DOI: https://doi.org/10.1038/s41598-025-13221-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40715581
تاريخ النشر: 2025-07-26
المؤلف: Prashant Parasar وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم هذه الدراسة إطار تعلم عميق قابل للتفسير لتوقع تصريف الأنهار اليومي في حوض نهر سوبارناريكها (SRB)، باستخدام شبكات كولموغوروف أرنولد (KAN) المدمجة مع تفسيرات شابلي الإضافية (SHAP). تم تدريب النموذج باستخدام بيانات هيدرولوجية من خمسة نماذج عامة لدورات المناخ (GCMs) تحت سيناريو المسار الاجتماعي والاقتصادي المشترك (SSP585) عالي الانبعاثات، تغطي الفترة من 1980 إلى 2022 وتستشرف حتى عام 2100. تشير النتائج الرئيسية إلى أن KAN حقق أداءً تنبؤياً قوياً، مع قيم خطأ الجذر التربيعي المتوسط (RMSE) تتراوح بين 42.7 و58.3 م³/ث، وقيم كفاءة ناش-سوتكليف (NSE) تتراوح من 0.80 إلى 0.87، وقيم R² تتراوح من 0.84 إلى 0.90 عبر أربع محطات قياس. حدد تحليل SHAP الرطوبة النسبية، والرطوبة النوعية، ودرجة الحرارة كمتنبئات هامة، بينما أظهرت الأمطار مساهمة محدودة بسبب التناقضات المكانية الكامنة في بيانات GCM.
لم يقتصر إطار KAN على التفوق على نماذج التعلم الآلي التقليدية من حيث الدقة، بل قدم أيضاً قابلية تفسير محسنة، وهو أمر حاسم لإدارة موارد المياه بشكل مستنير. تسلط الدراسة الضوء على أهمية المتغيرات الديناميكية الحرارية في توقع التصريف وتقترح أن التوقعات المستقبلية تحت سيناريو SSP585 من المحتمل أن تشهد زيادة في تكرار وشدة أحداث التدفق القصوى خلال أشهر الرياح الموسمية. تسهل القابلية للتفسير التي تقدمها SHAP التدخلات المستهدفة لتخفيف الفيضانات وتخطيط الري التكيفي، مما يجعل هذا الإطار أداة قيمة لاستراتيجيات إدارة المياه المقاومة للمناخ. يمكن أن تعزز الأبحاث المستقبلية هذا النموذج من خلال دمج بيانات الاستشعار عن بعد ومؤشرات اجتماعية واقتصادية، مع معالجة قيود مدخلات الأمطار المستمدة من GCM.
الطرق
توضح قسم “الطرق” المواد والمنهجيات المستخدمة في البحث. تفصل المواد المحددة المستخدمة في التجارب، بما في ذلك مصادرها وخصائصها، والتي تعتبر حاسمة لتكرار الدراسة. يتم وصف المنهجية بشكل منهجي، مع تسليط الضوء على تصميم التجربة، وتقنيات جمع البيانات، وإجراءات التحليل.
تشير النتائج الرئيسية من المنهجية إلى أن المواد المختارة أثرت بشكل كبير على النتائج، وأن الطرق المستخدمة ضمنت تحليلًا قويًا للبيانات. يبرز القسم أهمية الصرامة المنهجية في تحقيق نتائج موثوقة وصحيحة، مما يساهم في النزاهة العامة للبحث.
النتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج الهامة المستمدة من البيانات التجريبية. تشير التحليلات إلى أن النموذج المقترح يظهر تحسنًا ملحوظًا في دقة التنبؤ مقارنة بالمنهجيات الحالية، مع مستوى دلالة إحصائية p < 0.05. بالإضافة إلى ذلك، تكشف النتائج عن وجود ارتباط قوي بين المتغيرات المستقلة والمتغير التابع، مما يشير إلى أن النموذج يلتقط بفعالية العلاقات الأساسية داخل البيانات. علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، مع التأكيد على أهميتها في المجال. لا تساهم الأداء المحسن للنموذج فقط في التقدم النظري، بل تقدم أيضًا تطبيقات عملية في السيناريوهات الواقعية. يقترح المؤلفون أن الأبحاث المستقبلية يمكن أن تستكشف دمج متغيرات إضافية لتحسين قدرات النموذج التنبؤية. بشكل عام، تؤكد النتائج على إمكانيات النهج المقترح في تعزيز المعرفة والممارسة في المجال المعني.
المناقشة
تركز الدراسة على حوض نهر سوبارناريكها (SRB) في شرق الهند، الذي يتميز بمناخه الموسمي الاستوائي وتنوعه الهيدرولوجي الكبير المتأثر بأنماط الأمطار الموسمية. يمتد الحوض على مساحة تقارب 19,300 كم²، ويشهد تغييرات موسمية ملحوظة، مما يؤدي إلى فيضانات مفاجئة خلال أشهر الرياح الموسمية وظروف تدفق منخفضة في الفترات الجافة. تستخدم الأبحاث بيانات من أربع محطات قياس—موري، أديتيابور، جامشيدبور، وغاتسيلا—تغطي سجلات تصريف الأنهار اليومية من 1980 إلى 2022، إلى جانب المتغيرات الهيدرولوجية المستمدة من مشروع مقارنة النماذج المتصلة المرحلة 6 (CMIP6) تحت سيناريو المسار الاجتماعي والاقتصادي المشترك عالي الانبعاثات (SSP585). تم استخدام نهج تجميع متعدد النماذج للتخفيف من التحيزات الكامنة في نماذج الدورة العامة الفردية (GCMs)، مما يعزز موثوقية التوقعات المناخية لنمذجة الهيدرولوجيا.
أظهر نموذج شبكات كولموغوروف أرنولد (KAN) قدرات تنبؤية قوية لتصريف اليومي التاريخي، محققًا مقاييس ارتباط عالية (قيم R² تتراوح بين 0.84 و0.90) عبر محطات القياس. التقط النموذج بفعالية تباين التصريف الموسمي وأدى بشكل جيد بشكل خاص خلال أحداث التدفق القصوى، مما يشير إلى ملاءمته لتوقع تصريف الأنهار على المدى الطويل. تشير التوقعات المستقبلية تحت سيناريو SSP585 إلى زيادة في تكرار وشدة أحداث التصريف العالية، مما يعكس ضعف الحوض أمام الضغوط الهيدرولوجية الناتجة عن تغير المناخ. تؤكد النتائج على أهمية دمج تقنيات التعلم الآلي المتقدمة مع بيانات المناخ المصححة من التحيز لتحسين إدارة موارد المياه وتقييم مخاطر الفيضانات في سياق تغير المناخ المستمر.
DOI: https://doi.org/10.1038/s41598-025-13221-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40715581
Publication Date: 2025-07-26
Author(s): Prashant Parasar et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This study introduces an interpretable deep learning framework for daily river discharge forecasting in the Subarnarekha river basin (SRB), utilizing Kolmogorov Arnold networks (KAN) integrated with Shapley additive exPlanations (SHAP). The model was trained using hydroclimatic data from five CMIP6 general circulation models (GCMs) under the high emissions shared socioeconomic pathway (SSP585) scenario, covering the period from 1980 to 2022 and projecting to 2100. Key findings indicate that KAN achieved strong predictive performance, with root mean squared error (RMSE) values between 42.7 and 58.3 m³/s, Nash-Sutcliffe efficiency (NSE) values from 0.80 to 0.87, and R² values ranging from 0.84 to 0.90 across four gauging stations. SHAP analysis identified relative humidity, specific humidity, and temperature as significant predictors, while precipitation showed limited contribution due to inherent spatial inconsistencies in GCM data.
The KAN framework not only outperformed traditional machine learning models in accuracy but also provided enhanced interpretability, crucial for informed water resource management. The study highlights the importance of thermodynamic variables in discharge forecasting and suggests that future projections under the SSP585 scenario will likely see increased frequency and intensity of extreme flow events during monsoon months. The interpretability offered by SHAP facilitates targeted interventions for flood mitigation and adaptive irrigation planning, making this framework a valuable tool for climate-resilient water management strategies. Future research could enhance this model by incorporating remote sensing data and socio-economic indicators, while addressing the limitations of GCM-derived precipitation inputs.
Methods
The section on “Methods” outlines the materials and methodologies employed in the research. It details the specific materials used in the experiments, including their sources and properties, which are crucial for replicating the study. The methodology is described systematically, highlighting the experimental design, data collection techniques, and analytical procedures.
Key findings from the methodology indicate that the chosen materials significantly influenced the outcomes, and the methods employed ensured a robust analysis of the data. The section emphasizes the importance of methodological rigor in achieving reliable and valid results, thereby contributing to the overall integrity of the research.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the experimental data. The analysis indicates that the proposed model demonstrates a marked improvement in predictive accuracy compared to existing methodologies, with a statistical significance level of p < 0.05. Additionally, the results reveal a strong correlation between the independent variables and the dependent variable, suggesting that the model effectively captures the underlying relationships within the data. Furthermore, the discussion elaborates on the implications of these findings, emphasizing their relevance to the field. The enhanced performance of the model not only contributes to theoretical advancements but also offers practical applications in real-world scenarios. The authors suggest that future research could explore the integration of additional variables to further refine the model's predictive capabilities. Overall, the results underscore the potential of the proposed approach in advancing knowledge and practice in the relevant domain.
Discussion
The study focuses on the Subarnarekha River Basin (SRB) in eastern India, characterized by its tropical monsoonal climate and significant hydrological variability influenced by seasonal precipitation patterns. The basin, spanning approximately 19,300 km², experiences pronounced seasonal changes, leading to flash floods during monsoon months and low flow conditions in dry periods. The research utilizes data from four gauge stations—Muri, Adityapur, Jamshedpur, and Ghatsila—covering daily river discharge records from 1980 to 2022, alongside hydroclimatic variables sourced from the Coupled Model Intercomparison Project Phase 6 (CMIP6) under the high emission Shared Socioeconomic Pathway scenario (SSP585). A multi-model ensemble approach was employed to mitigate biases inherent in individual General Circulation Models (GCMs), enhancing the reliability of climate projections for hydrological modeling.
The Kolmogorov Arnold Networks (KAN) model demonstrated robust predictive capabilities for historical daily discharge, achieving high correlation metrics (R² values between 0.84 and 0.90) across the gauge stations. The model effectively captured seasonal discharge variability and performed particularly well during peak flow events, indicating its suitability for long-term river discharge forecasting. Future projections under the SSP585 scenario suggest an increase in the frequency and intensity of high discharge events, reflecting the basin’s vulnerability to climate-induced hydrological stress. The findings underscore the importance of integrating advanced machine learning techniques with bias-corrected climate data to improve water resource management and flood risk assessment in the context of ongoing climate change.