Диссертация (1141527), страница 6
Текст из файла (страница 6)
Белатоса[114, 115], Обзор эмпирических методов моделирования речного льда исвязанных с ним заторов в бассейне реки Маккензи (крупнейшей из рек Канады)были выполнены Фейем Хиксом и Спиросом Белтаосом. [124] .В настоящее время более распространены модели заторов, основанные наэмпирических зависимостях для конкретных рек или створов (участков рек).31Одними из наиболее распространенных являются модели прогноза заторов льда.Эти модели могут быть разделены на два вида: Прогноз факта образования затора в конкретном створе (прогнозвероятности возникновения затора). Прогноз максимального заторного уровня воды (мощности затора).В большинстве случаев указанные модели строятся для участков сопределенной морфометрией, оказывающей влияние на частоту образованиязаторов.
Для них по длине участка появление затора равновероятно (например,при наличии нескольких плесов и перекатов затор может возникнуть у любого изних). Для построения моделей прогноза используются статистические данныемноголетних наблюдений по метеостанциям и гидропостам, расположеннымвблизи затороопасного участка.Прогноз вероятности возникновения затора в качестве факторов можетиспользовать интенсивность подъема уровня воды до начала подвижек льда [70].Оцениваетсявероятностьпревышениянекоторогоизвестногопределаинтенсивности. Другим фактором, используемым при прогнозах на реках,замерзающих по зажорному типу, является максимальный уровень воды в началеледостава [105].Он характеризует увеличение толщины льда при смерзаниишуги.Прогнозвостребованныммаксимальноговзаторногоинженернойуровнягидрологическойотноситсякпрактикенаиболеепрогнозам.Максимальный заторный уровень характеризует мощность затора.
Одним изосновоположников методов прогноза максимальных заторных уровней был Л.Г.Шуляковский [106]. Прогнозы для крупных сибирских рек были разработаны И.Я.Лисером [58], В.Н. Карновичем, В.А. Бузиным и В.В. Кильяминовым [44, 45]. ДляСеверной Двины использовались модели, составленные Р.А. Нежиховским, В.А.Бузиным, Н.Н. Фроловой, Н.А. Агафоновой и Л.С. Банщиковой [2, 6, 13, 20, 74].Унифицированнойметодики,позволяющейвыполнитьпрогнозмаксимальных заторных уровней в пределах любого затороопасного участка, несуществует [9]. Это объясняется как многообразием факторов, влияющих на32образование затора, так и недостаточностью объема наблюдений за характернымиуровнями рек. Локальные методики прогнозов максимальных заторных уровнейводы на сегодняшний день разработаны для 52 участков 9 рек России [2].
Этотакие крупные реки как Северная Двина, Печора, Обь, Томь, Енисей, Лена, Амур.Прогнозы составляются для участков рек, на которых заторы образуютсявследствие морфометрических аномалий (затороопасные участки).Факторы, включаемые в модель, зависят от местных условий [69, 87]: Объем льда в русле в начале вскрытия или величины, косвенно егохарактеризующие: максимальная толщина льдин, участвующих вледоходе (tл.макс), сумма отрицательных температур воздуха (-). Высота снежного покрова на льду (hc). Мощность скопления шуги в русле, определяемая максимальнымуровнем в начале ледостава (Нлс.макс) или минимальным зимнимуровнем (Нлс.мин). Интенсивность паводка (подъема уровней в период ледохода,водность реки в период вскрытия). Отрицательная температура в период вскрытия реки (-). Интенсивностьпотепления(суммаположительныхтемпературвоздуха с даты устойчивого перехода через 00С до даты ледохода, отнесенная к длительности периода в днях lдн). Разница между временем вскрытия основной реки и ее крупныхпритоков, впадающих на рассматриваемом участке (t). Расход воды Q в период вскрытия реки. Уровень воды выше по течению Н в первый день вскрытия.Максимальный уровень в начале ледостава в весенний период служит дляоценки площади промоин и закраин.
Чем больше эта площадь, тем легче условияпропуска льдин.Интенсивность потепления вместе с толщиной льда tл.макс характеризуютстепень подготовленности русла к вскрытию.33Отрицательнаятемпературавпериодвскрытиярекиприводиткувеличению прочности льда и дополнительно способствует росту уровня воды.Водность реки в период вскрытия определяет транспортирующуюспособность речного потока. Согласно исследованиям В.А. Бузина именно«влекущая сила водного потока … составляет 90% от суммы всех сил,действующих на скопление льдин» [18].В Канаде прогнозирование ледовых затруднений началось более 50-ти летназад.
Перспектива применения многомерных моделей по сравнению с моделямипарной регрессии при прогнозах параметров ледовых заторов была отмечена вработе Ч. Махабира, Ф. Хикса и А. Робинсон-Файек [131]. Для оценки рисканаводнений на реке Атабаска в г. Форт Мак Мюррей, вызванных длительнымизаторами льда, авторами предложено сочетания экспертных систем и методовнечеткой логики.Число факторов, включаемых в модель, определяется по тесноте их связи срезультирующим показателем. При включении в модель только факторов,характеризующих осенне-зимние условия, возможно составление долгосрочныхмоделей прогнозов. Для российских рек, замерзающих по зажорному типу (Амур,Ангара, Селена) связи между Нз и Нлс.макс настолько сильные, что используютсядля прогноза заторного максимума [55].
Долгосрочный прогноз заторного уровняр. Баксы (бассейн Средней Оби), использующий в качестве факторов Нлс.макс ивысоту снежного покрова на льду (hc) был выполнен И.Я. Лисером [55]:(1.3)Краткосрочные прогнозы заторного уровня часто используют расход воды впериод вскрытия, точнее, некоторую его критическую величину, при превышениикоторойувеличиваетсявероятностьобразованиязатора.Такойподходиспользован Р.А. Нежиховским для прогноза заторного максимума р.
Енисей у г.Игарка (Россия) [74].Для Северной Двиныу д. Медведки и г. Котлас, реки Сухоны у д.Каликино (Россия) существующие модели прогноза заторного уровня имеютобщий вид [17]:34(1.4)где Нлс.макс – максимальный уровень в начале ледостава; tл.макс – максимальнаятолщина льдин, участвующих в ледоходе; Q – расход притока в первый деньледохода на нем; – температура воздуха на дату составления прогноза; a, b, c, d– коэффициенты множественного уравнения регрессии, определенные по даннымнаблюдений с 1950 до 2010 года.Для реки Юг у д.
Гаврино (Россия) в модели изменяется только однослагаемое:(1.5)где Н – уровень воды выше по створу (у с. Кичменгский Городок) в первый деньвскрытия.Более сложная модель множественной регрессии, включающая шестьфакторов, получена для прогноза максимальной заторной глубины р. Сухона у г.Великий Устюг этими же авторами.Следует отметить, что модели прогноза заторного уровня могут бытьиспользованы и для определения вероятности образования затора. Для этогопрогнозной величине максимального заторного уровня ставится в соответствиеповторяемость затора.Обеспеченность возникновения затора в устьевых областях водотоков ввиде математической модели таких факторов, как плотность льда, интенсивностьподъема уровня воды, толщина льда, длина полыньи, скорость и площадь живогосечения была получена в работе В.К.
Дебольского [30].Выше были описаны математические модели прогноза, привязанные кконкретнымречнымстворам.Приналичиистатистическихданныхоповторяемости заторных явлений и их специфике по всей длине водотокаэффективным методом прогнозирования может стать метод главных компонент,теоретические основы которого изложены в специальной литературе [82].Многомерные данные числовых показателей, характеризующие изучаемыеявления, должны быть разложены на ортогональные составляющие.
Случайныефункции Yij будут представлять собой сумму годичных составляющих i по35створам водотока j произведений k главных компонент Aikна координатывектора корреляционной функции Xkj. Такое разложение позволяет получитьнекоррелированные линейные комбинации исходных данных. Для рек Амур иЛена получены зависимости вкладов отдельных составляющих в общуюдисперсиюмаксимальныхзаторныхуровней[15].Этотподходможетиспользоваться для прогнозов максимальных заторных уровней рек-аналогов.Для построения прогнозной модели необходимо не только выделитьфакторы, влияющие на образование заторов, и найти их критические сочетания,которые для конкретных водотоков и заторных участков могут быть различными.Вследствие разнообразия местных условий для рек, заторы на которыхобразуются достаточно часто, включение в модель факторов, оказывающихсущественное влияние на процесс образования затора, может происходить наосновании построения моделей множественной регрессии [51].Большинствоперечисленных выше моделей являются именно моделями этого типа.
Наосновании статистических оценок вклада каждого из факторов его впоследствиивключают либо исключают из модели.1.5. ВЫВОДЫ И НАПРАВЛЕНИЯ ДАЛЬНЕЙШИХ ИССЛЕДОВАНИЙОбзор многочисленных факторов заторообразования и существующихмоделей прогноза заторов льда позволил сделать следующие выводы:1. Несмотря на большое количество научных работ, как в России, так и зарубежом, отмечающих влияние морфометрических (постоянных) факторовна возможность образования заторов льда, в настоящее время существуеттолько вербальное описание этого влияния, которому не поставлены всоответствие количественные оценки.2. Гидрометеорологические (переменные) факторы заторообразования теснопривязаны к участкам реки (реже речного бассейна или его части), длякоторых строятся модели прогноза заторов, и представляют собойслучайные величины.363. При изучении заторов льда используются классические методы научныхисследований – теоретические методы, активный и пассивный эксперимент.Винженернойгидрологическойпрактикеиз-засложностиимногофакторности процесса заторообразования, наибольшее применениеполучил пассивный эксперимент с дальнейшим построением эмпирическихмоделей, относящихся к классу моделей множественной линейнойрегрессии.4.