跳转至

MorphoGP：预测潮汐影响下平衡海滩剖面的非参数框架

文章背景与核心概要

在可持续海岸管理、海岸线保护以及应对气候变化的背景下，准确预测受潮汐影响下的平衡海滩剖面（EBPs）具有至关重要的基础意义。然而，现有的数值模型和经验模型在处理波浪、潮汐与沉积物动力学之间复杂、非线性的相互作用时往往显得力不从心，尤其是在潮汐主导的环境中。

为了填补这一技术空白，研究人员提出了 MorphoGP——一个统一的、按类别划分的高斯过程框架。通过利用对比学习进行自动形态分类，并借助概率门控网络整合专业专家模型，MorphoGP 显著优于传统的深度学习基准方法，在真实世界的海岸数据集上将测试均方根误差（RMSE）降低了约 59.3%。该研究不仅提升了数据驱动型预测的精度，还为复杂的海岸地貌演变提供了可靠的不确定性量化工具。

文章元数据 / Article Metadata

字段 详情
标题 MorphoGP: A Nonparametric Framework for Predicting Equilibrium Beach Profiles Under Tidal Influence
作者 Xi Wu, Yanqing Wei, Hang Yin, Pengze Li, Hongshuai Qi, Xi Chen
主学科 机器学习 (cs.LG)
次学科 人工智能 (cs.AI)、地球物理学 (physics.geo-ph)
提交日期 2026年8月19日
状态/会刊 已被 IEEE TGRS 接收
arXiv 标识符 arXiv:2608.18558 [cs.LG]
DOI 10.48550/arXiv.2608.18558
许可协议 知识共享署名 4.0 国际版 (CC BY 4.0)

摘要 / Abstract

预测潮汐影响下的平衡海滩剖面对于可持续海岸开发具有根本性重要意义，它为海岸线保护策略提供决策依据，并在环境变化条件下管理海岸生态系统。然而，由于波浪、潮汐和沉积物过程之间高度非线性的相互作用，这一任务仍然充满挑战。传统的经验模型和数值模型在不同海岸环境中往往表现出有限的适应性，在潮汐过程占主导地位的海滩系统中，其局限性尤为明显。

The prediction of equilibrium beach profiles under tidal influence is of fundamental importance for sustainable coastal development, informing shoreline protection strategies and managing coastal ecosystems under changing environmental conditions. However, it remains challenging due to the highly nonlinear interactions among wave, tide, and sedimentary processes. Traditional empirical and numerical models often exhibit limited adaptability across diverse coastal environments, with especially pronounced limitations in beach systems where tidal processes are important.

为了在这些条件下改进数据驱动的预测，本研究提出了 MorphoGP，这是一个用于预测潮汐影响下平衡海滩剖面（EBPs）的统一分类高斯过程框架： 1. ContourCluster 模型： 引入对比学习模型，自动对受潮汐影响的海滩形态进行分类。 2. 专业高斯过程专家： 在每个形态类别内部部署专用专家，以学习环境描述符（波浪、潮汐和沉积物）与海滩剖面形状之间的统计关联。 3. 概率门控网络： 通过概率加权机制整合所有专家的输出，从而得出稳健的最终预测结果。

To improve data-driven prediction under these conditions, this study proposes MorphoGP, a unified category-specific Gaussian process framework for predicting equilibrium beach profiles (EBPs) under tidal influence: 1. ContourCluster Model: Introduces a contrastive learning model to automatically classify tide-influenced beach morphologies. 2. Specialized Gaussian Process Experts: Deploys dedicated experts within each morphological category to learn statistical associations between environmental descriptors (waves, tides, and sediments) and beach profile shapes. 3. Probabilistic Gating Net: Integrates outputs from all experts via a probabilistic weighting mechanism to yield robust final predictions.

在对中国受潮汐影响海岸沿线的 180 多个海滩剖面数据进行评估后，MorphoGP 实现了卓越的预测性能： * 测试集 RMSE 降低： 比表现最好的基准模型低 \(\approx 59.3\%\)。 * 最终 RMSE： \(0.297\text{ m}\)。

Evaluated on data from over 180 beach profiles along tide-influenced Chinese coasts, MorphoGP achieves superior predictive performance: * Test RMSE Reduction: \(\approx 59.3\%\) lower than the best-performing baseline model. * Final RMSE: \(0.297\text{ m}\).

核心框架组件 / Key Framework Components

  • 数据驱动与物理感知： 将复杂的环境输入（波浪、潮汐、沉积物）直接映射到剖面几何形状。
  • 类别特定专业化： 通过对比学习划分输入空间，避免了广义全局模型的缺陷。
  • 非参数不确定性量化： 利用高斯过程在进行预测的同时提供基于统计基础的置信度估计。
  • Data-Driven & Physically Informed: Maps complex environmental inputs (waves, tides, sediments) directly to profile geometries.
  • Category-Specific Specialization: Avoids the pitfalls of generalized global models by dividing the input space via contrastive learning.
  • Nonparametric Uncertainty Quantification: Leverages Gaussian processes to provide statistically grounded confidence estimates alongside predictions.

获取与资源 / Access & Resources