1 论文标题：基于Transformer-CNN混合架构的地下水流预测替代模型研究
2 作者信息：彭朝阳, 夏学敏*：中国地质大学(北京)地下水循环与环境演化教育部重点实验室，北京；上海理工大学环境与建筑学院土木工程系，上海
3 出处和链接：彭朝阳, 夏学敏. 基于Transformer-CNN混合架构的地下水流预测替代模型研究[J]. 地球科学前沿, 2026, 16(5): 717-731.
https://doi.org/10.12677/ag.2026.1650664 摘要：地下水数值模拟是水资源管理的重要工具，但传统物理模型存在计算成本高、参数化复杂等局限性。本文提出一种新型的Transformer-CNN混合替代模型，通过引入相对位置编 机制增强Transformer对序列长期依赖关系的捕捉能力，并结合卷积神经网络(CNN)提取空间特征，以高效预测地下水头场的时空演化。模型采用多尺度特征融合与跨模态注意力机制，整合渗透系数场、抽水量等物理先验知识，提升预测精度与泛化能力。基于澳大利亚东南部典型含水层的数值算例验证表明，该模型在测试集上的决定系数(R2)达0.993，均方误差(MSE)为0.0011，结构相似性指数(SSIM)为0.989，且训练效率较基准模型(DSCNN-GRU)提升25.5%。实验结果表明，该模型在复杂水文地质条件下显著优于现有方法，尤其擅长捕捉长期时空依赖关系与局部异质性特征，为地下水动态预测提供了一种高精度、高效率的解决方案。
