Sintesi Tecnica: Apprendimento Automatico e CMIP6 Corretto dai Bias per il Miglioramento della Previsione del Deflusso nel Bacino del Fiume Kulfo, Etiopia, Caratterizzato da Scarsità di Dati

1. Definizione del Problema

Il cambiamento climatico sta alterando progressivamente i processi idrologici e la disponibilità idrica, ponendo sfide critiche per le regioni caratterizzate da scarsità di dati come i bacini della Rift Valley in Etiopia. Il bacino del Kulfo, nel sud dell'Etiopia, che sostiene i mezzi di sussistenza agricoli, il Parco Nazionale di Nech Sar e le comunità a valle del Lago Abaya, manca di valutazioni idrologiche complete che integrino proiezioni climatiche all'avanguardia con tecniche di modellazione avanzate.

I modelli idrologici tradizionali basati sui processi (ad esempio, SWAT) spesso faticano nei contesti dei paesi in via di sviluppo a causa della necessità di una parametrizzazione estesa e di dati di calibrazione che sono frequentemente non disponibili. Inoltre, i Modelli Climatici Globali (GCM) del Progetto di Confronto tra Modelli Accoppiati Fase 6 (CMIP6) esibiscono bias sistematici quando applicati a scale locali, rendendo necessaria una rigorosa correzione dei bias e il downscaling prima dell'applicazione idrologica. Sebbene l'apprendimento automatico (ML) offra alternative promettenti per catturare le relazioni non lineari tra clima e deflusso, studi limitati hanno valutato sistematicamente molteplici algoritmi di ML per la proiezione del deflusso nei bacini etiopi utilizzando gli ultimi scenari CMIP6.

2. Metodologia

Area di Studio e Dati

Lo studio si concentra sul bacino del Kulfo (5,9°–6,2° N, 37,5°–37,8° E), un fiume perenne che drena dalle Gughe Highlands verso il Lago Abaya. La ricerca ha utilizzato:

• Dati Osservati: Record giornalieri di precipitazioni e temperatura (1986–2014) dalla stazione meteorologica di Arba Minch, e record giornalieri di portata (1980–2022) dalla stazione di monitoraggio del Ministero dell'Acqua e dell'Energia.
• Dati Climatici: Sedici (16) modelli climatici globali CMIP6 sono stati selezionati in base alla disponibilità di variabili e alla risoluzione spaziale. Le proiezioni sono state generate sotto tre Percorsi Socioeconomici Condivisi (SSP1-2.6, SSP2-4.5 e SSP5-8.5) per il periodo 2015–2100.

Correzione dei Bias

Per affrontare i bias sistematici nelle uscite grezze di CMIP6, lo studio ha applicato tecniche di correzione dei bias sia statistiche che basate sull'apprendimento automatico. I modelli sono stati calibrati utilizzando il periodo 1986–2006 e validati rispetto alle osservazioni 2007–2014. Le prestazioni sono state valutate utilizzando l'Errore Quadratico Medio (RMSE), il Bias Percentuale (PBIAS), il Coefficiente di Correlazione (R) e l'Efficienza di Kling–Gupta (KGE).

Sviluppo dei Modelli di Machine Learning

La relazione pioggia-deflusso è stata concettualizzata come una funzione di variabili idro-climatiche attuali e antecedenti ($P_t, P_{t-1}, P_{t-2}, T_{max,t}, T_{min,t}, Q_{t-1}$). Sono stati sviluppati e confrontati otto algoritmi di machine learning:

• Metodi Ensemble: Random Forest (RF), Bagging, Boosting (GBM), AdaBoost, CatBoost e Stacking.
• Altri Algoritmi: Long Short-Term Memory (LSTM), K-Nearest Neighbor (KNN) e Support Vector Machine (SVM).

Gli iperparametri sono stati ottimizzati per ogni modello. Il dataset è stato suddiviso in un periodo di addestramento (1986–2006, 70%) e un periodo di test/validazione (2007–2014, 30%). Le prestazioni del modello sono state valutate utilizzando l'Efficienza di Nash–Sutcliffe (NSE), il Coefficiente di Determinazione ($R^2$), l'RMSE e l'Errore Assoluto Medio (MAE).

Quadro di Proiezione e Incertezza

Il modello di ML con le migliori prestazioni è stato utilizzato per simulare il deflusso giornaliero utilizzando gli input CMIP6 corretti dai bias. Lo studio ha incorporato due quadri analitici avanzati:

1. Conformal Prediction (CP): Integrata con il modello Random Forest per quantificare l'incertezza nelle proiezioni del deflusso futuro, generando intervalli di predizione (PI) al 95% per valutare l'affidabilità e la dispersione delle stime.
2. Analisi della Frequenza delle Piene Non Stazionaria: Un modello di Valore Estremo Generalizzato (GEV) variabile nel tempo è stato adattato alle serie di portata massima annuale, dove il parametro di posizione è espresso come funzione delle anomalie di temperatura proiettate ($\mu(t) = \mu_0 + \mu_1 \cdot \Delta T(t)$). Questo approccio ha permesso alle probabilità di piena e ai periodi di ritorno di evolvere nel tempo invece di rimanere costanti.

3. Risultati Chiave

Prestazioni dei Modelli CMIP6 e Correzione dei Bias

I modelli CMIP6 grezzi hanno mostrato sostanziali bias sistematici, con valori di RMSE delle precipitazioni fino a 2,95 mm/giorno e valori KGE negativi per molti modelli.

• Efficacia della Correzione dei Bias: L'applicazione della correzione dei bias (specificamente Random Forest per le precipitazioni) ha migliorato significativamente l'affidabilità del modello. L'RMSE delle precipitazioni è stato ridotto mediamente dell'83% (fino al 92% per modelli specifici come MIROC6), con coefficienti di correlazione post-correzione superiori a 0,97.
• Migliori Modelli Prestanti:
  • Precipitazioni: CNRM-ESM2-1 e CNRM-CM6-1 hanno mostrato la migliore concordanza con le osservazioni dopo la correzione.
  • Temperatura Massima: CNRM-CM6-1 è emerso come il miglior performer (RMSE = 0,24°C, KGE = 0,69).
  • Temperatura Minima: CNRM-ESM2-1 ha dimostrato la massima accuratezza (RMSE = 0,09°C, KGE = 0,72).

Confronto tra i Modelli di Machine Learning

Tra gli otto algoritmi testati, Random Forest (RF) ha dimostrato la capacità predittiva superiore:

• Calibrazione: NSE = 0,999, $R^2$ = 0,9995.
• Validazione: NSE = 0,806.
• Importanza delle Variabili: Il deflusso antecedente ($Q_{t-1}$) è stato identificato come il predittore dominante (42% di importanza), riflettendo i contributi significativi delle acque sotterranee al bacino.
• Altri metodi ensemble (AdaBoost, Boosting) hanno performato bene, mentre LSTM, KNN e SVM hanno mostrato capacità predittive più deboli, probabilmente a causa del periodo di addestramento limitato e della scarsità di dati.

Proiezioni Climatiche e di Deflusso Future

• Temperatura: Tutti gli scenari SSP proiettano un riscaldamento costante. Verso la fine del secolo (2071–2100), le temperature massime proiettate supereranno i 32°C e le temperature minime saliranno sopra i 18,5°C sotto gli scenari ad alte emissioni (SSP5-8.5).
• Precipitazioni: Le precipitazioni dovrebbero rimanere relativamente stabili con modesti declini (fino a -5,1% sotto lo scenario SSP5-8.5 verso la fine del secolo), sebbene la redistribuzione stagionale sia significativa.
• Deflusso Annuale: Le proiezioni indicano un declino progressivo del deflusso annuale in tutti gli scenari. Verso la fine del secolo, le riduzioni proiettate raggiungeranno:
  • -8,5% sotto SSP1-2.6.
  • -13,9% sotto SSP2-4.5.
  • -20,7% sotto SSP5-8.5.
• Ridistribuzione Stagionale: Si osserva uno spostamento significativo nella stagionalità idrologica, caratterizzato da riduzioni sostanziali del deflusso estivo (fino a -33,3% sotto SSP5-8.5) e aumenti moderati del flusso invernale (inizialmente +21%, ma in diminuzione nel tempo).

Incertezza e Frequenza delle Piene

• Conformal Prediction: L'incertezza nelle proiezioni del deflusso aumenta verso la fine del secolo, particolarmente sotto lo scenario SSP5-8.5, con intervalli di predizione al 95% più ampi che indicano una maggiore variabilità nelle risposte idrologiche.
• Piene Non Stazionarie: Contrariamente al declino del flusso medio, l'analisi GEV non stazionaria ha rivelato una risposta complessa delle caratteristiche delle piene. Il livello di piena a 100 anni ($Q_{100}$) è proiettato in forte diminuzione (del 35–41% entro il 2100) a causa del ridotto deflusso di base dovuto alla maggiore evapotraspirazione. Tuttavia, lo studio rileva un risultato controintuitivo in cui le magnitudo delle piene estreme potrebbero intensificarsi a causa di eventi di pioggia più intensi e di breve durata, accorciando il periodo di ritorno della piena a 50 anni a soli 8 anni entro il 2080.

4. Significato e Contributi

Questo studio fornisce la prima valutazione completa delle prestazioni dei modelli CMIP6 nel bacino del Kulfo e dimostra la superiorità degli approcci di apprendimento automatico ensemble, specificamente Random Forest, per la proiezione del deflusso in bacini etiopi caratterizzati da scarsità di dati.

La ricerca apporta diversi contributi specifici:

1. Integrazione Metodologica: Integra con successo le proiezioni CMIP6 corrette dai bias con il machine learning per affrontare i limiti dei dati, offrendo un quadro robusto per la stima del deflusso futuro.
2. Quantificazione dell'Incertezza: Utilizzando la conformal prediction, lo studio quantifica l'incertezza nelle stime del deflusso futuro, evidenziando la crescente variabilità sotto gli scenari ad alte emissioni.
3. Analisi Non Stazionaria: L'applicazione di un modello GEV variabile nel tempo sfida le assunzioni stazionarie, rivelando che il cambiamento climatico può alterare le caratteristiche delle piene in modi complessi (riducendo il flusso medio pur potenzialmente intensificando le piene improvvise).
4. Rilevanza Politica: I risultati sottolineano la vulnerabilità del bacino del Kulfo ai futuri cambiamenti idro-climatici. Lo studio enfatizza la necessità di integrare l'apprendimento automatico, l'analisi dell'incertezza e gli approcci idrologici non stazionari nella pianificazione delle risorse idriche resilienti al clima per sostenere la gestione sostenibile del bacino, lo sviluppo dell'irrigazione e la riduzione del rischio di inondazioni in Etiopia e in altri bacini tropicali.

Gli autori concludono che, sebbene lo studio offra spunti preziosi, la ricerca futura dovrebbe concentrarsi sull'espansione delle reti di monitoraggio idro-meteorologico, l'integrazione di modelli basati sui processi con approcci di deep learning ibridi e l'incorporazione di driver socioeconomici per migliorare ulteriormente la robustezza predittiva.