在数据稀缺的海岸地区,将因果深度学习技术整合用于潮位预测

《Estuarine, Coastal and Shelf Science》:Integration of Causal Deep Learning for Tide Level Forecasting in Data-Scarce Coasts

【字体: 大 中 小 】 时间:2026年01月18日 来源:Estuarine, Coastal and Shelf Science 2.6

编辑推荐:

  潮汐高度预测对沿海风险管理至关重要,尤其在数据稀缺的阿曼。本研究结合气象数据与因果深度学习模型,对比GRU、LSTM、Bi-LSTM、TCN和Causal-Bi-LSTM在马斯拉岛潮汐预测中的性能,发现Causal-Bi-LSTM模型(Nash-Sutcliffe效率0.961,相关系数0.99)在引入物理约束后表现最优,并揭示海平面压力是主要驱动因素。未来情景预测显示SSP245和SSP585下高潮淹没事件显著增加,尤其SSP585预计中世纪发生36次,挑战传统风险模式。

  
Mohammad Reza Nikoo
土木与建筑工程系,苏丹卡布斯大学,马斯喀特,阿曼

摘要

准确预测潮位计的高度对于有效的海岸风险管理至关重要,特别是在像阿曼这样的数据稀缺地区,那里的监测网络非常有限。本研究通过结合气象记录和先进的因果深度学习模型,研究了马西拉岛上的高潮洪水(HTF)行为。我们比较了四种模型——门控循环单元(GRU)、长短期记忆(LSTM)及其变体双向LSTM(Bi-LSTM)、时间卷积网络(TCN)和一种新开发的因果-Bi-LSTM——它们在使用ERA5-Land气候变量得出的降水量、温度、风速和海平面压力来模拟潮位计水平方面的适用性。我们的研究表明,HTF事件具有高度的季节性,70%发生在6月,这主要是由于潮汐效应(中位数贡献:53.24%)和非潮汐残差效应(110.57%)的共同作用。当纳入物理约束条件时,因果-Bi-LSTM模型的表现最好(Nash–Sutcliffe效率=0.961,相关系数=0.99),而敏感性分析显示海平面压力是关键驱动因素。根据SSP情景下的未来预测显示了令人担忧的趋势:虽然SSP126保持相对稳定的状态,但SSP245和SSP585显示出HTF事件的加剧和季节性变化,高排放情景(SSP585)预计到本世纪中叶将有36次事件,并将脆弱性扩展到以前未受影响的月份。这些结果突显了需要针对特定地区制定适应策略,并展示了因果深度学习如何在准确性和物理可解释性方面提升洪水预测能力。该研究为可以应用于其他因气候变化而面临洪水灾害增加的数据稀缺地区的海岸脆弱性评估提供了一种方法。

引言

潮汐主要受月球引力的影响。这一直影响着海平面的变化(Almaliki和Khattak,2025)。在需要日常预测的海岸地区以及为适应和保护海洋生态系统而进行长期预测的活动中,精确测量海平面变得至关重要(Makris等人,2021)。这极大地促进了洪水的有效管理、沿海地区抵御能力强的基础设施建设以及这些地区的生态系统保护(Orton等人,2020)。然而,在像阿曼这样的亚洲国家,准确预测潮位计的值一直是一个挑战,因为该地区安装的潮位计很少。这导致数据在空间上的分布稀疏,收集的数据时间跨度短,从而在准确监测和预测沿海地区的水位方面造成了严重的挑战(Mikhailova等人,2020)。当与气候变化对海平面的快速影响相关联时,这些潮位计数据的困境尤为严重。
全球气候变化的加剧正在导致海平面上升,特别是由于海水的热膨胀以及冰川和冰盖的融化(IPCC,2021)。这种平均海平面的上升也增加了洪水、侵蚀和栖息地丧失的风险,因此借助潮位计观测海平面记录比以往任何时候都更加重要(Dangendorf等人,2019)。此外,风暴频率和强度的自然随机变化可能导致更极端的海平面事件,这增加了沿海地区风险管理的复杂性(Wahl等人,2017)。因此,将气候变化预测工具与海平面信息结合起来是关于未来海平面情景以及为全球脆弱沿海地区采取相应适应措施的最重要步骤和过程(Wahl等人,2017)。然而,特别是在沿海发展中国家,潮位计提供的空间密度和时间信息的缺乏阻碍了我们对这些变化模式的全面理解和预测,因此突显了需要和使用先进的气候预测模型和工具(Kopp等人,2016)。此外,现有环境资源水平的恶化,特别是河水质量水平,可能会因地表径流和污染物传输而对附近的海水产生直接影响,因此强调了需要和使用先进的监测和预测模型,从而提高公共卫生、自然和现有生态系统的水平,以及未来的可持续发展水平,这表明了关于气候变化地区的准确预测模型的巨大相关性和用途(Zarei等人,2025a)。
机器学习(ML)和深度学习(DL)模型因其灵活性和在时间序列数据中学习复杂非线性关系的能力而受到关注,这有助于更好地预测与气候相关的环境风险(Garshasbi等人,2025)。许多研究人员利用ML和DL模型来预测海平面变化。例如,Tur等人(2021)在土耳其的安塔利亚港开发了一种海平面预测方法,该方法基于两种不同的输入变量情景:仅海平面和海平面加上大气数据,使用了多元线性回归(MLR)和自适应神经模糊推理系统(ANFIS)模型。Lee等人(2024)建立了一种人工神经网络(ANN)和数据同化方法,以有效填补沿海地区海平面变化的缺失记录。Shahabi和Tahvildari(2024)提出了一种深度学习算法,结合了卷积神经网络(CNNs)和长短期记忆(LSTM)单元,前者用于风模式的空间分析,后者用于沿海地区水位的空间和时间分析。Raj等人(2024)提出了一种多模态深度学习方法,即多变量变分模式分解—连续变分模式分解—卷积神经网络—双向门控循环单元(MVMD—SVMD—CNN—BiGRU),用于澳大利亚达尔文和米尔纳湾的海平面预测。Rus等人(2025)随后开发了HIDRA3(使用大气数据的高性能深度潮汐残差估计,版本3),这是一种集成多点DL模型,利用多个潮位观测站的数据进行精确的海平面预测。尽管这一创新很重要,但很少有研究尝试处理由于潮位计的复杂性而带来的水位预测挑战。Vicens-Miquel等人(2024)的研究填补了这一研究空白,他们开发了一种名为Seq2Seq的深度学习模型,用于墨西哥湾的多站点潮位预测。同样,Almaliki和Khattak(2025)使用时间卷积网络(TCN)和LSTM的混合模型进行了短期水位变化的预测。他们的研究基于的数据更为复杂,尤其是在气候变化条件下数据的可用性不确定。
尽管这些成就展示了ML和DL模型的预测能力,但它们往往依赖于相关性而非机制。因果ML和DL模型寻求发现和利用数据中的因果关系。它们从基于相关性的预测转向更具解释性的决策形式。这些模型应用了结构因果模型、反事实推理或do-calculus等概念。它们在分布变化的情景中增强了泛化能力、可解释性甚至鲁棒性(Sch?lkopf等人,2021)。例如,在神经网络中使用了与问题领域知识相关的因果知识或规则化条件,以便学习到的关联与领域知识一致。这些模型的应用已出现在各种水科学问题中,如土壤湿度预测(Li等人,2022)、地下水位预测(Molina和García-Aróstegui,2023)、水流情景模拟(Wan等人,2024)以及水质预测(Zhang等人,2024)。
尽管许多当前的研究探索了各种ML和DL模型用于海平面预测,但相对较少的研究试图在输入变量有限的情况下明确再现潮位计值,鉴于这一挑战的难度。这在数据稀缺的地区(如阿曼)尤为重要,那里的潮位计数据分布零散且间距不规则。因此,难以解析不同海岸线的海平面行为。通过外推未监测位置的潮位计记录,我们可以填补这些空间数据空白,从而促进更好的海岸带管理和早期预警。通过进一步仅使用基本的气象变量尝试这样做,使方法更加实用和可扩展。通过超越传统的基于相关性的模型,我们还应用了因果推理来提高预测的物理可解释性。这使我们能够识别哪些气象因素直接影响当地的海平面波动,而不仅仅是检测统计关联。因此,该模型可以为海岸管理提供更具物理意义的指导。最重要的是,本研究将其预测模型扩展到未来的气候变化条件,为我们提供了一些关于海岸水位将如何应对长期气候变化的见解。因此,本研究的目标是:
  1. •
    研究历史时期高潮洪水(HTF)的频率并分解海平面组成部分。
  2. •
    评估和比较四种深度学习模型——门控循环单元(GRU)、时间卷积网络(TCN)、双向LSTM(Bi-LSTM)和因果双向LSTM——使用气象输入模拟潮位计值的性能。
  3. •
    利用最合适的CMIP6通用环流模型(GCMs)在未来气候变化情景下预测潮位计值。

材料与方法

本研究通过将气象数据和潮位计测量值整合到先进的深度学习框架中,分析了马西拉岛上的HTF。采用了ERA5-Land再分析来提供建模所需的关键气候变量。开发并评估了多种深度学习模型,包括GRU、TCN、Bi-LSTM和一种新颖的因果-Bi-LSTM,以评估它们模拟潮位计水平的能力。该研究还进行了全球敏感性分析,以确定最具影响力的因素
研究区域
阿曼位于阿拉伯半岛的东南海岸(图3),由于其广阔的海岸线、干旱的气候以及对海洋资源的依赖,它越来越容易受到气候驱动的海岸灾害的影响。海平面上升与潮汐发生的频率和幅度的增加相结合,对该国的海岸基础设施、生态系统和渔业构成了威胁(Hereher等人,2020)。其中最脆弱的地区之一是马西拉岛——

历史HTF频率

马西拉岛上的HTF事件在时间和月份上都有明显的聚集现象(图4)。在12个日历月份中,6月发生了49次事件,占总报告洪水次数的近70%,表明该月的脆弱性非常高。其他月份的记录数量较少:7月和8月各只有2次事件,而5月和9月等几个月则没有记录到事件,显示出接近高峰时的突然开始和减少。从季节性角度来看,夏季
讨论
本研究利用气象参数来预测潮位计值,这对于包括亚洲国家在内的国家来说是一种理想的方法,因为这些国家的潮位计网络较差或不存在。在分析的模型中,因果-Bi-LSTM在准确性和有效性方面表现最佳。使用该模型,在不同的温室气体排放情景下预测了未来的潮位计值,为海岸洪水危害的评估和管理提供了宝贵的信息。
结论
本研究强调了马西拉岛在高潮期间易受洪水影响的脆弱性,这种脆弱性受到当地季风动态和潮汐范围的影响。水位的分解突显了潮汐幅度和非潮汐残差在产生洪水事件中的主导作用,强调了除了全球海平面上升趋势之外,当地物理驱动因素的重要性。先进的因果-Bi-LSTM模型在模拟潮位计方面表现更好
未引用的参考文献
Camus等人,2017;IPCC,2021;Lee等人,2022;Li等人,2022;Staneva等人,2016;Taylor,2001;Tissot和Medrano,2024;Zhao等人,2020。
数据和材料的可用性
主要代码和结果可在https://doi.org/10.5281/zenodo.18053302获取。如需本研究期间生成的任何其他材料、代码或数据,可向相应作者提出合理请求。
利益冲突
作者声明没有已知的利益冲突或个人关系可能影响本文报告的工作。
竞争利益声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号