《Estuarine, Coastal and Shelf Science》：HyCoFfEE: Hybrid Approaches Predicting Compound Flooding for Estuarine Environments
编辑推荐：
摘要专业翻译
HyCoFfEE框架将数值模拟与统计学习技术相结合。混合模型可重建高分辨率洪水淹没图及总水量。该快速框架能够在数秒内以高技巧水平预测河口洪水响应。水动力主导指数（Hydrodynamic Dominance Index）可绘制洪水驱动因子主导性的
摘要专业翻译
HyCoFfEE框架将数值模拟与统计学习技术相结合。混合模型可重建高分辨率洪水淹没图及总水量。该快速框架能够在数秒内以高技巧水平预测河口洪水响应。水动力主导指数（Hydrodynamic Dominance Index）可绘制洪水驱动因子主导性的空间变化图谱。该框架是用于风险评估和短期预警系统的稳健工具。
论文解读
一、研究背景与科学问题
河口系统在全球人类聚落与发展中占据核心地位，全球32个最大城市中有22个位于河口，约60%的全球人口聚居在沿海地带。洪水是全球最常见且造成经济损失最严重的自然灾害，1980至2016年间，全球洪水相关损失估计约达1万亿美元，伴随近21.5万人死亡。在低洼、人口密集的三角洲和河口环境中，海岸洪水与河流洪水的并发可产生远超单一灾害叠加的复合效应，此类情景即复合事件（Compound Events）。
传统洪水风险评估通常基于单变量极值分析，采用超阈值法（Peaks Over Threshold, POT）或分块极大值法（Block Maxima），假定灾害重现期与后果（以淹没深度表征）之间存在直接对应关系。然而，在多变量洪水框架中，重现期概念本身存在固有歧义——它代表一系列可能的灾害组合而非唯一事件。AND型与OR型定义并非等价且具有主观性，均无法在未考虑系统响应的情况下提供唯一且物理基础坚实的洪水风险度量。概率本身对洪水特征（如淹没范围和水深）提供的信息有限，同等概率的事件在物理特征上可能差异显著。
为克服纯过程数值模型的计算负担，同时弥补简化统计方法对物理过程表征不足的缺陷，混合数值-统计框架提供了折中方案：以统计模型模拟计算昂贵的数值模拟响应，同时保留对控制动力学的真实表征。在此背景下，研究人员提出HyCoFfEE框架。
二、研究内容与意义
HyCoFfEE（Hybrid Approaches Predicting Compound Flooding for Estuarine Environments）是一个用于河口环境复合洪水高效预测的混合框架。该框架将多变量洪水事件驱动因子的识别与参数化同目标化过程数值模拟相结合，以再现潮汐、风暴增水、波浪、风与河流径流的联合效应。研究以西班牙北部坎塔布里亚地区桑托尼亚河口（Santo?a Estuary）为研究区——该河口面积约19 km2，主河道最大长度约20 km，具有约65%的潮间带，属半日潮中潮差系统，平均潮差约2.8 m，大潮潮差可达约4.5 m。研究采用响应导向视角，将洪水表征建立在河口系统物理行为基础上，而非仅从驱动变量概率出发评估洪水灾害。
三、主要技术方法
研究采用四阶段建模链：首先，将历史多驱动时间序列分解为离散的、物理一致的事件尺度参数（共10个参数，涵盖潮差TR、峰值/基值大气强迫水位、风大小与方向、峰值/基值河流径流、径流达峰时间Tp及各驱动间时间偏移）；其次，采用拉丁超立方采样（Latin Hypercube Sampling, LHS）生成40,000个合成事件组合，经凸包滤波保留历史观测多元域内的组合，再通过最大相异度算法（Maximum Dissimilarity Algorithm, MDA）筛选出1,200个代表性事件（含429个历史事件）；再次，以SCHISM 2DH深度积分水动力模型（非结构化三角网格，29,449个单元）对选定事件进行过程数值模拟，生成高分辨率最大淹没深度图；最后，采用径向基函数（Radial Basis Function, RBF）插值训练机器学习替代模型，其中空间淹没图先经主成分分析（Principal Component Analysis, PCA）降维至32个经验正交函数-主成分对（解释99%方差），再对各主成分分别进行RBF插值。数据来源包括CEDEX径流观测站（2008-2023）、CoDEC风暴增水与天文潮数据集（1979-2025）、ERA5风场再分析（1940-2026）及混合模型重建的波浪增水序列（1980-2025）。
四、研究结果
4.1 HyCoFfEE聚合总水量混合模型
研究人员将总水位（Total Water Level, TWL）概念扩展为总水量（Total Water Volume, TWV）代理指标，该指标通过积分河口域内预定区域上的水位来量化空间分布的洪水响应，同时考虑淹没深度与空间范围。TWV代理在三个子域（下、中、上河口）独立计算。结果表明：下河口洪水动态主要受海岸边界条件控制，TWV对峰值大气强迫水位呈强依赖；中河口呈现复合行为，海洋与河流强迫相互作用，极端洪水可由多种驱动组合产生，是海岸与河流贡献间非线性相互作用最强的区域；上河口响应逐渐转为河流主导，较大径流峰值直接对应较高洪水体积，而大气强迫水位变化影响有限。通过k折交叉验证（k=10），均方根误差（RMSE）随训练样本增加而降低，约在700个案例后趋于稳定。
4.2 HyCoFfEE空间最大淹没深度混合模型
该模型对1,200个选定案例的最大淹没深度图进行PCA降维，前32个EOF-PC对解释99%方差。SHAP（SHapley Additive exPlanations）分析揭示各驱动变量对模型预测的贡献：第一模态反映潮差TR与峰值大气强迫水位对中河口主河道的主导影响；第二模态捕捉峰值径流的影响，主要作用于河口较宽河段；第三模态突出河口西部区域与潮差TR和峰值径流相互作用相关的局部非线性水位增幅。交叉验证显示误差随训练样本增加而逐步降低，约800个案例后趋于稳定；空间RMSE分布显示较高误差出现在上河口主河道较深区域及中河口部分区域。
4.3 应用
研究提出水动力主导指数（Hydrodynamic Dominance Index），利用聚合TWV代理实现河口沿岸洪水驱动因子主导性的空间表征，识别关键复合区域。空间重建产品则被部署用于需要数千次模拟的基于集合的预测，有效克服传统计算瓶颈。
五、结论
HyCoFfEE框架通过将统计采样、过程数值模拟与机器学习仿真相结合，实现了河口复合洪水响应的快速高精度预测。该框架可在数秒内重建高分辨率洪水淹没图和总水量，为风险评估和短期预警系统提供了稳健工具，并能够刻画洪水驱动因子主导性沿河口系统的空间转移规律。
