Combinar atenção com recorrência mostrou ser valioso na modelagem de sequências, incluindo previsões hidrológicas. Aqui, exploramos a força dos Transformadores de Fusão Temporal (TFTs) em relação às redes Long Short-Term Memory (LSTM) na modelagem de escoamento de chuva. Treinamos dez modelos inicializados aleatoriamente, TFT e LSTM, para 531 bacias CAMELS nos EUA. Repetimos o experimento com cinco subconjuntos do conjunto de dados Caravan, cada um representando bacias nos EUA, Austrália, Brasil, Grã-Bretanha e Chile. Em seguida, avaliamos o desempenho dos modelos, sua variabilidade em relação às características das bacias e a diferença conforme os conjuntos de dados. Nossas descobertas mostram que o TFT supera o LSTM ligeiramente, especialmente na simulação da seção média e do pico dos hidrogramas. Além disso, mostramos a capacidade do TFT de lidar com sequências mais longas e por que ele pode ser um candidato melhor para bacias maiores. Sendo uma técnica de IA explicável, o TFT identifica as principais variáveis dinâmicas e estáticas, proporcionando insights científicos valiosos. No entanto, tanto o TFT quanto o LSTM exibem uma queda considerável no desempenho com o conjunto de dados Caravan, indicando possíveis problemas de qualidade dos dados. No geral, o estudo destaca o potencial do TFT em melhorar a modelagem hidrológica e a compreensão.
Koya et al. (Quarta-feira) estudaram esta questão.