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

Technische Zusammenfassung: Hybride datengesteuerte und prozessbasierte Modellierung zur Abflussvorhersage unter dem Klimawandel im oberen Genale-Flussbecken, Äthiopien

Problemstellung
Eine genaue Abflussvorhersage ist entscheidend für ein nachhaltiges Wassermanagement, die Reduzierung von Hochrisiken und die Planung der Bewässerung, insbesondere in Subsahara-Afrika, wo die Klimavariabilität mit begrenzter Infrastruktur und einer hohen Abhängigkeit von regenabhängiger Landwirtschaft interagiert. Das obere Genale-Flussbecken (UGRB) in Südostäthiopien ist strategisch wichtig für die Bewässerung und Wasserkraft, bleibt jedoch hochsensibel gegenüber der Klimavariabilität. Während physikalisch basierte Modelle wie SWAT+ die Einzugsgebietsprozesse effektiv darstellen, haben sie oft Schwierigkeiten mit hochgradig nichtlinearen hydrologischen Interaktionen und Extremereignissen unter nicht-stationären Klimabedingungen. Umgekehrt mangelt es rein datengetriebenen Modellen des maschinellen Lernens (ML) an physikalischer Interpretierbarkeit und sie können versagen, wenn zukünftige Klimabedingungen signifikant von den historischen Trainingsdaten abweichen. Diese Studie adressiert die Notwendigkeit eines robusten Vorhersagerahmens, der diese individuellen Einschränkungen überwindet, um ein klimaresilientes Wassermanagement im UGRB zu unterstützen.

Methodik
Die Studie entwickelte einen hybriden hydrologischen Vorhersagerahmen, der das prozessbasierte QSWAT+-Modell mit fortschrittlichen Algorithmen des maschinellen Lernens und CMIP6-Klimaprojektionen integriert.

• Studiengebiet und Daten: Die Forschung konzentrierte sich auf das obere Genale-Teilbecken (ca. 9.127 km²). Der Datensatz umfasste tägliche Niederschlags- und Temperaturdaten (1985–2014) von fünf meteorologischen Stationen (ergänzt durch CHIRPS/CHIRTS Satellitendaten) sowie tägliche Abflussbeobachtungen (1988–2011) von der Messstation Chenemsa. Topografische, Landnutzungs- und Bodendaten wurden aus SRTM, Copernicus und der Harmonized World Soil Database abgeleitet.
• Klimaprojektionen: Fünfundzwanzig CMIP6-Globale Klimamodelle (GCMs) wurden anhand eines Comprehensive Ranking Index gegen Beobachtungsdaten evaluiert. CanESM5 wurde für die Temperatur ausgewählt, und ein Ensemble aus sechs Modellen wurde für den Niederschlag verwendet. Die Projektionen wurden unter den Szenarien SSP2-4.5 und SSP5-8.5 für die Nahfrist (2015–2044) und die Mittelfrist (2045–2074) analysiert, unter Verwendung von Bias-Korrektur und statistischer Downscaling-Verfahren.
• Hydrologische Modellierung: QSWAT+ wurde verwendet, um die Prozesse im Einzugsgebiet zu simulieren, wobei das Becken in 13 Teilbecken und 731 Hydrologische Antworteinheiten (HRUs) unterteilt wurde. Das Modell durchlief eine globale Sensitivitätsanalyse (Sobol-Methode) und Kalibrierung mittels des CALSI-Algorithmus für den Zeitraum 1988–2002, mit Validierung von 2003–2011.
• Hybrider Rahmen: Vier ML-Algorithmen – Random Forest (RF), XGBoost, LightGBM und Long Short-Term Memory (LSTM) – wurden implementiert. Diese Modelle nutzten meteorologische Beobachtungen, konstruierte zeitliche Merkmale und QSWAT+-Outputs als Prädiktoren. Ein Stacking-Ensemble-Framework (unter Verwendung von Ridge-Regression als Meta-Learner) und Bayesian Model Averaging (BMA) wurden angewendet, um QSWAT+-Simulationen mit ML-Vorhersagen zu integrieren, mit dem Ziel, die Unsicherheit zu reduzieren und die Robustheit zu verbessern.
• Analyse: Trends wurden mittels des Mann–Kendall-Tests und des Sen's Slope-Schätzers bewertet. Die Modellleistung wurde mittels $R^2$, Nash–Sutcliffe-Effizienz (NSE), RMSE und Percent Bias (PBIAS) evaluiert.

Wesentliche Ergebnisse

• QSWAT+-Leistung: Das eigenständige QSWAT+-Modell erreichte eine zufriedenstellende Kalibrierung ($NSE = 0,74$, $R^2 = 0,77$) und Validierung ($NSE = 0,71$, $R^2 = 0,85$), was auf eine zuverlässige Darstellung der Einzugsgebietprozesse hindeutet, wenngleich es eine leichte Unterschätzung der Spitzenabflüsse im Validierungszeitraum zeigte.
• Überlegenheit des hybriden Modells: Die Integration von ML verbesserte die Vorhersagegenauigkeit signifikant. Die eigenständigen ML-Modelle (insbesondere XGBoost) übertrafen QSWAT+ mit $NSE$- und $R^2$-Werten nahe 0,99. Das hybride Stacking-Ensemble-Modell erreichte die höchste Leistung mit einem $NSE$ und $R^2$ von 0,98 und erfasste effektiv die verbleibenden nichtlinearen Beziehungen, die das physikalische Modell nicht erfassen konnte. Der hybride Ansatz reduzierte auch den systematischen Bias, mit PBIAS-Werten nahe Null.
• Klimawandel-Projektionen:
  • Temperatur: Eine konsistente Erwärmung wird unter beiden SSP-Szenarien projiziert, wobei die Minimumtemperaturen schneller steigen als die Maximumtemperaturen. Die Mittelfrist unter SSP5-8.5 zeigt die ausgeprägteste Erwärmung.
  • Niederschlag: Die Projektionen zeigen erhebliche Variabilität. Das Ensemble-Mittel deutet auf moderate Niederschlagsminderungen unter SSP2-4.5 und Zunahmen unter SSP5-8.5 hin, insbesondere in der Mittelfrist.
  • Hydrologische Reaktion: Unter SSP2-4.5 führten Reduktionen im Niederschlag zu Abnahmen beim Abfluss, dem Wasserertrag und der Grundwasserneubildung. Im Gegensatz dazu trieben erhöhte Niederschläge unter SSP5-8.5 in der Mittelfrist zu höherem Abfluss und Wasserertrag, obwohl steigende Temperaturen die Evapotranspiration über alle Szenarien hinweg erhöhten, was die proportionalen Gewinne an Wasserverfügbarkeit einschränkte.
• Abflusstrends: Zukünftige Abflussprojektionen deuten auf kontrastierende Reaktionen hin. Nahfrist-Simulationen deuten auf leichte Rückgänge hin, während die Mittelfrist-Projektionen unter SSP5-8.5 erhebliche Zunahmen anzeigen (z. B. eine Steigerung des April-Abflusses um bis zu 253 %). Die monatliche Variabilität wird jedoch verstärkt, wobei einige Monate signifikante Rückgänge aufweisen. Das hybride Modell reproduzierte die historische Variabilität erfolgreich und lieferte robuste Ensemble-gemittelte Projektionen.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass der vorgeschlagene hybride Rahmen erfolgreich die physikalische Realität von prozessbasierten Modellen mit der Vorhersagekraft des maschinellen Lernens kombiniert, um die Abflussvorhersage in datenarmen, klimavulnerablen Regionen zu verbessern. Zu den wesentlichen Beiträgen gehören:

1. Verbesserte Genauigkeit: Der hybride Ansatz (speziell das Stacking-Ensemble) übertraf das eigenständige QSWAT+ und einzelne ML-Modelle signifikant und erreichte hohe $NSE$- und $R^2$-Werte bei gleichzeitiger Wahrung der hydrologischen Konsistenz.
2. Erkenntnisse zur Klimaanpassung: Die Studie liefert spezifische Projektionen für das obere Genale-Becken und hebt eine Zukunft hervor, die durch erhöhte Evapotranspiration, potenzielle Wasserknappheit unter moderaten Emissionsszenarien (SSP2-4.5) und erhöhte Hochrisiken unter Hochemissionsszenarien (SSP5-8.5) gekennzeichnet ist.
3. Entscheidungsunterstützung: Die Ergebnisse bieten eine Grundlage für eine klimaresiliente Bewässerungsplanung, Grundwasserschutz und die Entwicklung von Infrastrukturen für das Hochwassermanagement. Die Autoren betonen, dass die Integration hybrider hydrologischer-ML-Modelle in den Betrieb von Reservoirs und die Wasserallokationsplanung essenziell für ein nachhaltiges Beckenmanagement ist.

Die Studie kommt zu dem Schluss, dass trotz bestehender Unsicherheiten hinsichtlich der Niederschlagsprojektionen und der Modellstrukturen der hybride Rahmen ein wertvolles Instrument zur Bewertung der Klimawandelauswirkungen und zur Reduzierung der Vorhersageunsicherheit in äthiopischen Flussbecken darstellt.