ရာသီဥတုပြောင်းလဲမှုကြောင့် ပင်လယ်ရေမျက်နှာပြင် မြင့်တက်လာခြင်းနှင့် ပြင်းထန်သော မုန်တိုင်းများ ဖြစ်ပေါ်လာခြင်းကြောင့် ကမ္ဘာလုံးဆိုင်ရာ ကမ်းရိုးတန်းများသည် မကြုံစဖူး ရေတိုက်စားမှုအန္တရာယ်များနှင့် ရင်ဆိုင်နေရသည်။ သို့သော် ကမ်းရိုးတန်းပြောင်းလဲမှုကို တိကျစွာ ခန့်မှန်းခြင်းသည် အထူးသဖြင့် ရေရှည်ခေတ်ရေစီးကြောင်းများအတွက် စိန်ခေါ်မှုတစ်ရပ်ဖြစ်သည်။ မကြာသေးမီက ShoreShop2.0 နိုင်ငံတကာ ပူးပေါင်းလေ့လာမှုသည် မျက်ကန်းစမ်းသပ်မှုများမှတစ်ဆင့် ကမ်းရိုးတန်းခန့်မှန်းချက်ပုံစံ ၃၄ ခု၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ခဲ့ပြီး ကမ်းရိုးတန်းပုံစံတွင် လက်ရှိအနုပညာအခြေအနေကို ဖော်ထုတ်ခဲ့သည်။

ကမ်းရိုးတန်းသည် လှိုင်းများ၊ ဒီရေ၊ မုန်တိုင်းများနှင့် ပင်လယ်ရေမျက်နှာပြင် မြင့်တက်လာမှုကြောင့် ကုန်းမြေနှင့် ပင်လယ်တို့ ဆုံတွေ့သည့် ပြောင်းလဲနေသော နယ်နိမိတ်ဖြစ်သည်။ ကမ္ဘာတစ်ဝှမ်းရှိ သဲသောင်ပြင်များ၏ ၂၄% ခန့်သည် တစ်နှစ်လျှင် ၀.၅ မီတာထက်ကျော်လွန်သောနှုန်းဖြင့် နောက်ပြန်ဆုတ်နေပြီး အမေရိကန်ပင်လယ်ကွေ့ကမ်းရိုးတန်းကဲ့သို့သော အချို့နေရာများတွင် နှစ်စဉ်တိုက်စားမှုနှုန်းသည် မီတာ ၂၀ ထက်ပင် ပိုများသည်။

ကမ်းရိုးတန်းပြောင်းလဲမှုကို ခန့်မှန်းခြင်းသည် မူလကတည်းက ခက်ခဲပြီး ရှုပ်ထွေးသောကြောင့် လှိုင်းစွမ်းအင်၊ အနည်အနှစ်သယ်ယူပို့ဆောင်ရေးနှင့် ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်လာမှု အပါအဝင် အချက်များစွာ၏ အပြန်အလှန်အကျိုးသက်ရောက်မှုကို ထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။ ရေရှည်ကာလများအတွက် တိကျသောခန့်မှန်းချက်များသည် ပို၍ပင်စိန်ခေါ်မှုတစ်ရပ်ဖြစ်သည်။

ခေတ်သစ်ကမ်းရိုးတန်းခန့်မှန်းပုံစံများကို အမျိုးအစားသုံးမျိုးခွဲခြားနိုင်သည်- တစ်ခုမှာ အရည်စက်ပိုင်းဆိုင်ရာနှင့် အနည်အနှစ်သယ်ယူပို့ဆောင်ရေးညီမျှခြင်းများကိုအခြေခံသည့် Delft3D နှင့် MIKE21 ကဲ့သို့သော ရုပ်ပိုင်းဆိုင်ရာသရုပ်ဖော်မှုအပေါ်အခြေခံသည်။ တစ်ခုမှာ CoSMoS-COAST နှင့် LX-Shore ကဲ့သို့သော ဒေတာမောင်းနှင်နည်းလမ်းများနှင့် ရူပဗေဒနိယာမများကို ပေါင်းစပ်ထားသော ရောနှောပုံစံဖြစ်ပြီး နောက်တစ်ခုမှာ LSTM ကွန်ရက်များနှင့် Transformer ဗိသုကာလက်ရာများကဲ့သို့သော စာရင်းအင်း သို့မဟုတ် စက်သင်ယူမှုနည်းစနစ်များကို အပြည့်အဝမှီခိုသည့် ဒေတာမောင်းနှင်ပုံစံဖြစ်သည်။

မော်ဒယ်အမျိုးမျိုးရှိသော်လည်း စုစည်းထားသော အကဲဖြတ်စံနှုန်းများ မရှိခြင်းကြောင့် စွမ်းဆောင်ရည် နှိုင်းယှဉ်မှုများ ခက်ခဲစေခဲ့သည်။ မည်သည့်မော်ဒယ်သည် အတိကျဆုံး ခန့်မှန်းချက်များကို ပေးစွမ်းသနည်း။ ShoreShop2.0 မျက်မမြင်စမ်းသပ်မှုပြိုင်ပွဲသည် ဘာသာရပ်ပေါင်းစုံ နှိုင်းယှဉ်မှုများအတွက် အကောင်းဆုံးအခွင့်အရေးကို ပေးပါသည်။

ShoreShop2.0 နိုင်ငံတကာ မျက်မမြင်စမ်းသပ်မှုပြိုင်ပွဲသည် အလွန်တင်းကျပ်သော သိပ္ပံနည်းကျပူးပေါင်းဆောင်ရွက်မှုပုံစံတစ်ခုဖြစ်သည်။ ပါဝင်သောအဖွဲ့များကို စမ်းသပ်သည့်နေရာကိုသာ အသိပေးမည်ဖြစ်ပြီး၊ ၎င်းသည် ပင်လယ်အော် သို့မဟုတ် ကမ်းခြေအတွက် ကုဒ်အမည်တစ်ခုဖြစ်သည်။ မော်ဒယ်ချိန်ညှိမှုကို ကြိုတင်သိရှိခြင်းမှ ကာကွယ်ရန်အတွက် ၎င်း၏တည်နေရာနှင့် တကယ့်အမည်ကဲ့သို့သော အဓိကအချက်အလက်များကို ဖုံးကွယ်ထားသည်။ ထို့အပြင်၊ အချက်အလက်များကို အပိုင်းလိုက်လျှို့ဝှက်ထားပြီး ၂၀၁၉-၂၀၂၃ (ရေတို) နှင့် ၁၉၅၁-၁၉၉၈ (အလယ်အလတ်) မှ အချက်အလက်များကို ရည်ရွယ်ချက်ရှိရှိ ဖုံးကွယ်ထားသည်။ ထို့နောက် မော်ဒယ်များသည် ရေတိုနှင့် အလယ်အလတ်ရေရှည် ကမ်းရိုးတန်းပြောင်းလဲမှုများကို ခန့်မှန်းပြီး နောက်ဆုံးတွင် လျှို့ဝှက်ဒေတာကို အသုံးပြု၍ ၎င်းတို့၏တိကျမှုကို အတည်ပြုသည်။ ဤဒီဇိုင်းသည် လုံးဝမသိသောအခြေအနေများအောက်တွင် ကမ်းရိုးတန်းမော်ဒယ်များကို ဘာသာရပ်ပေါင်းစုံနှိုင်းယှဉ်နိုင်စေပါသည်။

နိုင်ငံပေါင်း ၁၅ နိုင်ငံမှ သုတေသနအဖွဲ့ ၃၄ ဖွဲ့သည် ဒေတာအခြေပြု မော်ဒယ် ၁၂ ခုနှင့် ရောနှော မော်ဒယ် ၂၂ ခု ပါဝင်သော မော်ဒယ်များကို တင်သွင်းခဲ့ကြသည်။ ဤအဖွဲ့များသည် အမေရိကန်ပြည်ထောင်စု၊ ဩစတြေးလျ၊ ဂျပန်၊ ပြင်သစ်နှင့် အခြားနိုင်ငံများရှိ အဖွဲ့အစည်းများမှ လာခဲ့ကြသည်။ သို့သော် တင်သွင်းသော မော်ဒယ်များတွင် GENESIS နှင့် ရူပဗေဒအခြေခံ မော်ဒယ်များဖြစ်သည့် Delft3D နှင့် MIKE21 ကဲ့သို့သော စီးပွားဖြစ် မော်ဒယ်များ မပါရှိပါ။

နှိုင်းယှဉ်ချက်တစ်ခုအရ ရေတို၊ ငါးနှစ်ခန့်မှန်းချက်များအတွက် အမြင့်ဆုံးစွမ်းဆောင်ရည်ရှိသော မော်ဒယ်များမှာ CoSMoS-COAST-CONV_SV (hybrid မော်ဒယ်)၊ GAT-LSTM_YM (data-driven မော်ဒယ်) နှင့် iTransformer-KC (data-driven မော်ဒယ်) တို့ဖြစ်ကြောင်း ဖော်ပြသည်။ ဤမော်ဒယ်များသည် ဂြိုဟ်တုအဝေးထိန်း ကမ်းရိုးတန်းဒေတာတွင် inherent error ၈.၉ မီတာနှင့် နှိုင်းယှဉ်နိုင်သော root mean square error ၁၀ မီတာခန့်ကို ရရှိထားသည်။ ၎င်းသည် ကမ်းခြေအချို့အတွက် မော်ဒယ်များ၏ ခန့်မှန်းနိုင်စွမ်းသည် လေ့လာစောင့်ကြည့်ရေးနည်းပညာ၏ အကန့်အသတ်သို့ နီးကပ်လာနေကြောင်း ညွှန်ပြနေသည်။ အခြားမော်ဒယ်များသည် ကမ်းရိုးတန်းပြောင်းလဲမှုများကို ပိုမိုကောင်းမွန်စွာ ဖမ်းယူနိုင်ခဲ့ကြသည်။

အံ့သြစရာကောင်းတာက hybrid မော်ဒယ်ဟာ data-driven မော်ဒယ်နဲ့ နှိုင်းယှဉ်နိုင်တဲ့ စွမ်းဆောင်ရည်ရှိတယ်ဆိုတာပါပဲ။ CoSMoS-COAST-CONV_SV (hybrid မော်ဒယ်) ဟာ physical process တွေနဲ့ convolutional operations တွေကို ပေါင်းစပ်ထားပြီး GAT-LSTM_YM (data-driven မော်ဒယ်) ကတော့ spatial correlations တွေကို ဖမ်းယူဖို့ graph attention network ကို အသုံးပြုပါတယ်။ မော်ဒယ်နှစ်ခုစလုံးဟာ ကောင်းမွန်စွာ စွမ်းဆောင်ရည်ရှိခဲ့ပါတယ်။

အလယ်အလတ်ကာလ ခန့်မှန်းချက်များအရ LX-Shore စီးရီး (ပေါင်းစပ်မော်ဒယ်များ) သည် တိုင်းတာထားသောဒေတာနှင့် အနီးစပ်ဆုံး ခန့်မှန်းချက်များကို ပေးစွမ်းသည်။ ကမ်းရိုးတန်းတစ်လျှောက်နှင့် ဘေးတိုက် အနည်အနှစ်သယ်ယူပို့ဆောင်ရေး လုပ်ငန်းစဉ်များကို ချိတ်ဆက်ခြင်းဖြင့် ဤမော်ဒယ်များသည် ရေရှည်တည်ငြိမ်မှုကို ထိန်းသိမ်းထားပြီး အလွန်အမင်းမုန်တိုင်းဖြစ်ရပ်များအပေါ် တိုင်းတာထားသောဒေတာနှင့် အကိုက်ညီဆုံးတုံ့ပြန်မှုများကို ပြသထားသည်။ ဤမော်ဒယ်များမှ ခန့်မှန်းချက်များအရ ပြင်းထန်သောမုန်တိုင်းတစ်ခုတည်းသည် မီတာ ၁၅ မှ ၂၀ အထိ ယာယီကမ်းရိုးတန်းဆုတ်ခွာမှုကို ဖြစ်စေနိုင်ပြီး အပြည့်အဝပြန်လည်ကောင်းမွန်လာရန် နှစ်နှစ်မှ သုံးနှစ်အထိ ကြာနိုင်ကြောင်း ဖော်ပြသည်။ CoSMoS-COAST စီးရီးသည် အလွန်ကောင်းမွန်သော တည်ငြိမ်မှုကို ပေးစွမ်းသော်လည်း အခြားမော်ဒယ်များသည် ရေရှည်မျောပါမှုနှင့် အလွန်အကျွံတုံ့ပြန်မှုများကို ခံစားရနိုင်သည်။

မော်ဒယ်ရလဒ်များက ညွှန်ပြနေသည်မှာဒေတာ အရည်အသွေးမော်ဒယ်စွမ်းဆောင်ရည်တွင် အဓိကကန့်သတ်ချက်တစ်ခုဖြစ်သည်။ ဂြိုလ်တုအဝေးထိန်းဒေတာသည် ကျယ်ပြန့်သောဧရိယာကို လွှမ်းခြုံထားသော်လည်း ၎င်း၏အချိန်ကာလဆိုင်ရာ ရုပ်ထွက်အရည်အသွေးမှာ နည်းပါးပြီး ပုံမှန်အားဖြင့် အပတ်စဉ်မှ လစဉ်အထိ နည်းပါးသောကြောင့် မုန်တိုင်းအပြီး အလျင်အမြန်ပြန်လည်ကောင်းမွန်လာမှုကို ဖမ်းယူရန် ခက်ခဲစေသည်။ ထို့အပြင်၊ လက်ငင်းရေအနားသတ်သည် လှိုင်းစီးခြင်းနှင့် ဒီရေလှိုင်းများကြောင့် ထိခိုက်ပြီး မော်ဒယ်ခန့်မှန်းချက်များကို ထိခိုက်စေနိုင်သည့် ယာယီအမှားများ ဖြစ်ပေါ်စေပါသည်။

လေ့လာမှုအရ ခိုင်မာသော two-dimensional filtering နည်းပညာများကို အသုံးပြုခြင်းကဲ့သို့သော spatiotemporal data smoothing သည် မော်ဒယ်စွမ်းဆောင်ရည်ကို သိသိသာသာ တိုးတက်စေနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ နောက်ပိုင်းတွင်၊ မျက်မမြင်မဟုတ်သော စမ်းသပ်မော်ဒယ်များသည် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ထားသော data preprocessing မှတစ်ဆင့် ပျမ်းမျှအမှားကို ၁၅% လျှော့ချပေးခဲ့သည်။

Robust 2D Smoothing သည် ကမ်းရိုးတန်းဂြိုဟ်တုဒေတာရှိ ဆူညံသံများကို စီမံဆောင်ရွက်ရန် အထူးဒီဇိုင်းထုတ်ထားသော အဆင့်မြင့် signal processing နည်းလမ်းတစ်ခုဖြစ်သည်။ အခြေခံအားဖြင့် ၎င်းသည် weighted least squares များကိုအခြေခံသည့် iterative filtering algorithm တစ်ခုဖြစ်ပြီး ဂြိုဟ်တုပုံရိပ်များရှိ transient wave noise ကဲ့သို့သော outliers များအတွက် အလွန်ခိုင်မာပါသည်။

မော်ဒယ်ခန့်မှန်းချက်များအတွက် အရေးကြီးသော နောက်ထပ်အချက်တစ်ခုမှာ ကမ်းရိုးတန်းအနီးလှိုင်းဒေတာ၏ တိကျမှုဖြစ်သည်။ လက်ရှိတွင် လှိုင်းဒေတာသည် ကမ္ဘာလုံးဆိုင်ရာလှိုင်းပြန်လည်ခွဲခြမ်းစိတ်ဖြာမှုဒေတာ၏ ကမ်းရိုးတန်းအနီးပြောင်းလဲမှုတွင် အမှားအယွင်းများ၊ လှိုင်းခွဲခြမ်းဇုန်အစား 10 မီတာ isobath တွင် လှိုင်းကန့်သတ်ချက်များကို ထုတ်ယူခြင်းကြောင့် ဖြစ်ပေါ်လာသော ဘက်လိုက်မှုများနှင့် နေ့စဉ်ပျမ်းမျှလှိုင်းအခြေအနေများကို အသုံးပြုခြင်းဖြင့် အစွန်းရောက်ဖြစ်ရပ်များ၏ သက်ရောက်မှုကို လျှော့တွက်ခြင်း အပါအဝင် အမှားအယွင်းအမျိုးမျိုးနှင့် ရင်ဆိုင်နေရသည်။ ဤအမှားအယွင်းများအားလုံးသည် မော်ဒယ်ခန့်မှန်းချက်များကို ထိခိုက်စေနိုင်သည်။

ရေရှည်ခန့်မှန်းချက်များအတွက်၊ မော်ဒယ်အများစုသည် ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်မှု၏သက်ရောက်မှုကို ခန့်မှန်းရန် ဂန္ထဝင် Brownian နိယာမကို အားကိုးကြသည်။ သို့သော်၊ ဤနိယာမသည် အဆုံးမဲ့နှင့် ဟန်ချက်ညီသော အနည်အနှစ်ထောက်ပံ့မှုကို ယူဆပြီး ကမ်းလွန်အနည်အနှစ်သယ်ယူပို့ဆောင်မှု သို့မဟုတ် ကမ်းခြေအာဟာရကဲ့သို့သော လူသားလုပ်ဆောင်မှုများ၏ အကျိုးသက်ရောက်မှုများကို လျစ်လျူရှုထားသည်။ ၎င်းသည် သိသာထင်ရှားသော မော်ဒယ်ဘက်လိုက်မှုများကို ဖြစ်ပေါ်စေနိုင်သည်။

မျှခြေပရိုဖိုင်သီအိုရီအပေါ်အခြေခံ၍ Brownian ၏ဥပဒေသည် ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်မှုနှင့် ကမ်းရိုးတန်းဆုတ်ခွာမှုအကြား မျဉ်းဖြောင့်ဆက်နွယ်မှုကို ပေးသည်။ ဤသီအိုရီသည် ကမ်းရိုးတန်းပရိုဖိုင်သည် မျှခြေပုံသဏ္ဍာန်ကို ထိန်းသိမ်းထားကြောင်း တင်ပြသည်။ ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်လာသည်နှင့်အမျှ နေရာထိုင်ခင်းနေရာ တိုးလာခြင်းက ဤမျှခြေပရိုဖိုင်ကို ပင်လယ်ရေမျက်နှာပြင်အသစ်နှင့် နှိုင်းယှဉ်လျှင် ၎င်း၏ပုံသဏ္ဍာန်ကို ထိန်းသိမ်းရန် ကုန်းမြေသို့ ရွေ့လျားစေသည်။ ထို့ကြောင့် ကမ်းရိုးတန်းပရိုဖိုင်သည် ကုန်းမြေသို့ ရွေ့လျားသွားသည်နှင့်အမျှ အပေါ်ပိုင်းကမ်းခြေအလွှာ တိုက်စားခံရပြီး တိုက်စားခံရသောပစ္စည်းများသည် ကမ်းလွန်တွင် စုပုံလာပြီး ကမ်းရိုးတန်းအနီးပင်လယ်ကြမ်းပြင် မြင့်တက်လာကာ ရေအနက်ကို တည်ငြိမ်စွာထိန်းသိမ်းထားကြောင်း သီအိုရီက တင်ပြသည်။ Brown ၏ဥပဒေသည် ကမ်းရိုးတန်းဆုတ်ခွာမှုသည် ကမ်းခြေ၏ဆင်ခြေလျှောပေါ် မူတည်၍ ပင်လယ်ရေမျက်နှာပြင်မြင့်တက်မှုထက် ၁၀ ဆမှ ၅၀ ဆအထိ ပိုမိုများပြားနိုင်သည်ဟု ခန့်မှန်းထားသည်။

ဤလေ့လာမှုသည် သီးခြားလိုအပ်ချက်များအပေါ် အခြေခံ၍ သင့်လျော်သောကိရိယာများ ရွေးချယ်ရန်အတွက် အခြေခံအုတ်မြစ်ကို ပံ့ပိုးပေးပါသည်။ ထို့အပြင်၊ ဒေတာကြိုတင်လုပ်ဆောင်ခြင်းသည် အလွန်အရေးကြီးပါသည်။ သင့်လျော်သောဒေတာလုပ်ဆောင်ခြင်းသည် တစ်ခါတစ်ရံတွင် မော်ဒယ်ကိုယ်တိုင်ထက် ပိုမိုကြီးမားသောအကျိုးသက်ရောက်မှုရှိနိုင်သည်။ ShoreShop 2.0 မှရရှိသောအတွေ့အကြုံအပေါ် အခြေခံ၍ ခန့်မှန်းချက်တိကျမှုကို မြှင့်တင်ရန် ဂြိုလ်တုနှင့်လှိုင်းဒေတာများကို တိုးတက်ကောင်းမွန်အောင်ပြုလုပ်နိုင်ပါသည်။ ထို့အပြင်၊ ရေရှည်ခန့်မှန်းချက်များတွင် လူလုပ်အနှောင့်အယှက်ပေးသောကမ်းခြေများ၏ မထိန်းချုပ်နိုင်သောအကျိုးသက်ရောက်မှုများသည် ခန့်မှန်းချက်ရလဒ်များကိုလည်း သိသိသာသာအကျိုးသက်ရောက်စေနိုင်သည်။ ထို့အပြင်၊ GENESIS၊ Delft3D နှင့် MIKE21 ကဲ့သို့သော စီးပွားဖြစ်မော်ဒယ်များမှ ပါဝင်မှုမရှိခြင်းသည် သိသာထင်ရှားသောပြဿနာတစ်ခုဖြစ်သည်။

​အပြာရောင်နယ်ခြားစောင့်တပ်- ကျွန်ုပ်တို့၏သမုဒ္ဒရာများနှင့်ရာသီဥတုကိုကာကွယ်ရန် Frankstar ၏ ၁၁ နှစ်ကြာမစ်ရှင်

ဆယ်စုနှစ်တစ်ခုကျော်ကြာ Frankstar သည် ပင်လယ်ရေကြောင်းပတ်ဝန်းကျင်ထိန်းသိမ်းရေးတွင် ရှေ့တန်းမှရပ်တည်ခဲ့ပြီး၊ ယှဉ်နိုင်စရာမရှိသော သမုဒ္ဒရာနှင့် ရေအရင်းအမြစ်ဆိုင်ရာ အချက်အလက်များကို ပေးအပ်ရန်အတွက် ခေတ်မီနည်းပညာနှင့် သိပ္ပံနည်းကျ တိကျမှုကို အသုံးချခဲ့သည်။ ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ ဒေတာစုဆောင်းခြင်းထက် ကျော်လွန်ပြီး ကျွန်ုပ်တို့သည် ရေရှည်တည်တံ့သော အနာဂတ်၏ ဗိသုကာများဖြစ်ပြီး ကမ္ဘာတစ်ဝှမ်းရှိ အဖွဲ့အစည်းများ၊ တက္ကသိုလ်များနှင့် အစိုးရများအား ကျွန်ုပ်တို့၏ဂြိုဟ်၏ကျန်းမာရေးအတွက် အသိပေးဆုံးဖြတ်ချက်များချနိုင်ရန် စွမ်းဆောင်နိုင်စေပါသည်။