Kıyı sularında sıcaklık, tuzluluk, çözünmüş oksijen, pH ve alg biyokütlesiyle ilişkili göstergelerin saatler öncesinden tahmin edilmesi, kirlilik olayları ve ekolojik dengesizlikler için erken uyarı sistemlerinin temel bileşenlerinden biridir. Bununla birlikte klasik hidrodinamik-ekolojik modeller yüksek hesaplama maliyeti ve ayrıntılı sınır koşulu gereksinimi taşırken, yalnız veriye dayalı derin öğrenme modelleri akıntıyla yönlü taşınım, yerel karışım ve biyokimyasal dönüşüm gibi fiziksel süreçleri açık biçimde ayırmaz. Bu çalışma, kıyı su kalitesinin zaman içindeki değişimini adveksiyon, difüzyon ve reaksiyon olmak üzere üç temel mekanizmaya ayıran Physics-ASTGN adlı fizik esinli uyarlanabilir uzay-zamansal grafik sinir ağını önermektedir. Adveksiyon kolu attention tabanlı asimetrik bir bağlantı matrisiyle akıntı yönlü taşınımı, difüzyon kolu coğrafi uzaklığa dayalı Chebyshev grafik konvolüsyonuyla yerel karışımı, reaksiyon kolu ise node içi gated bilinear dönüşümle lokal biyokimyasal değişimleri temsil eder. Bu üç çıktı ADRGCN operatöründe birleştirilerek GRU tabanlı zaman evrimine aktarılır. Model, Çin'deki Beibu Körfezi'nde dört şamandıranın 2019 yılı boyunca 30 dakikalık aralıklarla ölçtüğü sekiz su kalitesi parametresinde değerlendirilmiştir. Son 24 saatlik gözlemler kullanılarak 0,5–24 saat ileri tahmin yapılmış; tüm şamandıralarda kısa vadeli \(R^2\) değerleri 0.98'in üzerinde, 24 saatlik tahminlerde ise 0.94'ün üzerinde kalmıştır. Ablation sonuçlarında adveksiyon kolunun kaldırılması 12 saatlik örnek testte \(R^2\)'yi 0.956'dan 0.814'e düşürerek yönlü taşınım bilgisinin en kritik bileşen olduğunu göstermiştir. Öğrenilen taşıma matrisleri batıdan doğuya baskın ilişki, komşu şamandıralar arasında çift yönlü karışım ve 100 km'yi aşan gecikmeli bağlantılar sergilemektedir. Bununla birlikte bunlar doğrudan ölçülmüş akıntı hızları değil, modelin öğrendiği bağlantı ağırlıklarıdır; çalışma fizik yasalarını doğrudan çözen bir PINN değil, fiziksel mekanizmaları ağ mimarisi ve düzenlileştirme terimleri üzerinden sisteme yerleştiren bir tahmin modelidir.

Kıyı denizlerinde su kalitesi yalnız bir istasyondaki geçmiş değerlere bağlı değildir. Bir noktadaki kirletici, besin tuzu, çözünmüş oksijen veya alg biyokütlesi birkaç saat sonra onlarca kilometre uzaktaki başka bir bölgede ölçülebilir. Bu nedenle deniz çevresinde zaman ilişkilerinin yanında mekânsal taşıma ilişkilerinin de modellenmesi gerekir.

Beibu Körfezi yarı kapalı morfolojisi, karasal girdiler, kıyı endüstrisi ve sınırlı su değişimi nedeniyle su kalitesi tahmini açısından karmaşık bir çalışma alanıdır. Kaynağın şamandıra yerleşim haritasında 02 numaralı istasyon batıda, 14 ve 15 merkezi bölgede, 17 ise daha doğuda yer almaktadır. Bu dört sabit şamandıra, model içinde grafik düğümleri olarak temsil edilmiştir.

Physics-ASTGN Hangi Su Kalitesi Verilerini Kullanıyor?

Physics-ASTGN, Beibu Körfezi'ndeki dört şamandıradan 1 Ocak–31 Aralık 2019 döneminde 30 dakikalık çözünürlükte elde edilen sıcaklık, tuzluluk, iletkenlik, çözünmüş oksijen, pH, bulanıklık, klorofil-a ve phycoerythrin olmak üzere sekiz değişkeni birlikte kullanmaktadır.

Sıcaklık ve tuzluluk; iletkenlik, gaz çözünürlüğü ve su yoğunluğu gibi fiziksel özellikleri etkiler. Çözünmüş oksijen ve pH fotosentez-solunum döngülerine duyarlıdır. Klorofil-a ve phycoerythrin ise fitoplankton biyokütlesi ve alg dinamiklerinin dolaylı göstergeleri olarak kullanılır.

Ön işleme

Ham gözlemlerdeki aykırı değerler 3σ ölçütüyle belirlenmiştir:

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

Bu koşulu sağlayan değerler NaN olarak işaretlenmiş ve eksik gözlem gibi ele alınmıştır. Eksik değerler yalnız geçmişteki beş zaman adımının hareketli ortalamasıyla doldurulmuştur:

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

30 dakikalık örnekleme nedeniyle bu işlem yaklaşık 2.5 saatlik geçmiş bilgiyi kullanır.

Farklı fiziksel birimlerde bulunan sekiz değişken daha sonra yalnız eğitim setinden elde edilen ortalama ve standart sapmayla Z-score standardizasyonuna tabi tutulmuştur:

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

Bu yöntem validation ve test verilerinin istatistiklerinin eğitim sırasında kullanılmasını engelleyerek veri sızıntısını azaltmayı amaçlamaktadır.

Grafik tabanlı problem tanımı

Dört şamandıra:

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

grafiğinin düğümleri olarak ele alınır. \(A\) düğümler arasındaki uzaysal ilişkiyi temsil eder. Zaman \(t\)'de bütün istasyonların özellik matrisi:

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

olup burada \(N=4\), \(F=8\)'dir. Tüm veri:

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

şeklinde üç boyutlu bir zaman–uzay–parametre tensörüne dönüştürülmektedir.

Adveksiyon-Difüzyon-Reaksiyon Denklemi Sinir Ağına Nasıl Aktarılıyor?

Çalışma, sürekli kıyı taşınımını tanımlayan klasik adveksiyon-difüzyon-reaksiyon denklemindeki üç fiziksel terimi üç ayrı ağ koluna dönüştürür; adveksiyon yönlü uzun mesafe aktarımını, difüzyon yakın komşu karışımını ve reaksiyon aynı düğümdeki yerel doğrusal olmayan biyokimyasal dönüşümü temsil eder.

Temel fiziksel ifade:

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

şeklindedir.

• \(C\): su kalitesi parametresi,
• \(\mathbf{u}\): akış hızını temsil eden vektör,
• \(\kappa\): difüzyon katsayısı,
• \(R(C)\): yerel reaksiyon terimidir.

Physics-ASTGN bu PDE'yi doğrudan çözmez. Bunun yerine üç terimin işlevsel özelliklerini ağ mimarisine aktarır.

Uyarlanabilir Adveksiyon Modülü Akıntı Yönünü Nasıl Öğreniyor?

Adveksiyon modülü şamandıralar arasındaki bağlantıları simetrik coğrafi uzaklık olarak kabul etmek yerine, her kaynak-hedef çifti için farklı yönlü attention ağırlıkları öğrenir; böylece 02→14 etkisi ile 14→02 etkisinin aynı olması zorunlu değildir.

Model hedef-giriş ve kaynak-çıkış özellikleri için iki ayrı embedding matrisi kullanır:

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

Bu embedding'lerin ilk iki bileşeni normalize edilmiş enlem-boylam koordinatlarıyla başlatılır. Düğümler arasındaki yönlü skor:

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

olarak hesaplanır. \(S_{ij}\neq S_{ji}\) olabildiği için bağlantı matrisi doğal olarak asimetriktir.

Uyarlanabilir adveksiyon matrisi:

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

ile elde edilir ve spatial propagation:

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

şeklinde uygulanır.

Buradaki önemli sınır, \(A_{adv}\)'nin doğrudan ölçülmüş akıntı hızı matrisi olmamasıdır. Akıntı yönü, koordinatlarla başlatılan öğrenilebilir bağlantı yapısının veriden çıkardığı bir latent transport topology'dir.

Difüzyon Modülü Neden Adveksiyondan Ayrı Tutuluyor?

Adveksiyon uzak istasyonlar arasında yönlü aktarımı temsil ederken difüzyon kısa mesafeli ve yaklaşık izotropik karışımı temsil eder. Physics-ASTGN bu nedenle difüzyonu öğrenilmiş küresel attention matrisi yerine coğrafi yakınlığa dayalı yerel bir Chebyshev graph convolution üzerinden modeller.

İstasyonlar arası coğrafi mesafe normalize edilir ve başlangıç komşuluk matrisi:

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

biçiminde tanımlanır.

Chebyshev yaklaşımıyla difüzyon özelliği:

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

olarak hesaplanır.

Bu işlem \(K\)-hop komşulukla sınırlıdır. Matematiksel olarak grafik Laplasyeni üzerinde düşük geçiren filtre benzeri bir etki oluşturarak yakın istasyonlar arasındaki lokal farklılıkları yumuşatan difüzyon davranışını taklit eder.

Reaksiyon Modülü Biyokimyasal Değişimi Nasıl Temsil Ediyor?

Reaksiyon modülü komşu şamandıralardan veri toplamadan yalnız aynı düğümdeki su kalitesi özelliklerini işler; bir kol konsantrasyon benzeri durumu, ikinci kol ise çevre koşullarına bağlı reaksiyon şiddetini temsil eder ve iki çıktı çarpılarak kütle etkisi yasasına benzeyen yerel bir doğrusal olmayanlık oluşturulur.

Model:

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

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

şeklindedir.

Bu yapı gerçek alg büyümesi, oksijen tüketimi veya besin kinetiğine ait belirli reaksiyon sabitlerini doğrudan çözmez. Bunun yerine yerel konsantrasyon ve çevresel koşullar arasındaki çarpımsal ilişkinin öğrenilebilmesi için fizik esinli bir inductive bias sağlar.

ADRGCN ve zaman evrimi

Üç fiziksel kol:

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

şeklinde birleştirilir.

Bu yapı ADRGCN operatörü haline getirilerek GRU hücresinin update, reset ve candidate-state hesaplamalarında kullanılır. Böylece zaman serisi hafızası yalnız standart dense dönüşümlerle değil, her adımda adveksiyon-difüzyon-reaksiyon özellikleriyle güncellenir.

Çok adımlı decoder

Son 24 saatin hidden-state dizisi üzerinde 1D convolution uygulanır ve daha sonra dense projection ile bütün tahmin ufukları doğrudan üretilir:

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

Kaynak, bunun autoregressive biçimde bir tahmini sonraki tahminin girdisi yapmaması nedeniyle uzun ufuklarda hata birikimini azaltabileceğini savunmaktadır.

Fiziksel Düzenlileştirme Loss Fonksiyonuna Nasıl Ekleniyor?

Physics-ASTGN yalnız tahmin hatasını küçültmekle yetinmez; adveksiyon matrisini seyrek hale getiren bir L1 cezası ve adveksiyon bağlantılarının coğrafi difüzyon matrisiyle gereksiz biçimde çakışmasını engelleyen complementarity cezası kullanır.

Adveksiyon matrisi için sparsity terimi:

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

şeklindedir.

Adveksiyon ile mesafe tabanlı difüzyon topolojisinin çakışmasını azaltan terim:

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

Toplam loss:

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

Bu iki ek terim adveksiyon modülünün her istasyona yüksek ağırlık vererek istatistiksel shortcut öğrenmesini ve mesafe tabanlı difüzyon kolunun bir kopyasına dönüşmesini engellemeyi amaçlar.

Yöntem ve Bulgular

0.5 saatten 24 saate tahmin performansı

Kısa vadede en yüksek sonuç buoy 14'te görülür: 0.5 saat için \(R^2=0.993\), RMSE 1.20'dir. Aynı istasyonda 24 saat sonra \(R^2\) hâlâ 0.976'dır.

Buoy 15, uzun tahmin ufkunda daha zor istasyonlardan biridir. 0.5 saatte \(R^2=0.986\) iken 24 saatte 0.944'e düşmektedir. Buna rağmen modelin \(R^2\)'si bütün istasyonlarda 24 saate kadar 0.94 eşiğinin üzerinde kalır.

RMSE ve MAE'nin yorum sınırı

Kaynak sekiz farklı su kalitesi değişkeninin Z-score standardizasyonu uygulandığını belirtmekle birlikte Table 1'deki tek RMSE ve MAE değerlerinin standartlaştırılmış çıktı uzayında mı yoksa ters dönüşüm sonrasında mı hesaplandığını açık biçimde belirtmez. Bu nedenle RMSE=3.31 gibi bir sayı doğrudan °C, mg/L veya başka bir fiziksel birim olarak yorumlanmamalıdır. \(R^2\) değerleri boyutsuz olduğundan istasyonlar ve tahmin ufukları arasındaki performans karşılaştırması için daha açık bir ölçüttür.

Rakip modellerle karşılaştırma

Kaynak Physics-ASTGN'yi ConvLSTM, DCRNN, STGCN ve ASTRN ile karşılaştırmıştır. Buoy 15'te 24 saatlik tahminde:

Physics-ASTGN en iyi sonucu verir. ASTRN'ye göre RMSE düşüşü yaklaşık %15.6'dır. Kaynağın “>%30 long-term improvement” ifadesi özellikle STGCN ve DCRNN gibi geleneksel graph-spatiotemporal baselines ile yapılan karşılaştırmaya ilişkindir ve tüm rakip modellere karşı aynı büyüklükte iyileşme anlamına gelmez.

Ablation: modelin hangi parçası gerçekten önemli?

En büyük performans kaybı adveksiyon kolu kaldırıldığında görülür. Bu sonuç, kıyı su kalitesi tahmininde yalnız yerel karışım veya tek istasyon zaman serisinin yeterli olmadığını; yukarı akım–aşağı akım yönlü taşıma bilgisinin kritik olduğunu desteklemektedir.

Difüzyon kolunun kaldırılması da \(R^2\)'yi 0.956'dan 0.839'a düşürmektedir. Reaksiyon modülü göreli olarak en küçük etkiye sahip olmasına rağmen çıkarıldığında \(R^2=0.865\)'e gerilemektedir.

Fiziksel regularization terimlerinin kaldırılmasıyla \(R^2=0.857\)'ye düşmesi, performans artışının yalnız paralel modül sayısındaki artıştan kaynaklanmadığını; öğrenilen bağlantı topolojisinin seyrek ve adveksiyon-difüzyon açısından tamamlayıcı tutulmasının da önemli olduğunu göstermektedir.

Öğrenilen Taşıma Matrisi Gerçek Okyanus Akıntısını Gösteriyor mu?

Tam olarak değil. Heatmap'ler doğrudan ölçülmüş akıntı hızı veya tracer taşınımı değil, modelin 24 saatlik tahmin sırasında öğrendiği yönlü bağımlılık ağırlıklarıdır; ancak ağırlıkların mekânsal deseni, yazarların Beibu Körfezi için tanımladığı batıdan doğuya baskın taşınım, komşu istasyonlarda yerel karışım ve uzun mesafeli gecikmeli etkiyle uyum göstermektedir.

Batıdaki buoy 02

Buoy 02 için self-loop ağırlığı 0.90'a ulaşırken doğudan gelen bazı ağırlıklar yalnız 0.15–0.25 aralığındadır. Yazarlar 02'nin batıdaki upstream konumuyla birlikte bunu batıdan doğuya baskın taşıma yapısının göstergesi olarak yorumlamaktadır.

Buoy 02 → buoy 14

Buoy 14 için upstream buoy 02'nin ağırlığı:

0.70

iken buoy 14'ün kendi self-loop ağırlığı:

0.65

olarak raporlanır. Buna göre merkezi bölgedeki su kalitesi tahmininde batıdaki istasyondan gelen bilgi yerel geçmiş kadar güçlü hale gelebilmektedir.

Buoy 14 ↔ buoy 15

Komşu iki merkezi istasyon arasında:

\[ 14\rightarrow15=0.79 \]

ve:

\[ 15\rightarrow14=0.44 \]

elde edilmiştir. Çift yönlü bağlantı yerel karışımı, ağırlıkların eşit olmaması ise üzerine binen yönlü adveksiyon etkisini temsil edecek biçimde yorumlanmaktadır.

100 km'yi aşan ilişki

Doğudaki buoy 17, yakınındaki buoy 15'ten 0.70 ağırlık alırken, 100 km'yi aşan uzaklıktaki buoy 02'nin ağırlığı hâlâ 0.38'dir. Yazarlar bu yapıyı uzun tahmin ufkunda advektif taşınım gecikmesinin model tarafından yakalanması olarak değerlendirmektedir.

Ancak bağımsız bir akıntı ölçüm sistemi veya tracer deneyiyle bu 0.38, 0.70 veya 0.79 değerlerinin gerçek fiziksel transport katsayıları olduğu gösterilmemiştir. Bunlar sinir ağının latent connection weights değerleridir.

Çalışmanın desteklediği sonuçlar

• Adveksiyon, difüzyon ve reaksiyonu yapısal olarak ayırmak kıyı su kalitesi tahmin performansını artırmıştır.
• Physics-ASTGN dört Beibu Körfezi şamandırasında 0.5–24 saat arasında güçlü tahmin performansı göstermiştir.
• 24 saatlik tahminde tüm hedef istasyonlarda \(R^2>0.94\) korunmuştur.
• Adveksiyon modülü ablation testinde en yüksek performans katkısını göstermiştir.
• Difüzyon, reaksiyon ve fiziksel regularization terimlerinin her biri bağımsız performans katkısı sağlamıştır.
• Öğrenilen taşıma matrisleri yönlü, asimetrik ve uzak mesafeli bağlantılar içermektedir.
• Öğrenilen topoloji yazarların Beibu Körfezi için tartıştığı upstream dominance, local mixing ve long-range transport latency yapılarıyla uyumludur.

Çalışmanın desteklemediği genellemeler

• Physics-ASTGN doğrudan Navier–Stokes veya tam ADR PDE çözümü yapan bir fizik simülatörü değildir.
• Öğrenilen bağlantı ağırlıkları gerçek ölçülmüş deniz akıntı hızları değildir.
• Model yalnız dört şamandıralı nispeten küçük bir ağda doğrulanmıştır.
• Başka denizler veya başka yıllarda aynı \(R^2\) değerlerinin korunacağı gösterilmemiştir.
• Model doğrudan muson, gelgit, nehir debisi veya karasal kirletici girdilerini dış forcings olarak kullanmamaktadır.
• Sabit difüzyon katsayısı ve incompressible-flow varsayımı gerçek kıyı hidrodinamiğinin tüm karmaşıklığını temsil etmez.
• Transport heatmap'lerinin fiziksel uyumu bağımsız current-meter veya tracer doğrulaması değildir.
• RMSE ve MAE'nin sekiz heterojen parametre üzerinde hangi fiziksel ölçekte hesaplandığı kaynakta açık değildir.
• Verilen yöntem açıklaması modelin tüm eğitim hiperparametrelerini bağımsız yeniden üretim için sağlamamaktadır.

Gelecek çalışmalar

Kaynak yazarları modelin daha büyük ve yoğun şamandıra ağlarında test edilmesini, değişken transport coefficients kullanılmasını, tam hidrodinamik-biyokimyasal mekanizma ile daha yakın bağ kurulmasını ve muson, gelgit ve karasal runoff gibi dış çevresel zorlamaların model mimarisi ile fiziksel regularization içine doğrudan eklenmesini önermektedir.

Kaynak ve Yöntem Notu

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

Yazarlar: Qiguang Zhu, Jiazhen Han, Wenjing Qiao, Xiang Li ve Ying Chen.

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

İletişim yazarları: Kaynak PDF'de Qiguang Zhu ve Wenjing Qiao işaretlenmiştir. SSRN kayıt ekranında Qiguang Zhu Contact Author olarak listelenmektedir.

DOI: 10.2139/ssrn.7207552.

Yayın statüsü: SSRN üzerinde 30 Temmuz 2026 tarihinde yayımlanmış, hakem değerlendirmesinden geçmemiş preprint.

Veri: Beibu Körfezi'ndeki dört şamandıranın 2019 yılı boyunca 30 dakikalık örnekleme aralığında elde edilen sekiz su kalitesi değişkeni.

Model türü: Fizik esinli adaptive spatio-temporal graph neural network. Sürekli ADR PDE'sini doğrudan çözmek yerine adveksiyon, difüzyon ve reaksiyon davranışlarını ayrı yapısal modüllere ve fiziksel regularization terimlerine eşler.

Temel varsayımlar: Adveksiyon türetiminde incompressible flow, difüzyon yorumunda sabit \(\kappa\) varsayımı kullanılmıştır.

Veri erişilebilirliği: Verilerin makul talep üzerine iletişim yazarından sağlanabileceği; ancak proje gizliliği ve lisans kısıtları nedeniyle kamuya açık olmadığı belirtilmektedir.

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

Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen finansal çıkar veya kişisel ilişki bulunmadığını beyan etmektedir.

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

Yeniden üretilebilirlik notu: Kaynak model mimarisini ayrıntılı olarak açıklamasına rağmen train/validation/test bölünmesinin tam tarih/oranları ile optimizer, learning rate, batch size, hidden dimension, Chebyshev order \(K\), \(\lambda\), \(\lambda_1\) ve \(\lambda_2\) gibi bazı eğitim hiperparametrelerinin sayısal değerlerini açıkça raporlamamaktadır.

Metrik notu: Kaynak, sekiz parametre için Z-score standardizasyonu kullanmasına rağmen toplu RMSE/MAE değerlerinin standardize uzayda mı yoksa inverse transform sonrası mı hesaplandığını açıkça belirtmemektedir. Bu nedenle söz konusu değerler fiziksel birim olarak yorumlanmamalıdır.

İlişkili çalışma: Aynı araştırma grubunun Multi-parameter prediction of seawater quality based on dynamic spatio-temporal relationship network başlıklı, Marine Pollution Bulletin 222, 118753, DOI 10.1016/j.marpolbul.2025.118753 makalesi bu çalışmada referans [39] ve karşılaştırmalı adaptive-model baseline olarak kullanılmaktadır. Yeni çalışma fiziksel ADR ayrıştırması ve fiziksel regularization katmanlarıyla bu araştırma hattını genişletmektedir.

Telif ve görseller: Yüklenen PDF üzerinde açık bir Creative Commons yeniden kullanım lisansı görünmemektedir. Kaynak şamandıra haritası, Physics-ASTGN mimari şeması, performans grafikleri ve heatmap'ler birebir çoğaltılmak yerine Verianla için bilimsel ilişkileri koruyan özgün şemalar olarak yeniden çizilmelidir.