空间感知深度学习与可解释人工智能揭示季风主导型海岸潟湖中地貌形态控制层级——以Chilika Lagoon为例

《Results in Engineering》：Spatially aware deep learning and explainable AI reveal geomorphic control hierarchy in a monsoon-dominated coastal lagoon

　　

浅海岸潟湖中沉积物再分配受水动力、沉积物供给与盆地形态间强非线性相互作用影响，理解其过程仍具挑战性。尽管卫星观测可实现水深变化与悬沙动力高精度制图，多数研究仍停留于描述层面且缺乏具物理可解释性的建模框架。研究人员提出一种空间感知、可解释的深浅学习框架，用于研究印度季风主导型海岸潟湖Chilika Lagoon像素尺度形态动力学，整合卫星测深(Satellite-Derived Bathymetry, SDB)、总悬浮沉积物浓度(Total Suspended Sediment, TSS)、羽流指标及水动力强迫变量于卷积神经网络(Convolutional Neural Network, CNN)空间斑块模型中，对逾460万有效像素进行侵蚀、稳定与沉积三分类。空间分块交叉验证(Spatial Block Cross-Validation)表明物理基主模型总体精度(Overall Accuracy, OA)达71.6%，剔除行列坐标后性能降幅可忽略，证实预测由物理有意义的水动力—形态动力控制而非空间记忆主导。基于SHapley Add性解释(SHapley Additive exPlanations, SHAP)的可解释人工智能(eXplainable Artificial Intelligence, XAI)识别出波浪强迫、至口门连通距离(Distance-to-Inlet)、水深(Bathymetric Depth)与潮汐强迫为支配侵蚀—沉积格局的主导预测因子。阈值敏感性分析进一步表明形态动力学可分性强烈依赖ΔDepth分类策略。所提框架为潟湖尺度形态动力学分析与环境管理提供了空间稳健且物理可解释的途经。

论文解读：空间感知深度学习与可解释AI揭示季风主导型海岸潟湖中地貌形态控制层级——以Chilika Lagoon为例

本文发表于《Results in Engineering》。浅海岸潟湖是动态敏感系统，季风区受季风雨洪、潮汐交换及风暴再悬浮驱动，沉积物再分配形成快速演化的侵蚀—沉积格局，影响航运、生境稳定与生态系统服务。传统基于过程的数值模型（如XBeach、Delft3D）可模拟波—流—沙耦合作用但需大量边界条件与率定，且难表征细尺度空间异质性；既有遥感研究多止步于沉积物羽流或水深变化制图，未解析交互控制因子；已有机器学习(Machine Learning, ML)应用常采用随机交叉验证忽略空间自相关致性能高估，且偏重预测精度缺乏物理可解释性。印度最大海岸潟湖Chilika Lake（19.45°–19.85°N, 85.05°–85.75°E）具强季风强迫、入口迁移及分区形态动力学特征，但其相对重要性（盆地几何 vs 沉积物供给）尚未厘清。为此，研究人员开发空间约束可解释深度学习框架，融合多源地球物理栅格数据，在像素尺度分类形态动力学状态，通过空间分块验证、消融实验与SHAP解析水动力—地貌控制层级。

主要技术方法： 研究以Chilika Lagoon为研究区，选用2019年季风前与2021年季风后两期哨兵2号(Sentinel-2)反演的卫星测深(Satellite-Derived Bathymetry, SDB)计算ΔDepth生成三分类标签（侵蚀ΔDepth < ?τ_lo、稳定?τ_lo≤ ΔDepth ≤ τ_hi、沉积ΔDepth > τ_hi，主方案取中位数）；输入八项物理基特征——水深、总悬浮沉积物浓度(Total Suspended Sediment, TSS)、浊度羽流范围、风速、有效波高(Significant Wave Height, H_s)、潮流速量值、至口门距离(Distance-to-Inlet)、床面坡度，辅以行列归一化坐标做消融对比；各像素提取3×3空间邻域斑块构建序列输入自定义SpatialCNN（一维扩张门控卷积网络含Dynamic Tanh归一化、六层指数扩张因子d=1,2,4,8,16,32残差块、全局平均池化及三层多层感知机分类头）；采用空间分块交叉验证（沿纬向划分为5个互不重叠南北条带作5折）与随机K折对照；对物理基模型（Model B，8特征）与含坐标模型（Model A，10特征）做消融，以泄漏量Δ_leak=OA_A?OA_B评估空间记忆；基于GradientExplainer计算SHAP值量化特征贡献及非线性方向关系；进行三种ΔDepth阈值（中位数、25th/75th百分位数、仪器精度±0.10 m）敏感性测试。

研究结果

4.1 Morphodynamic Classification Framework and Dataset Characteristics

经空间对齐与掩膜后获4,644,070个有效像素；中位数阈值法得侵蚀46.8%、稳定50.0%、沉积3.2%，相较另两方案类分布较均衡，选为主实验配置，按类均衡过采样每类抽10,000样点构建30,000训练集。

4.2 Spatial Cross-Validation and Morphodynamic Classification Performance

空间分块交叉验证下Model A（10特征）OA=71.34%，Macro-F1=70.96%；Model B（8物理特征）OA=71.59%，Macro-F1=70.40%。Model B各类F1：侵蚀86.56%、稳定50.95%、沉积73.69%。空间像素精度(Spatial Pixel Accuracy, SPA)分别为80.61%（A）与79.55%（B）。去除坐标后OA差异<0.3%，说明物理变量主导预测。稳定类识别较难源于活动区与稳定区间过渡模糊。

4.3 Random K-Fold Versus Spatial Block Cross-Validation

随机K折使Model A OA升至85.61%（高估+14.26%），Model B OA升至85.68%（高估+14.09%）。证实像素级随机拆分因空间自相关致严重乐观偏差，仅空间分块指标作主要性能估计。

4.4 Spatial Prediction Patterns and Error Distribution

观测显示西部与中部潟湖以侵蚀为主，北部浅水区及口门邻近水道沉积集中；两模型均复现大尺度空间组织，Model B无坐标亦产出空间连贯预测。误分集中于侵蚀/稳定与稳定/沉积过渡带（混合水动力与局地沉积变异性区），误差呈空间聚集而非随机分布。

4.5 SHAP-Based Feature Interpretation and Ablation Analysis

Model A中波浪强迫贡献最大，次为至口门距离、潮汐强迫、水深；行列坐标SHAP值微小。Model B主导依次为波浪强迫、水深、至口门距离、潮汐强迫、风场相关变量；坡度、TSS及羽流贡献局部。类专属SHAP显示：高波能促侵蚀、低波能伴沉积；至口门距离调控口门活跃扇与内部稳定区转换；水深调节浅/深扇侵蚀—沉积阈值，符合物理机制。

4.6 Threshold Sensitivity Analysis

中位数阈值Model B达OA=74.21%，Macro-F1=73.60%；25th/75th百分位数OA=71.78%，Macro-F1=72.23%；仪器精度±0.10 m致OA降至57.28%，Macro-F1=52.46%（类重叠与边界模糊）。确认中位数阈值最适，形态动力学可分性高度依赖ΔDepth分类方案。

4.7 Integrated Morphodynamic Control Structure

综合得出Chilika Lagoon形态动力控制层级：①波浪强迫——大尺度侵蚀/再分配主控；②至口门连通性＋潮汐强迫——空间梯度调节（口门扇强交换vs内潟滞留）；③水深——二级地貌控制划分浅沉积台地与深输运通道；④TSS与羽流——局地沉积物可得性指示；⑤床面坡度——小尺度地貌变异。坐标几无贡献证实框架靠物理过程而非地理记忆。

讨论与结论总结（翻译浓缩）：

研究表明Chilika Lagoon形态动力学组织主要受物理可解释的水动力—形态动力控制支配（波浪强迫、水深、潮汐强迫、至口门连通性），而非显式地理坐标记忆。空间分块交叉验证较随机拆分更准确反映泛化能力（防约14%虚高）。SHAP揭示波浪能量、潮汐连通性与水深具非线性阈值调控行为，支持潟湖演化受空间异质水动力—形态动力态转换而非简单线性响应支配。所整合空间感知深度学习与可解释AI(eXplainable AI, XAI)框架超越纯预测，识别出浅海岸潟湖沉积物再分配的地貌控制层级，为潟湖监测与环境管理提供物理可解释、空间稳健之分析途径；未来可耦合水动力—泥沙—植被过程及多潟湖验证拓展。