评估Transformer与LSTM在无测站流域预测中的表现
一项新研究比较了编码器 Transformer 和 LSTM 在无测站流域进行上游径流推断的性能。结果表明，LSTM 整体表现优于 Transformer，而结合下游信息可令中位数 NNSE 提升超过 60%。研究认为，递归记忆架构更适用于此类地形序列推理任务。
一篇近期发表于 arXiv（编号 2606.02791）的研究评估了编码器 Transformer 与长短期记忆网络（LSTM）在无测站流域进行上游径流预测的表现。该研究由 Taye Akinrele 等五位作者完成，于 2026 年 6 月 1 日提交。研究利用美国国家海洋和大气管理局（NOAA）国家水模型（NWM）的回顾性模拟数据，旨在探索在有限水文信息条件下不同架构的适用性。
流域网络呈现收敛拓扑，多条支流汇入下游河道，整合了多样化的上游水文过程。在无测站流域中，直接观测的缺失增加了不确定性，限制了对极端事件的预见能力。研究团队比较了编码器 Transformer 和 LSTM 在仅使用上游数据以及同时使用上下游数据两种配置下的表现。
结果显示，无论哪种配置，LSTM 均展现出更强的整体性能。特别地，引入下游河道信息后，所有模型的预测技能显著提升，中位数纳什-萨特克利夫效率系数（NNSE）增幅超过 60%。这一提升幅度体现了下游水文背景作为强辅助约束的价值。
研究者强调，此项工作并非简单的排行榜比较，而是对水文序列推理中架构归纳偏置的一次检验。分析表明，递归记忆结构（如 LSTM）与上游重建任务的本土特性更为契合，优于编码器 Transformer。同时，下游水文上下文能够跨越不同架构大幅提高预测精度。该发现对于缺乏实测数据的流域极端事件预警具有重要意义，也为未来水文人工智能模型的设计提供了方向。