 420-428. DOI:10.1016/j.ecss.2019.01.024
[4]
THOMAS A, DIETRICH J, ASHER T, et al. Influence of storm timing and forward speed on tides and storm surge during Hurricane Matthew[J]. Ocean Modelling, 2019, 137: 1-19. DOI:10.1016/j.ocemod.2019.03.004
[5]
MATÍAS G. DINÁPOLI, SIMIONATO C G, et al. Nonli near tide-surge interactions in the Río de la Plata Estuary[J]. Estuarine Coastal and Shelf Science, 2020, 241: 106834. DOI:10.1016/j.ecss.2020.106834
[6]
ZHANG W Z, SHI F, HONG H S, et al. Tide‐surge interaction intensified by the Taiwan Strait[J]. Journal of Geophysical Research: Oceans, 2010, 115: C06012.
[7]
IDIER D, DUMAS F, MULLER H. Tide-surge interaction in the English Channel[J]. Natural Hazards and Earth System Sciences, 2012, 12(12): 3709-3718. DOI:10.5194/nhess-12-3709-2012
[8]
JINGYONG W, FEI C. Nonlinear interaction between astronomical tides and storm surges at Wusong tidal station[J]. Chinese Journal of Oceanology and Limnology, 1989, 7(2): 135-142. DOI:10.1007/BF02842749
[9]
DOODSON A T. Tides and storm surges in a long uniform gulf[J]. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences, 1956, 237(1210): 325-343.
[10]
REGO J L, LI C. Nonlinear terms in storm surge predictions: Effect of tide and shelf geometry with case study from Hurricane Rita[J]. Journal of Geophysical Research: Oceans, 2010, 165: C06020.
[11]
张西琳, 楚栋栋, 张继才, 等. 东南沿海台风风暴潮增水过程中非线性机制和地形的作用研究: 以1509号台风"灿鸿"为例[J]. 海洋与湖沼, 2020, 51(6): 1320-1331.
ZHANG Xilin, CHU Dongdong, ZHANG Jicai, et al. Effects of nonlinear terms and topography on storm surges in the southeast seas of China: a case study of typhoon Chan-hom[J]. Oceanologia et Limnologia Sinica, 2020, 51(6): 1320-1331.
[12]
PAUL G C, KHATUN R, ALI E, et al. Importance of an efficient tide-surge interaction model for the coast of Bangladesh: a case study with the tropical cyclone Roanu[J]. Journal of Coastal Conservation, 2021, 25(1): 1-15. DOI:10.1007/s11852-020-00788-y
[13]
CAI H, YANG Q, ZHANG Z, et al. Impact of river-tide dynamics on the temporal-spatial distribution of residual water level in the Pearl River channel networks[J]. Estuaries and Coasts, 2018, 41(7): 1885-1903. DOI:10.1007/s12237-018-0399-2
[14]
GUILLOT M J. Effect of storm size on predicted hurricane storm surge in southeast Louisiana[C]//OCEANS 2009. IEEE, Biloxi, MS, USA, 2009: 1-9.
[15]
BACOPOULOS P, DALLY W R, HAGEN S C, et al. Observations and simulation of winds, surge, and currents on Florida's east coast during hurricane Jeanne (2004)[J]. Coastal Engineering, 2012, 60: 84-94. DOI:10.1016/j.coastaleng.2011.08.010
[16]
DIETRICH J C, TANAKA S, WESTERINK J J, et al. Performance of the unstructured-mesh, SWAN+ADCI RC model in computing hurricane waves and surge[J]. Journal of Scientific Computing, 2012, 52(2): 468-497. DOI:10.1007/s10915-011-9555-6
[17]
DIETRICH J, WESTERINK J, KENNEDY A, et al. Hurricane Gustav (2008) waves and storm surge: Hin dcast, synoptic analysis and validation in Southern Louisiana[J]. Monthly Weather Review, 2011, 139(8): 2488-2522. DOI:10.1175/2011MWR3611.1
[18]
SEBASTIAN A, PROFIT J, DIETRICH J C, et al. Characterizing hurricane storm surge behavior in Galveston Bay using the SWAN+ADCIRC model[J]. Coastal Engineering, 2014, 88: 171-181. DOI:10.1016/j.coastaleng.2014.03.002
[19]
LUETTICH R A, BIRKHAHN R H, WESTERINK J J. 1991, Application of ADCIRC-2DDI to Masonboro Inlet, North Carolina: A brief numerical modeling study[R]. Contractors Report to the US Army Engineer Waterways Experiment Station, August, 1991.
[20]
FLEMING J G, FULCHER C W, LUETTICH R A, et al. A real time storm surge forecasting system using ADCIRC[M]. Estuarine and Coastal Modeling (2007). Newport: American Society of Civil Engineers, 2008: 893-912.
[21]
HOLLAND G J. An analytic model of the wind and pressure profiles in hurricanes[J]. Monthly weather review, 1980, 108(8): 1212-1218. DOI:10.1175/1520-0493(1980)108<1212:AAMOTW>2.0.CO;2
[22]
叶荣辉, 戈军, 张文明, 等. 影响粤港澳大湾区的热带气旋统计分析[J]. 水利水电技术, 2020, 51(S1): 37-43.
YE Ronghui, GE Jun, ZHANG Wenming, et al. Statistical analysis on impact from tropical cyclone on Guangdong-Hong Kong-Macao Greater Bay Area[J]. Water Resources and Hydropower Engineering, 2020, 51(S1): 37-43.
[23]
于斌, 林少奕, 王永信, 等. 风暴潮沿珠江河道上溯运动的数值模拟[J]. 海洋学报, 2001, 23(4): 17-24.
YU Bin, LIN Shaoyi, WANG Yongxin, et al. Numerical modeling of upstream movement of storm surge along the Zhujiang River[J]. Acta Oceanologica Sinica, 2001, 23(4): 17-24. DOI:10.3321/j.issn:0253-4193.2001.04.002
[24]
CHEN X Q, YU M H, LIU C J. Impact of recent uneven channel evolution on hydrodynamic charac­teri­stics during flood season in the Pearl River Delta[J]. Advances in Water Science, 2020, 31(1): 81-90.
[25]
WOLF J. Interaction of tide and surge in a semi-infinite uniform channel, with application to surge propagation down the east coast of Britain[J]. Applied Mathematical Modelling, 1978, 2(4): 245-253. DOI:10.1016/0307-904X(78)90017-3