تشهد الشبكات المائية في الأحواض الطبيعية تباينًا في الهياكل حيث تتلاقى العديد من الروافد لتشكل قنوات سفلية، متكاملة مع عمليات هيدرولوجية متنوعة من المناطق العليا. لكن تفاقم غياب القياسات المباشرة في الأنهار غير المقاسة يثير الكثير من التحديات، مما يزيد من عدم اليقين ويحد من قدرة العلماء على استباق الأحداث الطبيعية المتطرفة.

تكمن المعضلة في تحديد ما إذا كانت النماذج المعتمدة على Transformers، بصفتها نموذجًا يستخدم تقنية (Encoder-Only)، توفر أفضلية مقارنة بالنموذج التقليدي LSTM عندما يتعلق الأمر بالتنبؤ بتدفق المياه في السياقات ذات المعلومات الهيدرولوجية المحدودة. بناءً على محاكيات سابقة من نموذج المياه الوطني NOAA، توصلت الدراسة إلى أن نماذج LSTM قدمت أداءً أفضل بشكل عام عن نماذج Transformers في تكوينات مختلفة.

بل أن تعزيز المعلومات ذات الطابع المائي السفلي زاد من دقة الأداء لدى جميع النماذج، حيث زاد متوسّط مؤشرات دقة التنبؤ (NNSE) بأكثر من 60%. وبعيدا عن اعتبار ذلك مقارنة ثنائية بسيطة، تعكس التجارب اختبارًا لقوة التأثير المعماري على اجتياز التسلسل الهيدرولوجي.

تشير النتائج إلى أن الذاكرة المتكررة تعد أكثر توافقًا مع مهمة إعادة البناء في المجاري العليا مقارنة بنماذج Transformers. علاوة على ذلك، فإن وجود معلومات من السياق السفلي يعزز من أداء النماذج بشكل كبير، مما يبرز أهمية الدمج بين النماذج المختلفة لتحسين التوقعات في المجالات الهيدرولوجية.