Пешгӯии нишондиҳандаҳои вобаста ба ҳарорат, шӯрӣ, оксигени ҳалшуда, pH ва биомассаи алгҳо дар обҳои соҳилӣ чанд соат пеш яке аз ҷузъҳои асосии низомҳои огоҳкунии барвақт барои ҳодисаҳои ифлосшавӣ ва ноустувории экологӣ мебошад. Бо вуҷуди ин, моделҳои классикии гидродинамикӣ-экологӣ хароҷоти баланди ҳисоббарорӣ ва шартҳои сарҳадии муфассал талаб мекунанд, дар ҳоле ки моделҳои омӯзиши амиқи танҳо бар маълумот асосёфта равандҳои физикӣ, аз қабили интиқоли самтдор бо ҷараён, омехташавии маҳаллӣ ва табдили биохимиявиро ба таври ошкор ҷудо намекунанд. Ин таҳқиқот шабакаи нейронии графии мутобиқшавандаи фазоӣ-замонии аз физика илҳомгирифта бо номи Physics-ASTGN-ро пешниҳод мекунад, ки тағйирёбии сифати оби соҳилиро дар вақт ба се механизми асосӣ — адвексия, диффузия ва реаксия — ҷудо мекунад. Шохаи адвексия интиқоли самтдор бо ҷараёнро тавассути матритсаи асимметрии пайвастшавии асосёфта ба attention, шохаи диффузия омехташавии маҳаллиро бо Chebyshev graph convolution-и асосёфта ба масофаи ҷуғрофӣ, ва шохаи реаксия тағйироти биохимиявии маҳаллиро бо gated bilinear transformation дар дохили node намояндагӣ мекунад. Ин се баромад дар оператори ADRGCN якҷо шуда, ба эволютсияи вақтӣ бар асоси GRU интиқол дода мешаванд. Модел бо ҳашт параметри сифати об, ки чор буй дар халиҷи Beibu-и Чин дар давоми соли 2019 ҳар 30 дақиқа чен кардаанд, арзёбӣ шудааст. Бо истифода аз мушоҳидаҳои 24 соати охир пешгӯии 0,5–24 соат ба пеш анҷом дода шудааст; дар ҳамаи буйҳо арзишҳои кӯтоҳмуддати \(R^2\) аз 0.98 боло ва дар пешгӯиҳои 24-соата аз 0.94 боло боқӣ мондаанд. Дар натиҷаҳои ablation, хориҷ кардани шохаи адвексия дар санҷиши намунавии 12-соата \(R^2\)-ро аз 0.956 то 0.814 коҳиш дода, нишон додааст, ки маълумоти интиқоли самтдор муҳимтарин ҷузъ мебошад. Матритсаҳои интиқоли омӯхташуда муносибати бартаридоштаи ғарб ба шарқ, омехташавии дуҷониба байни буйҳои ҳамсоя ва пайвастҳои таъхирёфтаро дар масофаҳои зиёда аз 100 km нишон медиҳанд. Бо вуҷуди ин, инҳо суръатҳои ҷараёни мустақим ченшуда нестанд, балки вазнҳои пайвастшавие мебошанд, ки модел омӯхтааст; таҳқиқот PINN-и ҳалкунандаи мустақими қонунҳои физика нест, балки модели пешгӯист, ки механизмҳои физикиро тавассути меъмории шабака ва аъзои regularization ба система ворид мекунад.

Дар баҳрҳои соҳилӣ сифати об танҳо ба арзишҳои гузаштаи як истгоҳ вобаста нест. Ифлоскунанда, намаки ғизоӣ, оксигени ҳалшуда ё биомассаи алгҳо дар як нуқта метавонанд пас аз чанд соат дар минтақаи дигари даҳҳо километр дуртар чен карда шаванд. Аз ин рӯ дар муҳити баҳрӣ, баробари муносибатҳои вақтӣ, муносибатҳои фазоии интиқол низ бояд моделсозӣ шаванд.

Халиҷи Beibu аз сабаби морфологияи нимпӯшида, воридоти хушкӣ, саноати соҳилӣ ва мубодилаи маҳдуди об минтақаи мураккаби омӯзишӣ барои пешгӯии сифати об мебошад. Дар харитаи ҷойгиршавии буйҳои манбаъ истгоҳи рақами 02 дар ғарб, 14 ва 15 дар минтақаи марказӣ ва 17 дар шарқтар ҷойгиранд. Ин чор буйи собит дар модел ҳамчун гиреҳҳои граф намояндагӣ шудаанд.

Physics-ASTGN Аз Кадом Маълумоти Сифати Об Истифода Мекунад?

Physics-ASTGN ҳашт тағйирёбандаро — ҳарорат, шӯрӣ, гузаронандагӣ, оксигени ҳалшуда, pH, лойолудӣ, chlorophyll-a ва phycoerythrin — ки аз чор буйи халиҷи Beibu дар давраи 1 январ–31 декабри 2019 бо ҳалнокии 30-дақиқаӣ гирифта шудаанд, якҷо истифода мебарад.

Ҳарорат ва шӯрӣ ба хусусиятҳои физикӣ, аз қабили гузаронандагӣ, ҳалшавии газҳо ва зичии об таъсир мерасонанд. Оксигени ҳалшуда ва pH ба давраҳои фотосинтез-нафаскашӣ ҳассосанд. Chlorophyll-a ва phycoerythrin ҳамчун нишондиҳандаҳои ғайримустақими биомассаи фитопланктон ва динамикаи алгҳо истифода мешаванд.

Пешкоркард

Арзишҳои берунӣ дар мушоҳидаҳои хом бо меъёри 3σ муайян шудаанд:

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

Арзишҳое, ки ин шартро қонеъ мекунанд, ҳамчун NaN қайд ва ҳамчун мушоҳидаи гумшуда баррасӣ шудаанд. Арзишҳои гумшуда танҳо бо миёнаи ҳаракаткунандаи панҷ қадами вақти гузашта пур карда шудаанд:

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

Аз сабаби намунагирии 30-дақиқаӣ ин амалиёт тақрибан 2.5 соати маълумоти гузаштаро истифода мебарад.

Ҳашт тағйирёбанда, ки дар воҳидҳои физикии гуногун ҳастанд, баъдан бо миёна ва инҳирофи стандартӣ, ки танҳо аз маҷмӯаи омӯзишӣ гирифта шудаанд, Z-score standardization шудаанд:

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

Ин усул бо пешгирӣ аз истифодаи омори validation ва test ҳангоми омӯзиш коҳиш додани data leakage-ро ҳадаф мегирад.

Таърифи масъала бар асоси граф

Чор буй:

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

ҳамчун гиреҳҳои граф гирифта мешаванд. \(A\) муносибати фазоии байни гиреҳҳоро ифода мекунад. Дар вақти \(t\), матритсаи хусусиятҳои ҳамаи истгоҳҳо:

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

мебошад, ки дар он \(N=4\), \(F=8\). Ҳамаи маълумот:

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

ба тензори сеченакаи вақт–фазо–параметр табдил дода мешавад.

Муодилаи Адвексия-Диффузия-Реаксия Ба Шабакаи Нейронӣ Чӣ Гуна Интиқол Дода Мешавад?

Таҳқиқот се аъзои физикии муодилаи классикии адвексия-диффузия-реаксия, ки интиқоли пайвастаи соҳилиро тавсиф мекунад, ба се шохаи ҷудогонаи шабака табдил медиҳад; адвексия интиқоли самтдори дурмасофаро, диффузия омехташавии ҳамсояҳои наздик ва реаксия табдили биохимиявии маҳаллии ғайрихаттиро дар ҳамон гиреҳ намояндагӣ мекунад.

Ифодаи асосии физикӣ:

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

аст.

• \(C\): параметри сифати об,
• \(\mathbf{u}\): векторе, ки суръати ҷараёнро намояндагӣ мекунад,
• \(\kappa\): коэффисиенти диффузия,
• \(R(C)\): аъзои реаксияи маҳаллӣ.

Physics-ASTGN ин PDE-ро мустақим ҳал намекунад. Ба ҷойи ин, хусусиятҳои функсионалии се аъзоро ба меъмории шабака мегузаронад.

Модули Мутобиқшавандаи Адвексия Самти Ҷараёнро Чӣ Гуна Меомӯзад?

Модули адвексия ба ҷойи он ки робитаҳои байни буйҳоро ҳамчун масофаи симметрии ҷуғрофӣ қабул кунад, барои ҳар ҷуфти манбаъ-ҳадаф вазнҳои attention-и самтдори гуногун меомӯзад; ҳамин тавр таъсири 02→14 ва 14→02 маҷбур нест яксон бошад.

Модел барои хусусиятҳои ҳадаф-даромад ва манбаъ-баромад ду матритсаи embedding-и ҷудогона истифода мебарад:

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

Ду ҷузъи аввали ин embedding-ҳо бо координатаҳои нормализатсияшудаи арзу тӯл инициализатсия мешаванд. Балли самтдор байни гиреҳҳо:

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

ҳисоб карда мешавад. Азбаски \(S_{ij}\neq S_{ji}\) шуда метавонад, матритсаи пайвастшавӣ табиатан асимметрӣ аст.

Матритсаи мутобиқшавандаи адвексия:

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

гирифта мешавад ва spatial propagation:

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

шакл татбиқ мегардад.

Маҳдудияти муҳими ин ҷо он аст, ки \(A_{adv}\) матритсаи суръати ҷараёни мустақим ченшуда нест. Самти ҷараён latent transport topology мебошад, ки сохтори пайвастшавии омӯзишшаванда, ки бо координатаҳо оғоз шудааст, аз маълумот ҳосил мекунад.

Чаро Модули Диффузия Аз Адвексия Ҷудо Нигоҳ Дошта Мешавад?

Адвексия интиқоли самтдор байни истгоҳҳои дурро намояндагӣ мекунад, дар ҳоле ки диффузия омехташавии кӯтоҳмасофа ва тақрибан изотропиро ифода мекунад. Аз ин рӯ Physics-ASTGN диффузияро на тавассути матритсаи глобалии attention-и омӯхташуда, балки тавассути Chebyshev graph convolution-и маҳаллӣ, ки ба наздикии ҷуғрофӣ асос ёфтааст, моделсозӣ мекунад.

Масофаи ҷуғрофии байни истгоҳҳо нормализатсия шуда, матритсаи ибтидоии ҳамсоягӣ:

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

муайян мешавад.

Бо равиши Chebyshev хусусияти диффузия:

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

ҳисоб карда мешавад.

Ин амалиёт бо ҳамсоягии \(K\)-hop маҳдуд аст. Аз ҷиҳати математикӣ он дар Laplacian-и граф таъсири шабеҳи филтри пастгузар ба вуҷуд оварда, рафтори диффузияро тақлид мекунад, ки фарқиятҳои маҳаллиро байни истгоҳҳои наздик ҳамвор мекунад.

Модули Реаксия Тағйироти Биохимиявиро Чӣ Гуна Намояндагӣ Мекунад?

Модули реаксия бе ҷамъ кардани маълумот аз буйҳои ҳамсоя танҳо хусусиятҳои сифати обро дар ҳамон гиреҳ коркард мекунад; як шоха ҳолати монанд ба консентратсия ва шохаи дуюм шиддати реаксияро вобаста ба шароити муҳит ифода мекунад ва ду баромад зарб шуда, ғайрихаттии маҳаллие ба вуҷуд меорад, ки ба қонуни таъсири масса монанд аст.

Модел:

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

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

аст.

Ин сохтор доимиҳои мушаххаси реаксияро барои афзоиши воқеии алгҳо, истеъмоли оксиген ё кинетикаи ғизоӣ мустақим ҳал намекунад. Ба ҷойи ин, inductive bias-и аз физика илҳомгирифтаро таъмин мекунад, то робитаи зарбии байни консентратсияи маҳаллӣ ва шароити муҳит омӯхта шавад.

ADRGCN ва эволютсияи вақт

Се шохаи физикӣ:

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

якҷо мешаванд.

Ин сохтор ба оператори ADRGCN табдил дода шуда, дар ҳисобҳои update, reset ва candidate-state-и ҳуҷайраи GRU истифода мешавад. Ҳамин тавр хотираи силсилаи вақт на танҳо бо табдилҳои стандартии dense, балки дар ҳар қадам бо хусусиятҳои адвексия-диффузия-реаксия нав карда мешавад.

Decoder-и бисёрқадамӣ

Ба силсилаи hidden-state-и 24 соати охир 1D convolution татбиқ шуда, сипас бо dense projection ҳамаи уфуқҳои пешгӯӣ мустақим истеҳсол мешаванд:

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

Манбаъ иддао мекунад, ки азбаски ин усул пешгӯиро ба тарзи autoregressive ба даромади пешгӯии навбатӣ табдил намедиҳад, метавонад ҷамъшавии хатоҳоро дар уфуқҳои дароз коҳиш диҳад.

Regularization-и Физикӣ Ба Loss Function Чӣ Гуна Илова Мешавад?

Physics-ASTGN танҳо хатои пешгӯиро кам намекунад; он ҷазои L1-ро барои sparse кардани матритсаи адвексия ва ҷазои complementarity-ро барои пешгирӣ аз ҳампӯшии нолозими пайвастҳои адвексия бо матритсаи диффузияи ҷуғрофӣ истифода мебарад.

Аъзои sparsity барои матритсаи адвексия:

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

аст.

Аъзое, ки ҳампӯшии топологияи адвексия ва диффузияи асосёфта ба масофаро кам мекунад:

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

Loss-и умумӣ:

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

Ин ду аъзои иловагӣ ҳадаф доранд, ки модули адвексия бо додани вазни баланд ба ҳамаи истгоҳҳо statistical shortcut наомӯзад ва ба нусхаи шохаи диффузияи асосёфта ба масофа табдил нашавад.

Усул ва Натиҷаҳо

Иҷрои пешгӯӣ аз 0.5 соат то 24 соат

Дар кӯтоҳмуддат беҳтарин натиҷа дар buoy 14 дида мешавад: барои 0.5 соат \(R^2=0.993\), RMSE 1.20. Дар ҳамон истгоҳ пас аз 24 соат \(R^2\) ҳанӯз 0.976 аст.

Buoy 15 яке аз истгоҳҳои мушкилтар дар уфуқи дарози пешгӯӣ мебошад. Дар 0.5 соат \(R^2=0.986\), вале дар 24 соат то 0.944 коҳиш меёбад. Бо вуҷуди ин, \(R^2\)-и модел дар ҳамаи истгоҳҳо то 24 соат аз ҳадди 0.94 боло мемонад.

Ҳадди тафсири RMSE ва MAE

Гарчанде манбаъ мегӯяд, ки ба ҳашт тағйирёбандаи гуногуни сифати об Z-score standardization татбиқ шудааст, он дақиқ намегӯяд, ки арзишҳои ягонаи RMSE ва MAE дар Table 1 дар фазои стандартизатсияшудаи баромад ё пас аз inverse transformation ҳисоб шудаанд. Аз ин рӯ рақаме мисли RMSE=3.31 набояд мустақиман ҳамчун °C, mg/L ё воҳиди дигари физикӣ тафсир шавад. Азбаски \(R^2\) бевоҳид аст, барои муқоисаи иҷро байни истгоҳҳо ва уфуқҳои пешгӯӣ меъёри равшантар мебошад.

Муқоиса бо моделҳои рақиб

Манбаъ Physics-ASTGN-ро бо ConvLSTM, DCRNN, STGCN ва ASTRN муқоиса кардааст. Дар buoy 15 барои пешгӯии 24-соата:

Physics-ASTGN натиҷаи беҳтарин медиҳад. Коҳиши RMSE нисбат ба ASTRN тақрибан %15.6 аст. Ибораи “>%30 long-term improvement” дар манбаъ махсусан ба муқоиса бо graph-spatiotemporal baselines-и анъанавӣ, ба мисли STGCN ва DCRNN, дахл дорад ва маънои беҳбудии якхела нисбат ба ҳамаи моделҳои рақибро надорад.

Ablation: кадом қисми модел воқеан муҳим аст?

Бузургтарин талафи иҷро ҳангоми хориҷ кардани шохаи адвексия дида мешавад. Ин натиҷа дастгирӣ мекунад, ки барои пешгӯии сифати оби соҳилӣ танҳо омехташавии маҳаллӣ ё силсилаи вақти як истгоҳ кофӣ нест; маълумоти интиқоли самтдори болооб–поёноб муҳим мебошад.

Хориҷ кардани шохаи диффузия низ \(R^2\)-ро аз 0.956 то 0.839 паст мекунад. Ҳарчанд модули реаксия нисбатан таъсири камтар дорад, бо хориҷ кардани он \(R^2=0.865\) мешавад.

Коҳиш то \(R^2=0.857\) ҳангоми хориҷ кардани аъзои physical regularization нишон медиҳад, ки афзоиши иҷро танҳо аз зиёд шудани шумораи модулҳои параллелӣ нест; нигоҳ доштани топологияи пайвастшавии омӯхташуда sparse ва аз нигоҳи адвексия-диффузия complementarity низ муҳим аст.

Оё Матритсаи Интиқоли Омӯхташуда Ҷараёни Воқеии Уқёнусро Нишон Медиҳад?

На комилан. Heatmap-ҳо суръати ҷараёни мустақим ченшуда ё tracer transport нестанд, балки вазнҳои вобастагии самтдор мебошанд, ки модел ҳангоми пешгӯии 24-соата омӯхтааст; аммо pattern-и фазоии вазнҳо бо интиқоли бартаридоштаи ғарб ба шарқ, омехташавии маҳаллӣ дар истгоҳҳои ҳамсоя ва таъсири деркардаи дурмасофа, ки муаллифон барои халиҷи Beibu тавсиф мекунанд, мувофиқ аст.

Buoy 02 дар ғарб

Барои buoy 02 вазни self-loop ба 0.90 мерасад, дар ҳоле ки баъзе вазнҳои аз шарқомада танҳо 0.15–0.25 мебошанд. Муаллифон инро якҷо бо ҷойгиршавии upstream-и 02 дар ғарб ҳамчун нишондиҳандаи сохтори интиқоли бартаридоштаи ғарб ба шарқ тафсир мекунанд.

Buoy 02 → buoy 14

Барои buoy 14 вазни upstream buoy 02:

0.70

ва вазни self-loop-и худи buoy 14:

0.65

гузориш шудааст. Мувофиқи ин, дар пешгӯии сифати оби минтақаи марказӣ маълумот аз истгоҳи ғарбӣ метавонад ба андозаи таърихи маҳаллӣ қавӣ бошад.

Buoy 14 ↔ buoy 15

Байни ду истгоҳи марказии ҳамсоя:

\[ 14\rightarrow15=0.79 \]

ва:

\[ 15\rightarrow14=0.44 \]

гирифта шудааст. Пайвасти дуҷониба ҳамчун омехташавии маҳаллӣ ва нобаробарии вазнҳо ҳамчун таъсири адвексияи самтдор, ки ба он зам мешавад, тафсир мегардад.

Робитаи зиёда аз 100 km

Buoy 17 дар шарқ аз buoy 15-и наздик 0.70 вазн мегирад, дар ҳоле ки вазни buoy 02, ки зиёда аз 100 km дур аст, ҳанӯз 0.38 мебошад. Муаллифон ин сохторро ҳамчун он арзёбӣ мекунанд, ки модел дар уфуқи дарози пешгӯӣ таъхири интиқоли адвективиро гирифтааст.

Аммо бо низоми мустақили ченкунии ҷараён ё tracer experiment нишон дода нашудааст, ки арзишҳои 0.38, 0.70 ё 0.79 коэффисиентҳои воқеии physical transport бошанд. Инҳо latent connection weights-и шабакаи нейронӣ мебошанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Ҷудокунии сохтории адвексия, диффузия ва реаксия иҷрои пешгӯии сифати оби соҳилиро беҳтар кардааст.
• Physics-ASTGN дар чор буйи халиҷи Beibu барои 0.5–24 соат иҷрои қавии пешгӯӣ нишон додааст.
• Дар пешгӯии 24-соата дар ҳамаи истгоҳҳои ҳадаф \(R^2>0.94\) нигоҳ дошта шудааст.
• Модули адвексия дар санҷиши ablation саҳми баландтарини иҷро нишон додааст.
• Диффузия, реаксия ва аъзои physical regularization ҳар кадом саҳми мустақили иҷро додаанд.
• Матритсаҳои интиқоли омӯхташуда пайвастҳои самтдор, асимметрӣ ва дурмасофаро дар бар мегиранд.
• Топологияи омӯхташуда бо сохторҳои upstream dominance, local mixing ва long-range transport latency, ки муаллифон барои халиҷи Beibu муҳокима мекунанд, мувофиқ аст.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

• Physics-ASTGN симулятори физикие нест, ки Navier–Stokes ё ADR PDE-и пурраро мустақим ҳал кунад.
• Вазнҳои пайвастшавии омӯхташуда суръатҳои воқеии ченшудаи ҷараёни баҳр нестанд.
• Модел танҳо дар шабакаи нисбатан хурди чор буй санҷида шудааст.
• Нишон дода нашудааст, ки дар баҳрҳои дигар ё солҳои дигар ҳамон арзишҳои \(R^2\) нигоҳ дошта шаванд.
• Модел муссон, мадду ҷазр, ҷараёни дарё ё воридоти ифлоскунанда аз хушкӣро мустақим ҳамчун external forcings истифода намекунад.
• Фарзи коэффисиенти доимии диффузия ва incompressible-flow тамоми мураккабии гидродинамикаи воқеии соҳилиро намояндагӣ намекунад.
• Мутобиқати физикии transport heatmap-ҳо тасдиқи мустақили current-meter ё tracer нест.
• Дар манбаъ равшан нест, ки RMSE ва MAE барои ҳашт параметри гетерогенӣ дар кадом миқёси физикӣ ҳисоб шудаанд.
• Шарҳи додаи усул ҳамаи hyperparameter-ҳои омӯзиширо барои бозтавлиди мустақил намедиҳад.

Корҳои оянда

Муаллифони манбаъ пешниҳод мекунанд, ки модел дар шабакаҳои калонтар ва зичтари буйҳо санҷида шавад, transport coefficients-и тағйирёбанда истифода шаванд, робитаи наздиктар бо механизми пурраи гидродинамикӣ-биохимиявӣ сохта шавад ва external environmental forcings, аз қабили муссон, мадду ҷазр ва runoff-и хушкӣ, мустақим ба меъмории модел ва physical regularization дохил карда шаванд.

Ёддошт оид ба Манбаъ ва Усул

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

Муаллифон: Qiguang Zhu, Jiazhen Han, Wenjing Qiao, Xiang Li ва Ying Chen.

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

Муаллифони иртиботӣ: Дар PDF-и манбаъ Qiguang Zhu ва Wenjing Qiao ишора шудаанд. Дар саҳифаи сабти SSRN Qiguang Zhu ҳамчун Contact Author рӯйхат шудааст.

DOI: 10.2139/ssrn.7207552.

Мақоми нашр: Preprint-и 30 июли 2026 дар SSRN нашршуда, ки аз арзёбии ҳамтоён нагузаштааст.

Маълумот: Ҳашт тағйирёбандаи сифати об, ки аз чор буйи халиҷи Beibu дар давоми соли 2019 бо фосилаи намунагирии 30 дақиқа гирифта шудаанд.

Навъи модел: Adaptive spatio-temporal graph neural network-и аз физика илҳомгирифта. Ба ҷойи ҳал кардани мустақими ADR PDE-и пайваста, рафтори адвексия, диффузия ва реаксияро ба модулҳои сохтории ҷудогона ва аъзои physical regularization харита мекунад.

Фарзҳои асосӣ: Дар ҳосилкунии адвексия incompressible flow ва дар тафсири диффузия фарзи \(\kappa\)-и доимӣ истифода шудааст.

Дастрасии маълумот: Гуфта мешавад, ки маълумот бо дархости асоснок аз муаллифи иртиботӣ дастрас аст, аммо аз сабаби махфияти лоиҳа ва маҳдудиятҳои иҷозатнома оммавӣ нест.

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

Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки ягон манфиати молиявии маълум ё муносибати шахсӣ, ки ба таҳқиқот таъсир расонад, вуҷуд надорад.

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

Ёддошти бозтавлидпазирӣ: Гарчанде манбаъ меъмории моделро муфассал шарҳ медиҳад, он санаҳо/таносубҳои дақиқи train/validation/test split ва арзишҳои ададии баъзе hyperparameter-ҳои омӯзишӣ, аз қабили optimizer, learning rate, batch size, hidden dimension, Chebyshev order \(K\), \(\lambda\), \(\lambda_1\) ва \(\lambda_2\)-ро ошкоро гузориш намедиҳад.

Ёддошти метрикӣ: Гарчанде манбаъ барои ҳашт параметр Z-score standardization истифода мебарад, дақиқ намегӯяд, ки арзишҳои маҷмӯии RMSE/MAE дар фазои стандартизатсияшуда ё пас аз inverse transform ҳисоб шудаанд. Аз ин рӯ ин арзишҳо набояд ҳамчун воҳиди физикӣ тафсир шаванд.

Таҳқиқоти вобаста: Мақолаи ҳамон гурӯҳи таҳқиқотӣ бо номи 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, дар ин таҳқиқот ҳамчун reference [39] ва adaptive-model baseline-и муқоисавӣ истифода шудааст. Таҳқиқоти нав ин хатти корро бо ҷудокунии физикии ADR ва қабатҳои physical regularization васеъ мекунад.

Ҳуқуқи муаллиф ва визуалҳо: Дар PDF-и боргузоришуда иҷозатномаи кушодаи Creative Commons барои истифодаи дубора дида намешавад. Харитаи буйҳои манбаъ, схемаи меъмории Physics-ASTGN, графикҳои иҷро ва heatmap-ҳо ба ҷойи нусхабардории айнан бояд барои Verianla ҳамчун схемаҳои аслӣ, ки муносибатҳои илмиро нигоҳ медоранд, аз нав кашида шаванд.