Kiçik axarlarda su səviyyəsi dar hövzə sahəsi və qısa reaksiya müddəti səbəbindən güclü yağıntıdan sonra çox sürətlə yüksələ bilər. Ənənəvi erkən xəbərdarlıq sistemləri əsasən müşahidə olunan su səviyyəsinin əvvəlcədən müəyyən edilmiş həddi aşmasını gözlədiyi üçün xəbərdarlıq təhlükəli yüksəliş başladıqdan sonra verilə bilər. Bu tədqiqat su səviyyəsini üç saat əvvəl proqnozlaşdıran DualTNet adlı iki qollu zaman sırası modeli ilə proqnozlardan törədilən yüksəlmə sürətini izləyən FLOWT² statistik nəzarət üsulunu birləşdirir.

DualTNet keçmiş 24 saata aid 10 dəqiqəlik su səviyyəsi, yağıntı, yığılmış yağıntı, hövzə üzrə orta yağıntı, yuxarı və aşağı axın səviyyələri ilə qabarma-çəkilmə məlumatlarından istifadə etmişdir. Model periodik nümunələri gücləndirən bir qol, proqnozda qalan periodik xətaları düzəldən ikinci qol və müxtəlif zaman miqyaslarını birləşdirən adaptiv füzyon qatını ehtiva edir.

Üsul Cənubi Koreyadakı Joman, Haman, Namdae və Suyeong axarlarında sınaqdan keçirilmişdir. Test məlumatları təlim və doğrulama dövrlərindən sonrakı 2024-cü ilə ayrılaraq zamana görə xarici qiymətləndirmə aparılmışdır. DualTNet dörd sahə üzrə orta hesabla 0,0184 metr RMSE, 0,0118 metr MAE və 0,9925 R² əldə etmiş, müqayisə edilən LSTM, GRU, Transformer, FEDformer, NSTransformer, TimesNet və TimeMixer modellərini qabaqlamışdır.

FLOWT² mərhələsi yalnız proqnozlaşdırılan su səviyyəsinin sabit həddi aşmasına baxmaq əvəzinə, qarşıdakı üç saatda gözlənilən orta yüksəlmə sürətinin tarixi normal davranışdan sapıb-sapmadığını ölçmüşdür. Tədqiqatda müəyyən edilən cəmi səkkiz mühüm yüksəliş hadisəsinin hamısı DualTNet əsaslı FLOWT² tərəfindən aşkarlanmış, Joman çayındakı nümunə hadisədə ciddi daşqın səviyyəsinin aşılmasından təxminən 3–8 saat əvvəl xəbərdarlıq nöqtələri yaradılmışdır.

Bununla belə, tədqiqat rəyçi qiymətləndirməsindən keçməmişdir. Xəbərdarlıq qiymətləndirilməsi az sayda hadisəyə əsaslanır, “mühüm hadisə” anlayışının necə standartlaşdırıldığı kifayət qədər izah edilmir və hadisə aşkarlama nisbəti yanlış həyəcanları birbaşa ölçmür. Real vaxt rejimində əməliyyat, rabitə gecikməsi, sensor nasazlığı, məlumat kəsilməsi və müxtəlif ölkə və ya hövzələrə ötürülə bilmə qabiliyyəti də sınaqdan keçirilməmişdir.

Kiçik axarlarda erkən xəbərdarlıq niyə daha çətindir?

Böyük çaylarda yağıntının axar səviyyəsinə çevrilməsi və daşqın dalğasının irəliləməsi nisbətən uzun çəkə bilər. Kiçik hövzələrdə isə yağıntının səth axınına çevrilmə müddəti qısadır. Lokal və intensiv yağıntı su səviyyəsində bir neçə saat ərzində kəskin yüksəliş yarada bilər.

Bu davranış erkən xəbərdarlıq sistemi baxımından iki ayrı problem yaradır:

• Su səviyyəsinin sürətlə yüksəldiyi hissəni və pik dəyəri üç saat əvvəl düzgün proqnozlaşdırmaq lazımdır.
• Proqnozlaşdırılan sıra idarəçilərin istifadə edə biləcəyi aydın və vaxtında xəbərdarlıq qərarına çevrilməlidir.

Tədqiqatın ilk şəkli bu fərqi vizuallaşdırır. Sabit həddli ənənəvi sistem su səviyyəsi kritik sərhədə çatdıqdan sonra xəbərdarlıq yaradır. Proqnozu kifayət qədər dəqiq olmayan süni intellekt modeli isə yanlış və ya gecikmiş xəbərdarlığa səbəb ola bilər. Təklif edilən sistemdə DualTNet su səviyyəsi əyrisini proqnozlaşdırır, FLOWT² isə proqnozlaşdırılan yüksəliş davranışını statistik olaraq izləyərək hədd aşılmadan əvvəl xəbərdarlıq yaratmağa çalışır.

Tədqiqat hansı axarlarda aparılmışdır?

Araşdırma Cənubi Koreyada hidroloji davranışları bir-birindən fərqlənən dörd kiçik axarı əhatə edir.

Joman, Haman və Suyeong sahələrində 2020–2022 məlumatları təlim, 2023 məlumatları doğrulama və 2024 məlumatları test üçün istifadə edilmişdir. Daha qısa qeydə malik Namdae sahəsində bu dövrlər müvafiq olaraq 2022, 2023 və 2024 kimi müəyyən edilmişdir. Zamana uyğun bu bölünmə gələcək müşahidələrin keçmiş məlumatlarla öyrədilən modellərə qarşı sınaqdan keçirilməsini təmin edir.

Hansı məlumatlardan istifadə edilmişdir?

Bütün dəyişənlər 10 dəqiqəlik intervallarla qeydə alınmışdır. Hər proqnoz üçün keçmiş 24 saat, başqa sözlə 144 zaman addımı giriş kimi istifadə edilmiş və üç saat sonrakı su səviyyəsi proqnozlaşdırılmışdır.

Əsas girişlər bunlardır:

• Hədəf stansiyadakı keçmiş su səviyyəsi
• Nöqtəvi yağıntı
• Üç saatlıq yığılmış yağıntı
• Radar və ya müşahidəyə əsaslanan hövzə üzrə orta yağıntı
• Yuxarı axın su səviyyələri
• Aşağı axın su səviyyəsi
• Qabarma-çəkilmə səviyyəsi

Giriş dəsti hər sahə üçün eyni saxlanmamışdır. Məsələn, Haman çayında gerisuyun təsirini təmsil etmək üçün iki yuxarı axın və bir aşağı axın stansiyasının su səviyyələri əlavə edilmişdir. Suyeong çayında isə çay ağzına yaxın mövqe səbəbindən qabarma-çəkilmə səviyyəsi və iki ayrı bölgənin hövzə üzrə orta yağıntısı istifadə edilmişdir.

Bu sahəyə uyğunlaşdırma üsulun güclü tərəflərindən biridir; lakin eyni zamanda hər sahədə fərqli sayda və növdə dəyişən istifadə olunduğuna görə performans fərqlərinin yalnız model arxitekturasından qaynaqlandığını deməyi çətinləşdirir.

Ənənəvi daşqın hədləri

Tədqiqatda diqqət, ehtiyat, həyəcan və ciddi daşqın səviyyələri üçün lokal sabit su səviyyəsi hədlərindən istifadə edilmişdir.

Bu hədlər proqnoz modellərinin precision və recall dəyərlərini hesablamaq və ənənəvi xəbərdarlıq sistemi ilə müqayisə aparmaq üçün istifadə edilmişdir. FLOWT² isə xəbərdarlıq qərarını birbaşa bu səviyyələrin aşılmasına bağlamır.

DualTNet arxitekturası necə işləyir?

DualTNet kiçik axarlardakı iki fərqli zaman davranışını ayrı qollarda öyrənmək üçün hazırlanmışdır:

• Təkrarlanan mövsümi, gündəlik və ya qabarma-çəkilmə mənşəli periodik davranışlar
• Yağıntıdan sonra yaranan qəfil və müxtəlif miqyaslı yüksəlişlər

Çoxmiqyaslı giriş emalı

Giriş sıraları əvvəlcə müxtəlif zaman miqyaslarına endirilir. Beləliklə model eyni hadisənin qısa intervallı sürətli dəyişikliklərini və daha uzunmüddətli meylini ayrı rezolyusiyalarda təhlil edə bilir. Hər miqyas normallaşdırılır və öyrənilə bilən təmsil fəzasına köçürülür.

EPDM qolu

Enhanced Past Decomposable Mixing adlandırılan birinci qol keçmiş sıralardakı periodik məlumatı proqnozun əsas xəttinə əlavə edir.

Bu qolda aşağıdakı əməliyyatlar həyata keçirilir:

1. Sürətli Furye çevrilməsi ilə dominant periodların çıxarılması
2. Birölçülü zaman sırasının ikiölçülü periodik strukturlara çevrilməsi
3. Müxtəlif ölçülü konvolyusiya nüvələri ilə perioddaxili və periodlararası dəyişmələrin öyrənilməsi
4. Periodik məlumatdan nə qədər istifadə ediləcəyini müəyyən edən adaptiv qapı
5. Mövsümi və trend komponentlərinin ayrıca emalı
6. Müxtəlif zaman miqyaslarındakı proqnozların Future Multi-Predictor Mixing modulu ilə birləşdirilməsi

Periodik qalıq qolu

İkinci qol əsas proqnoz yolunun tam tuta bilmədiyi periodik komponentləri düzəldir. Bu qol da sürətli Furye çevrilməsi, ikiölçülü konvolyusiya və adaptiv qapıdan istifadə edir; lakin sonda xətti proqnoz başlığı vasitəsilə birbaşa qalıq düzəlişi yaradır.

Adaptiv füzyon

EPDM və periodik qalıq qollarından gələn nəticələr miqyas əsasında birləşdirilir. Füzyon modulu hər zaman miqyasının mövcud hidroloji vəziyyət üçün nə qədər vacib olduğunu öyrənir. Beləliklə model yağıntı mənşəli qəfil yüksəlişlərdə qısa miqyaslara, daha nizamlı salınımlarda isə uzunmiqyaslı və ya periodik məlumatlara daha çox çəki verə bilir.

Hansı modellərlə müqayisə aparılmışdır?

DualTNet eyni giriş uzunluğu və üç saatlıq proqnoz üfüqü altında yeddi fərqli zaman sırası modeli ilə müqayisə edilmişdir:

• LSTM
• GRU
• Standart Transformer
• FEDformer
• Non-stationary Transformer
• TimesNet
• TimeMixer

LSTM Cənubi Koreyadakı daşqın nəzarəti bölmələrində istifadə olunan əməliyyat modelinə uyğun gəldiyi üçün praktik istinad kimi seçilmişdir. TimesNet periodik nümunələri, TimeMixer isə çoxmiqyaslı zaman komponentlərini öyrənən daha yeni müqayisə modelləridir.

Hiperparametrlər necə müəyyən edilmişdir?

Model parametrlərinin seçilməsi üçün Optuna istifadə edilmişdir. Axtarılan əsas hiperparametrlər bunlardır:

Attention başlıqlarının sayı embedding ölçüsünə uyğun avtomatik seçilmişdir. Bununla belə, hər model və sahə üçün seçilən son dəyərlər, sınaq sayı, optimallaşdırma məqsədi, erkən dayandırma parametrləri və təsadüfilik toxumları əsas mətndə verilməmiş, Əlavə Material D-yə yönləndirilmişdir. Müvafiq əlavə material yüklənmiş versiyada yoxdur.

Proqnoz uğuru necə ölçülmüşdür?

Kök orta kvadrat xəta:

\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i-y_i)^2} \]

RMSE böyük xətaları daha güclü cəzalandırır. \(y_i\) müşahidə olunan, \(\hat{y}_i\) proqnozlaşdırılan su səviyyəsidir.

Orta mütləq xəta:

\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|\hat{y}_i-y_i| \]

MAE proqnozların müşahidələrdən orta mütləq sapmasını metr ilə göstərir.

Determinasiya əmsalı:

\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

\(R^2\) dəyərinin 1-ə yaxınlaşması proqnozlaşdırılan su səviyyəsi dəyişməsinin müşahidə olunan dəyişmə ilə güclü uyğunlaşdığını göstərir.

Daşqın həddinə əsaslanan precision:

\[ Precision=\frac{TP}{TP+FP} \]

Daşqın kimi proqnozlaşdırılan zamanların nə qədərinin həqiqətən hədd üzərində olduğunu göstərir.

Recall:

\[ Recall=\frac{TP}{TP+FN} \]

Real hədd aşımı zamanlarının nə qədərinin model tərəfindən tutulduğunu ölçür.

Proqnoz nəticələri

DualTNet dörd sahə üzrə orta göstəricilərdə ən aşağı RMSE və MAE ilə ən yüksək R², precision və recall dəyərlərini vermişdir.

DualTNet-in TimeMixer ilə müqayisədə orta RMSE fərqi 0,0031 metr, MAE fərqi 0,0014 metrdir. Başqa sözlə, modelin ən güclü müasir müqayisə üsuluna nəzərən qazancı santimetrdən aşağı və ya bir neçə millimetr səviyyəsində görünsə də, sürətli yüksəliş və pik dəyərlərin vaxtlandırılmasında hadisə əsaslı fərqlərin daha böyük olduğu irəli sürülür.

Joman çayı

DualTNet 0,0144 metr RMSE, 0,0069 metr MAE və 0,9948 R² əldə etmişdir. Precision 0,9076, recall 0,9150-dir. Şəkil 5-də LSTM, GRU, Transformer və FEDformer modellərinin bəzi sürətli yüksəlişləri hamarladığı və ya pik səviyyəsini aşağı proqnozlaşdırdığı, DualTNet-in isə müşahidə olunan əyrini daha yaxından izlədiyi göstərilir.

Haman çayı

Gerisuyun təsiri olan sahədə DualTNet-in RMSE dəyəri 0,0075 metr, MAE dəyəri 0,0040 metr və R² dəyəri 0,9998-dir. Precision və recall dəyərləri 0,9979 kimi verilmişdir. Bu sahə tədqiqatdakı ən yüksək ədədi uyğunluğu yaratmışdır.

Namdae çayı

DualTNet 0,0058 metr RMSE, 0,0028 metr MAE və 0,9969 R² əldə etmişdir. Lakin test dövründə ənənəvi daşqın hədlərinin heç biri aşılmamışdır. Buna baxmayaraq bütün modellər üçün precision və recall 1,0000 kimi göstərilmişdir.

Real müsbət və proqnozlaşdırılan müsbət nümunə olmadıqda:

\[ Precision=\frac{0}{0} \]

\[ Recall=\frac{0}{0} \]

olduğuna görə bu metriklər riyazi olaraq təyin olunmayıb. Dəyərlərin 1 kimi verilməsi dörd sahə üzrə orta təsnifat nəticələrini süni şəkildə yüksəldir. Buna görə Namdae nəticələri yalnız RMSE, MAE və R² üzrə şərh edilməlidir.

Suyeong çayı

Qabarma-çəkilmə təsirinin güclü olduğu sahədə DualTNet 0,0458 metr RMSE, 0,0334 metr MAE və 0,9783 R² əldə etmişdir. TimeMixer-in RMSE dəyəri 0,0459 metrdir; buna görə iki model arasındakı fərq yalnız 0,0001 metrdir. Bu sahə DualTNet-in üstünlüyünün bütün şərtlərdə böyük olmadığını göstərir.

Proqnoz qeyri-müəyyənliyi

Şəkil 5-də DualTNet proqnozlarının ətrafında %95 proqnoz intervalları göstərilmişdir. İntervalların yüksək su səviyyələrində genişləndiyi, xüsusilə Haman və Suyeong sahələrində ekstremal dəyərlərin ətrafında qeyri-müəyyənliyin artdığı görünür.

Lakin əsas metod bölməsində bu intervalların Monte Carlo dropout, model ansamblı, qalıq paylanması, konformal proqnoz və ya başqa üsulla necə yaradıldığı izah edilmir. Buna görə %95 ifadəsinin real əhatə nisbəti müstəqil olaraq qiymətləndirilə bilmir.

Modelin izah edilə bilməsi necə araşdırılmışdır?

t-SNE analizi

LSTM, TimeMixer və DualTNet-in son gizli qatlarından çıxarılan təmsillər t-SNE üsulu ilə aşağıölçülü fəzaya köçürülmüşdür. Nöqtələrin rəngi zamanı, ölçüsü isə proqnozlaşdırılan su səviyyəsini təmsil edir.

Joman çayı üçün hazırlanmış şəkillərdə LSTM təmsillərinin sıxılmış struktur yaratdığı, TimeMixer-in daha geniş yayıldığı və DualTNet-in yüksək su səviyyəsi proqnozlarını müəyyən bir bölgədə daha aydın topladığı irəli sürülür.

Bu vizual yüksək su vəziyyətlərinin model daxilində fərqli təmsil olunduğunu düşündürür; lakin t-SNE nəzarətsiz vizuallaşdırma üsuludur. Nəticələr istifadə olunan perplexity, başlanğıc toxumu və məsafə ölçüsünə həssas ola bilər. Bu parametrlər bildirilməmişdir. Həmçinin metod mətnində üçölçülü proyeksiyadan söz açılsa da şəkil iki oxlu, ikiölçülü təqdimat göstərir.

Integrated Gradients analizi

Integrated Gradients proqnoz çıxışının hər girişə həssaslığını istinad girişindən real girişə uzanan yol boyunca toplayır:

\[ IG_i(x)=(x_i-x'_i)\int_0^1 \frac{\partial F(x'+\alpha(x-x'))}{\partial x_i}\,d\alpha \]

• \(x_i\): Real giriş xüsusiyyəti
• \(x'_i\): İstinad və ya başlanğıc girişi
• \(F\): Proqnoz modeli
• \(\alpha\): İstinaddan real girişə keçid əmsalı
• \(IG_i\): Xüsusiyyətin proqnoza aid edilən töhfəsi

Joman çayındakı seçilmiş yüksək su hadisəsində LSTM-in böyük ölçüdə son su səviyyəsi müşahidələrinə əsaslandığı görülmüşdür. TimeMixer yığılmış yağıntıya daha çox çəki vermiş, lakin töhfələri daha geniş zaman intervalına yaymışdır.

DualTNet-də yığılmış yağıntı, mövcud su səviyyəsi, yağıntı və hövzə üzrə orta yağıntı birlikdə təsirli olmuşdur. Töhfələrin xüsusilə proqnoz anına yaxın saatlarda sıxlaşması kiçik axarlardakı qısamüddətli yağıntı–səviyyə reaksiyası ilə uyğun kimi şərh edilmişdir.

Bu analiz modelin hansı girişlərə həssas olduğunu göstərir; lakin səbəbiyyət sübut etmir. Yüksək atribut dəyəri müvafiq dəyişənin daşqının fiziki səbəbi olduğunu və ya modelin bütün hadisələrdə eyni qərar yolundan istifadə etdiyini göstərmir.

FLOWT² erkən xəbərdarlıq üsulu

Proqnozdan yüksəlmə sürətinə keçid

DualTNet-in üç saat sonrakı su səviyyəsi proqnozu mövcud müşahidə ilə müqayisə edilərək orta yüksəlmə sürəti hesablanmışdır:

\[ r_t=\frac{\hat{h}_{t+T|t}-h_t}{T} \]

• \(r_t\): Proqnozlaşdırılan orta su səviyyəsi yüksəlmə sürəti
• \(\hat{h}_{t+T|t}\): \(t\) anında yaradılan \(t+T\) su səviyyəsi proqnozu
• \(h_t\): Mövcud müşahidə olunan su səviyyəsi
• \(T\): Proqnoz üfüqü; bu tədqiqatda 3 saat

Böyük və müsbət \(r_t\) dəyəri su səviyyəsinin qarşıdakı üç saat ərzində sürətlə yüksəlməsinin gözlənildiyini göstərir.

Tarixi normal davranış

Yüksəlmə sürətinin tarixi ortası:

\[ \mu_r=\frac{1}{N}\sum_{i=1}^{N}r_i \]

Paylanma ölçüsü mətndə bu şəkildə verilmişdir:

\[ s_r=\frac{1}{N-1}\sum_{i=1}^{N}(r_i-\mu_r)^2 \]

Bu ifadə standart sapmadan daha çox nümunə dispersiyasını hesablayır. Mətnin bir yerində \(s_r^2\) ifadəsi işlədildiyi halda tənlikdə \(s_r\) yazılır. Buna görə notasiya aydın və ardıcıl deyil.

FLOWT² statistikası

Proqnozlaşdırılan yüksəlmə sürətinin normal davranışdan uzaqlığı:

\[ T_t^2=\frac{(r_t-\mu_r)^2}{s_r} \]

şəklində hesablanmışdır. İzlənən dəyər birölçülü olduğuna görə bu ifadə praktik olaraq standartlaşdırılmış sapmanın kvadratına uyğundur. Ənənəvi Hotelling T² üsulu çoxdəyişənli vektorlar üçün hazırlanmış olsa da burada yalnız bir yüksəlmə sürəti sırasına tətbiq edilmişdir.

Nəzarət üst sərhədi:

\[ UCL=\frac{m+1}{m}F_{1-\alpha;1,m-1} \]

kimi verilmiş və \(\alpha=0{,}005\) istifadə edilmişdir. \(T_t^2>UCL\) şərti yarandıqda anormal yüksəliş xəbərdarlığı yaradılmışdır.

Formullarda tarixi nümunə sayı əvvəlcə \(N\), nəzarət sərhədində isə \(m\) ilə göstərilmişdir. Mətn bunların eyni nümunə dəstini təmsil edib-etmədiyini açıq şəkildə bildirmir.

Nəzarət sərhədinin müəyyən edilməsində qeyri-müəyyənlik

Tədqiqat orta və dispersiyanın “tarixi məlumat dəsti”ndən hesablandığını bildirir; lakin bu dəstin yalnız təlim məlumatlarını, təlim və doğrulamanı, yoxsa bütün müşahidə dövrünü əhatə etdiyi izah edilmir.

Nəzarət sərhədinə test dövrünün məlumatları daxil edilibsə, gələcək davranış modelin hazırlanması mərhələsinə sızmış olur. Yalnız təlim dövrünün istifadə edildiyi açıq şəkildə göstərilmədiyinə görə xəbərdarlıq performansının məlumat sızmasından tam müstəqil olduğu təsdiqlənə bilmir.

FLOWT² hansı hadisələri aşkarlamışdır?

Xəbərdarlıq üsulunun uğuru dörd sahədəki cəmi səkkiz “mühüm su səviyyəsi yüksəlişi” üzərindən qiymətləndirilmişdir.

DualTNet əsaslı üsul səkkiz mühüm hadisə üçün səkkiz xəbərdarlıq yaratmış və onların hamısı düzgün hadisələrlə uyğunlaşdırılmışdır. LSTM əsaslı üsul cəmi 18 hadisə xəbərdarlığı yaratmış, yalnız dördü mühüm yüksəlişlərlə uyğun gəlmişdir. TimeMixer əsaslı sistem səkkiz xəbərdarlıq yaratmış və altı mühüm hadisəni tutmuşdur.

“%100 aşkarlama nisbəti” necə şərh edilməlidir?

Tədqiqatda istifadə olunan nisbət belədir:

\[ \text{Önemli olay tespit oranı}=\frac{\text{Doğru tespit edilen önemli olay}}{\text{Gerçek önemli olay sayısı}} \]

Bu ölçü hadisə əsaslı recall dəyəridir. Yanlış xəbərdarlıqlar məxrəcə daxil edilmir. Məsələn, Suyeong sahəsində LSTM üç xəbərdarlıq yaratmış və yalnız biri real mühüm hadisə ilə uyğun gəlmişdir; buna baxmayaraq real tək hadisəni tutduğu üçün nisbət %100 kimi verilmişdir.

Buna görə təkcə “%100 aşkarlama” ifadəsi yanlış həyəcan olmadığını göstərmir. DualTNet cədvəlində yaradılan hadisə sayı ilə düzgün hadisə sayı eyni olduğuna görə hesabatdakı kiçik nümunədə əlavə yanlış hadisə görünmür. Yenə də üsulun etibarlılığını qiymətləndirmək üçün hadisə precision-u, yanlış həyəcan nisbəti, orta xəbərdarlıq müddəti, xəbərdarlıq başına təkrar sayı və vaxtlandırma xətası da bildirilməlidir.

Joman çayındakı erkən xəbərdarlıq müqayisəsi

Tədqiqatın ətraflı nümunəsində üç sistem müqayisə edilmişdir:

FLOWT² yalnız ciddi su səviyyəsi həddinin üç saat sonrakı proqnozda aşılmasını gözləməmiş, yüksəlişin adi davranışdan sapmağa başladığı daha erkən dövrdə xəbərdarlıq yaratmışdır. Buna görə üç saatlıq proqnoz modelindən bəzi hadisələrdə üç saatdan daha uzun “hədd aşımına qalan müddət” əldə edilmişdir.

Tədqiqatın ümumi cədvəlində sahə və hadisəyə görə təxminən 3 saat ilə 1 gün arasında qabaqlama müddəti bildirilir. Lakin bir günə çatan nümunələrin Əlavə Material G-də göstərildiyi deyilən şəkillərə əsaslandığı bildirilir. Bu əlavə materiallar yüklənmiş versiyada olmadığı üçün bir günlük üst sərhəd əsas mətndən müstəqil olaraq təsdiqlənə bilmir.

Tədqiqatın güclü tərəfləri

• Dörd fərqli hidroloji şəraitə malik real kiçik axardan istifadə edilmişdir.
• Təlim, doğrulama və test dövrləri təsadüfi qarışdırılmaq əvəzinə illərə görə ayrılmışdır.
• Təklif edilən model yeddi güclü zaman sırası üsulu ilə müqayisə edilmişdir.
• Proqnoz xətaları ilə yanaşı hədd əsaslı precision və recall dəyərləri təqdim edilmişdir.
• Sürətli yüksəliş, gerisuyun təsiri və qabarma-çəkilmə təsirləri ayrı sahələrdə araşdırılmışdır.
• Model davranışı t-SNE və Integrated Gradients ilə vizuallaşdırılmışdır.
• Proqnoz modeli birbaşa əməliyyat xəbərdarlıq məntiqinə bağlanmışdır.
• Xəbərdarlıqlar yalnız zaman addımı səviyyəsində deyil, hadisə miqyasında da araşdırılmışdır.
• Model seçimində gələcək bir ilin test dövrü kimi ayrılması təsadüfi bölünməyə nisbətən daha real qiymətləndirmə təmin etmişdir.

Əsas məhdudiyyətlər

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.
• Yalnız Cənubi Koreyanın dörd axarında sınaqdan keçirilmişdir; müstəqil ölkə və ya hövzədə xarici doğrulama yoxdur.
• Xəbərdarlıq qiymətləndirilməsində cəmi yalnız səkkiz mühüm yüksəliş hadisəsi vardır.
• Mühüm yüksəliş hadisələrinin obyektiv başlanğıc, son və şiddət tərifləri izah edilməmişdir.
• Hadisə aşkarlama nisbəti yanlış həyəcanların sayını cəzalandırmır.
• Namdae sahəsində müsbət hədd aşımı olmadığı halda təyin olunmayan precision və recall dəyərləri 1 kimi verilmişdir.
• Təkrar təlimlər, təsadüfilik toxumları, standart sapmalar və etibar intervalları bildirilməmişdir.
• DualTNet-in EPDM, periodik qalıq və adaptiv füzyon komponentləri üçün ayrı modul çıxarma sınağı aparılmamışdır.
• Modelin qazancının hansı arxitektura komponentindən qaynaqlandığı birbaşa göstərilməmişdir.
• Optuna-nın sınaq sayı və seçilmiş son hiperparametrlər əsas mətndə yoxdur.
• Kod, öyrədilmiş model çəkiləri və məlumat hazırlama skriptləri üçün açıq depo bağlantısı verilməmişdir.
• FLOWT² nəzarət sərhədinin təlim, doğrulama və ya bütün dövrlərin hansından hesablandığı bildirilməmişdir.
• FLOWT² bir dəyişənli yüksəlmə sürətinə tətbiq edildiyi halda Hotelling T² adlandırılmışdır.
• Dispersiya və standart sapma notasiyası ilə \(N\) və \(m\) nümunə sayı simvolları ardıcıl deyil.
• %95 proqnoz intervallarının necə yaradıldığı izah edilməmişdir.
• t-SNE mətni üçölçülü proyeksiyadan bəhs etdiyi halda şəkil ikiölçülüdür.
• Bir günədək xəbərdarlıq müddətini dəstəkləyən əlavə şəkillər yüklənmiş versiyada yoxdur.
• Real vaxt emal müddəti, avadanlıq, məlumat axını gecikməsi və sistemin əlçatanlığı ölçülməmişdir.
• Sensor nasazlığı, əskik məlumat, rabitə kəsilməsi və yanlış yağıntı ölçümü ssenariləri sınaqdan keçirilməmişdir.
• Xəbərdarlıqların real idarəçilər tərəfindən istifadə edildiyi əməliyyat pilot tətbiqi təqdim edilməmişdir.

Tədqiqat nəyi dəstəkləyir?

Nəticələr DualTNet-in seçilmiş dörd axarın 2024 test məlumatlarında müqayisə edilən yeddi modelə nəzərən daha aşağı orta su səviyyəsi proqnoz xətası yarada bildiyini dəstəkləyir. Model xüsusilə Joman və Haman sahələrindəki sürətli və ya gerisuyun təsir etdiyi yüksəlişlərdə güclü nəticə göstərmişdir.

Tədqiqat həmçinin sabit daşqın hədlərinin yaxşı üç saatlıq proqnoz modeli ilə istifadə edildikdə müşahidə olunan hədd aşımından əvvəl xəbərdarlıq verə biləcəyini, proqnozlaşdırılan yüksəlmə sürətinin statistik sapmasını izləyən FLOWT² yanaşmasının isə bəzi hadisələrdə bu müddəti daha da uzada biləcəyini göstərir.

Integrated Gradients nəticələri DualTNet-in yalnız keçmiş su səviyyəsinə deyil, yağıntı və yığılmış yağıntı kimi xarici girişlərə də həssas olduğunu göstərir. Bu tapıntı modelin proqnoz davranışının kiçik axarların qısamüddətli yağıntı reaksiyası ilə uyğun ola biləcəyini dəstəkləyir.

Tədqiqat nəyi sübut etmir?

Araşdırma DualTNet-FLOWT² sisteminin bütün kiçik axarlarda %100 daşqın aşkarlanması təmin edəcəyini sübut etmir. %100 dəyəri yalnız dörd sahədə müəyyən edilmiş səkkiz mühüm yüksəliş hadisəsinə aiddir.

Tədqiqat üsulun Türkiyədə, fərqli iqlimlərdə, ölçmə stansiyalarının seyrək olduğu hövzələrdə və ya proqnozlaşdırılandan daha şiddətli hadisələrdə eyni dəqiqliyi qoruyacağını göstərmir. Model keçmiş müşahidələrdə olmayan hidroloji şəraitlərdə əlavə doğrulama tələb edir.

Bir günlük xəbərdarlıq müddəti universal proqnoz üfüqü deyil. Model yalnız üç saat irəlidəki su səviyyəsini proqnozlaşdırır. Daha uzun qabaqlama müddəti başlanğıc xarakterli anormal yüksəlişin son daşqın həddindən çox əvvəl aşkarlanmasına əsaslanır və hər hadisədə yaranmaya bilər.

Bundan başqa modelin sahədə real vaxt rejimində işləyən, fasiləsiz, etibarlı və institusional qərar proseslərinə inteqrasiya olunmuş erkən xəbərdarlıq sistemi olduğu göstərilməmişdir.

Türkiyə baxımından mümkün əhəmiyyəti

Üsul Türkiyədə qısa reaksiya müddətli kiçik axarların və şəhərdaxili dərələrin izlənməsi baxımından mənalı tədqiqat çərçivəsi təqdim edir. Xüsusilə yalnız sabit su səviyyəsi hədlərinə əsaslanan sistemlərdə proqnozlaşdırılan yüksəlmə sürətinin ayrıca izlənməsi daha erkən qərar yaratmaq potensialına malikdir.

Türkiyədə tətbiq ediləcək sistem üçün lokal axarların ölçmə tezliyi, yağıntı radarları, yuxarı və aşağı axın stansiyaları, qabarma-çəkilmə və ya gerisuyun təsirləri və lokal daşqın hədləri ayrıca modelləşdirilməlidir. Cənubi Koreyada öyrədilmiş çəkilərin Türkiyəyə birbaşa ötürülməsi uyğun deyil.

Əməliyyat istifadəsindən əvvəl aşağıdakı doğrulamalar tələb olunur:

1. Bir neçə Türkiyə hövzəsində keçmiş hadisələrlə retrospektiv sınaq
2. Daşqın hadisələrinin müstəqil ekspertlər tərəfindən və əvvəlcədən müəyyən edilmiş meyarlarla etiketlənməsi
3. Yanlış həyəcan nisbəti, buraxılmış hadisə nisbəti və xəbərdarlıq vaxtlandırma xətasının birlikdə bildirilməsi
4. Canlı sensor və yağıntı məlumatları ilə real vaxt pilot işi
5. Əskik məlumat və rabitə kəsilməsi ssenariləri
6. Nəzarət sərhədlərinin yalnız keçmiş təlim dövründən hesablanması
7. Ehtimallı proqnoz və kalibrlənmiş qeyri-müəyyənlik intervalları
8. Yerli fəlakət idarəetmə qurumları ilə insan–sistem qərar axınının sınaqdan keçirilməsi

Tədqiqatın Metodu və Nəticələri

Ən mühüm ədədi nəticələr

• DualTNet-in dörd sahə üzrə orta RMSE dəyəri 0,0184 metrdir.
• Orta MAE 0,0118 metr, R² 0,9925-dir.
• Orta precision 0,9706, recall 0,9658 kimi bildirilmişdir.
• Joman çayında RMSE 0,0144 metr və R² 0,9948-dir.
• Haman çayında RMSE 0,0075 metr və R² 0,9998-dir.
• Namdae çayında RMSE 0,0058 metr və R² 0,9969-dur.
• Suyeong çayında RMSE 0,0458 metr və R² 0,9783-dür.
• DualTNet-FLOWT² cəmi səkkiz mühüm yüksəlişin səkkizini aşkarlamışdır.
• Joman nümunəsində sabit həddli DualTNet təxminən 3 saat qabaqlama müddəti təmin etmişdir.
• Eyni hadisədə DualTNet-FLOWT² təxminən 3–8 saat qabaqlama müddəti yaratmışdır.

Nəticələrin etibarlılığını artıracaq əlavə sınaqlar

1. DualTNet komponentlərinin ayrı-ayrılıqda çıxarıldığı ablyasiya testləri
2. Ən azı beş fərqli təsadüfilik toxumu ilə orta və standart sapmanın bildirilməsi
3. Rolling-origin və ya ardıcıl illərə əsaslanan çoxsaylı zaman sırası doğrulaması
4. Müstəqil ölkə və hövzələrdə xarici test
5. Hadisə precision-u, recall, F1, yanlış həyəcan nisbəti və xəbərdarlıq vaxtlandırma xətası
6. FLOWT² üçün müxtəlif alfa dəyərlərinin həssaslıq analizi
7. Nəzarət sərhədinin yalnız təlim məlumatı ilə hesablandığının göstərilməsi
8. Yüksək su hadisəsi tərifinin obyektiv və əvvəlcədən müəyyən edilmiş meyarlara bağlanması
9. Proqnoz intervalları üçün əhatə ehtimalı və orta interval eni
10. Sensor nasazlığı, əskik məlumat və gecikmiş məlumat testləri
11. Real vaxt emal müddəti və avadanlıq resurs istehlakının ölçülməsi
12. Yerli fəlakət idarəetmə qurumları ilə əməliyyat pilot tətbiqi

Mənbə və Metod Qeydi

Tədqiqatın özgün adı: Interpretable flood early warning via dual-branch temporal network: Application to small rivers with rapid water-level changes

Qısa başlıq: DualTNet-based flood prediction

Müəlliflər və düzgün sıralama: HaEun Jung, YoungHo Song, Sangdan Kim, KiJeon Nam.

Birgə birinci müəllif və ya bərabər töhfə: Tədqiqatda birgə birinci müəlliflik və ya bərabər töhfə bəyanatı yoxdur.

Məsul müəllif: KiJeon Nam.

İnstitusional əlaqə: Department of Environmental Engineering, Pukyong National University, Busan 48513, Republic of Korea.

DOI:10.2139/ssrn.7025913

Rəsmi tədqiqat səhifəsi:SSRN rəsmi qeydi

Yayın platforması: SSRN.

Platforma operatoru: Elsevier tərkibindəki SSRN platforması.

Yüklənmə tarixi: 30 iyun 2026.

Yayın ili: 2026.

Jurnal: Rəyçi qiymətləndirməsindən keçmiş jurnal nəşri təsdiqlənməyib. Tədqiqatın əvvəlində yer alan “VSI: AI–Hydrology Digital Twins” ifadəsi mümkün xüsusi buraxılış hədəfini göstərir, yayımlanmış jurnal kimliyi yaratmır.

Rəyçi vəziyyəti: Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.

Mənbə növü: Yeni dərin öyrənmə arxitekturası, izah edilə bilən süni intellekt analizi və proqnoza əsaslanan statistik erkən xəbərdarlıq üsulunu ehtiva edən hesablama hidrologiyası araşdırması.

Maliyyələşdirmə: Tədqiqat Korea Environment Industry & Technology Institute tərəfindən aparılan və Korea Ministry of Environment tərəfindən dəstəklənən RS-2024-00332300 nömrəli layihə ilə National Research Foundation of Korea-nın RS-2025-16067766 nömrəli dəstəyi çərçivəsində maliyyələşdirilmişdir.

Generativ süni intellekt istifadəsi: Müəlliflər ChatGPT-dən qrammatika düzəlişi üçün istifadə etdiklərini, məzmunu daha sonra nəzərdən keçirərək bütün məsuliyyəti üzərlərinə götürdüklərini bildirmişlər.

Maraqlar toqquşması: Yüklənmiş versiyada açıq maraqlar toqquşması bəyanatı yoxdur.

Müəllif töhfələri: Ətraflı müəllif töhfə cədvəli və ya CRediT bəyanatı yoxdur.

Məlumat mənbələri: Su səviyyəsi, nöqtəvi yağıntı və bəzi hövzə üzrə orta yağıntı məlumatları Nakdong River Flood Control Office; radar əsaslı hövzə yağıntı məlumatları Han River Flood Control Office; qabarma-çəkilmə məlumatları Korea Hydrographic and Oceanographic Agency mənbəlidir.

Məlumat və kod əlçatanlığı: Model kodu, təlim skriptləri, öyrədilmiş çəkilər, tam məlumat dəstləri və təkrar istehsal oluna bilən təcrübə konfiqurasiyası üçün açıq depo bağlantısı verilməmişdir.

Əlavə material vəziyyəti: Tədqiqatda riyazi arxitektura təfərrüatları, model izahları, Optuna nəticələri, digər sahələrdə XAI analizləri və erkən xəbərdarlıq müqayisələri üçün Əlavə Material A–G-yə istinad edilir. Bu əlavə materiallar yüklənmiş 49 səhifəlik versiyada yoxdur.

Bu Azərbaycan dilində izah tədqiqatın əsas mətni, formulları, cədvəlləri, zaman sıraları, arxitektura sxemləri, proqnoz qrafikləri, t-SNE təqdimatları, Integrated Gradients analizləri və hadisə əsaslı xəbərdarlıq cədvəlləri əsasında hazırlanmışdır. Elmi nəticələrə xarici mənbələrdən yeni tapıntı əlavə edilməmişdir. Xarici yoxlama yalnız başlıq, müəlliflər, DOI, yüklənmə tarixi, platforma və rəsmi tədqiqat bağlantısının təsdiqlənməsi məqsədilə istifadə edilmişdir.

Nəticələr yalnız araşdırılan dörd Cənubi Koreya axarının göstərilən test dövrləri üçün keçərlidir. DualTNet-FLOWT² sistemi müxtəlif hövzələrə və ya əməliyyat fəlakət idarəetmə proseslərinə lokal kalibrləmə, xarici doğrulama və canlı sahə sınağı olmadan birbaşa köçürülməməlidir.