HySalt：一种用于估计河口环境中水位和盐度时空分布的元模型

《Coastal Engineering》：HySalt: A metamodel for estimating water level and spatial-temporal distribution of salinity in estuarine environments

　　

摘要
河口盐度源于潮汐强迫、海平面变化与淡水径流之间的相互作用，通常使用三维水动力模型进行模拟。尽管这些模型在物理上具有稳健性，但计算成本高昂，限制了其在快速评估和大型情景集合中的应用。本文提出了 HySalt，一种混合元模型，旨在高效估算潮汐周期内河口内预定站点的水位及盐度在全水柱上的时空分布。HySalt 结合了高分辨率三维水动力模拟的缩减集与统计学习技术。通过八个强迫参数定义了水动力条件的合成集合，其中七个参数在模拟集合中发生变化，并使用校准后的 Delft3D-FLOW 模型进行动态降尺度。应用主成分分析（PCA）降低水位和盐度输出的维度，并使用径向基函数（RBF）对主导模式进行插值，从而能够快速重建任何强迫参数组合对应的场。HySalt 经过校准后的 Delft3D-FLOW 模拟验证，准确再现了水位和盐度的时空变率。此外，还提供了与现场观测的直接对比，以评估该方法在现实条件下的性能。结果表明，该元模型适用于在广泛的沿海和河流强迫条件下，快速准确地估算水位和盐度场，为评估盐度入侵及支持现状和未来情景下的河口水管理提供了实用工具。基于 Web 的仪表盘支持对情景和盐度阈值的交互式探索，以辅助决策。

引言
河口是高生态重要性的生态系统，并为众多人类定居点和经济活动提供了场所 (Valle-Levinson, 2010)。然而，这些系统正日益受到气候变化多种效应的威胁。其中最关键的影響包括水文制度的改变（水文期）、水温升高以及盐水入侵的加剧，每一个都能显著改变这些复杂生态系统的结构和功能。
河口盐水入侵源于陆向盐输运过程，主要由持续剪切和潮汐振荡驱动 (MacCready and Geyer, 2010)。近年来，全球众多河口盐水入侵的范围和频率均有所增加，从而威胁这些系统的生态平衡，并减少了农业、工业和生活用水的淡水可用性。与此趋势并行的是，研究气候变化对盐水入侵动力学影响的研究显著增长。多项研究表明，降水减少及随之而来的淡水径流减少，会显著增强盐水楔的陆向推进 (Zhu et al., 2020; Rodrigues et al., 2019)，特别是在长期干旱或河流流域水文制度变化期间。其他研究强调了海平面上升 (SLR) 作为这一过程的主要驱动力 (Mueller et al., 2024; Lupiola et al., 2023; Krvavica & Ru?i?, 2020)。
Lee 等人 (2024, 2025) 和 Verri 等人 (2024) 共同分析了这两个因素——降水和 SLR，并展示了它们的相互作用如何加剧不同地区河口的盐水入侵过程。这一证据突显了开发能力以可靠预测和量化预定地点盐度变化有多么根本重要，因为这是河口水管理的一个关键方面。
河口环境中的盐度动态受三维过程控制，并受多个相互作用因素影响，其中最相关的是海洋强迫、河流输入和河口腔地貌。这种复杂性导致开发了多种方法论途径，旨在表征和预测河口内的空间盐度分布。这些途径从基于双层水力学理论的简化配置 (Krvavica & Ru?i?, 2020)，到同时求解动量和自由面方程连同连续性和质量平衡方程的更先进的过程基数值模型。此类途径包括二维垂直 (2DV) 模拟 (Lee et al., 2025) 和三维 (3D) 模拟 (Couceiro et al., 2021; Zachopoulus et al., 2020; Andrews et al., 2017; Torres-Bejarano et al., 2023)。然而，过程基建模计算需求量大，特别是当整合到实时预报系统中时。因此，科学界越来越多地探索替代的、更高效的策略，从使用历史数据校准的经验关系到基于机器学习 (ML) 的新兴方法 (Tran et al., 2022; Guillou et al., 2023; Goldstein et al., 2019)。然而，获取原位盐度测量的困难代表了数据驱动算法训练阶段的主要限制，这反过来可能损害其预测能力 (Maglietta et al., 2024)。这一挑战突显了将物理 - 数学模型与统计或机器学习技术相结合的混合方法的潜力，特别是在数据稀缺的环境中。混合方法在模拟河口和沿海河流洪水水位方面始终表现出高性能 (Sopelana et al., 2018, Bermúdez et al., 2019)，以及其他沿海海洋学领域，证明了它们在复杂、数据受限环境中的有效性 (Cagigal et al., 2024; Ricondo et al., 2024; Zornoza-Aguado et al., 2024)，成功表征了包括次重力波和波浪爬高在内的过程，同时考虑了沿海环境的地貌变化，证明了混合方法在捕捉非线性沿海动力学方面的有效性。
尽管在河口盐度动力学背景下应用混合模型仍处于早期阶段，但几项研究已探索了它们高效表征复杂河流动力的潜力。例如，Maglietta 等人 (2024) 开发了一种结合箱模型和机器学习的方法，其中河口口被表示为单一的一维箱，从而简化了几何结构而没有实质性地损害预测能力。类似地，Hendrickx 等人 (2023) 提出了一种基于人工神经网络的混合降尺度模型，应用于简化几何结构以评估盐度动力学及其在潮汐周期内的变率。Ross 等人 (2021) 通过引入基于高斯过程的元模型来模拟切萨皮克湾的完整 3D 水动力模型，推进了这一工作，使盐度和环流在气候变化情景下的高效敏感性和不确定性分析成为可能。尽管有这些贡献，现有方法要么依赖简化的几何表示，要么专注于标量和空间平均输出，对重建完整的时空盐度结构 关注有限，特别是垂直变率，它在层化过程中发挥关键作用，对于评估生态系统影响和优化灌溉、生活供应或工业用水的取水地点至关重要。
为弥补这一差距，本研究提出了 HySalt，一种计算高效的元模型，它将过程基数值建模与采样技术、降维和插值策略相结合，以提供潮汐周期内真实河口内预定站点及整个水柱的水位和盐度的快速估算。这使得能够在广泛的水动力条件下，包括气候变化情景，分析河口盐度动力学成为可能。
所提出的元模型，下文称为 HySalt，结合了过程基数值模型的准确性与采样技术、降维方法和插值策略。具体而言，使用 PCA 进行降维，使用 RBF 插值进行主导模式的重建。基于其可解释性、计算效率以及在类似沿海元建模应用中已确立的性能，选择了这种组合而非替代的机器学习方法 (Ricondo et al., 2023; Zornoza-Aguado et al., 2024)。此外，最近一项在相同基于 PCA 的混合框架内对 RBF 插值和深度神经网络进行基准测试的比较研究发现，两种方法均达到了相当水平的准确性，仅使用更复杂的架构获得了边际改进 (Echevarría et al., 2025)。
基于这些考虑，HySalt 框架专门设计用于从缩减的强迫条件集合中重建盐度的时变垂直结构，从而高效地模拟高分辨率 3D 水动力模拟。这种方法保留了控制河流动力的关键物理过程，同时显著降低了计算成本，使其特别适合情景分析和水管理应用。
因此，HySalt 框架被视为一种可转移的方法论流水线，可适应于受类似沿海和河流强迫条件影响的其他河口系统。
本文结构如下。第 2 节描述了研究地点和为本工作进行的现场调查。第 3 节介绍了 HySalt 方法论及其与完全动态模拟的验证。第 4 节包含三个主要元素：HySalt 方法论的验证、气候变化影响及淡水可用性潜在变化的评估，以及其在用于结果可视化的仪表盘中的实施，结论在第 5 节中呈现。

章节片段

研究地点与数据
研究地点是纳维亚河口 (Navia estuary)，位于西班牙北部海岸阿斯图里亚斯省，在纳维亚河和梅罗河 (Meiro) 的交汇处。其主要通道呈南北方向延伸，从河口向上游延伸约 10 公里（见图 1）。约 21% 的原始河口区域已转变为城市和工业用途，从而改变了自然水文制度。河口受两个侧向防波堤约束。

HySalt 元模型
通过完全动态模拟估算河口盐度涉及大量的计算需求，因为这需要进行许多三维模拟以解析潮汐、风暴潮、风和河流径流等多种强迫的耦合影响。尽管这种建模方法提供了高度的物理真实性，但对于需要近实时预报或评估广泛情景集合的情境，其应用变得不切实际。

HySalt 元模型与数值建模的验证
HySalt 方法论的目的是减少与降尺度相关的计算工作量，同时保持再现完全动态水动力模拟行为的能力，并在可接受的精度范围内。因此，通过将 HySalt 元模型的性能与相应的过程基模拟进行比较，进行了 HySalt 元模型的数值验证。数值模拟使用由创建时间序列组合获得的边界条件进行强迫。

结论
本研究介绍了 HySalt 元模型，这是一种混合方法论，将过程基数值模型与统计技术相结合，以减少计算需求同时保持高预测能力。通过整合主成分分析与径向基函数插值，HySalt 能够在水位和 3D 盐度场在训练数据集中表示的空间域内位置进行快速重建，将计算时间从数小时或数天减少。

CRediT 作者贡献声明
Javier Sopelana：写作 - 回顾与编辑，方法论，调查，资金获取，数据整理，概念化。Pablo Alonso-Alguacil：写作 - 回顾与编辑，方法论，概念化。Cielo Fernández：写作 - 回顾与编辑，验证，软件，形式分析，数据整理。Alba Ricondo：写作 - 回顾与编辑，可视化，验证，软件，方法论，调查，形式分析，概念化。Beatriz Pérez-Díaz：写作 - 回顾与...

未引用参考文献
Hendrickx et al., 2023; Ibá?ez et al., 2009; McKay and Conover, 1979; Zachopoulos et al., 2020.

数据可用性
数据将在请求时提供。

稿件准备过程中生成式人工智能及人工智能辅助技术声明
在本工作的准备过程中，作者使用了 ChatGPT 以进行英语语言编辑，包括改进稿件的语法、清晰度和可读性。在使用此工具/服务后，作者根据需要对内容进行了审查和编辑，并对已发布文章的内容承担全部责任。

利益冲突声明
? 作者声明他们没有任何已知的竞争性财务利益或个人关系，这些利益或关系可能看起来影响了本论文报道的工作。

致谢
本研究没有以下资金支持将是不可能的：西班牙科学、创新与大学部，项目 HyBay (PID2022-141181OB-I00)；坎塔布里亚政府和欧盟下一代欧盟/PRTR，项目 BahiaLab (C17.IO1-海洋科学补充计划) 以及“工业部门风险评估及河口环境适应气候变化的方法论 (My-Est)"，该项目得到了生物多样性的支持...

Mirian Jiménez|Laura Cagigal|Alba Ricondo|Beatriz Pérez-Díaz|Pablo Alonso-Alguacil|Cielo Fernández|Javier Sopelana|Sonia Castanedo
地理信息与海洋工程组。水与环境科学与技术系。坎塔布里亚大学工程与技术学院 (E.T.S.I.C.C.P.)，桑坦德，西班牙