Sahil sularında temperatur, duzluluq, həll olmuş oksigen, pH və yosun biokütləsi ilə əlaqəli göstəricilərin saatlar öncədən proqnozlaşdırılması çirklənmə hadisələri və ekoloji tarazlığın pozulması üçün erkən xəbərdarlıq sistemlərinin əsas komponentlərindən biridir. Bununla belə, klassik hidrodinamik-ekoloji modellər yüksək hesablama xərci və ətraflı sərhəd şərtlərinə ehtiyac yaradır, yalnız məlumata əsaslanan dərin öyrənmə modelləri isə axınla istiqamətli daşınma, lokal qarışma və biokimyəvi çevrilmə kimi fiziki prosesləri açıq şəkildə ayırmır. Bu iş sahil su keyfiyyətinin zaman üzrə dəyişməsini adveksiya, diffuziya və reaksiya olmaqla üç əsas mexanizmə ayıran Physics-ASTGN adlı fizika ilhamlı adaptiv məkan-zaman qraf neyron şəbəkəsini təklif edir. Adveksiya qolu attention əsaslı asimmetrik əlaqə matrisi ilə axın istiqamətli daşınmanı, diffuziya qolu coğrafi məsafəyə əsaslanan Chebyshev qraf konvolyusiyası ilə lokal qarışmanı, reaksiya qolu isə düyün daxilində gated bilinear çevrilmə ilə lokal biokimyəvi dəyişiklikləri təmsil edir. Bu üç çıxış ADRGCN operatorunda birləşdirilərək GRU əsaslı zaman təkamülünə ötürülür. Model Çindəki Beibu Körfəzində dörd şamandıranın 2019-cu il boyunca 30 dəqiqəlik intervallarla ölçdüyü səkkiz su keyfiyyəti parametrində qiymətləndirilmişdir. Son 24 saatlıq müşahidələrdən istifadə etməklə 0,5–24 saat irəli proqnoz aparılmış; bütün şamandıralarda qısamüddətli \(R^2\) dəyərləri 0.98-dən, 24 saatlıq proqnozlarda isə 0.94-dən yuxarı qalmışdır. Ablation nəticələrində adveksiya qolunun çıxarılması 12 saatlıq nümunə testində \(R^2\)-ni 0.956-dan 0.814-ə endirərək istiqamətli daşınma məlumatının ən kritik komponent olduğunu göstərmişdir. Öyrənilmiş daşınma matrisləri qərbdən şərqə dominant əlaqə, qonşu şamandıralar arasında ikitərəfli qarışma və 100 km-dən çox məsafəni əhatə edən gecikmiş bağlantılar göstərir. Bununla belə, bunlar birbaşa ölçülmüş axın sürətləri deyil, modelin öyrəndiyi əlaqə çəkiləridir; iş fizika qanunlarını birbaşa həll edən PINN deyil, fiziki mexanizmləri şəbəkə arxitekturası və regularization terminləri vasitəsilə sistemə yerləşdirən proqnoz modelidir.

Sahil dənizlərində su keyfiyyəti yalnız bir stansiyadakı keçmiş dəyərlərdən asılı deyil. Bir nöqtədəki çirkləndirici, qida duzu, həll olmuş oksigen və ya yosun biokütləsi bir neçə saat sonra onlarla kilometr uzaqdakı başqa bölgədə ölçülə bilər. Buna görə dəniz mühitində zaman əlaqələri ilə yanaşı məkan üzrə daşınma əlaqələrinin da modelləşdirilməsi lazımdır.

Beibu Körfəzi yarıqapalı morfologiyası, qurudan gələn girişlər, sahil sənayesi və məhdud su mübadiləsi səbəbindən su keyfiyyəti proqnozu üçün mürəkkəb tədqiqat sahəsidir. Mənbənin şamandıra yerləşmə xəritəsində 02 nömrəli stansiya qərbdə, 14 və 15 mərkəzi bölgədə, 17 isə daha şərqdə yerləşir. Bu dörd sabit şamandıra model daxilində qraf düyünləri kimi təmsil olunmuşdur.

Physics-ASTGN Hansı Su Keyfiyyəti Məlumatlarından İstifadə Edir?

Physics-ASTGN Beibu Körfəzindəki dörd şamandıradan 1 yanvar–31 dekabr 2019 dövründə 30 dəqiqəlik zaman ayırdetməsi ilə əldə edilmiş temperatur, duzluluq, keçiricilik, həll olmuş oksigen, pH, bulanıqlıq, xlorofil-a və phycoerythrin olmaqla səkkiz dəyişəni birlikdə istifadə edir.

Temperatur və duzluluq keçiricilik, qazların həllolma qabiliyyəti və suyun sıxlığı kimi fiziki xüsusiyyətlərə təsir edir. Həll olmuş oksigen və pH fotosintez-tənəffüs dövrlərinə həssasdır. Xlorofil-a və phycoerythrin isə fitoplankton biokütləsinin və yosun dinamikasının dolayı göstəriciləri kimi istifadə olunur.

Ön emal

Xam müşahidələrdəki kənar dəyərlər 3σ meyarı ilə müəyyən edilmişdir:

\[ |x_i-\mu|>3\sigma \tag{1} \]

Bu şərti ödəyən dəyərlər NaN kimi işarələnmiş və çatışmayan müşahidə kimi nəzərə alınmışdır. Çatışmayan dəyərlər yalnız keçmişdəki beş zaman addımının hərəkətli ortalaması ilə doldurulmuşdur:

\[ x_i=\frac{1}{5}\sum_{a=1}^{5}x_{i-a}. \tag{2} \]

30 dəqiqəlik nümunələmə səbəbindən bu əməliyyat təxminən 2.5 saatlıq keçmiş məlumatdan istifadə edir.

Müxtəlif fiziki vahidlərdə olan səkkiz dəyişən daha sonra yalnız təlim dəstindən əldə edilən orta və standart sapma ilə Z-score standartlaşdırılmasına məruz qalmışdır:

\[ x_i^*= \frac{x_i-\bar{x}_{train}} {\sigma_{train}}. \tag{3} \]

Bu üsul validation və test məlumatlarının statistikalarının təlim zamanı istifadəsini əngəlləyərək məlumat sızmasını azaltmağı hədəfləyir.

Qraf əsaslı problem tərifi

Dörd şamandıra:

\[ G=(V,E,A) \]

qrafının düyünləri kimi qəbul edilir. \(A\) düyünlər arasındakı məkan əlaqəsini təmsil edir. Zaman \(t\)-də bütün stansiyaların xüsusiyyət matrisi:

\[ X_t\in\mathbb{R}^{N\times F} \]

olub burada \(N=4\), \(F=8\)-dir. Bütün məlumat:

\[ X\in\mathbb{R}^{T\times N\times P} \]

şəklində üçölçülü zaman–məkan–parametr tensoruna çevrilir.

Adveksiya-Diffuziya-Reaksiya Tənliyi Neyron Şəbəkəsinə Necə Köçürülür?

İş fasiləsiz sahil daşınmasını təsvir edən klassik adveksiya-diffuziya-reaksiya tənliyindəki üç fiziki termini üç ayrı şəbəkə qoluna çevirir; adveksiya istiqamətli uzunməsafəli ötürülməni, diffuziya yaxın qonşu qarışmasını, reaksiya isə eyni düyündəki lokal qeyri-xətti biokimyəvi çevrilməni təmsil edir.

Əsas fiziki ifadə:

\[ \frac{\partial C}{\partial t} = -\nabla\cdot(\mathbf{u}C) + \nabla\cdot(\kappa\nabla C) + R(C) \tag{5} \]

şəklindədir.

• \(C\): su keyfiyyəti parametri,
• \(\mathbf{u}\): axın sürətini təmsil edən vektor,
• \(\kappa\): diffuziya əmsalı,
• \(R(C)\): lokal reaksiya terminidir.

Physics-ASTGN bu PDE-ni birbaşa həll etmir. Bunun əvəzinə üç terminin funksional xüsusiyyətlərini şəbəkə arxitekturasına köçürür.

Adaptiv Adveksiya Modulu Axın İstiqamətini Necə Öyrənir?

Adveksiya modulu şamandıralar arasındakı əlaqələri simmetrik coğrafi məsafə kimi qəbul etmək əvəzinə, hər mənbə-hədəf cütü üçün fərqli istiqamətli attention çəkiləri öyrənir; beləliklə 02→14 təsiri ilə 14→02 təsirinin eyni olması məcburi deyil.

Model hədəf-giriş və mənbə-çıxış xüsusiyyətləri üçün iki ayrı embedding matrisi istifadə edir:

\[ Q_i=E_1[i,:], \qquad K_j=E_2[j,:]. \tag{6-7} \]

Bu embedding-lərin ilk iki komponenti normallaşdırılmış enlik-uzunluq koordinatları ilə başladılır. Düyünlər arasındakı istiqamətli skor:

\[ S_{ij} = \frac{Q_iK_j^T}{\sqrt{d_e}} \tag{8} \]

kimi hesablanır. \(S_{ij}\neq S_{ji}\) ola bildiyi üçün əlaqə matrisi təbii olaraq asimmetrikdir.

Adaptiv adveksiya matrisi:

\[ A_{adv} = Softmax\left( LeakyReLU(S) \right) \tag{9} \]

ilə əldə edilir və spatial propagation:

\[ H_{adv,t} = A_{adv}X_tW_{adv} \tag{10} \]

şəklində tətbiq olunur.

Buradakı mühüm məhdudiyyət budur ki, \(A_{adv}\) birbaşa ölçülmüş axın sürəti matrisi deyil. Axın istiqaməti koordinatlarla başladılan öyrənilə bilən əlaqə strukturunun məlumatdan çıxardığı latent transport topology-dir.

Diffuziya Modulu Niyə Adveksiyadan Ayrı Saxlanılır?

Adveksiya uzaq stansiyalar arasında istiqamətli ötürülməni təmsil etdiyi halda diffuziya qısa məsafəli və təxminən izotrop qarışmanı təmsil edir. Physics-ASTGN buna görə diffuziyanı öyrənilmiş qlobal attention matrisi əvəzinə coğrafi yaxınlığa əsaslanan lokal Chebyshev graph convolution üzərindən modelləşdirir.

Stansiyalar arasındakı coğrafi məsafə normallaşdırılır və ilkin qonşuluq matrisi:

\[ a_{ij} = \frac{1}{\exp(d_{ij}^{n})} \qquad i\neq j \tag{11} \]

şəklində təyin edilir.

Chebyshev yanaşması ilə diffuziya xüsusiyyəti:

\[ H_{diff,t} = \sum_{k=0}^{K-1} T_k(\tilde{L}_{InitSpace}) X_tW_k \tag{12} \]

kimi hesablanır.

Bu əməliyyat \(K\)-hop qonşuluqla məhdudlaşır. Riyazi baxımdan qraf Laplasianı üzərində aşağıkeçirən filtrə bənzər təsir yaradaraq yaxın stansiyalar arasındakı lokal fərqləri yumşaldan diffuziya davranışını təqlid edir.

Reaksiya Modulu Biokimyəvi Dəyişikliyi Necə Təmsil Edir?

Reaksiya modulu qonşu şamandıralardan məlumat toplamadan yalnız eyni düyündəki su keyfiyyəti xüsusiyyətlərini emal edir; bir qol konsentrasiya bənzəri vəziyyəti, ikinci qol isə ətraf mühit şərtlərinə bağlı reaksiya intensivliyini təmsil edir və iki çıxış vurularaq kütlə təsiri qanununa bənzəyən lokal qeyri-xəttilik yaradılır.

Model:

\[ H_{react,t} = V_{conc}\odot G_{rate} \]

\[ = (X_tW_{r1}+b_{r1}) \odot \sigma(X_tW_{r2}+b_{r2}) \tag{15} \]

şəklindədir.

Bu struktur real yosun böyüməsi, oksigen istehlakı və ya qida kinetikasına aid konkret reaksiya sabitlərini birbaşa həll etmir. Bunun əvəzinə lokal konsentrasiya ilə ətraf mühit şərtləri arasındakı vurma əlaqəsinin öyrənilə bilməsi üçün fizika ilhamlı inductive bias verir.

ADRGCN və zaman təkamülü

Üç fiziki qol:

\[ H_{out,t} = H_{adv,t} + H_{diff,t} + H_{react,t} \tag{16} \]

şəklində birləşdirilir.

Bu struktur ADRGCN operatoruna çevrilərək GRU hüceyrəsinin update, reset və candidate-state hesablamalarında istifadə edilir. Beləliklə zaman sırası yaddaşı yalnız standart dense çevrilmələrlə deyil, hər addımda adveksiya-diffuziya-reaksiya xüsusiyyətləri ilə yenilənir.

Çoxaddımlı decoder

Son 24 saatın hidden-state ardıcıllığı üzərində 1D convolution tətbiq edilir və sonra dense projection ilə bütün proqnoz üfüqləri birbaşa yaradılır:

\[ Y = W_{linear} \left( W_{conv}H_T+b_{conv} \right) + b_{linear}. \tag{21} \]

Mənbə bunun autoregressive şəkildə bir proqnozu növbəti proqnozun girişi etməməsi səbəbilə uzun üfüqlərdə xəta yığılmasını azalda biləcəyini müdafiə edir.

Fiziki Regularization Loss Funksiyasına Necə Əlavə Olunur?

Physics-ASTGN yalnız proqnoz xətasını kiçiltməklə kifayətlənmir; adveksiya matrisini seyrək edən L1 cəzasından və adveksiya əlaqələrinin coğrafi diffuziya matrisi ilə lazımsız şəkildə üst-üstə düşməsini əngəlləyən complementarity cəzasından istifadə edir.

Adveksiya matrisi üçün sparsity termini:

\[ L_{sparse} = \frac{1}{N^2} \sum_{i,j} |(A_{adv})_{ij}| \tag{22} \]

şəklindədir.

Adveksiya ilə məsafə əsaslı diffuziya topologiyasının üst-üstə düşməsini azaltan termin:

\[ L_{complement} = \frac{1}{N^2} \sum_{i,j} \left( |(A_{adv})_{ij} (A_{InitSpace})_{ij}| M_{ij} \right). \tag{23} \]

Ümumi loss:

\[ L = L_{pred} + \lambda_1L_{sparse} + \lambda_2L_{complement}. \tag{24} \]

Bu iki əlavə termin adveksiya modulunun hər stansiyaya yüksək çəki verərək statistik shortcut öyrənməsini və məsafə əsaslı diffuziya qolunun surətinə çevrilməsini əngəlləməyi hədəfləyir.

Metod və Nəticələr

0.5 saatdan 24 saata proqnoz performansı

Qısamüddətdə ən yüksək nəticə buoy 14-də görünür: 0.5 saat üçün \(R^2=0.993\), RMSE 1.20-dir. Eyni stansiyada 24 saat sonra \(R^2\) hələ də 0.976-dır.

Buoy 15 uzun proqnoz üfüqündə daha çətin stansiyalardan biridir. 0.5 saatda \(R^2=0.986\) ikən 24 saatda 0.944-ə düşür. Buna baxmayaraq modelin \(R^2\)-si bütün stansiyalarda 24 saata qədər 0.94 həddinin üzərində qalır.

RMSE və MAE-nin şərh sərhədi

Mənbə səkkiz fərqli su keyfiyyəti dəyişəninə Z-score standartlaşdırılması tətbiq edildiyini bildirsə də Table 1-dəki vahid RMSE və MAE dəyərlərinin standartlaşdırılmış çıxış məkanında, yoxsa tərs çevrilmədən sonra hesablandığını açıq şəkildə göstərmir. Buna görə RMSE=3.31 kimi dəyər birbaşa °C, mg/L və ya başqa fiziki vahid kimi şərh edilməməlidir. \(R^2\) dəyərləri ölçüsüz olduğundan stansiyalar və proqnoz üfüqləri arasında performans müqayisəsi üçün daha aydın ölçüdür.

Rəqib modellərlə müqayisə

Mənbə Physics-ASTGN-ni ConvLSTM, DCRNN, STGCN və ASTRN ilə müqayisə etmişdir. Buoy 15-də 24 saatlıq proqnozda:

Physics-ASTGN ən yaxşı nəticəni verir. ASTRN-yə nisbətən RMSE azalması təxminən %15.6-dır. Mənbənin “>%30 long-term improvement” ifadəsi xüsusilə STGCN və DCRNN kimi ənənəvi graph-spatiotemporal baselines ilə müqayisəyə aiddir və bütün rəqib modellərə qarşı eyni böyüklükdə yaxşılaşma demək deyil.

Ablation: modelin hansı hissəsi həqiqətən vacibdir?

Ən böyük performans itkisi adveksiya qolu çıxarıldıqda görünür. Bu nəticə sahil su keyfiyyəti proqnozunda yalnız lokal qarışmanın və ya tək stansiya zaman sırasının kifayət etmədiyini; yuxarı axın–aşağı axın istiqamətli daşınma məlumatının kritik olduğunu dəstəkləyir.

Diffuziya qolunun çıxarılması da \(R^2\)-ni 0.956-dan 0.839-a endirir. Reaksiya modulu nisbi olaraq ən kiçik təsirə malik olsa da çıxarıldıqda \(R^2=0.865\)-ə geriləyir.

Fiziki regularization terminləri çıxarıldıqda \(R^2=0.857\)-yə enməsi performans artımının yalnız paralel modul sayının artmasından qaynaqlanmadığını; öyrənilən əlaqə topologiyasının seyrək və adveksiya-diffuziya baxımından tamamlayıcı saxlanmasının da vacib olduğunu göstərir.

Öyrənilmiş Daşınma Matrisi Həqiqi Okean Axınını Göstərirmi?

Tam olaraq deyil. Heatmap-lər birbaşa ölçülmüş axın sürəti və ya tracer daşınması deyil, modelin 24 saatlıq proqnoz zamanı öyrəndiyi istiqamətli asılılıq çəkiləridir; lakin çəkilərin məkan deseni müəlliflərin Beibu Körfəzi üçün təsvir etdiyi qərbdən şərqə dominant daşınma, qonşu stansiyalarda lokal qarışma və uzunməsafəli gecikmiş təsirlə uyğunluq göstərir.

Qərbdəki buoy 02

Buoy 02 üçün self-loop çəkisi 0.90-a çatdığı halda şərqdən gələn bəzi çəkilər yalnız 0.15–0.25 aralığındadır. Müəlliflər 02-nin qərbdəki upstream mövqeyi ilə birlikdə bunu qərbdən şərqə dominant daşınma strukturunun göstəricisi kimi şərh edirlər.

Buoy 02 → buoy 14

Buoy 14 üçün upstream buoy 02-nin çəkisi:

0.70

olduğu halda buoy 14-ün öz self-loop çəkisi:

0.65

kimi bildirilir. Buna görə mərkəzi bölgədəki su keyfiyyəti proqnozunda qərbdəki stansiyadan gələn məlumat lokal keçmiş qədər güclü ola bilər.

Buoy 14 ↔ buoy 15

Qonşu iki mərkəzi stansiya arasında:

\[ 14\rightarrow15=0.79 \]

və:

\[ 15\rightarrow14=0.44 \]

alınmışdır. İkitərəfli əlaqə lokal qarışmanı, çəkilərin bərabər olmaması isə onun üzərinə düşən istiqamətli adveksiya təsirini təmsil edəcək şəkildə şərh olunur.

100 km-dən çox məsafəli əlaqə

Şərqdəki buoy 17 yaxınlığındakı buoy 15-dən 0.70 çəki aldığı halda, 100 km-dən çox uzaqdakı buoy 02-nin çəkisi hələ də 0.38-dir. Müəlliflər bu strukturu uzun proqnoz üfüqündə advektiv daşınma gecikməsinin model tərəfindən tutulması kimi qiymətləndirirlər.

Lakin müstəqil axın ölçmə sistemi və ya tracer təcrübəsi ilə bu 0.38, 0.70 və ya 0.79 dəyərlərinin həqiqi fiziki transport əmsalları olduğu göstərilməmişdir. Bunlar neyron şəbəkəsinin latent connection weights dəyərləridir.

İşin dəstəklədiyi nəticələr

• Adveksiya, diffuziya və reaksiyanın struktur baxımından ayrılması sahil su keyfiyyəti proqnoz performansını artırmışdır.
• Physics-ASTGN dörd Beibu Körfəzi şamandırasında 0.5–24 saat arasında güclü proqnoz performansı göstərmişdir.
• 24 saatlıq proqnozda bütün hədəf stansiyalarda \(R^2>0.94\) qorunmuşdur.
• Adveksiya modulu ablation testində ən yüksək performans töhfəsini göstərmişdir.
• Diffuziya, reaksiya və fiziki regularization terminlərinin hər biri müstəqil performans töhfəsi vermişdir.
• Öyrənilmiş daşınma matrisləri istiqamətli, asimmetrik və uzaqməsafəli bağlantılar ehtiva edir.
• Öyrənilmiş topologiya müəlliflərin Beibu Körfəzi üçün müzakirə etdiyi upstream dominance, local mixing və long-range transport latency strukturları ilə uyğundur.

İşin dəstəkləmədiyi ümumiləşdirmələr

• Physics-ASTGN birbaşa Navier–Stokes və ya tam ADR PDE həlli aparan fizika simulyatoru deyil.
• Öyrənilmiş əlaqə çəkiləri real ölçülmüş dəniz axını sürətləri deyil.
• Model yalnız dörd şamandıralı nisbətən kiçik şəbəkədə doğrulanmışdır.
• Başqa dənizlərdə və ya başqa illərdə eyni \(R^2\) dəyərlərinin qorunacağı göstərilməmişdir.
• Model musson, gelgit, çay axını və ya qurudan gələn çirkləndirici girişlərini birbaşa xarici forcings kimi istifadə etmir.
• Sabit diffuziya əmsalı və incompressible-flow fərziyyəsi real sahil hidrodinamikasının bütün mürəkkəbliyini təmsil etmir.
• Transport heatmap-lərinin fiziki uyğunluğu müstəqil current-meter və ya tracer doğrulaması deyil.
• RMSE və MAE-nin səkkiz heterogen parametr üzərində hansı fiziki miqyasda hesablandığı mənbədə açıq deyil.
• Verilən metod açıqlaması modelin bütün təlim hiperparametrlərini müstəqil təkrar istehsal üçün təqdim etmir.

Gələcək tədqiqatlar

Mənbə müəllifləri modelin daha böyük və sıx şamandıra şəbəkələrində sınaqdan keçirilməsini, dəyişən transport coefficients istifadə edilməsini, tam hidrodinamik-biokimyəvi mexanizmlə daha sıx əlaqə qurulmasını və musson, gelgit və qurudan gələn runoff kimi xarici ekoloji forcing-lərin model arxitekturası və fiziki regularization-a birbaşa daxil edilməsini təklif edirlər.

Mənbə və Metod Qeydi

Orijinal iş:Physics-ASTGN: A physically consistent adaptive spatio-temporal graph neural network coupling advection–diffusion–reaction processes for coastal water quality forecasting.

Müəlliflər: Qiguang Zhu, Jiazhen Han, Wenjing Qiao, Xiang Li və Ying Chen.

Qurumlar: School of Information Science and Engineering, Yanshan University; School of Electrical Engineering, Yanshan University, Qinhuangdao, Hebei, China.

Əlaqə müəllifləri: Mənbə PDF-də Qiguang Zhu və Wenjing Qiao işarələnmişdir. SSRN qeyd ekranında Qiguang Zhu Contact Author kimi siyahıya alınır.

DOI: 10.2139/ssrn.7207552.

Nəşr statusu: SSRN-də 30 iyul 2026-cı ildə yayımlanmış, hakem qiymətləndirməsindən keçməmiş preprint.

Məlumat: Beibu Körfəzindəki dörd şamandıradan 2019-cu il boyunca 30 dəqiqəlik nümunələmə intervalı ilə əldə edilmiş səkkiz su keyfiyyəti dəyişəni.

Model növü: Fizika ilhamlı adaptive spatio-temporal graph neural network. Fasiləsiz ADR PDE-ni birbaşa həll etmək əvəzinə adveksiya, diffuziya və reaksiya davranışlarını ayrı struktur modullarına və fiziki regularization terminlərinə uyğunlaşdırır.

Əsas fərziyyələr: Adveksiya törədilməsində incompressible flow, diffuziya şərhində sabit \(\kappa\) fərziyyəsi istifadə edilmişdir.

Məlumat əlçatanlığı: Məlumatların əsaslandırılmış sorğu əsasında əlaqə müəllifindən əldə edilə biləcəyi, lakin layihə məxfiliyi və lisenziya məhdudiyyətləri səbəbindən açıq olmadığı bildirilir.

Maliyyələşdirmə: Natural Science Foundation of China, Grant No. 62275228; Natural Science Foundation of Hebei Province, Grant Nos. D2024203002 və D2025203004; Science and Technology Program of Hebei Province, Grant Nos. 19273901D və 20373301D.

Maraqlar toqquşması: Müəlliflər işi təsirləndirə biləcək məlum maliyyə marağı və ya şəxsi münasibət olmadığını bəyan edirlər.

Müəllif töhfələri: Qiguang Zhu — software, resources, project administration, funding acquisition və formal analysis; Jiazhen Han — software, resources və data curation; Wenjing Qiao — original draft, visualization, software, methodology, formal analysis və data curation; Xiang Li — review/editing, visualization, validation, supervision və project administration; Ying Chen — review/editing, resources, project administration, funding acquisition və formal analysis.

Təkrar istehsal oluna bilmə qeydi: Mənbə model arxitekturasını ətraflı təsvir etsə də train/validation/test bölünməsinin tam tarix/nisbətləri ilə optimizer, learning rate, batch size, hidden dimension, Chebyshev order \(K\), \(\lambda\), \(\lambda_1\) və \(\lambda_2\) kimi bəzi təlim hiperparametrlərinin ədədi dəyərlərini açıq bildirmir.

Metrik qeydi: Mənbə səkkiz parametr üçün Z-score standartlaşdırılması istifadə etsə də ümumi RMSE/MAE dəyərlərinin standartlaşdırılmış məkanda, yoxsa inverse transform-dan sonra hesablandığını açıq göstərmir. Buna görə həmin dəyərlər fiziki vahid kimi şərh edilməməlidir.

Əlaqəli iş: Eyni tədqiqat qrupunun Multi-parameter prediction of seawater quality based on dynamic spatio-temporal relationship network adlı, Marine Pollution Bulletin 222, 118753, DOI 10.1016/j.marpolbul.2025.118753 məqaləsi bu işdə istinad [39] və müqayisəli adaptive-model baseline kimi istifadə olunur. Yeni iş fiziki ADR ayrışdırması və fiziki regularization qatları ilə bu tədqiqat xəttini genişləndirir.

Müəllif hüququ və vizuallar: Yüklənmiş PDF-də açıq Creative Commons təkrar istifadə lisenziyası görünmür. Mənbənin şamandıra xəritəsi, Physics-ASTGN arxitektura sxemi, performans qrafikləri və heatmap-ləri olduğu kimi çoxaldılmaq əvəzinə Verianla üçün elmi əlaqələri qoruyan orijinal sxemlər şəklində yenidən çəkilməlidir.