优化沿海潮汐预测：一种集合卫星测高与光学遥感方法

《International Journal of Remote Sensing》：Optimising coastal tide predictions: an ensemble satellite altimetry and optical remote sensing approach

　　**摘要**
准确了解海平面动态对于沿海地球观测（EO）分析至关重要。全球海洋潮汐模型在预测过去和未来的海平面变化以及填补稀疏潮汐测量站的观测数据空白方面发挥着重要作用，因此成为大规模沿海EO工作流程中的宝贵输入。然而，现有潮汐模型在局部性能上存在很大差异，尤其是在动态和复杂的沿海地区。卫星测高技术曾用于评估具有挑战性的沿海地区的潮汐模型性能。然而，海岸线处的潮汐动态与更深水域的情况可能有显著不同，这使得仅通过卫星测高观测数据来推断模型选择变得困难。为了支持下一代沿海EO应用，迫切需要新的、可扩展的方法来评估和确定海岸线处的最佳潮汐模型。我们提出了一种基于EO的集成潮汐建模方法，该方法通过利用局部模型性能来优化沿海潮汐预测。这种方法结合了卫星测高的海平面数据和一种创新的光学遥感技术，该技术比较了卫星衍生的归一化差分水指数（NDWI）与建模潮高的时间序列相关性。通过量化并排名10个主要全球潮汐模型解释观测到的潮汐淹没模式的有效性，我们生成了由EO指导的集成模型，将这些模型结合成一个优化的输出。当应用于澳大利亚多样化的潮汐环境的大陆尺度时，这种集成方法在验证独立潮汐测量站数据时始终优于任何单个模型。我们的方法基于免费提供的光学和测高卫星数据以及开源工具，能够在大规模上高效运行，适用于需要准确潮汐建模的数据稀疏和建模不足的沿海地区。

**关键词**
遥感；沿海；潮汐建模；卫星测高；NDWI；沿海测绘

## 1. 引言
准确了解海平面动态对于沿海地球观测（EO）分析至关重要。全球海洋潮汐模型在预测随时间变化的潮汐高度以及填补长期观测潮汐测量站记录之间的空白方面发挥着重要作用。由于世界许多海岸线的潮汐测量数据分布不均匀且不一致，建模潮汐作为沿海EO工作流程的输入尤为重要。潮汐建模已广泛用于沿海EO分析，包括校正卫星衍生的海岸线（例如Chen和Chang 2009；Vos等人2019、2020年）、绘制生态上重要的潮间带生态系统的大陆尺度地图（例如Bishop-Taylor等人2019；Murray等人2012；Sagar等人2017年）、跟踪沿海入海口的开闭（例如Heimhuber等人2021年），以及从太空计算沿海水深（例如Almar等人2021；Daly等人2022年）。然而，全球海洋潮汐模型在局部性能上存在很大差异，特别是在动态或结构复杂的沿海地区（Gregg等人2024；Stammer等人2014；Wang等人2025；Xu等人2024年）。这包括偏远且生态上重要的地区，这些地区的测量潮汐数据往往很少，因此准确建模潮汐更加关键。尽管潮汐模型通常报告其在全局或区域的准确性，但这些数值并未捕捉到沿海可能出现的显著空间性能变化。之前的沿海EO研究几乎完全依赖于单一潮汐模型（例如Bishop-Taylor等人2021；Fitzpatrick等人2024；Vos等人2019年），从而隐含了一个假设，即单个模型将在整个研究区域内甚至在全球范围内表现一致。这种假设可能会给沿海EO工作流程带来重大不确定性，使得比较不同时空下的沿海环境变得困难。为分析选择单个潮汐模型也引入了主观性，尤其是在没有足够空间分辨率来评估模型选择下游影响的大规模沿海EO工作中。为解决这一挑战，先前的研究使用卫星测高的观测海平面数据来评估和确定给定研究区域的最佳潮汐模型（Seifi和Filmer 2023；Seifi等人2019）。卫星测高提供了可追溯到20世纪70年代末的几十年全球海平面动态记录，使其非常适合与卫星EO数据集成。新的测高数据产品（例如X-TRACK）经过重新处理，以提高近海区域的性能，为评估潮汐模型性能提供了有价值的工具（Birol等人2017年）。然而，海岸线处的潮汐动态与更深水域的情况可能有显著不同，这使得从卫星测高观测数据推断模型选择到沿海区域变得困难（Ponte和Schindelegger 2024；Seifi等人2019）。为了支持下一代沿海EO应用，迫切需要补充基于测高的方法，采用新的、可扩展的方法来评估和确定海岸线处的最佳潮汐模型。在这项研究中，我们提出了一种基于EO的集成潮汐建模方法，该方法通过利用局部模型性能来优化沿海潮汐预测。我们的多传感器框架结合了来自Copernicus Sentinel-3卫星测高的直接沿海海面测量数据与一种创新的光学遥感方法，该方法评估并排名沿岸陆水边界的模型性能。利用Copernicus Sentinel-2和USGS/NASA Landsat的时间序列数据，我们计算了归一化差分水指数（NDWI）与建模潮高之间的时间相关性。这种方法提供了高分辨率的洞察力，显示了建模潮高在像素级别解释卫星观测到的潮汐淹没模式的有效性。重要的是，这种方法直接覆盖了传统上在测高海平面数据集中缺失或被排除的复杂和动态沿海环境，如潮间带、海滩和沿海湿地（Cipollini等人2017；Hart-Davis等人2024年）。使用这种方法，我们对10个主要全球潮汐模型（FES2022、FES2014、FES2012；TPX10、TPXO9、TPXO8；HAMTIDE11；EOT20；GOT5.6、GOT4.10）在澳大利亚整个沿海和近海水域进行了前所未有的空间分辨率排名，这些地区拥有世界上最复杂和多样的潮汐环境。这些输入模型利用了多种水动力同化和半经验校正框架，较新的模型（例如FES2022、TPXO10、GOT5.6、EOT20）利用高分辨率水深数据、多源测高数据和先进的同化技术来提高复杂沿海环境中的建模性能。通过插值和动态加权我们的空间模型排名，我们开发了由EO指导的“集成”潮汐模型，将任何给定位置的最佳全球海洋潮汐模型结合成一个优化的输出。这种灵活的方法利用了现有全球潮汐模型的多样性和优势，使我们能够在不需要新的或改进的潮汐建模输入的情况下显著提高局部潮汐建模性能。我们将我们的集成潮汐建模方法应用于大陆尺度，并根据澳大利亚各地独立潮汐测量站的海平面数据集验证了我们的结果。我们的方法是可扩展的，基于免费提供的光学和测高卫星数据以及开源的`eo-tides` Python包（Bishop-Taylor等人2025），适用于全球范围内的沿海潮汐预测改进。

## 2. 材料和方法
### 2.1 研究区域和时期
为了支持大规模沿海EO应用，选定的分析范围包括澳大利亚大陆的整个海岸线及其相邻的沿海和近海水域（图1）。选择了2017-2019年的三年时期，以最小化海平面变化并最大化评估潮汐动态时的信噪比。这是厄尔尼诺-南方涛动（ENSO）动态相对平静的时期，介于2015-2016年的强厄尔尼诺和2020年的增强拉尼娜条件之间（BOM 2025）。这一时期还确保了Sentinel-2卫星数据的充足可用性，特别是在2017年Sentinel-2B发射之后的时期。
**图1. 澳大利亚研究区域。**蓝点和橙点显示了用于验证我们集成潮汐模型的独立全球极端海平面分析（GESLA）潮汐测量站的分布。本文讨论的重要沿海位置在地图上进行了标记。
标记的关键地理区域包括King Sound、Shark Bay、Arnhem Land、Carpentaria湾、Broad Sound、Shoalwater Bay、Spencer湾、Port Phillip湾和Western Port Bay。地图覆盖了西澳大利亚、北领地、南澳大利亚、昆士兰、新南威尔士、维多利亚和塔斯马尼亚等州和地区。地图左下角提供了比例尺，指示0、250和500公里的距离。地图突出了潮汐测量站所在的沿海区域，强调了这些站点在全国范围内的分布和性能。

### 2.2 潮汐建模
基于其全球覆盖范围和能够模拟任何地点和时间的潮汐的能力，选择了十个全球海洋潮汐模型进行解析（表1），使其非常适合与卫星EO数据集成。这包括七个同化模型（有限元解决方案潮汐模型：FES2022、FES2014、FES2012；TOPEX/POSEIDON全球潮汐模型：TPXO10、TPXO9、TPXO8；以及汉堡直接数据同化方法潮汐模型：HAMTIDE11），这些模型使用受卫星测高和潮汐测量数据约束的巴洛特里克水动力模型进行开发。三个半经验模型（经验海洋潮汐模型：EOT20；以及全球海洋潮汐模型：GOT5.6、GOT4.10）旨在通过应用基于卫星测高衍生的潮汐残差来改进先前的参考水动力模型。
**表1. 本研究中评估的10个全球潮汐模型的描述。**
这些最新版本的模型（例如FES2022、TPXO10、GOT5.6、EOT20）通常结合了更高分辨率的水深数据、额外的卫星测高数据和潮汐成分，以及更复杂的同化和残差校正技术。这导致了建模性能的显著改进，尤其是在浅层沿海环境（Hart-Davis等人2021；Xu等人2024年），尽管在某些地区结果不一（Gregg等人2024；Wang等人2025年）。其中一些模型在沿海EO应用中得到了广泛使用。例如，FES2022和FES2014已被广泛用于Landsat和Sentinel-2海岸线测绘和沿海变化监测（Bishop-Taylor等人2021；Graffin等人2025；Vos等人2019），而TPXO8和TPXO9则用于潮间带范围和高度的大陆尺度测绘（Bishop-Taylor等人2019；Murray等人2012；Sagar等人2017）。
基于潮汐谐波预测的潮汐建模使用了`eo-tides` Python包中的并行函数（Bishop-Taylor等人2025），并依赖于`pyTMD` Python基础的潮汐预测软件（Sutterley等人2017）的潮汐建模能力。这些软件组合提供了一套高效且灵活的工具，用于将卫星EO数据与潮汐建模集成，允许同时调用多个潮汐模型并返回标准化输出以供进一步分析。

### 2.3 近海沿海测高
沿海测高海平面观测数据用于评估和排名近海区域的潮汐模型性能。选择了Sentinel-3A（2016年发射）和3B（2018年）测高任务的数据，以提供与评估的潮汐模型无关的准确海面测量数据。每颗Sentinel-3卫星上的Sentinel-3雷达测高仪（SRAL）仪器具有27天的重复周期，在太阳同步轨道上运行，以固定的当地时间（约上午10点）经过。不幸的是，这种固定的时间安排无法观测到某些与太阳日完全对齐的太阳谐波潮汐成分的完整周期，包括S1（24小时周期）和S2（12小时周期）（Seifi和Filmer 2023；Sent等人2025）。然而，由于用于大规模沿海地球观测的光学遥感卫星（例如Landsat、Sentinel-2）也是太阳同步的，因此具有相同的限制（Bishop-Taylor等人2019；Eleveld、van der Wal和van Kessel 2014），因此认为这种“潮汐混淆”限制对本研究不关键。因此，Sentinel-3数据被认为适合分析这些系统可观测的潮汐成分。
Sentinel-3A测高数据来自CNES X-TRACK Level 2 Sea Level Anomalies v2.2产品，提供了沿轨道间距为6-7公里的观测数据，以提高靠近海岸的性能（Birol等人2017）。该产品以基于FES2014潮汐模型的海洋潮汐调整的海平面异常值提供。为了评估其他潮汐模型，我们首先移除了预应用的FES2014海洋潮汐校正，以产生非潮汐校正的海平面异常时间序列。然后使用所有10个全球潮汐模型对每个单独的卫星测高数据在时间和空间上进行潮汐建模，然后重新应用以产生每个单独潮汐模型的去潮汐海平面异常时间序列。接着按照Seifi等人（2019）的方法评估潮汐模型性能，计算每个模型去潮汐后的海平面异常值的均方根（RMS）。模型性能随后在每个沿轨高度计位置进行了排名，较低的RMS值（即较低的海平面变化性）表明该模型更有效地去除了海平面时间序列中的潮汐影响。2.4. 海岸NDWI与潮汐的相关性虽然高度计是一种评估近海地区潮汐模型的强大方法，但随着距离海岸的距离减小，高度计数据的准确性会显著下降，并且通常在靠近岸边的覆盖范围较稀疏（Ponte和Schindelegger引用2024年）。为了评估海岸线本身的潮汐模型性能，我们开发了一种基于卫星观测到的海岸线潮汐淹没模式的新光学遥感方法。首先，根据国家GEODATA COAST 100K海岸线数据集（Geoscience Australia引用2004年），在澳大利亚海岸线沿线以10公里的间隔生成了大约3000个缓冲半径为5公里的沿海分析区域。在每个分析区域内，从Digital Earth Australia（DEA）的Open Data Cube中加载了该时期的所有可用Geoscience Australia Sentinel-2和Landsat Analysis Ready Data（ARD）（图2(a)）（Lewis等人引用2017年）。尽管没有对传感器进行特定的带通调整来协调数据，但两个数据集都使用了DEA ARD流程处理成了经过地形校正的 nadir BRDF-Adjusted 反射率（NBART）。这种表面反射率产品已通过实地和无人机获取的现场光谱学数据进行了广泛验证，以确保跨传感器的准确性和一致性（Thankappan等人引用2021年；M. Thankappan等人引用2019年）。受云影响的像素使用了提供的Fmask（Zhu, Wang和Woodcock引用2015年）和s2cloudless（Skakun等人引用2022年）云掩模进行屏蔽，然后转换为反映每个像素随时间变化的NDWI遥感指数（图2(b)）。选择NDWI作为最佳的水分指数进行分析，因为它适用于映射暴露的潮间带，并且对退潮后留在景观中的残留水和湿润基底不那么敏感，否则这些很可能被误分类为开阔水域（Ryu, Won和Min引用2002年）。图2. 用于评估海岸线潮汐模型的NDWI-tide相关方法的概述。对于沿海每10公里间距的点，我们（a）提取了5公里半径圆形分析区域内的Landsat和Sentinel-2卫星数据，（b）将卫星数据转换为NDWI遥感水分指数，然后（c）使用10个全球海洋潮汐模型对每个卫星像素和采集时间戳进行海洋潮汐建模。对于我们分析区域内的每个像素，我们（d）计算了NDWI与每个模型的模拟潮高之间的时间相关性（这里以HAMTIDE11、TPXO8和FES2022潮汐模型为例），然后在共同的掩模内对这些相关性进行了空间平均（即至少与一个模型的潮汐相关联的所有像素的空间并集）。这些平均相关性随后用于按从最好到最差对模型性能进行排名。阅读此图的详细描述。图像A显示了使用Sentinel-2和Landsat在3年时期内对5公里半径沿海分析区域的卫星时间序列。图像B显示了带有叠加图像的NDWI时间序列。图像C显示了10个全球海洋潮汐模型的潮高时间序列，从低潮到高潮。图像D显示了每个潮汐模型的NDWI-tide相关性排名。HAMTIDE11的平均相关性为负0.11，排名最低。TPXO8的平均相关性为0.41，排名第二高。FES2022的平均相关性为0.46，排名最高。颜色刻度表示从负0.50到0.50的相关性，正相关性表示高潮时的湿润条件，负相关性表示高潮时的干燥条件。使用`eo-tides`中的`pixel_tides`函数（Bishop-Taylor引用2025年）将所有10个潮汐模型的潮汐模型建模到每个沿海分析区域的空间范围内，时间步长精确匹配卫星NDWI时间序列的采集时间步长（图2(c)）。对于每个像素，我们计算了NDWI与每个模型的潮高之间的时间维度相关性（图2(d)）。正相关性表示可能是受潮汐影响的潮间带像素（例如，一个像素在高潮时始终更湿润，在低潮时更干燥）。虽然这种相关性计算本质上对绝对潮汐幅度不敏感，因为它没有直接测量水位，但它提供了高分辨率的洞察力，了解每个模型预测的潮汐相位和潮汐极端的时机与我们的卫星观测结果的准确性。为了提供一致的模型间比较，在共同的沿海掩模内比较了每个模型的相关性。该掩模是通过包含至少与一个潮汐模型具有正NDWI-潮高相关性（≥0.15）的所有像素的空间并集来定义的（图2(d)）。选择这个相关性阈值是为了在足够敏感以最大化潮间带覆盖范围的同时，包括那些潮汐信号难以观察的“边缘”潮间带区域，同时也最小化了由环境噪声（如浑浊度、阳光反射、白水）引起的虚假噪声或假阳性相关性。所得掩模为“同类”基础上比较模型性能提供了一个一致的基线。在每个沿海分析区域的所有被掩蔽像素内，然后对每个模型的相关性进行平均和排名，最高排名（即‘1’）表示该潮汐模型最有效地解释了卫星观测到的淹没模式。2.5. 集成潮汐模型使用基于每个输入潮汐模型的局部性能来开发自适应集成模型，以优化潮汐预测。其中一个模型（HAMTIDE11）由于其较差的性能（见结果，图2和图3）被初步排除在集成过程之外，剩下九个输入模型（TPXO10、FES2022、GOT5.6、EOT20、TPXO9、FES2012、FES2014和GOT4.10）。对于我们研究区域内的任何感兴趣的地点，模型排名都是使用逆距离加权插值（IDW）从附近的排名点进行空间插值的。选择IDW插值是为了在保持排名点本身观测到的排名的同时提供平滑的过渡。这些插值排名用于生成四个候选集成模型（表2），每个集成模型返回一个结合了一个或多个输入全球海洋潮汐模型的单一潮高时间序列。图3. 澳大利亚沿海和近海地区的相对潮汐模型性能，用于排名模型并指导集成潮汐模型的生成。结果显示了沿海NDWI-tide相关性和近海高度计RMS的空间分布。结果标准化为与平均模型性能的偏差，以便直接比较沿海和近海方法。蓝点表示优于平均性能，而红点表示低于平均性能。模型按沿海性能降序排列。阅读此图的详细描述。每张地图使用颜色渐变来表示标准化的模型性能，从低于平均到高于平均，以标准差从平均值衡量。沿海性能由圆圈表示，而近海性能由点表示。模型标签如下：（a）EOT20，（b）TPXO10，（c）FES2022，（d）GOT5.6，（e）FES2014，（f）TPXO9，（g）FES2012，（h）TPXO8，（i）GOT4.10和（j）HAMTIDE11。每张地图显示了沿海和近海区域沿线的性能变化，不同模型在这些区域的性能水平不同。表2. 本研究中评估的四个集成模型的描述。下载CSV显示表格。为了初步评估我们的排名方法是否具有价值，我们首先计算了一个简单的朴素平均模型（ensemble-mean），其中所有输入潮汐模型的潮汐预测被天真地平均，而不考虑任何局部模型排名。然后评估了两个基于排名的模型（ensemble-top和ensemble-mean-top3），以确定选择局部排名最高的模型是否可以改善潮汐模型性能。ensemble-top模型简单地采用了感兴趣位置排名最高的模型的潮汐预测，在多个模型获得相同排名的罕见情况下取平均。ensemble-mean-top3模型则平均了排名前3个模型的预测。最后，还计算了一个最坏情况排名模型（ensemble-bottom），以提供如果在每个位置选择了最差的局部模型可能发生的潜在错误的洞察。2.6. 独立潮汐计验证为了独立评估集成建模方法的性能，我们从澳大利亚沿海的95个全球极端海平面分析（GESLA）潮汐计那里获得了观测到的海平面测量数据（图1；Haigh等人引用2023年）。这个数据集使我们能够评估标准模型和集成模型的性能，这些模型并没有直接用于支持集成模型排名的数据。使用`eo-tides` Python包（Bishop-Taylor等人引用2025年）加载了与2017-2019时期匹配的GESLA潮汐计数据，然后使用提供的‘use_flag’元数据过滤掉不可靠的观测数据。使用所有10个全球海洋潮汐模型和所有四个候选集成模型对每个潮汐计观测进行潮汐建模。然后通过首先从观测到的海平面中减去模型预测的潮高，然后计算剩余海平面异常的RMS来进行每个潮汐计的潮汐模型性能评估（较小的RMS表示海平面时间序列的变化较小，因此潮汐校正得更有效）。2.7. 海岸EO应用为了定性展示集成潮汐建模方法在海岸EO应用中的潜力，我们在昆士兰州Broad Sound的一个大潮站点进行了小规模分析（图1）。该地点被认为是潮汐建模的“挑战区域”，在那里全球模型会产生不准确和不可靠的结果（Middleton、Buchwald和Huthnance引用1984年；Seifi等人引用2019年）。我们遵循Bishop-Taylor等人（引用2026年）的方法和`eo-tides`工具（Bishop-Taylor等人引用2025年）生成了一个潮间带数字高程模型（DEM），结合了模拟的潮高和NDWI地形湿度来估计每个沿海像素的高程。这种方法最初是使用FES2014模型运行的，该模型已广泛用于大规模海岸EO分析（Bishop-Taylor等人引用2021年；Fitzpatrick等人引用2024年；Sun等人引用2025年；Vos等人引用2019年）。然后我们使用本研究中确定的最佳集成模型重复了这项分析。3. 结果3.1. 相对潮汐模型性能图3比较了10个评估模型的空间性能，表现优于平均的模型用蓝色表示，表现低于平均的模型用红色表示。这些结果随后用于在本地对模型进行排名，并指导集成潮汐模型的生成。为了可视化模型之间的相对差异，并允许基于相关性的沿海点和基于RMS的近海点进行一致比较，通过将每个点的值转换为从平均模型性能的异常值，并除以所有模型的标准差来进行标准化。我们的结果显示，澳大利亚各地的潮汐模型性能存在显著的空间差异，即使表现最好的模型在某些地区也表现不佳。例如，虽然EOT20模型在澳大利亚南部沿海和近海地区的大部分区域表现优于所有模型，但在澳大利亚东北部却产生了较差的结果，而其他模型如TPXO10则更有效（图3）。相反，一些表现最差的模型在大陆上仍然在局部区域表现出高于平均水平的表现。例如，较老的TPXO8模型在昆士兰州Broad Sound和Shoalwater Bay周围的挑战性潮汐建模地点产生了持续良好的结果。一个模型（HAMTIDE11）在海岸线和近海区域的结果都显著低于平均水平，只有有限的局部例外。几个沿海地点在不同模型的表现上表现出高度变化和对比，包括北领地的Arnhem Land、昆士兰州的Carpentaria湾、Shoalwater Bay和Broad Sound、维多利亚州的Port Phillip Bay和Western Port Bay、南澳大利亚的Spencer Gulf以及西澳大利亚的Shark Bay和King Sound（图3）。3.2. 独立集成模型验证每个沿海和近海点的模型排名被合并到一个单一的空间向量文件中，该文件识别了研究区域内任何位置的最佳或最差的潮汐模型。这些模型排名使用`eo-tides` Python包（Bishop-Taylor引用2025年）的并行代码加载，并用于生成几个优化的“集成”潮汐预测（表2）。根据图3的结果，HAMTIDE11潮汐模型由于在沿海和近海地区的表现不佳而被排除在随后的集成模型生成和分析之外。为了评估所生成的集成模型是否能够产生比现有模型更准确、更可靠的结果，我们将其性能与我们标准的潮汐模型在95个澳大利亚沿海GESLA测潮站的独立数据集上进行了比较（图1；图4）。图4显示了集成模型和标准潮汐模型针对GESLA测潮站观测数据的独立验证结果。验证结果包括：(a) 所有可用的GESLA测潮站；以及 (b) 平均模型性能最差的20%的GESLA测潮站（见图1，附录）。模型性能通过比较潮汐校正后的海平面异常值的RMS来评估，较低的RMS值表示更好的结果。

图像A显示了一个名为“模型性能，所有测潮站”的条形图，x轴表示模型，y轴表示RMS（米）。模型包括：集成顶级（0.166）、集成平均值顶部（0.168）、TPXO10（0.184）、FES2022（0.189）、集成平均值（0.189）、GOT5.6（0.196）、EOT20（0.198）、TPXO9（0.202）、FES2014（0.211）、FES2012（0.231）、TPXO8（0.238）、GOT4.10（0.252）和集成底部（0.283）。集成模型用橙色表示，标准模型用蓝色表示。最佳模型是集成顶级。

在所有95个GESLA测潮站中（图1；图4(a)），集成模型的表现略优于标准模型。表现最好的集成模型（集成顶级和集成平均值顶部3）的RMS约为0.166米，比表现最好的标准模型（TPXO10，RMS为0.184米）提高了约9%。简单的朴素平均集成模型（集成平均值；不考虑模型排名的所有模型的平均值）也表现良好，RMS为0.189米，优于九个模型中的八个。正如预期的那样，最差情况下的基线集成模型（集成底部；选择当地排名最低的模型）的表现最差，RMS为0.283米。

尽管在所有测潮站都取得良好的性能很重要，但我们提出的集成建模方法的关键目标是改进最具挑战性的沿海地区的潮汐建模性能。为了评估这一点，我们重新分析了澳大利亚表现最差的测潮站子集，这些测潮站的平均RMS在所有模型中排名最高的20%（图1；图4(b)；附录）。这些表现不佳的测潮站主要位于受保护良好的入海口和海湾（例如Port Phillip Bay、Western Port Bay），或具有复杂潮汐系统的中等潮汐范围的海湾（例如Gulf of Carpentaria、Spencer Gulf；Church and Fobes Citation1981；Easton Citation1978）。在这一比较中，集成模型比标准潮汐模型有显著提升。表现最好的集成模型（集成顶级）的RMS为0.287米，比最好的标准模型（TPXO10，RMS为0.360米）提高了约20%，比表现最差的TPXO8（RMS为0.555米）提高了约50%。这一结果也明显优于简单的朴素平均集成模型（集成平均值，RMS为0.388米）。正如预期的那样，最差情况下的基线集成模型（集成底部）再次获得了最差的建模结果，RMS为0.674米。

在所有比较中，最新发布的四个潮汐模型（例如TPXO10、FES2022、GOT5.6、EOT20）的表现趋于更好，而较旧的模型（TPXO8、TPXO9、FES2012、FES2014和GOT4.10）的表现则较差。

在我们的昆士兰州Broad Sound案例研究中，使用单一常用的潮汐模型（FES2014）建模的潮间带高度产生了极低质量的输出，潮间带剖面中可见明显的急剧高度不连续性和建模伪影（图5(a)）。将这种单一潮汐模型分析替换为表现最好的集成模型后，结果得到了显著改善，生成了一个平滑的、无伪影的潮间带DEM，其高度从岸向海逐渐降低（图5(b)）。这种基于集成的潮间带DEM捕捉到了高水平的空间形态细节，包括生态和地貌上重要的潮汐通道（Zhao et al. Citation2019）以及潮间带下部的复杂潮间带沙洲和脊状地形，这些在单一模型输出中是不可见的。

通过结合光学遥感和卫星测高技术，我们提供了关于全球海洋潮汐模型性能的新的大陆尺度见解。我们的研究结果显示，10个领先的全球海洋潮汐模型在澳大利亚的表现存在显著的空间变异性。我们的结果表明，即使是表现最好的单个潮汐模型也不能在所有地方都依赖，而一些整体表现最差的模型在特定位置仍能表现良好。这种模型的高变异性对沿海EO研究和操作工作流程提出了特殊挑战，因为许多这类研究目前仍然依赖于单一潮汐模型进行图像预处理和标准化（例如Bishop-Taylor et al. Citation2021；Fitzpatrick et al. Citation2024；Vos et al. Citation2019）。这些单一模型的方法在潮汐动态复杂的区域可能会产生误导性的结果，从而难以一致地比较沿海过程或变化。潮汐建模性能的局部变异性对大规模分析（例如全球或大陆尺度）尤其具有挑战性，在这些区域很难确定质量差的结果是由潮汐建模还是其他方法或环境问题引起的。依赖单一潮汐模型还引入了不必要的人为主观性，用户需要根据对当地模型性能的有限了解来事先选择最佳模型。

数据驱动的集成方法将多个模型结合成一个更高质量的输出，可以提供比单个模型更稳健的替代方案。我们的集成建模方法使用遥感衍生的潮汐模型排名来动态选择任何沿海或离岸位置的最佳模型，生成 locally adaptive 的输出，从而消除了主观选模型的需要。尽管之前的研究已经使用测潮站的测量海平面或卫星测高数据来评估潮汐模型的性能（例如Gregg et al. Citation2024；Seifi et al. Citation2019；Wang et al. Citation2025；Xu et al. Citation2024），但我们的新型Sentinel-2和Landsat基础的NDWI-tide相关方法即使在没有直接测量海平面观测数据的偏远沿海地区也能选择最佳潮汐模型。这种方法提供了前所未有的空间覆盖范围（即沿澳大利亚海岸线每10公里一处），填补了生态敏感沿海地区测潮站和测高观测数据稀疏之间的重要空白，而这些地区往往需要准确的海表面测量数据。沿海EO科学的一个关键目标是生成空间一致的输出，以便能够在大范围内准确可靠地了解沿海环境（Calkoen et al. Citation2025）。提高EO产品的最低质量对于建立对其输出的信任和信心至关重要，也确保它们符合决策和操作使用的最低标准。因此，改进最具问题的地点的潮汐模型性能被认为是评估所提出集成方法的最重要标准。我们的测潮站验证表明，这种集成建模方法甚至可以显著超越表现最好的单个模型，特别是在大多数单个模型表现不佳的具有挑战性的沿海地区（例如图4(b)；附录）。重要的是，由于现有的测潮站分布严重偏向澳大利亚东南部的微潮开放海岸地区，其中大多数模型通常表现良好（Hague et al. Citation2022；Haigh et al. Citation2023），我们的分析可能低估了集成建模方法的价值。虽然我们的验证确实包括了受保护的微潮入海口和具有复杂潮汐动态的中等潮汐范围的海湾环境（例如Church and Fobes Citation1981；Easton Citation1978），但在澳大利亚西北部大部分偏远和复杂的宏潮地区，测潮站的覆盖范围很稀少（图1）。这种地理偏差表明，即使是表现最差的测潮站子集也未能充分代表澳大利亚最具挑战性的潮汐系统，而集成方法在这些地区将带来最大的好处。因此，我们的验证结果可能仅代表了集成方法性能的保守估计，如果这些更极端环境中有额外的验证数据，性能可能会有所提高。

为了展示集成方法在以前难以处理的复杂沿海地区支持沿海科学的价值，我们在昆士兰州Broad Sound进行了一项小规模的沿海EO案例研究。该地区被认为是潮汐建模的关键“挑战区”，因为复杂的近海珊瑚礁会影响潮汐流动并大幅放大半日潮（Middleton, Buchwald, and Huthnance Citation1984；Seifi et al. Citation2019）。我们的结果显示，仅通过优化潮汐建模性能就能显著改善沿海EO分析的输出。具体来说，集成方法解决了由单一标准潮汐模型（FES2014）导致的噪声潮间带高度估计和建模伪影（图5(a)），这种模型与实际潮汐不同步，使我们能够生成地貌上真实的沿海地图输出（图5(b)），而这在使用单一潮汐模型方法时是不可能的。这一分析表明，集成潮汐建模方法可以显著提高沿海EO工作流程的可靠性和普遍性，而无需用户事先了解其位置的最佳潮汐模型。因此，集成方法为下一代沿海EO工作流程提供了可靠的潮汐建模解决方案，这些工作流程将需要越来越准确和可靠的沿海过程和地貌见解。

我们的集成方法有几个重要的注意事项。本研究中使用的离岸测高方法捕获的是绝对海平面高度，可以直接评估潮汐模型预测潮汐相位和振幅的能力。相比之下，我们的NDWI-tide相关方法仅限于评估模型预测潮汐相位（即湿润和干燥的相对序列）的能力。因此，只要模型正确按潮汐高度排序卫星观测数据，即使它大大夸大了潮汐振幅，也可能获得过高的排名。这种限制在像河口或入海口这样的沿海环境中尤为相关，因为在这些环境中潮汐放大和减弱的过程很常见（Khojasteh et al. Citation2023）。然而，在实践中，全球潮汐模型中振幅建模较差的位置通常也显示相位建模较差。正如我们的测潮站验证所示，即使在这些具有挑战性的位置，NDWI-tide相关方法仍然应能提供可靠的模型性能评估，有助于避免模型在振幅和相位上都出现严重错误。遥感方法在排名潮汐模型时的一个限制是它依赖于太阳同步的传感器。像Landsat、Sentinel-2和Sentinel-3这样的卫星每天在同一时间经过，这意味着它们只会采样完整潮汐周期的特定部分，对于那些与太阳日完美重复的谐波潮汐成分来说（例如S2的周期为12小时，S1的周期为24小时；Sent et al. Citation2025）。这阻碍了对这些谐波的完整潮汐范围的代表性采样，可能导致某些潮汐阶段（例如最高或最低天文潮）在EO记录中被低估（Bishop-Taylor et al. Citation2019；Tseng et al. Citation2017）。因此，这里开发的排名方法无法评估模型对这些成分的潮汐预测能力。然而，当将我们的方法应用于这些太阳同步传感器占当地潮汐范围很大比例的非EO应用时（例如澳大利亚西北部的半日潮区域；Melachroinos et al. Citation2009；Seifi and Filmer Citation2023），应谨慎使用。任何集成方法的一个关键假设是至少有一些贡献模型能提供准确的结果（Zhang et al. Citation2022）。在复杂的潮汐区域，所有模型的预测效果都不理想，因此无法获得有用的集合预测结果。在这种情况下，应避免使用基于全球潮汐模型的潮汐预测方法，而应优先考虑观测到的本地潮汐站数据或更精确的强化水动力建模。然而，这里介绍的灵活框架的一个关键优势在于，随着未来更准确的单个潮汐模型的发布，该集合模型可以进行更新。我们的研究结果显示，最近发布的模型在性能上有所提升（见图4）。对Surface Water and Ocean Topography（SWOT）任务提供的高分辨率海高数据的初步分析表明，与现有的全球模型相比，该数据在复杂沿海地区的潮汐建模中具有显著降低误差的潜力（Hart-Davis等人，2024年）。预计基于SWOT及其他下一代卫星任务发布的潮汐模型将进一步提升集合预测的准确性。我们的集合建模方法结合了免费且开放的海高数据和光学卫星数据以及全球海洋潮汐模型，使其能够广泛应用于全球沿海潮汐预测的改进。实现这一方法的开源工具已在`eo-tides` Python软件包中开发（Bishop-Taylor等人，2025年），这些工具支持并行处理多个潮汐模型，并根据沿海和近海模型的性能自动生成统一的集合预测结果。这些工具专为支持大规模沿海遥感分析和依赖准确、一致潮汐建模的沿海科学研究而设计，尤其是在全球范围内数据稀少、建模效果较差的区域。

**数据获取**
支持本研究结果的数据和代码可通过DEA知识中心（https://knowledge.dea.ga.gov.au/data/product/dea-intertidal/）和DEA Intertidal Github仓库（https://github.com/GeoscienceAustralia/dea-intertidal）公开获取。用于集合潮汐建模的工具也包含在`eo-tides` Python软件包中（https://doi.org/10.21105/joss.07786）。