Towards Generalized Hydrological Forecasting using Transformer Models for 120-Hour Streamflow Prediction

本研究探讨了Transformer模型在美国爱荷华州125个不同地点的120小时水流量预测中的有效性。利用前72小时的降水量、蒸发量和流量数据，我们开发了一个通用模型来预测未来的水流量。我们的方法与通常依赖于特定地点模型的传统方法不同。我们使用Nash-Sutcliffe效率（NSE）、Kling-Gupta效率（KGE）、Pearson相关系数和标准化均方根误差（NRMSE）作为指标，将Transformer模型的性能与三个深度学习模型（LSTM、GRU和Seq2Seq）和持续性方法进行了基准测试。研究表明，Transformer模型的性能优于其他模型，具有更高的中位数NSE和KGE得分，并展现出最低的NRMSE值。这表明它能够准确地模拟和预测水流量，有效地适应不同的水文条件和地理差异。我们的发现强调了Transformer模型作为水文建模的先进工具的潜力，相对于传统和现代方法，它可以提供显著的改进。

论文旨在探讨使用Transformer模型进行120小时内125个不同地点的流量预测的效果，针对传统方法依赖于特定位置模型的问题进行改进。

通过利用前72小时的数据，包括降水量、蒸散发和排放值，开发出一个通用模型，与传统方法形成对比。研究表明，Transformer模型的性能优于其他三种深度学习模型和持久性方法，具有更高的NSE和KGE得分，NRMSE值最低，能够准确模拟和预测流量，适应不同的水文条件和地理差异。

实验使用了Nash-Sutcliffe Efficiency (NSE), Kling-Gupta Efficiency(KGE), Pearson's r和Normalized Root Mean Square Error(NRMSE)作为评价指标，结果表明Transformer模型在水文建模方面具有显著的优势。这篇论文的贡献在于提出了一种新的方法，可以在不同地点和水文条件下进行流量预测。

近期的相关研究包括利用深度学习模型进行水文预测的研究，如LSTM、GRU和Seq2Seq模型。