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

तकनीकी सारांश: इथियोपिया के ऊपरी गेनाले नदी बेसिन में जलवायु परिवर्तन के तहत प्रवाह पूर्वानुमान के लिए हाइब्रिड डेटा-संचालित और प्रक्रिया-आधारित मॉडलिंग

समस्या विवरण
सटीक प्रवाह पूर्वानुमान सतत जल प्रबंधन, बाढ़ जोखिम न्यूनीकरण और सिंचाई योजना के लिए महत्वपूर्ण है, विशेष रूप से उप-सहारा अफ्रीका में जहाँ जलवायु परिवर्तनशीलता सीमित बुनियादी ढांचे और वर्षा पर आधारित कृषि पर उच्च निर्भरता के साथ परस्पर क्रिया करती है। ऊपरी गेनाले नदी बेसिन (UGRB), जो दक्षिण-पूर्वी इथियोपिया में स्थित है, सिंचाई और जलविद्युत के लिए रणनीतिक रूप से महत्वपूर्ण है लेकिन जलवायु परिवर्तनशीलता के प्रति अत्यधिक संवेदनशील भी है। जबकि SWAT+ जैसे भौतिक रूप से आधारित मॉडल जलभृत प्रक्रियाओं का प्रभावी ढंग से प्रतिनिधित्व करते हैं, वे अक्सर गैर-स्थिर जलवायु स्थितियों के तहत अत्यधिक गैर-रैखिक हाइड्रोलॉजिकल अंतःक्रियाओं और चरम घटनाओं को दर्शाने में संघर्ष करते हैं। इसके विपरीत, शुद्ध डेटा-संचालित मशीन लर्निंग (ML) मॉडल भौतिक व्याख्यात्मकता की कमी रखते हैं और भविष्य की जलवायु स्थितियाँ यदि ऐतिहासिक प्रशिक्षण डेटा से काफी भिन्न होती हैं, तो विफल हो सकते हैं। यह अध्ययन एक सुदृढ़ पूर्वानुमान ढांचे की आवश्यकता को संबोधित करता है जो UGRB में जलवायु-लचीला जल प्रबंधन का समर्थन करने के लिए इन व्यक्तिगत सीमाओं को दूर कर सके।

कार्यप्रणाली
अध्ययन ने एक हाइब्रिड हाइड्रोलॉजिकल पूर्वानुमान ढांचे को विकसित किया जो उन्नत मशीन लर्निंग एल्गोरिदम और CMIP6 जलवायु अनुमानों के साथ प्रक्रिया-आधारित QSWAT+ मॉडल को एकीकृत करता है।

• अध्ययन क्षेत्र और डेटा: अनुसंधान का ध्यान ऊपरी गेनाले उप-नदी बेसिन (लग. 9,127 किमी²) पर केंद्रित था। डेटासेट में पांच मौसम संबंधी स्टेशनों (CHIRPS/CHIRTS उपग्रह डेटा द्वारा पूरक) से दैनिक वर्षा और तापमान डेटा (1985-2014) और चेनेम्सा गेजिंग स्टेशन से दैनिक प्रवाह अवलोकन (1988-2011) शामिल थे। स्थलाकृतिक, भूमि उपयोग और मृदा डेटा SRTM, कोपरनिकस और हार्मोनाइज्ड वर्ल्ड सॉइल डेटाबेस से प्राप्त किए गए थे।
• जलवायु अनुमान: तापमान के लिए CanESM5 का चयन किया गया था और वर्षा के लिए एक छह-मॉडल एन्सेम्बल का उपयोग करते हुए, एक व्यापक रैंकिंग इंडेक्स का उपयोग करके बीस-दो CMIP6 ग्लोबल क्लाइमेट मॉडल्स (GCMs) का मूल्यांकन किया गया। अनुमानों का विश्लेषण SSP2-4.5 और SSP5-8.5 परिदृश्यों के तहत निकट-अवधि (2015-2044) और मध्य-अवधि (2045-2074) के लिए, बायस सुधार और सांख्यिकीय डाउनस्केलिंग का उपयोग करते हुए किया गया।
• हाइड्रोलॉजिकल मॉडलिंग: QSWAT+ का उपयोग बेसिन को 13 उप-बेसिनों और 731 हाइड्रोलॉजिक रिस्पॉन्स यूनिट्स (HRUs) में विभाजित करने के लिए किया गया था। मॉडल का वैश्विक संवेदनशीलता विश्लेषण (सोबोल विधि) किया गया और 1988-2002 की अवधि के लिए CALSI एल्गोरिदम का उपयोग करके अंशांकन (कैलिब्रेशन) किया गया, जिसका सत्यापन 2003-2011 से किया गया।
• हाइब्रिड फ्रेमवर्क: चार ML एल्गोरिदम—रैंडम फॉरेस्ट (RF), XGBoost, LightGBM और लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM)—को लागू किया गया। इन मॉडलों ने मौसम संबंधी अवलोकनों, इंजीनियर किए गए टेम्पोरल फीचर्स और QSWAT+ आउटपुट को भविष्यवक्ताओं (predictors) के रूप में उपयोग किया। अनिश्चितता को कम करने और मजबूती में सुधार करने के उद्देश्य से, QSWAT+ सिमुलेशन और ML भविष्यवाणियों को एकीकृत करने के लिए एक स्टैकिंग एन्सेम्बल फ्रेमवर्क (रिज रिग्रेशन को मेटा-लर्नर के रूप में उपयोग करते हुए) और बायेसियन मॉडल एवरेजिंग (BMA) को लागू किया गया।
• विश्लेषण: रुझानों का आकलन मैन-केंडल टेस्ट और सेन के स्लोप एस्टिमेटर का उपयोग करके किया गया। मॉडल प्रदर्शन का मूल्यांकन $R^2$, नैश-सकल्फ दक्षता (NSE), RMSE और प्रतिशत बायस (PBIAS) का उपयोग करके किया गया।

मुख्य परिणाम

• QSWAT+ प्रदर्शन: स्टैंडअलोन QSWAT+ मॉडल ने संतोषजनक अंशांकन ($NSE = 0.74$, $R^2 = 0.77$) और सत्यापन ($NSE = 0.71$, $R^2 = 0.85$) प्रदर्शन प्राप्त किया, जो जलभृत प्रक्रियाओं के विश्वसनीय प्रतिनिधित्व को दर्शाता है, हालांकि इसने सत्यापन अवधि में पीक फ्लो को थोड़ा कम करके दिखाया।
• हाइब्रिड मॉडल की श्रेष्ठता: ML के एकीकरण ने भविष्य कहने की सटीकता को काफी बढ़ा दिया। स्टैंडअलोन ML मॉडलों (विशेष रूप से XGBoost) ने QSWAT+ को पीछे छोड़ते हुए, $NSE$और$R^2$के मान 0.99 के करीब प्राप्त किए। हाइब्रिड स्टैकिंग एन्सेम्बल मॉडल ने उच्चतम प्रदर्शन के साथ$NSE$और$R^2$ का 0.98 प्राप्त किया, जो प्रभावी रूप से उन अवशिष्ट गैर-रैखिक संबंधों को पकड़ लेता है जिन्हें भौतिक मॉडल मिस कर देता है। हाइब्रिड दृष्टिकोण ने व्यवस्थित पूर्वाग्रह को भी कम किया, जिसमें PBIAS मान शून्य के करीब रहे।
• जलवायु परिवर्तन अनुमान:
  • तापमान: दोनों SSP परिदृश्यों के तहत निरंतर गर्माहट का अनुमान है, जिसमें न्यूनतम तापमान अधिकतम की तुलना में तेजी से बढ़ रहा है। SSP5-8.5 के तहत मध्य-अवधि की अवधि सबसे स्पष्ट गर्माहट दिखाती है।
  • वर्षा: अनुमान काफी परिवर्तनशीलता दिखाते हैं। एन्सेम्बल मीन (समूह माध्य) SSP2-4.5 के तहत मध्यम वर्षा में कमी और SSP5-8.5 के तहत, विशेष रूप से मध्य-अवधि में, वृद्धि दर्शाता है।
  • हाइड्रोलॉजिकल प्रतिक्रिया: SSP2-4.5 के तहत, वर्षा में कमी से रनऑफ, जल प्राप्ति (water yield) और भूजल पुनर्भरण में कमी आई। इसके विपरीत, SSP5-8.5 के तहत, बढ़ी हुई वर्षा ने मध्य-अवधि में उच्च रनऑफ और जल प्राप्ति को प्रेरित किया, हालांकि बढ़ते तापमान ने सभी परिदृश्यों में वाष्पोत्सर्जन (evapotranspiration) को बढ़ाकर जल उपलब्धता में आनुपातिक लाभ को सीमित कर दिया।
• प्रवाह रुझान (Streamflow Trends): भविष्य के प्रवाह अनुमान विरोधाभासी प्रतिक्रियाएं दर्शाते हैं। निकट-अवधि के सिमुलेशन मामूली कमी का सुझाव देते हैं, जबकि मध्य-शताब्दी के अनुमान (SSP5-8.5 के तहत) पर्याप्त वृद्धि (जैसे, अप्रैल प्रवाह में 253% तक की वृद्धि) दर्शाते हैं। हालांकि, मासिक परिवर्तनशीलता बढ़ गई है, जिसमें कुछ महीने महत्वपूर्ण गिरावट दिखाते हैं। हाइब्रिड मॉडल ने ऐतिहासिक परिवर्तनशीलता को सफलतापूर्वक पुनरुत्पादित किया और मजबूत एन्सेम्बल-एवरेज प्रोजेक्शन प्रदान किया।

महत्व और दावे
यह शोध दावा करता है कि प्रस्तावित हाइब्रिड फ्रेमवर्क डेटा-दुर्लभ, जलवायु-संवेदनशील क्षेत्रों में प्रवाह पूर्वानुमान में सुधार करने के लिए प्रक्रिया-आधारित मॉडलों की भौतिक यथार्थता को मशीन लर्निंग की भविष्य कहने वाली शक्ति के साथ सफलतापूर्वक जोड़ता है। प्रमुख योगदान निम्नलिखित हैं:

1. उन्नत सटीकता: हाइब्रिड दृष्टिकोण (विशेष रूप से स्टैकिंग एन्सेम्बल) ने उच्च $NSE$और$R^2$ मान प्राप्त करते हुए स्टैंडअलोन QSWAT+ और व्यक्तिगत ML मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया, जबकि हाइड्रोलॉजिकल निरंतरता बनाए रखी।
2. जलवायु अनुकूलन अंतर्दृष्टि: अध्ययन ऊपरी गेनाले बेसिन के लिए विशिष्ट अनुमान प्रदान करता है, जो एक ऐसे भविष्य को रेखांकित करता है जिसमें बढ़ता वाष्पोत्सर्जन, मध्यम उत्सर्जन परिदृश्यों (SSP2-4.5) के तहत संभावित जल संकट और उच्च-उत्सर्जन परिदृश्यों (SSP5-8.5) के तहत बढ़ी हुई बाढ़ का जोखिम शामिल है।
3. निर्णय समर्थन: निष्कर्ष जलवायु-लचीली सिंचाई योजना, भूजल संरक्षण और बाढ़ प्रबंधन बुनियादी ढांचे के विकास के लिए एक आधार प्रदान करते हैं। लेखक इस बात पर जोर देते हैं कि जलाशय संचालन और जल आवंटन योजना में हाइब्रिड हाइड्रोलॉजिकल-ML मॉडलों को एकीकृत करना सतत बेसिन प्रबंधन के लिए आवश्यक है।

अध्ययन निष्कर्ष निकालता है कि हालांकि वर्षा अनुमानों और मॉडल संरचनाओं के संबंध में अनिश्चितताएं बनी हुई हैं, हाइब्रिड फ्रेमवर्क जलवायु परिवर्तन प्रभावों का आकलन करने और भविष्यवाणी अनिश्चितता को कम करने के लिए एक मूल्यवान उपकरण प्रदान करता है।