一种用于大规模沙滩海岸线变化建模的混合尺度自适应卷积框架

《Scientific Reports》：A convolutional, scale-adaptive framework for large-scale shoreline change modeling

　　

摘要

理解沙滩在地质、水动力、地貌和人为影响下的演化，特别是未来的气候变率和海平面上升，变得越来越重要。已开发出几种数值模型来模拟沙滩演化，从高保真、基于过程的模型到简化复杂度的方法，再到数据驱动和混合方法，跨越的尺度从相对较小（数百米 - 天）到相对较大（数百公里 - 几十年）。然而，数据驱动的方法通常缺乏对控制海岸线变化的物理过程的明确表征，而海岸线变化是沙滩演化的关键指标。在此，我们提出了一种用于海岸线变化建模的混合式、尺度自适应卷积框架，该框架桥接了简化复杂度和数据驱动方法，并将其应用于美国太平洋西北地区的沙滩范围（跨越俄勒冈州和华盛顿州\(\sim \)530 公里）。利用主要源自卫星的 40 年（1984–2024）海岸线数据，我们在 22 个沿岸单元内对海岸线位置演化进行了后验预测，这些单元包含超过 10,000 个断面，沿岸分辨率为 50 米。后验预测结果得出的中位验证均方根误差为 14.1 米，Mielke 指数为 0.51，与最近的海岸线变化基准相似。我们的框架基于针对水动力强迫的优化核函数的卷积运算之和，以模拟海岸线响应。由此产生的核函数形状量化了海滩的地貌动力学记忆，揭示出地理纬度主要控制沿岸响应时间尺度，而海岸朝向则控制跨岸季节性响应的强度，且在更朝西的海滩上这种强度会增强。该框架的计算效率和物理可解释性使其非常适合在变化的气候条件下进行未来的随机海岸线预测，从而支持明智的海岸管理和适应政策。