金塘水道悬沙场遥感反演及数值模拟

蒯 宇，陶建峰*，康彦彦

（1. 河海大学水文水资源与水利工程科学国家重点实验室, 南京 210098；2.河海大学港口海岸与近海工程学院, 南京 210098）

金塘水道悬沙场遥感反演及数值模拟

蒯 宇1,2，陶建峰1,2*，康彦彦2

（1. 河海大学水文水资源与水利工程科学国家重点实验室, 南京 210098；2.河海大学港口海岸与近海工程学院, 南京 210098）

基于GOCI遥感数据，通过三种遥感模型的比较，选择了精度较高的神经网络模型，对2015年6月大潮时期的悬沙场进行解译，并建立了二维潮流泥沙数学模型对同时段的悬沙场进行了模拟。比较遥感解译与数模的结果得到：金塘水道悬沙场呈现北高南低的分布特征，时间上具有明显的周期性，涨潮时悬沙量逐渐减小，落潮时逐渐增大；遥感解译与数模模拟推算得到的水体表面的悬沙场在分布趋势和量值上较为一致，为大范围水域缺少泥沙分布资料的情况提供了一种可借鉴的研究方法。

金塘水道；遥感解译；数值模拟；悬沙输移

金塘水道是一条由潮流长期冲蚀作用形成的峡道型潮汐通道[1]，是连接杭州湾南岸海域与外海的潮汐通道之一（图1）。金塘水道南岸为宁波北仑港区，东北侧为金塘岛和大鹏山，西北部与杭州湾灰鳖洋相接，东部与穿山水道、册子水道、螺头水道相连，交汇于大榭岛[2]。通常情况下，潮汐通道沿岸拥有较为丰富的深水港口及航道资源，对周围区域的经济发展有这重要的意义[3]。

图1 金塘水道位置及网格测点图Fig.1 Locations of the Jintang Channel, grid and observation points

研究金塘水道的悬沙场分布特性对研究类似浅海及河口地区潮汐通道中泥沙输移特征和沉积动力学具有重要意义。目前已有不少学者对该区域的泥沙组分[4-6]、悬沙输移[4,7]和再悬浮特性[8]进行了研究。这些研究多基于多点或多个断面的实测或历史资料进行，对金塘水道的悬沙特性有了一定的认识，但受实际点位控制，难以给出空间上较高分辨率的分布并分析含沙量宏观分布趋势。随着社会经济的发展，金塘水道附近人类活动日趋频繁，需要对该区域的水沙特性和时空分布有更为清晰的认识。遥感解译及潮流泥沙数学模型可以更加具体的描述研究区域的悬沙运动过程，并给出相应的时空分布规律，在定量预测水沙动力过程的研究和应用中已起着不可替代的作用。

基于GOCI（Geostationary Ocean Color Imager）遥感数据，建立了三种遥感反演模型，并根据2015年实测泥沙资料对三种模型的精度进行比较，选择了最优的模型。将遥感反演得到的悬沙场与所建立二维潮流泥沙数学模型模拟得到的悬沙场进行比较，并分析了金塘水道的悬沙输运特性，成果可为区域输沙格局以及冲淤演变的研究提供借鉴和参考。

1 遥感数据

本次悬沙场反演采用多时相GOCI遥感数据。GOCI是新一代海洋水色遥感器，搭载在韩国2010 年发射的首颗地球静止气象卫星COMS上，主要用来监测朝鲜半岛周围的海洋水色参数（如叶绿素、悬沙场等），其幅面能够覆盖我国东中国海区。GOCI 遥感影像的精度较高，其辐射校正误差小于3.8%，地面采样距离为500 m，覆盖面积2 500 km×2 500 km（以130°E、36°N为中心），有B1～B8共8个波段，即412～865 nm之间，时间分辨率为1 h，对应时间为北京时间8:00～15:00，每个小时获取一景数据，数据更新快。

为了反映出悬沙场的日变化特征和季节变化特征，选取了2015年6月6日与5月12日共14景天气晴朗、质量高的GOCI遥感数据，经过几何纠正后待用（纠正精度在1个象元内）。为了检验遥感反演悬沙数据的合理性，采用2015年6月泥沙测验资料率定遥感反演参数，实测点位的布置参见图1。

2 悬沙反演模型

利用遥感技术反演水体的悬浮泥沙浓度的核心是建立海水光谱反射率与悬浮泥沙浓度之间的定量数学关系。以GOCI为遥感数据源，采用ENVI公司自带的快速大气校正模块，开展大气校正，并就大气校正结果进行杭州湾甬江口海域的适用性分析，进而根据大气校正的离水辐射亮度值信息反演悬浮泥沙。根据实测悬沙浓度数据以及GOCI图像波段离水辐射亮度信息，对比了三种反演模型（线性回归模型、半经验半分析模型和神经网络模型）的精度，确定出最优模型，为后续的悬沙变化特征分析提供数据支撑。

图2 2015年6月6日与18日潮位过程比较Fig.2 Comparison of tidal processes in 2015-06-06 and 2015-06-18

表1 各波段反射率与实测悬沙浓度相关性分析Tab.1 Correlation analysis of the reflectivities at different wave bands and the measured SSC

2.1 线性回归模型

由于无法获取与水文测验时间完全一致的清晰遥感数据，按照潮位相似性原理(图2给出了镇海口站2015年6月份两个大潮期的潮位过程)，对应6月18日大潮期间10:00，11:00，12:00的V1～V10的30组悬沙浓度数据，分别选取6月6日11:16，12:16，13:16三景GOCI图像，该三个时间点数据采用线性内插的方法得到，前两景图作为模型构建数据，第三景图作为精度检验。

通过对遥感反射率与对应实测含沙量相关性分析，得到相关性表（表1），从表1可知，GOCI图像的B7波段对应的R反射率值与实测悬浮泥沙浓度值相关性最高，相关系数都在0.8以上，因此B7波段可作为特征波段参与悬浮泥沙浓度反演。

以两景图的B7波段和实测悬沙值（20组数据：14组拟合训练，6组测试评价）建立回归模型，得到悬沙浓度（SSC）反演公式如下（其中R745为B7波段）

利用剩余6组实测数据对反演模型进行精度检验：均方根误差为0.22 kg/m3，平均相对误差为36.84%，R2为0.804（见图3）。

2.2 半经验半分析模型

半经验半分析模型通过结合辐射传输模型、生物光学模型和经验方程实现水体组分的反演。半分析方法需要实测的光谱数据来建立海洋水色模型，然后通过近似关系对模型化简，减少未知量的个数和相互依赖关系，利用多波段数据获取代数方程组，求解方程组，得到水体组分浓度。下式给出了悬沙浓度幂指数模式的半分析模型

式中：a、b为待定常数。图4采用14组数据构建方程，采用最小二乘法确定得到a=-1.512，b=0.600 4。利用剩余6组实测数据对反演模型进行精度检验：均方根误差为0.15 kg/m3，平均相对误差为23.57%，R2为0.823。

采用髋关节功能Harris评分标准，对患者髋关节功能进行评分，评分范围0～100分，分数越高则代表患者的髋关节功能恢复情况越好。

2.3 神经网络模型

利用实测光谱数据，构建包含一个双隐含层的BP 网络模型。输入层为根据GOCI 数据中心波长提取的遥感反射率数据集，共有8个神经元。输出层为悬浮泥沙浓度数据，共1个神经元。隐含层接受输入层的数据，神经元个数的设置影响结果的精确性和计算的速度，利用循环程序确定最佳隐含层神经元个数。选取14组数据作为学习阶段数据，6组数据用来模型精度的检验，均方根误差为0.09 kg/m3，平均相对误差为10.45%（见图5）。

2.4 三种模型精度对比分析

以2015年6月6日13:16分的GOCI图像为例，通过与实测悬沙浓度数据的比较，并统计模型反演结果与实测值的误差，三个模型的绝对平均误差分别是0.20, 0.16和0.10 kg/m3（图6），相对误差分别是38%，23%和21%。可见，神经网络方法的精度最好，可进一步地用于反演悬沙场，分析悬沙场变化特征。

3 平面二维潮流泥沙数学模型

3.1 基本方程

在平面尺度较大海域的水流计算中，描述水流基本运动的Navie-Stokes方程可简化为沿水深平均的平面二维浅水方程。由于金塘水道底沙粒径较细，其中值粒径与悬浮颗粒的中值粒径接近[4-5]，可认为该区域泥沙运动主要以悬沙为主。基本方程表述形式如下。

连续性方程

动量守恒方程

悬沙输运方程

图3 线性回归模型结果Fig.3 Results of the linear regression model

图4 半经验半分析模型结果Fig.4 Results of the semi-empirical analysis model

图5 神经网络估算泥沙浓度与实测浓度线性回归结果Fig.5 Linear regression results of the SSC computed by the neural network model and the measured SSC

式中：t为时间；ξ、η为正交曲线坐标；Gξ、Gη为正交曲线坐标系中的拉梅系数；U、V分别为ξ、η方向沿水深平均的流速分量；ζ为潮位；H为全水深；d为静止水深；f = 2ωsinφ为科氏力系数（ω为地球自转角速度，φ为计算水域的地理纬度）；g为重力加速度；ρ为水体密度；τξξ、τζη、τηξ、τηη为紊动切应力；τsξ、τsη为表面风应力；τbξ、τbη为底部床面阻力；S为垂线平均含沙量，υs为泥沙扩散系数，E、D分别为床面泥沙冲刷和淤积量。

3.2 模型区域及定解条件

甬江口外海域岛屿众多、岸线曲折、水下地形复杂。为此，网格剖分时根据地形变化的剧烈程度及计算区域的重要差异采用不等距正交曲线网格，能较好得贴合岸线边界。为了精细地模拟金塘水道的悬沙场，考虑到甬江的径流对金塘水道的水动力的影响，模型计算范围上游边界取至澄浪堰，外海边界南起金塘水道与螺头水道水道交界处，北至灰鳖洋（图1）。模型在金塘水道处网格步长取约为50 m，甬江河道内网格步长约为10 m，为了便于辨认，图1中所示网格为变疏了2倍的网格。

模型计算时初始潮位取初始时刻各边界点潮位的平均值，初始流速取为0；由于悬沙输移比潮流动力趋于稳定的时间更长，含沙量给定一初值。

模型外海边界潮位给定全球潮波模型TPXO[9]中13个分潮（M2、S2、N2、K2、K1、O1、P1、Q1、MF、MM、M4、MS4、MN4）的调和常数，并由下式

计算对应时刻的潮位值。式中：A0为平均海平面，Hk、Gk、fk、ωk、(v0+u)k分别为对应第k个分潮的振幅、迟角、交点因子、角速度和初始相位。模型上游边界根据澄浪堰测站实测流量时间序列给定，其平均大小约为400 m3/s。模型外海边界均采用平衡输沙条件，上游边界均根据站点实测含沙量外推给定。闭边界处采用不可入条件，即法向流速大小和含沙量梯度为0。

图6 三个模型反演结果与实测对比（以6月6日13:16分图像为对象）Fig.6 Comparison between the simulated results by three models and the measured data (based on the image taken at 13:16, 2015-06-06)

模型曼宁糙率系数给0.018～0.02。泥沙沉速取絮团颗粒极限粒径(0.037 mm)的沉速，即0.5 mm/ s。模型中沉积和再悬浮泥沙通量采用Partheniades-Krone（1965） 公式计算，其中临界淤积切应力取值为1 000 N/ m2[11]，临界冲刷切应力根据现场和室内实验研究取值为0.5～0.6 N/m2，泥沙冲刷系数M根据床面泥沙容重取值为0.000 1～0.000 4 kg/m2s。

3.3 模型验证

图7 悬沙浓度验证Fig.7 Suspended sediment concentration validation

模型验证利用2015年6月潮实测水文泥沙资料。如图1所示，在镇海口观测潮位，在V1～V10测点测量潮流、采集沙样。比较这些验证点的计算值与实测值，结果表明，无论是潮位、潮流还是含沙量，计算值与实测值相差较小，过程吻合较好。限于篇幅，潮位、潮流验证曲线从略，仅给出了金塘水道内四个有代表性的测点的悬沙浓度验证验证曲线（图7）。

4 结果与分析

4.1 遥感解译悬沙场

选取了洪季大潮2015年6月6日（涨潮期6景）与5月12日（落潮期8景）GOCI遥感影像数据，其中镇海口站潮位取整点时刻数据。基于神经网络悬沙反演模型，反演了金塘水道表层的悬沙浓度，因为甬江口外海域为半日潮海区，因此14景悬沙浓度场能够完整覆盖涨落潮周期，可以用于分析一个涨落潮周期内的悬沙场变化特征，其镇海口站高低潮时刻的悬沙场如图8所示。

图8 遥感解译悬沙场Fig.8 Remote sensing interpretive SSC field

图9 水体表层与垂线平均SSC相关关系Fig.9 Relationship between the water surface and depth averaged SSC

金塘水道位于杭州湾南岸边缘，受潮汐影响，悬沙浓度场的日变化剧烈。从悬沙场平面分布特征分析，金塘水道北部浅滩海域悬浮泥沙浓度偏高，其主要受到杭州湾南岸庵东—镇海沿岸悬沙高浓度区影响，而金塘岛周边及甬江口以南的舟山群岛海域悬浮泥沙浓度较低，地形因素也是影响悬沙分布的主要因素。在时间尺度上，涨潮时，水流扰动大量浅水海域泥沙悬浮，悬浮泥沙浓度增大，且在流速最大稍后一段时间内悬沙浓度达到最高值，且高值区随着水流向SE—NW移动，直到高潮时，流速减弱，悬沙沉降，金塘水道悬沙浓度普遍处于低值。落潮时，水流携带悬浮泥沙向NW—SE移动，金塘水道北部海域的高悬沙区逐步向南移动，到达甬江口外，因此金塘水道在落潮时，悬沙浓度普遍较高，高浓度区在1 kg/m3以上，随着时间推移，悬沙浓度在低潮位时达到最高。而随之的涨潮过程，则悬沙浓度场又再一次呈现逐步减小的趋势，如此呈现明显的周期性。

综上，金塘水道悬沙场呈现北侧高，南侧低的分布特征。时间上具有明显的周期性，涨潮时逐步减小，落潮时逐步增大。也间接反映了金塘水道泥沙大部分由其北侧长江口及杭州湾的泥沙在海岸动力的条件下向南输移而来，与前人研究结果[4,12]一致。

4.2 遥感结果与数模结果对比

林寿仁等[13]早在1985年就提出在我国东海海区表层和垂线平均悬沙量之间存在线性关系，此后刘咪咪[14]在研究东海悬沙浓度垂向分布规律时也验证了此关系，刘红等[15]在推算洋山深水港水深平均的含沙量时也建立了水体表层含沙量与垂线平均含沙量的线性关系，王繁等[16]经研究发现杭州湾0.2H处的含沙量与垂线平均含沙量表现出明显的相关性。因此可以根据垂线平均悬沙量推算海面悬浮泥沙浓度。图9根据V1～V10测站大潮期间的垂线平均含沙浓度和表层含沙浓度C0的实测资料，拟合得到如下关系

为了便于比较数模模拟结果与遥感解译结果，将数模模拟得到的2015年6月大潮镇海口站高、低潮时金塘水道的水深平均悬沙场经（8）式推算得到同时刻水体表层悬沙场（图10）。对于数模模拟推算得到的悬沙场，从分布趋势上看，金塘水道北侧含沙量明显高于南侧含沙量，且高潮位时的全场含沙量低于低潮位时的含沙量，这与遥感解译的悬沙场表现出来的特征一致。涨潮时东南向含沙量相对较低的水体沿金塘水道向杭州湾运动，最低含沙量不足0.2 kg/m3；落潮时高含沙量水体从杭州湾南部向南运动，经灰鳖洋向金塘岛南部海域运动，最高含沙量超过1 kg/m3，整体泥沙输移趋势与遥感解译的结果也是一致的。从量值上看，数模模拟推算出的与遥感解译的水体表面的含沙量也基本接近。数模模拟推算出的0.6 kg/m3含沙量等值线位于金塘岛西侧与大黄蟒山之间，且在落潮至低潮位时1 kg/m3的等值线与0.6 kg/m3的等值线距离较为接近，这与遥感解译出的表层悬沙量表现出来的特征一致。综上，进一步证明了这种水体表层和垂线平均含沙量相互推算方法的可行性和合理性，也为大范围水域缺少泥沙分布资料的情况提供了一种可借鉴的研究方法。

图10 数模模拟推算表层悬沙场Fig.10 Deduced water surface SSC field by numerical model results

5 结论

通过三种遥感悬沙反演模型的精度比较，选出了合适的遥感解译模型。将所选模型解译得到的悬沙场与数模计算所得到的悬沙场进行比较，得到：

（1）对于金塘水道区域，神经网络方法反演得到的悬沙量的精度最高，适合用来反演该区域的悬沙场。

（2）金塘水道悬沙场呈现北高南低的分布特征，时间上具有明显的周期性，涨潮时悬沙量逐渐减小，落潮时逐渐增大。

（3）遥感解译与数模模拟推算得到的水体表面悬沙输运趋势和量值较为一致，为大范围水域缺少泥沙分布资料的情况提供了一种可借鉴的研究方法。

[1] 孙英. 浙江金塘水道南岸的泥沙运移[J]. 杭州大学学报(自然科学版), 1979(3): 87-104. SUN Y. Sediment Transport Along the South Coast of the Jintang Channel, Zhejiang Province[J]. Journal of Hangzhou University (Natural Science Edition), 1979(3): 87-104.

[2] 陈耕心. 金塘水道及其邻近海域潮波和潮位特性[J]. 海洋通报, 1989(4): 1-9. CHEN G X. Characteristics of tidal wave and level of the Jintang Channel and the adjacent sea area[J]. Marine Science Bulletin, 1989(4): 1-9.

[3] 倪云林，李伯根，詹明旭. 金塘水道冲淤变化分析[J]. 海洋通报, 2012, 31(2): 146-153. NI Y L, LI B G, ZHAN M X. Analysis on scouring and silting variation in the Jintang Channel[J]. Marine Science Bulletin, 2012, 31(2): 146-153.

[4] 蒋文志，马洪亮，王震. 甬江和口外金塘水道水沙特性及悬沙输移分析[J]. 科学技术与工程, 2013(11): 3 162-3 166. JIANG W Z, MA H L, WANG Z. Analysis on flow-sediment characteristics and suspended sediment transport in Yongjiang River and the Jintang Channel[J]. Science Technology and Engineering, 2013(11): 3162-3166.

[5] 陈珺，嵇敏，张洪记，等. 甬江洪枯季水沙特性分析[J]. 水利水运工程学报，2012(5): 48-54. CHEN J, JI M, ZHANG H J, et al. Analysis of water and sediment characteristics during flood and low water period of Yong River[J]. Hydro-Science And Engineering, 2012(5): 48-54.

[6] 冯应俊，李炎，任吉川. 金塘水道地形、底质与沉积环境[J]. 海洋通报, 1989(4): 67-74.FENG Y J, LI Y, REN J C. Topography and recent sediment in the Jintang Channel[J]. Marine Science Bulletin, 1989(4): 67-74.

[7] 金魏芳，梁楚进，周蓓锋，等. 应用走航式ADCP测量分析与验证金塘水道的高悬沙浓度[J]. 海洋学研究， 2009, 27(3): 31-39. JIN W F, LIANG C J, ZHOU B F, et al. Measurement and analysis of high suspended sediment concentration in Jintang Channel with vessel-mounted ADCP[J]. Journal of Marine Sciences, 2009, 27(3): 31-39.

[8] 李占海，高抒，沈焕庭. 金塘水道的悬沙输运和再悬浮作用特征[J]. 泥沙研究， 2006(3): 55-62. LI Z H, GAO S, SHEN H T. Processes of suspended sediment transport and resuspension in Jintang Channel[J]. Journal of Sediment Research, 2006(3): 55-62.

[9] Egbert G D, Erofeeva S Y. Efficient Inverse Modeling of Barotropic Ocean Tides[J]. Journal of Atmospheric and Oceanic Technology. 2002, 19(2): 183-204.

[10] Partheniades E A. Erosion and Deposition of Cohesive Soils[J]. World Journal of Biological Psychiatry the Official Journal of the World Federation of Societies of Biological Psychiatry, 1965, 2(4): 190-192.

[11] Edmonds D A, Slingerland R L. Significant effect of sediment cohesion on delta morphology[J]. Nature Geoscience, 2009, 3(2): 105-109.

[12] 高抒，张立人. 金塘水道潮流—悬沙相关性及其与再悬浮作用的关系[J]. 海洋通报, 1989(4): 51-58. GAO S, ZHANG L R. Correlation between tidal current and SPM parameters and tidal resuspension in the Jintang Channel[J]. Marine Science Bulletin, 1989(4): 51-58.

[13] 林寿仁，陈立娣. 利用可见光遥感海水整层垂线平均悬沙浓度可能性的探讨[J]. 东海海洋, 1985(3): 32-37. LIN S R, CHEN L D. A study on the possibility of determining vertical mean concentration of suspend material using optical remote sensing[J]. Donghai Marine Science, 1985(3): 32-37.

[14] 刘咪咪. 东海悬沙浓度垂向分布规律研究[D].北京：中国科学院研究生院（海洋研究所）, 2008.

[15] 刘红，丁健，黄志扬，等. 洋山深水港区年平均含沙量的推算[J]. 山东科技大学学报(自然科学版)， 2012(4): 10-17. LIU H, DING J, HUANG Z Y, et al. Calculation of Average Annual Suspended Sediment Concentration in Yangshan Deepwater Port Area[J]. Journal of Shandong University of Science and Technology (Natural Science)， 2012(4): 10-17.

[16] 王繁，周斌，徐建明，等. 杭州湾悬浮泥沙浓度垂向分布规律分析与模拟[J]. 浙江大学学报(工学版)， 2008(11): 2 028-2 032. WANG F, ZHOU B, XU J M, et al. Vertical distribution rule analysis and simulation of suspended sediment concentration in Hangzhou Bay[J]. Journal of Zhejiang University (Engineering Science)， 2008(11): 2 028-2 032.

Remote sensing research and numerical simulation of suspended sediment concentration field in the Jintang Channel

KUAI YU1,2,TAO Jian-feng1,2＊,KANG Yan-yan2
(1.State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering, Hohai University, Nanjing 210098, China; 2.College of Harbor, Coastal and Offshore Engineering, Hohai University, Nanjing 210098, China)

Based on the data from the GOCI(Geostationary Ocean Color Imager), three different remote sensing models were compared and the neural network model with a relative higher accuracy was chosen to interpret the SSC (Suspended Sediment Concentration) fi eld during the spring tide in June 2015. A 2D tidal current and suspended sediment model was adopted to carry out numerical simulation of suspended sediment movement during the same period. Comparison results between the remote sensing interpretation and the numerical model show that the SSC is higher in the north part of the Jintang Channel than it in the south part, and it has a periodic characteristic that the SSC increases during the fl ood period and decreases during the ebb tide. The remote sensing results and deduced numerical model results are relatively similar in both water surface SSC distribution and magnitude, which provides a method for areas with large horizontal scales lacking SSC data.

Jintang Channel; remote sensing interpretation; numerical simulation; suspended sediment transport

P 748；O 242.1

A

1005-8443(2017)03-0228-07

2017-01-18；

2017-03-01

国家自然科学基金（51620105005）

蒯宇（1992-），男，江苏盐城人，硕士研究生，主要从事河口海岸水动力与物质输运研究。

*通讯作者：陶建峰（1980-），男，浙江武义人，博士，副教授，主要从事河口海岸水动力与物质输运研究。Email:aoetao@hhu.edu.cn。

Biography:KUAI Yu(1992-), male, master student.