混合机器学习和深度学习技术用于迪拜海平面上升预测

《Geomatics, Natural Hazards and Risk》:Development of hybrid machine learning and deep learning techniques for sea level rise projection in Dubai

【字体: 大 中 小 】 时间:2025年12月18日 来源:Geomatics, Natural Hazards and Risk 4.5

编辑推荐:

  海平面上升(SLR)目前是一种日益严重的威胁,危及全球沿海环境和人口。本研究开发并评估了一种混合深度学习模型,该模型结合了一维卷积神经网络(Conv1D)和长短期记忆(LSTM)网络,用于对迪拜海岸线五个主要地点的SLR进行近期预测。该模型使用2004年至20

  
海平面上升(SLR)目前是一种日益严重的威胁,危及全球沿海环境和人口。本研究开发并评估了一种混合深度学习模型,该模型结合了一维卷积神经网络(Conv1D)和长短期记忆(LSTM)网络,用于对迪拜海岸线五个主要地点的SLR进行近期预测。该模型使用2004年至2019年的历史数据进行训练,并成功预测了截至2030年的海平面。结果显示,到2030年所有地点的海平面均有所上升,其中Mamzar地区面临最高的年平均上升量,为0.18 mm/年。此外,本研究还使用K近邻(KNN)回归器、RF回归器和一个简单的密集深度学习模型将海平面预测扩展至2050年。在这些方法中,密集深度学习模型表现最佳,均方误差(MSE)达到0.2143。Conv1D-LSTM模型实现了预测精度,均方误差(MSE)为0.21,平均绝对百分比误差(MAPE)为14.39%,验证了其可靠性。这些预测表明,Al Jadaf、Dhaw Wharfage和Umm Sugeim是高风险区域。研究结果强调了可持续规划和SLR缓解策略的必要性。
全球变暖导致的海平面上升(SLR)是气候变化的主要后果之一,由海水热膨胀、陆地水储量变化及极地冰盖融化共同驱动。阿拉伯湾(波斯湾)作为内陆海,其沿岸经济高度依赖石油与天然气,但低洼地形使其对SLR尤为脆弱。迪拜作为快速城市化与全球经贸中心,海岸线布满人工岛和高端基础设施,然而85%以上人口聚居沿海,且区域研究数据稀缺、传统谐波分析难以处理非线性SLR模式,导致预测存在显著不确定性。为此,研究人员开发并评估了混合深度学习模型,旨在为迪拜海岸五个关键地点(Jebel Ali、Umm Suqeim、Mamzar、Dhaw Wharfage、Al Jadaf)提供近期(至2030年)及长期(至2050年)的SLR预测,以支持可持续规划与减缓策略。该研究发表于《Geomatics, Natural Hazards and Risk》。

研究人员采用的主要关键技术方法包括:①数据预处理:使用卡尔曼滤波(Kalman Filter)进行去噪和平滑,针对短(1–4个月)和中等(5–8个月)缺失数据采用线性插值,超过8个月的缺失数据则训练简单的LSTM(长短期记忆)网络进行填补;②近期预测模型:构建一维卷积神经网络(Conv1D)与LSTM结合的混合深度学习模型(Conv1D-LSTM),通过滑动窗口组织时间序列数据,以80–20比例划分训练集与测试集,经随机网格搜索和10折交叉验证调优;③长期预测模型:将历史数据与近期预测数据合并,使用K近邻(KNN)回归器、随机森林(RF)回归器和密集(Dense)深度学习模型,以经Z-score标准化的经纬度与年份为输入,预测2050年海平面。样本数据来源为迪拜海岸五个潮位站2004–2019年的月平均海平面观测值。

**3.1 各地点近期预测模型结果**
研究人员为每个地点单独训练Conv1D-LSTM模型,使用均方误差(MSE)作为损失函数,训练2000个epoch。结果显示,Jebel Ali、Mamzar、Dhaw Wharfage和Al Jadaf的模型训练损失与验证损失均较低,表明模型未过拟合且成功捕捉了趋势与季节性;Umm Suqeim的验证损失与训练损失存在一定差异,但验证损失仍处于相对较低水平。所有模型预测2019–2030年海平面,结果表明各地点海平面均上升,其中Mamzar区域年平均上升率最高(0.18 mm/年),而Umm Suqeim的历史下降趋势被逆转,转为轻微上升;Jebel Ali近期上升速率较历史趋势减缓,Dhaw Wharfage保持稳定,Mamzar和Al Jadaf则呈现加速上升。

**3.2 迪拜海岸长期海平面预测结果**
研究人员使用KNN回归器、RF回归器和密集深度学习模型,基于合并后的2004–2030年数据预测2050年海平面。KNN回归器训练集R2达1.00,但测试集R2仅0.334,显示出严重的过拟合,预测海平面范围为3.0–4.4 mm,识别出Al Jadaf、Dhaw Wharfage和Umm Suqeim为高风险区域。RF回归器表现平衡,训练集R2为0.686,测试集R2为0.475,残差围绕零对称分布,预测海平面范围为2.4–3.3 mm,同样指出Al Jadaf、Dhaw Wharfage和Umm Suqeim为最脆弱区域。密集深度学习模型表现最佳,验证集MSE为0.21,平均绝对百分比误差(MAPE)为14.39%,预测海平面范围为3–4.4 mm,识别出Al Jadaf、Dhaw Wharfage和Umm Suqeim为受影响最严重区域,Mamzar受影响最小。综合评估,密集深度学习模型在测试集R2(0.6876)、MSE(0.2143)和平均绝对误差(MAE,0.3081)上均优于其他模型。

**3.3 不确定性分析**
研究人员指出,数据质量问题(如噪声、缺失值)经预处理后得到缓解,但长期预测仍受方法假设限制,如未包含风暴潮、ENSO(厄尔尼诺-南方涛动)等气候驱动变量,以及未考虑垂直陆地运动(沉降或抬升)和SSP(共享社会经济路径)情景。KNN模型对训练数据高度敏感,过拟合严重;RF模型在偏差与方差间取得较好平衡,但可能低估极端值;密集深度学习模型泛化能力最强,但可解释性差。未来研究需采用集成和概率建模方法,并纳入更多预测因子以提升可靠性。

**研究结论部分翻译**:
本研究对迪拜海岸线的海平面上升(SLR)进行了全面分析,重点关注近期(2030年)和长期(2050年)情景。采用混合Conv1D-LSTM模型预测截至2030年的海平面变化,在捕捉潜在趋势和季节变化方面表现出高精度。本研究的关键创新在于开发了用于近期预测的混合Conv1D-LSTM模型,将深度学习与机器学习技术相结合用于长期SLR预测,并识别出迪拜未来最易受SLR影响的关键沿海区域。这些贡献共同提供了一个新颖的数据驱动框架,支持政策规划与气候适应策略。结果表明,到2030年所有研究区域的海平面均预计上升。对于2050年预测,采用了KNN回归器、RF回归器和深度学习模型三种模型,其中深度学习模型实现了最低的预测误差,并预测了最显著的SLR影响。关键地点如Al Jadaf、Dhaw Wharfage和Umm Suqeim被识别为特别脆弱。机器学习与深度学习方法的整合实现了稳健可靠的SLR预测,为迪拜的政策制定者和利益相关者提供了宝贵依据。这些发现强调了持续监测、适应性规划和减缓策略的紧迫性,以应对不断上升的海平面给沿海地区带来的日益严重的威胁。虽然本研究提供了有价值的预测,但数据可用性、区域特异性以及未考虑突发气候变化的局限性可能影响其普适性和精度。未来研究应侧重于纳入多样化的气候情景、扩展模型在其他区域的适用性,并整合社会经济影响分析以增强其范围和实用性。通过解决这些挑战,本研究可指导更有效的策略以减轻与海平面上升相关的风险。为增强未来沿海韧性规划,本研究建议整合卫星测高数据集、基于GNSS(全球导航卫星系统)的陆地运动监测以及基于SSP情景的集合气候建模。本研究的预测为迪拜的政策制定者和利益相关者提供了宝贵依据。除技术贡献外,本研究强调了混合数据驱动方法的政策相关性。这些预测直接支持迪拜的沿海韧性规划,并与UAE Net Zero 2050战略保持一致,通过识别需要优先适应的关键区域。本研究建议优先升级基础设施以抵御SLR影响,并实施红树林恢复项目以减轻风暴潮并增强沿海生态系统。这些措施对于应对阿联酋海平面上升带来的挑战至关重要。未来扩展应整合气候模型输出和环境预测因子,以加强长期预测的物理基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号