提升沿海地区的韧性：利用人工智能技术进行德克萨斯州墨西哥湾沿岸地区的季节性至多年期水位预测

《Ocean & Coastal Management》：Enhancing coastal resilience: AI-driven seasonal to multi-year water level predictions for the Texas Gulf Coast

海平面上升加剧得克萨斯海湾沿岸洪水频发，现有预测工具局限于短期（小时至数天）和单站数据，误差约±15厘米。本研究提出基于多层感知机（MLP）的多时间尺度统一预测模型，整合潮汐站（1955-2022）与卫星数据（1993-2023），通过聚类分析构建区域统一信号，去除长期海平面上升和陆地沉降影响，保留内气候变率。模型经优化后，3-36个月预测误差（MAE）均低于8厘米，较传统方法提升显著，R2值稳定在0.4-0.6。卫星数据输入MAE最优（3.1厘米），但潮汐数据保留季节信号表现更佳。研究验证MLP在数据稀疏区适用性，为海岸管理提供36个月预警支持，未来可扩展至多气候因子融合。

　　随着全球气候变化的加剧，海平面上升已成为影响沿海地区的重要因素之一。过去十年中，海平面持续上升，导致包括德克萨斯州墨西哥湾沿岸在内的多个沿海区域的淹没事件频率显著增加。这种现象对沿海管理和防护提出了新的挑战，特别是在应对长期和季节性变化时，现有的预测工具往往缺乏足够的精度和广度。为了解决这一问题，本研究提出了一种基于多层感知机（Multilayer Perceptron, MLP）的模型，专门用于预测德克萨斯州墨西哥湾沿岸不同时间尺度下的水位变化，包括季节性和多至数年的预测。这种模型能够覆盖整个海岸线，而不仅仅是单个站点，从而为沿海利益相关者和海滩管理者提供更全面的预警信息，以更好地制定和实施应对措施。

海平面上升不仅影响沿海地区的自然生态系统，还对人类社会的基础设施、经济活动以及居民安全构成威胁。在德克萨斯州，一些大型港口的存在使其成为全球贸易的重要枢纽，因此，准确预测水位变化对于维持港口运营、保护沿海社区和规划基础设施至关重要。然而，目前的预测工具大多局限于短期（几小时到几天）的预报，这使得沿海管理者在面对长期变化时难以做出有效的应对策略。本研究通过引入一种新的机器学习方法，不仅填补了这一空白，还提高了预测的准确性和可靠性，从而为长期沿海管理提供了有力支持。

在本研究中，我们采用了一种统一的信号处理方法，将历史潮汐观测数据（Tide Gauges, TG）和卫星测高数据（Satellite Altimetry, SLA）进行综合分析。潮汐观测站的数据可以追溯到20世纪50年代初，但这些数据往往存在缺失和站点中断的问题，而卫星测高数据虽然具有更广的覆盖范围，但在近岸区域的精度较低。为了克服这些限制，我们使用了k-means聚类方法，将德克萨斯州墨西哥湾沿岸划分为多个具有相似水位变化模式的区域。这种方法不仅提高了数据的可用性，还增强了模型对区域整体水位变化的捕捉能力。

此外，我们对数据进行了预处理，以去除短期波动和趋势，从而专注于长期的水位变化模式。通过将月度数据重新采样为三月平均值，我们能够有效抑制高频波动（如天文潮汐、风暴潮和局部风力变化）对预测结果的影响。这一处理方式确保了模型能够捕捉到与季节性和气候相关的水位变化，而不是受短期噪声干扰。在处理数据缺失问题时，我们采取了灵活的策略，对较短的缺失时间段（如数小时至数天）采取了不显著影响的处理方式，而对于较长的缺失时间段（如三个月以上），则排除受影响的站点，利用其他站点的数据进行预测，以确保区域信号的代表性。

本研究的核心目标是评估人工智能方法，特别是多层感知机模型，在德克萨斯州墨西哥湾沿岸进行季节性至多年度水位预测的潜力。通过构建一个统一的区域信号，我们希望减少对单个站点连续数据的依赖，从而提高模型的泛化能力。多层感知机作为一种典型的神经网络结构，能够有效处理非线性关系和复杂模式，因此在本研究中被选为预测模型的基础。我们对模型的结构进行了广泛的调优，包括选择合适的隐藏层数量、神经元数量、学习率、优化器类型和损失函数，以确保模型在不同时间尺度上的预测性能达到最优。

在模型评估方面，我们使用了均方误差（Mean Absolute Error, MAE）和决定系数（R-squared, R2）作为主要的性能指标。通过将数据集划分为训练集、验证集和测试集，并采用十折交叉验证的方法，我们确保了模型的稳定性和泛化能力。研究结果表明，基于统一潮汐信号的模型在预测水位方面表现优异，其平均绝对误差低于8厘米，显著优于现有的区域预测工具（误差范围约为±15厘米）。这一结果不仅验证了模型的有效性，还展示了人工智能在长期水位预测中的巨大潜力。

我们还探讨了季节性循环去除对模型性能的影响。研究发现，去除季节性循环反而导致预测性能下降，这表明季节性变化中包含重要的信息，应保留以提高模型的准确性。这与之前在地下水模型和其他长期水文系统中的研究结果一致，强调了季节性波动在预测中的关键作用。此外，我们还测试了基于卫星测高的模型，结果显示该模型在短期预测中表现最佳，平均绝对误差甚至低至3厘米。然而，随着预测时间的延长，其决定系数值波动较大，这可能与卫星数据记录较短以及其在近岸区域的局限性有关。尽管如此，这些结果仍表明卫星测高数据在区域水位预测中的价值，特别是在短期和中期预报中。

通过比较三种不同的模型配置（完整潮汐信号、去季节性循环后的信号和基于卫星测高的信号），我们发现基于完整潮汐信号的模型在所有预测时间尺度上均表现出最佳性能。这一结果不仅验证了统一信号方法的有效性，还为其他沿海地区的长期水位预测提供了参考。此外，我们的模型能够处理不同时间尺度的水位变化，为沿海管理者提供了更长的预警时间，从而有助于制定更有效的缓解措施。

尽管本研究取得了一定的成果，但仍存在一些局限性。例如，当前的模型仅适用于36个月以内的预测，这一限制主要是由于数据集的长度和复杂性。随着数据记录的延长和质量的提高，未来可以进一步扩展模型的时间范围，以涵盖更长期的气候预测。此外，我们的模型并未考虑外部气候预测因子，如厄尔尼诺-南方涛动（ENSO）、大西洋多年代振荡（AMO）或太平洋年代振荡（PDO）等。这些气候模式对长期水位变化具有重要影响，未来研究可以引入这些变量，以进一步提高模型的预测能力。

本研究的另一个重要发现是，模型在不同时间尺度上的预测性能相对稳定，且训练过程中的误差波动较小，这表明模型具有较高的可靠性和可重复性。这种稳定性对于实际应用至关重要，因为沿海管理者需要在不同时间段内做出决策，而模型的稳定性可以确保其预测结果的一致性。此外，模型的低误差标准差（训练重复中的误差波动小于1毫米）也增强了其在实际应用中的可信度。

总体而言，本研究提出了一种基于人工智能的水位预测框架，为德克萨斯州墨西哥湾沿岸的长期水位预测提供了新的解决方案。通过整合多种数据源和采用先进的机器学习方法，我们不仅提高了预测的准确性，还增强了模型的泛化能力和实用性。这一成果对于提升沿海地区的气候适应能力、优化海岸管理策略以及增强沿海社区的韧性具有重要意义。未来，随着更多高质量数据的获取和模型的进一步优化，这一框架有望在更广泛的沿海地区得到应用，为全球应对海平面上升带来的挑战提供科学支持。