چگونه می‌توانیم تغییرات خط ساحلی را با دقت بیشتری پیش‌بینی کنیم؟ کدام مدل‌ها برتر هستند؟

با توجه به تغییرات اقلیمی که منجر به افزایش سطح دریا و تشدید طوفان‌ها می‌شود، خطوط ساحلی جهان با خطرات فرسایش بی‌سابقه‌ای روبرو هستند. با این حال، پیش‌بینی دقیق تغییرات خط ساحلی، به ویژه روندهای بلندمدت، چالش برانگیز است. اخیراً، مطالعه مشترک بین‌المللی ShoreShop2.0 عملکرد 34 مدل پیش‌بینی خط ساحلی را از طریق آزمایش کور ارزیابی کرد و وضعیت فعلی مدل‌سازی خط ساحلی را آشکار ساخت.

خط ساحلی مرز پویایی است که در آن خشکی به دریا می‌رسد و به دلیل امواج، جزر و مد، طوفان‌ها و افزایش سطح دریا دائماً در حال تغییر است. تقریباً ۲۴٪ از خطوط ساحلی شنی در سراسر جهان با سرعتی بیش از ۰.۵ متر در سال در حال عقب‌نشینی هستند و در برخی مناطق، مانند ساحل خلیج فارس ایالات متحده، نرخ فرسایش سالانه حتی بیشتر از ۲۰ متر است.

پیش‌بینی تغییرات خط ساحلی ذاتاً دشوار و پیچیده است و نیاز به در نظر گرفتن تعامل عوامل متعددی از جمله انرژی امواج، انتقال رسوب و افزایش سطح دریا دارد. پیش‌بینی‌های دقیق در دوره‌های زمانی طولانی حتی چالش‌برانگیزتر است.

مدل‌های پیش‌بینی خط ساحلی مدرن را می‌توان به سه دسته تقسیم کرد: یکی مبتنی بر شبیه‌سازی فیزیکی، مانند Delft3D و MIKE21 مبتنی بر مکانیک سیالات و معادلات انتقال رسوب؛ یکی مدل ترکیبی است که اصول فیزیکی را با روش‌های داده‌محور ترکیب می‌کند، مانند CoSMoS-COAST و LX-Shore؛ و دیگری مدل داده‌محور است که کاملاً به تکنیک‌های آماری یا یادگیری ماشینی متکی است، مانند شبکه‌های LSTM و معماری‌های Transformer.

با وجود تنوع گسترده مدل‌ها، فقدان معیارهای ارزیابی یکپارچه، مقایسه عملکرد را دشوار کرده است. کدام مدل دقیق‌ترین پیش‌بینی‌ها را ارائه می‌دهد؟ مسابقه تست کور ShoreShop2.0 فرصتی عالی برای مقایسه‌های بین رشته‌ای فراهم می‌کند.

مسابقه بین‌المللی تست کور ShoreShop2.0 نوعی همکاری علمی بسیار دقیق است. تیم‌های شرکت‌کننده فقط از محل آزمایش که نام رمز یک خلیج یا ساحل است، مطلع می‌شوند. اطلاعات کلیدی مانند مکان و نام واقعی آن پنهان می‌شود تا از تأثیر دانش قبلی بر کالیبراسیون مدل جلوگیری شود. علاوه بر این، داده‌ها در بخش‌هایی محرمانه نگه داشته می‌شوند و داده‌های مربوط به سال‌های ۲۰۱۹-۲۰۲۳ (کوتاه‌مدت) و ۱۹۵۱-۱۹۹۸ (میان‌مدت) عمداً ارائه نمی‌شوند. سپس مدل‌ها تغییرات کوتاه‌مدت و میان‌مدت خط ساحلی را پیش‌بینی می‌کنند و در نهایت با استفاده از داده‌های محرمانه، دقت آنها را تأیید می‌کنند. این طراحی امکان مقایسه بین رشته‌ای مدل‌های ساحلی را در شرایط کاملاً ناشناخته فراهم می‌کند.

سی و چهار تیم تحقیقاتی از ۱۵ کشور، مدل‌هایی را ارائه کردند که شامل ۱۲ مدل مبتنی بر داده و ۲۲ مدل ترکیبی بود. این تیم‌ها از مؤسساتی در ایالات متحده، استرالیا، ژاپن، فرانسه و سایر کشورها بودند. با این حال، مدل‌های ارائه شده فاقد مدل‌های تجاری مانند GENESIS و مدل‌های مبتنی بر فیزیک Delft3D و MIKE21 بودند.

یک مقایسه نشان داد که مدل‌های برتر برای پیش‌بینی‌های کوتاه‌مدت و پنج ساله، CoSMoS-COAST-CONV_SV (مدل ترکیبی)، GAT-LSTM_YM (مدل داده‌محور) و iTransformer-KC (مدل داده‌محور) بودند. این مدل‌ها به خطای جذر میانگین مربعات تقریباً 10 متر دست یافتند که با خطای ذاتی 8.9 متر در داده‌های خط ساحلی سنجش از دور ماهواره‌ای قابل مقایسه است. این نشان می‌دهد که برای برخی از سواحل، قابلیت‌های پیش‌بینی مدل‌ها به مرزهای فناوری مشاهده‌ای نزدیک می‌شود. البته، مدل‌های دیگر توانستند تغییرات خط ساحلی را بهتر ثبت کنند.

یک یافته شگفت‌انگیز این بود که مدل ترکیبی عملکرد قابل مقایسه‌ای با مدل داده‌محور داشت. CoSMoS-COAST-CONV_SV (مدل ترکیبی) فرآیندهای فیزیکی و عملیات کانولوشن را ترکیب می‌کند، در حالی که GAT-LSTM_YM (مدل داده‌محور) از یک شبکه توجه گراف برای ثبت همبستگی‌های مکانی استفاده می‌کند. هر دو مدل عملکرد خوبی داشتند.

از نظر پیش‌بینی‌های میان‌مدت، سری LX-Shore (مدل‌های ترکیبی) نزدیک‌ترین پیش‌بینی‌ها را به داده‌های اندازه‌گیری شده ارائه می‌دهد. این مدل‌ها با اتصال فرآیندهای انتقال رسوب در امتداد ساحل و جانبی، پایداری بلندمدت را حفظ می‌کنند و در عین حال سازگارترین پاسخ‌ها را به رویدادهای طوفانی شدید با داده‌های اندازه‌گیری شده نشان می‌دهند. پیش‌بینی‌های این مدل‌ها نشان می‌دهد که یک طوفان شدید می‌تواند باعث عقب‌نشینی گذرای خط ساحلی تا ۱۵ تا ۲۰ متر شود و بازیابی کامل آن به طور بالقوه دو تا سه سال طول می‌کشد. سری CoSMoS-COAST پایداری عالی ارائه می‌دهد، در حالی که سایر مدل‌ها ممکن است از رانش بلندمدت و پاسخ بیش از حد رنج ببرند.

نتایج مدل نشان می‌دهد کهکیفیت دادهیک عامل محدودکننده کلیدی در عملکرد مدل است. در حالی که داده‌های سنجش از دور ماهواره‌ای منطقه وسیعی را پوشش می‌دهند، وضوح زمانی آنها پایین است، معمولاً هفتگی تا ماهانه، که ثبت بازیابی سریع پس از طوفان را دشوار می‌کند. علاوه بر این، لبه آب لحظه‌ای تحت تأثیر بالا آمدن موج و جزر و مد قرار می‌گیرد و منجر به خطاهای گذرا می‌شود که می‌تواند بر پیش‌بینی‌های مدل تأثیر بگذارد.

این مطالعه نشان داد که هموارسازی داده‌های مکانی-زمانی، مانند استفاده از تکنیک‌های فیلترینگ دوبعدی قوی، می‌تواند عملکرد مدل را به طور قابل توجهی بهبود بخشد. بعداً، مدل‌های آزمایشی غیرکور، از طریق پیش‌پردازش داده‌های بهینه، میانگین خطا را 15٪ کاهش دادند.

هموارسازی دوبعدی قوی (Robust 2D Smoothing) یک روش پردازش سیگنال پیشرفته است که به طور خاص برای پردازش نویز در داده‌های ماهواره‌ای خط ساحلی طراحی شده است. اساساً، این یک الگوریتم فیلترینگ تکراری مبتنی بر حداقل مربعات وزنی است و در برابر داده‌های پرت مانند نویز موج گذرا در تصاویر ماهواره‌ای بسیار مقاوم است.

یکی دیگر از عوامل حیاتی برای پیش‌بینی‌های مدل، دقت داده‌های موج نزدیک ساحل است. در حال حاضر، داده‌های موج از خطاهای مختلفی رنج می‌برند، از جمله خطا در تبدیل داده‌های تحلیل مجدد موج جهانی به نزدیک ساحل، سوگیری‌های ناشی از استخراج پارامترهای موج در هم‌عمق ۱۰ متری به جای منطقه شکست، و دست‌کم گرفتن تأثیر رویدادهای شدید با استفاده از شرایط موج میانگین روزانه. همه این خطاها می‌توانند بر پیش‌بینی‌های مدل تأثیر بگذارند.

برای پیش‌بینی‌های بلندمدت، اکثر مدل‌ها برای تخمین تأثیر افزایش سطح دریا به قانون کلاسیک براونی متکی هستند. با این حال، این قانون فرض را بر وجود یک منبع رسوب نامحدود و متعادل می‌گذارد و اثرات انتقال رسوب دریایی یا فعالیت‌های انسانی، مانند تغذیه ساحل، را نادیده می‌گیرد. این می‌تواند منجر به سوگیری‌های قابل توجه مدل شود.

بر اساس نظریه پروفیل تعادل، قانون براونی یک رابطه خطی بین افزایش سطح دریا و عقب‌نشینی خط ساحلی ارائه می‌دهد. این نظریه فرض می‌کند که یک پروفیل ساحلی شکل تعادلی خود را حفظ می‌کند. با افزایش سطح دریا، افزایش فضای انطباق، این پروفیل تعادل را مجبور به تغییر به سمت خشکی می‌کند تا شکل خود را نسبت به سطح جدید دریا حفظ کند. در نتیجه، این نظریه فرض می‌کند که با تغییر پروفیل ساحلی به سمت خشکی، لایه بالایی ساحل فرسایش می‌یابد و مواد فرسایش یافته در خارج از ساحل رسوب می‌کنند و باعث بالا آمدن کف دریا در نزدیکی ساحل می‌شوند و در نتیجه عمق آب ثابتی را حفظ می‌کنند. قانون براون پیش‌بینی می‌کند که عقب‌نشینی ساحل می‌تواند 10 تا 50 برابر بیشتر از افزایش سطح دریا باشد، که به شیب ساحل بستگی دارد.

این مطالعه مبنایی برای انتخاب ابزارهای مناسب بر اساس نیازهای خاص فراهم می‌کند. علاوه بر این، پیش‌پردازش داده‌ها بسیار مهم است؛ پردازش مناسب داده‌ها گاهی اوقات می‌تواند تأثیر بیشتری نسبت به خود مدل داشته باشد. با تکیه بر تجربه به دست آمده با ShoreShop 2.0، می‌توان بهبودهایی در داده‌های ماهواره‌ای و موج ایجاد کرد تا دقت پیش‌بینی افزایش یابد. علاوه بر این، اثرات غیرقابل کنترل سواحل مصنوعی آشفته در پیش‌بینی‌های بلندمدت نیز می‌تواند به طور قابل توجهی بر نتایج پیش‌بینی تأثیر بگذارد. علاوه بر این، عدم مشارکت مدل‌های تجاری مانند GENESIS، Delft3D و MIKE21 یک مسئله مهم است.

‎‏‎ ...نگهبانان مرز آبی: ماموریت ۱۱ ساله فرانکستار برای محافظت از اقیانوس‌ها و آب و هوای ما

بیش از یک دهه است که فرانک‌استار در خط مقدم نظارت بر محیط زیست دریایی قرار دارد و با بهره‌گیری از فناوری پیشرفته و دقت علمی، داده‌های بی‌نظیری از اقیانوس و هیدرولوژی ارائه می‌دهد. ماموریت ما فراتر از جمع‌آوری صرف داده‌ها است - ما معماران آینده‌ای پایدار هستیم و به مؤسسات، دانشگاه‌ها و دولت‌های سراسر جهان این قدرت را می‌دهیم تا تصمیمات آگاهانه‌ای برای سلامت سیاره‌مان بگیرند.