未観測流域における予測のためのTransformerとLSTMフレームワークの評価
新しい研究では、エンコーダのみのTransformerとLSTMを、未観測流域での上流河川流量推論において比較しました。全体的にLSTMがTransformerを上回り、下流情報の組み込みにより中央値NNSEが60%以上向上しました。この結果は、再帰的メモリが上流再構成タスクに適していることを示しています。
arXivに投稿された研究（番号2606.02791）は、エンコーダのみのTransformerと長短期記憶（LSTM）を、未観測流域における上流河川流量推論のタスクで評価しました。この研究はTaye Akinreleら5名の著者により、2026年6月1日に提出されました。研究では、NOAA国家水モデル（NWM）の過去シミュレーションデータを用い、限られた水文情報の下で各アーキテクチャの性能を比較しました。
流域ネットワークは収束トポロジーを示し、複数の支流が下流チャンネルに合流し、多様な上流水文プロセスを統合します。未観測流域では直接観測がないため不確実性が高まり、極端事象を予測する能力が制限されます。研究チームは、上流データのみの設定と上下流データを組み合わせた設定の両方で実験を行いました。
結果は、両設定においてLSTMがTransformerを全体的に上回る性能を示しました。さらに、下流の水文情報を追加することで、すべてのモデルで予測スキルが大幅に向上し、中央値ナッシュ・サトクリフ効率係数（NNSE）が60%以上増加しました。この向上は、下流水文コンテキストが強力な補助的制約として機能することを示しています。
研究者は、この実験をリーダーボード比較としてではなく、水文系列推論におけるアーキテクチャの帰納的バイアスのテストと解釈しています。分析の結果、再帰的メモリ（LSTMなど）はエンコーダのみのTransformerよりも上流再構成タスクに適していることが示唆されました。また、下流の水文コンテキストはアーキテクチャを問わず予測精度を大幅に向上させる強力な補助的制約を提供します。この発見は、実測データが不足する流域での極端事象予報に重要な意味を持ち、将来の水文AIモデル設計に指針を与えるものです。