Hybrid Data-driven and Process-based Modeling for Streamflow Forecasting Under Climate Change in the Upper Genale River Basin of Ethiopia

ملخص تقني: النمذجة الهجينة القائمة على البيانات والعمليات للتنبؤ بتدفق المجاري المائية في ظل تغير المناخ في حوض نهر جنالي العلوي بإثيوبيا

بيان المشكلة
يعد التنبؤ الدقيق بتدفق المجاري المائية أمراً بالغ الأهمية للإدارة المستدامة للمياه، والحد من مخاطر الفيضانات، وتخطيط الري، لا سيما في أفريقيا جنوب الصحراء الكبرى حيث يتفاعل التغير المناخي مع البنية التحتية المحدودة والاعتماد العالي على الزراعة المطرية. يعد حوض نهر جنالي العلوي (UGRB) في جنوب شرق إثيوبيا حيوياً استراتيجياً للري والطاقة الكهرومائية، لكنه يظل حساساً للغاية للتقلبات المناخية. وبينما تنجح النماذج القائمة على العمليات الفيزيائية مثل SWAT+ في تمثيل العمليات في مستجمน้ำ المياه، إلا أنها غالباً ما تواجه صعوبة في التعامل مع التفاعلات الهيدرولوجية غير الخطية للغاية والأحداث المتطرفة في ظل ظروف مناخية غير مستقرة. ومن ناحية أخرى، تفتقر نماذج التعلم الآلي (ML) القائمة على البيانات الصرفة إلى التفسير الفيزيائي وقد تفشل عندما تبتعد الظروف المناخية المستقبلية بشكل كبير عن بيانات التدريب التاريخية. تعالج هذه الدراسة الحاجة إلى إطار عمل قوي للتنبؤ يتغلب على هذه القيود الفردية لدعم الإدارة المائية المرنة مناخياً في حوض نهر جنالي العلوي.

المنهجية
طورت الدراسة إطار عمل هجين للتنبؤ الهيدرولوجي يدمج نموذج QSWAT+ القائم على العمليات مع خوارزميات التعلم الآلي المتقدمة وتوقعات مناخ CMIP6.

• منطقة الدراسة والبيانات: ركز البحث على حوض نهر جنالي العلوي الفرعي (حوالي 9,127 كم²). تضمنت مجموعة البيانات بيانات هطول الأمطار ودرجات الحرارة اليومية (1985-2014) من خمس محطات أرصاد جوية (مدعومة ببيانات الأقمار الصناعية CHIRPS/CHIRTS) وملاحظات تدفق المجاري المائية اليومية (1988-2011) من محطة قياس تشينيمسا. كما تم استخراج البيانات الطبوغرافية واستخدامات الأراضي والتربة من SRTM وCopernicus وHarmonized World Soil Database.
• التوقعات المناخية: تم تقييم اثنين وعشرين نموذجاً عالمياً للمناخ (GCMs) من مجموعة CMIP6 مقابل البيانات الرصدية باستخدام مؤشر التصنيف الشامل. تم اختيار CanESM5 لدرجة الحرارة، واستُخدم تجمع مكون من ستة نماذج لهطول الأمطار. تم تحليل التوقعات تحت سيناريوهي SSP2-4.5 وSSP5-8.5 للفترات قصيرة المدى (2015-2044) ومتوسطة المدى (2045-2074)، باستخدام تصحيح الانحياز والتحجيم الإحصائي لأسفل.
• النمذجة الهيدرولوجية: استُخدم QSWAT+ لمحاكاة العمليات في مستجم المياة، حيث قسم الحوض إلى 13 حوضاً فرعياً و731 وحدة استجابة هيدرولوجية (HRUs). خضع النموذج لتحليل حساسية عالمي (طريقة Sobol) ومعايرة باستخدام خوارزمية CALSI للفترة 1988-2002، مع التحقق من الصحة للفترة 2003-2011.
• إطار العمل الهجين: تم تنفيذ أربع خوارزميات للتعلم الآلي (ML) وهي: الغابة العشوائية (RF)، وXGBoost، وLightGBM، والذاكرة الطويلة قصيرة المدى (LSTM). استخدمت هذه النماذج الملاحظات الأرصادية، والميزات الزمنية الهندسية، ومخرجات QSWAT+ كمتنبئات. كما تم تطبيق إطار عمل تجميعي (Stacking Ensemble) باستخدام انحدار ريدج (Ridge Regression) كمتعلم ميتا (Meta-learner)، واستخدام متوسط النموذج البايزي (BMA) لدمج محاكاة QSWAT+ مع تنبؤات التعلم الآلي، بهدف تقليل عدم اليقين وتحسين المتانة.
• التحليل: تم تقييم الاتجاهات باستخدام اختبار Mann–Kendall ومقدر ميل Sen. كما تم تقييم أداء النموذج باستخدام $R^2$، ومعامل ناش-ساتكليف (NSE)، وجذر متوسط مربع الخطأ (RMSE)، ونسبة الانحياز المئوية (PBIAS).

النتائج الرئيسية

• أداء QSWAT+: حقق نموذج QSWAT+ المستقل أداءً مرضياً في المعايرة ($NSE = 0.74$، $R^2 = 0.77$) وفي التحقق ($NSE = 0.71$، $R^2 = 0.85$)، مما يشير إلى تمثيل موثوق للعمليات في مستجم المياه، رغم أنه أظهر نقصاً طفيفاً في تقدير ذروة التدفقات خلال فترة التحقق.
• تفوق النموذج الهجين: أدى دمج التعلم الآلي إلى تعزيز دقة التنبؤ بشكل كبير. تفوقت نماذج التعلم الآلي المستقلة (خاصة XGBoost) على QSWAT+، حيث حققت قيم $NSE$ و$R^2$ قريبة من 0.99. حقق نموذج التجميع الهجين (Stacking Ensemble) أعلى أداء مع $NSE$ و$R^2$ بلغ 0.98، حيث نجح بفعالية في التقاط العلاقات غير الخطية المتبقية التي فاتت النموذج الفيزيائي. كما قلل النهج الهجين من الانحياز المنهجي، حيث كانت قيم PBIAS قريبة من الصفر.
• توقعات تغير المناخ:
  • درجة الحرارة: يُتوقع حدوث احترار مستمر تحت كلا السيناريوهين، مع ارتفاع درجات الحرارة الدنيا بمعدل أسرع من القصوى. وتظهر الفترة متوسطة المدى تحت سيناريو SSP5-8.5 الاحترار الأكثر وضوحاً.
  • هطول الأمطار: تظهر التوقعات تبايناً كبيراً. يشير متوسط التجمع إلى انخفاضات معتدلة في الأمطار تحت سيناريو SSP2-4.5 وزيادات تحت سيناريو SSP5-8.5، خاصة في الفترة متوسطة المدى.
  • الاستجابة الهيدرولوجية: تحت سيناريو SSP2-4.5، أدت انخفاضات هطول الأمطار إلى انخفاض في الجريان السطحي، وإنتاجية المياه، وتغذية المياه الجوفية. وعلى العكس من ذلك، أدى زيادة هطول الأمطار تحت سيناريو SSP5-8.5 إلى رفع الجريان السطحي وإنتاجية المياه في الفترة متوسطة المدى، ومع ذلك، أدت درجات الحرارة المرتفعة إلى زيادة التبخر والنتح عبر جميع السيناريوهات، مما حد من المكاسب النسبية في توافر المياه.
• اتجاهات تدفق المجاري المائية: تشير توقعات تدفق المجاري المائية المستقبلية إلى استجابات متباينة. تشير عمليات المحاكاة قصيرة المدى إلى انخفاضات طفيفة، بينما تشير توقعات منتصف القرن تحت سيناريو SSP5-8.5 إلى زيادات كبيرة (على سبيل المثال، زيادة تصل إلى 253% في تدفق شهر أبريل). ومع ذلك، يتضاعف التباين الشهري، حيث تظهر بعض الأشهر انخفاضات كبيرة. نجح النموذج الهجين في إعادة إنتاج التباين التاريخي وقدم توقعات متوسطة المجموعات قوية.

الأهمية والادعاءات
يزعم البحث أن إطار العمل الهجين المقترح يجمع بنجاح بين الواقعية الفيزيائية للنماذج القائمة على العمليات والقوة التنبؤية للتعلم الآلي لتحسين التنبؤ بتدفق المجاري المائية في المناطق التي تعاني من نقص البيانات والهشاشة المناخية. وتشمل المساهمات الرئيسية ما يلي:

1. تعزيز الدقة: تفوق النهج الهجين (تحديداً التجميع التراكمي) بشكل كبير على نموذج QSWAT+ المستقل ونماذج التعلم الآلي الفردية، محققاً قيم $NSE$ و$R^2$ عالية مع الحفاظ على الاتساق الهيدرولوجي.
2. رؤى التكيف مع المناخ: توفر الدراسة توقعات محددة لحوض جنالي العلوي، تسلط الض้ำن على مستقبل يتميز بزيادة التبخر والنتح، واحتمالية ندرة المياه تحت سيناريوهات الانبعاثات المعتدلة (SSP2-4.5)، ومخاطر الفيضانات المتزايدة تحت سيناريوهات الانبعاثات العالية (SSP5-8.5).
3. دعم اتخاذ القرار: تقدم النتائج أساساً لتخطيط الري المرن مناخياً، والحفاظ على المياه الجوفية، وتطوير البنية التحتية لإدارة الفيضانات. ويؤكد المؤلفون أن دمج النماذج الهيدرولوجية الهجينة مع التعلم الآلي في عمليات إدارة الخزانات وتخطيط تخصيص المياه أمر ضروري للإدارة المستدامة للحوض.

تخلص الدراسة إلى أنه بينما تظل حالات عدم اليقين قائمة فيما يتعلق بتوقعات هطول الأمطار وهياكل النماذج، فإن إطار العمل الهجين يوفر أداة قيمة لتقييم آثار تغير المناخ وتقليل عدم اليقين في التنبؤ في أحواض الأنهار الإثيوبية.