CaSCA-Net：一种用于沿岸水域波高预测的因果时空交叉注意力网络

《Coastal Engineering》：CaSCA-Net: A causal spatiotemporal cross-attention network for wave height forecasting across living shorelines

波浪预测|珊瑚礁|因果空间连接|GCN|LSTM

　　

王楠|刘星宇|乔月|刘创|张文军

中国辽宁省大连市大连海事大学航海学院

摘要

在受礁石影响的近岸环境中，准确的波浪预测仍然具有挑战性，这是因为基于自然的海岸保护结构（如人工牡蛎礁）引入了空间异质的波浪传播路径。传统的数据驱动预测模型通常独立处理观测站，或者假设基于距离的空间连通性，这限制了它们在复杂浅水动力条件下表示方向性波浪能量传播的能力。为了解决这一限制，本研究提出了CaSCA-Net（因果时空交叉注意力网络），这是一个物理一致的学习框架，它将基于因果关系的空间连通性嵌入到统一的时空预测架构中。站点之间的相互作用通过基于Liang-Kleeman信息流构建的有向稀疏图来表示，作为主导波浪传播路径的数据驱动代理。时间演化通过LSTM单元捕捉，而空间依赖性通过GCN聚合，并通过选择性交叉注意力机制自适应融合，以动态平衡局部历史和上游强迫信号。在特拉华湾上部进行的实验表明，CaSCA-Net的性能优于传统的统计和机器学习基线模型（ARIMA、SVR、ANN），在1小时预测中实现了高达39.8%的RMSE降低，同时在3小时和6小时的预测时间内保持RMSE低于0.072米。消融研究进一步表明，基于因果关系的稀疏图与全连接或随机连接替代方案相比，能够持续提高预测准确性，并且基于注意力的融合在较长的预测时间内提供了更稳定的性能。鲁棒性测试表明，所提出的框架通过利用邻近站点的空间信息，在观测噪声下保持了可靠的预测准确性。学习到的连通性结构还为现场测量中观察到的礁石调节的波浪传播路径提供了可解释的见解。这些结果突显了基于因果关系的时空学习在异质海岸监测系统中进行可解释和操作可靠波浪预测的潜力。

引言

特拉华河口提供了重要的生态和经济服务，支持渔业、娱乐、航行和农业，其年度经济价值估计超过100亿美元（Kauffman, 2016）。然而，由于风浪、洋流和极端天气事件的共同作用，过去一个世纪以来，海岸线一直遭受持续的侵蚀。历史海岸线分析表明，沿湾段的长期退缩速率超过1米/年（French, 1990），例如新泽西州的Egg Island自19世纪末以来失去了多达2公里的海岸线（Pijanowski, 2016）。传统的硬工程解决方案，如海堤和防波堤，提供了局部保护，但缺乏对长期海平面上升和风暴模式变化的适应性。相比之下，基于自然的策略，特别是结合人工牡蛎礁（CORs）的活海岸线，已成为增强海岸线韧性的有希望的替代方案（例如，O'Donnell, 2017; Chowdhury et al., 2019; Smith et al., 2020; Tao et al., 2025; Xu et al., 2025, 2024; Li et al., 2024; Li et al., 2025）。这些结构不仅减少了侵蚀，还恢复了栖息地，改善了水质，并减少了波浪能量（例如，Ridge et al., 2015; Theuerkauf et al., 2015; Wiberg et al., 2019; Fivash et al., 2021）。最近的研究表明，它们在减少波浪驱动的沉积物侵蚀和改变近岸水动力方面具有潜力（例如，Coghlan et al., 2016; Polk and Eulie, 2018; Wang et al., 2021; Li et al., 2026）。然而，大多数现有评估依赖于短期、空间稀疏的现场测量数据，对于活海岸线上的波浪传播和耗散机制的关键问题了解不足。

基于物理的数值模型在过去几十年中得到了广泛的发展和应用，用于模拟海岸和河口的波浪动力学。相位平均谱波模型，如SWAN（Booij et al., 1999）、STWAVE（Massey et al., 2011）和WAVEWATCH III（Tolman, 1991），在再现波浪气候和评估海岸环境中的波浪驱动过程方面表现出强大的能力（例如，Zhong and Li, 2006; Ye et al., 2018; Sanford and Gao, 2018; Cadigan et al., 2023; Gaffet et al., 2024）。此外，相位分辨模型，如FUNWAVE-TVD（Shi et al., 2012），在浅水和受礁石影响的环境中提供了更高保真度的非线性波浪变换和波浪-结构相互作用表示（Tognacchini et al., 2024）。然而，准确解析围绕突然的海底地形或结构特征（如CORs）的波浪变换过程通常需要更高的空间分辨率和详细的结构参数化。虽然这些模型对于基于过程的研究仍然有效，但它们的计算成本可能会限制在受礁石影响的近岸环境中需要重复预测和集合模拟的应用中的实际部署（Hwang et al., 2025）。例如，对相对较小的近岸区域（220米×360米）进行单次30分钟的FUNWAVE-TVD模拟可能需要在数百个CPU核心上运行数小时（Salatin et al., 2021）。这些操作限制促使开发了高效的数据驱动或混合替代建模方法，以补充基于物理的模型，用于复杂海岸条件下的特定地点波浪预测（Gao and Jiang, 2025; Echevarria et al., 2025）。

在最近几十年中，各种机器学习技术，如人工神经网络（ANN）、支持向量机（SVM）、长短期记忆网络（LSTM）、贝叶斯网络（BN）、卷积神经网络（CNN）和决策树（DT）已被广泛用于各种海洋环境中的波高预测和波浪能量估计（例如，Deo and Naidu, 1998; Cornejo-Bueno et al., 2016; Parker and Hill, 2017; Stringari et al., 2019; J?rges et al., 2021; Wei and Davison, 2022; Wang et al., 2025, 2023b, 2023a, 2022a; Wang and Ge, 2025; Liu et al., 2025; Lin et al., 2025; Gao and Jiang, 2025）。这些数据驱动模型能够学习环境强迫（例如，风和潮汐）与波浪参数之间的非线性关系，与传统基于物理的数值模型相比具有计算优势。例如，（James et al., 2018）表明，使用ANN和SVM替代SWAN可以在计算成本的一小部分时间内实现类似的预测准确性。更近期的研究还探索了将物理模型与机器学习相结合的混合方法，例如使用装袋回归树（BRT）和ANN来估计波浪参数并减少模型偏差（Wang et al., 2022）。尽管这些传统模型展示了潜力，但它们具有固有的局限性。例如，基于ANN的框架通常独立处理每个站点，未能利用站点之间的空间相关性。虽然CNN已被用于考虑空间依赖性，但它们依赖于欧几里得的空间连续性和固定网格假设，这在海岸线几何形状和海底地形高度复杂的非规则海岸环境中并不成立。此外，尽管LSTM网络已被广泛用于学习波浪记录中的时间依赖性（Pirhooshyaran and Snyder, 2020），但当训练数据包含缺失数据时，它们的性能往往受到限制，这在现实世界中很常见（Jiang et al., 2024）。这些局限性突显了需要一个更灵活、更具空间意识的模型，能够处理不规则拓扑和动态的时空依赖性。

为了应对受礁石调节、空间异质波浪传播特征的活海岸线系统的短期波浪预测，本研究提出了CaSCA-Net（因果时空交叉注意力网络），这是一个物理一致的时空学习框架，它在单一预测流程中整合了方向性、基于因果关系的站点连通性、自适应的时空融合和操作鲁棒性。与使用几何接近性定义图连通性或假设完全连接交互的传统时空模型不同，CaSCA-Net使用Liang-Kleeman信息流构建有向稀疏图，作为主导波浪传播路径的数据驱动代理，从而将系统特定的水动力连通性嵌入到学习结构中。在此基础上，该框架结合了基于LSTM的时间编码器和基于GCN的空间聚合，并采用选择性交叉注意力机制，随着水动力条件的演变，动态平衡局部时间历史和上游空间信号。与之前为同一地点开发的逐站点ANN模型（Wang et al., 2022b）相比，后者独立处理每个测量站，CaSCA-Net能够使用风和水位强迫，同时对COR保护的横断面上的显著波高进行多站点预测，适用于受保护海岸区的波浪监测和预警应用。

需要强调的是，本研究的贡献不在于提出新的深度学习模块，因为LSTM、GCN和注意力机制已在先前的工作中进行了探索。而是这些组件如何在受礁石影响的浅水环境中通过物理可解释的连通性进行集成和约束，以及证明所得框架在不完美的观测条件下保持稳定的性能。通过基于图的空间聚合，CaSCA-Net显示出对测量噪声和现场监测网络中常见的局部退化输入的更好容忍度，提供了比仅依赖完整局部观测的时间架构更可靠的替代方案。这些特性共同使CaSCA-Net成为基于自然的海岸保护环境中近岸波浪预测的可扩展和可解释的替代建模方法。

本文的其余部分组织如下。第2节介绍了研究地点、观测数据和提出的CaSCA-Net模型的架构。第3节展示了预测结果和与其他方法的比较。第4节讨论了学习到的图结构的物理可解释性、消融实验的结果以及观测噪声对模型鲁棒性的影响。第5节总结了关键发现和对未来复杂海岸环境中波浪预测的启示。

研究区域和数据集

2016年，在特拉华湾上部的Money Island Marina和Gandys Beach之间安装了大约915米的活海岸线和混凝土块防波堤，以恢复飓风Sandy造成的沼泽破坏，并加强海岸抵御未来风暴的能力（Wang et al., 2022b）。本研究集中在Money Island附近的一个小海湾，那里在近岸区域放置了几个CORs（图1（a））。由于半日潮差超过2米，这些礁石在高潮时被淹没

基于信息流理论的因果图构建

为了构建GCN模块中使用的有向图结构，在所有观测站之间计算了成对的Liang-Kleeman信息流值（图3）。应用了0.1的阈值来移除弱的统计依赖性，只保留平均信息流超过此值的边（图4）。因此，得到的邻接矩阵表示了站点之间的主导方向性统计依赖性。构建的图显示WG5表现出

学习到的边权重的物理解释

为了深入了解CaSCA-Net模型学习的时空依赖模式，检查了来自因果关系图的推断边权重。这些权重量化了观测站之间的方向性统计依赖性，可能为海岸监测应用提供有用的诊断信息。例如，在学习到的图中表现出强烈上游影响的站点可能有助于指导预警传感器的放置，而减少的推断

结论

在这项研究中，开发了一个时空CaSCA-Net框架，用于预测受CORs影响的活海岸线环境中的显著波高。所提出的模型结合了LSTM单元来捕捉波浪和环境强迫条件中的时间依赖性，以及GCN来表示观测站之间的空间相互作用。为了解决近岸受礁石影响系统中波浪传播的方向性和异质性，提出了一个基于因果关系的图

CRediT作者贡献声明

王楠：写作 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，方法论，数据管理，概念化。刘星宇：写作 – 审稿与编辑，调查。乔月：写作 – 审稿与编辑，可视化，验证，软件，方法论，概念化。刘创：写作 – 审稿与编辑，可视化，验证，软件，方法论，概念化。张文军：概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

感谢国家关键研发计划（2023YFC3007900）和中央高校基本研究基金（3132025661）的资助。