Интерпретируемое машинное обучение для прогноза береговой линии

Почему важно предсказывать линию моря

Береговые линии кажутся вечными, но граница между сушей и океаном постоянно движется. По мере подъёма уровня моря, усиления штормов и изменений стока рек из‑за человеческой деятельности и климата населённым пунктам у пляжей и дельт важно знать, как их побережья будут смещаться в ближайшие десятилетия. В этом исследовании предложен новый способ прогнозирования изменений береговой линии, который не только даёт точные предсказания, но и объясняет в понятной математической форме, почему тот или иной участок побережья размывается или наращивается.

От «чёрных ящиков» к понятным уравнениям

Многие недавние достижения в науке связаны с мощными системами машинного обучения, которые дают впечатляюще точные прогнозы. При этом такие модели часто ведут себя как «чёрные ящики»: они выдают ответы, не показывая рассуждений. В областях, где решения о инфраструктуре, жилье или планировании бедствий опираются на понимание физических процессов, такая непрозрачность — проблема. Авторы обращаются к разновидности машинного обучения, называемой символической регрессией, которая ищет простые уравнения, наилучшим образом связывающие входы и выходы в данных. Вместо обучения огромной непрозрачной сети они «эволюционируют» компактные формулы, структуру которых учёные могут читать, оценивать и соотносить с известной прибрежной физикой.

Обучая машины писать прибрежные формулы

Команда сосредоточилась на ежемесячных изменениях береговой линии за 25 лет на тысячах участков по всему миру, используя спутниковые записи сдвигов пляжей в сезонных и климатических циклах. Они комбинируют эти наблюдения с тремя ключевыми факторами: энергией приходящих волн, региональным уровнем моря и притоком пресной воды из рек в море. С помощью графового эволюционного алгоритма они начинают с популяции случайных математических моделей и итеративно «скрещивают» лучшие из них. На каждом шаге модели мутируют, проверяются по данным с использованием скоринговой метрики, учитывающей и точность, и разумность ошибок, и лучшие сохраняются. Со временем этот процесс порождает богатое семейство уравнений, отражающих, как каждый участок побережья реагирует на волны, уровень воды и речной приток.

Много побережий — много лучших ответов

Одно глобальное уравнение не может одинаково хорошо описать все мировые побережья. Авторы показывают, что хотя их лучшая глобальная модель работает примерно так же, как широко используемая физическая модель береговой линии, гораздо эффективнее другая стратегия: разрешить разным побережьям использовать разные уравнения. Они строят «ансамбль» из 46 интерпретируемых моделей и для каждой прибрежной точки выбирают то единственное уравнение, которое там показывает наилучший результат. В результате получается карта, где для каждой локации действует одна понятная формула, а не усреднение множества чёрных ящиков. Этот ансамбль более чем в два раза повышает общую точность по сравнению с использованием одной глобальной модели повсюду, показывая, что локальное поведение побережья лучше объясняется локально подобранной физикой.

Что движет каждой береговой линией

Так как модели явно записаны через волны, уровень моря и приток пресной воды, исследователи могут выяснить, какой фактор где важнее. Применяя анализ чувствительности к уравнениям, они выделяют главный фактор, контролирующий движение береговой линии вдоль каждого участка. Волны выступают доминирующим влиянием для большинства песчаных пляжей, открытых океану, что согласуется с традиционной прибрежной теорией. Напротив, вариации уровня моря приобретают важность в эстуариях и закрытых бухтах, где даже умеренные изменения уровня воды могут перестроить низинные берега. Приток пресной воды и связанная с ним подача осадков оказываются критичными вблизи устьев крупных рек и в регионах с интенсивными сезонными осадками, где речные плёсы и наводнения могут резко перераспределять песок. Это разнообразие механизмов, сведённое к простым формулам, рисует нюансированную глобальную картину того, как и почему меняются берега.

Более прозрачный путь к прибрежным решениям

Исследование показывает, что можно получить прогностическую мощь машинного обучения, не теряя понимания. Эволюционируя краткие, читаемые людьми уравнения, адаптированные к разным регионам, подход даёт и лучшие прогнозы, и более понятные объяснения того, что контролирует локальные береговые линии. Для планировщиков и учёных это означает возможность проследить прогноз до его физических составляющих, проверить его теорией и адаптировать по мере поступления новых данных. В веке, когда форма мировых побережий будет иметь повышенное значение, такие интерпретируемые модели служат прозрачным мостом между глобальными спутниковыми данными, прибрежной физикой и практическими решениями, которые сообществам придётся принимать у кромки воды.

Цитирование: Al Najar, M., Wilson, D.G. & Almar, R. Interpretable machine learning for shoreline forecasting. Sci Rep 16, 11457 (2026). https://doi.org/10.1038/s41598-026-37403-3

Ключевые слова: изменение береговой линии, прибрежная эрозия, символическая регрессия, влияние климата, интерпретируемое машинное обучение