我校港口海岸与近海工程学院21级博士研究生陈治澎在罗锋副教授的指导下，提出了一种基于卷积神经网络的深度学习模型架构，用于模拟盐沼植被斑块影响下的异质性流场与地貌过程，相比传统自由表面流模型运算速度提高了四个数量级以上，为盐沼生物地貌过程的高效模拟提供了技术支撑。
生物和物理过程之间的双向相互作用，即生物地貌反馈，在盐沼景观的形成和演化中发挥着至关重要的作用。斑块化植被代表了盐沼中一种典型的尺度依赖反馈形式，是形成高效的潮汐排水网络主要诱因。尺度相关反馈的直观表现是异质性的流动与地貌发展，基于过程的数学模型是研究异质性流场与地貌演化的重要工具，但小空间尺度和长时间框架下的高额计算成本为研究工作带来了极大的困难。在这项研究中，提出了一种基于卷积神经网络的深度学习模型架构UNet-Flow（图1），用于建立替代模型来模拟盐沼斑块植被影响下的异质性流场。模型评估结果显示，与使用传统自由表面流模型Telemac-2D的单进程模拟相比，UNet-Flow的速度提高了四个数量级以上，总体误差较小（图2）。此外，提出了一种将泥沙地貌模型Sisyphe与神经网络模型相结合的方法用于模拟盐沼地貌演化异质性。充分发挥神经网络高速计算优势，在使用UNet-Flow对异质性流场进行了数万次模拟后，发现了尺度相关反馈强度与植被茎密度之间的显著对数关系，并且随着植被斑块数量或平均面积的增加，观察到反馈强度呈上升-下降趋势。基于此，进一步探讨了地貌异质性与植被相关变量之间的关系（图3）。这项研究代表了深度学习方法运用于生物地貌学研究的一项重要尝试，是盐沼保护修复中高效模拟的重要突破。
图1基于卷积神经网络的UNet-Flow模型架构
图2 UNet-Flow与Telemac2D模拟结果对比
图3 不同盐沼植被斑块分布与边界条件下的地貌演变模拟结果
相关成果发表于国际地学知名期刊《Journal of Geophysical Research-Earth Surface》，论文题目为“Modeling the Flow and Geomorphic Heterogeneity Induced by Salt Marsh Vegetation Patches Based on Convolutional Neural Network UNet-Flow”（基于卷积神经网络UNet-Flow的盐沼植被斑块引起的流动和地貌异质性模拟研究），该成果第一作者是我院博士研究生陈治澎，通讯作者为罗锋副教授，合作者包括海洋学院的李瑞杰教授与港口海岸与近海工程学院的张弛教授。
相关论文信息：
Chen, Z., Luo F*., Li, R., Zhang, C. Modeling the Flow and Geomorphic Heterogeneity Induced by Salt Marsh Vegetation Patches Based on Convolutional Neural Network UNet-Flow[J]. Journal of Geophysical Research: Earth Surface, 2024, 129, e2023JF007336. doi: https://doi.org/10.1029/2023JF007336
论文链接：
https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2023JF007336
