Door klimaatverandering, die leidt tot stijgende zeespiegels en hevigere stormen, worden kustlijnen wereldwijd geconfronteerd met ongekende erosierisico's. Het nauwkeurig voorspellen van kustlijnveranderingen is echter een uitdaging, vooral wat betreft trends op de lange termijn. Onlangs evalueerde de internationale samenwerkingsstudie ShoreShop2.0 de prestaties van 34 kustlijnvoorspellingsmodellen door middel van blinde tests, wat de huidige stand van zaken op het gebied van kustlijnmodellering onthulde.
De kustlijn is de dynamische grens waar land en zee elkaar ontmoeten, voortdurend veranderend door golven, getijden, stormen en zeespiegelstijging. Wereldwijd trekt ongeveer 24% van de zandige kustlijnen zich terug met een snelheid van meer dan 0,5 meter per jaar, en in sommige gebieden, zoals de Amerikaanse Golfkust, is de jaarlijkse erosie zelfs groter dan 20 meter.
Het voorspellen van kustlijnveranderingen is inherent moeilijk en complex en vereist rekening houden met de wisselwerking van meerdere factoren, waaronder golfenergie, sedimenttransport en zeespiegelstijging. Nauwkeurige voorspellingen over langere perioden zijn nog moeilijker.
Moderne kustlijnvoorspellingsmodellen kunnen worden onderverdeeld in drie categorieën: de ene is gebaseerd op fysieke simulatie, zoals Delft3D en MIKE21, gebaseerd op vloeistofmechanica en sedimenttransportvergelijkingen; de andere is een hybride model dat fysieke principes combineert met datagestuurde methoden, zoals CoSMoS-COAST en LX-Shore; en de andere is een datagestuurd model dat volledig vertrouwt op statistische of machine learning-technieken, zoals LSTM-netwerken en Transformer-architecturen.
Ondanks de grote verscheidenheid aan modellen, heeft een gebrek aan uniforme evaluatiecriteria prestatievergelijkingen bemoeilijkt. Welk model biedt de meest accurate voorspellingen? De ShoreShop2.0 blinde testcompetitie biedt een perfecte gelegenheid voor interdisciplinaire vergelijkingen.
De internationale blinde testcompetitie ShoreShop2.0 is een zeer rigoureuze vorm van wetenschappelijke samenwerking. Deelnemende teams worden alleen geïnformeerd over de testlocatie, een codenaam voor een baai of strand. Belangrijke informatie, zoals de locatie en de werkelijke naam, wordt verborgen gehouden om te voorkomen dat voorkennis de modelkalibratie beïnvloedt. Bovendien worden de gegevens in secties vertrouwelijk gehouden, waarbij gegevens uit 2019-2023 (korte termijn) en 1951-1998 (middellange termijn) opzettelijk worden achtergehouden. De modellen voorspellen vervolgens veranderingen in de kustlijn op de korte en middellange termijn en verifiëren uiteindelijk hun nauwkeurigheid met behulp van de vertrouwelijke gegevens. Dit ontwerp maakt interdisciplinaire vergelijkingen van kustmodellen mogelijk onder volledig onbekende omstandigheden.
Vierendertig onderzoeksteams uit 15 landen dienden modellen in, waaronder 12 datagestuurde modellen en 22 hybride modellen. Deze teams waren afkomstig van instituten uit de Verenigde Staten, Australië, Japan, Frankrijk en andere landen. De ingediende modellen misten echter commerciële modellen zoals GENESIS en de op natuurkunde gebaseerde modellen Delft3D en MIKE21.
Uit een vergelijking bleek dat de best presterende modellen voor kortetermijnvoorspellingen (vijf jaar) CoSMoS-COAST-CONV_SV (hybride model), GAT-LSTM_YM (datagestuurd model) en iTransformer-KC (datagestuurd model) waren. Deze modellen behaalden een root mean square error van ongeveer 10 meter, vergelijkbaar met de inherente fout van 8,9 meter in satellietteledetectiegegevens van de kustlijn. Dit wijst erop dat de voorspellende capaciteiten van de modellen voor sommige stranden de grenzen van de observatietechnologie naderen. Andere modellen waren uiteraard wel in staat om veranderingen in de kustlijn beter vast te leggen.
Een verrassende bevinding was dat het hybride model vergelijkbare prestaties leverde als het datagestuurde model. CoSMoS-COAST-CONV_SV (hybride model) combineert fysieke processen en convolutionele bewerkingen, terwijl GAT-LSTM_YM (datagestuurd model) gebruikmaakt van een graaf-attentienetwerk om ruimtelijke correlaties vast te leggen. Beide modellen presteerden goed.
Wat betreft voorspellingen op de middellange termijn biedt de LX-Shore-serie (hybride modellen) de voorspellingen die het dichtst bij de gemeten gegevens liggen. Door langs de kust en laterale sedimenttransportprocessen te koppelen, behouden deze modellen hun stabiliteit op lange termijn en tonen ze de meest consistente reacties op extreme stormen met gemeten gegevens. Voorspellingen van deze modellen geven aan dat één enkele zware storm een tijdelijke terugtrekking van de kustlijn tot 15-20 meter kan veroorzaken, waarbij volledig herstel mogelijk twee tot drie jaar in beslag neemt. De CoSMoS-COAST-serie biedt uitstekende stabiliteit, terwijl andere modellen mogelijk last hebben van langdurige drift en overrespons.
Uit de modelresultaten blijkt datgegevenskwaliteitis een belangrijke beperkende factor in de prestaties van het model. Hoewel satellietgegevens op afstand een groot gebied bestrijken, is de tijdsresolutie laag, meestal wekelijks tot maandelijks, waardoor het moeilijk is om snel herstel na een storm vast te leggen. Bovendien wordt de waterrand direct beïnvloed door golfoploop en getijden, wat leidt tot tijdelijke fouten die de modelvoorspellingen kunnen beïnvloeden.
Uit het onderzoek bleek dat spatiotemporele data smoothing, zoals het gebruik van robuuste tweedimensionale filtertechnieken, de modelprestaties aanzienlijk kan verbeteren. Later ingediende niet-blinde testmodellen verminderden de gemiddelde fout met 15% dankzij geoptimaliseerde datavoorbewerking.
Robuuste 2D-smoothing is een geavanceerde signaalverwerkingsmethode die specifiek is ontworpen om ruis in satellietgegevens van kustlijnen te verwerken. In wezen is het een iteratief filteralgoritme gebaseerd op gewogen kleinste kwadraten en is het zeer robuust tegen uitschieters zoals transiënte golfruis in satellietbeelden.
Een andere cruciale factor voor modelvoorspellingen is de nauwkeurigheid van golfgegevens die zich dicht bij de kust bevinden. Momenteel kampen golfgegevens met diverse fouten, waaronder fouten bij de conversie van wereldwijde golfreanalysegegevens dicht bij de kust, vertekeningen door het extraheren van golfparameters op de 10-meter dieptelijn in plaats van de brekingszone, en de onderschatting van de impact van extreme gebeurtenissen door gebruik te maken van dagelijkse gemiddelde golfcondities. Al deze fouten kunnen modelvoorspellingen beïnvloeden.
Voor langetermijnvoorspellingen vertrouwen de meeste modellen op de klassieke wet van Brown om de impact van zeespiegelstijging te schatten. Deze wet gaat echter uit van een oneindige en evenwichtige sedimentaanvoer en negeert de effecten van offshore sedimenttransport of menselijke activiteiten, zoals strandsuppletie. Dit kan leiden tot aanzienlijke modelafwijkingen.
Gebaseerd op de evenwichtsprofieltheorie, biedt de wet van Brown een lineair verband tussen zeespiegelstijging en kustlijnterugtrekking. Deze theorie stelt dat een kustprofiel een evenwichtsvorm behoudt. Naarmate de zeespiegel stijgt, dwingt de toenemende accommodatieruimte dit evenwichtsprofiel landinwaarts te verschuiven om zijn vorm ten opzichte van de nieuwe zeespiegel te behouden. Bijgevolg stelt de theorie dat naarmate het kustprofiel landinwaarts verschuift, de bovenste strandlaag erodeert en het geërodeerde materiaal offshore wordt afgezet, waardoor de zeebodem dichter bij de kust stijgt en de waterdiepte constant blijft. De wet van Brown voorspelt dat de kustterugtrekking 10 tot 50 keer groter kan zijn dan de zeespiegelstijging, afhankelijk van de helling van het strand.
Deze studie biedt een basis voor het selecteren van geschikte tools op basis van specifieke behoeften. Bovendien is datavoorbewerking cruciaal; een goede dataverwerking kan soms een grotere impact hebben dan het model zelf. Voortbouwend op de ervaring die is opgedaan met ShoreShop 2.0, kunnen verbeteringen worden aangebracht aan satelliet- en golfdata om de voorspellingsnauwkeurigheid te verbeteren. Bovendien kunnen de oncontroleerbare effecten van kunstmatig verstoorde stranden in langetermijnvoorspellingen ook een aanzienlijke impact hebben op de voorspellingsresultaten. Het gebrek aan deelname van commerciële modellen zoals GENESIS, Delft3D en MIKE21 is bovendien een belangrijk probleem.
Guardians of the Blue Frontier: Frankstars 11-jarige missie om onze oceanen en klimaat te beschermen
Frankstar loopt al meer dan tien jaar voorop in het beheer van het mariene milieu en maakt gebruik van geavanceerde technologie en wetenschappelijke nauwkeurigheid om ongeëvenaarde oceaan- en hydrologische data te leveren. Onze missie gaat verder dan alleen dataverzameling: we zijn architecten van een duurzame toekomst en stellen instellingen, universiteiten en overheden wereldwijd in staat om weloverwogen beslissingen te nemen over de gezondheid van onze planeet.
Plaatsingstijd: 11-08-2025