《Coastal Engineering》:Shorelines as graphs: A spatio-temporal data-driven model for predicting shoreline dynamics
编辑推荐:
为解决现有数据驱动海岸线模型多将时空模式分开处理、难以捕捉时空依赖关系的问题,研究人员开展了以GraphShore(基于图神经网络GNN的时空联合模型)预测海岸线动态的主题研究,结果显示该模型在多个海滩表现优异,还能提取具物理意义的时空关联,对可持续海岸管理有重要价值。
想象一下,海岸线并不是一条静止不动的线,它是陆地与海洋之间不断“博弈”的动态边界。海浪拍击、潮汐涨落、泥沙搬运以及人类修筑的工程结构,无时无刻不在重塑着这条线。对于沿海地区的可持续发展与管理来说,准确预测海岸线的动态变化至关重要。然而,长久以来,科学家们在这一领域面临着一个棘手的问题:大多数现有的数据驱动模型往往将“空间模式”和“时间模式”分开来处理,这就像只盯着一个维度的拼图碎片,难以拼凑出完整的画面,从而限制了模型捕捉复杂时空依赖关系的能力。
为了打破这一局限,Yongjing Mao和Kristen D. Splinter来自澳大利亚新南威尔士大学(UNSW Sydney)水实验室的研究团队,在《Coastal Engineering》上发表了一项创新研究。他们引入了一个名为“GraphShore”的新型框架,首次将海岸线表示为图(Graph),并应用时空联合图神经网络(GNN)来在同一个框架内同时对空间结构和时间序列进行建模。这项研究不仅在包含40多个模型的基准数据集(Curl Curl海滩)中排名第五,还在受入海口和工程结构影响、动态更为复杂非平稳的海滩中取得了卓越的准确性(归一化均方根误差,即NRMSE < 1)。此外,该模型还能直接提取学习到的时空相关性,这些相关性分别与基于物理的横岸(cross-shore)和沿岸(longshore)沉积物输运模型中的变量紧密吻合,证明了数据驱动模型也能捕捉到具有物理意义的特征。
为了开展此项研究,作者主要运用了以下几个关键技术方法:1. 利用开源CoastSat工具包从Landsat 5/7/8/9影像中提取海岸线数据,并结合不同来源的波浪后报数据(如ERA5、CAWCR);2. 将海岸线表示为图结构,以岸垂线(shore-normal transects)交点为节点(Node),采用链式邻接结构,并构建时空图数据集;3. 采用动态时空分解图卷积网络(DSTD-GCN)作为核心的图神经网络架构,结合静态约束邻接矩阵和动态可调邻接矩阵;4. 针对卫星数据存在大量缺失值(Gap)的问题,引入二元数据掩码(Mask)并采用残差学习策略,使用自回归策略进行长序列预测;5. 使用ShoreShop2.0平台进行基准测试,采用NRMSE和MPJPE(每关节位置平均误差)作为评估指标,并通过消融实验和皮尔逊相关分析对模型进行解释性分析。
1. Introduction(引言)
研究指出,海岸线反映了潜在的海岸过程和动态,准确预测对其管理至关重要。现有模型分为过程导向、简化复杂度和数据驱动三类。数据驱动模型虽高效且减少了对专业领域知识的依赖,但大多局限于纯时间或纯空间域,忽略了海岸系统中一处的变化常受其他沿岸位置动态影响的现实。鉴于图神经网络(GNN)在处理不规则空间结构上的天然优势,作者提出了GraphShore框架,旨在解决现有模型缺乏时空交互综合处理的问题。
2. Datasets and methods(数据集与方法)
2.1. Study area(研究区域)
研究选取了三个特征迥异的海滩:澳大利亚的Curl Curl(海湾海滩,动态相对平稳)、Back Beach(受沿岸输沙主导,靠近河口)以及毛里塔尼亚的Nouakchott(港口建设阻断沿岸输沙导致剧烈淤积)。海岸线长度从800米到2600米不等,数据缺口比例高达58%至77%。
2.2. Datasets(数据集)
海岸线数据源自Landsat系列卫星影像,利用CoastSat工具提取;波浪数据来自ERA5或CAWCR后报资料,并进行了近岸转换(Nouakchott除外)。数据经标准化处理后,瞬时坐标被重采样为周均值。
2.3. Representation of shorelines as graphs(将海岸线表示为图)
海岸线被定义为一系列交点(节点),这些节点由预定义的岸垂线与海岸线相交产生。为体现空间邻近性,采用链式邻接结构连接相邻节点。初始时空图由此构建,并作为后续GNN动态调整的先验约束。
2.4. DSTD-GCN model(DSTD-GCN模型)
选用动态时空分解图卷积网络(DSTD-GCN)作为GNN架构。该模型包含静态邻接(约束C)和动态邻接(调整M),通过可学习参数α结合(A = C + α·M)。它包含动态空间图卷积(DS-GC)和动态时间图卷积(DT-GC)模块,分别捕捉帧内节点依赖和帧间运动轨迹。
2.5. Model implementation(模型实施)
数据按7:1.5:1.5 chronological划分。模型输入包含上下文序列的节点坐标(X, Y)、波浪参数(Hs, Tp, Dir)及数据掩码,输出为目标序列的坐标残差。采用MPJPE作为损失函数,使用Adam优化器和Optuna进行超参数调优,并对高数据缺口敏感性采用了10次独立训练取集成均值。
2.6. Model evaluation(模型评估)
除输出坐标外,还通过与实际岸垂线相交换算成距离,使用NRMSE(相对于观测数据标准差)进行评估。对于Curl Curl,还计算了ShoreShop2.0的Taylor图损失。
2.7. Ablation analysis(消融分析)
通过禁用空间图卷积模块(仅保留时间卷积DT-GC),构建了“仅时间”模型,以评估引入空间依赖的必要性。
2.8. Model interpretation(模型解释)
对比学习到的动态邻接矩阵与物理模型参数:时间邻接矩阵对比横岸平衡态指标Ω_eq;空间邻接矩阵对比波入射角绝对值|θ|(影响沿岸输沙率Q)。
3. Model results(模型结果)
3.1. Curl Curl
模型在验证集上NRMSE约为1,测试集和盲测隐藏数据集上表现更佳。75%的预测误差在卫星推导海岸线误差(10米)以内。在ShoreShop2.0平台中,针对特定断面预测的平均损失为0.97,排名第五(超过40个模型),且成功预测了2024年2号断面的淤积趋势。
3.2. Back Beach
78%的预测误差在15米以内。模型捕捉到了验证和测试期间的季节及长期变化。虽然在靠近河口端动态极强,但整体表现稳健。
3.3. Nouakchott
模型成功复现了港口上游因输沙阻断导致的淤积趋势,验证和测试期NRMSE小于0.61。但在测试期末尾,由于观测淤积趋近平衡而训练期无此现象,模型略微高估了靠近港口南部断线的位置。
4. Discussion(讨论)
4.1. Ablation study(消融研究)
结果表明,对于平稳的海湾海滩(Curl Curl),时空模型与仅时间模型NRMSE几乎一致;但在非平稳环境(Back Beach, Nouakchott),时空模型的准确性(NRMSE更低)和稳定性(集成标准差降低5%–60%)显著更优。仅时间模型在非平稳条件下仍将海岸线变化表现为平稳过程,而时空模型能捕捉长期演变。
4.2. Learnt spatio-temporal adjacency matrices(学习到的时空邻接矩阵)
在Back Beach案例中,学习时间邻接权重与横岸平衡态参数Ω_eq呈显著相关(R≈0.82, P<0.05),说明时间模块学习了类似平衡态的参数。空间邻接权重与波入射角绝对值|θ|(决定沿岸输沙率Q的关键)也有显著正相关(平均R≈0.59, P<0.05),证明模型能捕捉到与沿岸泥沙运移相关的物理意义模式。
4.3. Implication and next steps(意义与下一步)
GraphShore框架可适配其他GNN变体,并有望推广至沙坝等地理形态特征。目前局限在于节点数较少(<15),对于更长海岸需降采样;且为单点训练,未评估跨站点迁移能力,未来或需可变大小GNN架构。此外,模型依赖Landsat海岸线(误差>10米)限制了上限精度,且自回归长时预测可能有误差累积,面对训练期外的体制转换(如突加工程)不如物理模型。
结论
总而言之,该研究提出的GraphShore框架通过将海岸线表示为图并应用时空GNN,提供了一种新颖且有效的海岸线预测方法。它不仅能直接处理二维几何动态,在平稳和非平稳海岸环境中均表现出色,还能通过学习到的邻接矩阵揭示与物理沉积物输运过程一致的内在模式。这一研究不仅推动了数据驱动海岸线建模的发展,也为其他地球物理系统中的地理空间矢量动态预测提供了可转移的方法论。