水文学における予測精度の向上は、洪水予警システムや水資源管理の重要な課題である。特に観測地点が存在しない未計測流域では、直接的なデータが得られないため、上流の流量を間接的に推定する必要がある。本研究は、このような限定的な水文情報しか利用できない環境下において、エンコーダーのみのTransformerアーキテクチャがLSTM（長短期記憶ニューラルネットワーク）よりも優れた性能を発揮するかどうかを検証している。 研究ではNOAA国立水モデル（NWM）から得られたレトロスペクティブシミュレーションを用いて、上流流量の推測精度を比較している。上流情報のみを用いた設定と、下流情報を組み合わせた設定の両方でテストが行われた結果、LSTMがTransformerモデルを上回る性能を示した。特に注目すべきは、下流の水文情報を加えた場合、全モデルのパフォーマンスが劇的に向上し、中央値のNNSE（正規化Nash-Sutcliffe効率）が60パーセント以上改善されたという点である。 この研究は単なるモデル間の性能比較ではなく、水文系列推測タスクに対するアーキテクチャの帰納的バイアスをテストするものとして位置付けられている。結果は、再帰型メモリ構造がエンコーダーのみのTransformerよりも上流の流量復元タスクに適していることを示唆している。同時に、下流の水文学的文脈が強力な補助的制約として機能し、あらゆるアーキテクチャ全体で予測精度を大幅に改善できることが明らかになった。