全球沿海地区是最具动态性和脆弱性的环境之一,自然过程与日益频繁的人为干预相互作用不断重塑着海岸线。因此,海岸线变化已成为海岸地貌学和管理的核心议题,直接影响基础设施、生态系统、旅游业和社会经济稳定性。在气候变化加速和沿海开发扩张的背景下,准确预测海岸线演变尤为重要,因为即使是微小的预测误差也可能带来重大的经济和环境后果(Splinter and Coco, 2021; Paul et al., 2024; Mishra et al., 2025a, 2025b)。
历史上,海岸线预测主要依赖于经典的统计方法,尤其是数字海岸线分析系统(DSAS),该方法提供了量化和推断未来趋势的标准化工具。基于DSAS的预测方法,如线性回归率(LRR),已在相对稳定的海岸环境中得到广泛应用,并取得了成功(Abd-Elhamid et al., 2023; Dewidar and Bayoumi, 2021; El-Asmar et al., 2016; Mansour et al., 2024; Samra and Ali, 2021; Thieler et al., 2009)。然而,越来越多的证据表明,这些线性技术难以表征非稳定的海岸系统,尤其是在人为干预破坏沉积物传输路径并引发快速生态转变的情况下(Esmail et al., 2019; Splinter and Coco, 2021)。在这种情况下,线性外推往往产生不切实际的长期预测结果,无法真实反映工程化海岸线的形态动态变化。
为了解决这些局限性,人工智能(AI)和机器学习方法,尤其是循环神经网络(RNN),作为海岸线预测的强大替代方案受到了越来越多的关注。长短期记忆网络(LSTM)和非线性自回归外生模型(NARX)等模型专门设计用于捕捉时间序列数据中的复杂时间依赖性和非线性关系(Billings, 2013; Hochreiter and Schmidhuber, 1997)。最近的沿海应用表明,基于AI的模型能够通过适应非线性动态、从历史模式中学习,并在NARX的情况下明确纳入人为干预和环境强迫等外生驱动因素(Calkoen et al., 2021; Iryanto et al., 2022; La Pe?a et al., 2023; Paul et al., 2025; Yin et al., 2021),从而超越经典统计方法。
尼罗河三角洲沿海地区是全球改造最严重的海岸系统之一。自从阿斯旺高坝(AHD)建成以来,三角洲的沉积物供应大幅减少,使得海岸线对自然过程和工程干预极为敏感(El-Asmar, 2002; Frihy et al., 1991)。因此,大规模的海岸线侵蚀导致了丁坝、独立防波堤、海堤、护岸工程的建设和多次填充工程的实施。许多研究利用DSAS量化了尼罗河三角洲海岸线的历史变化(Abd-Elhamid et al., 2023; Dewidar and Bayoumi, 2021; El-Asmar et al., 2016; Mansour et al., 2024; Samra and Ali, 2021)。尽管这些研究提供了宝贵的回顾性见解,但在那些海岸演变主要由偶发的人为干扰而非稳定的自然趋势主导的地区,它们的预测能力往往有限。
在这个背景下,Ras El-Bar海岸是一个极端且极具挑战性的示例,它代表了一个人为主导的海岸线系统。在过去五十年中,该地区经历了多阶段的重大海岸工程改造,包括自1982年以来达米埃塔港(DH)的建设与扩建、多代独立防波堤的修建以及多次人工填充工程(图1)。这些干预深刻改变了当地的沉积物动态,产生了高度非线性和空间异质性的海岸线响应,违背了传统线性预测方法的基本假设。
尽管Ras El-Bar作为埃及重要的旅游、文化和经济中心具有重要意义,但其海岸线预测仍主要依赖于经典统计方法,而在持续的人为干预条件下,这些方法往往会产生不切实际的未来预测结果。这凸显了一个关键的方法论空白,即需要能够明确考虑非稳定性和人为引发生态转变的预测框架。
本研究的主要创新之处在于系统地通过比较评估 klassical DSAS-LRR 和基于AI的RNN模型(LSTM 和 NARX)在1982–2024年的多十年卫星数据上的应用,来弥补这一空白。通过在NARX框架中纳入与人为干预相关的外生信息,本研究展示了具备干预意识的人工智能模型如何在高度工程化的海岸系统中更真实地捕捉海岸线演变。此外,模型性能通过定量指标和2024年之后的独立海岸线观测进行了严格评估,从而验证了其长期预测能力。
从全球方法论视角转向本地案例研究,这项工作为全球人为改造海岸线的预测提供了一个可转移的框架。研究结果强调了线性统计工具在高度动态环境中的局限性,并突出了基于AI的模型在支持尼罗河三角洲及更广泛地区的适应性、基于证据的海岸管理方面的巨大潜力。