基于形态动力学的时空网络模型，用于模拟沙滩在极端风暴事件下的形态演变：alphaBeach-X

《Journal of Ocean Engineering and Science》：Morphodynamics-guided spatiotemporal network for modeling the morphological evolution of sand beaches in response to extreme storm events: alphaBeach- X

沙海滩形态动力学与深度学习结合的预测模型研究。提出alphaBeach-X模型，通过知识迁移学习整合数值模拟与实地调查数据，采用递归自回归过程和集合预测优化极端风暴事件下的形态预测精度，验证其在近岸沙洲（-5m以上）的RMSE达0.63m，BSS评分0.52，优于传统过程模型与纯数据驱动方法。

　　在当前研究中，我们提出了一种名为 alphaBeach-X 的模型，该模型是一种结合了地貌动力学知识的时空深度神经网络，用于模拟沙滩的形态演化及其对极端风暴事件的响应。这个模型的设计旨在克服传统方法在处理复杂和非线性海洋动力过程时的局限性，同时提高在极端事件下的预测准确性。alphaBeach-X 通过知识迁移学习策略进行开发，首先使用数值模拟数据对模型进行预训练，从而嵌入地貌动力学的先验知识，随后使用现场调查数据对模型进行微调，以进一步提升其预测能力。通过这种方式，模型能够更好地捕捉海岸地貌的动态变化。

本研究聚焦于韩国东海岸的 Maengbang Beach（MB），该海滩是一个典型的半直形沙滩，宽约 50 米，延伸约 4.65 公里。研究中提到，MB 海滩的形态变化受到多种因素的影响，包括极端风暴事件、海岸结构的建设以及人工干预措施。这些变化不仅反映了自然环境的动态，也揭示了人类活动对海岸地貌演变的深远影响。在 MB 海滩的早期状态中，观测到一个稳定的近岸沙堤（CNSB），但在极端风暴条件下，这些沙堤会被重塑为与海岸线平行的直线型沙堤（SNSB），并且在几个月内逐渐恢复其原始的月牙形结构。然而，随着人类活动的介入，例如海堤、沉没式防波堤和分离式防波堤的建设，这些自然地貌的动态特征被改变，导致沙堤形态的变化趋势发生改变。

在数据方面，本研究利用了 49 个水下地形调查数据集，覆盖了 2017 年至 2023 年期间的六年时间。这些数据集不仅包括自然海滩的形态特征，还涵盖了人类干预后的变化。研究采用了一种基于水动力能量条件的训练和测试数据集构建策略，以减少由于极端事件数据稀少而导致的数据不平衡问题。同时，为了提高模型在极端事件下的预测能力，研究引入了递归自回归（RAR）过程，以弥补现场调查数据在时间分辨率上的不足。此外，通过使用多个模型的集成预测方法，研究进一步降低了预测的不确定性。

模型的架构设计采用了 U-Net 框架，结合了编码器（EncBlock）和解码器（DecBlock），用于提取时空特征。为了增强模型的预测能力，研究引入了长短期记忆网络（LSTM）来处理时间序列数据，同时使用了自适应归一化（AdaLN）技术来提升模型对不同时间尺度数据的适应性。此外，为了进一步优化模型性能，研究还进行了多次消融实验，以评估不同模型配置、损失函数、数据配置和训练方法对预测效果的影响。

在实验过程中，研究团队采用了多种评估指标，包括均方根误差（RMSE）、偏差（Bias）和结构相似性指数（SSIM），以衡量模型在预测海岸地貌变化方面的性能。同时，为了评估模型在极端风暴事件下的预测能力，还引入了 Brier 技能评分（BSS）作为额外的评估指标。通过这些指标，研究团队能够全面分析模型在不同区域和不同条件下的表现，从而确保模型在各种场景下都具有较高的预测精度和稳定性。

研究结果显示，alphaBeach-X 在 MB 海滩上的预测性能显著优于之前的研究。特别是在极端风暴事件下，该模型的预测精度有了明显提升。例如，在预测与海平面基准线（MSL）以上 -5 米的波浪区（swash zone）时，模型的 RMSE 为 0.63 米，偏差为 0.10 米，SSIM 为 0.45，BSS 为 0.52。这些数值表明，alphaBeach-X 在模型训练和测试数据集上表现良好，能够有效捕捉风暴对海岸地貌的影响。此外，通过引入 RAR 过程，模型在处理极端事件时的预测能力得到了进一步增强，特别是在涉及多场连续风暴的预测任务中，RAR 模式下的预测精度优于非 RAR 模式。

从研究方法的角度来看，alphaBeach-X 的设计不仅考虑了自然因素，还充分整合了人类活动对海岸地貌的影响。通过使用数值模拟数据进行预训练，并结合现场调查数据进行微调，模型能够更准确地反映真实世界的复杂性。同时，研究还发现，现场调查数据的时间分辨率通常较低，而 RAR 过程能够有效弥补这一不足，使模型在预测极端事件时更加精准。此外，通过将数据集划分为多个类别，并结合不同的训练和测试组合，研究团队能够更全面地评估模型的性能，并确保其在各种条件下的适用性。

总的来说，alphaBeach-X 的提出为海岸地貌变化的预测提供了一种新的解决方案。该模型不仅能够有效捕捉自然风暴对沙滩形态的影响，还能在人类干预的背景下进行适应性调整，从而提高预测的准确性和可靠性。研究还表明，通过知识迁移学习和递归自回归过程的结合，可以显著提升模型在极端条件下的表现，为未来的海岸地貌研究和管理提供了有力的工具。此外，该模型的训练和测试数据集设计也具有重要的实践意义，能够为其他类似研究提供参考。