DOI: https://doi.org/10.1038/s41598-026-40713-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41723217
تاريخ النشر: 2026-02-21
المؤلف: Sina Apak وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم البحث المحول الهجين لدمج القنوات المتكيف متعدد الدقة (MR-ACF-TE-LSTM)، وهو هيكل هجين يهدف إلى تعزيز دقة وتفسير توقعات تدفق المياه في السياقات الهيدرولوجية. تكافح نماذج التعلم العميق التقليدية لالتقاط كل من التغيرات قصيرة الأجل والاعتمادات طويلة الأجل بفعالية في بيانات السلاسل الزمنية أحادية المتغير. يعالج النموذج المقترح هذه القيود من خلال بناء مدخلات متعددة المتغيرات الزائفة من الملاحظات المتأخرة، والملخصات الإحصائية، ومؤشرات الموسم، والتي يتم دمجها بعد ذلك باستخدام آلية انتباه متكيف. يتم ترميز هذا التمثيل المدمج بواسطة محول قبل أن يتم تنقيحه ومعالجته بواسطة LSTM للتوقعات.
تظهر التجارب الواسعة التي أجريت على ثلاثة مجموعات بيانات مرجعية لتدفق المياه أن MR-ACF-TE-LSTM يتفوق بشكل كبير على نماذج الأساس، بما في ذلك المحول، المحول-LSTM، وCNN بايزي، محققًا أخطاء جذر متوسط المربعات (RMSE) أقل ودرجات R² أعلى. من الجدير بالذكر أن النموذج يظهر تخفيضات في RMSE تتراوح من 28% إلى 48% مقارنة بالنماذج الرائدة، مع تحسين محدد بنسبة 39% في محطة Dereevi FMS، حيث تم تقليل RMSE من 1.436 إلى 0.874. تؤكد التقييمات عبر مجموعات البيانات المختلفة على قوة النموذج وقدرته على التعميم عبر أحواض مختلفة. تبرز دراسات الإزالة أهمية المدخلات متعددة الدقة والدمج المتكيف، بينما تشير تصورات أوزان الانتباه إلى قدرة النموذج على التركيز بشكل انتقائي على المدخلات الزمنية ذات الصلة، مما يثبت أن MR-ACF-TE-LSTM هو إطار قوي وقابل للتفسير لتوقعات المياه أحادية المتغير.
مقدمة
في المقدمة، يؤكد المؤلفون على أهمية التنبؤ الدقيق بتدفق المياه لإدارة موارد المياه بشكل فعال، والسيطرة على الفيضانات، وأنظمة الإنذار المبكر. يعتبر مثل هذا التنبؤ ضروريًا لاتخاذ قرارات استباقية تهدف إلى التخفيف من الآثار السلبية للأحداث الهيدرولوجية المتطرفة. على الرغم من أهميته، غالبًا ما تفشل النماذج الهيدرولوجية الإحصائية والتقنية التقليدية في تمثيل الديناميات غير الخطية والاعتمادات الزمنية طويلة الأجل بشكل كافٍ. تبرز هذه القيود الحاجة إلى تحسين أساليب النمذجة لتعزيز دقة وموثوقية التنبؤات.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة في تجاربهم، التي أجريت على محطة عمل شخصية مزودة ببطاقة رسومات NVIDIA RTX 4060 ومعالج Intel Core i5-2800. استخدم تصميم التجربة نهج النافذة المنزلقة بحجم نافذة 32، حيث يتكون كل عينة إدخال من 96 خطوة زمنية يومية متتالية للتنبؤ بالقيمة التالية. قبل التدريب، خضعت البيانات لتطبيع Min-Max وتم تقسيمها إلى مجموعات تدريب واختبار بنسبة 70:30، مع تخصيص 30% لتقييم قدرات تعميم النموذج. تم تدريب النماذج بحجم دفعة 32 لمدة تصل إلى 1000 دورة، مستفيدة من تسريع GPU للتعلم الفعال.
لضمان صحة المقارنات عبر نماذج مختلفة، تم ضبط المعلمات الفائقة بدقة باستخدام تقسيم التحقق من مجموعة التدريب. استخدم المؤلفون استراتيجية بحث شبكي/عشوائي لتحسين المعلمات الفائقة الرئيسية، بما في ذلك معدل التعلم، وأبعاد الخفاء/التضمين، ومعدل التسرب، وعند الاقتضاء، عدد الطبقات ورؤوس الانتباه. تعكس النتائج المبلغ عنها أداء هذه التكوينات الأساسية المضبوطة، مما يبرز الصرامة وقابلية التكرار لإعداد التجربة.
مناقشة
في هذا القسم من المناقشة، ينتقد البحث الأساليب الحالية للنمذجة الهيدرولوجية، مع تسليط الضوء بشكل خاص على قيود نماذج LSTM/GRU وCNN القياسية في التقاط الاعتمادات الزمنية متعددة المقاييس والديناميات بعيدة المدى. يشير المؤلفون إلى التقدمات الحديثة، مثل الهيكل متعدد الدقة المقترح من قبل وانغ وآخرين، الذي يلتقط بفعالية الميزات الجوهرية والدورية في بيانات السلاسل الزمنية، مما يؤدي إلى تحسين الدقة في التنبؤات متعددة المتغيرات. يسمح دمج النمذجة متعددة الدقة المتكيفة، كما هو موضح في أطر مثل Multi-Res-Former، بمعالجة كل من الاعتمادات قصيرة الأجل وطويلة الأجل، مما يعزز قدرة النموذج على توليد تمثيلات ذات معنى دون أن يكون مقيدًا بمقاييس زمنية ثابتة.
كما يؤكد البحث على أهمية الأساليب الهجينة التي تتكيف مع خصائص البيانات المتنوعة، مثل نموذج تشينغ وليو الهجين، الذي يختار ديناميكيًا نماذج فرعية مناسبة بناءً على الميزات الميتا. يناقش المؤلفون أيضًا الدور الحاسم للمدخلات متعددة الدقة في تقليل عدم اليقين في نماذج التنبؤ المعتمدة على التوزيع، مما يمكّن من الحصول على توزيعات احتمالية أكثر موثوقية للتغيرات المستقبلية. يبرزون فعالية تقنيات دمج القنوات المتكيفة في دمج قنوات الميزات غير المتجانسة، التي تعين ديناميكيًا أوزان الأهمية لالتقاط المعلومات التكميلية عبر قنوات زمنية أو مكانية متنوعة. بشكل عام، تؤكد المناقشة على ضرورة وجود أطر نمذجة متقدمة يمكنها دمج البيانات متعددة الدقة بفعالية لتعزيز دقة وموثوقية التنبؤات الهيدرولوجية، خاصة في أحواض الأنهار المعقدة.
DOI: https://doi.org/10.1038/s41598-026-40713-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41723217
Publication Date: 2026-02-21
Author(s): Sina Apak et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
The research presents the Multi-Resolution Adaptive Channel Fusion Transformer Encoder LSTM (MR-ACF-TE-LSTM), a hybrid architecture aimed at enhancing streamflow prediction accuracy and interpretability in hydrological contexts. Traditional deep learning models struggle to effectively capture both short-term variability and long-term dependencies in univariate time series data. The proposed model addresses these limitations by constructing pseudo-multivariate inputs from lagged observations, statistical summaries, and seasonal indicators, which are then fused using an adaptive attention mechanism. This fused representation is encoded by a transformer before being refined and processed by an LSTM for predictions.
Extensive experiments conducted on three benchmark streamflow datasets reveal that MR-ACF-TE-LSTM significantly outperforms baseline models, including Transformer, Transformer-LSTM, and Bayesian CNN, achieving lower root mean square error (RMSE) and higher R² scores. Notably, the model demonstrates RMSE reductions ranging from 28% to 48% compared to state-of-the-art models, with a specific improvement of 39% at the Dereevi FMS, reducing RMSE from 1.436 to 0.874. Cross-dataset evaluations further confirm the model’s robustness and generalization across diverse catchments. Ablation studies highlight the importance of multi-resolution inputs and adaptive fusion, while attention weight visualizations indicate the model’s capability to focus selectively on relevant temporal inputs, establishing MR-ACF-TE-LSTM as a powerful and interpretable framework for univariate hydrological forecasting.
Introduction
In the introduction, the authors emphasize the significance of accurate streamflow forecasting for effective water resource management, flood control, and early warning systems. Such forecasting is essential for proactive decision-making aimed at mitigating the adverse effects of extreme hydrological events. Despite its importance, traditional statistical and process-based hydrological models frequently fail to adequately represent the nonlinear dynamics and long-term temporal dependencies inherent in hydrological processes. This limitation highlights the need for improved modeling approaches to enhance forecasting accuracy and reliability.
Methods
In this section, the authors detail the methodology employed for their experiments, which were conducted on a personal workstation equipped with an NVIDIA RTX 4060 GPU and an Intel Core i5-2800 CPU. The experimental design utilized a sliding window approach with a window size of 32, where each input sample comprised 96 successive daily time steps to forecast the subsequent value. Prior to training, the data underwent Min-Max normalization and was split into training and testing sets in a 70:30 ratio, with 30% reserved for assessing the model’s generalization capabilities. The models were trained with a batch size of 32 for up to 1000 epochs, leveraging GPU acceleration for efficient learning.
To ensure the validity of comparisons across different models, hyperparameters were meticulously tuned using a validation split from the training set. The authors employed a grid/random search strategy to optimize key hyperparameters, including learning rate, hidden/embedding dimensions, dropout rate, and, where relevant, the number of layers and attention heads. The reported results reflect the performance of these tuned baseline configurations, underscoring the rigor and reproducibility of the experimental setup.
Discussion
In this discussion section, the paper critiques existing hydrological modeling approaches, particularly highlighting the limitations of standard LSTM/GRU and CNN-based models in capturing multi-scale temporal dependencies and long-range dynamics. The authors reference recent advancements, such as the multi-resolution architecture proposed by Wang et al., which effectively captures intrinsic features and periodicity in time series data, leading to improved accuracy in multivariate forecasting. The integration of adaptive multi-resolution modeling, as seen in frameworks like Multi-Res-Former, allows for the processing of both short-term and long-term dependencies, enhancing the model’s ability to generate meaningful representations without being constrained by fixed temporal scales.
The paper further emphasizes the importance of hybrid approaches that adapt to diverse data characteristics, such as Cheng and Liu’s hybrid surrogate model, which dynamically selects suitable sub-models based on meta-features. The authors also discuss the critical role of multi-resolution inputs in reducing uncertainty in distribution-based forecasting models, enabling more reliable probability distributions of future variability. They highlight the effectiveness of adaptive channel fusion techniques in integrating heterogeneous feature channels, which dynamically assign importance weights to capture complementary information across various temporal or spatial channels. Overall, the discussion underscores the necessity for advanced modeling frameworks that can effectively integrate multi-resolution data to enhance the accuracy and robustness of hydrological predictions, particularly in complex river basins.