Transformer 与 LSTM 水文对决: LSTM 胜出

在机器学习领域, Transformer 几乎成了默认选择——从 NLP 到 CV, 处处可见它的身影。但当将 Transformer 用于水文预测, 尤其是那些缺乏观测数据的无测站流域时, 它还能保持优势吗？一项来自 NOAA 国家水模型 (NWM) 的新研究给出了一个不太一样的答案: 传统 LSTM 依然表现更强。

无测站流域的预测困境

流域网络天然呈汇聚拓扑——多条支流汇入主干, 上游过程高度集成。对于无测站流域, 没有直接观测数据, 预测洪水或干旱就变得异常困难。深度学习模型此前被证明能有效捕捉水文过程, 但多是使用 LSTM 这类循环架构。Transformer 凭借其自注意力机制, 理论上能更好处理长距离依赖和空间汇聚, 但实际效果如何？

研究设计: 用 NWM 回顾模拟数据测试

研究团队采用了 NOAA NWM 的回顾模拟数据, 构建了两种配置: 仅使用上游数据, 以及同时使用上游和下游数据。他们对比了 encoder-only Transformer 和 LSTM 在推断上游未测站流量上的表现。结果很清楚: 在两种配置下, LSTM 的总体性能都超过了 Transformer。

• 仅上游配置: LSTM 的 Nash-Sutcliffe 效率 (NNSE) 中位数更高, 方差更小。
• 结合下游配置: 两者性能均大幅提升, LSTM 依然领先, 但 Transformer 的差距有所缩小。

有趣的是, 加入下游信息后, 所有模型的中位数 NNSE 提升了超过 60%。这说明跨尺度信息整合对无测站预测极为重要。

不只是排行榜: 归纳偏置的思考

研究者强调, 这并非一场“谁更好”的竞赛。他们更关心的是架构的归纳偏置——LSTM 的时间递归结构天然适配序列数据, 而 Transformer 的注意力机制在空间汇聚上虽有理论优势, 在这次实验中并未体现。一个可能的原因是水文信号中时间依赖性远强于空间依赖性, 导致 Transformer 的优势被淹没。

对水文 AI 的启示

这项研究传递了一个务实的信号: 在面对特定领域任务时, 简单但匹配的架构往往比通用“大而全”模型更有效。对于水文学家或 AI 从业者来说, 如果想快速搭建无测站流域预测系统, LSTM 依然是稳健的出发点。当然, 研究也留下开放问题: 如果增加训练数据量、或者使用更深的 Transformer 架构, 结果是否会改变？这些都需要后续探索。

至少现在, 在水文界, LSTM 暂时守住了自己的阵地。