Evaluating shoreline retreat rate (SRR) on different spatial-temporal scales is critical for effective coastal management. Large-scale evaluations typically rely on data-driven methods such as Discrete Bayesian networks (BNs). However, these BNs require discretization of continuous variables which can lead to information loss. Here, we propose a new method, the Hybrid BN to incorporate continuous variables without discretization. Both Discrete and Hybrid BNs were developed and compared to evaluate large-scale (continental scale) SRR in Australia, using Digital Earth Australia data set. These BNs used forcing parameters (e.g., waves, tide, sediment sink/source, and sea level rise [SLR]) and geomorphic settings (e.g., geomorphology, backshore profile, and surfzone slope) to predict SRR. Validation of the BNs showed that Hybrid BNs, which provide a more realistic assessment of the range of SRR, outperform in predicting continuous variables, when compared with Discrete BNs. However, Discrete and Hybrid BNs provide consistent qualitative findings for the SRR of Australia. Among forcing parameters, the sediment sink/source was found to be the most informative variable to indicate the shoreline retreat, followed by tide, SLR rate, and wave processes. In the scenario of an increased SLR rate, tropical tidal flats were predicted as the most at risk coasts in Australia. We found that BNs can reflect the impact of different factors on coastal evolution, and predict future shoreline change by exploring historical data. The performance of these models can be further improved when more data sets become available.

中文翻译：

---

使用离散和混合贝叶斯网络确定澳大利亚的海岸线后退率

在不同的时空尺度上评估海岸线后退率 (SRR) 对于有效的海岸管理至关重要。大规模评估通常依赖于数据驱动的方法，例如离散贝叶斯网络 (BN)。然而，这些 BN 需要对连续变量进行离散化，这会导致信息丢失。在这里，我们提出了一种新方法，即混合 BN，可以在不离散化的情况下合并连续变量。使用澳大利亚数字地球数据集开发并比较了离散和混合 BN，以评估澳大利亚的大规模（大陆规模）SRR。这些 BN 使用强迫参数（例如，波浪、潮汐、沉积物汇/源和海平面上升 [SLR]）和地貌设置（例如，地貌、后岸剖面和冲浪带坡度）来预测 SRR。BN 的验证表明，混合 BN，与离散 BN 相比，它提供了对 SRR 范围的更现实的评估，在预测连续变量方面表现出色。然而，离散和混合 BN 为澳大利亚的 SRR 提供了一致的定性结果。在强迫参数中，发现沉积物汇/源是指示海岸线后退的最有用的变量，其次是潮汐、SLR 率和波浪过程。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。与离散 BN 相比，它在预测连续变量方面表现出色。然而，离散和混合 BN 为澳大利亚的 SRR 提供了一致的定性结果。在强迫参数中，发现沉积物汇/源是指示海岸线后退的最有用的变量，其次是潮汐、SLR 率和波浪过程。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。与离散 BN 相比，它在预测连续变量方面表现出色。然而，离散和混合 BN 为澳大利亚的 SRR 提供了一致的定性结果。在强迫参数中，发现沉积物汇/源是指示海岸线后退的最有用的变量，其次是潮汐、SLR 率和波浪过程。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。离散和混合 BN 为澳大利亚的 SRR 提供了一致的定性结果。在强迫参数中，发现沉积物汇/源是指示海岸线后退的最有用的变量，其次是潮汐、SLR 率和波浪过程。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。离散和混合 BN 为澳大利亚的 SRR 提供了一致的定性结果。在强迫参数中，发现沉积物汇/源是指示海岸线后退的最有用的变量，其次是潮汐、SLR 率和波浪过程。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。在 SLR 率增加的情况下，热带潮滩被预测为澳大利亚风险最高的海岸。我们发现BNs可以反映不同因素对海岸演化的影响，并通过探索历史数据来预测未来的海岸线变化。当更多数据集可用时，这些模型的性能可以进一步提高。