工具包下载网址https://www.eoas.ubc.ca/~rich/#T_Tide

工具包作者的相关论文的中文翻译http://www.docin.com/p-1422922005.html

T_TIDE工具包最核心的命令就是t_tide，下面举例来简要说一下这个函数的使用。

[NAME,FREQ,TIDECON,XOUT]=t_tide(elev,'interval',1,'latitude',35.230,'start

time',[1997,08,01,00])

输入参数介绍：

elev这个数组里就是我要分析的潮位数据，interval为1代表数据的间隔为1个小时，latitude为35.230代表测得该数据的验潮站的纬度，start

time代表数据的起始时间是1997年8月1号0时。

输出参数介绍：

NAME里为调和分析得到的分潮的名字，这个是根据数据的长度来确定的，越长的数据得到的分潮越多。

FREQ为分潮的角速率(°/h)

TIDECON第一列为分潮振幅，第三列为分潮迟角，其余不用管

XOUT(未加上平均海平面)调和分析回报的潮位

运行结果如下图所示，因为它采用的是把时间原点平移到中间时刻，所以只用了744个数据中的前743个，

x0=2880代表的是平均海平面是2880mm。

回报作图程序如下：

plot(elev)

hold on

plot(2880+XOUT(:),'r')

xlabel('小时(h)')

ylabel('潮位数据(mm)')

legend('实测','回报')

在t_tide里加上参数：'rayleigh',['M2';'S2';'K1';'O1'] 它就只分析给定的四大分潮

分享一个读者的经验：在使用t_tide的'rayleigh'参数选定要分析的分潮时，需要将分潮名称补齐至最长的那个分潮名，否则会报错。比如说：我想分析O1，K1，M4，MS4分潮，在输入变量的时候就需要输入成：['O1 ';'K1 ';'M4 ';'MS4']才能成功！

做潮汐预报：预报2003/01/01-2006/01/01的潮汐

latitude=35.230;

time=zeros(1,26304,'double');

for i=1:26304

time(i)=datenum(2003,1,1)+(i-1)/24.0;

end

ypre=t_predic(time,NAME,FREQ,TIDECON,latitude);

如果做潮流调和分析的话，也类似，只不过一开始就要通过U+sqrt(-1)*V把U,V两个方向的数据合并成一个复数数组(U为东，V为北)。

major为分潮流最大流速，minor为最小流速，inc椭圆旋转方向。

这里各个分潮的频率的单位都是cph，如果要换成HZ的话，需要除3600.

很多人都不知道如何画潮流椭圆，这里我分享一个别人写的程序，

function

lemax=tidal_ellipse(uam,uph,vam,vph,omega,depth,color)

% 单一站点垂向潮流椭圆(2014-8-27)

% 专用于本次观测的数据

% uam：流速u的振幅

% uph：流速u的迟角

% vam：流速v的振幅

% vph：流速v的迟角

%

omega：对应分潮的角频率(M2:1.4050789e-4;S2:1.4544410e-4;K1:7.2921161e-5;O1:6.7597750e-5)

% depth：对应的水深

% color：潮流椭圆的颜色

t=[0:300:36*3600];

u=uam*cos(omega*t-uph/180*pi);

v=vam*cos(omega*t-vph/180*pi);

L=sqrt(u.^2+v.^2);

Lmax=max(L);

lemax = max(Lmax)

Lmin=min(L);

pmax=find(L==Lmax);

pmin=find(L==Lmin);

plot(u,depth+v,'color',color,'linewidth',1.5);

hold on

关于T_TIDE更高级的一些用法请参考

关于非平稳潮汐调和工具包NS_TIDE使用教程

关于水位的频谱分析请参考

关于画潮波同潮时线和等振幅线请参考

使用matlab下载长江水位数据

关于使用python下载验潮站数据请参考

关于使用matlab下载验潮站数据请参考

交点因子和订正角的长期变化可见

关于潮汐调和分析里时区的问题

关于振幅和迟角置信区间的估计

最后附上我于2018年4月在JTECH发表的文章链接，该文运用了T_TIDE,EMD和NS_TIDE等多种方法研究河流潮汐

或者去JTECH官网上也可以

这篇文章主要的发现是NS_TIDE的stage

model是NS_TIDE的误差的主要来源，希望能给大家启发，欢迎引用我的文章

希望能给大家启发，欢迎引用我的文章！

如果这篇博客帮助到了您，您在发表相关的文章时可以在致谢里感谢一下我(我会非常高兴您能这样做)，并且可以通过在博客里留言或者评论告知我。我会去更新这篇博客

(统计了所有致谢我的论文)