这篇于2026年6月1日提交至arXiv的论文《Evaluating Transformer and LSTM Frameworks for Prediction in Ungauged Basins》（评估Transformer与LSTM框架在无观测流域预测中的表现），由Taye Akinrele等五位作者完成，归类于人工智能（cs.AI）领域，全文共5页，编号为arXiv:2606.02791v1。研究聚焦水文学中长期存在的难题：在缺乏直接观测数据的无观测流域（ungauged basins）中，如何可靠地推断河流流量并预判极端事件。作者指出，流域网络具有汇聚型拓扑结构，多条支流最终汇入下游河道，从而把上游各不相同的产流与汇流过程整合在一起；正是这种空间上的关联性，为借助上下游信息弥补观测缺失提供了可能。
论文的核心问题是：在水文信息有限的条件下，仅编码器（encoder-only）的Transformer架构相比传统的长短期记忆网络（LSTM），能否在上游流量推断任务中带来优势。为回答这一问题，研究团队没有依赖稀缺的实测数据，而是采用美国国家海洋和大气管理局（NOAA）国家水模型（National Water Model，NWM）的回溯模拟结果作为数据基础，构建了两类实验配置：一类仅使用上游信息，另一类则同时纳入上游与下游信息。这种设计使得不同架构可以在统一的数据与任务设定下进行对照。
实验结果较为明确：在上述两种配置中，LSTM的整体表现均优于Transformer模型。作者强调，他们并不想把这项研究做成排行榜式的模型比拼，而是将其视为一次针对水文序列推断任务中架构归纳偏置（inductive bias）的检验。换言之，结果反映的是不同网络结构对任务内在特性的适配程度，而非单纯的性能高低。研究者的解释是，循环记忆机制（recurrent memory）与这种由上游重建下游或由局地信息推断上游流量的任务更为契合，而仅编码器的Transformer在此类任务上并未展现出预期优势。
另一个值得关注的发现是下游信息的价值。当模型同时纳入下游水文信息时，所有架构的表现都得到进一步提升，中位NNSE指标提高超过60%。这表明，下游的水文情境能够为上游推断提供强有力的辅助约束，显著增强各架构的预测能力，其增益幅度甚至超过了架构选择本身带来的差异。
综合来看，这项研究给出了两点启示：其一，在无观测流域的上游流量推断中，循环结构仍是更自然的选择；其二，充分利用流域网络的上下游空间关联，可能比单纯更换更“新”的模型架构更能提升预测技能。论文同时提示，其结论建立在NWM回溯模拟数据之上，属于受控实验条件下的架构比较，实际部署时仍需结合真实观测与具体流域特征加以验证。