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

Résumé Technique : Modélisation hybride basée sur les données et les processus pour la prévision du débit des cours d'eau sous l'effet du changement climatique dans le bassin supérieur du fleuve Genale en Éthiopie

Énoncé du problème
La prévision précise du débit des cours d'eau est cruciale pour une gestion durable de l'eau, la réduction des risques d'inondation et la planification de l'irrigation, particulièrement en Afrique subsaharienne où la variabilité climatique interagit avec des infrastructures limitées et une forte dépendance à l'agriculture pluviale. Le bassin supérieur du fleuve Genale (UGRB) dans le sud-est de l'Éthiopie est stratégiquement vital pour l'irrigation et l'hydroélectricité, mais reste hautement sensible à la variabilité climatique. Bien que les modèles basés sur les processus physiques tels que SWAT+ représentent efficacement les processus de bassin versant, ils peinent souvent face aux interactions hydrologiques hautement non linéaires et aux événements extrêmes sous des conditions climatiques non stationnaires. Inversement, les modèles de machine learning (ML) purement basés sur les données manquent d'interprétabilité physique et peuvent échouer lorsque les conditions climatiques futures divergent considérablement des données historiques d'entraînement. Cette étude répond au besoin d'un cadre de prévision robuste qui surmonte ces limitations individuelles pour soutenir une gestion de l'eau résiliente au climat dans l'UGRB.

Méthodologie
L'étude a développé un cadre hybride de prévision hydrologique intégrant le modèle basé sur les processus QSWAT+ avec des algorithmes avancés de machine learning et des projections climatiques du CMIP6.

• Zone d'étude et données : La recherche s'est concentrée sur le sous-bassin supérieur du Genale (environ 9 127 km²). Le jeu de données comprenait des données quotidiennes de précipitations et de température (1985–2014) provenant de cinq stations météorologiques (complétées par les données satellitaires CHIRPS/CHIRTS) et des observations quotidiennes de débit (1988–2011) de la station de jaugeage de Chenemsa. Les données topographiques, d'occupation des sols et de sol ont été dérivées de SRTM, Copernicus et de la Harmonized World Soil Database.
• Projections climatiques : Vingt-deux modèles climatiques mondiaux (GCM) du CMIP6 ont été évalués par rapport aux données d'observation à l'aide d'un indice de classement complet. CanESM5 a été sélectionné pour la température, et un ensemble de six modèles a été utilisé pour les précipitations. Les projections ont été analysées sous les scénarios SSP2-4.5 et SSP5-8.5 pour les périodes à court terme (2015–2044) et à moyen terme (2045–2074), en utilisant la correction de biais et la descente statistique (downscaling).
• Modélisation hydrologique : QSWAT+ a été utilisé pour simuler les processus du bassin versant, divisant le bassin en 13 sous-bassins et 731 unités de réponse hydrologique (HRU). Le modèle a subi une analyse de sensibilité globale (méthode de Sobol) et un étalonnage à l'aide de l'algorithme CALSI pour la période 1988–2002, avec une validation de 2003–2011.
• Cadre hybride : Quatre algorithmes de ML — Random Forest (RF), XGBoost, LightGBM et Long Short-Term Memory (LSTM) — ont été implémentés. Ces modèles utilisent des observations météorologiques, des caractéristiques temporelles d'ingénierie et les sorties de QSWAT+ comme prédicteurs. Un cadre d'ensemble de type stacking (utilisant la régression Ridge comme méta-apprenant) et la moyenne bayésienne des modèles (BMA) ont été appliqués pour intégrer les simulations QSWAT+ aux prédictions de ML, visant à réduire l'incertitude et à améliorer la robustesse.
• Analyse : Les tendances ont été évaluées à l'aide du test de Mann–Kendall et de l'estimateur de pente de Sen. La performance des modèles a été évaluée à l'aide de $R^2$, de l'efficacité de Nash–Sutcliffe (NSE), de la RMSE et du biais de pourcentage (PBIAS).

Résultats clés

• Performance de QSWAT+ : Le modèle QSWAT+ autonome a atteint une performance de calibration satisfaisante ($NSE = 0,74$, $R^2 = 0,77$) et de validation ($NSE = 0,71$, $R^2 = 0,85$), indiquant une représentation fiable des processus du bassin versant, bien qu'il ait montré une légère sous-estimation des débits de pointe durant la période de validation.
• Supériorité du modèle hybride : L'intégration du ML a considérablement amélioré la précision prédictive. Les modèles de ML autonomes (particulièrement XGBoost) ont surpassé QSWAT+, atteignant des valeurs de $NSE$ et $R^2$ proches de 0,99. Le modèle d'ensemble de stacking hybride a obtenu la performance la plus élevée avec un $NSE$ et un $R^2$ de 0,98, capturant efficacement les relations non linéaires résiduelles que le modèle physique avait manquées. L'approche hybride a également réduit le biais systématique, avec des valeurs de PBIAS proches de zéro.
• Projections du changement climatique :
  • Température : Un réchauffement constant est projeté sous les deux scénarios SSP, les températures minimales augmentant plus rapidement que les maximales. La période à moyen terme sous le scénario SSP5-8.5 présente le réchauffement le plus prononcé.
  • Précipitations : Les projections montrent une variabilité considérable. La moyenne de l'ensemble indique des réductions modérées des précipitations sous le SSP2-4.5 et des augmentations sous le SSP5-8.5, particulièrement à moyen terme.
  • Réponse hydrologique : Sous le SSP2-4.5, les réductions de précipitations ont conduit à des diminutions du ruissellement, du rendement en eau et de la recharge des nappes phréatiques. Inversement, sous le SSP5-8.5, l'augmentation des précipitations a entraîné une hausse du ruissellement et du rendement en eau à moyen terme, bien que l'augmentation des températures accroisse l'évapotranspiration dans tous les scénarios, limitant les gains proportionnels de disponibilité en eau.
• Tendances du débit : Les projections de débit indiquent des réponses contrastées. Les simulations à court terme suggèrent de légères réductions, tandis que les projections à mi-siècle sous le SSP5-8.5 indiquent des augmentations substantielles (par exemple, une augmentation de 253 % du débit d'avril). Cependant, la variabilité mensuelle est amplifiée, certains mois montrant des déclins significatifs. Le modèle hybride a réussi à reproduire la variabilité historique et a fourni des projections moyennes d'ensemble robustes.

Signification et affirmations
L'article affirme que le cadre hybride proposé combine avec succès le réalisme physique des modèles basés sur les processus avec le pouvoir prédictif de l'apprentissage automatique pour améliorer la prévision du débit dans les régions à faibles données et vulnérables au climat. Les principales contributions incluent :

1. Précision accrue : L'approche hybride (spécifiquement l'ensemble de stacking) a nettement surpassé QSWAT+ et les modèles de ML individuels, atteignant des valeurs élevées de $NSE$ et $R^2$ tout en maintenant la cohérence hydrologique.
2. Aperçus pour l'adaptation climatique : L'étude fournit des projections spécifiques pour le bassin du Haut Genale, soulignant un avenir caractérisé par une évapotranspiration accrue, une potentielle pénurie d'eau sous les scénarios d'émissions modérées (SSP2-4.5) et des risques d'inondation accrus sous les scénarios d'émissions élevées (SSP5-8.5).
3. Aide à la décision : Les conclusions offrent une base pour la planification de l'irrigation résiliente au climat, la conservation des eaux souterraines et le développement d'infrastructures de gestion des inondations. Les auteurs soulignent que l'intégration des modèles hybrides hydrologiques-ML dans les opérations de réservoirs et la planification de l'allocation de l'eau est essentielle pour une gestion durable du bassin.

L'étude conclut que, bien que des incertitudes subsistent concernant les projections de précipitations et les structures de modèles, le cadre hybride constitue un outil précieux pour évaluer les impacts du changement climatique et réduire l'incertitude des prévisions dans les bassins fluviaux éthiopiens.