一篇近期發表於 arXiv（編號 2606.02791）的研究評估了編碼器 Transformer 與長短期記憶網絡（LSTM）在無測站流域進行上游徑流預測的表現。該研究由 Taye Akinrele 等五位作者完成，於 2026 年 6 月 1 日提交。研究利用美國國家海洋和大氣管理局（NOAA）國家水模型（NWM）的回顧性模擬數據，旨在探索在有限水文信息條件下不同架構的適用性。
流域網絡呈現收斂拓撲，多條支流匯入下游河道，整合了多樣化的上游水文過程。在無測站流域中，直接觀測的缺失增加了不確定性，限制了對極端事件的預見能力。研究團隊比較了編碼器 Transformer 和 LSTM 在僅使用上游數據以及同時使用上下游數據兩種配置下的表現。
結果顯示，無論哪種配置，LSTM 均展現出更強的整體性能。特別地，引入下游河道信息後，所有模型的預測技能顯著提升，中位數納什-薩特克利夫效率係數（NNSE）增幅超過 60%。這一提升幅度體現了下游水文背景作為強輔助約束的價值。
研究者強調，此項工作並非簡單的排行榜比較，而是對水文序列推理中架構歸納偏置的一次檢驗。分析表明，遞歸記憶結構（如 LSTM）與上游重建任務的本土特性更為契合，優於編碼器 Transformer。同時，下游水文上下文能夠跨越不同架構大幅提高預測精度。該發現對於缺乏實測數據的流域極端事件預警具有重要意義，也為未來水文人工智能模型的設計提供了方向。