評估Transformer與LSTM在無監測流域的預測性能

這篇研究論文探討了在無監測流域中進行上游流量預測的挑戰。流域網絡通常呈現匯流拓撲結構，多個支流匯入下游河道，整合多樣的上游水文過程。在缺乏直接觀測的流域中，不確定性增加，限制了預測極端事件的能力。論文利用NOAA國家水模型進行回顧性模擬，比較了僅編碼器的Transformer架構與長短期記憶網路（LSTM）的性能。研究結果顯示，LSTM在上游重建任務中表現更強，而當結合下游水文資訊時，所有模型的預測能力都顯著提升，中位歸一化納什-薩特克利夫效率增加了超過60%。作者將實驗解讀為對架構歸納偏差的測試，指出循環記憶機制與水文序列推斷任務更為匹配。這項研究強調了下游情境作為輔助約束的重要性，為未來水文預測模型的設計提供了見解。