Sohil suvlarida harorat, sho‘rlik, erigan kislorod, pH va suv o‘tlari biomassasi bilan bog‘liq ko‘rsatkichlarni bir necha soat oldindan bashorat qilish ifloslanish hodisalari va ekologik nomutanosibliklar uchun erta ogohlantirish tizimlarining asosiy tarkibiy qismlaridan biridir. Biroq klassik gidrodinamik-ekologik modellar yuqori hisoblash xarajati va batafsil chegara shartlarini talab qiladi, faqat ma’lumotlarga tayangan chuqur o‘rganish modellari esa oqim bilan yo‘nalgan tashilish, mahalliy aralashish va biokimyoviy o‘zgarish kabi fizik jarayonlarni aniq ajratmaydi. Ushbu ish sohil suvi sifatining vaqt bo‘yicha o‘zgarishini adveksiya, diffuziya va reaksiya deb uchta asosiy mexanizmga ajratadigan Physics-ASTGN nomli fizikadan ilhomlangan adaptiv fazoviy-vaqt grafik neyron tarmog‘ini taklif etadi. Adveksiya tarmog‘i attention asosidagi assimetrik bog‘lanish matritsasi bilan oqim yo‘nalishidagi tashilishni, diffuziya tarmog‘i geografik masofaga asoslangan Chebyshev grafik konvolyutsiyasi bilan mahalliy aralashishni, reaksiya tarmog‘i esa tugun ichidagi gated bilinear transformatsiya bilan lokal biokimyoviy o‘zgarishlarni ifodalaydi. Ushbu uchta chiqish ADRGCN operatorida birlashtirilib, GRU asosidagi vaqt evolyutsiyasiga uzatiladi. Model Xitoydagi Beibu ko‘rfazida to‘rtta buyning 2019 yil davomida 30 daqiqalik oraliqlarda o‘lchagan sakkizta suv sifati parametrida baholangan. So‘nggi 24 soatlik kuzatuvlardan foydalanib 0,5–24 soat oldinga bashorat qilingan; barcha buylarda qisqa muddatli \(R^2\) qiymatlari 0.98 dan yuqori, 24 soatlik bashoratlarda esa 0.94 dan yuqori bo‘lib qolgan. Ablation natijalarida adveksiya tarmog‘ini olib tashlash 12 soatlik namunaviy testda \(R^2\) ni 0.956 dan 0.814 gacha tushirib, yo‘nalgan tashilish ma’lumoti eng muhim komponent ekanini ko‘rsatgan. O‘rganilgan transport matritsalari g‘arbdan sharqqa ustun bog‘lanish, qo‘shni buylarda ikki tomonlama aralashish va 100 km dan ortiq masofalardagi kechikkan bog‘lanishlarni ko‘rsatadi. Shunga qaramay, bular bevosita o‘lchangan oqim tezliklari emas, balki model o‘rgangan bog‘lanish og‘irliklaridir; ish fizik qonunlarini bevosita yechadigan PINN emas, fizik mexanizmlarni tarmoq arxitekturasi va regularization hadlari orqali tizimga joylashtiruvchi bashorat modelidir.

Sohil dengizlarida suv sifati faqat bitta stansiyadagi oldingi qiymatlarga bog‘liq emas. Bir nuqtadagi ifloslantiruvchi modda, oziqa tuzi, erigan kislorod yoki suv o‘tlari biomassasi bir necha soatdan keyin o‘nlab kilometr uzoqlikdagi boshqa hududda o‘lchanishi mumkin. Shu sababli dengiz muhitida vaqt bog‘liqliklari bilan birga fazoviy transport bog‘liqliklarini ham modellashtirish kerak.

Beibu ko‘rfazi yarim yopiq morfologiyasi, quruqlikdan keluvchi oqimlar, sohil sanoati va cheklangan suv almashinuvi sababli suv sifatini bashorat qilish uchun murakkab tadqiqot hududidir. Manbaning buylar joylashuvi xaritasida 02-raqamli stansiya g‘arbda, 14 va 15 markaziy hududda, 17 esa sharqroqda joylashgan. Ushbu to‘rtta doimiy buy model ichida grafik tugunlari sifatida ifodalangan.

Physics-ASTGN Qaysi Suv Sifati Ma’lumotlaridan Foydalanadi?

Physics-ASTGN Beibu ko‘rfazidagi to‘rtta buydan 1 yanvar–31 dekabr 2019 davrida 30 daqiqalik aniqlikda olingan harorat, sho‘rlik, elektr o‘tkazuvchanlik, erigan kislorod, pH, loyqalilik, xlorofill-a va phycoerythrin kabi sakkizta o‘zgaruvchini birgalikda ishlatadi.

Harorat va sho‘rlik elektr o‘tkazuvchanlik, gazlarning eruvchanligi va suv zichligi kabi fizik xususiyatlarga ta’sir qiladi. Erigan kislorod va pH fotosintez-nafas olish sikllariga sezgir. Xlorofill-a va phycoerythrin esa fitoplankton biomassasi va suv o‘tlari dinamikasining bilvosita ko‘rsatkichlari sifatida ishlatiladi.

Dastlabki ishlov berish

Xom kuzatuvlardagi chet qiymatlar 3σ mezoni bilan aniqlangan:

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

Ushbu shartni qanoatlantirgan qiymatlar NaN deb belgilangan va yetishmayotgan kuzatuv sifatida ko‘rilgan. Yetishmayotgan qiymatlar faqat avvalgi beshta vaqt qadamining harakatlanuvchi o‘rtachasi bilan to‘ldirilgan:

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

30 daqiqalik namuna olish tufayli bu amal taxminan 2.5 soatlik tarixiy ma’lumotdan foydalanadi.

Turli fizik birliklarda bo‘lgan sakkizta o‘zgaruvchi keyin faqat trening to‘plamidan olingan o‘rtacha va standart og‘ish yordamida Z-score standartlashtirishdan o‘tkazilgan:

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

Bu usul validation va test ma’lumotlari statistikalarining trening vaqtida ishlatilishiga yo‘l qo‘ymasdan ma’lumot sizib chiqishini kamaytirishni maqsad qiladi.

Grafik asosidagi masala ta’rifi

To‘rtta buy:

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

grafining tugunlari sifatida qaraladi. \(A\) tugunlar orasidagi fazoviy bog‘liqlikni ifodalaydi. Vaqt \(t\) dagi barcha stansiyalarning xususiyat matritsasi:

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

bo‘lib, bu yerda \(N=4\), \(F=8\). Barcha ma’lumot:

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

ko‘rinishidagi uch o‘lchamli vaqt–fazo–parametr tenzoriga aylantiriladi.

Adveksiya-Diffuziya-Reaksiya Tenglamasi Neyron Tarmoqqa Qanday Ko‘chiriladi?

Ish uzluksiz sohil transportini ifodalovchi klassik adveksiya-diffuziya-reaksiya tenglamasidagi uchta fizik hadni uchta alohida tarmoq shoxiga aylantiradi; adveksiya yo‘nalgan uzoq masofali uzatishni, diffuziya yaqin qo‘shnilar o‘rtasidagi aralashishni, reaksiya esa ayni tugundagi lokal nochiziqli biokimyoviy o‘zgarishni ifodalaydi.

Asosiy fizik ifoda:

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

ko‘rinishidadir.

• \(C\): suv sifati parametri,
• \(\mathbf{u}\): oqim tezligini ifodalovchi vektor,
• \(\kappa\): diffuziya koeffitsienti,
• \(R(C)\): lokal reaksiya hadi.

Physics-ASTGN bu PDE ni bevosita yechmaydi. Buning o‘rniga uchta hadning funksional xususiyatlarini tarmoq arxitekturasiga ko‘chiradi.

Adaptiv Adveksiya Moduli Oqim Yo‘nalishini Qanday O‘rganadi?

Adveksiya moduli buylar orasidagi bog‘lanishlarni simmetrik geografik masofa deb qabul qilish o‘rniga, har bir manba-maqsad juftligi uchun alohida yo‘nalgan attention og‘irliklarini o‘rganadi; shu sababli 02→14 ta’siri bilan 14→02 ta’siri bir xil bo‘lishi shart emas.

Model maqsad-kirish va manba-chiqish xususiyatlari uchun ikkita alohida embedding matritsasidan foydalanadi:

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

Ushbu embeddinglarning dastlabki ikki komponenti normallashtirilgan kenglik-uzunlik koordinatalari bilan boshlanadi. Tugunlar orasidagi yo‘nalgan ball:

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

tarzida hisoblanadi. \(S_{ij}\neq S_{ji}\) bo‘lishi mumkinligi sababli bog‘lanish matritsasi tabiiy ravishda assimetrikdir.

Adaptiv adveksiya matritsasi:

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

bilan olinadi va spatial propagation:

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

ko‘rinishida qo‘llanadi.

Bu yerda muhim cheklov shuki, \(A_{adv}\) bevosita o‘lchangan oqim tezligi matritsasi emas. Oqim yo‘nalishi koordinatalar bilan boshlangan o‘rganiluvchi bog‘lanish tuzilmasining ma’lumotdan chiqargan latent transport topology sidir.

Diffuziya Moduli Nega Adveksiyadan Alohida Saqlanadi?

Adveksiya uzoq stansiyalar orasida yo‘nalgan uzatishni ifodalasa, diffuziya qisqa masofali va taxminan izotrop aralashishni ifodalaydi. Shu sababli Physics-ASTGN diffuziyani o‘rganilgan global attention matritsasi orqali emas, geografik yaqinlikka asoslangan lokal Chebyshev graph convolution orqali modellashtiradi.

Stansiyalar orasidagi geografik masofa normallashtiriladi va boshlang‘ich qo‘shnichilik matritsasi:

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

ko‘rinishida aniqlanadi.

Chebyshev yondashuvi bilan diffuziya xususiyati:

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

ko‘rinishida hisoblanadi.

Bu amal \(K\)-hop qo‘shnichilik bilan cheklangan. Matematik jihatdan grafik Laplasiani ustida past chastotali filtrga o‘xshash ta’sir hosil qilib, yaqin stansiyalar orasidagi lokal farqlarni yumshatuvchi diffuziya xatti-harakatini taqlid qiladi.

Reaksiya Moduli Biokimyoviy O‘zgarishni Qanday Ifodalaydi?

Reaksiya moduli qo‘shni buylardan ma’lumot yig‘masdan faqat ayni tugundagi suv sifati xususiyatlarini qayta ishlaydi; bir shox konsentratsiyaga o‘xshash holatni, ikkinchi shox esa muhit sharoitlariga bog‘liq reaksiya intensivligini ifodalaydi va ikki chiqish ko‘paytirilib, massalar ta’siri qonuniga o‘xshash lokal nochiziqlilik hosil qilinadi.

Model:

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

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

ko‘rinishidadir.

Bu tuzilma haqiqiy suv o‘ti o‘sishi, kislorod sarfi yoki oziqa kinetikasiga oid aniq reaksiya konstantalarini bevosita yechmaydi. Buning o‘rniga lokal konsentratsiya va muhit sharoitlari orasidagi ko‘paytma bog‘lanishini o‘rganish uchun fizikadan ilhomlangan inductive bias beradi.

ADRGCN va vaqt evolyutsiyasi

Uchta fizik shox:

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

ko‘rinishida birlashtiriladi.

Bu tuzilma ADRGCN operatoriga aylantirilib, GRU hujayrasining update, reset va candidate-state hisoblarida qo‘llanadi. Shu tariqa vaqt qatori xotirasi faqat standart dense transformatsiyalar bilan emas, har bir qadamda adveksiya-diffuziya-reaksiya xususiyatlari bilan yangilanadi.

Ko‘p qadamli decoder

So‘nggi 24 soatning hidden-state ketma-ketligiga 1D convolution qo‘llanadi va undan keyin dense projection yordamida barcha bashorat ufqlari bevosita hosil qilinadi:

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

Manba bu usul autoregressive tarzda bir bashoratni keyingi bashoratga kirish qilmagani sababli uzoq ufqlarda xato to‘planishini kamaytirishi mumkinligini ta’kidlaydi.

Fizik Regularization Loss Funksiyasiga Qanday Qo‘shiladi?

Physics-ASTGN faqat bashorat xatosini kamaytirish bilan cheklanmaydi; adveksiya matritsasini siyraklashtiradigan L1 jazosi va adveksiya bog‘lanishlarining geografik diffuziya matritsasi bilan keraksiz ustma-ust kelishiga yo‘l qo‘ymaydigan complementarity jazosi ishlatiladi.

Adveksiya matritsasi uchun sparsity hadi:

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

ko‘rinishidadir.

Adveksiya bilan masofaga asoslangan diffuziya topologiyasining ustma-ust kelishini kamaytiradigan had:

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

Umumiy loss:

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

Bu ikki qo‘shimcha had adveksiya modulining barcha stansiyalarga katta og‘irlik berib statistik shortcut o‘rganishiga va masofaga asoslangan diffuziya shoxining nusxasiga aylanishiga yo‘l qo‘ymaslikni maqsad qiladi.

Usul va Natijalar

0.5 soatdan 24 soatgacha bashorat samaradorligi

Qisqa muddatda eng yuqori natija buoy 14 da kuzatiladi: 0.5 soat uchun \(R^2=0.993\), RMSE 1.20. Shu stansiyada 24 soatdan keyin ham \(R^2\) 0.976 bo‘lib qoladi.

Buoy 15 uzoq bashorat ufqida qiyinroq stansiyalardan biridir. 0.5 soatda \(R^2=0.986\) bo‘lsa, 24 soatda 0.944 gacha tushadi. Shunga qaramay modelning \(R^2\) qiymati barcha stansiyalarda 24 soatgacha 0.94 chegarasidan yuqori qoladi.

RMSE va MAE ni talqin qilish chegarasi

Manba sakkiz xil suv sifati o‘zgaruvchisiga Z-score standartlashtirish qo‘llanganini ko‘rsatsa-da, Table 1 dagi yagona RMSE va MAE qiymatlari standartlashtirilgan chiqish fazosida yoki teskari transformatsiyadan keyin hisoblanganini aniq aytmaydi. Shu sababli RMSE=3.31 kabi sonni bevosita °C, mg/L yoki boshqa fizik birlik sifatida talqin qilish mumkin emas. \(R^2\) qiymatlari o‘lchovsiz bo‘lgani uchun stansiyalar va bashorat ufqlari orasidagi samaradorlikni taqqoslash uchun aniqroq mezondir.

Raqib modellar bilan taqqoslash

Manba Physics-ASTGN ni ConvLSTM, DCRNN, STGCN va ASTRN bilan taqqoslagan. Buoy 15 da 24 soatlik bashoratda:

Physics-ASTGN eng yaxshi natijani beradi. ASTRNga nisbatan RMSE pasayishi taxminan %15.6. Manbadagi “>%30 long-term improvement” iborasi ayniqsa STGCN va DCRNN kabi an’anaviy graph-spatiotemporal baselines bilan taqqoslashga tegishli bo‘lib, barcha raqib modellarga nisbatan bir xil miqdordagi yaxshilanishni anglatmaydi.

Ablation: modelning qaysi qismi haqiqatan muhim?

Eng katta samaradorlik yo‘qotilishi adveksiya shoxi olib tashlanganda kuzatiladi. Bu natija sohil suvi sifatini bashorat qilishda faqat mahalliy aralashish yoki bitta stansiya vaqt qatori yetarli emasligini; yuqori oqim–quyi oqim yo‘nalishidagi transport ma’lumoti muhim ekanini tasdiqlaydi.

Diffuziya shoxini olib tashlash ham \(R^2\) ni 0.956 dan 0.839 gacha tushiradi. Reaksiya moduli nisbatan eng kichik ta’sirga ega bo‘lsa ham, olib tashlanganda \(R^2=0.865\) gacha pasayadi.

Fizik regularization hadlari olib tashlanganda \(R^2=0.857\) gacha tushishi samaradorlik oshishi faqat parallel modullar sonining ko‘payishidan kelib chiqmaganini; o‘rganilgan bog‘lanish topologiyasini siyrak va adveksiya-diffuziya nuqtai nazaridan bir-birini to‘ldiruvchi holda saqlash ham muhim ekanini ko‘rsatadi.

O‘rganilgan Transport Matritsasi Haqiqiy Okean Oqimini Ko‘rsatadimi?

To‘liq emas. Heatmaplar bevosita o‘lchangan oqim tezligi yoki tracer tashilishi emas, balki modelning 24 soatlik bashorat davomida o‘rgangan yo‘nalgan bog‘liqlik og‘irliklaridir; biroq og‘irliklarning fazoviy naqshi mualliflar Beibu ko‘rfazi uchun ta’riflagan g‘arbdan sharqqa ustun transport, qo‘shni stansiyalardagi lokal aralashish va uzoq masofali kechikkan ta’sir bilan mos keladi.

G‘arbdagi buoy 02

Buoy 02 uchun self-loop og‘irligi 0.90 ga yetadi, sharqdan keluvchi ayrim og‘irliklar esa atigi 0.15–0.25 oralig‘ida. Mualliflar 02 ning g‘arbdagi upstream joylashuvi bilan birga buni g‘arbdan sharqqa ustun transport tuzilmasining ko‘rsatkichi sifatida talqin qiladilar.

Buoy 02 → buoy 14

Buoy 14 uchun upstream buoy 02 ning og‘irligi:

0.70

bo‘lsa, buoy 14 ning o‘z self-loop og‘irligi:

0.65

deb berilgan. Demak markaziy hududdagi suv sifati bashoratida g‘arbdagi stansiyadan keluvchi ma’lumot lokal tarix kabi kuchli bo‘lishi mumkin.

Buoy 14 ↔ buoy 15

Qo‘shni ikki markaziy stansiya orasida:

\[ 14\rightarrow15=0.79 \]

va:

\[ 15\rightarrow14=0.44 \]

olingan. Ikki tomonlama bog‘lanish lokal aralashishni, og‘irliklarning teng bo‘lmasligi esa uning ustiga tushgan yo‘nalgan adveksiya ta’sirini ifodalashi sifatida talqin qilinadi.

100 km dan ortiq masofali bog‘liqlik

Sharqdagi buoy 17 yaqinidagi buoy 15 dan 0.70 og‘irlik olsa, 100 km dan ortiq uzoqlikdagi buoy 02 ning og‘irligi hanuz 0.38. Mualliflar bu tuzilmani uzoq bashorat ufqida advektiv transport kechikishini model tutib qolishi sifatida baholaydilar.

Biroq mustaqil oqim o‘lchash tizimi yoki tracer tajribasi bilan ushbu 0.38, 0.70 yoki 0.79 qiymatlarining haqiqiy fizik transport koeffitsientlari ekani ko‘rsatilmagan. Bular neyron tarmoqning latent connection weights qiymatlaridir.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Adveksiya, diffuziya va reaksiyani strukturaviy ajratish sohil suvi sifatini bashorat qilish samaradorligini oshirgan.
• Physics-ASTGN Beibu ko‘rfazidagi to‘rtta buydagi 0.5–24 soat oralig‘ida kuchli bashorat samaradorligini ko‘rsatgan.
• 24 soatlik bashoratda barcha maqsad stansiyalarda \(R^2>0.94\) saqlangan.
• Adveksiya moduli ablation testida eng katta samaradorlik hissasini ko‘rsatgan.
• Diffuziya, reaksiya va fizik regularization hadlarining har biri mustaqil samaradorlik hissasini bergan.
• O‘rganilgan transport matritsalari yo‘nalgan, assimetrik va uzoq masofali bog‘lanishlarni o‘z ichiga oladi.
• O‘rganilgan topologiya mualliflar Beibu ko‘rfazi uchun muhokama qilgan upstream dominance, local mixing va long-range transport latency tuzilmalari bilan mos keladi.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

• Physics-ASTGN bevosita Navier–Stokes yoki to‘liq ADR PDE yechimini bajaradigan fizik simulyator emas.
• O‘rganilgan bog‘lanish og‘irliklari haqiqiy o‘lchangan dengiz oqimi tezliklari emas.
• Model faqat to‘rtta buyli nisbatan kichik tarmoqda tasdiqlangan.
• Boshqa dengizlarda yoki boshqa yillarda ayni \(R^2\) qiymatlari saqlanishi ko‘rsatilmagan.
• Model musson, to‘lqin qaytishi, daryo oqimi yoki quruqlikdan keluvchi ifloslantiruvchi kirimlarini bevosita tashqi forcings sifatida ishlatmaydi.
• Doimiy diffuziya koeffitsienti va incompressible-flow farazi haqiqiy sohil gidrodinamikasining barcha murakkabligini ifodalamaydi.
• Transport heatmaplarining fizik mosligi mustaqil current-meter yoki tracer tasdig‘i emas.
• RMSE va MAE ning sakkiz heterogen parametr bo‘yicha qaysi fizik masshtabda hisoblangani manbada aniq emas.
• Berilgan metod tavsifi modelning barcha trening giperparametrlarini mustaqil qayta ishlab chiqish uchun bermaydi.

Kelajakdagi ishlar

Manba mualliflari modelni kattaroq va zichroq buy tarmoqlarida sinashni, o‘zgaruvchi transport coefficients ishlatishni, to‘liq gidrodinamik-biokimyoviy mexanizm bilan yaqinroq bog‘lanishni va musson, to‘lqin qaytishi hamda quruqlik runoff kabi tashqi ekologik forcinglarni model arxitekturasi va fizik regularization ichiga bevosita kiritishni taklif qiladilar.

Manba va Usul Haqida Izoh

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

Mualliflar: Qiguang Zhu, Jiazhen Han, Wenjing Qiao, Xiang Li va Ying Chen.

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

Aloqa mualliflari: Manba PDFda Qiguang Zhu va Wenjing Qiao ko‘rsatilgan. SSRN qayd ekranida Qiguang Zhu Contact Author sifatida ro‘yxatlangan.

DOI: 10.2139/ssrn.7207552.

Nashr holati: SSRNda 30 iyul 2026 kuni e’lon qilingan, ekspert taqrizidan o‘tmagan preprint.

Ma’lumot: Beibu ko‘rfazidagi to‘rtta buydan 2019 yil davomida 30 daqiqalik namuna olish oralig‘ida olingan sakkizta suv sifati o‘zgaruvchisi.

Model turi: Fizikadan ilhomlangan adaptive spatio-temporal graph neural network. Uzluksiz ADR PDE ni bevosita yechish o‘rniga adveksiya, diffuziya va reaksiya xatti-harakatlarini alohida strukturaviy modullar va fizik regularization hadlariga moslaydi.

Asosiy farazlar: Adveksiya hosilasida incompressible flow, diffuziya talqinida doimiy \(\kappa\) farazi ishlatilgan.

Ma’lumot mavjudligi: Ma’lumotlar asosli so‘rov bo‘yicha aloqa muallifidan olinishi mumkinligi, biroq loyiha maxfiyligi va litsenziya cheklovlari sababli ochiq emasligi aytilgan.

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

Manfaatlar to‘qnashuvi: Mualliflar ishga ta’sir qilishi mumkin bo‘lgan ma’lum moliyaviy manfaat yoki shaxsiy aloqalar yo‘qligini bildiradilar.

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

Qayta ishlab chiqarish eslatmasi: Manba model arxitekturasini batafsil bayon qilsa-da, train/validation/test bo‘linishining to‘liq sana/nisbatlari hamda optimizer, learning rate, batch size, hidden dimension, Chebyshev order \(K\), \(\lambda\), \(\lambda_1\) va \(\lambda_2\) kabi ayrim trening giperparametrlarining raqamli qiymatlarini aniq bermaydi.

Metrik eslatmasi: Manba sakkizta parametr uchun Z-score standartlashtirish ishlatsa-da, yig‘ma RMSE/MAE qiymatlari standartlashtirilgan fazoda yoki inverse transformdan keyin hisoblangani aniq emas. Shu sababli ushbu qiymatlar fizik birlik sifatida talqin qilinmasligi kerak.

Bog‘liq ish: Shu tadqiqot guruhining Multi-parameter prediction of seawater quality based on dynamic spatio-temporal relationship network nomli, Marine Pollution Bulletin 222, 118753, DOI 10.1016/j.marpolbul.2025.118753 maqolasi bu ishda havola [39] va taqqoslash uchun adaptive-model baseline sifatida ishlatiladi. Yangi ish fizik ADR ajratilishi va fizik regularization qatlamlari bilan ushbu tadqiqot yo‘nalishini kengaytiradi.

Mualliflik huquqi va vizuallar: Yuklangan PDFda ochiq Creative Commons qayta foydalanish litsenziyasi ko‘rinmaydi. Manbaning buy xaritasi, Physics-ASTGN arxitektura sxemasi, samaradorlik grafiklari va heatmaplari aynan nusxalanmasdan, Verianla uchun ilmiy bog‘lanishlarni saqlaydigan original sxemalar sifatida qayta chizilishi kerak.