Dahil sa pagbabago ng klima na humahantong sa pagtaas ng lebel ng dagat at pagtindi ng mga bagyo, ang mga pandaigdigang baybayin ay nahaharap sa mga walang kapantay na panganib ng erosyon. Gayunpaman, ang tumpak na paghula sa pagbabago ng baybayin ay isang hamon, lalo na ang mga pangmatagalang trend. Kamakailan lamang, sinuri ng internasyonal na collaborative study ng ShoreShop2.0 ang pagganap ng 34 na modelo ng prediksyon ng baybayin sa pamamagitan ng blind testing, na nagpapakita ng kasalukuyang estado ng sining sa pagmomodelo ng baybayin.

Ang baybayin ay ang pabago-bagong hangganan kung saan nagtatagpo ang lupa at dagat, na patuloy na nagbabago dahil sa mga alon, pagtaas at pagtaas ng tubig, bagyo, at pagtaas ng lebel ng dagat. Humigit-kumulang 24% ng mabuhanging baybayin sa buong mundo ang umaatras sa bilis na higit sa 0.5 metro bawat taon, at sa ilang mga lugar, tulad ng US Gulf Coast, ang taunang antas ng erosyon ay higit pa sa 20 metro.

Ang paghula sa pagbabago ng baybayin ay likas na mahirap at kumplikado, na nangangailangan ng pagsasaalang-alang sa ugnayan ng maraming salik, kabilang ang enerhiya ng alon, pagdadala ng sediment, at pagtaas ng lebel ng dagat. Ang mga tumpak na hula sa mahabang panahon ay mas mahirap pa.

Ang mga modernong modelo ng prediksyon sa baybayin ay maaaring hatiin sa tatlong kategorya: ang isa ay batay sa pisikal na simulasyon, tulad ng Delft3D at MIKE21 batay sa fluid mechanics at sediment transport equations; ang isa ay isang hybrid model na pinagsasama ang mga pisikal na prinsipyo sa mga pamamaraang batay sa datos, tulad ng CoSMoS-COAST at LX-Shore; at ang isa pa ay isang data-driven model na ganap na umaasa sa mga pamamaraan ng istatistika o machine learning, tulad ng mga LSTM network at mga arkitektura ng Transformer.

Sa kabila ng malawak na pagkakaiba-iba ng mga modelo, ang kakulangan ng pinag-isang pamantayan sa pagsusuri ay nagpahirap sa paghahambing ng pagganap. Aling modelo ang nag-aalok ng pinakatumpak na mga hula? Ang kompetisyon sa blind test ng ShoreShop2.0 ay nagbibigay ng isang perpektong pagkakataon para sa mga paghahambing na cross-disciplinary.

Ang internasyonal na kompetisyon sa blind test ng ShoreShop2.0 ay isang napakahigpit na anyo ng kolaborasyong siyentipiko. Ang mga kalahok na koponan ay ipinapaalam lamang tungkol sa lugar ng pagsubok, na isang code name para sa isang look o beach. Ang mga mahahalagang impormasyon tulad ng lokasyon at aktwal na pangalan nito ay itinatago upang maiwasan ang naunang kaalaman na makaimpluwensya sa pagkakalibrate ng modelo. Bukod pa rito, ang datos ay pinananatiling kumpidensyal sa mga seksyon, kung saan ang datos mula 2019-2023 (panandaliang panahon) at 1951-1998 (katamtaman ang panahon) ay sadyang itinago. Pagkatapos ay hinuhulaan ng mga modelo ang mga panandalian at katamtamang panahon na pagbabago sa baybayin, na sa huli ay bineberipika ang kanilang katumpakan gamit ang kumpidensyal na datos. Ang disenyo na ito ay nagbibigay-daan sa mga cross-disciplinary na paghahambing ng mga modelo sa baybayin sa ilalim ng ganap na hindi kilalang mga kondisyon.

Tatlumpu't apat na pangkat ng pananaliksik mula sa 15 bansa ang nagsumite ng mga modelo, na binubuo ng 12 modelong batay sa datos at 22 hybrid na modelo. Ang mga pangkat na ito ay nagmula sa mga institusyon sa Estados Unidos, Australia, Japan, France, at iba pang mga bansa. Gayunpaman, ang mga isinumiteng modelo ay kulang sa mga komersyal na modelo tulad ng GENESIS at ang mga modelong nakabatay sa pisika na Delft3D at MIKE21.

Ipinakita ng isang paghahambing na ang mga nangungunang modelo para sa panandaliang limang-taong pagtataya ay ang CoSMoS-COAST-CONV_SV (hybrid model), GAT-LSTM_YM (data-driven model), at iTransformer-KC (data-driven model). Nakamit ng mga modelong ito ang root mean square errors na humigit-kumulang 10 metro, maihahambing sa inherent error na 8.9 metro sa satellite remote sensing coastline data. Ipinapahiwatig nito na para sa ilang mga dalampasigan, ang mga kakayahan sa prediksyon ng mga modelo ay papalapit na sa mga limitasyon ng teknolohiyang obserbasyonal. Siyempre, mas mahusay na nakuha ng ibang mga modelo ang mga pagbabago sa baybayin.

Isang nakakagulat na natuklasan ay ang hybrid model ay gumanap nang maihahambing sa data-driven model. Pinagsasama ng CoSMoS-COAST-CONV_SV (hybrid model) ang mga pisikal na proseso at convolutional operations, habang ang GAT-LSTM_YM (data-driven model) ay gumagamit ng graph attention network upang makuha ang spatial correlations. Parehong mahusay ang pagganap ng mga modelo.

Sa mga pagtataya na pang-medium-term, ang seryeng LX-Shore (mga hybrid na modelo) ay nagbibigay ng pinakamalapit na hula sa nasukat na datos. Sa pamamagitan ng pagsasama ng mga proseso ng transportasyon ng sediment sa tabi ng baybayin at lateral, pinapanatili ng mga modelong ito ang pangmatagalang katatagan habang ipinapakita ang pinaka-pare-parehong mga tugon sa matinding mga kaganapan ng bagyo gamit ang nasukat na datos. Ipinapahiwatig ng mga hula mula sa mga modelong ito na ang isang malakas na bagyo ay maaaring magdulot ng panandaliang pag-urong ng baybayin na hanggang 15-20 metro, na ang ganap na pagbangon ay maaaring tumagal ng dalawa hanggang tatlong taon. Ang seryeng CoSMoS-COAST ay nag-aalok ng mahusay na katatagan, habang ang ibang mga modelo ay maaaring magdusa mula sa pangmatagalang pag-anod at labis na pagtugon.

Ipinapahiwatig ng mga resulta ng modelo nakalidad ng datosay isang mahalagang salik na naglilimita sa pagganap ng modelo. Bagama't malawak ang sakop ng datos ng remote sensing ng satellite, mababa ang temporal resolution nito, karaniwang lingguhan hanggang buwanan, na nagpapahirap sa pagkuha ng mabilis na pagbangon pagkatapos ng bagyo. Bukod pa rito, ang agarang gilid ng tubig ay apektado ng pagtaas at pagtaas ng alon, na humahantong sa mga panandaliang error na maaaring makaapekto sa mga hula ng modelo.

Natuklasan ng pag-aaral na ang spatiotemporal data smoothing, tulad ng paggamit ng matatag na two-dimensional filtering techniques, ay maaaring makabuluhang mapabuti ang pagganap ng modelo. Kalaunan, ang mga non-blind test model ay nagsumite ng nabawasang average error ng 15% sa pamamagitan ng na-optimize na data preprocessing.

Ang Robust 2D Smoothing ay isang advanced na paraan ng pagproseso ng signal na partikular na idinisenyo upang iproseso ang ingay sa datos ng satellite sa baybayin. Sa esensya, ito ay isang iterative filtering algorithm batay sa weighted least squares, at lubos na matatag sa mga outlier tulad ng transient wave noise sa mga imahe ng satellite.

Isa pang salik na mahalaga para sa mga hula ng modelo ay ang katumpakan ng datos ng alon malapit sa baybayin. Sa kasalukuyan, ang datos ng alon ay dumaranas ng iba't ibang mga pagkakamali, kabilang ang mga pagkakamali sa nearshore conversion ng pandaigdigang datos ng muling pagsusuri ng alon, mga bias na dulot ng pagkuha ng mga parameter ng alon sa 10-metrong isobath sa halip na sa breaking zone, at ang pagmamaliit sa epekto ng mga matinding kaganapan gamit ang pang-araw-araw na average na kondisyon ng alon. Ang mga pagkakamaling ito ay maaaring makaapekto sa mga hula ng modelo.

Para sa mga pangmatagalang hula, karamihan sa mga modelo ay umaasa sa klasikong batas Brownian upang tantyahin ang epekto ng pagtaas ng lebel ng dagat. Gayunpaman, ipinapalagay ng batas na ito ang isang walang katapusan at balanseng suplay ng sediment at binabalewala ang mga epekto ng transportasyon ng sediment sa laot o mga aktibidad ng tao, tulad ng nutrisyon sa dalampasigan. Maaari itong humantong sa mga makabuluhang bias ng modelo.

Batay sa teorya ng profile ng ekwilibriyo, ang batas ni Brownian ay nagbibigay ng isang linear na ugnayan sa pagitan ng pagtaas ng lebel ng dagat at pag-urong ng baybayin. Ipinapalagay ng teoryang ito na ang isang profile sa baybayin ay nagpapanatili ng isang hugis ng ekwilibriyo. Habang tumataas ang lebel ng dagat, ang lumalaking espasyo ng akomodasyon ay pinipilit ang profile ng ekwilibriyo na ito na lumipat sa lupa upang mapanatili ang hugis nito kaugnay ng bagong lebel ng dagat. Dahil dito, ipinapalagay ng teorya na habang lumilipat ang profile ng baybayin patungo sa lupa, ang itaas na patong ng dalampasigan ay naaagnas, at ang naaagnas na materyal ay idinedeposito sa laot, na nagiging sanhi ng pagtaas ng malapit sa dalampasigan, sa gayon ay pinapanatili ang isang pare-parehong lalim ng tubig. Hinuhulaan ng batas ni Brown na ang pag-urong ng baybayin ay maaaring 10 hanggang 50 beses na mas malaki kaysa sa pagtaas ng lebel ng dagat, depende sa dalisdis ng dalampasigan.

Ang pag-aaral na ito ay nagbibigay ng batayan para sa pagpili ng mga angkop na kagamitan batay sa mga partikular na pangangailangan. Bukod pa rito, ang paunang pagproseso ng datos ay mahalaga; ang wastong pagproseso ng datos ay maaaring minsan ay magkaroon ng mas malaking epekto kaysa sa mismong modelo. Batay sa karanasang nakuha sa ShoreShop 2.0, maaaring gawin ang mga pagpapabuti sa datos ng satellite at alon upang mapahusay ang katumpakan ng prediksyon. Bukod pa rito, ang hindi makontrol na mga epekto ng artipisyal na nagambalang mga dalampasigan sa mga pangmatagalang pagtataya ay maaari ring makabuluhang makaapekto sa mga resulta ng prediksyon. Bukod pa rito, ang kakulangan ng pakikilahok mula sa mga komersyal na modelo tulad ng GENESIS, Delft3D, at MIKE21 ay isang mahalagang isyu.

angMga Tagapangalaga ng Asul na Hangganan: Ang 11-Taong Misyon ng Frankstar na Protektahan ang Ating mga Karagatan at Klima

Sa loob ng mahigit isang dekada, ang Frankstar ay nangunguna sa pangangasiwa ng kapaligirang pandagat, gamit ang makabagong teknolohiya at siyentipikong kahusayan upang makapaghatid ng walang kapantay na datos tungkol sa karagatan at hidrolohikal. Ang aming misyon ay higit pa sa pangongolekta lamang ng datos—kami ay mga arkitekto ng isang napapanatiling kinabukasan, na nagbibigay-kapangyarihan sa mga institusyon, unibersidad, at pamahalaan sa buong mundo na gumawa ng matalinong mga desisyon para sa kalusugan ng ating planeta.