如何更准确的预测海岸线变化？哪些模型更优呢？
How can we predict coastal changes more accurately? Which models are better?
随着气候变化导致海平面上升和风暴加剧，全球海岸线正面临前所未有的侵蚀风险，但准确预测海岸线变化较难，尤其准确预测长期变化趋势，近日，ShoreShop2.0国际合作研究通过盲测形式评估了34种海岸线预测模型的性能，揭示了当前海岸线建模的最新技术水平。
海岸线是陆地与海洋相遇的动态边界，时刻受波浪、潮汐、风暴和海平面上升的影响而发生变化，全球约24%的沙质海岸线正以每年超过0.5米的速度退缩，部分地区如美国墨西哥湾沿岸的年侵蚀速度甚至超过20米。
而预测海岸线变化本身就比较困难和复杂，需要考虑波浪能量、沉积物运输、海平面上升等多种因素的相互作用，而且长时间准确的预测就更加困难。
岸滩演变预测模型种类
现代海岸线预测模型种类可分为三类，一种是基于物理模拟、如基于流体力学和沉积物输运方程的Delft3D、MIKE21等，一种是混合模型是结合物理原理与数据驱动方法，如CoSMoS-COAST和LX-Shore，还有一种是数据驱动模型，完全完全依赖统计或机器学习技术，如LSTM网络和Transformer架构。
尽管模型种类繁多，但过去缺乏统一的评估标准，使得模型间的性能对比困难，到底什么模型预测更准确呢？ShoreShop2.0的盲测竞赛正好做一个横向对比。
ShoreShop2.0盲测竞赛
ShoreShop2.0的国际盲测竞赛是一种高度严谨的科研协作形式，参赛团队仅知测试点是一个海湾沙滩代号，但地理位置、真实名称等关键信息被隐藏，避免先验知识影响模型校准，而且数据分段保密，2019-2023年（短期）和1951-1998年（中期）的数据被刻意截留，然后模型预测短期和中期海岸线变化情况，最终用保密数据验证预测准确性。这种设计实现了海岸模型在完全未知条件下的横向对比。
全球15个国家的34个研究团队参与提交模型，涵盖12种数据驱动模型和22种混合模型，来自美国、澳大利亚、日本、法国等多国机构，但提交的模型中，缺少商业模型如 GENESIS和基于物理的模型Delft3D、MIKE21模型。（有点小遗憾~~~）
通过对比发现，在短期5年的预测中，表现最好的模型有3个，分别为CoSMoS-COAST-CONV_SV(混合模型)、GAT-LSTM_YM(数据驱动模型)、iTransformer-KC(数据驱动模型)，这些模型的均方根误差约为10米，与卫星遥感海岸线数据的固有误差8.9米相当，表明对于某些海滩，模型的预测能力已经接近观测技术的极限。当然，其他模型能较好地捕捉海岸线的变化情况。
一个比较意外的是，混合模型与数据驱动模型的性能相当，CoSMoS-COAST-CONV_SV（混合模型）通过结合物理过程和卷积运算，而GAT-LSTM_YM（数据驱动模型）利用图注意力网络捕捉空间关联，两者均表现出色。
而在中期预测方面，LX-Shore系列（混合模型）预测最最接近实测数据，模型通过耦合沿岸和横向沉积物输运过程，在维持长期稳定性的同时，对极端风暴事件表现出与实测数据最吻合的响应，这类模型的预测显示，单次强风暴可导致海岸线瞬时后退达15-20米，而完全恢复可能需要2-3年时间。CoSMoS-COAST系列的稳定性较好，其他模型则可能出现长期飘逸、过度响应等问题。
影响岸滩预测的因素
通过模型结果，发现数据质量是模型性能的关键限制因素，卫星遥感数据虽然覆盖范围广，但时间分辨率低，通常每周至每月一次，难以捕捉风暴后的快速恢复过程，而且瞬时水边线受波浪爬升和潮汐影响，导致瞬时误差，这些都可能影响模型的预测结果。还有一个就是近岸波浪数据的准确性也对模型预测很重要，而目前波浪数据存在多种误差，比如全球波浪再分析数据在近岸转换中的误差，在10米等深线而非破碎带提取波浪参数带来的偏差，还有使用日均波浪条件可能低估极端事件的影响，这些误差都可能影响模型预测结果。
岸滩预测改进措施
研究发现，通过对数据进行时空平滑，如使用稳健二维滤波技术可显著提升模型性能，在后期提交的非盲测模型通过优化数据预处理，平均误差降低了15%。
稳健二维滤波技术（Robust 2D Smoothing）
💡稳健二维滤波技术（Robust 2D Smoothing）是一种专门用于处理海岸线卫星数据噪声的高级信号处理方法，其本质是基于加权最小二乘法的迭代滤波算法，对卫星图像的瞬时波浪噪声等异常值具有强鲁棒性（Robustness）。（文末有个小工具下载链接）
布朗定律的缺陷
在长期预测上，多数模型以来经典的布朗定律（Bruun Rule）估算海平面上升的影响，然而，该定律假设沉积物供应无限且均衡，忽略了岸外输沙或人类活动，如海滩养护等的影响，这也导致模型会存在显著的偏差。
布朗定律以平衡剖面理论为基础，给出了海平面上升和海岸线后退之间的线性关系，该理论认为，海岸剖面保持平衡形状，随着海平面上升，不断增加的容纳空间迫使该平衡剖面向陆地上方移动，以保持其相对于新海平面的形状，因此，理论认为随着海岸剖面向陆地移动，上层海滩会受到侵蚀，被侵蚀的物质会沉积在近海，导致近岸海底上升，从而保持恒定的水深。布朗定律预测，根据海滩的坡度，沿海后退将是海平面上升的10 到 50 倍。
布朗定律公式
💡布朗定律公式如下，R是海岸线后退距离，S是海平面上升高度，L是受海平面上升影响的底部水平长度，h为闭合深度，超过该水深就不会发生显著的沉积物输送，B是沙丘海拔高度，β是活动轮廓的平均斜率。
$R = \frac{SL}{h + B} = \frac{S}{\tan \beta}$
预测岸滩模型推荐
这项研究提供了模型选择依据，短期预测CoSMoS-COAST-CONV_SV(混合模型)、GAT-LSTM_YM(数据驱动模型)、iTransformer-KC(数据驱动模型)模型表现优异，长期预测LX-Shore系列表现优异，可根据具体需求选择合适的工具，还有就是数据的预处理，适当的数据处理有时比模型本身的选择影响更大。基于ShoreShop2.0的经验，可以在卫星数据、波浪数据方面进行改进，提高预测精度，此外，对于人工干扰的海滩，这个在长期预测中不可控也是影响预测结果的关键，还有一点就是，缺少商业模型如 GENESIS、Delft3D、MIKE21等参与。
图：模拟岸滩位置示意图
❓思考题：卫星遥感海岸线数据的主要误差来源是什么？
A.潮汐校正误差
B.云层覆盖
C.瞬时波浪爬升
D.以上均是
参考答案：（点击查看）
D.
解析：研究指出，卫星遥感海岸线数据误差来自像素定位、波浪爬升/回落、潮汐校正残留，需通过稳健滤波处理。
参考文献：Mao, Y., Coco, G., Vitousek, S. et al. Benchmarking shoreline prediction models over multi-decadal timescales. Commun Earth Environ 6, 581 (2025). https://doi.org/10.1038/s43247-025-02550-4