代表波高选择方法在中长期海岸床层演变应用中的回顾与改进

《Coastal Engineering》：Revisiting and enhancing methods of representative wave height selection for medium-term coastal bed level evolution applications

　　

通过数值模拟准确预测中期海岸床层演变对于有效的海岸管理至关重要，但当基于过程的模型使用完整波浪气候数据集时，计算需求仍然很高。代表形态波高（Representative Morphological Wave Height, RMWH）方法通过减少波浪输入同时保留基本形态学原理提供了一种实用替代方案。本研究系统地回顾了经典RMWH方法，并提出了三种增强变体，旨在提高精度而不增加计算成本。所考察的方法包括：(i) 经典RMWH公式，(ii) 基于能量通量（energy flux）的方向箱（directional bins）细分，(iii) 考虑了根据波浪入射角（wave incidence angle）交替主导的纵向（longshore）和横向（cross-shore）沉积物输运（sediment transport）的方法，以及(iv) 结合RMWH与人工神经网络（Artificial Neural Network, ANN）以消除无法启动沉积物运动的海况（sea-states）的变体。所有变体均使用耦合的基于过程的数值模型（coupled process-based numerical model）进行实现，模拟希腊雷西姆农港（Rethymno, Greece）的年海岸床层演变，并与蛮力仿真（brute-force simulation）进行基准比较。模型性能使用Brier技能评分（Brier Skill Score, BSS）进行量化。结果显示，与经典RMWH方法相比，提出的增强方法显著提高了预测技能，BSS值从“良好”（Good）提升到“优秀”（Excellent），同时运行时间减少超过450%。ANN辅助的RMWH变体表现出最佳整体性能。进一步针对希腊埃雷索斯海滩（Eresos beach, Greece）的现场测深测量（field bathymetric measurements）进行验证，并与两种已建立的波浪输入缩减方法进行比较，证实了所提出方法的稳健性和效率。这些发现强调了增强的RMWH方法为中期海岸床层演变建模提供了高效可靠的框架。

**论文解读：代表波高选择方法在中长期海岸床层演变应用中的回顾与改进**

**研究背景与问题**
海岸带聚集大量人类活动，涉及经济、环境和社区安全，准确预测床层演变（bed level evolution）对海岸管理至关重要。然而，基于过程的数值模型（process-based models）在强制使用完整波浪气候数据集时，计算负担极为沉重，尤其当考虑来自海洋数据库（如CMEMS、ECMWF）的大量波浪输入条件时，模拟数公里宽的沿海区域床层变化成为一项繁琐任务。为克服这一障碍，波浪输入缩减方法（Input Reduction, IR）应运而生，其核心是智能选择代表性波浪条件，使其能产生与完整波浪记录相似的形态变化模式。现有IR方法主要分为三类：分箱方法（Binning IR）、聚类算法（Clustering Algorithms）以及代表形态波高（Representative Morphological Wave Height, RMWH）方法。尽管RMWH方法因实施简便被广泛使用数十年，但系统评估其在年度尺度下预测海岸床层演变准确性的研究较少。本研究旨在回顾经典RMWH方法，并提出增强变体以提高预测性能，同时保持计算效率。

**研究内容与结论**
研究人员系统回顾了经典RMWH方法（Chonwattana et al., 2005），并提出三种增强变体：RMWH-02基于能量通量（energy flux）对方向箱（directional bins）进行细分；RMWH-03根据波浪入射角（wave incidence angle）交替考虑纵向（longshore）与横向（cross-shore）沉积物输运的主导作用；RMWH-04结合人工神经网络（Artificial Neural Network, ANN）过滤无法启动沉积物运动的海况。所有变体均在希腊雷西姆农港（Rethymno, Crete）应用，使用MIKE21 Coupled Model FM套件模拟一年海岸床层演变，并与包含68个海况的蛮力仿真（brute-force simulation）对比。模型性能通过Brier技能评分（Brier Skill Score, BSS）量化。结果显示，增强方法显著提升预测技能，BSS值从“良好”（Good）提升至“优秀”（Excellent），运行时间减少超过450%，其中RMWH-04表现最佳。进一步在希腊埃雷索斯海滩（Eresos, Lesvos）利用9个月的现场测深测量验证，并与能量通量法（Energy Flux Method, EFM）和K-Means聚类算法（K-Means clustering algorithm）比较，RMWH-04再次表现优越，证实其稳健性。该研究发表在《Coastal Engineering》。

**关键技术方法**
研究人员使用MIKE21 Coupled Model FM套件（DHI, 2016）进行波浪传播、水动力学和沉积物输运-形态耦合模拟。波浪输入来自CMEMS数据库（MEDSEA_MULTIYEAR_WAV_006_012），获取雷西姆农港1993-2021年逐时波浪特征（谱波高H_s、峰周期T_p、平均波向MWD）。在RMWH-03变体中，采用抛物线缓坡波浪模型（PMS-SP）计算近岸波浪特性。RMWH-04变体使用基于Papadimitriou et al.（2022）训练的人工神经网络（ANN）估算每个海况的床面剪切应力（bed shear stress），并与临界值比较以过滤低能海况。形态加速因子MORFAC设为50以加速模拟。样本队列：雷西姆农港（希腊克里特岛，砂质底质，中值粒径d₅₀=0.15 mm），埃雷索斯海滩（希腊莱斯沃斯岛，中粗砂，d₅₀=0.535 mm）。评估指标为Brier技能评分（BSS）。

**研究结果**
**4. Results and Discussion**
在雷西姆农港，蛮力仿真所得床层变化显示海岸线附近淤积、近海侵蚀，且港口入口有泥沙累积。RMWH-01（经典方法）过度预测侵蚀且未能重现港口入口淤积，BSS=0.24（“Good”）。RMWH-02通过基于能量通量细分方向箱，更好地描述了波浪多样性，BSS=0.56（“Excellent”），视觉上与蛮力仿真接近。RMWH-03利用纵向/横向输运主导分区选取代表波，结果与RMWH-02相似，BSS=0.58（“Excellent”）。RMWH-04通过ANN过滤低能海况后，代表波转向更高能条件，BSS=0.65（“Excellent”），为最优。所有变体运行时间减少约450%，表明增强方法在不增加计算成本前提下显著提升精度。

**5. Comparison with field measurements and other input reduction methods**
在埃雷索斯海滩，研究人员选取RMWH-04与EFM及K-Means比较，模拟2015年2月至11月9个月的床层演变。因港口东侧存在人工结构，仅评估西侧三个海岸剖面。RMWH-04在剖面1和剖面3取得最高BSS（0.69和0.68，均为“Excellent”），EFM次之（0.54和0.66），K-Means表现最差（0.19-0.42）。所有方法均未能重现深水区沙坝形成，但RMWH-04在浅水区（<4 m）的侵蚀/淤积量级预测最佳。总体而言，RMWH-04表现稳健，可作为年度海岸床层演变建模的可靠工具。

**讨论与结论**
讨论部分指出当前方法的局限性：所有RMWH变体基于假设直线海岸、平行等深线和均匀沉积物粒径，可能不适用于复杂几何形态的区域；采用的形态静态（Morphostatic）框架忽略连续反馈；BSS指标对高变化区不敏感，对低变化区过于敏感；MORFAC值和网格分辨率可能影响定量结果，但通过保持参数一致确保了公平比较。研究结论翻译如下：对代表形态波高（RMWH）选择方法这一重要分支进行了详细评估。除经典方法外，还考察了三种增强变体，旨在更详细地再现海况自然变异或过滤低能海况。在雷西姆农港案例中，增强方法使BSS几乎翻倍，从“良好”提升至“优秀”，其中RMWH-04变体表现最佳，运行时间减少450%。在埃雷索斯海滩的现场验证与比较中，RMWH-04同样表现良好，进一步证实了其适用性。未来研究应探索在其他海岸带应用、评估代表海况数量及排序的影响，以及利用临界MORFAC概念加速模拟。