本研究では、信頼性の高い水文学的および洪水予測には、入力データが遅延、欠損、不一致の場合でも安定性を保つモデルが必要であると述べています。従来の降雨-流出予測の進展は理想的なデータ条件下で評価されてきたため、実際の運用におけるレジリエンスが軽視されていました。今回開発したエミュレーターは、Global Flood Awareness System (GloFAS)のためのもので、長期および短期の記憶ネットワークを組み合わせた水収支制約を緩和し、物理的一貫性を維持します。様々な情報の可用性を持つ五つのアーキテクチャを用いて、データの遅延と outagesを含むシナリオで体系的にロバスト性を評価しました。このエミュレーターは、アメリカ内の最小限管理された流域で訓練され、インドの規制された河川を含む5,000以上の流域でテストされました。結果、情報品質が低下しても滑らかに性能が劣化し、データ不足時の性能限界を明確にしています。この枠組みは、水文学的機械学習の実用的なロバスト性を測定可能な特性として確立し、リアルタイム予測システムの設計を進展させます。