鉴于传统水文模型与单一数据驱动模型在水文过程的非线性特征捕捉上存在局限性，为提高水文预报的精度，以淮河中上游出水口蚌埠站为例，构建了一个耦合SWAT水文模型和Transformer-双向门控循环单元（BiGRU）深度学习模型的混合模型（STFBG）

该模型将基于SWAT水文模型模拟蒸散发、地表径流数据以及降水等气象数据作为输入，融合Transformer在全局依赖关系识别中的优势以及BiGRU在时序特征提取中的能力，提升模型对径流序列特征的捕捉性能。通过与SWAT-长短期神经记忆网络LSTM （S-LSTM）、SWAT-Transformer（S-Transformer）、SWAT-BiGRU（S-BiGRU）三个单一耦合模型的对比，评估模型性能。结果表明，物理-数字耦合模型的构建有效提升了径流的预测精度，显著改善了数字模型在径流预测中易受预报因子相关性影响的问题；STFBG模型在整体以及峰值的预测中展现出更高的预测性能，验证期决定系数R

2

达0.886

较S-LSTM、S-Transformer、S-BiGRU分别提升了3.384%、3.626%、2.904%。可见STFBG模型能够提高对研究区径流的非线性特征的识别能力，提高径流预报精度，可为流域水资源管理及防洪抗旱提供参考。