Kutabiri saa kadhaa mapema viashiria vinavyohusiana na halijoto, chumvi, oksijeni iliyoyeyushwa, pH na biomasi ya mwani katika maji ya pwani ni mojawapo ya vipengele msingi vya mifumo ya tahadhari ya mapema kwa matukio ya uchafuzi na kutokuwiana kwa ikolojia. Hata hivyo, modeli za kawaida za hidrodinamiki-ikolojia zina gharama kubwa za kihesabu na zinahitaji masharti ya mipaka yenye maelezo mengi, ilhali modeli za ujifunzaji wa kina zinazotegemea data pekee hazitenganishi wazi michakato ya kimwili kama usafirishaji wenye mwelekeo unaosababishwa na mkondo, uchanganyaji wa ndani na mabadiliko ya kibayokemia. Utafiti huu unapendekeza mtandao wa neva wa grafu wa nafasi-muda unaobadilika uliochochewa na fizikia unaoitwa Physics-ASTGN, ambao hugawanya mabadiliko ya muda ya ubora wa maji ya pwani katika mifumo mitatu ya msingi: advection, diffusion na reaction. Tawi la advection huwakilisha usafirishaji wenye mwelekeo wa mkondo kwa matrix ya muunganisho isiyo linganifu inayotegemea attention, tawi la diffusion huwakilisha uchanganyaji wa ndani kwa Chebyshev graph convolution inayotegemea umbali wa kijiografia, na tawi la reaction huwakilisha mabadiliko ya kibayokemia ya ndani kwa gated bilinear transformation ndani ya node. Matokeo haya matatu huunganishwa katika operator ya ADRGCN na kupelekwa kwenye evolution ya muda inayotegemea GRU. Modeli ilitathminiwa kwa vigezo nane vya ubora wa maji vilivyopimwa kwa vipindi vya dakika 30 na maboya manne katika Beibu Gulf nchini China katika mwaka mzima wa 2019. Kwa kutumia observations za saa 24 zilizopita, utabiri wa saa 0,5–24 mbele ulifanywa; kwenye maboya yote, thamani za muda mfupi za \(R^2\) zilibaki juu ya 0.98, na katika utabiri wa saa 24 zilibaki juu ya 0.94. Katika matokeo ya ablation, kuondoa tawi la advection kulipunguza \(R^2\) kutoka 0.956 hadi 0.814 katika jaribio la mfano la saa 12, likionyesha kuwa taarifa ya usafirishaji wenye mwelekeo ndiyo sehemu muhimu zaidi. Matrices za usafirishaji zilizojifunzwa zinaonyesha uhusiano unaotawala kutoka magharibi kwenda mashariki, uchanganyaji wa pande mbili kati ya maboya jirani na miunganisho iliyochelewa inayozidi 100 km. Hata hivyo, hizi si kasi za mikondo zilizopimwa moja kwa moja, bali ni uzito wa miunganisho uliyojifunza na modeli; utafiti si PINN inayotatua sheria za fizikia moja kwa moja, bali ni modeli ya utabiri inayopachika mifumo ya kimwili ndani ya mfumo kupitia usanifu wa mtandao na terms za regularization.

Katika bahari za pwani, ubora wa maji hautegemei tu thamani za zamani katika kituo kimoja. Kichafuzi, chumvi ya virutubisho, oksijeni iliyoyeyushwa au biomasi ya mwani katika sehemu moja inaweza kupimwa baada ya saa chache katika eneo jingine lililo umbali wa makumi ya kilomita. Kwa hiyo, katika mazingira ya bahari, uhusiano wa usafirishaji wa anga unapaswa pia kuwekewa modeli pamoja na uhusiano wa muda.

Beibu Gulf ni eneo changamano kwa utabiri wa ubora wa maji kwa sababu ya morfolojia yake ya nusu-fungwa, pembejeo kutoka nchi kavu, viwanda vya pwani na ubadilishanaji mdogo wa maji. Katika ramani ya mpangilio wa maboya ya chanzo, kituo namba 02 kiko magharibi, 14 na 15 ziko katika eneo la kati, na 17 kiko mashariki zaidi. Maboya haya manne yaliyowekwa mahali pa kudumu yamewakilishwa kama nodes za grafu ndani ya modeli.

Physics-ASTGN Inatumia Data Gani za Ubora wa Maji?

Physics-ASTGN hutumia pamoja vigezo nane—halijoto, chumvi, conductivity, oksijeni iliyoyeyushwa, pH, turbidity, chlorophyll-a na phycoerythrin—vilivyopatikana kutoka maboya manne katika Beibu Gulf kwa resolution ya dakika 30 katika kipindi cha 1 Januari–31 Desemba 2019.

Halijoto na chumvi huathiri sifa za kimwili kama conductivity, umumunyifu wa gesi na density ya maji. Oksijeni iliyoyeyushwa na pH ni nyeti kwa mizunguko ya photosynthesis-respiration. Chlorophyll-a na phycoerythrin hutumiwa kama viashiria visivyo vya moja kwa moja vya biomasi ya phytoplankton na mienendo ya mwani.

Preprocessing

Outliers katika observations ghafi zilibainishwa kwa kigezo cha 3σ:

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

Thamani zinazokidhi sharti hili ziliwekwa alama kama NaN na kushughulikiwa kama observations zinazokosekana. Thamani zinazokosekana zilijazwa kwa moving average ya hatua tano zilizopita pekee:

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

Kwa sababu sampling ni ya dakika 30, operesheni hii hutumia takribani saa 2.5 za taarifa za nyuma.

Baadaye, vigezo vinane vilivyo katika units tofauti za kimwili vilifanyiwa Z-score standardization kwa kutumia mean na standard deviation zilizopatikana kutoka training set pekee:

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

Njia hii inalenga kupunguza data leakage kwa kuzuia statistics za validation na test data kutumika wakati wa training.

Ufafanuzi wa tatizo kwa grafu

Maboya manne:

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

huchukuliwa kama nodes za grafu. \(A\) inawakilisha uhusiano wa anga kati ya nodes. Katika muda \(t\), matrix ya vipengele vya vituo vyote ni:

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

ambapo \(N=4\), \(F=8\). Data yote hubadilishwa kuwa tensor yenye vipimo vitatu vya muda–anga–parameter:

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

.

Mlinganyo wa Advection-Diffusion-Reaction Unaingizwa Vipi Kwenye Mtandao wa Neva?

Utafiti hubadilisha terms tatu za kimwili katika mlinganyo wa kawaida wa advection-diffusion-reaction unaoeleza usafirishaji endelevu wa pwani kuwa matawi matatu tofauti ya mtandao; advection huwakilisha uhamishaji wa mwelekeo wa umbali mrefu, diffusion huwakilisha uchanganyaji wa majirani wa karibu, na reaction huwakilisha mabadiliko ya kibayokemia ya ndani yasiyo ya mstari kwenye node hiyo hiyo.

Uhusiano msingi wa kimwili ni:

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

.

• \(C\): parameter ya ubora wa maji,
• \(\mathbf{u}\): vector inayowakilisha kasi ya mkondo,
• \(\kappa\): diffusion coefficient,
• \(R(C)\): local reaction term.

Physics-ASTGN haitatui PDE hii moja kwa moja. Badala yake, huingiza tabia za kifunksia za terms hizi tatu kwenye usanifu wa mtandao.

Moduli ya Advection Inayobadilika Inajifunzaje Mwelekeo wa Mkondo?

Badala ya kuchukulia miunganisho kati ya maboya kama umbali wa kijiografia uliosawazika, moduli ya advection hujifunza uzito tofauti za attention zenye mwelekeo kwa kila jozi ya source-target; hivyo athari ya 02→14 si lazima iwe sawa na athari ya 14→02.

Modeli hutumia matrices mbili tofauti za embedding kwa vipengele vya target-input na source-output:

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

Vipengele viwili vya kwanza vya embeddings hizi huanzishwa kwa normalized latitude-longitude coordinates. Directional score kati ya nodes huhesabiwa kama:

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

. Kwa kuwa \(S_{ij}\neq S_{ji}\) inaweza kutokea, matrix ya muunganisho huwa asymmetric kiasili.

Adaptive advection matrix hupatikana kwa:

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

na spatial propagation hutumika kama:

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

.

Kikomo muhimu hapa ni kwamba \(A_{adv}\) si matrix ya kasi ya mkondo iliyopimwa moja kwa moja. Mwelekeo wa mkondo ni latent transport topology inayotolewa kutoka data na muundo wa muunganisho unaojifunza ulioanzishwa kwa coordinates.

Kwa Nini Moduli ya Diffusion Inatenganishwa na Advection?

Advection huwakilisha uhamishaji wenye mwelekeo kati ya vituo vya mbali, ilhali diffusion huwakilisha uchanganyaji wa umbali mfupi na takribani isotropic. Kwa hiyo Physics-ASTGN huweka modeli ya diffusion kwa local Chebyshev graph convolution inayotegemea ukaribu wa kijiografia badala ya learned global attention matrix.

Umbali wa kijiografia kati ya vituo hunormalishwa na initial adjacency matrix hufafanuliwa kama:

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

.

Kwa mbinu ya Chebyshev, diffusion feature huhesabiwa kama:

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

.

Operesheni hii imewekewa kikomo na \(K\)-hop neighborhood. Kihisabati, huunda athari inayofanana na low-pass filter juu ya graph Laplacian, na hivyo kuiga tabia ya diffusion inayolainisha tofauti za ndani kati ya vituo vya karibu.

Moduli ya Reaction Inawakilishaje Mabadiliko ya Kibayokemia?

Moduli ya reaction huchakata tu vipengele vya ubora wa maji kwenye node hiyo hiyo bila kukusanya data kutoka maboya jirani; tawi moja huwakilisha hali inayofanana na concentration, na tawi la pili huwakilisha reaction intensity inayotegemea mazingira, kisha outputs hizi mbili huzidishwa ili kuunda local nonlinearity inayofanana na mass-action law.

Modeli ni:

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

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

.

Muundo huu hautatui moja kwa moja constants maalumu za reaction zinazohusu ukuaji halisi wa mwani, matumizi ya oksijeni au nutrient kinetics. Badala yake, hutoa inductive bias iliyoongozwa na fizikia ili uhusiano wa kuzidisha kati ya local concentration na hali za mazingira uweze kujifunzwa.

ADRGCN na evolution ya muda

Matawi matatu ya kimwili huunganishwa kama:

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

.

Muundo huu hubadilishwa kuwa operator ya ADRGCN na kutumika katika hesabu za update, reset na candidate-state za GRU cell. Kwa hiyo memory ya time series husasishwa si kwa standard dense transformations pekee, bali pia kwa vipengele vya advection-diffusion-reaction katika kila hatua.

Decoder ya hatua nyingi

1D convolution hutumika kwenye hidden-state sequence ya saa 24 zilizopita na kisha horizons zote za utabiri hutolewa moja kwa moja kwa dense projection:

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

Chanzo kinadai kuwa kwa sababu mbinu hii haitumii utabiri mmoja kama input ya utabiri unaofuata kwa njia ya autoregressive, inaweza kupunguza accumulation ya error kwenye horizons ndefu.

Physical Regularization Inaongezwaje Kwenye Loss Function?

Physics-ASTGN haishii tu kupunguza prediction error; pia hutumia L1 penalty inayofanya advection matrix iwe sparse na complementarity penalty inayozuia advection connections kuingiliana bila ulazima na geographic diffusion matrix.

Sparsity term kwa advection matrix ni:

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

.

Term inayopunguza overlap kati ya advection na distance-based diffusion topology ni:

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

Total loss ni:

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

Terms hizi mbili za ziada zinalenga kuzuia moduli ya advection kujifunza statistical shortcut kwa kutoa uzito mkubwa kwa kila kituo na pia kuzuia ibadilike kuwa nakala ya tawi la distance-based diffusion.

Mbinu na Matokeo

Utendaji wa utabiri kutoka saa 0.5 hadi saa 24

Kwa muda mfupi, matokeo bora zaidi yanaonekana kwenye buoy 14: kwa saa 0.5, \(R^2=0.993\), RMSE ni 1.20. Katika kituo hicho hicho baada ya saa 24, \(R^2\) bado ni 0.976.

Buoy 15 ni mojawapo ya vituo vigumu zaidi kwenye horizon ndefu ya utabiri. Katika saa 0.5 \(R^2=0.986\), huku katika saa 24 ikishuka hadi 0.944. Hata hivyo, \(R^2\) ya modeli hubaki juu ya kizingiti cha 0.94 katika vituo vyote hadi saa 24.

Kikomo cha kutafsiri RMSE na MAE

Ingawa chanzo kinasema kuwa Z-score standardization ilitumika kwa vigezo vinane tofauti vya ubora wa maji, hakisemi wazi kama thamani moja za RMSE na MAE katika Table 1 zilihesabiwa katika standardized output space au baada ya inverse transformation. Kwa hiyo namba kama RMSE=3.31 haipaswi kutafsiriwa moja kwa moja kama °C, mg/L au unit nyingine ya kimwili. Kwa kuwa \(R^2\) haina dimension, ni metric iliyo wazi zaidi kwa kulinganisha utendaji kati ya vituo na horizons za utabiri.

Ulinganisho na modeli shindani

Chanzo kililinganisha Physics-ASTGN na ConvLSTM, DCRNN, STGCN na ASTRN. Kwenye buoy 15 kwa utabiri wa saa 24:

Physics-ASTGN hutoa matokeo bora zaidi. Kupungua kwa RMSE dhidi ya ASTRN ni takribani %15.6. Kauli ya chanzo ya “>%30 long-term improvement” inahusu hasa ulinganisho na traditional graph-spatiotemporal baselines kama STGCN na DCRNN, na haimaanishi improvement ya ukubwa huo huo dhidi ya kila modeli shindani.

Ablation: ni sehemu gani ya modeli iliyo muhimu kweli?

Upotevu mkubwa zaidi wa utendaji unaonekana tawi la advection linapoondolewa. Matokeo haya yanaunga mkono kwamba katika utabiri wa ubora wa maji ya pwani, local mixing pekee au time series ya kituo kimoja haitoshi; taarifa ya usafirishaji wenye mwelekeo wa upstream–downstream ni muhimu.

Kuondoa tawi la diffusion pia hupunguza \(R^2\) kutoka 0.956 hadi 0.839. Ingawa moduli ya reaction ina athari ndogo zaidi kwa kulinganisha, kuiondoa hupunguza \(R^2=0.865\).

Kushuka hadi \(R^2=0.857\) wakati physical regularization terms zinaondolewa kunaonyesha kuwa ongezeko la utendaji halitokani tu na kuongezeka kwa idadi ya parallel modules; kuweka learned connection topology ikiwa sparse na complementary kwa advection-diffusion pia ni muhimu.

Je, Learned Transport Matrix Inaonyesha Mkondo Halisi wa Bahari?

Si kikamilifu. Heatmaps si kasi ya mkondo iliyopimwa moja kwa moja wala tracer transport, bali ni directional dependency weights ambazo modeli imejifunza wakati wa utabiri wa saa 24; hata hivyo, spatial pattern ya weights inalingana na dominant west-to-east transport, local mixing katika vituo jirani na long-range delayed influence ambavyo waandishi wanaeleza kwa Beibu Gulf.

Buoy 02 ya magharibi

Kwa buoy 02, self-loop weight hufikia 0.90, huku baadhi ya weights zinazotoka mashariki zikiwa katika range ya 0.15–0.25 tu. Waandishi, pamoja na upstream location ya 02 upande wa magharibi, hutafsiri hili kama kiashiria cha dominant west-to-east transport structure.

Buoy 02 → buoy 14

Kwa buoy 14, weight ya upstream buoy 02 ni:

0.70

wakati self-loop weight ya buoy 14 yenyewe ni:

0.65

. Kwa hiyo katika utabiri wa ubora wa maji wa eneo la kati, taarifa kutoka kituo cha magharibi inaweza kuwa na nguvu sawa na local history.

Buoy 14 ↔ buoy 15

Kati ya vituo viwili jirani vya kati:

\[ 14\rightarrow15=0.79 \]

na:

\[ 15\rightarrow14=0.44 \]

zilipatikana. Muunganisho wa pande mbili hutafsiriwa kama local mixing, huku kutolingana kwa weights kukiwakilisha directional advection effect iliyowekwa juu yake.

Uhusiano unaozidi 100 km

Buoy 17 ya mashariki hupokea weight ya 0.70 kutoka buoy 15 iliyo karibu, huku weight ya buoy 02 iliyo zaidi ya 100 km bado ni 0.38. Waandishi hutathmini muundo huu kama modeli kunasa advection transport delay kwenye horizon ndefu ya utabiri.

Hata hivyo, hakuna independent current measurement system au tracer experiment iliyothibitisha kwamba thamani za 0.38, 0.70 au 0.79 ni physical transport coefficients halisi. Hizi ni latent connection weights za mtandao wa neva.

Matokeo yanayoungwa mkono na utafiti

• Kutenganisha kimuundo advection, diffusion na reaction kumeongeza utendaji wa utabiri wa ubora wa maji ya pwani.
• Physics-ASTGN imeonyesha utendaji mzuri wa utabiri wa saa 0.5–24 kwenye maboya manne ya Beibu Gulf.
• Katika utabiri wa saa 24, \(R^2>0.94\) imehifadhiwa katika vituo vyote lengwa.
• Moduli ya advection imeonyesha mchango mkubwa zaidi wa utendaji katika ablation test.
• Diffusion, reaction na physical regularization terms kila moja imetoa mchango huru wa utendaji.
• Learned transport matrices zina directional, asymmetric na long-distance connections.
• Learned topology inalingana na miundo ya upstream dominance, local mixing na long-range transport latency inayojadiliwa na waandishi kwa Beibu Gulf.

Majumuisho yasiyoungwa mkono na utafiti

• Physics-ASTGN si physical simulator inayotatua moja kwa moja Navier–Stokes au full ADR PDE.
• Learned connection weights si kasi halisi za mkondo wa bahari zilizopimwa.
• Modeli imethibitishwa tu katika network ndogo kiasi yenye maboya manne.
• Haijaonyeshwa kwamba thamani hizo hizo za \(R^2\) zitadumishwa katika bahari nyingine au miaka mingine.
• Modeli haitumii monsoon, tide, river discharge au terrestrial pollutant inputs moja kwa moja kama external forcings.
• Constant diffusion coefficient na incompressible-flow assumption haziwakilishi complexity yote ya real coastal hydrodynamics.
• Physical consistency ya transport heatmaps si independent current-meter au tracer validation.
• Chanzo hakielezi wazi RMSE na MAE zimehesabiwa katika scale gani ya kimwili juu ya vigezo vinane heterogeneous.
• Maelezo ya mbinu yaliyotolewa hayatoi training hyperparameters zote kwa independent reproduction.

Kazi zijazo

Waandishi wa chanzo wanapendekeza modeli ijaribiwe kwenye networks kubwa zaidi na zenye maboya mengi, variable transport coefficients zitumike, uhusiano wa karibu zaidi ujengwe na full hydrodynamic-biochemical mechanism, na external environmental forcings kama monsoon, tide na terrestrial runoff ziongezwe moja kwa moja katika model architecture na physical regularization.

Maelezo ya Chanzo na Mbinu

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

Waandishi: Qiguang Zhu, Jiazhen Han, Wenjing Qiao, Xiang Li na Ying Chen.

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

Waandishi wa mawasiliano: Katika source PDF, Qiguang Zhu na Wenjing Qiao wamewekewa alama. Kwenye rekodi ya SSRN, Qiguang Zhu ameorodheshwa kama Contact Author.

DOI: 10.2139/ssrn.7207552.

Hali ya uchapishaji: Preprint iliyochapishwa kwenye SSRN tarehe 30 Julai 2026 na ambayo haijapitia peer review.

Data: Vigezo vinane vya ubora wa maji vilivyopatikana kutoka maboya manne katika Beibu Gulf katika mwaka mzima wa 2019 kwa sampling interval ya dakika 30.

Aina ya modeli: Adaptive spatio-temporal graph neural network iliyoongozwa na fizikia. Badala ya kutatua continuous ADR PDE moja kwa moja, huweka tabia za advection, diffusion na reaction katika structural modules tofauti na physical regularization terms.

Assumptions kuu: Incompressible flow imetumika katika derivation ya advection, na constant \(\kappa\) assumption katika interpretation ya diffusion.

Upatikanaji wa data: Imeelezwa kuwa data zinaweza kupatikana kutoka kwa corresponding author kwa reasonable request, lakini haziko public kutokana na project confidentiality na licensing restrictions.

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

Mgongano wa maslahi: Waandishi wanasema hakuna known financial interest au personal relationship inayoweza kuathiri utafiti.

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

Dokezo la reproducibility: Ingawa chanzo kinaeleza model architecture kwa undani, hakiripoti wazi tarehe/ratios kamili za train/validation/test split wala numerical values za baadhi ya training hyperparameters kama optimizer, learning rate, batch size, hidden dimension, Chebyshev order \(K\), \(\lambda\), \(\lambda_1\) na \(\lambda_2\).

Dokezo la metrics: Ingawa chanzo kinatumia Z-score standardization kwa parameters nane, hakisemi wazi kama aggregate RMSE/MAE values zilihesabiwa katika standardized space au baada ya inverse transform. Kwa hiyo thamani hizo hazipaswi kutafsiriwa kama physical units.

Utafiti unaohusiana: Makala ya kundi hilo hilo la utafiti yenye kichwa Multi-parameter prediction of seawater quality based on dynamic spatio-temporal relationship network, Marine Pollution Bulletin 222, 118753, DOI 10.1016/j.marpolbul.2025.118753, inatumika katika kazi hii kama reference [39] na comparative adaptive-model baseline. Utafiti mpya unapanua mkondo huu wa utafiti kwa physical ADR decomposition na physical regularization layers.

Hakimiliki na vielelezo: Hakuna open Creative Commons reuse license inayoonekana kwenye PDF iliyopakiwa. Badala ya kunakili moja kwa moja buoy map ya chanzo, Physics-ASTGN architecture diagram, performance graphs na heatmaps, vinapaswa kuchorwa upya kwa Verianla kama original schematics zinazohifadhi mahusiano ya kisayansi.