A Hybrid Feature-Engineered XGBoost Framework for Rainfall-Runoff Based Inflow Prediction of Ukai Dam, India

Sintesi Tecnica: Un Framework Ibrido di XGBoost con Ingegneria delle Caratteristiche per la Previsione delle Portate Basata su Pioggia-Deflusso per la Diga di Ukai, India

Definizione del Problema
La previsione accurata delle portate dei bacini è fondamentale per la gestione delle risorse idriche, il controllo delle inondazioni, l'ottimizzazione dell'idroelettrico e la pianificazione dell'irrigazione, in particolare per sistemi strategicamente importanti come la diga di Ukai in Gujarat, India. Mentre i modelli idrologici tradizionali basati sulla fisica offrono interpretabilità, essi richiedono spesso una calibrazione estesa e dati sul bacio idrografico dettagliati. Al contrario, i modelli di apprendimento automatico puramente basati sui dati possono catturare relazioni non lineari complesse, ma possono non sfruttare appieno la conoscenza idrologica fisica. Questo studio affronta la necessità di un sistema di previsione robusto che integri il deflusso fisico con l'apprendimento automatico avanzato per gestire i processi idrologici non lineari e l'elevata variabilità del bacino di Ukai, che sperimenta distinti periodi di picco e di magra guidati dalle precipitazioni monsoniche.

Metodologia
Lo studio propone un framework ibrido di XGBoost con ingegneria delle caratteristiche (feature engineering) personalizzato sulle attributi idrologici e meteorologici della diga di Ukai. La metodologia segue un flusso di lavoro strutturato:

1. Raccolta e Preelaborazione dei Dati:

   • Fonti: I dati sono stati aggregati dalla stazione della diga di Ukai (1985–2025) e da 52 stazioni meteorologiche a monte, coprendo variabili idrologiche, meteorologiche e spaziali.
   • Variabili: Gli input includono attributi del serbatoio (capacità di apertura, scarico, volume, capacità di bilancio, portata in entrata) e dati meteorologici (temperatura, precipitazioni, umidità, velocità del vento, evaporazione). I dati spaziali (elevazione, pendenza, uso del suolo/copertura del suolo - LULC) sono stati derivati da Google Earth/Maps e Bhuvan (NRSC).
   • Elaborazione: I dati grezzi (circa 200k record del serbatoio e 278k record del deflusso) sono stati puliti, aggregati temporalmente in medie giornaliere e i valori mancanti sono stati imputati utilizzando i valori medi. Gli outlier sono stati limitati al 99,5° percentile.

2. Stima del Deflusso Ibrida (Componente Fisica):

   • È stato impiegato un metodo potenziato del Soil Conservation Service-Curve Number (SCS-CN) per stimare il deflusso.
   • Il Numero di Curva (CN) è stato assegnato in base all'uso del suolo/copertura del suolo (LULC) e alla geomorfologia.
   • È stato introdotto un fattore di aggiustamento basato sulla pendenza per tenere conto della variabilità del bacino: pendenze >10% hanno aumentato la generazione di deflusso (fattore 1,2), mentre pendenze <3% hanno aumentato l'infiltrazione (fattore 0,8).
   • Ciò ha generato una variabile di "Deflusso Corretto" utilizzata come input primario per il modello di machine learning.

3. Ingegneria delle Caratteristiche (Feature Engineering):

   • Lag Features: Sono stati inclusi i ritardi (lag) di portata di 1, 2, 3, 5 e 7 giorni per catturare la persistenza temporale e le relazioni autoregressive.
   • Statistiche Mobili (Rolling Statistics): Sono state calcolate le medie mobili a 7 giorni per precipitazioni e deflusso per rappresentare la risposta cumulativa del bacino e ridurre il rumore.
   • Indicatori Stagionali: È stata estratta una caratteristica "mese" per catturare la variabilità stagionale.
   • Trasformazione del Target: Per stabilizzare la varianza e ridurre l'asimmetria, la variabile target (portata in entrata) è stata trasformata utilizzando una funzione logaritmica a bassa potenza: $y_t = \log(1 + \text{Portata}^{0,7})$.

4. Addestramento e Ottimizzazione del Modello:

   • Algoritmo: Extreme Gradient Boosting (XGBoost) è stato utilizzato con 800 alberi decisionali, una profondità massima di 5 e un tasso di apprendimento di 0,025.
   • Ponderazione dei Picchi di Flusso: Per migliorare la previsione degli eventi estremi, le osservazioni che superavano il 90° percentile delle portate storiche sono state assegnate un peso di addestramento doppio ($w_i = 2$) rispetto ai flussi normali.
   • Validazione: È stata impiegata una strategia di cross-validazione 5-fold TimeSeriesSplit per prevenire la fuga di dati (data leakage) e preservare l'ordine temporale.

5. Analisi Comparativa:

   • Il framework proposto è stato confrontato con modelli Decision Tree (DT), Random Forest (RF), Gradient Boosting Regressor (GBR) e reti Long Short-Term Memory (LSTM) utilizzando identici input e protocolli di validazione.

Contributi Chiave

• Integrazione di Fisica e ML: Lo studio integra con successo la stima del deflusso basata sulla fisica (SCS-CN potenziato con aggiustamenti di pendenza) con il machine learning, colmando il divario tra modellazione basata sui dati e basata sui processi.
• Ingegneria Ibrida delle Caratteristiche: Sviluppo di un set di caratteristiche completo che combina lag della portata, statistiche idrologiche mobili, variabili di stato del serbatoio e stagionalità.
• Apprendimento Sensibile ai Picchi: Introduzione di un meccanismo di ponderazione specifico per aumentare la sensibilità del modello agli eventi di portata estrema, critici per la previsione delle inondazioni.
• Benchmarking Completo: Un confronto rigoroso che dimostra la superiorità dell'approccio ibrido rispetto al classico ML, ai metodi ensemble e al deep learning (LSTM) per questo specifico contesto di serbatoio.

Risultati
Il modello Hybrid XGBoost proposto ha dimostrato un'eccezionale accuratezza predittiva, superando significativamente tutti i modelli di confronto:

• Metriche di Prestazione: Il modello ha raggiunto un $R^2$ di 0,992 e un coefficiente di efficienza di Nash-Sutcliffe (NSE) di 0,992. L'errore quadratico medio (RMSE) è stato di 7,415, e l'errore assoluto medio (MAE) di 0,977.
• Confronto:
  • vs. Modello senza Lag: Rimuovendo le caratteristiche di lag, le prestazioni sono crollate (RMSE aumentato a 5409,4, $R^2$ sceso a -17602), evidenziando l'importanza critica delle dipendenze temporali.
  • vs. Altri Modelli ML/DL: Il modello Hybrid XGBoost ha ampiamente superato DT ($R^2=0,18$), RF ($R^2=0,11$), GBR ($R^2=0,08$) e LSTM ($R^2=0,15$).
  • Efficienza: Mentre Random Forest richiedeva il tempo computazionale più elevato (67,94 minuti), il modello proposto si è addestrato in circa 4,05 minuti, offrendo un equilibrio tra alta accuratezza ed efficienza computazionale.
• Importanza delle Caratteristiche: L'analisi ha rivelato che le variabili di lag della portata sono state i predittori più influenti, seguite dalle stime del deflusso e dai parametri operativi del serbatoio (bilancio/capacità di apertura).

Significato e Rivendicazioni
Gli autori sostengono che il framework proposto funga da strumento affidabile per la previsione delle inondazioni, l'operatività dei serbatoi e la gestione sostenibile delle acque. Raggiungendo un'elevata accuratezza nella previsione sia delle condizioni di bassa portata che di picco, il modello supporta il processo decisionale critico per:

• Previsione delle inondazioni in tempo reale.
• Ottimizzazione dell'operatività del serbatoio.
• Pianificazione dell'allocazione dell'acqua.
• Programmazione dell'idroelettrico.
• Valutazione della resilienza climatica.

Lo studio conclude che gli approcci ibridi, che combinano la stima fisica del deflusso con l'ingegneria delle caratteristiche avanzata e il gradient boosting, superano significativamente i modelli convenzionali di machine learning e deep learning per la previsione delle portate in sistemi di serbatoi complessi come la diga di Ukai. Gli autori suggeriscono che i lavori futuri possano incorporare prodotti di pioggia radar, osservazioni satellitari e architetture basate su transformer per migliorare ulteriormente le prestazioni.