DOI: https://doi.org/10.1038/s41598-026-37403-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41760665
تاريخ النشر: 2026-02-28
المؤلف: Mahmoud Al Najar وآخرون
الموضوع الرئيسي: ديناميات السواحل والبحار
نظرة عامة
تناقش هذه القسم تطبيق الانحدار الرمزي في سياق النمذجة الفيزيائية، وخاصةً في توقع الشواطئ، وهو أمر أساسي لفهم تطور السواحل المتأثر بتغير المناخ والأنشطة البشرية. بينما تقدم التعلم الآلي تقدمًا كبيرًا في مجالات علمية متنوعة، فإن استخدامه في المجالات المعتمدة على الفيزياء غالبًا ما يعيقه قضايا القابلية للتفسير المرتبطة بالنماذج التقليدية المغلقة. يعالج الانحدار الرمزي هذا القيد من خلال توليد تعبيرات رياضية شفافة تجسد المبادئ الفيزيائية، مما يسهل فهم الآليات الأساسية بشكل أفضل.
يظهر المؤلفون أن نهجهم يطور مجموعة من النماذج القابلة للتفسير مباشرة من البيانات العالمية الملاحظة، مما يتناقض مع النماذج التقليدية المعتمدة على الفيزياء التي قد تعتمد على افتراضات غير قابلة للتطبيق عبر بيئات ساحلية مختلفة. من خلال تحسين كل من دقة التنبؤ وتعقيد النموذج، تكشف المنهجية عن صيغ محددة إقليميًا تبرز المحركات الفيزيائية الرئيسية لتغيير الشواطئ. لا تتماشى هذه العملية الاكتشافية المعتمدة على البيانات مع الحدس الفيزيائي فحسب، بل توفر أيضًا رؤى قيمة حول ديناميات تطور الشواطئ عبر مقاييس مكانية وزمنية متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتعلم الآلي في المجالات العلمية، وخاصة في مجالات مثل توقع الطقس وطيات البروتين، حيث غالبًا ما يتفوق على النماذج العددية التقليدية من حيث الدقة والكفاءة. ومع ذلك، فإن الطبيعة الغامضة للعديد من تقنيات التعلم الآلي تطرح تحديات في التطبيقات المعتمدة على الفيزياء، خاصة في علوم البيئة، حيث يعد الفهم العميق للآليات الأساسية أمرًا ضروريًا لبناء الثقة والمعرفة العلمية. لمعالجة هذه القضية، يقترح المؤلفون نهجًا بديلاً يستخدم الانحدار الرمزي، الذي يولد تعبيرات رياضية قابلة للتفسير من خلال تحسين تكراري. لا ينتج هذا الأسلوب نماذج غير خطية شفافة فحسب، بل يسمح أيضًا بدمج القوانين الفيزيائية ومعرفة المجال، مما يسهل تعلم علاقات جديدة من البيانات الملاحظة.
يطبق المؤلفون هذه المنهجية على توقع الشواطئ، وهو مجال حرج يتأثر بتغير المناخ والأنشطة البشرية. غالبًا ما تعتمد النماذج التقليدية المعتمدة على الفيزياء لتطور الشواطئ على افتراضات قد لا تكون قابلة للتطبيق عالميًا، مما يحد من فعاليتها عبر بيئات ساحلية متنوعة. المساهمة الرئيسية لهذا البحث هي التطوير المنهجي لنماذج قابلة للتفسير لديناميات الشواطئ المستمدة من بيانات عالمية تم إنشاؤها بواسطة الأقمار الصناعية والنماذج. من خلال استخدام الانحدار الرمزي، يقوم المؤلفون بتطوير مجموعة متنوعة من النماذج الرياضية التي تلتقط تعقيدات تغيير الشواطئ عبر مناطق مختلفة. يتيح هذا النهج تحديد المحركات المحددة إقليميًا لتطور الشواطئ، مما يوفر رؤى قيمة حول العمليات السائدة التي تؤثر على الديناميات الساحلية في جميع أنحاء العالم.
الطرق
تناقش قسم الطرق الانحدار الرمزي، وهي تقنية لتحديد التعبيرات الرياضية التي تناسب مجموعة بيانات بشكل أفضل دون شكل وظيفي محدد مسبقًا. على عكس الانحدار التقليدي، الذي يحسن معلمات معادلة ثابتة، يستكشف الانحدار الرمزي مساحة واسعة من التعبيرات الرياضية المحتملة، محسنًا كل من هيكلها ومعلماتها. يسمح هذا التحسين المزدوج بإنشاء نماذج قابلة للتفسير توازن بين الدقة والتعقيد، مما يجعلها مفيدة بشكل خاص في السياقات العلمية حيث يكون فهم العلاقات أمرًا حاسمًا.
الطريقة السائدة للانحدار الرمزي هي البرمجة الجينية (GP)، التي تحاكي التطور البيولوجي من خلال الحفاظ على مجموعة من التعبيرات المرشحة الممثلة كأشجار أو رسوم بيانية. تقوم GP بتحسين هذه التعبيرات بشكل تكراري من خلال الاختيار والتقاطع والطفرات، مفضلة تلك التي تناسب البيانات جيدًا مع التحكم في التعقيد. هذه الاستراتيجية التطورية بارعة في التنقل عبر مساحات بحث كبيرة ومعقدة دون الحاجة إلى معلومات التدرج. قدمت التطورات الأخيرة الانحدار الرمزي المستند إلى الفيزياء، الذي يدمج معرفة المجال لتقييد مساحة البحث إلى تعبيرات ذات معنى فيزيائي، والنهج الهجينة التي تجمع بين الشبكات العصبية والانحدار الرمزي لتعزيز عملية الاكتشاف من خلال تحديد الميزات ذات الصلة.
النتائج
في هذا القسم، يتناول المؤلفون التعقيدات المرتبطة بفهم تطور الشواطئ، والتي شكلت تاريخيًا تحديات لعلماء السواحل بسبب التفاعلات المعقدة لمختلف العمليات الفيزيائية عبر مقاييس مكانية وزمنية مختلفة. يبرزون إمكانيات التعلم الآلي في مهام توقع السواحل؛ ومع ذلك، يشيرون إلى أن العديد من الطرق الحالية تنتج نماذج مغلقة تفتقر إلى الشفافية والقابلية للتفسير العلمي.
يقدم المؤلفون نهجًا جديدًا يستخدم الانحدار الرمزي من خلال البرمجة الجينية، والذي يهدف إلى تعزيز قابلية تفسير النماذج التنبؤية في علم السواحل. لا يوفر هذا الأسلوب قدرات تنبؤية فحسب، بل يقدم أيضًا رؤى حول العمليات الأساسية التي تحكم ديناميات الشواطئ، مما يجسر الفجوة بين التقنيات الحسابية المتقدمة والفهم العلمي.
المناقشة
تناقش البحث تطوير نماذج رياضية قابلة للتفسير لتوقع تغيير الشواطئ، مع التركيز على تفاعل قوة الموج، مستوى البحر، وتصريف المياه العذبة كمحركات رئيسية. من خلال استخدام الانحدار الرمزي وتحسينه عبر مواقع ساحلية مختلفة، تحدد الدراسة مجموعة من النماذج التي تلتقط بفعالية الديناميات الموسمية إلى بين السنوات التي تؤثر على شكل الشاطئ. تسمح النماذج الناتجة، الممثلة كرسوم بيانية حسابية نادرة، بتحديد العمليات الفيزيائية المهمة وتظهر دقة تنبؤية محسنة مقارنة بالنماذج التقليدية، خاصة عندما يتم تخصيصها لبيئات ساحلية محددة.
تعزز الطريقة الجماعية، التي تجمع بين نماذج محلية متعددة محسنة، القابلية للتفسير مع الحفاظ على أداء تنبؤي عالٍ. كل نموذج في المجموعة يتوافق مع موقع ساحلي محدد، مما يتيح رؤى واضحة حول العمليات الفيزيائية السائدة. تكشف التحليلات أن قوة الموج هي محرك رئيسي على طول العديد من السواحل، بينما تؤثر تصريف المياه العذبة وتغيرات مستوى البحر بشكل كبير على ديناميات الشواطئ في بعض المناطق. تؤكد هذه التنوع من النماذج، التي تم تحقيقها من خلال التدريب على مجموعة بيانات محدودة، على تعقيد الأنظمة الساحلية وضرورة الحفاظ على فرضيات متعددة لفهم سلوكها. تبرز الدراسة إمكانيات الانحدار الرمزي لتقدم كل من التطبيقات العملية في إدارة السواحل والرؤى النظرية حول الديناميات الساحلية، مما يتناقض مع الطبيعة الغامضة لأساليب التعلم العميق التقليدية.
القيود
تعمل نماذج الدراسة، المصممة لتوقع تغيير الشواطئ بناءً على المحركات البيئية المحلية مثل طاقة الموج، مستوى البحر، وتصريف المياه العذبة، على مقاطع فردية دون الأخذ في الاعتبار التفاعلات المكانية بين المقاطع الساحلية المجاورة. بينما يتماشى هذا النهج المحلي مع إطار عمل ShoreFor للنمذجة ويسمح بالتطبيق العالمي عبر بيئات ساحلية متنوعة، فإنه يتجاهل العمليات الفيزيائية المهمة التي تظهر تماسكًا مكانيًا. على سبيل المثال، يخلق نقل الرواسب على طول الشاطئ اعتمادات متبادلة بين المقاطع المجاورة، حيث يمكن أن تؤثر التغيرات في الشاطئ في موقع واحد على المناطق المجاورة من خلال تدفق الرواسب.
بالإضافة إلى ذلك، تعطل الهياكل الساحلية مثل الحواجز، والأرصفة، والحواجز البحرية هذه العمليات على طول الشاطئ، مما يؤدي إلى تغييرات مفاجئة في سلوك الشاطئ التي تفشل النماذج المحلية في التقاطها. علاوة على ذلك، يمكن أن تؤدي التدخلات البشرية مثل تغذية الشاطئ، والحفر، وبناء الموانئ إلى تغيير كبير في ميزانيات الرواسب المحلية، المتأثرة أكثر بإدارة السواحل الإقليمية من العوامل البيئية الطبيعية. يمكن أن يؤدي معالجة هذه القيود في الأبحاث المستقبلية إلى تعزيز دقة التنبؤ لنماذج تغيير الشواطئ من خلال دمج التفاعلات المكانية واستراتيجيات إدارة السواحل الأوسع.
DOI: https://doi.org/10.1038/s41598-026-37403-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41760665
Publication Date: 2026-02-28
Author(s): Mahmoud Al Najar et al.
Primary Topic: Coastal and Marine Dynamics
Overview
This section discusses the application of symbolic regression in the context of physical modeling, particularly for shoreline prediction, which is essential for understanding coastal evolution influenced by climate change and human activities. While machine learning has significantly advanced various scientific fields, its use in physics-based domains is often hindered by the interpretability issues associated with traditional black-box models. Symbolic regression addresses this limitation by generating transparent mathematical expressions that encapsulate physical principles, thus facilitating a better understanding of the underlying mechanisms.
The authors demonstrate that their approach evolves a population of interpretable models directly from global observational data, contrasting with conventional physics-based models that may rely on assumptions not applicable across different coastal environments. By optimizing for both predictive accuracy and model complexity, the methodology reveals region-specific formulations that highlight the primary physical drivers of shoreline change. This data-driven discovery process not only aligns with physical intuition but also provides valuable insights into the dynamics of shoreline evolution across various spatial and temporal scales.
Introduction
The introduction of this research paper highlights the transformative impact of machine learning in scientific fields, particularly in areas such as weather prediction and protein folding, where it often outperforms traditional numerical models in accuracy and efficiency. However, the opaque nature of many machine learning techniques poses challenges in physics-based applications, especially in environmental sciences, where a deep understanding of underlying mechanisms is essential for building scientific trust and knowledge. To address this issue, the authors propose an alternative approach utilizing symbolic regression, which generates interpretable mathematical expressions through iterative optimization. This method not only produces transparent, nonlinear models but also allows for the integration of physical laws and domain knowledge, facilitating the learning of new relationships from observational data.
The authors apply this methodology to shoreline forecasting, a critical area impacted by climate change and human activities. Traditional physics-based models for shoreline evolution often rely on assumptions that may not be universally applicable, limiting their effectiveness across diverse coastal environments. The key contribution of this research is the systematic development of interpretable models of shoreline dynamics derived from satellite and model-generated global data. By employing symbolic regression, the authors evolve a variety of mathematical models that capture the complexities of shoreline change across different regions. This approach enables the identification of region-specific drivers of shoreline evolution, offering valuable insights into the dominant processes influencing coastal dynamics worldwide.
Methods
The section on Methods discusses symbolic regression, a technique for identifying mathematical expressions that best fit a dataset without a predefined functional form. Unlike conventional regression, which optimizes parameters of a fixed equation, symbolic regression explores a vast space of potential mathematical expressions, optimizing both their structure and parameters. This dual optimization allows for the creation of interpretable models that balance accuracy and complexity, making it particularly useful in scientific contexts where understanding relationships is crucial.
The predominant method for symbolic regression is genetic programming (GP), which mimics biological evolution by maintaining a population of candidate expressions represented as trees or graphs. GP iteratively improves these expressions through selection, crossover, and mutation, favoring those that fit the data well while controlling for complexity. This evolutionary strategy is adept at navigating large and complex search spaces without the need for gradient information. Recent developments have introduced physics-informed symbolic regression, which integrates domain knowledge to constrain the search space to physically meaningful expressions, and hybrid approaches that combine neural networks with symbolic regression to enhance the discovery process by identifying relevant features.
Results
In this section, the authors address the complexities involved in understanding shoreline evolution, which has historically posed challenges for coastal scientists due to the intricate interactions of various physical processes across different spatial and temporal scales. They highlight the potential of machine learning in coastal prediction tasks; however, they note that many existing methods yield black-box models that lack transparency and scientific interpretability.
The authors present a novel approach utilizing symbolic regression through genetic programming, which aims to enhance the interpretability of predictive models in coastal science. This method not only provides predictive capabilities but also offers insights into the underlying processes governing shoreline dynamics, thereby bridging the gap between advanced computational techniques and scientific understanding.
Discussion
The research discusses the development of interpretable mathematical models for predicting shoreline change, focusing on the interplay of wave power, sea level, and freshwater discharge as primary drivers. By employing symbolic regression and optimizing over various coastal locations, the study identifies a family of models that effectively capture the seasonal to interannual dynamics influencing beach morphology. The resulting models, represented as sparse computational graphs, allow for the identification of significant physical processes and demonstrate improved predictive accuracy over traditional models, particularly when tailored to specific coastal environments.
The ensemble approach, which combines multiple locally optimized models, enhances interpretability while maintaining high predictive performance. Each model in the ensemble corresponds to a specific coastal location, enabling clear insights into the dominant physical processes at play. The analysis reveals that wave power is a key driver along many coastlines, while freshwater discharge and sea level variations significantly influence shoreline dynamics in certain regions. This diversity of models, achieved through training on a limited dataset, underscores the complexity of coastal systems and the necessity of maintaining multiple hypotheses to understand their behavior. The study highlights the potential of symbolic regression to advance both practical applications in coastal management and theoretical insights into coastal dynamics, contrasting with the opaque nature of traditional deep learning approaches.
Limitations
The study’s models, designed to predict shoreline change based on local environmental drivers such as wave energy, sea level, and freshwater discharge, operate at individual transects without accounting for spatial interactions among neighboring coastal segments. While this localized approach is consistent with the ShoreFor modeling framework and allows for global applicability across various coastal environments, it overlooks significant physical processes that exhibit spatial coherence. For instance, alongshore sediment transport creates interdependencies between adjacent transects, where changes in shoreline at one location can affect neighboring areas through sediment flux.
Additionally, coastal structures like groins, jetties, and breakwaters disrupt these alongshore processes, leading to abrupt variations in shoreline behavior that local models fail to capture. Furthermore, human interventions such as beach nourishment, dredging, and harbor construction can significantly alter local sediment budgets, influenced more by regional coastal management than by natural environmental factors. Addressing these limitations in future research could enhance the predictive accuracy of shoreline change models by incorporating spatial interactions and broader coastal management strategies.